“跑得快”之后，如何“干得好”——从五层能力模型看第二届世界人形机器人运动会

（来源：中国发展网）

转自：中国发展网

中国发展改革报社记者 | 张守营

不久前，北京国家速滑馆“冰丝带”，第二届世界人形机器人运动会闭幕。五天赛程，来自六大洲16个国家的666支参赛队伍、2056台人形机器人“运动员”，围绕51个赛项进行了1301场对决：百米赛道，天工Ultra以8.64秒刷新人形机器人百米纪录，快于人类男子百米的世界纪录9.58秒；原地跳高从首届的0.956米跃升至3.40米；机器人走进工厂搬运上料、走进酒店整理客房、走进商超拣货补货，还走上搏击擂台展开对抗。

赛场的热闹散去，一个更实际的问题浮出水面：这些场面，究竟标志着人形机器人达到了怎样的水平？是真正接近实用，还是仍停留在表演阶段？

回答这个问题，不能只看奖牌榜。业界通常以五层模型衡量具身智能的技术成熟度：VLM（视觉语言模型）司感知，VLN（视觉语言导航）司导航，VLA（视觉语言动作模型）司执行，VLX（视觉语言通用架构）司多任务扩展，WM（世界模型）司对环境规律的预判与规划。五个缩写看似复杂，实则共享同一Transformer技术底座，区别只在输出端——从文字到动作，再到对未来的预测，每进一层，便多一分本领。以此框架逐层检视，这届运动会的成色，可以看得更真切。

感知：看得见，还要看得准

VLM好比给机器人装上“眼睛”，让它看懂画面、理解指令，是后续一切能力的底座。本届运动会上，这层能力呈现出“结构化环境达标、非结构化环境失准”的两面。

田径赛场，感知几乎不构成挑战。百米是固定的直线，400米、1500米也只有弯道，机器人需要“看清”的东西十分有限——跑道线、终点线、自身位置。天工Ultra在这些项目上游刃有余：百米从预赛9.39秒到决赛8.64秒，一路刷新纪录；400米（大型组）以38.15秒夺金；1500米以2分21秒64登顶。支撑这些成绩的，主要是下肢运动控制与步频稳定性，对感知的要求并不高。

一旦转入对抗与开放场景，短板立刻显现。自由搏击擂台上，屡屡出现两名机器人对着空气挥拳踢腿的画面，动作落空率居高不下——视觉系统对高速移动目标的实时跟踪精度不足，对手一动，“眼睛”就跟不上。场景赛同样如此：商超拣货、酒店客房整理，看似简单，实则物品种类繁多、摆放随机、光照多变，对感知精度的要求远高于田径赛道。

从“会跑”到“会干活”，感知是必须跨过的第一道坎。

导航：跑得快，还要走得稳

VLN让机器人听懂语言指令，边观察环境边自主规划路线。这层能力的进步，在本届赛场上有目共睹。

数据最有说服力：400米从首届的1分28秒03提升至本届大型组38.15秒、小型组45.66秒，速度提升接近翻倍；1500米从6分34秒40突破到2分21秒64。天工机器人在长距离赛程中全程保持稳定步频，弯道不倒、直道加速。障碍赛场上，灵犀X2面对狭窄弯道、高低坡道、湿滑路面实时调整路线，摘得100米障碍赛金牌。拔河项目则考验导航的底层功力：不比力气大小，比的是持续拉力之下双脚站得稳不稳、重心把得定不定——赛事方明确表示，这类能力对拖拽、搬运、推拉等作业具有直接参考价值。

但在自由搏击中，导航再度暴露不足。8米见方的擂台不算大，部分机器人被逼至围绳附近便进退失据。动态对抗中的站位调整、步法移动，远比直线奔跑复杂——后者是预设步频的重复运动，前者需要实时感知对手位置并随机应变。

一个耐人寻味的细节是：田径项目的导航已高度自主，搏击项目的攻防移动却仍依赖操作员遥控。同一批机器人，跑百米可以自己跑，打拳却不能自己打。原因不难理解：搏击中的导航不仅涉及“走到哪”，还涉及“边走边躲、边走边找角度”，复杂度上了一个量级。

执行：动得精彩，还要靠得住

VLA让机器人看懂画面、听懂指令后直接输出连续动作，相当于机器人的“手与脚”。这是本届运动会最强的一层，也是中国队伍集中展现硬实力之处。

竞技赛场，动作执行已相当惊艳。原地跳高决赛，天工Ultra系列包揽前四名，冠军成绩3.40米，腾空、落地一气呵成，爆发力与落地控制远超首届。太极拳比赛中，智元远征A3以40.5分夺冠，得分接近亚军的两倍，连贯完成“腾空飞脚接外摆连450度”“外摆连540度接马步”等高难度动作，对全身协调、动态平衡与关节精度的要求极高。自由搏击更集中体现了硬件进步：出拳、扫腿、回旋踢一应俱全，倒地自主恢复能力较首届明显增强——从“一碰即倒、倒地难起”到“被击中后自主起身再战”，是本体硬件与控制算法的双重跨越。

场景赛中的巧手精细操作同样可圈可点。粉末称量、积木搭建等毫米级精度任务，机器人已能稳定完成。智元在作业任务、灵巧手等场景类赛项中夺得13枚金牌，占其18枚金牌总数的七成以上，且参赛机型均为量产标准产品，未作赛事定制。

不过，执行层也有硬伤。自由搏击中动作落空率居高不下，个别机器人电机在高强度对抗中过热失灵；3.40米的跳高固然惊艳，但比赛是单次跳跃，连续作业的稳定性尚未经受检验。执行层的进步，主要体现在单次动作的精度与力度，而长时间、高频次动作的稳定性与可靠性，仍是产业化必须啃下的“硬骨头”。

决策：一专多能，还要自主判断

VLX追求“一套模型覆盖多类任务”，“X”意为“任意、可扩展”。这是衡量机器人是否走向通用的关键一层，也是本届运动会暴露最大短板的一层。

亮点来自通用化方向的初步验证。智元派出的远征A3、精灵G2、灵犀X2与灵巧手OmniHand，参赛项目覆盖田径、体操、武术、作业任务、灵巧手等多个大类：远征A3既能打太极拳夺金，又能出战障碍赛；精灵G2在消防灭火项目中表现出色；灵犀X2兼顾障碍赛与田径。一个型号覆盖多类任务，说明通用化路线正在走通——不再是“跑百米的不会跳高，打拳的不会搬货”。

然而，这一层最核心的要求——端到端自主决策，在对抗项目中暴露无遗。现场解说介绍，每名操控手通过不同按键触发机器人的不同动作模式，“就像F1赛车启动不同程序”；公开报道亦确认，搏击攻防“依然极度依赖熟练操作员通过手柄或遥操作套件进行实时决策”。40公斤级决赛中，华北电力大学参赛队遥控操作宇树科技G1机器人夺冠——人按按钮，机器人出招，并非机器人自主判断该攻还是该守。

这不是某一支队伍的问题，而是行业现状的缩影：结构化环境中能自主，非结构化对抗中靠人工。跑步可以自主，因为那是预设步频的重复运动；搏击难以自主，因为攻防需要完成实时感知、判断、选择的完整闭环。从“遥控触发预设动作”到“端到端自主感知决策行动”，中间还差关键一跃。

前瞻：预判未来，先补数据

WM即世界模型，让机器人在内部推演“如果我这样做，接下来会发生什么”，从而预判与规划。这是五层中的最高一层，也是本届运动会上近乎空白的一层。

仍以自由搏击为例。如今的机器人是纯“反应式”的——看到什么做什么，遥控让做什么就做什么，不会预判对手下一步如何出招、自己这一步会招致怎样的反击。人类高手搏击，靠的是读肩、读重心、读步法，出拳之前已在头脑中预演了后续数步攻防。这一层，目前还是一片空白。

世界模型之所以空白，深层原因在于数据匮乏。世界模型需要海量真实场景交互数据来学习“动作—后果”的映射规律，仅靠实验室采集远远不够。

正因如此，闭幕式上发布的一项成果，比金牌榜更值得关注：赛迪研究院、北奥集团联合北京人形机器人创新中心、上海智元、银河通用、万境千寻、星海图等机构和企业，共同发布全球首个世界级人形机器人运动会全量数据集——总时长超过2500小时，覆盖工业、商超、餐饮、办公、家庭、消防救援、酒店、图书馆、园林、新能源汽车充电等12个应用场景，包含44项作业、百余项技能、万余项精细化任务，并向社会免费开放。

这不只是赛后总结，更是产业基础设施。有了2500小时真实场景操作数据，研究机构与企业训练世界模型时便不必从零采集，真机数据获取成本将显著降低。世界模型这一层眼下是空白，但数据集的开放，等于在空白处打开了一扇门。

回到开头的问题：这届运动会展现了什么水平？五层模型给出的答案颇为清晰——执行层全球领先，感知层、导航层在结构化环境中达标、在非结构化环境中仍有差距，扩展层刚刚起步、自主决策能力不足，融合层近乎空白。16个国家参赛固然是事实，但从决赛阵容看，多个竞技项目的奖牌争夺主要在中国队伍之间进行，高动态对抗领域尚缺乏有分量的国际竞争者。今年上半年我国人形机器人出货量超4万台、全球占比97%，产业规模领先毋庸置疑，但出货量与智能水平并不能画等号，规模优势不会自动转化为能力优势。

真正值得记取的，是两个变化。其一，从首届到第二届的跨越：上届倒地难起、起身靠人，这届被击中后自主起身、百米8.64秒、跳高3.40米，硬件与控制算法的进步肉眼可见。其二，从奖牌到基础设施的转变：组委会没有把数据攥在手里，而是将2500小时真实场景数据免费开放给全行业。赛场夺牌是短期看点，数据开放是长期利好——后者决定着世界模型的空白能以多快的速度被填补。

五层模型，从感知到融合，每一层都对应一道产业考题。这一届答好了执行层，决策与世界模型的“答卷”还空着。但至少，“笔”已经递到了手上。