原来人形机器人进厂干活前，也要“上大学”

好像从去年下半年开始，越来越多人形机器人公司都在讲同一个故事：我们的机器人能进工厂了。

这类新闻也越来越多。

在美国南卡罗来纳州的宝马工厂，Figure 02机器人在车身车间跑了将近11个月。累计运行1250多个小时，搬运了9万多个金属零件，直接参与了3万多辆宝马X3的生产，人工干预率接近零。

今年5月，Optimus Gen-3进入特斯拉的上海超级工厂总装车间，干座椅安装、内饰装配、零部件搬运和质量检测的活。马斯克说Optimus 3的研发已经到最后阶段，2027年有望大规模量产。

国内的步子迈得更大。早在2024年，一汽红旗就发布了国内汽车行业首个公开招标的人形机器人POC项目，紧随其后的是北汽、比亚迪、蔚来等大厂也纷纷引入具身智能进工厂。

今天就和大家聊聊，人形机器人“从被生产出来，到工厂干活”的这个阶段。

1

理想很丰满，现实很骨感

大家是不是以为，机器人买回来放进工厂就能干活了。远没那么简单。给大家科普一下，现在是怎么做的。

过去大半年，行业里形成了一个默认的路径。拿一个通用VLA基础模型，针对具体技能或任务做二次训练，然后部署上线。听起来顺理成章，但真正跑起来，每一步都在烧钱。

一个新技能，通常要收集数百上千条示范数据，训练调试几个月，才能把成功率拉到80%以上。这还只是针对某一个特定工位、特定物料、特定流程。换个场景，大部分工作得重来。不是因为机器人的脑子笨，它跑的是通用VLA模型，训练时见过世界上很多机器人本体，也见过很多场景，知识面很宽。

但问题恰恰出在宽，宽而不精。它不知道你这台机器人的胳膊有多长、关节有多灵活、控制延迟有多少。它也不知道工厂里的物料长什么样、工位怎么布局、节拍有多紧。

这些东西，每一个新任务都得重新学一遍，学身体、学基本操作、学这个任务。结果说得过去，但过程着实不太好看。

2

给机器人开一门"专业课"

针对这个行业痛点，乐聚给出了一个答案：在通用基模与具体技能、任务之间，加一层工业垂直领域模型。

针对自家的KUAVO夸父机器人，乐聚训练了一个叫「KUAVO-VLA」的工业垂域模型。

乐聚是这么做的。先用KUAVO机器人，攒了600多个小时的真机数据，覆盖了100项工业任务。

然后拿这些数据，在蚂蚁灵波的通用基模Lingbot-VLA上（通过Benchmark对比，在参测模型中综合表现最优），做二次训练，最终练出KUAVO-VLA。

有一个点，需要单独提一下：600小时数据，全部来自KUAVO这一款机器人本体。

这在行业里并不常见。很多模型训练用的是跨本体混合数据，不同机器人的动作空间、运动特性、控制规律混在一起，模型学起来会互相干扰。

就像你同时学钢琴和手风琴，手指的肌肉记忆会打架。乐聚这么做，就是要让模型集中精力学一套东西。

100项工业任务也不是随便选的。分拣、搬运、上下料、装配，这些是工厂里最常见的操作。不同任务里，识别、定位、抓取、搬运、放置这些基础环节反复出现。

模型学的是可复用的工业操作能力。

这么讲有点抽象，举个例子大家就懂了。你可以把人形机器人的能力成长，想象成一个人的求学之路。

第一层是通识教育，对应通用基础模型。

知识面广但不深。通用基模也是这样，优点是跨本体、跨场景，什么机器人的数据都吃，什么任务都了解一点，能力边界很宽，但落到具体场景就不够用了。

这一层的成功率大概20%左右。目前大脑大都是在做这一层的事，给机器人提供一个广泛的知识和能力起点。

第二层是专业课程，对应垂域模型。

就像上了大学，开始追求在一个专业领域里往深了钻。

KUAVO-VLA干的就是这件事，它让机器人在工业这个专业领域里干得更好。

这一层的成功率能拉到50%左右，已经具备了专业领域的基础能力。

第三层是实习就业培训，对应技能训练。

毕业进了工厂，师傅带你上手，教你这家厂的具体设备、具体工艺、具体标准。

二开厂商做的就是这个，给机器人做岗前技能培训，针对具体的物料、工位、流程做后训练和部署。

这一层的成功率能达到90%，甚至接近100%，真正能上岗干活。

最后是场景需求方，也就是工厂。

工厂根据自己的需求，调度和安排机器人上岗，就像招工人一样。

看完这个类比，你应该能理解，从前是高中毕业直接进厂打工，现在加了“专业课学习”,让实习和工作更轻松。

3

效果如何，用成绩单说话

乐聚做了一个Benchmark，25项任务，其中20项是定制化工业任务，5项来自公共任务集GM100。目的是让模型同时面对熟悉的工业操作和有公共参照意义的新场景。

对照模型选了三个行业里有代表性的通用基模：π 0.5、GR00T N1.7、Lingbot-VLA 2.0。

结果是，KUAVO-VLA的整体任务成功率和过程分都排第一。

相较于Lingbot-VLA 2.0。KUAVO-VLA的成功率提升了32%，过程分也提升了32.45%。

解释一下什么是过程分。

在工业场景里，过程与结果同样重要。动作抖不抖、决策稳不稳、中间有没有反复修正、每一步是不是一致，这些直接影响产线能不能用。

就算机器人能完成任务，但每次动作都磕磕绊绊，工厂也是不敢上线的。

KUAVO-VLA的成功率和过程分同步提升，说明垂域训练带来的是整个执行链路的稳定性。

此外， KUAVO-VLA也展现出了一定的零样本泛化能力。

由于本体适配和工业基础能力已经训练好了，新的任务只需要少量甚至零样本数据就能搞定。

举两个例子。

一个是流水线开关分拣。KUAVO-VLA只用了5小时的示范数据，成功率就达到了80%。

另一个是零食分拣。用了150条示范数据，成功率73.33%。

我们顺便看看其他任务的表现：

⬅️ 左划查看全部图片

4

从两层到三层，有哪些实实在在的好处

从“基础模型->技能”的两层结构，到“基础模型->垂域模型->技能”的三层结构，带来的变化是系统性的。

对开发者来说，训练新技能不再从零开始。

只需要针对具体的物料、工位、流程做适配，数据采集和训练的工作量大大减少。

对工厂来说，落地成本大大降低。

落地周期从数月缩短到一周左右，数据需求从成百上千降到一百多条，成本下降三分之二以上，而且新任务的执行稳定性会更有保障。

对整个行业来说，这意味着研发分工开始清晰了。

基模公司负责构建跨本体、跨场景的通用能力，做通识教育。

机器人平台公司负责适配自有本体，针对特定领域沉淀共性能力，开专业课。

技能训练公司面向具体场景做后训练和部署，相当于岗前培训。

场景方根据需求调度机器人上岗，就像工厂招工人一样。

5

人形机器人的分科时代，才刚刚开始

这个趋势其实在其他行业早就发生过。

PC时代，微软做操作系统，英特尔做芯片，戴尔惠普做整机，Adobe做应用软件。各司其职，整个生态才跑起来。

人形机器人现在也走到了类似的路口。

过去大家都想做全栈，从基模到本体到应用一条龙。但越往后走，越发现一个公司不可能把所有事情都做好。

基模需要海量数据和算力，本体需要机械电子和供应链，场景落地需要行业know-how和现场调试。

分工带来的不只是效率，还有节奏。

PC生态成型之后，行业进步就不再依赖某家公司的灵光一闪，而是每一层各自往前挪一点，整体就往前走一大步。

我相信人形机器人的发展，也会加速向前。

如果你有任何看法，欢迎在评论区一起讨论

如果有一点收获，可以点赞、转发、推荐文章，关注「AI机器人茶馆」