近兩年，隨著新一代人工智能出世，以及資本市場加強對未來產業(yè)的投入，人形機器人開始逐漸從科幻走向現實。從資本市場近期表現看，人形機器人概念持續(xù)火熱，部分公司漲停連板。花旗分析師指出，預計未來25年，人形機器人市場規(guī)模將達到驚人的7萬億美元。

與此同時，人形機器人部分產品也已開始出售交付，大有批量“進廠打工”趨勢。如2024年5月，特斯拉研發(fā)的二代Optimus人形機器人已進廠實訓，計劃2025年年底前量產銷售。在國內，如宇樹科技、達闥科技等廠商均已在人形機器人領域有所布局。

除了工業(yè)領域，人形機器人離我們的生活還有多遙遠，何時能“飛入尋常百姓家”？當前行業(yè)發(fā)展難點又有哪些？

近日，杭州宇樹科技有限公司創(chuàng)始人兼CEO王興興接受了《每日經濟新聞》記者（以下簡稱NBD）采訪。

5年內將有終端產品

NBD：2023年，國內很多人形機器人開始“進廠打工”，您怎么看這個現象？宇樹人形機器人的落地現狀和未來規(guī)劃是怎樣的？

王興興：我覺得這是一個趨勢。我們過去幾個月與蔚來的汽車工廠有合作，就現場部署了人形機器人做搬運。這個領域目前基本處于試點階段，大家覺得這個方向有價值，就共同推進落地部署，不過目前還沒有到真正的商業(yè)閉環(huán)階段。

我們公司主要是賣本體，如果是做科研教育、AI公司或者個人買來玩，我們完全歡迎。

此外，工業(yè)領域也在推進，比如我們希望去工廠幫忙做一些簡單的生產裝配，或者一些簡單的搬運工作，蔚來汽車工廠就是典型例子。我們其實沒有給自己定目標或者逼迫那么緊，還是尊重整個市場的反應，等技術、產品和大家接觸到一定程度，已經展現出更好的商業(yè)勢頭了，我們再大規(guī)模去推廣。

NBD：在人形機器人技術迅速發(fā)展的當下，面臨的最大瓶頸是什么？目前人形機器人應用領域中，哪些方面有可能實現突破性進展？

王興興：當下的最大瓶頸，包括人形機器人、四足機器人等，是基層AI在全球范圍內都沒有達到一個像初代GPT或者初代通用AI的能力，這也是目前整個行業(yè)最大的問題。

目前機器人本身，比如雙臂機器人或者工業(yè)機器人，如果加了AI以后產生的能效比人低，如速度比較慢、精度比較差、能干的活比較少，其實很難替代人在工業(yè)領域的價值，整個商業(yè)閉環(huán)沒法跑通。如果機器人AI的能力能突破一個臨界點，使得工廠的基本工序能夠高效運轉，同時成本也相對較低，那么就可以實現商業(yè)閉環(huán)并大規(guī)模推廣，我認為這將是非常有價值的。

當然，目前硬件方面也存在一些挑戰(zhàn)，例如機械臂的負載能力不足、精度不夠以及成本較高，但這些都屬于工程技術層面的問題。所以，最大的問題還是整個機器人AI沒有突破一個臨界點，目前在具身智能或者機器人AI這個領域，當下大家還覺得機器人有點笨拙，只能干一些固定的活，但我個人比較樂觀。再過三四年，不會超過五年，比如在工業(yè)或服務業(yè)，能有終端產品出現。

機器人需要更高級功能

NBD：近期人形機器人火熱至極，但公司早期也不看好人形機器人，請問宇樹是怎樣調整發(fā)展戰(zhàn)略的？

王興興：2020年以前就有很多投資人問我，你們做不做人形機器人，我非常斬釘截鐵地說不做，但為什么2023年初又開始做人形機器人了？其實最早在2009年和2010年，我自己做過小的仿生人形機器人，當時遠沒有達到我的預期，最大原因是當時全球人形機器人的控制技術不是特別理想，性能上不去，沒辦法看到實用價值，當時我就堅持不做人形機器人。

到了2021年、2022年，全球科技對人形機器人非常關注，并且在2022年底大語言模型出來以后，AI技術產生了質變，已經看到AI賦能機器人帶來的潛力。大家可能想象不到，2022年底，我們還沒做人形機器人，但已經有一些客戶找上我們想買人形機器人。我覺得社會的共識、熱度，客戶對它的期待程度，已經足夠了，所以我們2023年開始正式做人形機器人。

我們一直希望公司的商業(yè)化進程能夠保持積極正向，確保我們的產品受到市場的歡迎和社會的認可。當年選擇做四足機器人，是因為行業(yè)已經初現端倪，而現在選擇進軍人形機器人領域也是基于相似的市場洞察。

NBD：從目前人形機器人的研發(fā)來看，大模型可重點解決哪些技術問題？主要應用在哪些方向？大模型和人工智能的應用有望降低研發(fā)成本嗎？

王興興：目前大家說大模型，一般在說大語言模型或者多模態(tài)模型，實際上這部分是可以給機器人用的，2023年我們就結合了OpenAI的大語言模型接口，但實際上大語言模型本身是機器人模型的一部分，并不是全部。

比如跟機器人溝通的時候，肯定需要語言部分，但實際上我個人認為機器人的AI模型，本質上和語言模型還是有很大區(qū)別。舉個最直觀的例子，在工廠里工作的機器人，其實并不需要具備語音功能。只要它能夠完成任務，進行工作就足夠了。

機器人具身智能的核心在于其執(zhí)行任務的能力，而不僅僅是對話。手機已經可以完成簡單的對話任務，因此機器人需要更高級的功能。然而，這部分的訓練其實與大語言模型關系不大，更多地依賴于模仿學習。此外，該模型的結構與大語言模型的結構也存在較大差異。這是目前大家已經看到的方向了，但是整個體系沒有大語言模型那么成熟。

在機器人具身智能領域，每家公司的想法都不太一樣，技術路線和共性都不太一樣，這就導致了其實很難評價發(fā)展路徑，是正確還是錯誤。舉個最簡單的例子，在大語言模型圈，ChatGPT模型出來以前，就有非常多語言模型結構，但大家現在已經忘了，因為發(fā)現GPT模型的架構更有價值?，F在人形機器人具生智能有點像ChatGPT出來的前一兩年，大家已經發(fā)現了這個方向，要往這個方向做，但還沒有哪家敢說自己的方向絕對正確。