如今的人形机器人，个个都“没头脑”。
对这些人形机器人的控制，依赖的是程序员“预先编好的程序”，向机器人输入情况描述以及应对方式的规则，使其在相应情况下完成操作。
宇树科技创始人王兴兴在接受采访时，曾通俗地解释：“你能让他（人形机器人）倒立、空翻，或者做一些避障，这些都是针对固定任务做了专门的AI训练”，是单一功能的AI。
譬如，人形机器人上春晚舞台跳手绢舞这个复杂的任务场景，就可能是根据“预先编好的程序”进行的训练。
但是，一旦场景和任务稍微换一下，人形机器人的成功率就会暴跌。
就像在春晚表演完后，人形机器人离开舞台，就需要有人帮助“掐住脖子”。面对刘谦的握手邀请，人形机器人竟突然下跪瘫倒。
截图于刘谦发布的春晚花絮
甚至于，控制人形机器人，有时还需要工作人员通过遥控器来操作。
某种程度上，这些人形机器人就是一个个提线木偶、遥控玩具，称不上“人”，因为它们“没头脑”。
这也是人形机器人很难快速量产的原因，没有消费者愿意为一个不够聪明的人形机器人买单。“笨蛋”人形机器人，又能如何应对我们的物理世界千变万化的情况？
至于人形机器人“笨”的原因，王兴兴坦言“如今泛用性的AI还是不太够。”他表示，全球都在等待真正的机器人“大脑”的诞生。
人形机器人“大脑”研发，无疑是一个很有意思的赛道。
彭志辉就对这个赛道十分感兴趣。
彭志辉，图源：“稚辉君”微博
作为曾经的华为“天才少年”，彭志辉年薪一度高达200万元。他离职创业，自然不同于一般的创业者。
他有着更高追求，其创立的智元公司没跟随同行、将重心放在机器人躯体上，而是放在机器人“大脑”上。
近期，智元公司发布了首个通用具身基座模型——智元启元大模型Genie Operator-1（GO-1），标志着国内机器人从单一功能向多场景泛化的技术突破。
GO-1看似回答了王兴兴的“泛用性的AI还是不太够”的问题，但距真正的机器人“大脑”还有一段距离。
而彭志辉与智元机器人的“野心”：希望未来所有机器人都能共享同一个“大脑”——GO-1，或无法实现。
并非“首家”
人形机器人从来都不是新鲜事物。
过去几十年，世界各地都有各种人形机器人研发出来。文艺作品也不停地演绎着人形机器人的“无所不能”，人们对这一形象十分熟悉。
但《刃辛机器人》了解到，我们生活生产中却很少有人形机器人的应用。
如今零星“进厂打工”的，并非人形机器人，多为机械臂等各种形态的工业机器人，而且从事都是重复性、机械性的工作。
截至目前，人形机器人“炫耀性”作用远大于实际作用。
王兴兴创办宇视科技之初，就没有直接研发人形机器人，而是从双足的机器狗产品开始。他在2009年就尝试过做人形机器人，认为太复杂了，无法驾驭。
直到AI大模型的出现，为人形机器人带来了新的想象力。
简单来讲，借助大模型，将语义理解能力和推理生成能力引入其中，就相当于给人形机器人装上了“大脑”，能够理解世界和人类，真正地为人类服务。
但，这仅仅存在于“想象”阶段，如王兴兴所言，如今泛用性AI还不够，即用于人形机器人的具身智能大模型并不成熟。
ChatGPT、Deepseek等AI大模型，是无法直接用到人形机器人上，为其充当“大脑”的。人形机器人要通往AGI，需要专门针对具身智能领域的多模态大模型 —— 具身智能大模型，来提升机器人在感知、决策、控制、交互等方面的能力。
具身智能大模型是基于AI技术打造，专门赋能人形机器人，帮助人形机器人实现在通用应用场景下的落的专用大模型。
ChatGPT、Deepseek等非具身智能大模型服务的对象是人类，输出的内容是给人看或者给人读，更多还是在人机交互、内容生成等方面展现价值。
具身智能大模型的服务对象是机器，其输出的内容是需要机器人能够理解，并最终要转化为具体可执行动作的控制指令，从而与周围环境进行交互，并做出各种动作。
智元机器人推出的GO-1，绝非国内第一个具身智能大模型。在此之前，国内一些机器人初创企业已经开始推出自己的具身智能大模型。
譬如，有鹿机器人的Master 2000、若愚科技的九天大模型、千诀科技的千诀.机器人大模型、穹彻智能的Noematrix Brain、X square（自变量机器人）的Great Wall系列的WALL-A模型以及千寻智能的具身智能大模型……
GO-1仅仅是国内首个通用具身基座模型。
所谓通用具身基座模型，采用模块化架构（如ViLLA框架），整合多模态大模型（VLM）、隐式规划器和动作专家，支持跨本体适配和任务泛化，其重要的特点是泛用性。
简而言之，GO-1是“啥都能干，但都不精”。
就像一个厨子，能看菜谱学做菜（看人类视频学习），今天炒川菜、明天做西餐（适配不同场景），甚至能用新买的厨具（跨本体硬件）。虽然做每道菜不是最顶尖的，但换菜单时不用重新买机器人（降低成本）。
陷“数据荒”
GO-1距离真正的人形机器人“大脑”有多远？
首先，不可否认GO-1具有充当人形机器人“大脑”的潜力。
GO-1通过ViLLA架构实现多模态学习，可利用人类视频数据提升小样本泛化能力，支持机器人从单一任务到开放场景的灵活切换。
例如，GO-1支持的智元机器人灵犀X2已能完成骑单车、缝葡萄等复杂任务，并初步具备自然语言交互能力。
这表明GO-1具备整合感知、决策和执行能力，符合“大脑”的核心需求。
GO-1还突破了传统预设程序的限制，可结合语义推理执行动态指令。
例如，灵犀X2能通过自然语言指令完成充电协作、家务辅助等任务，体现了从“工具”到“智能体”的转变。
其二，GO-1距离真正的人形机器人“大脑”还很远。从智元公司对这一大模型的训练过程，就可以得出这一结论。
当初，智元公司决定构建人形机器人“大脑”之后，就发现门槛太高。
众所周知，大模型的训练是需要大量的数据投喂的。
ChatGPT、Deepseek等非具身智能大模型，在训练过程“吃”下去的数据可谓不计其数。单就ChatGPT，就已消化了全球互联网2/3的文本语料。
人形机器人“大脑”所需“投喂”的数据，更多的是动作数据，因为它们是需要像人一样进行各种动作。
文本语料从互联网中就可以获得，但动作数据却非常难找。
智元公司曾试图寻找行业内的开源数据库，但发现高质量、统一格式的数据几乎不存在。
行业内虽然开源了百万条由真实机器人收集的训练数据集，但是这些数据实际上由不同公司、不同型号规格的机器人采集，数据质量较低，达不到智元公司的要求。
智元公司决定“笨鸟先飞”，采取“笨办法”，于2023年9月建立了动作数据采集工厂。在工厂里一比一地模仿人类生活中的每一个动作，将其采集下来，形成数据，然后“喂”给大模型。
为此，他们搭建了家居、餐饮、商超、办公和工业等五类应用场景中。
在不同场景中，数据采集员们手持设备，手把手地控制人形机器人完成抓、握、放等动作。有时采集员头戴VR设备，精准地让机器人模仿学习人类动作。
譬如，在卧室中，人形机器人乖巧地跟着采集员学习叠衣服。在餐桌前，机器人学着把餐具挨个摆放整齐，还要学会打餐各式菜肴，并且不会手抖。在商超收银台前，机器人一只手拿扫码器，另一只手拿着商品扫码。
采集“收银”机器人的数据，图源：36氪
人形机器人每完成一个动作，就能采集一套数据。这些数据聚集起来，上传至云端，便被智元团队喂给大模型，从而让机器人真正掌握一项技能，比如冲咖啡、熨衣服等。
笨鸟先飞，谈何容易？
仅一个倒水的动作，大模型就需要“吃”下上万条数据才能学会。而据36氪前几个月的报道，一位采集员每天仅采集约150条数据，工厂里的近百台机器人日均采集条数据也才3至5万条。
虽然仅仅几个月，智元公司就积累了涉及217个任务的百万条高质量标准动作轨迹数据，规模全球最大。但是，这些动作数据，与ChatGPT“吃”下的全球互联网2/3的文本语料的数量级相比，可谓少得可怜。
靠这些“少的可怜”的动作数据，GO-1这样的具身智能大模型又何时能够达到ChatGPT的聪明程度呢？
野心难实现
AI大语言模型，如ChatGPT，之所以表现得聪明，是因为在不断“喂”其数据进行训练后，量变引发质变，使其在某个时间点，突然出现的、难以预测的、超越了模型初始设计和预期的智能行为或能力，即“智能涌现”现象。
业内称此为尺度定律。即，随着模型参数、训练数据量和计算资源的指数级增长，模型的性能会以可预测的幂律（Power Law）方式提升，甚至在某些任务中表现出“涌现”的智能能力。
具身智能大模型需要获得ChatGPT这样的聪明度，必须不断“喂”动作数据。只要“喂”得足够多，到某一天，具身智能大模型就会突然变得聪明起来，真的像真人“大脑”一样了。
具身智能大模型需要“喂”多少数据，才能像真人“大脑”呢？
智元公司采取的采集动作数据的“笨办法”，堪称龟速。业内人士坦言：“如果只靠我们一个工厂采集数据，采集1亿条需要几百年。”
目前，全球机器人动作数据相较于大语言模型的“核爆点”还差3-4个数量级。
智元公司目前想出的新对策，就是联合同行一起采集数据。
智元公司首先对自己采集的数据开源，“不担心因为别人拿走一些数据而被超越，另一方面也是希望有更多人成为同道中人。”大家一起采集数据。
GO-1的发布，就是为了解决数据不够的问题。但是，这也隐藏了智元公司，以及其创始人彭志辉的一个野心，那就是“希望未来所有机器人都能共享同一个‘大脑’”，而这个大脑就是GO-1。
因为GO-1的一大特点是泛化性好，能在不同机器人本体上部署。大家一起采集的数据，可以通过GO-1这一通用具身基座模型共享。
GO-1作为首个通用具身基座模型，有着唯一性，若相关人形机器人公司没有专用的具身智能模型，倒是可以共享数据。但是，如今很多人形机器人公司都有各自的具身智能模型，都在进行数据“投喂”，进行艰苦训练，为何要与GO-1共享数据？
GO-1要变“聪明”，所需数据可不少。智元公司到底联合多少家公司一起采集数据，才能符合尺度定律，达到人形机器人“智能涌现”时刻呢？
仅靠几家公司，显然不行。哪怕联合所有研发机器人“大脑”的公司，恐怕都不够。
结语：或可借鉴自动驾驶训练模式
国内的智能新能源汽车发展迅速，L3级自动驾驶汽车开始量产。
汽车能进行自动驾驶，也经过了大量相关数据“投喂”和训练。仅仅在物理世界采集汽车行驶路测所需的数据，费时费力，而且无法完成。
据美国兰德公司研究，自动驾驶汽车要保证绝对安全，需要110亿英里（177亿公里）的里程测试。假设由100辆车组成车队，每年365天每天24小时不间歇以28英里每小时的平均速度进行测试，大概需要500年。
在激烈竞争中“存活”下来的车企，不可能采取这样的“笨办法”。它们的做法是仿真训练，即通过数学建模的方式将自动驾驶实际的应用场景进行数字化还原，建立尽可能接近真实世界的系统模型，从而进行训练。
仿真训练的速度是物理世界路测的千倍、万倍，这才使得自动驾驶发展如此迅速。
《刃辛机器人》认为，人形机器人的具身智能大模型，也可借助仿真训练，更快地达到“智能涌现”时刻。
只是，相较于自动驾驶只需模拟道路及周边环境等，具身智能大模型需要的仿真训练设计场景则多得多，复杂得多。（文/刃辛机器人 陈重山）
参考资料
[1] 《加紧建厂拼量产，上海具身智能“独角兽”为何强推这条路》，上观、文汇报，沈湫莎
[2] 《我们去看了智元机器人的“数采厂”，等等！这不是星球大战片场吗？》，36氪、智能涌现，田哲
[3] 《自动驾驶究竟需要什么样的仿真？》，智车科技官方
还没有评论，来说两句吧...