具身进化论|加速进化程昊：当80台机器人拼出“BEIJING”，具身智能的ChatGPT时刻还要多久

80台机器人，80个独立运转的“大脑”，从分散到聚合，从个体到整体，在没有遥控操作的情形下，顺利完成了世界人形机器人运动会会徽、足球、网球、乒乓球以及北京单词的方阵变换。

短短一年时间，在国家速滑馆“冰丝带”里，会踢球的机器人已经完成了从单体智能到群体智能的跨越。当硅基文明开始用自己的方式书写“BEIJING”，对碳基世界来说又意味着什么？

加速进化创始人程昊在接受新京报贝壳财经记者专访时表示，无论是运动会开幕式表演还是足球比赛，都是非常难得的“借假修真”的机会，面上是机器人赛场竞技，内里练的是它们的工作能力。预计3年左右的时间，小区、地铁站、博物馆、写字楼里会出现大量人形机器人真正开始为市民服务。但具身智能“ChatGPT时刻”——具身大脑真正觉醒、能泛化的时刻，乐观估计还要5-10年。

加速进化创始人程昊。受访者供图

面上是机器人赛场竞技，内里练的是它们的工作能力

贝壳财经：运动会开幕式上，加速进化80台机器人是如何完成自主方阵变阵表演的？怎么解决定位、通信和个体故障等问题？

程昊：本届运动会上我们80台机器人方阵走得非常整齐，这主要得益于背后技术的大幅提升。原来的方案叫“群控”，靠远程集中控制；新的方案叫“群体智能”，就是每台机器人都搭载了2070 TFLOPS 端侧算力，它们基于自身激光雷达获得的信息，来自己测算下一步往哪走，下一脚落在哪。新方案下，走方阵的过程中，如果有机器人队形歪了或者落后了，它会自己计算并快速补上。这不是实时遥控，而是每台机器人自主计算纠偏。“群体智能”这个方案和我们机器人踢足球也是同一套底层技术。

定位上，我们对“冰丝带”（国家速滑馆）做了整体建模，相当于提前把场馆变成一张地图，让机器人知道自己在场馆中的位置，便于他们摆出各种造型。通信是整个方案里的一大难点，现场干扰很多，例如，手机信号和不同机器人之间的遥控器信号。为此，我们在机器人身上设置了三路通信接收设备：一路是接收高功率Wi-Fi，另外两路接收不同运营商的5G信号，相当于三路信号同时负责机器人的通信，只要有一路信号能准时到达，它就能快速进行下一步计算。

贝壳财经：参与运动会开幕式表演和足球比赛，对机器人自身能力发展和落地有何帮助？

程昊：通过运动会这样的大型活动，我们可以集中检验硬件的可靠性和操作系统的稳定性。并且，走方阵和踢足球是不同的场景，对应着不同的Agent，通过不同的Agent，也可以去打磨不同的开发框架，让开发者更方便参考，并搭建自己的Agent。

以足球比赛为例，足球场一定是具身智能目前最佳的训练场，其对可靠性和稳定性的要求高，开发的Agent是从大脑到小脑再到本体的综合，还涉及多机对抗，机器人需要进行动态决策等。这些对机器人走进工业和日常生活都非常重要。无论是运动会开幕式表演还是足球比赛，对我们、对Agent开发者来说，都是一个非常难得的练手机会，可以“借假修真”，面上是机器人赛场竞技，内里练的是它们的工作能力。

贝壳财经：公司为什么会选择深耕科研和教育赛道，而不是直接布局工业、家庭场景？

程昊：公司的选择也是受技术产品阶段性发展限制决定的。我认为，现阶段，人形机器人的产品能力对标的应该是20世纪80年代初的个人计算机，它能干的活还是有限的。那时候，明星产品Apple II的主要客户也是做科研和教育的。

我们深耕科研和教育赛道有两个主要原因：一是这是当前可以批量落地的市场。上半年近1200台机器人主要是销往科研教育市场，并且我们还在教育市场上不断突破，很多中学已开始用我们的机器人和开发工具上课。二是这是高价值市场。下一个时代是具身智能的时代，具身智能开发者至关重要，而他们当中的大部分人会来自校园。可能未来5—10年，一批学生就能成为行业中坚力量。科研教育赛道行业发展杠杆高，既是当下少数能真正批量出货的市场，又具有高价值，是现阶段非常好的市场。

随着技术迭代，我们也会开拓新的场景，但前提是技术真的能落地进行服务，否则产品很难被用户接受。我经常跟团队说，不要在拨号上网的时代做抖音，在基础没有打好的情况下，做的很多事情都是徒劳的。

预计3年左右，大量人形机器人真正开始为市民服务

贝壳财经：机器人规模化落地的痛点是什么？

程昊：首先从整个行业来看，大家讲的叙事很大、公众的期待也很高，但现在的技术能支撑的其实是“拨号上网看雅虎”而不是“用5G看抖音”。现有的技术和产品方案跟市场的期待有落差——有人说“现在就能5G刷抖音”，用户也想要，但其实全行业技术方案还远远做不到，目前更像早期阶段。任何技术（计算机、智能手机、互联网）都是一步步发展的，不是一上来就有iPhone和5G，大家都经历过2G时代。

技术层面，让机器人真正进工厂、进家庭还有很多能力要提升，我们现在做的所有事情都是在为机器人进工厂、进家庭做准备。但技术发展有客观规律，是螺旋上升的。

这里面还存在一些基础悖论。例如，行业里有人说“具身大脑大模型好不好，就看在工厂里干得怎么样”，但用工厂单一工种数据训练出来的大模型并不算是好的大模型，就像一个小孩刚出生就进工厂拧螺丝，他最后大概率也只能拧螺丝。工厂这类专用场景，其实更适合强化学习这类算法，即在单一任务里把成功率做到极致、练成肌肉记忆。但家庭场景不同，需要扫地、叠被、整理家务，更考验通用机器人的泛化能力，所以未来具身智能机器人是分工多样的，例如，洗衣、炒菜等就用专职机器人，而通用机器人干的是“把洗好的衣服从洗衣机里拿出来、叠好、放到人身边”这类非常泛化的事情。

贝壳财经：预判一下未来3年人形机器人的发展趋势？预计具身智能的“ChatGPT”时刻何时到来？

程昊：未来3年，从运动会足球赛看，机器人踢球应该能踢得很像人类了，它的奔跑速度、传接球配合以及射门都能达到不错的水平，甚至能和一些优秀的人类队伍进行较量。预计3年左右的时间，小区、地铁站、博物馆、写字楼里会出现大量人形机器人真正开始为市民服务。

关于具身智能“ChatGPT时刻”的讨论确实很热，我更倾向认为，这一时刻是具身大脑真正觉醒、能泛化的时刻，即用一个大脑模型时，靠简单指令它就知道怎么完成任务，在各种场景里不需要任何预训练。不过，ChatGPT本身也会再细分1.0或2.5等不同阶段，大家真正关心的，还是机器人规模化的临界点。大众能明显感受到ChatGPT价值的时候是ChatGPT3.5阶段，但具身智能要实现这一时刻还需要比较长的周期。

目前来看，最终算法还没确定，两年前都在谈VLA（Vision-Language-Action Model，视觉-语言-动作模型），现在问都说WAM（World Action Models，世界动作模型），但再细说，会发现每个人讲的世界动作模型是不一样的。首先是算法要探索出来，其次是用海量的数据驱动，最后就是有足够多的钱、算力和电量，能供得上训练。我们坚信具身智能“ChatGPT时刻”一定会到来，但具体是哪一年还不确定，乐观估计还要5-10年。

新京报贝壳财经记者 程靓 编辑 陈莉 校对 穆祥桐 卢茜