Podcast Interview · 逐期深读

陈哲谈具身智能:从极限演示到真实工作流,怎样分辨进展与包装

本期背景与内容导览

陈哲与程曼祺从人形机器人马拉松、Figure 物流直播、灵巧手、世界模型和 VLA 新进展谈起,核心不是罗列“又有了什么 demo”,而是这些结果能证明到哪一层。马拉松像极限测试,可以暴露散热、控制、供电和可靠性问题,但定制方案能否以合理成本进入量产仍需验证。物流分拣提供具体工作流:软包、翻面、扫码和异常恢复需要双手与全身协同,但是否优于传统自动化,要看节拍、故障率与总成本。节目随后比较直驱、绳驱和混合方案,说明硬件形态与数据、控制和供应关系相连;又讨论遥操作、第一视角与全身动捕等数据来源。遥操作作为采集与接管工具是一件事,把辅助过程包装成完全自主则是另一件事,公众预期必须明确。最后讨论全栈、垂直分工与大厂入局。本文保留嘉宾的产业观察,同时把技术演示、真实工作流、商业结果和未来预测分开。

晚点聊 LateTalk · #170 · 2026-06-29 · 1:53:50

原对话:沿提问、回答和转折完整展开

下面先按节目顺序重建。主持人在追问什么,嘉宾如何以自己的经历、例子和推理作答,尽量保留在具体语境中;案例中的事实、数字和判断先归属于发言人。随后才进入本文的机制解释与独立判断。

00:00:06–00:30:36连续对话 1

00:00:06–00:02:28开场速览:本季具身智能五大进展

节目以嘉宾陈哲和主持人程曼祺对第二季度具身智能领域核心进展的快速预览开场。陈哲首先提及英伟达的Cosmos 3模型,称其为本季度世界模型的标杆,因为它首次提出了一个全开源的Omni model(全能模型)。他进一步引出一个根本性问题:未来具身AI的模型是否会由OpenAI、Google等通用大模型厂商提供?如果Omni model路线被证明有效,那么机器人的空间理解和动作预测能力是否可能被整合进一个更大的通用模型中。

主持人程曼祺则提到Generalist公司的GEN-1模型,并询问从中能看出该公司对世界模型的思路。陈哲回应,Generalist实际上排斥被贴上“世界模型”或VOA(Vision-Action-Object,视觉-动作-对象模型)等标签。他引用该公司核心人物Peter Florence的文章,指出他们的做法既不是简单地在VOM(视觉-对象模型)上叠加动作,也不是传统意义上的世界模型。

接着,陈哲强调了灵巧手的重要性,认为谁能更快地提供可靠、稳定、廉价的灵巧手,谁就能成为行业事实上的标准,吸引更多算法和软件围绕其硬件架构进行设计。

主持人程曼祺随后正式开始本期节目,这是“具身季报”系列的第二期。她提到,近期行业内一个悄然的变化是“物理AI”这个称呼被更广泛地使用,而“世界模型”的热度不减。本期节目将围绕第二季度的五大进展展开,包括:人形机器人马拉松、Figure的物流分拣直播、灵巧手与灵巧操作、英伟达的Cosmos 3与世界模型创投热,以及Generalist的GEN-1和Physical Intelligence的π 0.7等具身模型进展。

Omni model全能模型。在本语境中,指一种试图统一处理多种模态(如文本、图像、视频)和多种任务(如理解、生成、动作预测)的单一、大型模型。其输入是多模态数据,输出是针对不同任务的预测或生成结果,目标是将原本分散的能力(如机器人的空间理解和动作预测)融合到一个通用模型中。
VOA (Vision-Action-Object)视觉-动作-对象模型。一种具身智能模型的技术路线,其核心是将视觉输入(Vision)直接映射到机器人的动作(Action)上,通常还会考虑与环境中的对象(Object)进行交互。它是一种端到端的模仿学习方法,输入是摄像头捕捉的图像或视频,输出是机器人执行任务所需的具体动作指令。
世界模型 (World Model)一种能够学习环境动态并对未来进行预测的内部表征模型。在具身智能领域,它不仅仅是生成视频,而是要理解物理世界的规律。输入是机器人传感器的数据(如视频流),模型在内部构建一个关于世界如何运作的“心智模型”,并基于此预测不同动作可能导致的未来状态,从而帮助机器人进行规划和决策。其输出可以是预测的未来视频帧,也可以是直接生成的动作序列。
Locomotion运动控制能力。在机器人领域,特指机器人移动的能力,如行走、奔跑、跳跃等,涉及到平衡、步态规划和对地形的适应。在本对话中,它被比作生物的“小脑”功能。

话题推进:在快速预览了本季度的五大主题后,主持人正式引入嘉宾,并准备逐一展开讨论。

00:02:28–00:07:16回顾Q1展望:世界模型从实验室走向工业级

  • 第二季度你觉得具身智能领域,或者说现在大家也喜欢用另一个词,叫“物理AI”领域,你比较关注的5个重要的事是什么?
  • (上季度你提到看世界模型能否拿出超出VOA的进展),你觉得这一季度算实现了吗?
  • 你觉得它能说世界模型拿出超出VOA的进展吗?

主持人程曼祺邀请嘉宾陈哲总结2026年第二季度他最关注的五大进展。陈哲认为,本季度的显著突破集中在世界模型和灵巧手,同时人形机器人也首次大规模进入公众视野。他列出的TOP 5依次是:

1. 北京亦庄人形马拉松:上百台机器人参赛,手机厂商荣耀夺冠,显示了大厂在该领域的潜力。

2. Figure直播包裹分拣:首次向全球大众普及了人形机器人在工业场景的价值。

3. 灵巧手与灵巧操作爆发:以舞肌为代表的中国公司在ICRA会议上发布高自由度灵巧手,使其成为新的竞争焦点。

4. 英伟达发布Cosmos 3:将世界模型从概念推向了产品化和范式标杆,引发创投热潮。

5. VOA路线迭代:Physical Intelligence的π 0.7和Generalist的GEN-1等模型进一步发展,并开始出现与世界模型融合的迹象。

随后,程曼祺回顾了上期节目中陈哲对Q2的展望,其中第一点是“世界模型能否拿出超出VOA的进展”。陈哲回应,上一季度讨论的世界模型(如英伟达的DreamDojo)还停留在实验室级别,而本季度英伟达发布的Cosmos 3则是一个更产品化、经过大规模预训练的模型,标志着世界模型从实验室走向了可部署的工业级。程曼祺补充,Cosmos 3发布了针对不同部署环境的三个版本(Super, Nano, Edge),也印证了其产品化程度。

对于世界模型是否已“超出”VOA,陈哲认为,经典VOA架构的优劣势已很明显。以Cosmos 3为代表的世界模型,其长处在于环境预测与建模,展示了统一架构对VOA能力的潜在提升。同时,领先的VOA模型也在尝试融合世界模型的能力。因此,他判断两者并非颠覆关系,而是世界模型为现有模型带来了新的能力和思路。最后,程曼祺确认,陈哲上期展望的另两件事——灵巧手成果和马拉松比赛走向严肃竞争——也已发生。

话题推进:在确认了Q1的展望基本实现后,对话自然地转向了TOP 5进展中的第一项:人形机器人马拉松。

00:07:16–00:14:55人形马拉松:荣耀夺冠,大厂入局的预演

  • 这事会让你或者其他从业者感到有点意外吗?
  • 为什么在比赛开始之前,业界就认为荣耀、宇树,还有北人这三个参赛方是热门?
  • 我有一个赛制的小问题,就是因为它冠、亚、季军都是荣耀的机器人,所以今年是我一个机器人厂商可以派好多机器人出去?
  • 这没有上限的吗?这不约束一下的吗?
  • 你怎么来评价这个进步速度?
  • 但是以马拉松这种形式来说,它确实创造了一个需求,但这个需求不是个市场化的需求。这个也是大家关于这一类比赛性质或者表演性质的一些展示的长久的疑问,就是它有什么用?

主持人程曼祺首先提问,手机厂商荣耀包揽人形机器人马拉松前三名是否令人意外。嘉宾陈哲表示,赛前业界普遍预测荣耀、宇树和北人(北京人形机器人创新中心)是夺冠热门,因此结果并不意外。他解释了三者成为热门的原因:

1. 北人:作为卫冕冠军,为比赛做了充足准备。

2. 宇树:首次官方参赛,作为运动控制的全球标杆,赛前测试视频已展现出10米/秒的惊人速度,备受期待。

3. 荣耀:机器人事业部成立约两年,团队规模一两百人,招揽了行业专家,并投入了远超对手的研发成本。这笔投入使其能为比赛定制大扭矩电机和精密的液冷系统,解决了其他机器人在长时间高速跑动中因电机过热而不得不暂停的问题,从而保证了比赛全程的高速和稳定性。

程曼祺引申出一个观点:初创机器人公司若不能尽快IPO 확보资源,未来可能会被荣耀这类资金和制造经验雄厚的大厂超越。陈哲同意,并认为此次比赛证明了拥有高端制造和组织能力的团队,在资源充足的情况下,可以快速打造出有竞争力的硬件产品,且在运控算法上也不逊色。他判断,人形机器人行业正从单一技术创业演变为系统工程能力的竞争,荣耀的成功预示了未来市场格局,像小米、小鹏、理想等厂商也已严肃投入。

关于赛制,陈哲确认荣耀派出了10支队伍参赛,远多于其他公司的两三支,并在遥控和自主导航两个赛道中均夺冠。程曼祺指出,相比2025年冠军用2小时40分钟完成遥控半马,今年自主导航组的前三名成绩均在50分钟左右,进步巨大。陈哲认为,这反映了硬件、控制和导航技术的飞速发展,也说明一旦有明确的优化目标(如极限运动性能测试),现有技术架构下很多问题是可以解决的。

最后,针对比赛“有什么用”的疑问,陈哲将马拉松比作F1赛车,是一个测试极限性能、推动技术边界的“练兵场”和benchmark。完成比赛需要解决全身运控、应急处理、长时间无故障运行、供电、散热等一系列系统性问题。这些在极端环境下积累的系统设计经验,对未来的量产产品非常有价值。

话题推进:讨论完作为“练兵场”的马拉松比赛后,话题转向了更接近真实应用场景的展示——Figure AI的物流直播。

00:14:55–00:21:17Figure直播:为何物流是人形机器人的好场景?

  • 你把它列到TOP 5里面是为什么?
  • 这个机器人都没动,它都是站在一个相对固定的位置,但它用的是全的人形。你觉得这是一种冗余吗?
  • 那它在这个直播里它还没有做到(处理意外情况),对吧?
  • 这本来也是我想问的。其实中国邮政四五年前就陆续地和好多中国的机器人公司合作,就是你说的这种方案。
  • 所以以前也都是demo偏多,是吗?
  • 那它可能对你末端夹具的灵巧精巧程度要求也挺高。
  • Deformable的意思是?

主持人程曼祺介绍了Figure AI的直播:从5月13日起,三台机器人在真实物流产线上连续直播100多小时,任务是将传送带上的包裹翻转至二维码朝上。总计处理了13万个包裹,约3秒一个,并与真人效率进行了对比。她询问陈哲为何将此列为TOP 5进展。

陈哲认为,这次展示无论从观赏效果还是实际工艺价值上,都是一次“0到1的突破”。它首次向大众展示了人形机器人在一个合适场景中替代人类工作的可能性。他指出,物流包裹分拣是一个需要泛化能力、连续长时间操作且不适合人类的场景。

针对“机器人站着不动,使用完整人形是否冗余”的问题,陈哲解释,虽然大部分时间只需双臂操作,但真实场景中会出现包裹掉落等意外(corner case)。一个完整的人形机器人,结合通用的具身模型,才有可能处理这些无法预先穷尽的长尾问题。尽管直播中机器人尚未展示处理这些意外的能力,但这正是该场景需要人形机器人的根本原因。

程曼祺提到,四五年前中国邮政就曾与机器人公司合作尝试解决类似问题。陈哲确认,之前的方案(传统机械臂+机器视觉)并未真正实现工业落地。他深入分析了任务难点:快递包裹多为软体,上面的二维码易被遮挡或形变。人类会用双手进行“翻面”和“展平”的灵巧操作,而四五年前的技术栈基本无法实现。当时普遍使用吸盘,只能做简单的抓取和放置(pick and place),无法进行双手协同操作。

陈哲进一步指出,虽然标准化包裹的自动化已经由海柔、极智嘉等公司解决,但物流领域仍有大量非标包裹的处理需求未被满足,这正是人形机器人的巨大价值所在。Figure和星动纪元选择的这个场景,恰好是老技术方案难以解决的。他类比了叠衣服的demo,指出对可形变(deformable)材料的操作,如软体包裹、纺织物、塑料袋等,非常适合用今天的具身模型来解决,因为无法用简单的刚体模型去建模,必须依赖模型的泛化和适应能力。

话题推进:在解释了物流场景的技术难点和人形机器人的适用性后,对话转向了关于Figure直播中“遥操作”的争议。

00:21:17–00:28:53遥操作争议与场景选择:成功的to B机器人做对了什么

  • 回到Figure AI这一次的直播,有一个争议是它出现了扶头的动作,然后会有人说这是不是遥操的?
  • 有可能会在未来它真的进入工业长期部署的状态之下,也有点类似于自动驾驶的一种什么情况了,就是我后台可能有一个真人在管着?
  • 但这就涉及到,如果你要真的进家庭场景,它有一个隐私的问题,对吧?那是不是对这个机器人的全自主能力要求又更高了?
  • 你觉得Figure AI这次直播海外出圈吗?它有向大众普及的这种作用吗?
  • 星动纪元其实也有在物流上的一些新的合作宣布,是和中国邮政。你觉得像国内的这种进展,它目前离真的落地大概是一个什么样的距离?
  • 像这种场景,它一旦放出来之后,是不是会有很多公司去试啊?
  • 像你以前投过的海柔这些更早成立的公司,他们可以往这个方向去拓展吗?
  • (宇树等)公司现在有一个劣势,就是融资上还是会差一些?

主持人程曼祺提到Figure直播中机器人出现“扶头”等动作,引发了关于“遥操作”的争议,而官方称其为模型自主完成。嘉宾陈哲认为,遥操作根本不是争议点,因为所有人形机器人在实际部署前,都需要通过遥操作来收集数据和纠正动作。他强调,即使有部分人工介入,也无损于这次展示的开创性意义。

程曼祺联想到自动驾驶的远程接管模式,推测未来工业机器人也可能采用“后台有人监控”的模式。陈哲表示认同,认为这对于全自主运营的人形机器人系统将是常态,就像Robotaxi行业会衡量“接管效率”(一个操作员能监控多少台车)一样。不过,他也指出,这种模式在家庭场景中会因隐私问题而受限,因此家庭场景对机器人的全自主能力要求更高。

陈哲高度评价Figure选择的物流分拣场景。他回顾历史上成功的to B机器人公司(如Kiva Systems、极智嘉、海柔),发现它们都选择了具备大规模部署量、高吞吐率和作业一致性的场景,且大多集中在仓储自动化领域。他对比道,一些人形机器人在工业场景的落地演示,实际上做的是专用机械臂已经能做的事(如精准上下料),而Figure的场景是此前技术未能很好解决的难题。

关于Figure直播的公众影响力,陈哲认为其在Twitter上反响热烈。他同时提及,几乎在同一时期,来自成都的舞者吴雨霏与宇树机器人在《美国达人秀》上的舞蹈表演也引发了全网热议。他认为,这两件事都让美国普通民众直观地看到了人形机器人进入商业和工业的潜力,打消了许多人对以往中国春晚机器人表演“是否为录播或特效”的疑虑。

谈及国内进展,陈哲透露,星动纪元不仅与中国邮政合作,也在顺丰进行了长时间测试,已能实现全自主分包、翻面、扫描等工序,其实际落地进展不亚于美国公司。他认为,这是一个好的产品市场契合点(PMF),需要双臂、灵巧手和具身智能的综合能力,拥有这些能力的团队并不少。对于海柔等上一代成功的to B机器人公司,陈哲认为它们完全有机会利用人形机器人技术去解决现有自动化方案未能覆盖的场景。这些公司虽然在一级市场融资可能不占优势,但一旦上市,其获取的资源和对行业的深度理解将成为重要壁垒。

话题推进:在讨论了场景选择和商业落地后,话题自然地转向了实现这些复杂任务所依赖的数据和模型,特别是全身控制数据的采集范式演变。

00:28:54–00:30:36数据采集范式的演进:从局部操作到全身运控

  • 关于整个人形的进展,我们上一次还聊了一个细分的趋势,就是把locomotion(运动控制能力)和manipulation(精细操作)结合起来,就是全身的运动控制。我发现有新的公司专门就是做这个,比如说李洪洋老师做的这个元测未来。
  • 全身运控的数据,你可以把之前比如大家在采什么数据讲讲吧,就比如和之前的区别是什么?

主持人程曼祺观察到一个新趋势:将运动控制(locomotion)与精细操作(manipulation)相结合的“全身运动控制”,并注意到有新成立的公司(如元测未来)专门聚焦于此。她回忆起,在包裹分拣这类任务中,处理corner case时就需要全身控制能力。

嘉宾陈哲对此表示认同。他指出,过去两三年,具身智能市场主要关注操作智能。运动能力(locomotion)曾被认为是“小脑”的能力,与“大脑”的认知决策和操作相互独立。但随着局部操作(local manipulation)技术的成熟,业界发现有机会用一个更统一的架构来同时训练移动和操作能力。这一转变放大了拥有强大运动控制能力团队的价值。

陈哲进一步指出,本季度一个明显的趋势是数据采集范式的变化:越来越多的公司开始收集“全身运控”的数据。主持人追问这与之前的数据采集有何区别。陈哲解释说,具身智能的整体瓶颈在于数据,因此每个周期的模型范式迭代,本质上都是数据范式的变化。他准备详细阐述数据采集范式的演进过程。

话题推进:陈哲正要展开说明数据采集范式的具体演进,本段在此结束,为下一段深入探讨数据问题做好了铺垫。

00:30:36–01:00:03连续对话 2

00:30:36–00:34:46数据采集范式的三次迭代:从真机遥操到全身动捕

  • Aloha是一个轻型的臂,可以这么说吗?真机遥操轻型的双臂多采集?
  • 所以它构型是完全一样?
  • 这个方案就是当时在斯坦福的那个Tony Zhao提的是吗?
  • 所以它的好处就是它成本更低?
  • Ego-centric这个方案,它需要配合手套还是不一定要配合手套?
  • 所以它的量和多样性都会多很多?
  • 英伟达做这个全身动捕的方案Sonic,它和以前我们有时候看一些电影纪录片里面会展示特效的动捕,就在人身上打很多点,那个区别是什么?
  • 所以算法上是和英伟达的这个Sonic的开源的成果相关,然后硬件上是宇树的硬件本体本身更成熟了,今年大家更多的能做一些全身运动控制的探索?

嘉宾陈哲首先提出,通过观察创业公司正在采集何种数据,可以预判行业未来的发展方向。他回顾了具身智能领域数据采集(“素材”)范式的三次主要变迁:

1. 真机遥操(约两年前):以斯坦福大学Tony Zhao和陈子鹏在2023年发表的Aloha方案为代表。该方案使用四个机械臂,操作员控制其中两个主臂,另外两个从臂会同构地克隆复刻主臂的动作,以此来收集高质量的机器人操作数据。

2. 无本体数据采集(约一年前):以“驰成他们”(应指Generalist AI)的Omni方案为代表。操作员手持一个简单的两指夹爪进行操作,摄像头记录下这一过程。这种方式无需使用昂贵的机器人真机,显著降低了数据采集成本。

3. 第一视角视频(去年底至今):以Ego-centric(自我中心视角)视频采集为核心。操作员佩戴头戴式摄像头,记录自己执行各种任务的视频。这种方法的关键优势在于能以极低的干扰性,在极其广泛和多样的真实场景中收集数据。陈哲补充,Ego-centric视频可以与多种输入方式结合,如配合Omni夹爪、数据手套,甚至是空手操作,从而大幅提升了数据量和多样性。

进入今年,随着英伟达发布Sonic全身动捕方案,数据采集范式再次演进。Sonic是一个开源技术栈,能将捕捉到的人体骨骼点运动信息,通过“retarget”(重定向)技术快速迁移到人形机器人上。陈哲指出,这项技术的普及,加上宇树G1机器人本体的成熟及其开源社区的参数优化,使得研究人员可以更便捷地进行全身动捕,并将人的舞蹈等复杂动作迁移到机器人上。这催生了更多团队尝试基于全身动捕进行局部操作(local manipulation)的研究,并开始探索更前沿的灵巧手数据采集。陈哲总结,今天采集的数据,将决定三到六个月后模型层面的突破。

Aloha一个由斯坦福大学研究者提出的机器人数据采集方案。其核心机制是“真机遥操”,操作员通过控制一套主机械臂(Master Arms),其动作被另一套结构相同的从机械臂(Slave Arms)实时克隆。输入是人的实时操作,输出是机器人执行相同任务的轨迹数据,用于行为克隆模型的训练。
Omni一种无本体(embodiment-free)的数据采集方案,由Generalist AI(嘉宾称“驰成他们”)提出。操作员手持一个简单的两指夹爪来执行任务,通过外部摄像头记录整个过程。输入是人的手部操作,输出是带有手部姿态和夹爪开合状态的视频数据。其优点是成本极低,无需昂贵的机器人硬件。
Ego-centric Video指“第一人称视角视频”。在具身智能数据采集中,通常指操作员佩戴头戴式摄像头记录自己执行任务的视频。输入是操作员视角所见的视觉信息和手部动作,输出是可用于训练视觉-语言-动作模型(VLA)的视频数据。其核心优势是能在真实、多样的环境中大规模采集数据。
Sonic英伟达推出的一个开源全身动捕技术栈。它能捕捉人体的骨骼点运动信息,并通过“重定向”(Retargeting)技术,将这些运动数据映射并迁移到具有不同骨骼结构的人形机器人上。输入是人体的运动姿态,输出是可驱动机器人执行相应动作的控制指令。

话题推进:在讨论数据采集时,嘉宾提到了研究人员开始关注灵巧手的数据采集,主持人顺势将话题引入下一个核心议题:灵巧手和灵巧操作。

00:34:46–00:43:02ICRA上的中国灵巧手:舞肌二代手成为焦点

  • 这次5G也是在ICRA上有比较多的展示。你可以讲讲第二季度灵巧手有哪些变化,包括在ICRA上得到的一些最新的反馈和讨论是什么?
  • 灵心巧手和XPAR也去了是吗?
  • 星动纪元有在ICRA上发手吗?
  • 在那种做本体和智能都做的公司里,他们是自己做灵巧手?
  • 他们那个邮政的合作也是用了自己的灵巧手,他们那个是叫XHAND?
  • 那不就高自由度了。
  • 你可以讲一下舞肌二代手的一些基本情况吗?比如说上次节目我们聊到XPAR的手是22个自由度,是5万美元左右的售价,然后当时很多全球前沿的具身相关研究室是在用,或者说在等他们的手。
  • 20个自由度。
  • 那它是靠别的关节带动那个关节是吗?
  • 因为它这次ICRA上舞肌的手大家比较关注嘛,它是展示了一些什么能力获得了关注?
  • 有吸引力。
  • 他们这次有展示什么比较炫技的功能吗?研究人员去看这个东西,他怎么看到门道了?他怎么看到我是否是我需要的东西?
  • 那我觉得跟这两个公司定位有一些差异有关。其实我们上次讨论过,就是黎帆他们重新来做XPAR这个公司,长期来说它有一个更大的目标,应该是想做通用的具身智能,从手来切入。所以他们可能自己软件啊、算法这方面做得也比较多,包括他们也提了一个三层模型的架构,所以它会去展示,比如说我组装一个风车,或者我两个手削苹果这种动作吧。然后舞肌它是不是更类似于你上次提到的,你觉得灵巧手里里面有一个宇树G1这样的机会和生态位,就是说我成为大量前沿研究的一种基础设施?
  • 现在高自由度灵巧手整个全球的市场规模是怎样的?
  • 你知道这个市场目前来说卖得最多的(低自由度手)是谁吗?

主持人程曼祺询问嘉宾陈哲在ICRA 2026(国际机器人与自动化大会)上关于灵巧手的观察。陈哲表示,本次大会最大的亮点之一是中国厂商在高自由度灵巧手领域的集体亮相,包括舞肌(Wuji)、星动纪元、灵心巧手、欣喏(Syno)和临界点等公司都发布或展示了各自的产品。

陈哲特别指出,舞肌发布的二代直驱灵巧手获得了全场最广泛的关注和认可,其影响力堪比2025年ICRA上XPAR发布第一代灵巧手时的盛况。他详细对比了两款产品:

1. 性能与改进:舞肌二代手解决了其一代产品存在的严重散热和缺乏反驱能力的问题。反驱能力的实现,意味着关节可以被自由地反向掰动,这不仅让手在受冲击时不易损坏,也使其对力的响应和控制更灵敏。现场许多研究人员都上手体验了其灵巧性和反驱性。

2. 体积与形态:舞肌二代手的体积大约只有XPAR手的一半,更接近真实人手尺寸。陈哲强调,大多数高自由度灵巧手的体积都比成年人手大1.5到2倍,这种“肥大”的形态会导致很多人手可以完成的精细操作,在机器人上无法通过模仿学习(behavior cloning)的方式复现。

在讨论公司定位时,程曼祺提到XPAR的目标是做通用具身智能,因此会展示削苹果等复杂的应用级demo。陈哲则认为,舞肌的定位更像人形机器人领域的宇树,专注于提供一个低成本、高可靠性的硬件平台,成为全球研究人员的基础设施。他观察到,在舞肌发布灵巧手后的一两个月内,已有许多中美创业公司基于其硬件发布了灵巧操作模型,这印证了市场对一个稳定易用的硬件载体的迫切需求。

关于市场格局,陈哲将其分为两块:

* 低自由度手:市场规模较大,年出货量约小几万只,与人形机器人销量正相关,主要用于表演或简单的“抓取-放置”任务。主要玩家有灵巧手、鹰石、强脑、奥义、临界点等中国公司。

* 高自由度手:以XPAR和舞肌为代表,主要面向全球科研市场。目前出货量还很小(头部约几千只),但在XPAR去年量产前,市场上几乎没有可购买的量产产品。尽管量小,但因技术含量高,对算法和数据有重要影响,是竞争焦点。

话题推进:在介绍了灵巧手硬件的进展后,主持人自然地将话题转向其“软件”部分,即灵巧操作的模型进展。

00:43:02–00:53:32灵巧操作模型仍处早期,数据归属与产业生态成关键

  • 刚才说是灵巧手这块的一些进展,然后在灵巧操作的模型上有一些什么进展?就是更偏软件或者说系统的这一部分。
  • 你可以稍微说一下这个公司,因为之前没有聊到过Genesis。
  • 他们展示做菜的那个能力,它整个步骤还挺长的,有20个步骤,有个完整的菜、备菜,然后烹饪。你觉得这是一种什么思路?
  • 就是克隆人的行为。
  • 所以它有可能换一个任务,甚至我环境变得稍微多一点,也许成功率就会有比较明显的变换。
  • OK,那我接下来这个问题就是延伸你刚刚说的这个点,就是这个灵巧手的数据的收集的问题。因为数据是AI进展的三要素之一,那作为一个这么重要的资产,你觉得它最后数据会在哪呢?会在第三方公司这吗?有很都做手的公司可能是第三方的公司,就相对于我直接做一个完整的人形机器人本体的公司。其实这个问题它还可以等价于一个问题,就是灵巧操作这个能力最后是什么样的公司能更快更好地做出来?是比如说我直接就在做灵巧手这个硬件的公司,我能软硬一体结合迭代得更快,还是我本身做个整个具身大脑或者具身大脑小脑融合的这么一个统一的模型的公司?
  • 对,因为数据可能跟智能就很相关了嘛,它是连着的。或者你可以反推,对有的公司来说,如果智能是它的必争之地的话,那它那个数据肯定它就得自己掌握。
  • 比如说简池就是个单独的公司。
  • 还有光轮也是,对吧?
  • 就是说如果我作为一个第三方的数据采集公司,我服务了ABC三个客户,可能我就不能用一套方案、一套数据去给这三个人。我要给这三个分别有一些定制的东西。
  • 所以其实因为我刚才说数据在哪,我想的是两种可能,就是要不就是灵巧手的公司有可能自己做,又有一种可能是本体厂商它把灵巧手的硬件也自研了,然后它也自己去采这个数。你现在其实说的是第三种可能,就是有一种专门就是做数据采集的公司,可能手它也不自己再造,对吧?它也可能来自于客户,来自于数据需求方,或者来自于它自己去采买一些设备。你说的这种可能,你觉得这比较难存在?
  • 嗯嗯,那在我说的那两种可能,你更倾向那种可能会发生吗?就是说是本体厂商有动力来来自研手,然后也获得它的数据了,还是说这个手的公司它慢慢从手切入,然后它可以做更多?就除了硬件之外,它也有更多数据软件的东西。
  • 或者就叫人形公司吧,因为那些人可能也会做大脑,对吧?就是大脑和本体一起做的那种公司。
  • 对,全站人形公司。
  • 我刚才本来想找一个以前的类比,然后我发现灵巧手还挺难找类比的。它既是传感器又是个执行器。

在灵巧操作模型方面,嘉宾陈哲重点提及了Genesis公司在2026年5月发布的工作。该公司使用定制的舞肌灵巧手,展示了旋转魔方、处理食物、弹钢琴等一系列精细操作。陈哲认为,这代表了当前高自由度灵巧手操作的顶尖水平(state-of-the-art)。

然而,他判断整个领域仍处于非常早期的阶段,技术范式类似于两年前用Aloha方案做“行为克隆”(Behavior Cloning)。这意味着,只要能采集到足够多、足够高质量的人类演示数据(例如通过动捕手套),模型就能很好地复现特定任务。但这种方法的泛化能力有限,一旦更换任务或环境变化,性能可能大幅下降。陈哲对比道,像Generalist AI在夹爪操作上已通过其无本体数据采集方法(Yumi)实现了较好的通用性,但高自由度灵巧手领域尚未找到能大规模、低成本获取高保真数据的方法。他认为,只有当数据问题被解决,才可能训练出真正通用的灵巧手操作模型。

这引出了关于数据归属和产业生态的讨论。主持人程曼祺提问:灵巧手数据最终会掌握在谁手中?是独立的灵巧手硬件公司,还是自研手的全栈人形机器人公司?

陈哲分析,与激光雷达等传感器不同,灵巧手的数据格式、维度与其硬件结构(自由度、关节设计)高度绑定。因此,独立的第三方数据采集公司很难服务多个采用不同构型灵巧手的客户。数据采集方案很可能需要与灵巧手硬件厂商深度耦合。

由此,核心问题转变为:长期来看,独立的第三方灵巧手公司是否存在生存空间?

* 如果存在:那么大量数据将由这些独立的灵巧手公司提供。这种情况可能发生,因为灵巧手的工程复杂度极高(马斯克曾称其占Optimus项目50%的工程投入),许多人形机器人公司可能不具备自研顶尖灵巧手的能力。届时,独立的灵巧手公司可以像智能驾驶领域的英伟达或地平线一样,提供包含硬件、数据、算法的整体解决方案,服务于众多没有全栈能力的整机厂商。

* 如果不存在:即所有头部人形机器人公司都选择全栈自研(本体、大脑、灵巧手),那么数据将主要由这些人形公司自己掌握。

陈哲认为,这两种路径将长期博弈并可能共存。

话题推进:在讨论灵巧手产业生态时,自然地引出了一个持续存在的技术路线之争,即绳驱与直驱的选择。

00:53:32–01:00:03路线之争持续:大厂跟随特斯拉选绳驱,但直驱仍被看好

  • 关于灵巧手还有一个话题也是上次就讨论到了,我觉得以后也会持续出现,就是绳驱和直驱的这种不同方案的选择。你也提到在ICRA上还有一家中国公司,就是欣喏未来,他们就是做混合方案的。然后Optimus Q2其实也有一个进展,就是Optimus第三代Gen 3,他们也陆续披露了一些技术上的细节,就包括它手部是一个22自由度的灵巧手,然后它依然还是用了绳驱的方案。
  • 欣喏未来这家公司是什么背景?
  • 重载就是什么?握吗?抓?
  • 所以指节上是直驱的。
  • 那所以别的厂商展示是从腕部开始展示的,那它的产品是从小臂这开始展示的。
  • 那原理上也拥有两重劣势,是吗?
  • 哦,你说到这我还想到一个公司,就是那个Origin Flow。
  • 对,他们那个肌电的数据采集就是做的一个臂环手环,它是套在你的手上的,然后它通过肌电信号的方式采集到一些你手部操作的数据。
  • 那可以说过就是这个混合方案的这个情况。它如果是整个带一个前臂的话,它和就它的下游厂商,就那做整个全站的人形机器人公司,它的合作方式是怎样?
  • 嗯,我看到理想、京东投资过它。
  • 是因为他们是(在)大公司是吗?因为有向上汇报的压力,所以具体的负责人就不想承担这个风险。
  • 其实上一次聊,你是自己是更看好直驱这个方向的,但是你现在从大公司的一些动作和他们的投资来看,好像很多大厂是在继续做绳驱这个方向。

主持人程曼祺将话题转向灵巧手的技术路线之争:绳驱与直驱。她提到,特斯拉Optimus Gen 3的灵巧手依然采用绳驱方案,而ICRA上展出的欣喏未来(Syno)则采用了混合驱动方案。

嘉宾陈哲介绍了欣喏未来的Flex 2混合驱动灵巧手。这是一种结合了绳驱和直驱的创新方案:

* 绳驱部分:负责需要大力量的抓握等重载能力。其电机放置在体积更宽松的前臂中,通过“腱绳”驱动手指。

* 直驱部分:在手掌内部署微型电机,直接驱动指节,以实现更精细灵巧的掌内操作。

陈哲分析,这种混合方案在原理上试图结合两种路线的优点。纯绳驱方案为了实现高自由度,需要让大量腱绳穿过狭窄的腕部,导致组装和维修极其困难。混合方案通过在掌内集成部分电机,减少了穿过腕部的腱绳数量,从而简化了结构。同时,将负责大力输出的电机置于前臂,也解决了手掌内部空间和散热的限制,这与人手发力机制相似——大部分抓握力来自前臂肌肉。

然而,这种需要集成前臂的方案也带来了商业上的挑战。陈哲指出,与舞肌那种可以即插即用的标准化手掌不同,带前臂的灵巧手需要与人形机器人本体厂商进行更深入的集成和定制。这解释了为何欣喏未来获得了理想、京东等大厂的战略投资,因为这些大厂在研发人形机器人时,大多选择跟随特斯拉的绳驱路线。

程曼祺追问为何大厂偏爱绳驱。陈哲解释,对于国内大厂的工程师而言,跟随行业领导者特斯拉是一个直接且风险较低的选择。如果特斯拉最终被证明是正确的,而自己团队却尝试了别的路线并失败,负责人将难以承担责任。

尽管如此,陈哲重申了他对直驱路线的看好,尤其对于独立的第三方灵巧手公司而言。他认为,做成一个不依赖前臂的、标准化的全直驱手掌产品,可能是独立公司唯一或更好的出路。如果产品需要与客户的前臂深度定制,公司很可能沦为大厂的“定制供应商”,难以成长为一家独立的、产品化的公司。

话题推进:在深入探讨了灵巧手的硬件技术路线和产业生态后,对话自然转向了更上层的智能部分,即驱动这些硬件的世界模型。

01:00:04–01:28:13连续对话 3

01:00:04–01:02:56再论灵巧手路线:为何大厂仍未放弃绳驱

  • 这个季度的这些灵巧手的进展之后,你对绳驱和直驱的偏好还是没有变化的?你还是觉得直驱是一个目前来看潜力更大的方向?
  • 那这两类目前看起来它的下游是分开的,直驱的这些新的公司的手,他们更多是面向研究市场的,然后绳驱这套方案,好像是面向更多产业方?

在讨论完灵巧操作的技术早期阶段后,主持人程曼祺询问嘉宾陈哲,本季度的新进展是否改变了他对灵巧手技术路线的偏好。陈哲确认,他依然更看好直驱(Direct Drive)方案,并且这一判断得到了加强。他指出,目前研究领域的前沿突破,如“舞肌”和另一家公司的手,都是基于全直驱方案实现的。他认为,谁能率先提供可靠、稳定且廉价的直驱灵巧手,谁就能更快地成为行业事实标准,吸引更多算法和软件围绕其硬件架构进行开发。

主持人观察到,目前直驱和绳驱(Tendon-driven)方案似乎服务于不同市场:直驱手主要面向前沿研究,而以特斯拉Optimus为代表的绳驱方案则似乎更受产业界关注。陈哲解释说,这种分野的根本原因在于Optimus尚未公开放弃绳驱路线。他分析,马斯克基于第一性原理,认为绳驱更接近人类生物结构,因此设定了很高的工程目标去实现量产。然而,现实情况是Optimus的V3版本灵巧手一直在延迟发布,并且有传闻称团队也在探索直驱或混合驱动等替代方案。陈哲补充道,对于国内大厂的工程师而言,跟随海外大厂(尤其是Optimus)的技术路线是一种更稳妥、风险更低的选择,这不仅限于灵巧手,也包括机器人本体的其他技术。但他强调,鉴于灵巧手研究仍处于极早期,目前产业界选择的绳驱方案未来能否真正规模化量产,还是一个未知数。

直驱 (Direct Drive)在灵巧手中,指电机直接驱动关节运动,没有经过减速器或绳索等传动机构。其优点是控制精度高、响应快、无传动间隙,适合进行精细操作的研究,但成本和控制复杂度较高。
绳驱 (Tendon-driven)在灵巧手中,模仿人类手部肌腱结构,通过绳索(Tendon)来传动电机产生的力,从而驱动手指关节运动。这种方式可以将电机放置在远离手掌的位置,减轻手部末端重量,结构更紧凑。特斯拉的Optimus机器人手即采用此方案。
世界模型 (World Model)在具身智能领域,指一种能够理解和预测物理世界如何因动作(action)而发生变化的内部模型。它的输入通常是当前世界状态(如图像、传感器数据)和即将执行的动作,输出是对世界未来状态的预测(通常是视频帧)。它可以作为机器人的“大脑”,用于规划、推理和生成策略。
Omni model (全能模型)此处指英伟达Cosmos 3这类模型,其特点是能够原生处理和生成多种不同类型的数据模态(如文本、图像、视频、音频、机器人动作等)。它旨在成为一个统一的、具备全面理解和生成能力的模型,而不是多个专门处理单一任务的模型的组合。

话题推进:对话从灵巧手的硬件路线之争,自然过渡到下一个核心议题——具身智能的“大脑”:世界模型。

01:02:57–01:08:50英伟达Cosmos 3:走向统一理解与生成的“全能模型”

  • 你可以简单先介绍一下这是一个什么样的成果?
  • Omni是指大一统的意思,混合的意思?
  • 它在技术上有一个比较重要的突破,叫MOT,Mixture of Transformers。你觉得这新架构的反响怎么样,以及它有些什么concern的反向的一些声音吗?
  • 它能把(理解和生成)实现是有什么蹊跷吗?还是说现在虽然它在结构上给它实现了,但可能效果上还没有那么好?
  • 它是在Cosmos 3上才实现了这个全能这种统一是吗?就是和之前比如说和2和1它的区别是什么?
  • 我以前对Cosmos的理解,我觉得它是个视频生成模型。
  • 它这个应该也可以用在自动驾驶,对吧?

主持人程曼祺将话题转向本季度的第四、五大进展:世界模型和VLA模型。她首先指出,世界模型已成为国内创投热点,诞生了多家高估值创业公司。她请嘉宾陈哲介绍本季度最重要的进展——英伟达的Cosmos 3。

陈哲将Cosmos 3定义为本季度的“标杆”,因为它是市场上首个全开源的“全能模型”(Omni model)。他解释,“全能”意味着该模型能原生处理文本、图像、视频、声音、动作等多种输入模态,并能输出所有这些模态。英伟达将其定位为一个可用于不同预测和生成任务的全能世界模型。

主持人提到了Cosmos 3在技术上的关键突破“Mixture of Transformers (MOT)”,它由一个用于推理的自回归Transformer和一个用于生成的扩散Transformer组成。陈哲认为,这个概念非常理想,因为它巧妙地统一了两种过去分离的架构:一种擅长处理离散信号(如文本),另一种擅长处理连续信号(如图像、视频)。MOT架构通过共享的注意力机制(shared attention),让两个独立的Transformer模型可以相互影响状态,从而将不同模态的模型“缝合”在一起。这种动态调节的“混合管线”架构也是模型本身比较庞大的原因。

程曼祺追问Cosmos 3与前代版本的区别。陈哲澄清,之前并没有独立的Cosmos 2,而是Cosmos 1.0的几个模块(如预测、迁移、推理模型)迭代到了2.0版本。Cosmos 3则是首次将这些独立模块整合进一个统一的架构中。因此,Cosmos 3不再仅仅是一个视频生成模型,它包含了视频生成能力,还能直接生成机器人动作。陈哲解释,Cosmos 3之前的版本需要一个专门的“Cosmos policy”子模型来输出动作,而现在则完全统一。他认为,Cosmos 3的架构为“全能模型”开创了一个优美且理想的思路,未来可能被其他大厂跟进。

话题推进:在介绍了Cosmos 3作为“全能模型”的范例后,话题自然延伸到对整个机器人领域世界模型进行分类和梳理。

01:08:51–01:19:53世界模型投资热:分类、演进与资本逻辑

  • 就聊和Robotics相关的世界模型。其实哪怕收缩到这个领域,它也有很多东西都被叫做世界模型,但它可能不太一样。你会怎么来分类啊?
  • 你刚才说你跟一些做LLM的人聊,他们认为这两个东西(VLA和世界模型)被对立起来,他觉得很费解,对吧?
  • 你怎么看现在这块的创业和投融资的一个热潮?
  • 我们可以先盘一下,你知道现在有哪些大的世界模型吧?
  • 如果说这个技术进展让你感到很兴奋,是偏开心的这种心情,那你看到现在这么多公司融这么多钱,作为投资人你是什么心情啊?

主持人程曼祺提出,即便限定在机器人(Robotics)领域,“世界模型”的定义也很多样,并请陈哲进行分类。陈哲引用了英伟达一篇官方综述中的分类法,将机器人领域的世界模型分为三类:

1. 视频世界模型 (Video World Model):这是最底层的一类,以生成视频为核心能力,通过预测未来图像帧来理解世界。代表项目包括Google的Vue和阿里的One。Cosmos 3也属于此类,因为它具备强大的视频生成能力。

2. 动作条件世界模型 (Action-Conditioned World Model):这类模型在给定一个物理世界中的具体动作(action)作为输入条件后,预测世界的下一个状态。它本质上是一个“世界仿真器”,输入是动作,输出是世界状态的变化。代表项目有Google DeepMind的Genie和英伟达的DreamDojo。

3. 世界动作模型 (World Action Model, WAM):这是目前具身智能领域最受关注的方向。这类模型不仅预测世界状态,其核心目标是直接生成机器人的动作序列(policy)。代表项目有DreamZero和蚂蚁的Limbo-VA。

陈哲提到,他与北美一些研究者交流时发现,他们认为将VLA(视觉-语言-动作模型)和世界模型对立起来令人费解,理想的终极模型就应该是像Cosmos 3那样的“全能模型”,统一理解与生成。他认为,VLA擅长生成动作指令,而世界模型擅长预测状态,两者结合是性能更优的终极方向。

接着,话题转向世界模型的投资热潮。主持人列举了多家国内外新成立且高估值的创业公司。陈哲分析,这股热潮的根本原因在于,以VLA为代表的“行为克隆”路线遇到了性能瓶颈,其泛化性受限。而基于视频生成的世界模型路线,虽然早在2023年就有探索(如字节的GR1/GR2),但当时缺乏高质量的预训练视频模型和高效的动作生成算法(如diffusion policy、flow matching)。直到2024-2025年,随着可灵、Sora等强大视频模型的出现,世界模型路线的技术基础才成熟,其潜力得以释放,从而在2026年突然爆发。

对于资本市场的狂热,陈哲认为,这是大模型领域的投资惯性延续:之前赚到钱的投资人继续加码,没赚到钱的则希望“补票”上车。同时,具身智能作为国家战略方向,吸引了大量人才和资金涌入,类似当年的电动车浪潮。

话题推进:在讨论了世界模型的热潮后,主持人将话题转向看似“过时”的VLA路线,通过两个具体案例探讨其最新的演进方向。

01:19:54–01:28:13不被标签定义:Pi与Generalist的模型演进之路

  • 那最后一个我们讨论的一个TOP 5的进展,就是在当前火热的世界模型趋势下,反衬的好像有点过时的VLA。你提到了两个具体的进展,一个是Physical Intelligence的Pi 0.7的发布,还有一个是Generalist的Gen-1的发布。
  • 那可以分开来讲,比如说Pi 0.7,你看到了一些启发是什么?
  • 它这个轻量的预测指的是,比如说我现在的......它就能预测我未来几帧这个应该是什么样子?
  • 然后可以聊一下Generalist Gen-1的这个进展。我自己的体感啊,我觉得大家就国内的这些从业者里面,对Generalist Gen-1的这个讨论度是更高的。
  • 你刚才说它就是没有在这个VLM上微调,展现了这个团队非常有自信,是因为这个做法很罕见是吗?
  • 从Gen-1目前的公开信息来看,能看出来Generalist的这个团队对世界模型的思路是什么吗?

主持人将话题引向本季度的第五大进展,探讨在世界模型热潮下,看似“过时”的VLA(视觉-语言-动作模型)路线的最新演进,聚焦于Physical Intelligence (Pi) 的π-0.7和Generalist的Gen-1。

陈哲首先分析了π-0.7。他认为Pi是一家稳步迭代的创新公司,π-0.7相比前代的最大区别在于,它在传统VLA的基础上,接入了一个“轻量的世界模型”。这个轻量模型能预测任务未来的图像状态(比如手与物体交互后未来几帧的画面),并将这个预测结果作为“子目标图”来指导(guide)VLA生成更精确的动作。陈哲认为这符合人类直觉,就像人扔纸团时会“脑补”抛物线轨迹一样。他赞扬Pi团队持续引领VLA研究前沿,如此前在0.6版本中引入的长时记忆规划能力。

接着,对话转向讨论度更高的Generalist Gen-1。陈哲总结其三大突破:

1. 执行速度显著提升:改变了VLA模型执行任务“慢悠悠”的印象。

2. 长程任务成功率跨越:在一些复杂长任务上,成功率从60%多提升到99%,展现了模型能力的巨大飞跃。

3. 独立训练与Scaling Law验证:团队自行采集了50万小时的真实世界交互数据(采用高效的UMI式无本体数据采集法),并基于这些数据从头训练(from scratch)了一个模型,而没有依赖任何预训练的VLA或VLM。陈哲认为,这体现了团队对自研技术路线的高度自信。其报告清晰展示了模型性能随数据量(从1万到50万小时)增长而提升的Scaling Law,证明了其架构的可扩展性。

主持人追问为何“从头训练”能体现自信。陈哲解释,研究界容易出现路径依赖,尤其当π-0.5等开源模型成为行业基准(benchmark)后,许多团队选择在其上微调。而Generalist选择独立开创新方案,投入巨大资源自采数据并从头训练,需要极大的勇气和决心。他进一步评论,这是美国创投生态鼓励创新的体现,创业公司必须做出差异化才能获得认可和退出机会(如被巨头收购)。

最后,关于Generalist对世界模型的看法,陈哲指出,其创始人Peter Florence曾专门撰文,表示他们的模型既不是简单的VLA(把动作粘在VLM上),也不是世界模型。他们的核心思路是,模型完全基于物理交互的原生数据进行训练,因此可以直接训练一个Transformer网络,而无需依赖VLM或视频生成模型作为骨干。这是一个自成一派的方法,具体细节未开源,但其思想根源可以追溯到该团队在Google时期的早期工作RT-1。

话题推进:本段详细讨论了Pi和Generalist在模型层面的最新进展,并对比了中美创业生态的差异。接下来,节目将进入更宏观的讨论,如行业格局、大厂动态等。

01:28:13–01:53:50连续对话 4

01:28:13–01:31:42Google的具身生态策略:做机器人领域的安卓

  • Google的ER1.6模型没有被你列入Q2的Top 5进展,你如何看待Google Gemini Robotics目前的成果和影响力?
  • Google想做机器人领域安卓的思路,现在有市场吗?
  • 这对小公司意味着什么?

主持人程曼祺首先询问嘉宾陈哲,为何Google Gemini Robotics在4月发布的新模型ER1.6未被列入本季度的Top 5进展。陈哲解释,ER1.6全称为Embodied Reasoning 1.6,它并非一个直接输出机器人控制指令的策略模型,而是一个能力更强的视觉语言模型(VLM)。它的核心作用是增强对物理空间和任务的理解与推理能力,可以将视觉信息(图片、视频)转化为对物理环境和条件的描述。

程曼祺补充,ER1.6的发布体现了Google希望成为“机器人领域安卓”的生态思路。她提到,Google公布的合作方包括波士顿动力的四足机器人Spot、Apptronik的人形机器人(嘉宾上期曾提及合作有延迟),以及另一家公司的人形机器人AgileX Robotics。她追问这种“大脑+生态”的策略是否有市场。

陈哲认为,Google的策略是发挥其在语言模型上的优势,将高层级的空间推理能力封装成API产品供硬件厂商调用。他指出,ER1.6的性能对比报告是直接与Google自家的通用模型Gemini Flash 3.0进行比较,这说明ER1.6本质上仍是一个通用模型,只是针对物理环境理解做了强化训练。陈哲认为,这代表了大厂的一种思路:如果能用一个通用的“全能模型”(Omni Model)解决所有问题,那就不需要专门的具身模型了。

ER1.6 (Embodied Reasoning 1.6)Google Gemini Robotics团队发布的一款模型。它不是直接输出机器人动作的策略模型,而是一个增强版的视觉语言模型(VLM)。输入是图像、视频等视觉信息,输出是对物理空间、环境、任务的理解、描述和推理结果,旨在作为一种高层智能API被机器人硬件调用。
Omni Model (全能模型)指一种理论上可以处理和解决所有类型任务的、极其通用的单一AI模型。在本段对话中,特指一种能将语言、视觉、物理空间理解、动作生成等多种能力融合在一起的超级模型。如果该路线成功,专门的具身AI模型可能会被其替代。
全栈 (Full-stack)在本对话的语境中,指一家机器人公司同时自主研发和制造核心的软件(大脑/模型)和硬件(本体/执行器),实现端到端的垂直整合,而不是依赖外部供应商或合作伙伴。例如,同时做人形机器人本体和驱动它的AI模型。

话题推进:讨论完Google的生态策略后,话题自然转向了这种策略对行业格局的深远影响,特别是对创业公司的挑战,以及另一家大模型巨头OpenAI的动向。

01:31:42–01:37:55OpenAI重启机器人团队:基于世界模型,剑指全栈

  • 如果大模型公司最终能提供通用的具身AI模型,小公司还有机会吗?
  • OpenAI在面临Anthropic等对手的竞争压力下,真的会把机器人作为重点投入吗?
  • OpenAI的动作会带来什么连锁反应?

承接Google的“全能模型”思路,陈哲提出了一个根本性问题:未来具身AI模型是否会由OpenAI、Google、Anthropic等通用大模型厂商提供?如果“全能模型”(Omni Model)路线被证明有效,那么机器人所需的空间理解和动作预测能力,都可能被融合进一个更大的通用模型里。

程曼祺提出一个常见的反方观点:具身模型需要大量硬件来收集数据,而通用模型公司通常不擅长或不愿涉足硬件。陈哲回应,大模型公司已经在文本和图片数据上投入了百亿美金,只是目前没有为机器人数据采集做优化,但这并非不可逾越的障碍。

程曼祺随即引出OpenAI在5月底官宣重启Robotics团队的事件。她援引Sam Altman的说法,指出几个关键点:1)团队目标是寻找“全栈人才”(硬件、系统、机器学习等),做对社会有用的集成;2)短期场景是制造供自身使用的AI基础设施,长期愿景是制造人人可用的机器人;3)团队负责人Aditya Ramesh是DALL·E的作者,其原团队名为“世界仿真研究”(World Simulation Research)。

陈哲确认,OpenAI的机器人团队正是基于DALL·E和Sora(视频生成模型)的团队建立的,因为OpenAI一直将Sora定位为世界模型。他认为,OpenAI高调重启机器人业务,说明他们看到了相关技术的突破和拐点。对于投入问题,陈哲分享了一个观察:目前行业内最顶尖的具身AI模型(如英伟达Cosmos 3)所用的算力预算约在“万卡级别”,这对于OpenAI这类头部LLM公司而言并非巨大的投入。因此,OpenAI无需将其作为压倒一切的重点,也能实现远超多数具身团队的投入。谈及OpenAI为何强调“全栈”,陈哲认为在研究早期,脱离硬件无法有效验证算法,因此必须与硬件紧密结合。他透露,OpenAI会在灵巧手上做重点投入。

最后,陈哲总结,OpenAI重启机器人业务,说明他们看到了技术成熟度及其与核心模型能力的强相关性。考虑到其庞大的算力和人才吸引力,他期待OpenAI能拿出“行业SOTA(State-of-the-art,顶尖水平)”的进展。

话题推进:从大公司的战略布局,转向讨论资本市场和创业公司的现实处境,特别是宇树科技IPO对行业的标杆意义。

01:37:55–01:42:45智能的终局:赢家通吃还是寡头化?

  • 宇树科技IPO后,后续的机器人公司会怎样?
  • 智能部分是否会赢家通吃?
  • 对于“如何与最好的开源模型及顶级的闭源模型竞争”这一难题,你听过创业者有说服力的答案吗?

主持人程曼祺首先提到宇树科技在Q2正式科创板IPO过会,询问这对行业后续公司有何影响。陈哲认为,宇树的上市为所有头部具身公司设定了一个“估值的锚点”。

接着,话题转向行业格局的终局。陈哲判断,机器人本体(硬件)市场未必是“赢家通吃”(Winner-take-all)。因为即便是通用的人形机器人,也可能因物理限制(如功率、电机、电池密度)而分化出不同形态,以服务于娱乐、科研、重载搬运等不同场景。但他认为,机器人的“大脑”(智能模型)则很有可能出现赢家通吃的局面,前提是“全能模型”(Omni Model)路线成立。

陈哲以大语言模型市场为例,指出智能产品存在两极化趋势:用户要么追求最好的智能,要么追求一个“还行”的智能。由于模型边际成本低,且可以开源共享,他预测市场最终会分化为“高水平的开源模型”和“顶级水平的闭源模型”,中间地带没有生存空间。他认为具身模型很可能也会走向同样的终局。

程曼祺追问谁会提供高水平的开源模型,陈哲认为是Google、英伟达这类想做生态的大公司。这引出了他对具身模型创业公司面临的终极挑战的思考:如何同时与两类对手竞争?1)由英伟达这类以算力而非模型变现的公司提供的顶级开源模型;2)由Google、Anthropic等巨头提供的寡头化的顶级闭源模型。

当被问及是否有创业者能给出有力回答时,陈哲坦言这个问题很难。但他举例说,Anthropic创业初期也曾被反复追问同样的问题,但最终它成功了。这暗示,创业初期能否完美回答这个问题并非成功的关键。不过他也承认,如今的具身智能创业者面临的环境不同,因为他们一开始就要面对一群已然存在的大语言模型巨头。上一波大语言模型创业的成功,既催生了具身智能的投资热潮,也导致了市场可能出现过度竞争和投资,从而压缩了创业成功率和回报预期。

话题推进:在讨论了市场竞争格局和创业挑战后,话题转向了更具体的商业化落地节奏问题,并对比了中美两国在此问题上的差异。

01:42:45–01:47:50商业化节奏的中美差异:对长期不确定性的容忍度

  • 关于商业化和落地的节奏,这个季度你有什么新想法?
  • 你觉得国内公司只是摆出要落地的姿态,而不是事实吗?
  • 你对商业化周期的判断是在缩短还是变长?

主持人程曼祺询问嘉宾陈哲对具身智能商业化落地节奏的最新看法。陈哲提出从两个维度分析:中美差异,以及硬件公司与模型公司的差异。

他以美国领先公司为例,指出OpenAI和Physical Intelligence (π) 都遵循一个典型模式:一群顶尖人才共同探索一个潜力巨大但长期不确定的方向,并获得早期资本的持续支持。例如,OpenAI在ChatGPT引爆前多年没有明确的商业化进展,但这并未妨碍它吸引资源。同样,Physical Intelligence不断发布引领行业的模型,但商业化路径尚不清晰。陈哲认为,除了Figure AI摆出了更强的落地姿态外,几乎所有美国公司都面临这个问题,但姿态和事实仍有区别。

对比之下,陈哲指出,中国的创投环境对“长期不确定性的探索容忍度非常差”。在中国,一家创业公司如果宣称“10年内不做商业化”,将极难获得足够资源、吸引顶尖人才,也难以对接资本市场。程曼祺补充,除非创始人像DeepSeek的创始人一样非常富有,可以自己支持长期探索。陈哲对此表示认同,并强调DeepMind和OpenAI最初也是由亿万富翁支持的非营利性尝试,商业化并非其首要目标。

陈哲认为,这种差异的根源在于大家对行业发展周期的判断不同。他设想:如果明确告诉市场,具身智能像自动驾驶一样,需要15年才能盈利(Waymo至今仍未盈利),是否还有人愿意投身其中?反之,如果判断是5年内可以商业化,则会吸引更多参与者。

最后,在被问及他自己的判断时,陈哲认为,相比去年,商业化周期肯定在缩短。因为这个问题的重要性吸引了大量资源、资金和人才,基础要素正在快速成熟。特别是语言模型等相关领域的进展,其能力、算力和数据可以迁移过来,客观上加速了具身领域的发展。他重申,本季报关注Figure和星动纪元在快递分拣场景的进展,正是因为看到了通用人形机器人在特定场景下,借助新技术已有实际落地的可能性。

话题推进:在分析了商业化节奏后,节目进入尾声,主持人邀请嘉宾对下一季度的行业发展进行展望。

01:47:50–01:53:50下季度展望:终端大厂入场与全栈悖论

  • 展望下个季度或下一段时间,你会看到什么新东西?
  • 你说的“更多公司”是指中外大厂吗?
  • 像字节、腾讯、阿里这类大型互联网公司,在人形机器人全栈方向上会有什么动作?

在节目的最后展望环节,陈哲预测,未来一到两个季度(即6个月内),人形机器人作为一种产品形态,将在更多具体场景中实现落地和商业化。同时,将有更多公司,特别是终端大厂,宣布进入该市场并公布其产品计划或路线图。

陈哲判断,2026年是进入人形机器人赛道的“最后窗口期”。如果一家公司不在今年启动,等到2027、2028年市场开始广泛落地时,将失去“身位”。程曼祺观察到,国内主流的手机和汽车厂商大多已有布局。她追问字节、腾讯、阿里这类互联网大厂在“全栈”人形机器人方向上会有何动作。

陈哲认为,这些大厂更可能效仿Physical Intelligence (π) 或Anthropic的模式,专注于做模型和智能能力。因为这是他们最擅长的领域,其商业模式和核心能力高度相关,正如他们在国内大语言模型市场的领先地位所证明的。

接着,陈哲指出了在中国做具身智能创业的一个“悖论”或尴尬之处:

1. 资本市场难以容忍10年没有收入的长期探索。

2. 资本市场也难以容忍“非全栈”公司,即严重依赖外部合作伙伴的公司。

这种环境导致了一个现象:几乎所有做“大脑”(模型)的创业公司,最终都宣布自己也要做机器人“本体”(硬件)。程曼祺提到,她最近采访的许华哲(应为逐际动力创始人)的想法则非常“非主流”,他认为不应所有事都内部做,而应交给生态。陈哲评论说,这可能是正确的,但也是一个非常“美国式”的想法。他认为,对于非全栈公司,只有在自己的细分领域做到行业最好才有价值。但最终的“大赢家”大概率还是全栈公司,如同消费电子时代的苹果、小米、华为。

然而,陈哲也提出了一个有趣的观察:当今市值最高的公司(如英伟达、OpenAI)并非全栈公司。因此,“全栈”与“垂直”的路线之争将是长期的博弈。但在中国市场,创业公司很难只做一部分。他以宇树科技为例,尽管宇树在硬件上非常成功,但市场上仍有声音质疑它“只是一家硬件公司,没有AI和模型”。陈哲本人不认可这种攻击,但他承认这是宇树面临的挑战。这恰恰说明,即使在单一环节做到顶尖,也依然会面临“非全栈”的诘问。

话题推进:嘉宾完成展望,主持人总结本期节目,并预告将在未来季度持续追踪行业进展。

以上是原对话的分段阅读。下面才开始提炼论证、解释机制并给出本文自己的判断。

主要论证:观点怎样由经历与例子支撑

人形机器人马拉松这类极限性能竞赛,并非无用的“表演”,而是类似F1赛车的“练兵场”,对推动量产产品的系统工程能力有重要价值。

陈哲 · 00:12:58;00:13:47

1. 比赛设定了明确的优化目标(如长时间高速奔跑),迫使团队解决一系列系统性工程问题,包括全身运动控制、应急处理、长时间无故障运行、供电和散热等。

2. 以荣耀夺冠为例,其为比赛投入资源定制大扭矩电机和液冷系统,解决了其他团队普遍遇到的电机过热问题。这种在极端条件下验证和积累的系统设计、集成和制造经验,可以直接反哺未来的量产产品,提升其可靠性和性能。

成立条件:该论证成立的前提是,比赛中为解决极限问题而开发的技术和积累的工程经验,能够以合理的成本和形式迁移到追求性价比和可靠性的量产产品中,而不是成为一次性、不计成本的“竞赛特供”技术。

物流包裹分拣是人形机器人极佳的早期落地场景(PMF),因为它恰好能发挥人形机器人相比传统自动化方案的优势。

陈哲 · 00:16:09;00:18:11;00:19:41

1. 场景需求明确:物流领域存在大量传统自动化方案难以解决的非标、软体包裹处理需求。

2. 任务难点匹配:包裹翻面、展平以扫描二维码等任务,需要类似人手的双手协同和灵巧操作能力,这正是传统吸盘式机械臂的短板。

3. 价值匹配:该场景需要机器人具备一定的泛化能力以处理包裹掉落等corner case,这为人形态的移动和全身协调能力提供了用武之地,使其不仅仅是“带腿的机械臂”。

4. 历史证明:Figure和星动纪元选择的场景,正是四五年前传统“机械臂+视觉”方案尝试但未能成功落地的难题,新一代具身智能技术恰好弥补了当年的能力缺陷。

成立条件:此论证的成立依赖于人形机器人的部署和运营成本能在经济上与人工或其他替代方案竞争,并且其处理效率和可靠性能满足真实产线的高强度、高节拍要求。

独立的第三方灵巧手公司能否存续,取决于头部人形机器人公司是否会选择全栈自研,这将决定灵巧手的数据和产业生态格局。

陈哲 · 00:48:28;00:51:17;00:53:02

1. 灵巧手的数据与其硬件结构(自由度、构型)高度绑定,独立的第三方数据采集公司难以存在。因此,数据和算法的迭代必须与硬件厂商深度耦合。

2. 这导致两种可能的产业生态:a) 如果头部人形机器人公司(如特斯拉)因工程复杂度过高而选择外购灵巧手,那么独立的灵巧手公司(如舞肌)就能成为平台,提供“硬件+数据+算法”的解决方案,类似智能驾驶领域的英伟达。b) 如果头部公司均选择全栈自研,那么数据和核心技术将闭锁在各自体系内,独立灵巧手公司将失去市场空间或沦为定制供应商。

3. 目前两种路径仍在博弈,大厂倾向于跟随特斯拉的绳驱路线进行自研探索,而研究市场则欢迎标准化的直驱产品。

成立条件:该论证的成立条件是,灵巧手的技术门槛足够高,使得“全栈自研”对多数机器人公司而言成本过高、风险过大,从而为独立的专业供应商创造出足够大的市场空间。

具身智能的“大脑”(模型)部分很可能走向“赢家通吃”或寡头化,创业公司将面临来自顶级开源模型和顶级闭源模型的双重竞争。

陈哲 · 01:39:27;01:40:03;01:41:09

1. 类比大语言模型市场的发展,智能产品存在两极化趋势:用户要么选择性能最好的,要么选择性价比最高的“够用”产品,中间地带没有生存空间。

2. 具身智能领域可能复现这一格局,最终市场由两类角色主导:一是由Google、英伟达等希望构建生态的平台型公司提供的高水平开源模型;二是由OpenAI、Anthropic等巨头提供的性能最顶尖的闭源模型。

3. 对于创业公司而言,这意味着其终极挑战是如何在这两种强大对手的夹击下找到生存空间,单纯的技术领先可能不足以构筑长期壁垒。

成立条件:此论断成立的前提是“全能模型”(Omni Model)路线被证明有效,即一个通用的、可扩展的智能模型能够覆盖大部分具身智能任务,从而使得模型本身的规模效应和网络效应变得至关重要。如果具身智能因场景和硬件的差异而高度碎片化,则“赢家通吃”的可能性会降低。

机制与术语:对象、输入输出和中间过程

数据采集范式的迭代

嘉宾描述了具身智能领域数据采集方案的三次主要迭代,每一次都旨在降低成本、提升数据多样性和质量,从而推动模型能力的进化。

- 输入: 人类执行特定任务的动作。

- 过程:

1. 真机遥操 (Aloha): 操作员直接控制一套昂贵的机器人,另一套同构机器人实时复刻动作并记录数据。成本高,场景受限,但数据保真度高。

2. 无本体采集 (Omni): 操作员手持简单的夹爪等工具进行操作,由外部摄像头记录。成本极低,但可能损失部分与机器人本体相关的动态信息。

3. 第一视角视频 (Ego-centric): 操作员佩戴头戴摄像头记录日常任务。成本低,场景多样性极高,能捕捉真实世界交互,但数据标注和处理更复杂。

4. 全身动捕 (Sonic): 通过动捕设备捕捉人体全身运动,再通过重定向技术迁移到机器人上。能采集复杂的全身协调动作,但设备和环境要求较高。

- 输出: 用于训练具身智能模型的(视频、动作序列)数据对。

- 失败条件: 采集到的数据与机器人实际的物理模型(形态、动力学)差异过大,导致通过模仿学习训练出的模型在真机上执行效果差(Sim-to-Real Gap);或者数据采集成本依然过高,无法形成规模效应。

对应节目:00:30:36;00:32:43

欣喏未来(Syno)的混合驱动灵巧手方案

该机制旨在结合绳驱和直驱两种技术路线的优点,解决纯绳驱或纯直驱方案各自的局限性。

- 输入: 机器人大脑发出的抓取或操作指令。

- 过程:

1. 重载任务 (如紧握): 指令被发送到位于机器人前臂的大功率电机。这些电机通过“腱绳”结构牵引手指关节,提供强大的抓握力。这利用了前臂相对宽松的空间和散热条件,解决了手掌内部署大电机的难题。

2. 精细任务 (如掌内操控): 指令被发送到直接集成在手掌和指节上的微型直驱电机。这些电机直接驱动关节进行小范围、高精度的运动。

- 输出: 兼具大力抓握和精细操作能力的灵巧手动作。

- 失败条件: 两种驱动方式的协同控制算法过于复杂,导致响应延迟或动作不协调;混合结构的机械复杂度和维修成本过高,抵消了其性能优势;需要与机器人前臂深度集成,导致其无法成为一个标准化的独立产品,商业推广受阻。

对应节目:00:54:01;00:55:40

π-0.7模型:VLA融合轻量世界模型

该机制试图通过引入预测能力来增强传统VLA(行为克隆)模型的性能和鲁棒性,解决其泛化能力不足的问题。

- 输入: 当前的视觉观察(图像)和任务指令(如“把苹果放进碗里”)。

- 过程:

1. VLA主干网络: 像传统VLA一样,根据当前观察和指令,初步生成一个动作序列。

2. 轻量世界模型: 并行地,一个轻量级的预测模型(世界模型)接收当前观察,并预测出任务完成时或未来某个关键步骤的“目标图像状态”(如苹果在碗里的画面)。

3. 引导与修正: 这个预测出的“子目标图”被反馈给VLA主干网络,作为额外的引导信息(guidance),帮助其修正和优化生成的动作序列,使其更精确地朝向目标状态执行。

- 输出: 一个更准确、更鲁棒的机器人动作序列。

- 失败条件: 轻量世界模型的预测不准确或计算开销过大,反而干扰了VLA的决策或导致执行延迟;对于非常动态或不可预测的环境,基于静态目标图像的引导可能失效。

对应节目:01:20:13;01:20:34

独立判断:这些对话改变了什么理解

大厂的资源优势能缩短工程追赶时间,但不能自动替代创业公司长期积累的现场经验与路线选择。

推理:马拉松中的定制电机和液冷显示资源能解决明确瓶颈,大厂也可能借此快速复制。但灵巧操作、稳定部署和新型方案往往需要在真实任务里长期试错,跟随者容易选择已经验证的路线而错过新方向。是否被整合,要看创新能否变成量产和持续交付,而不是只看资本或单次比赛。

竞争解释与边界:若大厂能把供应链、制造和渠道转成规模化成本优势,创业公司先发价值会被压缩;若任务要求非共识探索和快速迭代,小团队仍可能领先。

遥操作可以是必要的数据与安全机制,也可以造成自主性错觉,二者需要透明区分。

推理:采集、纠错和远程接管在机器人早期很有价值,但直播或宣传若不说明辅助程度,用户会误以为系统已能独立工作,影响信任与产业判断。应该分别披露遥操作参与的任务、时长、接管原因和人工角色,而不是简单将其视为技术争议。

竞争解释与边界:如果透明披露后仍能保持真实成功率和效率,遥操作并不削弱技术价值;若去掉辅助就失去核心能力,则不能把演示当成自主产品证据。

“被迫全栈”既可能割裂长期研究,也可能迫使团队尽早找到真实需求,关键在能否保留长期目标。

推理:资本和交付压力使公司同时做硬件、模型、数据和部署,增加复杂度,却也迫使其面对真实工作流和成本。若能以一个具体场景验证全链路,再把通用能力抽象出来,短期交付可以支持长期研究;若不断为现金流改变方向,全栈就会消耗研究纵深。

竞争解释与边界:允许长期研究的生态更适合基础突破,但也可能拖延真实验证。全栈或分工不是天然优劣,应看团队资源、反馈速度与最终交付。

尚未解决的问题与可检验的下一步

待解问题:Generalist的Gen-1模型在长程任务上成功率从60%跃升至99%,其核心技术突破究竟是什么?是数据规模、数据质量,还是模型架构的创新?

下一步信息或小实验:核对 Gen-1 的任务分布、初始环境、失败恢复、人工接管和比较基线,分别改变数据量、质量与架构,避免把成功率提升归因于单一因素。

怎样的结果会改变判断:若在相同数据与预算下架构仍带来显著提升,说明模型创新有独立贡献;若替换高质量数据后优势消失,应主要归因于经验与评测覆盖。

待解问题:舞肌的直驱灵巧手在获得研究市场认可后,能否真正打入追求成本和可靠性的工业市场,从而成为“灵巧手界的宇树”?

下一步信息或小实验:观察独立灵巧手进入非关联量产项目后的订单、可靠性、维修与总成本,而不只看科研试用和演示。

怎样的结果会改变判断:若独立供应商在工业场景持续提供更好性价比,垂直分工成立;若主机厂仍需深度定制自研,第三方平台空间会缩小。

待解问题:英伟达的Cosmos 3作为开源的“全能模型”,其实际性能和易用性如何?它能否在社区中形成类似LLM领域Llama的生态影响力?

下一步信息或小实验:跟踪 Cosmos 3 在研究、评测和真实产品中的采用,比较基座适配成本、可替换性与真实任务结果,而非只看开源下载量。

怎样的结果会改变判断:若社区能复用并持续产出新结果,平台生态正在形成;若主要停留在参考演示,模型层格局仍开放。

影响理解的转录疑点

建议优先回听 00:43:02 - 01:00:03 这段关于“灵巧手产业生态”和“驱动路线之争”的讨论。这段内容不仅清晰梳理了灵巧手硬件(舞肌、XPAR、欣喏)和软件(Genesis)的进展,更重要的是,它将技术选择(直驱 vs 绳驱)与商业模式(独立供应商 vs 全栈自研)和市场格局(大厂 vs 初创)紧密联系起来,通过类比智能驾驶行业,深刻揭示了具身智能领域一个核心的产业生态博弈问题,展现了技术、资本和商业策略之间复杂的相互作用,是本期节目中最具深度和启发性的部分之一。

证据边界与资料索引

本页依据整期机器转录、官方节目介绍与章节逐段重建,未宣称逐字人工听审。说话人、专名、数字和时间可能存在识别误差;原声仍是最终核对依据。嘉宾关于公司、市场、研究、个人经历与未来的说法按口述保留,不自动等于独立核验的事实。

原节目:170: 与陈哲的「具身季报 26Q2」:世界模型大风不停,和不想被贴标签的人

本页使用的公开文字或字幕来源

返回顶部