大模型热潮第三年，“AI春晚”又换主角 为什么是具身智能？

早早就没了位置，人墙围了一层又一层，宇树机器人、天工机器人一登场，就调动了全场气氛。

6月6日，由北京智源人工智能研究院主办的“AI春晚”——第七届北京智源大会（以下简称智源大会）正式开幕。
大模型热潮进入第三年，智源大会的关键词已经从“大语言模型”跃升为“具身智能”与“机器人2.0”。

作为产业风向标，在智源大会上，OpenAI创始人山姆·奥特曼以及“深度学习之父”辛顿曾发表演讲；月之暗面创始人杨植麟曾经历人墙围堵，热度远超如今首个冲向IPO的智谱AI；而今，大会上的“明星”是宇树科技创始人、CEO（首席执行官）王兴兴。

变化的背后，AI（人工智能）正加速迈入“干实事”的新阶段：从机器人表演走向实际应用，从模型训练走向产业闭环。物理世界的复杂性、数据采集的现实需求、人与机器的自然交互，正在共同推动具身智能成为AI发展的下一个技术高地。

具身智能会客厅对话现场 主办者供图

“AI春晚”，主角又换了

结束开幕式上的“智源具身智能会客厅”圆桌对话后，宇树科技CEO王兴兴在现场安保引导下离场，想要上前与其交流的观众被隔绝在人墙外。

这或许是吸取了去年的“教训”，彼时的明星公司是月之暗面，杨植麟在下场后几度被人墙围住无法脱身。

如果以2022年末ChatGPT的发布作为节点，三届智源大会，不仅见证了大模型时代AI技术的跨越式发展，也折射出人工智能产业关注重心的变动轨迹。

2023年，AI领域风头无两的是OpenAI所引领的生成式大语言模型热潮，当年大会的高光时刻是OpenAI的代表人物山姆·奥特曼（Sam Altman）与“深度学习之父”辛顿（Geoffrey Hinton）的亮相。

2024年，以月之暗面、百度、智谱AI为代表的国产大模型厂商迅速崛起，在语言模型与多模态模型领域竞逐成“主角”，开发出Kimi的月之暗面备受追捧。

2025年，具身智能集中抢镜，机器人、跨模态系统、物理智能等成为主论坛的重要议题。变化背后，是技术路线的演进和应用价值的再认识。

面壁智能CEO兼联合创始人李大海在接受《每日经济新闻》记者采访时表示，技术的发展是非线性的。大模型本质上是一项基础性技术，未来一定是非常重要的底层基础设施。随着这项技术逐步成熟，产业关注的重心自然也开始从底层模型向其之上的具体应用转移，这种关注点的迁移是合理且必然的。

同时，李大海认为，大模型“奇点”正在到来，其身处其中有非常强烈的感受，当前大模型在训练过程中，已经能够利用自身的特性，反哺训练过程，实现大模型训练的加速，形成“用大模型训练大模型”的良性循环。“整个技术的发展在加速，（所以）才有外面能看到的整个行业的变化越来越大（的情况）。”

“人工智能正加速从数字世界走向物理世界，这是我们对整个大的技术发展趋势的判断。”智源研究院院长王仲远受访时表示。

从“秀肌肉”到“干实事”

在2024年的智源大会开幕式上，月之暗面、百川智能、智谱AI与面壁智能四家国产大模型公司曾罕见同台，展开通往通用人工智能（AGI）之路的对话。而2025年，圆桌环节的对话主角，从大模型转向了具身智能。

开年以来，具身智能成为人工智能领域最热的关键词，伴随而来的，是形态各异的机器人频繁亮相各种公众赛事：从春节晚会上的舞蹈表演，到格斗竞技场上的人形对抗赛；从物流分拣的真实场景模拟，到即将在北京举办的“世界人形机器人运动会”。

眼下风靡的机器人比赛，是验证技术的试验场，还是秀肌肉的“秀场”？

对此，王兴兴认为，当前机器人赛事的价值在于让大众“看到机器人已经发展到什么阶段了”。他坦言，尽管人形机器人还不能“真正进入家庭干活”，但通过格斗、跳舞等全身动作训练，一方面可以展示当前AI控制系统的水平，另一方面，跳舞和格斗，其实是机器人全身动作的一部分。“我们的目标一直是希望通过AI技术让机器人能做各种全身动作，来实现终极目标，去真正解放人类生产力。”

王兴兴进一步解释道，这种展示不仅有助于训练和验证模型能力，也开始体现出一定的商业价值。今年上半年，人形机器人租赁市场就比较火爆，王兴兴认为，这也是一种产业价值的体现。

北京人形机器人创新中心总经理熊友军也表示，接下来的“世界人形机器人运动会”，不仅包括格斗等竞技类项目，还将引入短跑、接力、足球、舞蹈等来自人类场景的形式。同时，赛事中还包含多个真实生活和工业场景，如工厂的物流搬运、医院的医药分拣、酒店的服务应用等。

熊友军表示，这些比赛场景来自具体的企业提出的真实场景需求，和机器人即将走入现实的生活密切相关。“这是一个很好的训练场，对提升机器的技术有很大帮助，也是潜在客户了解和跟机器人企业沟通的桥梁。”

尽管表演与赛事火热，但具身智能产业化真正的关键仍是“干活”能力的打造。对此，银河通用创始人王鹤指出，当前行业已经有许多炫酷技能，但需要反思的是，如果在真实环境下无法保证成功率，这些技能的产业价值就非常有限。

王鹤介绍，银河通用与智源研究院的联合团队正在重点攻关“通用移动抓取”任务，即通过导航与抓取组合，让机器人在货架等实际工作场景中完成复杂动作。王鹤透露，银河通用的机器人已经在北京值守7家24小时无人药店，由人形机器人完成取药和对接骑手的任务。他进一步强调，希望赛事和应用场景能进一步打通，用赛事去引领有价值的、可落地的技能。

人形机器人现场展示格斗 主办方供图

人形还是非人形？

在AI模型“上天入地”的浪潮中，被称为“AI+机器人”终极形态的具身智能，正成为产业界和学术界同时瞄准的下一个技术制高点。

“其实我一直不坚持一定要做（成）人形（机器人）。”在谈到人形机器人是否是具身智能唯一形态时，王兴兴表示，从工程实践角度出发，宇树科技早期做机器狗，转向人形机器人属于“顺理成章”。在一些场景中，用轮式底盘替代腿部同样非常实用。

“但为什么大家现在喜欢用人形，尤其上半身保留人的样子？核心是因为现在AI大部分还是依赖人来做数据采集。”王兴兴解释说，人形机器人上半身动作和人类一致，可以让AI采集数据、训练模型都更加方便，“包括我们机器人跳舞或者做一些格斗和别的比赛，说实在的，如果你做成别的样子就没办法做这个事情”。

不过王兴兴也明确指出，未来随着AGI的诞生，机器人的形态将会“千奇百怪”，比现在要多非常多倍，甚至多100倍都有可能。但在当前阶段，人形形态仍在数据采集、模型训练和落地效率上具备“实用主义”的优势。

与王兴兴偏向技术现实主义的观点不同，熊友军更看重人形在未来市场中的地位。他认为，虽然从技术上讲，具身智能载体可以多种多样，但“人形机器人是具身智能发展、研究的最佳载体”。他指出，未来具身智能的最大应用场景不是工业，而是家庭和商用服务，“今天工厂场景只是‘开胃小菜’”。

熊友军认为，人形机器人更容易被人接受。它们会成为生活中的伙伴、朋友，甚至像现在很多年轻人所说的——可能是爱人。这种人机交互的自然程度是其他形态难以比拟的。他还补充道，人形机器人适配人类环境的成本更低，如果不是人形，就可能需要为机器人改造环境。这在实际部署中会带来额外成本。熊友军表示，长期来看，人形仍是具身智能最具发展潜力的形态。

展区机器狗 主办方供图

在形态问题的背后，具身智能的“智能”来源何处，是另一个争议核心。自动驾驶中，VLA（视觉语言动作模型）已成为主流解决方案，但面对具身智能中复杂度更高的任务环境，VLA能否“泛化”仍待验证。

王鹤认为，自动驾驶的经验已初步证明了“端到端”方案有更好的扩展性，不依赖无穷无尽的规则，而是通过数据去驱动模型。他表示，VLA的意义在于，通过视觉观测和自然语言指令，直接输出动作决策，中间不再需要其他环节。这种路径可以让模型更充分地吸收数据背后的知识，发挥出最大的性能，而不受制于模块化方案。

不过，王鹤也直言，目前VLA是具身智能研究的热点，只是针对VLA究竟要突破什么，行业同样有不同观点。比如，有人希望把人类能做的所有事情都整合到VLA中，形成一个基座模型。王鹤认为这太着急了。他指出，人类认知不是只有视觉和语言，还包括力觉、触觉、嗅觉、味觉、温觉、听觉⋯⋯“所以VLA只能是一个起点，要想真正做到人类级别的具身智能，只能不断融合新的模态。”

王鹤认为，目前VLA最适合的任务是移动、抓取和放置。这些以视觉为主，加上末端的触觉或力觉传感器即可执行，这类任务在工业和服务场景中已经足够广泛，如果能先将这类VLA模型做扎实，“将会是具身智能真正第一次高潮的到来”。

穹彻智能联合创始⼈、上海交通⼤学教授、上海创智学院副院⻓卢策吾则补充，VLA模型“确实集合了机器人几件要干的事”——Vision（视觉）理解世界，Language（语言）与人类沟通，Action（动作）改变世界。但他也指出VLA当前存在很大的限制。具身智能面对的物理世界比无人驾驶复杂得多，无人车只需在两个维度做决策，且场景相对固定，而通用具身智能的场景是开放且有接触的，空间更大、不确定性更多。因此，要做到通用，就要压缩它的“不确定性”，并不停地在兼容框架中增加更多额外信息，在端到端的模型里压缩它的空间。

此外，他强调对物理世界理解能力的增强也是“压缩任务空间”的关键。穹彻团队在其第二代“机器人大脑”中，加入了“数字基因”“仿真数据资产”等模块，希望通过仿真产生大量数据，减少真实世界中训练对样本量的依赖。卢策吾认为，找到更聪明的方式理解世界，把它们融合到VLA里，才可能真正推动通用智能的拐点出现。

从人形机器人的路径分歧，到VLA模型的能力边界，在具身智能这条路上，数据仍是燃料，形态仍有博弈。但最终，理解世界并与之交互的能力，或许才是决定智能生命形态的关键点。