数据：99%+1%，能实现“从0到10000”——银河通用王鹤：让机器人甩掉遥控器，“睁开眼”干活

　　新华社北京9月15日电 9月15日,《新华每日电讯》发表题为《数据：99%+1%，能实现“从0到10000”——银河通用王鹤：让机器人甩掉遥控器，“睁开眼”干活》的报道。

　　8月，全球首个城市级常态化运营的人形机器人示范区落地北京。来自北京银河通用机器人有限公司的“银河太空舱”——由机器人经营的无人超市开张，具身智能真正走进大众日常生活。作为专注于研发人形机器人硬件和具身智能大模型的机器人企业，银河通用率先实现机器人在工业、零售等场景批量化落地，其自研机器人Galbot在机器人格斗赛等赛事上也斩获佳绩。

　　每次有机器人火上热搜，评论区都有不少人强调一个现实：目前，绝大多数机器人离开人工和遥控，还是会“原形毕露”。

　　而银河通用的机器人Galbot却有所不同：它不仅无需“遥控”，还能自主干活。

　　眼下，具身智能的最大困境，既非硬件，也非模型，而在于数据。不论是让机器人从动作智能转向认知智能，还是提升机器人的泛化性、鲁棒性（指系统、算法或模型面对外部干扰、输入异常或内部参数变化时维持稳定运行并输出预期结果的能力），关键在于数据的丰富性和准确性。

　　而一个让难度再进阶的考验是，想要真正实现商业闭环，还要权衡数据获取的质量、成本与效率。

　　记者：机器人发展的优先级，应侧重于能力的展示，还是产业的切实赋能？在发展方向上，业内分歧多还是共识多？

　　王鹤：今年以来，机器人企业在两种能力的选择上逐步有了区分度。一类以宇树科技为代表，其机器人擅长运动、舞蹈、拳击，特点是以腿足乃至全身控制为主，能展现出精彩的运动能力。还有一类是以银河通用为代表的“干活派”，依靠视觉反馈闭环，展现出在实际场景中干活的能力。“干活派”里，大致还可分为视觉算法+轨迹生成，与端到端VLA（即视觉-运动-动作一体化生成）两种技术路径。

　　其实，不少人形机器人跳舞、跑步，并没有用到视觉传感器。今年4月在北京举行的全球首个机器人半程马拉松上，不少观众注意到部分机器人“运动员”的不远处，有人用遥控器遥控机器人跑步、转弯或加速，实际上机器人是“闭着眼”跑的。这样的技术现状跟机器人“生产力时代”还不是一回事，毕竟，没有活是闭着眼睛干的。

　　今年，具身智能的场景落地在加快。以工业场景为例，银河通用的机器人已实现流水线搬运、分拣等环节的规模化应用。零售场景中，银河通用在北京海淀已成功落地10多家配备人形机器人的智慧药房，并计划年内在全国开设100家。此外，银河通用的机器人已开始售卖零食、咖啡等商品。

　　记者：机器人完成酷炫的、令人眼前一亮的动作，许多情况下还是预编排的动作序列、人工遥控与视频剪辑共同作用的结果。为什么会出现“demo（演示视频）先行、落地乏力”？

　　王鹤：秀一段5分钟的demo，对机器人的可靠性、稳定性要求并不高，不能证明它是能24小时工作的高可靠性产品。

　　demo与产品的差距主要来自两方面。一是泛化性不足，视频片段展示的多为精心布置的受控环境，如果换个物体、环境甚至是光线，机器人就难以工作了，这显然还不是成熟的产品。二是硬件不可靠，如果机器人用上一会儿就需要人来维修，也显然还不能大规模投入使用。机器人的核心功能是替人去劳动，而不是成为花瓶一样的摆设。

　　记者：要想“拿掉机器人的遥控器”，核心在于什么？

　　王鹤：在于能够自主执行的模型“大脑”，且能实现跨场景泛化。今年初，银河通用以10亿级合成大数据，端到端训练了一个VLA大模型，以视觉作为输入，模型实时输出当前机器人末端执行器应当如何移动，是一个闭环反馈模型，能够实现对不同场景中移动物体的抓取。6月，又推出了端到端导航大模型，使机器人能够拥有“听—看—懂—走”闭环运动能力。

　　另一个核心在于硬件的性能要够用、好用，精度要尽可能高。

　　记者：机器人实现泛化的关键在于什么？

　　王鹤：数据。可以说数据决定了机器人能力的下限。

　　我的观点是，现阶段合成数据可用于解决从0到1的问题，利用真实遥操采集的数据可解决从1到100的问题，从100到10000的问题则交由视频数据处理，让机器进行学习。具身智能所依靠的数据，99%可借助高质量的合成数据完成，只有在合成数据无法处理的情况下，才需要有针对性地采集使用1%的真实数据。

　　端到端具身大模型面临的困难，与自动驾驶所运用的端到端大模型有所不同。自动驾驶所依靠的数据来源广泛、数量庞大，且采集成本为负。目前，头部人形机器人厂商量产的机器人仅为千台级别，难以达到万台规模。在现实中，让所有机器人都投入不同场景自主工作，以供真人采集上亿条数据，并不具有现实可行性。

　　更为切实可行的解决方案是，先利用合成数据完善抓取、移动、放置等功能，助力具身智能开拓市场，先完成那99%。而生成高质量合成数据也存在一定门槛，需具备出色的图形学、物理仿真、物理渲染、自动动作合成管线等一系列完整的基础设施，还需要长期的核心技术积累。

　　记者：什么能称为高质量的数据？该如何评价采集或仿真获得的数据够不够好、够不够用？

　　王鹤：数据的“质”比“量”重要。如果数据千篇一律、同质性太高，那么它的价值就非常有限。高质量数据意味着它是多元的，能够体现柔性物体的操作，具备场景的泛化性。从机器学习的角度讲，训练数据能覆盖尽可能多元的测试数据的分布，机器人的学习就越高效，学成之后，它就能在陌生环境抓取一个此前没见过的东西。

　　记者：现有的模型架构够用吗？

　　王鹤：不能说完全成熟，但是够用了。模型方面一直有进展，但起决定性作用的是数据。数据足够的情况下，好的模型能学得更好，但数据不够时，好的模型也会变成“差生”。好比教一个3岁小孩学围棋，一上来就教高端技巧并不现实，得先让他知道什么是黑子白子。

　　记者：机器人商业落地，难在哪里？技术突破速度与场景适配深度之间的平衡，如何把握？

　　王鹤：可批量复制的场景落地，将是具身智能的“生死分水岭”。在我看来，未来3年左右，能找到可以击穿的场景就能留在牌桌，找不到的将会出局。未来1年，如果能实现千台到万台的机器人批量交付，行业价值才算得到验证，具身智能的泡沫也将被剥离。

　　事实上，如果能把抓取、移动、放置这类“简单”操作的泛化性问题彻底解决，已堪称具身智能发展过程中的一个里程碑。这一技术的成熟足够打开数千亿元的市场，使机器人在零售、前置仓、车厂分拣等多个场景中帮助人类完成繁重劳动。

　　记者：普林斯顿大学一门哲学课花了一整个学期讨论一个问题——先有语言，还是先有思维。这个讨论是关于人的，但从这个视角看，机器人的语言形成、认知形成，是否与人类相仿？大语言模型、推理模型的发展，如何影响机器人的进化？

　　王鹤：不是所有的思维活动都基于语言。拿猩猩举例，猩猩学习某个技能，靠的是另一只猩猩在它面前演示一遍，也就是说，技能是靠具身的学习来传播的。即使语言交流不发达，猩猩也一样具有视觉思维、空间思维、情感思维。

　　人类的思维是一个复杂的认知过程，人类的语言和思维在互动中塑造。语言能够使思维在更大范围内传播，思维涉及心智层面对信息的处理，包括概念形成、问题解决、决策制定与反思等，可以影响语言的演化与延伸。所以说人类智能里，思维能力、语言能力、操作能力都是使人类拥有地球上迄今为止最强智能的重要因素。

　　记者：ChatGPT横空出世时，有人说“语言即智能”；人形机器人热潮来袭，又有人说“身体即智能”。也许在今天，只以人的维度评价智能已经不够了。你如何定义“智能”？人的智能、机器人的智能是否有一个交汇点？

　　王鹤：智能就是解决问题的能力。无论对于人类、其他动物还是机器人，遇到问题后能给出解决办法的能力，就是智能。面对一瓶饮料，人类利用语言沟通请有工具的人打开它，动物徒手打开它，机器人给出一个恰好的力来打开它——调用能力的方式不同，但这都是智能。