具身智能Scaling Law缺失：机器人界的"摩尔定律"何时诞生？

文 | 日晞野望，作者｜咸闲

8月9日，在世界机器人大会的演讲台上，宇树科技创始人王兴兴谈论到目前机器人运动控制领域存在的RL Scaling Law问题，他认为现在的机器人在学习一项新的技能时，往往都是需要从头开始研究以及教学。

而在未来更加希望的是能够在原有的基础上去不断学习，使得他们的学习速度更加快速以及效果更好。

整个具身智能行业在目前并没有人将强化学习的Scaling Law做好，所研究的算力增长、数据堆积，并不能直接让机械手臂变得更加灵巧，或者让双足的机器人走得更稳。

事实上，问题并不在于我们所提供的硬件、数据不够好，而是其“大脑进化”以及环境不断适应，那么，面对具身智能Scaling Law缺失，我们是否应该如同婴儿时的教学，让其不断尝试，具备真正不断演化的能力，促使机器人界的"摩尔定律"诞生？

算力增长≠智能进化：具身智能的物理瓶颈困局

在目前的人工智能领域，我们逐渐认为当我们提供了更多的数据以及算力时，就能够支撑机器人拥有更聪明的能力。

例如，ChatGPT的发展似乎印证了这一点——给它更大的模型、更多的训练文本，它就能写出更流畅的文章，解答更复杂的问题。

我们可以知道在虚拟ai领域，数据是单一的，规则是明确的，所以增加算力和数据就能够去提升虚拟ai的性能。

但当这样的方式放到机器人的身上，在它与现实世界交互的时候，我们发现其真实效果往往就会受到不同材质的摩擦、空气阻力、物体形变等产生随机性影响，比如，运行中会被一些障碍物绊倒等。

哈佛大学的"机器蚂蚁"实验生动地展示了这个困境。研究人员给这个小机器人增加了10倍的运算能力，期待它能更好地适应复杂地形。

但结果令人失望：它的环境适应能力只提升了微不足道的2%。问题不在于芯片不够强，而在于蚂蚁的机械腿无法像真实昆虫那样灵敏地感知和适应地面变化。

所以，现实世界中无数的物理特性就让机器人在运行出现了无数个"意外状况"。

并且，如今机器人在学习新的技能以及适应新环境时，其芯片总是会需要较大的能耗。

这并不是通过技术的不断进化，从而减少能耗的消耗量能够解决的问题，而是应该去面对根本性的缺陷：机器人还在用"蛮力计算"来对抗物理法则。

这样的困境揭示了一个深刻的事实：在机器人领域，单纯的算力增长就像给汽车装了强劲的引擎，却忘了我们所要前行的道路是崎岖、坑洼的道路，它是否能够实时应对路况呢？

我们更加希望的是其能够像人类的生物系统一样，总是在原有的基础之上不断进化，去面临并解决受物理世界制约的困境。

达尔文式进化：具身智能的身体适应智慧

真正智能的关键并不是在于它的“大脑”学习的东西是不是足够多，就比如在自然界中，章鱼没有脊椎动物那样集中的大脑，它的5亿神经元分布在触手中，却能让八条腕足各自独立抓取、探测甚至"思考"。

然而，这样的生物所体现的行为是不同于机器人的集中依靠数据驱动的“大脑”智能模式，而是将身体本身也作为计算的一部分。

过去，机器人和AI的进步主要靠堆算力和数据，就像不断给计算机提供大量的知识，希望它变得更加聪明。

但事实上的现实智能发展，无论是人类婴儿学步，还是动物的精准捕猎，都依赖着我们的身体与环境的实时互动。

所以我们更加需要它的身体有着的自己适应能力——就像人类肌肉会在出现突发状况时，主动产生一定的行为。

然而机器人需要适应的是未在提前预设的情况下，根据指令以及环境变换，提供不同的状态和行为。

正如，王兴兴所提及希望当机器人处于一个新的环境时，能够主动去探索一些事物，来满足我们所提供的指令，而不是我们将一些具体的数据提供给它，只需要照做就行。

未来的突破点可能在于其“身体”和“大脑”的像自然生物一样共同进化，算法不再需要为每个细微的环境状况进行不断地训练，而是像生物那样在互动中自然调整。

这条路虽然艰难，但自然界的进化史当中已经证明其可行性。从单细胞生物到人类，生命进化或许给我们提供了较优方向。

未来的机器人或许需要向生物学习，发展出与物理世界和谐共处的"身体智能"。

真正的突破，不是建造更精密的机械臂，而是创造出更加具有生命力的机器人。

重塑衡量标准：具身智能需要拥抱"生存力"

对于具身智能来说，真正的考验从来不是重复完成某个固定任务，而是在变化中保持稳定。

目前的机器人缺乏真正的抗干扰智慧——不是避免犯错，而是犯错后快速修正的本事。

我们总是笑着现在的机器人有着些许笨拙的行为，甚至对于它们的动作称之为“老太行为”，但对于这样还需不断进化的具身智能来说，应该把"容错率"变成衡量智能的新尺度。毕竟在真实世界里，稳定比精准更重要。

像在孩童时期，当我们拿起保温杯时，不需要重新学习"抓握"这个动作——我们知道它和马克杯一样都是圆柱形容器，只需微调力度，就能够同样的拿起这个东西。

但今天的机器人完美掌握马克杯后，面对保温杯时又要从零开始训练。问题不在于它不够"聪明"，而在于它缺乏对"杯子"这个概念的真正理解。

这种"泛化能力"的缺失，暴露了当前机器人学习的核心缺陷：它们通过海量数据只能记住对于这个特定物体的抓取方式，却无法抽象出通用规律。

真正的突破可能需要让机器人像孩子一样，先理解"抓握"的本质（形状、重量、摩擦力之间的关系），而不是死记硬背每个物体的数据。

当测评标准转向"生命力"而非"精准度"，具身智能才能突破现在的天花板，迈向真正的实用化。

参考资料：

1.杭州ai之都— —王兴兴“炸裂”发言：机器人的ChatGPT时刻 即将到来丨王兴兴在2025世界机器人大会演讲实录（文字+视频）

2. 机器之心— — 机器人迈向ChatGPT时刻！清华团队首次发现具身智能Scaling Laws