德国国家工程院院士Wolfram Burgard：沉默的超级市场，当机器人成为家庭“新成员”

DoNews8月20日消息，2026世界机器人大会论坛于8月19日-22日在北京举办，在第二场主论坛，德国国家工程院院士、德国纽伦堡工业大学教授 Wolfram Burgard，分享《沉默的超级市场：当机器人成为家庭“新成员”》。

Wolfram Burgard分享内容全文如下：

《沉默的超级市场：当机器人成为家庭“新成员”》

女士们，先生们，非常高兴今天有幸与各位交流。我们今天高朋满座、齐聚一堂，在我之前发言诸位嘉宾都是非常厉害的，非常感谢他们的贡献。我们今天在世界机器人大会所谈的沉默市场，当机器人嘉宾成为家庭新成员时将给我们每天的生活带来非常大的改变，它也会在我们的家庭之中有很多的表现，我想给大家介绍一下我的看法。

最后我们会讲一下家庭中使用机器人是什么意思，也就是我们要去超越现在所有机器人的技术和机器人对他们的看法，必须要让他们有一些新的定义，也就是说我们主要用的是在制造业、在工业当中，未来会进入千家万户，现在对于具身的AI或者具身的机器人，他们会在哪些行业有所应用呢？比如说物流行业、家庭照护和家庭支持方面会起到很大的作用。总体来说，我们目前所谈的是人形机器人，对于这些目的而言是最具有前景的一个载体，我们所需要的是需要非常高超的感知能力，就是超级传感器帮助机器人看的更好、了解的更多，这是我们觉得比较常见的情况。

之前发言人演讲当中，我们看到机器人去实现复杂任务的能力在不断的上升，它们可以更好的了解这个世界、理解这个世界，接下来在我的演讲中也会进一步的介绍。

如果你想所有机器人都来执行这些复杂任务的话，我们必须要去提升他们的感知能力。我们在之前发言人演讲中听到非常高级的、超乎我们预计的，在过去几年中想都不能想的进展，我们希望要做更多的发展、更多的挖掘，需要让AI来帮助机器人更好的感知附近的环境，意味着我们要看到好的真实世界的模型，需要他们去了解、感知、推理等等。

事实上，他们现在对机器人的要求超出了现有互联网能够提供的，比如说ChatGPT这些人工智能，他们更多是基于文本、基于语言、基于视觉，我们现在需要为机器人打造下一代的模型，需要建设类似和真实任务相似的模型，不仅仅是文本、不仅仅是视觉、不仅仅是图像。要他们做什么，需要告诉他们做的什么工作，需要有触觉，需要有其他的感知，这样机器人才能真正像我们所希望的那样成为具身的智能，多模型的基础模型必不可少，这样才能够让机器人去获得你想让他们去执行任务所需要的能力，所以多模态基础能力是机器人工作模型的基础，我们希望他们在未来得以大力的发展。

目前我们看到基本上是闭环的反馈，你真的希望机器人从每天执行任务中学到新的东西跟进的话，我们也需要一些创新。我们每几个月需要新的模型这是比较困难的，我们需要重新训练这些模型去更新它们，它们的更新时间可能会快到一夜之间就需要新的模型，这也给我们提出很大的挑战。

这有几个发展任务是我们要关注的，各位同事今天晚些时候可以谈一下其中的挑战，这些并不仅仅是硬件，并不仅仅是具身的机器人，你需要有多模态的行为模型，同时你也需要有真实世界的模型，你必须要有一些战略能够去收集数据，从世界各地机器人身上去收集数据扔到一个模型当中来。我们需要建立机器人的互联网，不仅是人的互联网、物联网，现在还有机联网就是机器人的互联网，所以我们需要世界的模型。一旦构建出来机器人的互联网，我们就不仅仅能够得到有终身学习能力的机器人，同时可以去优化现有的模型，让机器人能够实现自我的进化。

前面宇树演讲中有一个整理会议室，我们之前在德国也看到整理厨房的任务，这个听上去是比较简单的，听上去没有什么特别，但其实需要机器人去理解这些物品是什么，同时它也需要理解干净的会议室、干净的厨房到底意味着什么，这并不像看起来那么简单。

我们看到在现实世界的模型背后，必须要让机器人能够了解真实的世界，人类所希望看到的世界是什么样子的，这恰恰是机器人的主要问题所在。

你要告诉一个机器人打开一个抽屉，机器人首先要知道什么是抽屉，不然它去打开什么呢？你的抓手在哪里，什么时候能打开，什么样的情况、什么样的状态代表着抽屉已经被打开了，我们必须要让机器人理解所有的概念。就算听上去非常简单的任务，我们也需要背后非常复杂让机器人理解很多的内容，这样一来才能让它在简单基础任务之上层层叠叠实现更加复杂的任务。

当年去训练这些机器人，去实现去一个特定单列出来行动、行为的时候，事实上你在告诉他们组建一个语言当中的词或者句子，就像是讲话一样，一个个字、一个个词才能有流畅的对话，需要在同时或者在此之后去做更多的工作。当然，你可以用你最喜欢基础模型或者文本模型生成动作的代码，这些动作这些任务会让机器人逐渐去学习，他们也要知道如何把单独的行为链接起来。比如拉开一个抽屉、打开一个盖子。你在现实当中想要机器人去执行这些任务不可能是非常简单一个动作就结束，我们必须要让机器人有连续行为的能力。

现在我们看到这个视频当中，打开抽屉、关上抽屉、按下绿色的按纽等等，或者你需要机器人帮你清洁这个房子，机器人就要知道哪里需要清洁，哪里是不能动，它知道什么样的屋子、什么样的灰尘需要什么工具，它要知道什么是刷子，刷子在哪里，所以需要语义学的感知和理解功能，机器人也需要知道它们到底要做些什么，同时这个情况下要做些什么，如何同真实的世界、开放的世界去互动。

在这个背景之下，基本需要用基础模型，这些基础模型需要分到小的模型中一点点完成，必须要让他们实现这些功能。在这个背景下，我们实行解决方案基本上是这样的，把他们切分成更小的环节，避免出现政策上的冲突，也可以让这些模型更好的相互连接起来。你也可以看到这些学习的结果，可以向我们提供全方位再次的训练，这意味着我们可以真留出来模型在边远设备上运行，还有没有其他的做法呢？对于基础模型来说你要理解功耗在哪里、成本在哪里，随着系统变得越来越成功，前面PPT上绿色的曲线，它的能耗和对能源消耗也会下降。

这是更加高效的系统，视频是扫地机器人是避免撞到覆盖不能够处理的物体，这是一个例子，这些基础模型可以让机器人真的去执行复杂的任务，他们如果有了语义性的理解他们执行能力会大幅上升。

还有一个是对于图形的分析，以前对于图像抓握能力是相对比较弱的，通过测定评估是否成功，这是执行的逻辑，因此抓握方面需要更多能力的建设，现在不仅仅希望机器人去抓握，还需要操作抓握到的那些物体。所以系统角度上来说，需要用基础模型来识别如何抓握物体，而不是几何学角度告诉这些人执行这个动作就已经抓到了，并不是这样的，必须要去了解真实世界当中抓取和操作物体到底是什么样的意思。这张PPT可以看到，通过基础模型训练可以比以前模型更好，像以前语义学抓取是旧的系统。

在量化评估方面我们也得出了一些更好的结果。大家甚至可以说再向前一步，在弄清楚基础执行之前，我们可以做更加复杂的操作，比如杯子压根儿没有把手，你可以让机器人训练它抓整个杯身，这些都是基于真实世界模型的方法，不是基于标准几何的方法，你可以向前一步。所以当我们探讨生成式AI的机器是至关重要的，还有放置东西拥有功能的基础模型给这个机器人任意环境里物体让它转动它，让它放下以合适的放。

最后一个例子是冲击，我们想到一个机器人比如在超市一个任务是将所有东西从传送带放进篮子里或者袋子里，如何做呢？如何将物体放进带子里？我们需要一些约束力，将重的东西和易碎的物品，如何让机器人去做这些就像人做的一样，在真实世界中我们需要基础模型这些是很好用的。方法是感知方面要能够正确感知这些物体目标，看物体是硬的还是松散的还是零散的，去移动和控制操作这些物体，这些目标如何更好的做位移和位置的放置。

这个动作系统需要达到精确度，这是捡取的战略，需要比较精细的动作，而且物体是易碎的，几秒钟就做好了，抓取器非常清晰的力回归感知器，这在未来是非常重要的，并且让系统感知到如何成功的做成一个动作，让这个系统或者说机器人能够明白怎样做才能够成功，这是基于数据库的，我们叫做捡取的约束，给它打分，让它自己评估如何去抓取，这些都是例子，如何在日常生活场景中比如捡取一个问题就像人做的一样。比如将一个苹果放在一个易拉罐下边，这是人类不会做的，机器也不应该这样做，重要的是不会出错，一次做成，这是我们以后希望做成人形机器人的目标。

最后是更多模态化，尤其是在机器视觉的方面，我们希望这个问题不光通过机器视觉或者计算视觉解决，我们希望有像人类一样的触觉，这样它可以更好的操作这些物体，即使他们不能够看到自己的手如何操作的也可以理解，并且感知到真实世界中触碰压力和操作力度方式，很多方式可以达到，这才是所谓的具身智能，这种模型需要知道用多少力，当它去触碰真实世界和在其中操作的时候预需要多大的力气、什么样的动作。

这是我们现在想要让系统能够预测如何触碰物体，它需要触碰传感器，这是一个图片的转换模式，让它能够了解世界才能够预测如何在其中进行操作。这不光是真实世界的训练，还是仿真的训练，让它能够预测自己的触碰。这是比较初始的模型，让它能够明白如果它去抓一个特定的物品那应该是什么样的力气、感觉应该是什么样的，在我看来这是具身智能、具身机器人的基础，和人类一起在真实世界的物理方式中共存，一起合作，比如说碰我们、碰物体和碰真实世界。

最后，要想让机器人能够进入室内、家庭、工作环境它是更加有挑战的，这几天我们都讨论过的，还需要好几年去建立真正成功的机器人，这和我们过去的工业机器人的思路是不一样的。因此我们需要在硬件上投资，以及具身机器人、数据我们要在这方面开展工作，要开发相关的数据以训练未来的机器人系统，最后我谈这个还需要很长时间共同去努力。

这是今天的演讲，感谢各位！