机器人WAIC现场抢活讲PPT？商汤悟能具身智能平台让机器人「觉醒」

新智元报道

编辑：编辑部

【新智元导读】如今的具身智能，早已爆红AI圈。数据瓶颈、难以多场景泛化等难题，一直困扰着业界的玩家们。就在WAIC上，全新具身智能平台「悟能」登场了。它以世界模型为引擎，能为机器人提供强大感知、导航、多模态交互能力。

WAIC上，各家机器人的火爆，各位已经都见证过了。

不过现在行业遭遇的一个重大瓶颈，就是急缺数据、训练效率低，让许多机器人的性能暴涨被卡了脖子。

这样就导致目前绝大多数具身智能机器人，自主解决问题的能力还比较弱。

怎么破？商汤有解。

昨天的WAIC上，商汤的具身智能平台——悟能正式亮相！这是一场真正的炸裂革命。

你只需用一句自然语言描述场景，它就能为具身智能的训练生成符合物理规则、多视角统一、真实世界还原度极高的多视角视频。

也就是说，商汤用自己擅长的世界模型，破解了仿真数据输出的难题，赋能各种场景的机器人（和机器狗）。

想象一下，你双手紧握方向盘，脚踩油门，身临其境地穿梭在城市街头，光影变幻，七个摄像头为你构建出一个无比真实的世界。

别误会，这不是你在玩《极品飞车》，而是你在和AI一起「开悟」！

接下来的AI，将不再是工具，而是合作者、探索者、创造者。此刻，就是我们一同驶向未来的起点。

商汤「悟能」平台，为什么能为具身智能做到如此不可思议的赋能？让我们来仔细看看。

四大功能，让机器人性能再进一步

首先，机器人的一个核心问题，就是大脑VLA。很多行业的翘楚，都在这个方向推出了自己的模型。

而对于这些领域，商汤既有的能力感知和多模态，就有极大的使用空间。

比如，机器人的感知、导航、交互，以及世界模型，都能助力于机器人构造很好的VLA以及跟世界交互的可能性。

另外，商汤的大装置，还能给底层提供端侧和云侧的核心方案。

具体来说，这个平台提供了以下功能。

感知

做视觉感知，是商汤的一大强项。

不管是机器狗还是机器人都是带视觉的，一个天然视觉感知，就是对世界万物做识别和理解。

左边为机器狗的视角，右边为机器人的视角

而商汤在这部分的视觉能力，恰好就能完全嵌入到机器人的核心芯片当中，因此，在端侧就能处理好这种感知能力。

同时，它们也被赋能去识别场景中的所有物件、行人。

总之，如果在机器人行业中需要做感知，用商汤平台就再合适不过了。它适配了大量的芯片，包括提供云和端侧处理的能力。

导航

平台的第二大能力，就是视觉导航。

目前在行业中，虽然已经有了全自主的无人驾驶车，却还并未出现全自主自动驾驶的机器狗和机器人。

而商汤绝影，恰巧就在做全自主视觉的无人驾驶。

此前，这个团队已经赋能了许多车企，做端到端的智能驾驶。

这些同样的模块，也可以去适配到机器狗和机器人身上。

比如，对机器狗来说，导航就是找到一个非车道以外的、人能行驶的路径，规划好路径以后，来做好避障即可。

因此，同样的能力可以赋能各式各样不同的基础硬件。

下面展示的，便是机器狗行进的过程中，「悟能」实时为它做出的路径规划。

交互

平台的第三大能力，就是交互工具。

现场，商汤科技董事长兼CEO徐立为我们举了一个很有意思的例子——用AI生成《长安的荔枝》的PPT，然后让机器人给我们来做讲解。

这一次，机器人被调适得非常幽默，可以让我们深刻感受到，它已经从一个交互工具，演变成了一个交互伙伴。

只见这个机器人绘声绘色地做起了讲解，颇具个人风格，期间还不断爆梗：「难度大概相当于让你拿小灵通打王者荣耀，想想就知道有多虐！」

「那咱们来算一笔账，按唐朝的银子换算，一次运输得花掉今天的1000万人民币！」

注意，在这个过程中，机器人是自己翻PPT的——它很清楚地知道，自己讲解的内容是在哪一页。甚至如果我们对它提问，它还会自己翻回去。

甚至在嘈杂环境中，它也不怕被打断。即使中间你问它问题，它在讲解完后，还会记得自己的主线任务，继续往下讲。

整个过程中都体现出，这个机器人有全局记忆的能力。

甚至有趣的是，上面这个功能，还可以用到机器狗上，对于形态并没有限制。

从「开悟」，到「悟能」具身世界模型

现在，商汤「开悟」世界模型，已经可以在车里生成多视角视频。

这一点，可以说意义重大。原因在于，在虚拟世界里要生成很多数据去做交互，最关键的就是，这些数据在未来可能就是强化学习的一个基础。

而商汤在自动驾驶上，就已经做到了用一句自然语言去生成一个七视角摄像头的视频。

可以看到，它具有很好的空间一致性。（车开过不同摄像头时，它几何位置的对应，完全符合物理对空间世界的理解。）

而且，它在时序上也做到了一致性。

比如在这台车行驶的过程中，几次把车牌号拉出来一看，都能发现这个世界模型在时序上的生成是一致的。

甚至，世界模型还能做编辑。在这个过程中，可以实时做编辑替换，甚至是插入、删除现实中的车。

这部分新生成的数据，可以为AI进入现实世界，提供闭环交互训练的解决方案。

比如在自动驾驶中，「加塞场景」就是典型的长尾场景，真实数据极其稀缺，而开悟世界模型就提供了高质量的多场景数据（光照、天气、道路结构）。

最后将所有视角的视频结合，就仿佛在真实场景中开车一样。这种交互的真实感与实时性，可以说是「极品飞车」现实版了。

如今，商汤进一步把「开悟」扩展到了具身智能领域，并赋予了它一个全新的名字——「开悟智能」，简称「悟能」。

「悟能」具身世界模型，可以通过「人、物、场」，构建一个4D的真实世界。

比如下面是两张初始视角图。给出一张具身关节模型，对它下指令「在厨房区域的架子上找东西」，它就可以生成如下的视频，生成了关节模型的连续位姿。

同样，如果下指令「进入娱乐室，向右转，然后打开通往院子的门」，模型也能立刻生成下面的视频和连续位姿。

这些具身世界模型生成的内容，因为具有时空一致性，就可以从多个角度去观察。

比如动作骨架正在完成的，是一个手动切黄瓜的指令，而接下来，它就能同时生成一段「第一人称」和「第三人称」视角的机器人切黄瓜视频。

或者，一段机器人在白天的公园里跳跃的视频。同样，第一、第三人称视角都一起生成出来了。

为什么说，第一视角和第三视角相结合的世界模型如此重要呢？

要知道，机器人并不天然拥有人的直觉，也缺乏对世界的理解。而「悟能」让机器人同时拥有第一视角和第三视角相结合的世界模型后，相当于给它开了一个外挂。

这样，它不仅可以通过第一视角，通过传感器「感知」世界，捕捉到实时环境信息；还能通过第三视角开启「上帝视角」，看到人类的肢体、骨骼是如何精妙配合、完成每个动作的，相当于拥有人类动作的参考指南。

二者结合后，我们就能知道机器人看到了什么，应该做什么动作，由此，机器人真正像人一样学会了举一反三，能做更自然流畅的交互，可以做端到端的VLA了。

在以往，要靠数据采集生成这样的视频，需要花费大量的时间和精力，如今却可以飞速完成。

甚至，这个世界模型还能生成不同相机位姿的视频，因此，我们可以不限位置，把相机放在机器人的任何位置，来模拟生成符合3D关系的4D世界真实视频。

可以看到，以上这几大功能，可以让「悟能」平台赋能各式各样的机器人企业，让机器人和现实世界交互。

比如机器狗从此不会只是巡逻和跳舞，现在它可以陪着小孩放学、陪着老人散步，不仅是守护者，更是贴心的陪伴者。

因为可以导航去任何地方，它就能知道你要去哪儿，会在路上替你规避危险、应对突发，甚至还能帮你拎东西。

可以说，AI演进的十年历程，就是AI从感知世界，到理解世界，最终具备与真实世界交互的能力。

除了「悟能」平台，商汤还会构建更强的世界模型与空间智能，推动AI 迈入真正与物理世界交互的时代，实在是太令人期待了！

具身智能爆火，却卡在了数据上

具身智能赛道，现已成为全球AI核心竞争点之一。

不论是谷歌、英伟达等科技大厂，还是诸如Figure、Skilled AI等初创黑马，对此不断加码研发，冲刺万亿级市场。

然而，具身智能机器人在应对多变的现实世界，仍面临着诸多瓶颈。

这几天，英伟达杰出科学家Jim Fan对此也吐槽了一番——机器人都会跑酷和跳舞了，怎么还不能帮我遛狗呢？

他这一现象称之为，机器人领域的mini版「莫拉维克悖论」。

这恰恰说明了，具身智能领域的发展，还有很多问题等待被攻克。

传统机器人通常被设计为「专才」，针对特定人任务进行优化，缺乏应对多变任务的灵活性。

举个栗子，送餐机器人更擅长在餐厅环境中导航和递送食物，却无法在工业生产线上工作。

这种「单一技能」的模式源于机器人硬件和算法高度定制化，导致不同本体难以实现任务迁移，即我们常说的「本体泛化」。

若要解决这一挑战，核心便在于设计一个通用的「智能大脑」。

由此一来，即便是不同形态的机器人，都能共享一套算法，适应多样化的硬件平台和任务需求。

有了本体泛化还不够，具身智能如何实现「任务泛化」，是决定其能力的上限。

若要完成「冰箱取食材—切菜—烹饪—端上桌」的任务，长序列规划、跨模态理解，以及实时纠错的能力必不可少。

人形机器人Neo

当前难题是，有时因为光线变化、多步任务缺少中间状态等，机器人就会翻车。

此外，具身智能发展另一大瓶颈，也是全行业亟待解决的问题——如何实现场景泛化。

它要求机器人在不同环境中，都能准确感知、理解，并于物理世界交互。然而，场景泛化的前提，必须有高质量、多模态的数据加持。

如何获取这些数据？生成合成数据，成为了具身智能「Scaling Law」的救命稻草。

为了应对上述瓶颈，业界逐渐探索出多种技术路线，但尚未形成统一的标准。

以谷歌、Figure、Physical Intelligence为代表，他们主攻VLA（视觉-语言-动作）模型，通过语言和图像输入，直接生成动作。

另一种是「大小脑」架构，将规划和执行分离。

最后一种便是常见的「世界模型」，目标就是让机器人能够像人类一样「理解世界」。

无论是哪种技术路线，皆需要高质量多模数据为支撑。

这一次，商汤WAIC现场带来的「悟能」具身智能平台，是一个具备全栈能力的AI大脑。

不论是在感知、视觉导航，还是交互、生成多样高质数据上，「悟能」为机器人行业提供了全面的赋能。

做这件事的人，为什么是商汤？

AI刻在DNA，商汤在下一盘大棋

作为计算机领域的先行者，商汤的入局并非偶然，而是技术基因和战略眼光的必然延伸。

多年来，这家AI公司在多模态大模型、算力基础设施，以及产业生态各方面，有着深厚的积累。

在技术布局的过程中，商汤经历了从「视觉感知」到「多模态推理」的探索。

它不仅能识别棋子，还能在遮挡情况下实现精准抓取。这一突破标志着，商汤向物理世界交互的具身智能迈进。

在大模型掀起的热潮中，商汤多次迭代了「日日新大模型」，通过原生融合模态训练，在多模态推理和长思维链能力上，取得了顶尖的性能。

而且，日日新早已用在傅利叶、归墟等公司的机器人「大脑」上。

这一次，徐立又带着最新的SenseNova V6.5来了。

在多模态推理上，V6.5与Gemini 2.5 Pro不相上下；在交互性能上，多榜单刷新SOTA，并且推理成本狂降到30%。

另一方面，商汤的AI大装置SenseCore 2.0，能为其具身智能平台提供强大的算力支持。

截至2024年底，商汤大装置运营的「总算力规模」已达23,000PetaFlops。

通过预填充和解码分离等优化技术，SenseCore能提升GPU利用率和推理效率，降低了模型的部署成本。

这种端云协同架构，可以支撑从数据生产、模型训练，到仿真测试的全流程，提供了一站式解决方案。

除了底层能力的积累，商汤在生态方面也在加速布局。

商汤旗下国香资本，投资了银河通用、众擎、钛虎等多家具身智能企业，覆盖了本体、运控、关键模组等全产业链环节。

庞大的具身智能「朋友圈」，能让商汤更了解产业痛点，加速技术验证和迭代，进而反哺和优化模型算法。

在人才储备上，商汤汇聚了多位顶尖行业学者，比如深度学习与计算机领域的专家林达华、王晓刚等等。

从技术演进，到算力、生态、人才的全面布局，充分展现了商汤「三位一体」的综合实力。

具身智能的黄金时代已悄然开启，商汤「悟能」平台的发布恰逢其时。

在这场激烈的竞争中，「悟能」不仅是对商汤技术基因的延伸，更有望成为撬动具身智能「第二增长曲线」的关键支点。

未来，在智能制造、医疗护理、家庭服务等多场景中，具身智能蕴藏着万亿级市场价值。

商汤正以王者之姿，点燃具身智能的引爆点，让机器人成为所有人的「超级队友」。