美國不是中國模版。
今年 5 月，一批身高 1.72 米的新工人來到美國得州工廠上班，他們負責把一粒粒圓柱形的 4680 電芯從傳輸臺上碼放到面前的紅色盒子裏。他們不算熟練，甚至動作遲緩、笨手笨腳。但這批工人是 Optimus，特斯拉 2022 年發布的人形機器人，一切不一樣了。
「完美的使用場景」「進步神速」「失業警告」，在特斯拉釋放的機器人工作視頻下，人們的評論有驚嘆，有擔憂。
王鶴卻不這麽想，他覺得 Optimus 目前階段 「還是個 reserch（研究）」。
1992 年出生的王鶴，現任北京大學前沿計算研究中心助理教授和博士生導師，他本科畢業於清華大學電子系，博士畢業於斯坦福大學，在計算機視覺、機器人學和人工智能的頂級會議 CVPR ICCV 等上發表數十篇論文。
去年 5 月之後，王鶴被更多人關註到的身份是智能機器人公司 「銀河通用」 的掌舵人。今年 6 月，銀河通用以 7 億元融資打破 2024 天使輪融資記錄。
大部分公司做完整的人形機器人，王鶴認為，雙腿現階段不是最優解，徒增成本。「不是人形機器人的操作能力足夠強，就差腿了。而是現在還有大量的活，傳統機械臂操作不了。」 王鶴判斷雙手在場景落地上更有價值，而大量場景其實不需要雙足運動能力，比如巡檢、巡邏，機器狗和車一樣能做。
銀河通用的 Galbot 在撿垃圾，它沒有雙腿，而是可折疊的單腿 + 輪式底盤。
獲取足夠多的數據是具身智能發展的難點，特斯拉、Google 都選擇用 「遙操」 采集數據，即讓真人戴上一些采集設備來完成機器人要學的動作。王鶴覺得這樣算不過賬：「Google 做十幾萬條數據，就用了十多個月、花了上千萬美元。」 銀河通用選擇 all in 「Sim2Real（從仿真到真機的遷移）」，即主要依靠合成仿真數據。
美國的人形機器人公司錢多、膽大，王鶴的一個觀察是，這讓他們沒有嚴格地尋找 PMF（Product Market Fit，產品和市場的匹配），「在美國，既然有錢，就一口氣把它全做了」。但缺乏真實數據、硬件不穩定等行業難題，必須要落在場景才能解決，所以他認為，要從第一天起就考慮商業化。
「我們不要把特斯拉做的東西奉為圭臬。」 王鶴說，中國的創業公司 「在沒有美國資本充裕的情況下，還講人家的故事，那只能是死路一條」。
王鶴不認同特斯拉，行業裏不少人也不認同銀河通用。以王鶴看中的 Sim2Real 為例，不少從業者認為仿真合成數據與真實世界天然存在差異，這會影響訓練效果。銀河通用的第一款機器人蓋博特面世後，有對手說感覺 「松了口氣」：「Demo 和實際的應用差距很大」，「寫了很多抓取的論文，最後一只手是吸盤。」
更大的質疑是，現在不是創業做人形機器人的時機。一些投資人認為，現在這批公司會成為先烈，因為硬件、材料、能源等很多技術還不成熟。李開復講具身智能，說 「我們肯定不能現在去投一個 10 年後才發生的事」；真格合夥人戴雨森說，具身還是黑莓時期，投不出 iPhone。
人形機器人和具身智能仍處於極早期階段，而且這是一個鏈條長、技術棧復雜的行業，AI、材料、能源、機械控製；開發、製造、供應鏈管理、客戶拓展，最終活下來的公司不能有短板。
判斷贏家還太早，這篇訪談記錄了一位年輕科學家出發一年後看到了什麽。他現在相信：大公司雖然掌握更多資源，但不一定正確，這是他的機會。
具身智能和人類社會的最大公約數
《晚點》：你從 2016 年開始研究如今的具身智能——把視覺模型、自然語言模型和機器人操作模型結合。從這些年的研發中你看到了什麽？
王鶴：我在讀博時就在做具身智能，當時還不叫 「具身智能」，最初是把這三個分立的小模型結合在一起，實現類別級物體位姿估計（位姿：一個物體在三維空間中的位置和姿態；位資估計：找到一個物體的位姿），其實就是雙手通用性操作。
回國之後、創立這兒之前，我在宇樹機器狗的後背裝了一根臂，嘗試讓它做一系列操作。但發現計算、資源甚至整套系統，很多地方不能滿足我們的需求。
當時覺得，如果不做硬件，就只能完全仰賴別人，系統研發叠代也會受限。機器人本體產業不存在時，很難只做智能。
《晚點》：後來發生了什麽變化？為什麽在 2023 年決定創業？
王鶴：具身智能創業 2022 年時就在中國發酵了，比美國要早，主要原因是硬件和本體的成熟度。
美國的製造業不允許快速做出具身智能的完整 demo，美國零部件供應不全，很多東西都得進口，而且硬件工程師也很匱乏。而中國做硬件，能做到成本最低、可靠性最高，像宇樹做人形機器人，幾個人半年就做出來了。
但本體只是個大號玩具，下一步是智能上要怎麽競爭。到 2023 年時，全球出現了 PaLM-E 等具身多模態大模型，多模感知與具身操作之間的火花被點燃。我決定在這個時間創業。
《晚點》：為什麽你創業選擇做人形機器人？具身智能的載體不一定是人形。
王鶴：確實存在各種形態，狗、飛機、車都是。但所有形態裏，具身智能跟人類社會最大的公約數只能是 「人形」。
因為整個生產、生活環境都是為人設計的，人形能做的操作是最多的，未來數量也會最大，經濟產值也最大。從願景上說，具身智能和人形機器人可以劃等號。
《晚點》：不少人認為具身智能的創業窗口還沒到，現在這批公司會成為先烈，硬件、材料、能源等很多技術還不成熟。比如李開復講具身智能，說 「我們肯定不能現在去投一個 10 年後才發生的事」；真格合夥人戴雨森說，具身還是黑莓時期，投不出 iPhone。
王鶴：我與李開復老師 2019 年見面時，他說還要 50 年，現在他已經從 50 年加速到 10 年了。
我們也不能用手機類比具身智能，從功能機到智能機，技術發生了很大變化，而現在具身智能的技術方向已經明確了：本體與大模型融合，成為通用機器人。
這時，下場越早，技術和數據積累就越多，會在後期拉開差距。機器人進入場景後，真實場景的數據會補足智能。後入局者極難超越一家已經有上萬臺機器人、不斷有真實數據回流，並且已經在場景裏踩過坑的公司。
這和自動駕駛類似，只有賣出足夠量的車，才會有足夠多數據，才能用數據更快完善算法。Google 和特斯拉之爭，特斯拉就贏在車足夠多。
具身智能有可能長成與車媲美的市場。它擁有與歷次技術變革的特點：初期慢，逐步替代專用機器人；而一旦達到萬臺級規模，會加速替換傳統產業。
《晚點》：一個事實是，具身智能創業熱發生在 ChatGPT 和大模型熱潮之後。但實際上大模型只能解決具身智能的小部分問題，所以會有人覺得現在還太早。
王鶴：具身智能是軟件、硬件和算法融合的產物。現階段它與大模型的結合點，一是通用感知和語言交流，這是在解決交互問題。比如有人來藥店裏問機器人，哪裏不舒服應該吃什麽藥？熟悉藥品名目和位置的機器人才能和人對話。
另一個結合是，現在在抓、放物體等具體操作時，機器人也實現了基於大模型的端到端（輸入感知信息後直接輸出機器人軌跡），未來在整個全局規劃上，大模型會發揮作用。
總體看，大模型現在是輔助，但大模型和小模型結合，有可能通向通用機器人。
《晚點》：銀河的路線就是三維視覺小模型 + 基礎大模型，怎麽理解？
王鶴：就像我們人有系統一、系統二，有快思考、有慢思考，前者是小腦的能力，在機器人裏就是交互控製、靈巧操作等技能，這可以靠小模型處理；後者是大腦的能力，就是認知、理解、規劃，用大模型解決。
這是一個三層系統：底層是硬件，中間層是能執行各種技能的小模型，上層是負責任務規劃的基礎大模型。機器人接到指令後，大模型負責調用中間層的小模型，小模型執行完後，大模型根據結果再研究下一步。
雙足沒那麽重要，手才是關鍵
《晚點》：都是做人形，行業裏多數公司的機器人有雙腿，你們的第一款機器人蓋博特（Galbot）是輪式底盤 + 雙手。
王鶴：最本質的問題是，你的產品到底能給場景帶來什麽價值？雙足只解決了通行問題，沒有操作能力，這樣就只能做巡邏、巡檢等場景，這和過去用車和狗沒有質的變化。
但雙手能做傳統機器人做不了的柔性生產，它們多是人力密集型產業裏的糙活，比較容易泛化，想象空間和場景非常多，所以上半身的重要性高於下半身。
《晚點》：手的操作能力和雙足的復雜運動能力哪個更難？大家設想的最終形態都是完整的人形，先做手的公司，會不會到時想補足運動能力時卻跟不上？
王鶴：現在大部分操作都是雙手實現的，所以我們先用 「手」 進入場景，腿的部分用可替代的、低成本通用輪式底盤，先有商業化，獲得真實數據。
雙腿的問題是無法在真實場景落地，所以做雙腿的公司要拼持續融資能力，未來三年會大浪淘沙。當然隨著雙腿性能變好，價格合適，我們也會換上腿。
《晚點》：一起做為什麽不是一個選擇？
王鶴：因為不是人形機器人的操作能力足夠強，就差腿了。現在還有大量的活，傳統機械臂操作不了。
從實際使用去考慮，輪式機器人的成本和穩定性都遠勝於雙足。同等身高下，兩條腿的 BOM（原材料成本）比一個輪式底盤貴十倍。而且雙足還容易摔，機器人摔了就徹底壞了。
雙腿現在的技術難題還有待突破，比雙手場景落後很多。比如東西從貨架掉到地上，現在全世界任何一個腿式人形機器人都做不到彎腰撿起來
《晚點》：下蹲對人挺簡單的，為什麽機器人做不到？
王鶴：最難的是全程維持身體平衡。腿的平衡能力有幾個階段：第一步是走路，第二步是上臺階，這就已經難倒了一批公司。第三步是彎腰，難點是重心會出來，再就是蹲和分腿蹲，目前實驗室裏都做不到。
雙腿是遲滯於雙手發展的，對人也是這樣，嬰兒只會爬的時候，手就可以到處探索，但能站起來並穩定行走卻要很久，很多人到六七歲還會摔跤。
其實雙足走路二十年前就有 demo 了，今天真能在地上走個十分鐘都沒事的，屈指可數。很多雙足機器人的穩定性根本達不到大家的期待。在具身智能領域，大腦的發展領先於雙臂雙手，雙臂雙手又領先於雙腿。
《晚點》：特斯拉的人形機器人 Optimus 就是同時做雙手和雙足，現在都能在工廠工作了。
王鶴：Optimus 現在的工作場景跟腿沒有任何關系，在工廠抓電池以及在車場裏來回巡檢，不需要雙腿能力的提升。
而且很難算賬：機器人成本是十幾萬、二十萬美元，但幹的活是把完全一模一樣的電池放到五乘六共三十個格的盒子裏，也就是把標準的電池放在標準的筐裏，筐的位置都是定死的。這樣的事情為什麽需要具身智能？為什麽不是用傳統的工業自動化？
《晚點》：銀河通用蓋博特（Galbot）在美團的藥房分揀藥品，這用機械臂也可以做，但你們也用了人形的上半身。
王鶴：我們做這個場景是要展示具身的能力，太難的東西目前技術還沒發展到這一步，就先找能做的。特斯拉的場景本來就是用機械臂實現的，甚至不是在替代人。在藥房中完成的是由人類完成的工作，難度本身就比特斯拉更高，其次只用工業自動化是沒法實現的，因為不同的藥品並不是標準品，不同的訂單也不是標準需求。
不把特斯拉奉為圭臬，遙操解決不了數據問題
《晚點》：數據較少是現在具身智能的一個的難點：文本的數據現在有 15T，圖片是 6B，視頻是 2.6B，但機器人的數據只有 2.4M。特斯拉和 Google 都是通過 「遙操」 采集數據，即讓真人穿戴采集設備完成機器人要學的動作，而銀河通用是 「all in Sim2Real」，即仿真合成數據。為什麽你們和他們不一樣 ?
王鶴：遙操不是創業公司玩得起的。遙操要先雇很多人去重復做各種操作。得到一條有效數據，需要一臺機器人和一個人一起花 30 秒或一分鐘。
這是人形機器人和自動駕駛很不一樣的地方。特斯拉做自動駕駛，可以讓一百萬車主花錢買車，總共開上億小時，不需要額外花錢搞數據。而且開車就是一件事，工廠裏的工種卻種類繁多——打膠的、放電池的、擰螺絲的……不同任務間關聯可強可弱。
特斯拉找了數十人在放電池的場景遙操，但之後繞線、組裝等更多操作場景，就不止這些了。特斯拉有很多錢，有自己的工廠可以買自己的機器人，它能這麽幹，創業公司不行。
就像無人駕駛現在會有遠程監控員一樣，遙操可以發揮遠程接管的價值。機器人在場景裏幹活出問題了，現場沒人，這個時候就可以遙操介入。
《晚點》：所以遙操是大廠的遊戲？
王鶴：這是馬斯克在講的故事。我們不要把特斯拉做的東西奉為圭臬，實話實說，這就是個 reserch（研究）。
Google 做 RT（robot transformer，一種機器人控製算法） 時，有十幾個人的 「Every day Robots」 團隊，做完 RT-1 後，這個部門就被裁撤了，就是因為商業模式不存在。
現在中國的具身智能公司，只有沒有自己路線的才學美國的特斯拉和 Google。沒有美國公司資本充裕，還講人家的故事，那只能是死路一條。
《晚點》：這是不是也取決於做出通用機器人所需的數據的量，小於一個量級時，特別有錢的大公司或特別能融錢的創業公司也許也能跑通遙操路線？
王鶴：我們自己的實驗發現，比如在抓取這個任務上，當有十億次抓取數據時，機器人的成功率能到 87%，如果數據量縮到萬分之一，也就是 1 萬次抓取時，成功率就只有 58%。這說明具身智能也有清晰的 scaling laws，它對數據有更大渴求。
而在真實世界裏很難獲得十億量級的數據。Google 做十幾萬條數據，就用了十多個月、花了上千萬美元。
《晚點》：仿真能讓成本降低多少？
王鶴：通過仿真合成，一秒鐘就可以把六十張圖全部渲染完。相比采集真實世界的數據，合成數據幾乎約等於不要錢。我們的第二曲線才是從真實世界裏獲得數據。
在仿真器中，我們將每個物體的運動，合成 200 條視頻，再從單一物體仿真合成為一類物體。這會生成大量數據，我們以此訓練機器人的抓取能力。
《晚點》：不少人認為用仿真器（提供一個仿真虛擬環境的系統）得到的合成數據與真實世界的數據天然有差異，會影響訓練效果。你們怎麽解決？
王鶴：仿真器永遠不可能完全真實，但 Sim2Real 路線也不需要仿真器完全仿真，它是硬件、算法和仿真聯合優化的過程。
現階段，仿真器是一個驗證工具，用算法表達的數學物理模型才是獲得抓取位資的核心。
仿真器仿確實有一些限製，比如我們的手去摸礦泉水水瓶，即柔性的、能形變的手去接觸看似剛性、其實也能形變的物體，這個過程不是點接觸，而是摩擦，這在物理上都沒有被完美建模。
這時就需要我們的算法有極強的自適應能力，比如加觸覺、加力控，學 「形」，抓了再控製，這樣就能把仿真裏最難的這部分問題規避掉。還有一個前提是，硬件要充分的魯棒（Robust，指異常情況下系統也能相對穩定地運行）。
《晚點》：仿真器和數學物理模型等算法具體怎麽配合？
王鶴：我們提出一套數學物理模型，高效搜索怎麽抓，再用仿真器驗證，這麽抓是否可行。
這裏還涉及強化學習和監督學習的差異。如果是強化學習，就是跟仿真器多次交互、試錯，摸索出一條方案，這對仿真器的真實性會有不小的要求，足式行走就是完全靠仿真器強化學習 Sim2Real 的。但這是試出來的，效率比較低。
如果你能夠告訴機器人怎麽抓，就可以轉化成監督性學習，那麽學習效率會更高。我們就是用監督學習來習得二指和五指的抓取。
從第一天就考慮商業化
《晚點》：中國做人形的公司大多也在做別的產品，比如智元有商用清潔機器人，逐際和宇樹都同時在做機器狗，而美國更多是直接推出人形機器人。為什麽有這個差別？
王鶴：中美資本的充裕度不一樣。在美國，既然有錢，就一口氣把它全做了。像 Figure AI、特斯拉，這些公司都是走全人形的。但 Figure AI 現在 25 億美金的估值，在 demo 裏展示的操作，跟運動能力沒有任何關系。美國的泡沫，讓他們不需要按非常嚴格的 PMF（product market fit） 去思考問題。
今年 8 月，FigureAI 發布新機器人 Figure 02，它已能在寶馬汽車工廠裏做一些組裝 demo。
《晚點》：你覺得更正確的路是一開始就要思考產品落地，這在人形機器人這樣的前沿領域會不會太著急了？
王鶴：一方面還是數據問題。具身智能跟硬件綁定，所以如果機器人不到場景中鋪開，很難獲得大量數據。但又不能免費、大量鋪出去，因為造本體的成本太高了。大模型不需要通過商業化去獲取數據，是因為它普及的成本還是遠低於機器人。
同時機器人也欠打磨。如果不在場景中對機器人長期觀察，也無法將機器人叠代到能穩定工作的狀態。這也是機器人賽道裏沒有 PPT 公司的原因。
《晚點》：你看到的產品落地方式是什麽？
王鶴：第一步是在單一環境裏，對多種物體做單一操作，比如在同一個廠房、同一條產線裏，搬不同的東西。這是 Google RT-1 和特斯拉 Optimus 現在幹的事，但 Optimus 處理的物體更少。這兩個都還不是真正泛化，也就是通用化，還不能真正掙錢。
下一步，是機器人能在同行業裏的不同場景，對不同物體做相同操作。比如在工業製造業，從能在車廠中拿零件擴展到在任意工廠能拿所有零件；在零售行業，從能在小超市裏上貨，擴展到也能在沃爾瑪裏上貨。一次訓練，擊穿同行業不同場景，這就有很大價值了。
再下一步，才是更多任務、更多場景，跨行業全都 handle，不斷走向通用。
《晚點》：整個行業現在都在第一步，這時怎麽選第一個或第一批場景？
王鶴：任何一個行業裏，只要是柔性生產但又沒完全自動化的場景，具身智能機器人都有可能落地。尤其是製造業裏有一些不顯眼的操作，需求可能很強，需要的技術可能也不復雜。
我們要從易到難，從人力成本高到人力成本低，從需求量大到需求量小，逐個去做。
《晚點》：在藥房裏拿藥符合你說的這個邏輯嗎？還是因為美團投了你們，所以你們做了這個場景？
王鶴：我們想率先搶占高利潤、高價值，並且能向更強的通用性轉化的場景，未來的目標是進入家庭。
B to C 就比純 to B 更適合進家，所以我們在零售布了一個 B to C 的場景，跟人打交道。
《晚點》：你們的第一款機器人什麽時候發售？
王鶴：今年 Q4 會接受小批量定單，定價在 50 萬。
《晚點》：這在藥房取藥是不是太貴了？
王鶴：我們現在有兩個主要銷售方向，科研場景和類似美團這樣的商業化的場景。這些場景的價格和配置是不同的。
我們賣給科研場景的是自帶充分算力的可開發版本。而我們賣給商業場景的就不支持開發，會增加一些功能，削減另一些不必要的功能和算力，比如現在機器人上放的都是 OrinX 的卡，但在商業場景，計算可以放到雲端。
現在科研場景的預定已經有幾十臺了。而在商業場景，從機器到服務，我們團隊會全程負責。
《晚點》：你曾說過，銀河有望把一套機器人的成本控製在 5 萬元，那會是在什麽時候？
王鶴：今年做不到，但當達到千臺、萬臺時，我們會向這個目標不斷接近。
《晚點》：有一個玩笑是，中國人形機器人的銷量是靠創業公司、高校實驗室等同行撐起來的。
王鶴：科研天花板肯定低，但科研是第一步。不可能一家成立一年的公司就能賣一千臺機器人，除非是玩具。
《晚點》：我們聊了很多具身智能行業現在的非共識，你覺得現在的共識是什麽？
王鶴：目前為止，尚未出現哪個具身智能的場景能產生規模化經濟效益。怎麽能掙錢沒有共識，所以倒推的產品形態是什麽，技術是什麽，產業是什麽，場景是什麽，都沒有共識。
沒有共識是很好的事情。就是說如果大家都形成共識了，那麽最後拼的就是成本、資源、人脈。這些要素都不是創業者擅長的，對創業是不利的。
但是要暢想未來，技術的終局，進家 + 全人形 + 大模型，這個恐怕大家都能認同。
《晚點》：你會怎麽形容現在一大批新企業追求 Embodied AGI 的歷程？
王鶴：這是人類再次扮演造物主的過程。汽車產業也是完全被人創造出來的產業，通用機器人未來也是這樣。我們當中也會出現像特斯拉一樣的領軍車企。---[文: 王與桐*編輯: 程曼祺/來源: 晚點LatePost]
