学校机器人(下)：她们都说我今年要行了…我，好吗…

或许你最近几个月不止一次看到类似的消息：2025 年度将成为人形机器人量产的第一年。

这个…可以信吗？

最近，的确有多家机器人制造商公布了。 2025 年度量产计划：

计划生产特斯拉 1 万台 Optimus；Figure AI 预计未来 4 年将量产 10 万台；1X 估计量产数千台 NEO 机器人；国内智元、宇树、优必选也声称正在积极推进量产。

因为前两篇文章中提到的那些难题如此密集，这样的25年新年计划是否过于乐观？不要每年都和我在一起。 Year Resolution啊...

要么烧钱，要么烧脑

上述两种常见的机器人数据收集方式，即在现实世界/模拟世界中进行实践，并收集相关数据。

其中，真正的机器训练一直是一条“艰难而正确的道路”，需要大量的“钞票能力”。现在看来，很有可能还是需要“大力创造奇迹”——比如中国和地方政府亲自支持。

目前，北京和上海由工业和信息化部和当地政府联合建设智能数据采集场，并率先制定了一系列数据标准。2025 年 4 月份，北京还将举办世界人形机器人运动会和半程马拉松比赛。

深圳市政府紧随其后。3月3日，深圳连续发布三篇关于人工智能发展行动计划的文章，其中两篇重点提到“具体智能”，包括“构建跨本身多样性开源数据集”、“在宝安、龙华等地建设智能数据采集基地”、与数据收集直接相关的内容，如“开发真机数据收集平台和数据模拟平台”。

广东省的做法看上去更“简单直接”——赚钱！依据广东省政府 3 月 10 号码发布的文件，可以获得国家重点项目。 1 支持1亿元；建立人工智能和机器人制造创新中心，最高可获得 5000 支持万元；对机器人开源项目给予最高支持 800 资助1万元；机器人行业标准由公司和科研院所主导，最高可给予。 50 万元资助…

当然，在模拟环境中训练的性价比远高于烧钱建造真机训练场。各大科技公司也在煞费苦心地探索如何为机器人构建一个更完美的“赛博世界”——也就是原因 AI 产生的世界模型。

赛亚人不仅有自己的精神时间屋，还有机器人在模拟平台上训练一天(对于一些情况和特定数据)，可能相当于现实世界的180天效果。上海人工智能实验室的科学家表示，计算人力和机器成本，可能需要十几元才能获得一个真实的机器数据，而一个模拟数据只需要两分钱。

当前，英伟达是世界模型中最大的明星。 Cosmos。人形机器人制造商根据英伟达自己的信息 1X、Agility Robotics、Figure AI 等待已经使用了这个平台，小鹏汽车也将使用它来加速人形机器人的研发。

除了人形机器人之外，Uber 正在应用 Cosmos 研究自动驾驶；埃森哲和凯傲软件也是基于 Cosmos 为了训练仓储机器人，完成了仓库物理信息的数字化。

谷歌 DeepMind 同时，团队也在下注“世界模型”。DeepMind 在 2024 年 12 月发布了 3D 世界模型 Genie2，能模拟物理世界的效果，如重力、烟雾、水流、灯光等，产生一分钟的“一致”世界。Genie2 与现有的具体智能项目相结合，为其提供模拟训练环境，有望应用于谷歌自主研发的机械臂。 ALOHA、自动驾驶 Waymo 以及谷歌投入的人形机器人 Apptronik 上。

也有一些企业和团队致力于多模态世界模式，比如李飞飞带领的。 World Labs，还有中国企业，如字节跳动、昆仑万维等。这些模型也可以根据简单的文本或图片描述生成一个段落 360° 可交互式视频，但目前主要应用于游戏、动画等领域，尚未发布具体智能应用案例。

好消息！有望解决机器人泛化问题。

最大的想象空间就是具身智能， AI 最终能够赋予机器人行为多大程度？

限制人形机器人大规模应用的门槛之一是泛化能力普遍不足。机器人需要数千甚至数万条数据来支持一个复杂的动作，一旦操作环境发生变化——例如，当需要抓取的物体形状和材料发生变化时，机器人可能不得不“从零开始”。

但 AI 发展带来了转机，机器人有望通过较小的数据集实现对物理控制的泛化理解。

2月20日，Figure AI 一般人形机器人的动作模型已经发布。 Helix。借助于这种模式，机器人可以根据自然语言提醒拿起几乎任何一种小型家居物品——包括它从未见过的物品。

Helix 也可以直接将丰富的语义知识与机器人动作相对应。比如机器人在听到“捡沙漠物品”的指令时，可以识别桌子上的物品仙人掌，完成“抓取”的准确动作。这一转换能力的提高和 Helix 并且结合了快思(System1)和慢思(System2)两个系统。简而言之，机器人可以通过缓慢的思考来完成推理，产生准确的判断，并通过快速的思考来实现和调整动作。

Helix 它的创新优势也在于它只使用它。 500 小时高质量的监管数据进行培训，信息量不足前 VLA(视觉-语言-动作)模型为5%，无需对特定任务进行微调。而且也是第一个可以同时运行在两个机器人上的动作模型，完成了机器人之间的无缝合作。

现在，配置了 Helix 的 Figure 机器人可以在各种容器中拾取和放置物品，操作抽屉和冰箱，与另一个机器人连接，并操作数千个全新的物体。

同时，中国制造商的机器人产品也取得了类似的效果。三月十日，智元机器人发布了GO-1具底座大模型。GO-1 基于 VLA ViLLA模型提出了创新。（Vision-Language-Latent-Action）架构。按照智元机器人的解释，这个结构的底层逻辑就是“数字金字塔”的概念。以学习打乒乓球为例。首先，在互联网的海量数据中，我们理论上学习了什么是上旋球和下旋球。然后有针对性地观看世界冠军的视频来学习动作模式；然后通过发球机（Switch 上面的乒乓球互动游戏可能也可以)来模拟练习；最后，教练手把手教学——按照这个逻辑，机器人可以学习人类的行为。

GO-1 最大的价值也是让机器人通过小样本甚至零样本来泛化，训练数据集可以比过去减少1-2个量级。此外，GO-1 结合互联网数据和真实的人类教学数据，可以增强模型的感知、理解和操作技能，适应不同的机器人形式，实现“一脑多形”的跨自我应用。

几乎在同一时间，Google DeepMind 还发布了两个机器人模型——Gemini Robotics 和 Gemini Robotics-ER。

前者是“高级VLA”模型，也增强了机器人的泛化理解能力，比如让从未见过篮球的机械臂知道什么是“暴扣”，如何完成；后者 ER 代表“具体推理”（embodied reasoning）“试图模仿一种人类行为——基于对物理世界的直觉理解，猜测与一个新物体的互动模式——但它是一种机器人行为模式。举例来说，人们看到一杯热咖啡，也许会下意识地抓住摇杆，但是对于机器人来说，全面地握住水杯是更可靠的反应。

如果没有自研推理模型怎么办？也可以尝试访问开源。 DeepSeek-R1。

优秀必选机器人于2月宣布接入该模型，初步检测数据显示机器人的“零样本推理能力”有所提高。然而，在实际应用之前，需要经过足够的真实场景进行训练和优化。

马斯克认为，到了 2040 全球人形机器人的数量将达到全球 100 亿台-截至 2024 年底，人形机器人的销量可能刚刚达到1万台。中间有一个“障碍” gap，还有待各厂商的突破。

也许，真的是从今年开始的。

到 2040 2008年我们走着看。不要吃东西，好好睡觉，好好锻炼，保持健康，可不要让机器人嘲笑啊。

本文来源于微信微信官方账号“果核”（ID：作者：冰点，编辑：卧虫，36氪经授权发布，Guokr42)。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com