具身智能：从 “走近” 到 “走进”，寻找和突破人机共融边界

所以我觉得今天我们应当基于一个成熟的硬件本体，去快速地推进像自动驾驶端到端技术一样的具身智能端到端大模型，也就是视觉语言动作大模型，这块是当下更重要的事情。

丁文伯： 既然说到自动驾驶端到端模型，我们就得请赵行老师讲讲了。赵行老师在回国加入产业和学术之前，在Waymo做了很多的工作。

赵行： 其实自动驾驶和机器人有很类似的地方，也有不同的地方。首先来看「具身」和「智能」，对于车来说，即便没有「智能」，它也是一个存在的「具身」本体，这是车最大的特点。在机器人时代，我觉得「具身」它会有挑战，但不是瓶颈。因为我相信随着我们中国的电子机械技术的发展，我们有非常完整的供应链，在当下我们能把机器人做得非常好，而且我能相信在不久的将来，我们也能把机器人的成本做到非常的低廉，能够进入到每一个人的家庭，所以我觉得具身的挑战更多在我们该设计一个什么样的形态，并且能够以最合适的、最具有性价比的方式把它生产出来，把它给普罗大众推广出去，这是「具身」的挑战。

「智能」更多是瓶颈。我们对比自动驾驶， 机器人的「智能」包含着非常多的维度，从场景的理解、推理、决策、感知、规划，最后到控制等等这一系列的技术，我觉得都有不少的挑战。非常幸运的是在去年和前年，我们看到了大语言模型的技术突破，能够帮我们在理解推理决策这些方面做出了巨大的突破。那么接下来我相信对于机器人来说，感知到规划到控制，这些技术是我们真正要去努力突破和实现的。

丁文伯： 因为谭博士研究的是芯片，其实是我们现在所有的智能和硬件，包括未来决策中间最核心的一点，有一种开玩笑的说法，如果你不给计算机或者机器人提供芯片，这个机器人就是一堆废铁。所以谭博您从芯片出发，是怎么看「具身」和「智能」的？

谭章熹： 我从来不按常理出牌，所以我想谈一下我的观点。我觉得你们问的「具身」还是「智能」，其实机器人走进千家万户最大的问题是在于产业化，是整个上下游供应链的事情，因为之前我那家公司在美国的时候，也做了Waymo的生意，后来卖给了Aurora。

我们当时做的是一个相当于自动驾驶的sensor，非常fancy的all-solid-state的固态雷达，which we made it，我们确实当时也做出来了，但后来为什么我觉得那个时候不ready呢，为什么公司会要销售掉？当我跑遍了整个的产业链以后，我觉得这个是highly fragmented的supply，因为当时最大的一个market是光通信，全球也就大概5~6个billion dollars的market。

所有的供应链在机器人也是同样的道理，我相信现在我们看到了包括大语言模型，所有的basic building block，hardware也好、software也好，都存在，但是机器人是非常挑战的，你把所有东西都整合到一起的时候，这个东西是不ready的。To be honest，我认为可能还有10年左右的时间，把所有的东西放到一起再进行产业界的磨合。Fundamentally，我们看到很多的改变，整个我们人类生活的technology，其实它的cycle并不是我们说几年，大家一热去投资就可以，大概在20年到30年左右的时间。

上一个我们 举个例子，我们说到芯片，上面运用的flash technology实际上是在30年前我们学界就已经有了的，但是真正把它做爆发的、上量的，是 iTunes，就像盗版的MP3，所以机器人也需要这样上量的、推动全产业链的东西 ，这是我的点。

丁文伯： 吴翼老师的研究方向更多是偏重于多智能体，他也是国际上做多智能体强化学习最突出的青年学者之一，代表了中国的水平，你可以从这两方面谈一谈。

吴翼： 我就讲得更高一点，我更偏「智能」，因为「具身」没有王老师和师兄懂。很多人考虑机器人，往往会考虑场景，会考虑任务，考虑一个机器人本体长成什么样，它能做什么。我稍微跳高一点，我们假设有个机器人可以做一些事之后，它还需要什么能力？我会觉得它需要空间上的理解和推理的能力，它不光是需要完成一个任务，它还需要能把很多事串起来。我举个例子，比如说大家都是学生，一般在家里去找东西，因为你妈帮你把东西都收好了，你找不着会跟你妈打电话说“我的袜子在哪，我的某个东西放哪了”，你妈跟你说，“它在一个白色的盒子里，或者它在某一个箱子的柜子的后边”，于是你在家里翻箱倒柜地找。

这是一个大家看起来稀松平常的事，但如果机器人要完成的话，它需要什么能力？需要理解“在白色箱子后边”这是件什么事，甚至还要说“我找不着了，妈”，它需要很多的交互能力，需要记忆、理解、推理。所以我在想， 有没有一天，不管它本体长成什么样，它能做各种各样的任务之后，还有一个更大的、能长context、有空间理解、有记忆，同时也知道问什么话的大脑来驱动AI，真正地能和人进行像人一样的、长时间的、比较通用的交流和推理。 我希望这个事情是最后能走进千家万户，解决所有这种长尾需求是我觉得蛮重要的点。

丁文伯： 接下来第二个问题，我问得稍微刁钻一点。赵行老师和王鹤老师，现有的具身智能的路径中，本体、算法、数据都是我们的主战场，有的公司就是聚焦本体，低成本、高质量、可量产，有的公司可能就是聚焦于算法，甚至有的公司聚焦于产生大量的好用数据。除此之外，在真正做一线的产业化、包括落地推广的时候，你们觉得有没有什么技术或者市场的东西被我们忽略了，或者容易被我们忽略的地方？想请两位老师谈一谈在一线的感觉，请王老师先讲。

王鹤 ： 我刚刚讲的「智能」，它背后其实就是算法、算力和数据，那么「具身」本质就是本体对吧，丁教授问还有什么被忽略了？可能把这些东西串在一起构成一个系统，从真实世界真地能够去落地，然后回流数据、提升模型，真正把这件事情从0到1推动起来。 虽然具身智能这个词 “Embodied AI”是大约在19年之后在美国复兴，在中国大约是22年后逐渐为大家所知，但其实背后的这些思想连贯了50年以上。为什么今天我们要推动具身智能，本质上这些要素在当下的市场和当下的需求侧已经齐备，并且需求侧给了我们很强的需求。

在很强的需求的驱动下，现在银河通用也是把数据、算法和算力结合在一起，开始在一些场景里落地尝试。我们是从合成的大数据作为数据的源泉，这部分数据不需要真实世界采集，成本相对低廉，同时可扩增scalable，这样的要素完成了具身智能的冷启动。像自动驾驶它是典型的热启动，因为你把车卖出去以后，有用户替你开，数据就直接回来了。每一个能卖出去车的车企，它后续做自动驾驶都很有能力，但是如果是一个没有作用的人形机器人，卖不出去，卖出去了以后也不会有想象的那种神奇数据回流回来。