84.49 家央企采买进场，史上最热WRC：泡沫被挤压，具身行业进入实战阶段｜14 年从业者的行家鉴别指南

今年的大会是比你想象当中热烈还是冷静？

热。人比去年多，还要多，现场都走不动路了。我印象最深刻的就是，还有很多其他展商，他们的 demo 可能是要定时，可能对成功率不太自信。

我可以透露一些行业内幕：目前真正做预训练的公司可能只有一到两家。以后如果有机会，大家可以在大展搭建期间去看一看，能看到很多展会现场看不到的东西。我觉得明年会有一定的成果出来，可能要熬过那一段时间，才会迎来一个更好的时代。

刚刚过去的这届世界人形机器人大会 WRC，对整个行业来说是一场极具分水岭意义的展会。如果说去年大家还在拼命展示后空翻、跳舞和概念 demo，那么今年最大的变化在于，所有浮躁的泡沫开始被挤压，行业正式进入算 ROI、看真实出货、拼落地能力的实战阶段。

在纷繁复杂的信息流中，我希望穿透 PR 话术，看到真正的行业水位。所以这期节目邀请了上市公司仙工智能的联合创始人叶杨笙老师。叶老师深耕机器人行业已经有 14 年时间，既懂底层算法与软硬件工程，又对商业化极其务实。这一期内容中，叶老师不仅给出了信息密度很高的行业观察，还点出了一些大家不太敢讨论的话题，比如破除出货量和预训练神话、展台 demo 的行家鉴别指南，以及数据与底层的核心痛点。

叶老师，欢迎你。

大家好，我是仙工智能的叶杨笙。

1. 长程演示淘汰定时炫技

今年应该是你们第二次来参加 WRC，对吧？

对。

今年来参加的感受跟去年有什么不同吗？我看到你们那个机械臂摇签的 demo 出圈了。

这个基于我整体逛下来的感受，包括我们做咖啡的那个 demo，也比较惊艳。它其实是一个非常长程的演示，用的是一台半自动咖啡机，从压粉、萃取，到清洗粉饼，整个过程跟人操作几乎是非常接近的。

我们还有一点非常有特色，就是一天到晚都在做咖啡。很多其他展商的 demo 可能是定时的，比如整点演示一次。

我很好奇，作为行家来分析一下，为什么要定时？

可能一个原因是对成功率不太自信，需要一直有人在旁边盯着、守着。如果没有那么多人，就只能定一个时间。

第二点，我认为可能是硬件也不足以支撑长时间运行。

这是一个非常好的点。上个月刚刚在 WIC，我也去逛了仙工的展，当时一个很大的感受就是，确实好多家都是定时演示。这里可以点几家名，印象很深的就是智元，他们现场是随时有人来、随时演示，是真人互动。他会从你身上挑选一个东西放在桌上，拿起来再递给你，完全是一个泛化性的展示。

你作为行家，肯定也逛了 WIC。大家各自做得怎么样？我先问一个直接的问题：你逛完之后，是对你们更有信心了，还是更紧张了？

相对来说，我觉得还是挺有信心的。

你好谦虚啊。

因为刚刚已经说了，我们的咖啡是长程演示，完全不间断。

其实有一些，比如自变量，然后星尘智能，它们很多 demo 可能一直在运行。自变量的物流分拣是全天一直在跑，动作也非常快。星尘智能的很多 demo，包括超市拣货并放到袋子里，也一直在运行。

我觉得几家头部公司的表现确实还是挺好的。

明白。还有什么最强烈的感受吗？我看到灵巧手和触觉这一块有很多新公司出来。比如章鱼动力，我印象比较深，它也是一家今年刚成立的公司，在 C 馆拿到了一个比较好的展位，面积挺大，展示也很有意思。

它的灵巧手其实是把手和小臂部分一起做了，不是一个单独的灵巧手。我去体验了一下，它整个手的设计非常仿生，也非常像人。

它还有肌电信号。肌电信号其实也是今年的一个趋势，各家做手、做假肢，或者做医疗假肢的，都会把肌电信号加上。

这意味着什么？

肌电信号对应的是一个肌电手环，戴在你的腕部。再加上一个传感手套，相当于有两重数据来验证整个手部的姿态。

肌电信号也可以反过来验证整个动作是不是采集正确，感知你的肌肉放电情况。

你觉得今年的大会是比你想象当中热烈，还是冷静？

热。人比去年多，还要多，现场都走不动路了，已经赶上 WAIC 了，路上已经走不动了。

还有一个信号，就是真正动起来的机器变多了。进展少一点的产品，今年就没有办法拿出来亮相了，也不好意思拿出来展示，可能很多进展中的东西就没人会过来看。

我们先盘点一下今年 WRC 最经典的名场面。你现在立刻能够想起来哪几个？

我印象最深刻的是星尘智能的超市拣选。它把东西拣选到一个袋子里面，就是超市里那种购物袋。袋子有一根绳子抽出来，还要用一个机器把它扣住；把袋子抽紧之后，再用封口机把它封上。

这个过程其实要求的精度比较高，而且不一定一下子就能抽到袋子的绳子，它会尝试很多次。我在那边看，它有时候可能失败了好多次，但最终还是成功了。整个任务也非常长，这是我看下来整个场馆里难度最大的、技术含量最高的一个展示。

然后是自变量的物流分拣。它之前可能也在视频号直播过，但现场看一眼确实很不错，节拍比较快，非常快。

大家做得比较多的还有泛化抓取：你可以随便给它一个东西，它都可以抓。这个 demo 其实已经有很多家做出来了，可以展示整个 VLA 的推理过程，成功率也非常高，在很多场景里已经有一定的可用性。

你讲的都是行家看技术的角度。现在热议度最高的就是机器人跑步、冲刺，还有天工机器人运动会。

对，那个挺有意思，可能是跑得太快，冒火花了。

这次人形馆的双足人形机器人，我确实没有太关注，只是路过看了一下。像众擎、逐际动力这几家，可能主要都是做双足人形的。我看到的主要是两个点。

第一，做双足的公司都在展示拳击和运控。第二，就是很多机器人一起跳舞之类的。包括加速进化，可能展示的是踢球场景，互动性还不错，可以让观众上去当守门员。我也体验过，你不好守，根本守不住，它踢过来的力还很大。

还有一个特别大的热点，就是黄仁勋的女儿也来 WRC 了。我不知道你有没有看到。

没有，太忙了。

这算是今年一个比较大的 C 端热点吧。

但总体看下来，大家对大脑的展示确实比去年丰富得多。另外一点是，大家都在证明一个焦点：机器人现在能在真实场景下干活了。

没错。

不管干得好不好，成功率和效率可能还有进步空间，但大家肯定都在往这个方向做。

我还想到一点，打乒乓球的机器人我也看到好几家。这在一定程度上主要展示的是小脑运动控制的能力。把打乒乓球这一套做下来，难度还是非常大的。

2. 展台鉴别自主系统

你之前在小红书上发过一条内容，说“我们来了，不寒暄，就问一些关键问题”，非常有意思，也很有挑战性。你来跟我们讲讲吧。

我去看展的时候，每个展位我都会仔细观察机器人的一些细微动作，判断现场到底是在遥操作，还是一个真正自主的系统，并观察遥操作台藏在哪里。仔细看，还是能看出一些蛛丝马迹的。

怎么看出来？

比如有人遥操作的时候，很多时候没法做得很连续。机器人通常是双臂的，但人其实没有办法同时独立控制两只手去做不同的事情，往往是一只手动完，另一只手再动，这种很有可能是有人在遥操作。

但如果左手和右手同时动，而且做的是不同的轨迹，这就很有可能是它在自主规划。

另外，失败之后它自己能恢复吗，还是要人工重启？现场可以看到很多失败，包括我们自己肯定也会有一些失败。但失败之后，是不是要人工干预、从头开始，还是人把出错的东西排除掉之后，它就可以继续运行？

因为难免会遇到错误，关键是怎么让它快速恢复、继续运行。这其实一个是看模型能力，第二个是看整个长序列 attention 的处理能力。

这也是一个可以仔细观察的点。

还包括第 7 个问题：换个光线、换个物体，它还认得出来吗？

比如我去跟它互动的时候，会放一些比较难处理的东西，比如纯白色、跟桌面颜色很接近的东西。然后我会拿手机打开闪光灯，照着它，用不同的光线看它的反应。

这个很专业了。

因为我们搭展的时候也很有意思。我推荐大家以后如果有机会，可以在展台搭建期间进去看，记者应该比较方便进去。

搭展的时候可以看一家公司布展时，是不是还要在现场补数据。现场把东西放进去之后，由于灯光和环境都在变化，成功率一开始可能会非常低，需要现场再采集一组数据，补充训练一下，然后再开始运行。

大部分厂家可能都会遇到这个问题。就我在大展期间看到的情况来说，很多公司旁边一直有人在录数据，连续两三天都在采集。

你刚才也说到了智元。

对，智元没有做这一步，因为它完全基于仿真。它可以仿真很多环境，走这条路线就相当于在仿真空间里穷尽了所有可能性，来提升成功率。

它在现场不需要实际采集数据，所以也不需要做这一步。我知道大部分公司来到现场，肯定或多或少都要补充数据。

还有一个问题：这个任务非得用人形吗？用机械臂，或者加个滑轨之类的，不行吗？

我发现了一个跟以前不太一样的点。去年看到的更多是一个人形机器人站在那里，但它的底盘或者下半身是不动的。今年感觉大家好像不这么做了。如果下半身不需要动，很多公司就直接在桌面上放两个双臂，用来展示这些 demo。

那其实更务实了一点。

对。我们当然也可以让一个人形机器人站在那里做咖啡，但其实没有必要。

你第 11 条说“剪了几条、加速几倍，网络断了还能动吗”，是什么意思？

因为我们网上看到很多 demo 视频，那些视频肯定是拍了很多遍才做出来的，然后还要适当地做一些加速。

第 16 个问题是：“你们的成功率是挑了多少次场景算出来的？”这其实是一个数据口径披露的问题，关键是怎么去挑分母。

在行业热度高、竞争激烈的情况下，大家对于数据口径会有一些选择性的披露，这也可以理解，非常正常。

3. 采购日逼近真实落地

明白。我们来聊一下这次大会的主题——“人机共生，产学共荣”。我觉得后半段是今年 WRC 和以往任何一届最大的区别。

不知道你有没有留意到，这次大会其实设置了一个采购日。很多央企或者大型企业直接带着采购项目过来，很多所谓具身行业的客户也在现场。这是今年一个跟以往不同的地方。

我们遇到的客户诉求也挺多的。我们展了一个仙工的配送机器人场景：基于原来的配送机器人，在上面加了一条机械臂。

现场展示的是，我可以用机械臂把地上的外卖拿到机器人身上，然后通过机械臂按电梯，最后再把机器人身上的外卖放到地上。这里面展示的是酒店送外卖机器人的场景。

原来这种配送机器人可能需要外卖员或者酒店前台把外卖放进去，然后机器人对接梯控、乘坐电梯，到房门口之后可能给房间打电话，还需要住客自己开门取外卖。

我们看到这个场景之后，就想用具身的方式去解决它。说得直白一点，现在所谓加上具身方式，就是加一条机械臂，再用一些模型，去解决原来机器人解决不了的需求，而且这些确实是真实存在的痛点。

这个场景非常有意思。上一代产品，比如云迹科技的机器人，在酒店里已经用得很成熟了。

有一天我进电梯之后开玩笑说：“不让这个机器人进来。”然后我就要关门，结果发现根本关不上，因为它还没有进来。

对，电梯是它控制的。它本身已经可以控制电梯了，那为什么非要用手去按电梯？

这两套方案到底哪一套是甲方更需要的？

甲方最终还是看成本投入。首先，改造电梯需要付出额外成本。国内可能相对比较好改造一些，但在海外，这条路基本走不通。

我觉得可能是因为安全法规等因素，而且改造成本在海外也可能是国内的好几倍。我们去国外看，国外酒店基本没有这样的机器人。

对，这条路在国外跑不通。国外不会让你去改造电梯。你要用的话，就完全不做任何改造，人怎么用，你就让机器人怎么用，所以在海外，这种方案的吸引力会比较大。

国内则可以降低整个实施、交付和落地的周期。电梯是特种设备，需要报备，还要施工，里面会有周期和成本。如果不需要做这些事情，就会方便很多。

这里面最大的痛点，还是可以不用人把外卖放进去、拿出来。如果场景是在酒店式公寓或者小区，工作人员没有酒店那么多，而机器人又能自己乘坐电梯，整体接受度会更高一些。

4. 出货神话撞上真实需求

从这个角度来讲，我认为人形机器人一定是机器智能终局的一个里程碑。我们讲人形时，其实讲的是跟人的形态和行为比较接近的机器人，它可以使用为人类准备好的设施。它也不一定非得是两条手，有些情况下可以是一条手，这个定义肯定没有错。

我观察到，在 WRC 这个节点有一组数据：2026 年上半年，全球人形机器人的出货量大概突破了 2.2 万台，中国厂商占全球的 97%。

这里面有几家出货量比较靠前：智元 9,700 台，全球第一；宇树 7,000 多台；银河通用 1,100 台。前 5 家加起来，合计占全球的 86%。

我觉得这是一个比较夸张的数据。它意味着，先不说具身智能需求的真实性和含金量，单从出货量来看，中国具身智能在全球具身智能产业中已经不是 minor role，而是具有支配性的角色，我认为没有问题。

因为中国制造业的基础太强大了。国外想做机器人，很多时候也做不出来，肯定还是要依赖中国供应链。

国外可能模型能力很强，比如说派、journalist，然后 Diana，它们展现出来的模型能力确实非常领先。但是在本体硬件、人形机器人本身这件事情上，它们肯定完全没有办法跟中国竞争。

你们怎么看接下来的竞争？

还是那个问题：这些机器人到底在什么场景中使用，能不能在一个确实有价值的场景里使用。

大家抢这 2 万多台机器人的出货量里，有多少符合刚才所说的真实需求？我觉得占比非常低。

如果把跳舞、表演这些都排除掉呢？

我认为真实落地需求能有 10%，已经非常非常好了。

你去年应该就说过，大家公布的订单量要除以 10。

对，除以 10。

我们举个例子，比如太空舱这种零售店，算真实需求吗？

我认为这些不算。外面可以看到很多太空舱，机器人在里面帮你拿货品，通常是饮料、水之类的。

这种需求我认为不能算真实需求。首先 ROI 算不过来；第二，它干的事情没有太多泛化性。机器人在太空舱这种环境里，没有办法持续产生有价值的数据。

它看到的环境比较单一，干的活也比较固定，商品就那么几种，整个成本也不能摊薄。所以你铺再多这样的机器人，也不能提升机器人智能的泛化性。

能不能端到端地执行任务，本身是一个考量。除此之外，解决任务的速度也是一个考量。

刚才讲到物流分拣，包括超市封袋，虽然从你的专业角度来看，已经呈现出了很大的技术进步，但现在这个节奏跟人类还是没有办法比吧？

星尘智能的高继祥说，现在机器人的速度大概是人类的 70% 到 80%。你觉得是这么一个状态吗？

要看做什么。我觉得大部分还没到，可能物流分拣能接近，但其他很多操作都到不了。

其实达到人类 70% 到 80% 的速度，已经非常快了。到 70% 到 80%，ROI 就已经可以算过来了，因为机器可以一直工作，而人需要休息。其实达到 50% 都可以接受。

北京人形机器人创新中心的熊友军老师说，人形机器人的 ROI 现在确实比工业机器人有差距，但是这个差距在迅速缩小。你认同吗？

我其实没有看到有明显的缩小。

从展会上看，大部分单模态任务还是比较慢，整体动作也不那么利索。非专业观众会觉得，怎么动得这么慢？比如叠一件衣服要叠两分钟，但人叠一件衣服至少 10 秒钟就能完成，这个差距还在一个数量级上。

我理解你说的是现状，但我觉得熊老师更多强调的是未来：随着技术发展，两者的差距会快速缩小。

我认同。我今年逛了两个展会，从 WIC 到 WRC，感受是确实比去年有明显的技术进步，但整体还没有让我觉得整个行业有飞速的进步。

飞速的进步，你会觉得这个东西还是不能真的去接近人的效率。

5. 工业场景陷入同质化

我发现还有一个问题：去表演化做到了，但去差异化还没有做到。

我统计了一下，出现频率最高的几个演示任务，刚才提到的物流搬运、工业上下料、咖啡机、物品收纳，还有遥操作动作的复刻，以及泛化抓取。为什么会集中在这几个场景？

因为可能只有这些场景能做。再复杂的场景，技术还没有达到。

刚才你说的这些场景里，有一些是比较刚需的，尤其是物流搬运、上下料，确实非常刚需。

现在工厂的自动化发展到这个程度，大部分事情已经不需要人干了。人还需要干的，主要就是两种事：一个是搬东西，第二个是上下料。

我们做具身智能，尤其是面向工业去做具身智能，一定是从这两个方面开始。打螺丝其实已经不存在了，工厂里几乎很少还有工人在那里打螺丝，基本都已经用自动化方式完成了，比如用协作臂，或者专门的设备。

所以大家聚焦的也是 3 个赛道：工业制造、汽车和 3C 电子。因为这些本身就是数字化程度非常高的工厂，也最有动力拥抱具身智能。

没错，同时它们也有钱。

我们以前工业客户的方向也主要是物流、3C 电子、汽车和半导体。这些行业都非常大，也有足够的预算，而且数字化、自动化程度非常高。

所以这些场景很红海，对吗？

对，但这里面有将近百万级的规模，需求绝对没有问题。

国内有 300 多家公司在抢同样类似的 5 个方向的场景任务，你觉得正常吗？

挺正常的。人太多了，机会没有那么多，大家都在这个方向卷。

当年我们做移动机器人，或者做协作臂的时候，整个市场竞争也是类似的。可能几十家、上百家公司去卷、去抢同样的场景，最终活下来的可能就是头部几家，加上中央部委背景的几家，可能也就十几家。

6. 世界模型仍难以展示

你怎么看大脑今年的变化？在这次大会之前，资本市场整体的热度肯定是在世界模型上，但感觉真正展示世界模型的 demo 也不是很多。

确实不是很多，因为这个东西不太好展示。

世界模型其实有几个方向。李飞飞说的世界模型有 3 个方向：第一个是生成，第二个是仿真评测，第三个是规划。

前两种是生成式的世界模型。它们展示的可能不是一个具体的机器人 demo，而是通过自然语言描述一个场景，然后把这个场景生成出来。这个场景是可交互的，也符合物理规律，机器人可以在这个场景中做仿真，或者进行一些操作训练。

第三种是规划型世界模型，可能是隐空间的世界模型，不是一个可视化的显空间，而是预测未来一段时间里，物体或者整个环境在潜空间中会怎样变化，然后帮助机器人做下一步规划。

这种其实不太好展示。你如果要展示，就需要把潜空间重新扩散成可视化的空间。现在大家可能也都是这么展示的，给你看一段视频，但给人的感觉是，这个机器人的 demo 和 VLA 的 demo 可能不会有太大差别。

现在大家都在说，自己是“VLA 加世界模型加全栈自研”。

科技公司都会这么讲，都会讲自己全栈自研，这很正常，因为现在大家其实都还处在探索阶段。

如果某些东西做着做着发现是自己的卡点，又找不到别人在做，那肯定会想自己做。我们的判断是，关键模组里嵌入式的软件、驱动部分，大家都会自研。

因为你想把整个机器人控制好，或者让它跟小脑运控有很好的结合和效果，自研是必然的。这是一个趋势。

所以你觉得“VLA 加世界模型加全栈自研”，这是头部公司应该做的？

对，包括 VLA 的预训练、世界模型的预训练，肯定也都可以自己做。

7. 预训练投入仍然谨慎

但这里我有一个疑问。包括王兴兴在内的很多创始人都会承认，训练多模态模型，包括世界模型，需要的算力非常惊人，纯机器人公司根本训不动，这是一个前提。

但市场上每一家都在说自己是“VLA 加世界模型加全栈自研”，这里面有没有水分？

水分非常大。我可以透露一些行业内幕：目前真正做预训练的公司可能只有一到两家。

大家可能账上有几十亿，但都没有花出去。

你怎么定义所谓真正做预训练？

就是买了 1,000 张卡以上，疯狂买数据，然后真正去做预训练，实实在在砸钱做这件事。

不会只有两家吧？

这里可以排除大厂。字节、蚂蚁、宁德时代这种不算。

创业公司呢？

创业公司可能就只有一到两家。

谁啊？你怎么判断只有一两家？

我也是从很多投资人那里打听过来的。很多公司号称有千卡，实际上并没有。

千卡的投入是可以计算出来的。如果真的把千卡集群搭起来，再配合存储等基础设施，每年的投入其实是算得出来的。

但实际上从账上没有体现。很多公司已经交表了，从一些渠道也能拿到它们的财务资料。现在至少有 20 多家公司在排队上市，所以必须交表，很多路演材料或多或少也能拿到。从这些材料来看，实际上没有那么多公司在做。

而且国内没有那么多卡可以分给这么多公司，国内没有这么多卡。

为什么不做？是不愿意现在就投入这么多钱吗？

我觉得也能理解，因为整个范式还没有被摸清。它可能有自己的判断和时机，觉得要等国外把这条路趟出来之后，国内再去砸钱。

因为现在砸钱，有可能是在给别人做嫁衣。你砸了很多钱，最终探索出一条路，但人才一流动，别人马上就知道该怎么做了。

就跟智驾一样，现在从技术路线上来说，各家其实已经趋向于一致。最终可能拼的是，你有没有更多的数据回流，以及整个工程能力怎么样。

那你怎么看这个时机问题？现在做，可能是为别人做嫁衣。

所以现在也可以看到很多小红书上的帖子，说有一个“永续公司”的说法：大家融了几十个亿放在账上，不动。每年的利息可能有几个亿，几个亿就可以 cover 几百个研发人员的工资，公司永远死不掉。

融了几十个亿的头部企业，可能目前都是这样的心态。

这可能走的是螳螂捕蝉、黄雀在后，等行业出现拐点的时候再出手。

从务实的角度看，你觉得这没有错？

对，没有错。

但对一些有信仰、追求技术突破的公司来说，可能就不一样了。

纯创业公司，不背靠任何大厂，真正有千卡投入的可能就两三家。

对。不过这只是一个不完全统计，需要免责。总之，数量比我们想象中少很多，也比大家在 PR 口径里宣传的少很多。

我们之前内部也算过一笔账。按等效 H100 显卡来算，一年投入得几个亿吧？

几个亿。我跟王兴兴算过这笔账。

现在大家看起来都非常夸张，账上融了 10 个亿，但其实根本没有花出去。

首先，能把千卡真正用起来的人或者公司也不多。你可能得是从头部厂商出来的，才有把千卡用起来的能力。否则直接去买千卡，买回来也可能只是放在那里，真正用起来还需要一段时间。

大家在大脑能力上有同质化吗？

我觉得非常同质化，基本上都是 follow 国外最前沿的东西。

大家公认现在 π0 的效果最好，很多公司也就是基于 π0 的一些成果，再做自己的改进。实际上行业现状就是这样。

Google 最近也发布了一个模型，名字我想不起来了。它的整个架构是基于 Agent System 的，有很多专家模型，再通过一个 engine 去调度各种模型。

这也是一个比较新的方向。你会发现，做一个非常大的模型，现在大家都遇到了一些瓶颈。你可以做很多小模型，再通过 Agent 去调度这些模型，完成一个非常长程的任务，做一些鲁棒性比较强的事情。

我们现在也在做这方面的研究。你还是需要有一个比较好的 Agent OS，集成到大脑里面。很多事情不一定要用一个模型完成，机器人发展过程中有很多经典的控制算法，做很多事情反而会更稳定、更高效。

你可以把这些能力原子化：有些能力用经典算法实现，有些能力用某一个模型实现。然后需要有一个 Agent 清楚知道有哪些能力，再去调度这些原子化的能力，完成最终长程、复杂的任务。

这个 Agent 可以知道出错之后怎么恢复，怎么抗干扰，整个过程都通过 Agent 去调度。我觉得这是目前来看比较务实的一种方式。

我之前采访王兴兴的时候，他讲过一句话：如果前期始终没有训练创新能力，没有训练自己对各种数据、架构和模型算法的感觉，只想着等那一天到来之后去抄，他觉得这件事没有那么 work。

我觉得好像也有一定道理。

我觉得他说得有一定道理。但是，大模型和机器人还是有一定区别的。

机器人是物理世界的载体。对大模型来说，数据相对比较容易获得，但对机器人来说，真机数据以及对场景的各种理解也非常重要。

从机器人本体出发，去做更多场景、做更多落地，本身也是非常重要的事情。

但这里可能有一个问题：如果不做很多预训练，你可能不知道什么是真正好的数据，也不知道现在采的数据对于未来范式突破时到底有没有用。

这确实是一个问题。但另一个问题是，当那个点来临的时候，你有没有足够多的机器在外面，也是一个问题。

这确实是一个非常矛盾的点。

不同公司在这方面会有不同考虑，所以大家其实都在抢着布场景。

因为很多场景是有限的，客户也是有限的。当你抢先进入之后，别人可能就进不来了。

刚才你说真实需求大概占全行业出货量的 10%，那剩下的 90% 是放在工厂里吃灰吗？

还有一些是数据工厂，还有一些可能是科研教育，用来做研发测试之类的。

很多可能确实是在工厂里吃灰。

另外，出货量其实也是一个财务概念：到底是出货就算确认收入，还是客户签了验收单之后才算确认收入？这是一个口径问题。

这些公司大多不是上市公司，也不披露财报，所以这个东西我们并不知道。

我们已经有足够多的工厂客户和场景，但也没有在他们那里看到人形机器人的落地。

这一届 WRC 的场外热点还有宇树上市。你们怎么看宇树上市给整个行业带来的影响？

对于机器人和机器人行业来说，肯定是好事。尤其是它的市值越高，对大家越好。

因为它把标杆立在了一个比较高的位置，也可以给大家信心：这些公司是可以上市的。

你感觉那 20 多家排队等着上市的公司当中，会不会有财务方面存在问题的？

上市过程中的审计其实还是比较严格的，尤其是想上 A 股的话，必须说明这台机器确实可以确认收入。

比如把机器人放到工厂，但它没有使用，其实是不可以确认收入的。我们经历过这种审计，审计会问这台机器人去了哪里。如果说去了某个工厂，他们会到工厂实地查看机器人有没有在使用。如果只是放在那里，这笔收入不能被确认。

假设签了验收单，但实际上没有使用，也是不可以的。少量可能还可以，如果大面积都是这样，那这些收入就不能计算进去。

还有一种情况是，把机器人卖给代理商，但代理商没有再卖给终端客户，这些机器人也不可以被计算为收入。

比如去做数据厂，把机器人卖到数据厂，然后再把数据厂产生的数据买回来，这相当于体内循环。从严格意义上来说，也存在问题。

你觉得现在技术趋势比较趋同吗？

也有很多种路线。比如本体有很多路线，灵巧手也有很多路线，比如绳驱、全直驱、混合等。

绳驱就是用绳子，像人一样，通过一根“筋”把力量传下来。直驱则是在每个关节处放一个电机。

8. 神经系统连接机器人

我们最开始讲的是大脑、小脑和神经这 3 个层面。大脑刚才已经讲过了，真正训练大脑的公司很少，也不一定能够训得出来。小脑方面，大家的运控现在都做得还不错。

那神经这一块，是不是反而是今年的一个增量和亮点？

神经更多是用来连接传感器信号和执行器信号的。我们讲的神经，可能更多的是一个协议栈或者总线。

当机器人身上有非常多传感器和执行器之后，需要一个高速、稳定的总线协议栈，去驱动所有这些东西。这部分更多涉及芯片厂商的工作。

还是可以拿智驾来类比。现在激光雷达、摄像头越来越多，各个域控之间需要一条高速总线。汽车原来使用的 CAN 总线，或者 EtherCAT，整体性能和带宽都不足以支撑这么大的数据量和这么高的速度。

现在可能会使用以太网之类的方案。对机器人来说，也还没有一套比较标准的机器人总线或协议定义，能够方便大家把这些传感器接入小脑或者大脑。

这涉及芯片层和协议软件层。我们要能够接收到这么多复杂信号，同时处理这些信号，再交给大脑，而且还要抗干扰、足够稳定。

明白。你有没有觉得，今年很多配件也开始登上舞台中心？以前灵巧手、触觉设备，包括数据，都是作为具身智能的配件存在。但现在它们已经变成了这个赛道的核心部分。

这可能是一步一步的发展趋势。一开始大家先投本体，投完本体投大脑，投完大脑投数据和部件。部件早期其实也投过，现在可能又回到了部件。

到现在，大家的出货量上来了，也已经产生了一定规模的收入，所以会再加注一波。

我觉得做配件，至少在目前阶段，还是一个很好的生意。本体公司要买，模型公司也要买，基本都是供不应求，价格也比较高。

关键是，这类公司可以做到将近几十万的出货量。做一双手，甚至只做一只手，也可以卖得很贵。

今年还有一个比较有趣的概念，就是大家开始讲机器人的触觉。

我之前和智源研究院的杨宝清院长聊过，他说现在行业里机器人能够做的所有事情，本质上都是从视觉到动作的肌肉映射，但这不是真正的智能。

比如我逛展时发现，如果给机器人一张纸，它是拿不起来的。很薄的东西，它没有办法控制好。

增强触觉、力控，会不会大幅提升它的操作精度？

我觉得会。相当于多了一个模态，模型可以自然而然地完成这样的操作。

今年我看到了电子皮肤，让机器人拥有类似人类的触觉。比如对于摩擦系数、物理材质，它有机会对现实世界进行定义和训练。

这可能会是一个增量。

这个增量现在还处在刚开始的阶段。

对。带触觉的 VLA，或者带肌电信号的 VLA，最近一段时间发表的论文也比较多。

但从落地来看，我暂时还没有看到真正用起来的案例，应该很快就能看到，但目前确实比较难用于场景，因为还是比较贵。

采集这种模态所需要的采集手套和设备也比较贵。

9. 数据标准决定训练质量

我了解到，现在行业在数据方面有一些真实痛点，主要还是标准不统一。但把这个标准拆解开，又包括采集口径、标注规范、数据格式、时序组织等维度。

能不能帮我们理解一下，这几个维度分别代表什么？

数据格式就是数据结构。每家公司采集的数据，都会自己定义一套格式，目前没有行业规范。这就导致各家的数据格式都不一样。

比如我的数据直接给你用，至少你的模型可能吞不下去，需要先做数据格式转换。这其实是一个非常脏的活，数据量很大的时候，光做数据转换，成本也不小。

还有一个叫时序，对吧？

时序就是时间同步问题。机器人上有很多传感器和执行器，把这些数据采下来之后，每一条数据都要打上时间戳。这个时间戳基本要达到几十纳秒级，才能保证最终训练出来的模型可以使用。

如果两个摄像头的数据看起来是同时存下来的，但持续时间差了一点，最终训练出来的模型就会有问题。

这里面涉及很多细节，包括神经系统的高速总线能不能支持几十纳秒甚至几纳秒级的同步。传感器还要支持硬件对时，如果只是软件对时，精度是不够的。

硬件对时就要求传感器本身支持这一套协议。所谓对时，就是对准时间。

机器人用到的传感器和执行器非常多，相机可能由一家厂商供应，激光雷达由另一家厂商供应。大家的对时协议不一样，有些不支持硬件对时，有些只支持软件对时，最终采集的数据就会存在时序错误或误差，喂给模型之后，会影响模型效果。

那标注规范呢？

标注规范跟数据格式也有点类似。因为标注最终也是以数据格式存在的。

不同公司做标注时，会面临哪些内容需要标注的问题。比如这是一个杯子，我给它做语义化标注，除了标注它是杯子，是不是还要标注它是透明的、物理状态是什么？有些还会标注速度。

大家都还在探索，也不知道模型需要吃什么样的数据，所以对需要标注什么东西的定义都不一样。最终标注出来的数据结构也不一样，别人要使用我标注过的数据，可能又要转化一遍，这里面有很多成本。

那采集口径指的是什么？

总体来说，就是大脑怎么训练，现在还没有共识。大脑到底需要什么样的数据，还要继续试，大家都在用各自的方式探索和定义。

因为大家的本体都不一样，一开始不会考虑得那么全面，只会根据自己的本体去做很多定义。这就导致各家的数据从格式、标注规范到时序，都不太一样，没有办法归一化到一个体系里。

所以你们成立一家自己的数据子公司，是希望推动数据归一化吗？

我们是把当年做控制器做到全球第一的那套底层能力再做一遍，尽可能适配更多机器人。通过给大家提供价值的方式，让行业逐渐形成一种事实标准。

我不知道你有没有留意这次 WRC 的开幕式。王兴兴有一个开幕演讲，我觉得其中有一段讲得很好。

他说，目前具身模型没有办法取得突破，最根本的原因是，语言模型的输入输出是纯数字编码，严格限制在固定的向量空间里，基本没有损耗。但机器人每一次输入输出都会引入偏差和损耗，触觉层面的细微误差甚至无法修正，所以成功率会随之暴跌。

他说得非常对，也非常精准。

本质上，你的输入输出就是数据，而数据是不完备的，非常不完备。甚至人到底靠什么把一件事做好、需要多少种模态输入，都很难搞明白。

现在我们采集的模态实在太少了，可能就是图像、视觉，最近再加上一些触觉或者力的信息，这确实是一个非常大的问题。

但如果机器可以自学习，AI 可以自进化，这个提升也有可能很快。我个人是这么看的。

AI 自进化肯定是现在大家比较共识的一个方向。包括强化学习的整个过程，或者训练过程，都是让 AI 自己去做，从数据管线、模型训练到评测，都可以让 AI 不断尝试。

它可以尝试各种各样的数据，甚至尝试不同的模型架构，最终整个过程都会 AI 化。

所以我看到今年 WRC 里，开放数据集和统一数据管线这两件事情也被高频提及。

这两件事情其实都是数据公司该做的。我们后面也会做，提供一套统一、相对开放的数据管线，也会做一些开放数据集。

我们对于数据集本身也有自己的想法，希望定义一套比较完备的数据集。

比如我们可能会采集环境场景信息，做 3D 或 4D 的高斯重建，把三维世界非常逼真地还原出来。但这个三维世界里有背景和前景，前景就是机器人或人类会交互的物体，比如杯子、柜子。

这些前景要做资产化。资产化的意思是，它们可以被交互。如果只是单纯重建，它只是像素上的东西，是抓不住的。要把它变成可交互、物理化的资产，它才能被抓起来。

像门、抽屉，也要能够被打开或拉出来。门有一个铰链，可以围绕一根轴转动，所以这些东西都要资产化。

第二，需要在这个场景中有人类示范数据。可能需要异构的采集设备，或者专业的采集设备来采集。它的视角也可能比较广，不是单纯看着桌面做操作，而是要看周围环境。

在整个过程中，还要有语义化标注。它可能是一个长程任务，里面有很多语义化信息，告诉模型这个任务是什么，以及为什么要做这件事。

第三是真机本身的运行轨迹数据。它可能通过遥操作获得，也可能通过已有模型、经典方法或规划控制生成真机轨迹。

第四是人类接管数据，这可能是质量最高的。比如机器人出错时，人类去干预、示教或遥操作，告诉它正确的动作应该是什么。

把这些东西全部打包在一起，我认为是一个非常完整的数据集。这些数据既可以用来训练 VLA，也可以用来训练世界模型。

基于这些数据集，我们可能会推出一套 benchmark，建立一套评测标准。我们可以定义不同的场景和任务，明确任务的成功率，以及成功状态的评价标准。有了这样的 benchmark，就可以让大家打榜。

很多数据公司都会推出自己的一套 benchmark，让大家基于开源数据去打榜。我们也可以把一套非常完整的数据集开源出来，看大家使用数据和训练模型的能力。

这有点像生态的方式，可以把整个数据生态做得更好，让大家共享数据，为了更好的 benchmark 去努力。

那你们跟其他数据公司做的本质区别是什么？

本质区别是，我们可能会把前后两端都做得更长。

往前，我们会做一个整体平台，把真机都接入进来。所有使用我们大脑的真机都可以实时在线、实时回流数据，新的部署机器也可以接入云端，不断回流数据。

往后，我们可能会自己在平台上做模型训练、仿真和评测，最终再让产生的模型回到机器人的大脑里。

10. 后训练推动行业进步

你觉得今年对比去年，整个行业技术进展的结果，是由 RL，也就是强化学习带来的吗？还是由世界模型带来的？

不是世界模型，是后训练带来的。

后训练带来的。强化学习也是后训练的一种，对吗？除了强化学习，后训练还包括哪些？

还包括数据质量变高，工程能力逐步变强。

但工程能力变强，也是 AI 的结果吧？AI Coding 的结果？

对，AI Coding 肯定也会加速这一块。

回到我最初的判断：不可否认，行业有进步，但是这个进步好像还没有达到令我兴奋的状态。你也同意，为什么？

因为还没有看到真正能在场景中落地，我觉得整个行业都挺焦虑的。

今年有两点让我印象深刻。一个是世界模型，另一个是数据。数据管线，以及无本体数据，都是从去年年底到今年开始变得热门的。

这其实都还在探索，大家也在努力寻找更好的数据采集范式。世界模型未来一定会有更好的表现，但目前看起来还没有特别大的成果展现出来。

我觉得明年不管是在数据还是 VLA 上，应该都会有很多比较惊喜的结果出来。

为什么？因为你相信明年 scaling 会有初步显现？

对。大家今年在数据上投入了很多，也想了很多方法去获得高质量、低成本的数据。今年大家疯狂在卷数据，也在卷管线、卷整个基础设施。

我觉得明年会有一定的成果出来。

我还是想请教一下：在展会上看到那么多演示，怎么分辨它到底只用了 VLA，还是用了 VLA 加世界模型，或者用上了自家的预训练？

分辨不出来。

完全分辨不出来？

分辨不出来，只能听它讲。

因为在一个有限场景里，其实只通过 VLA 就可以做到，对吗？

对。大家定义的场景其实没有那么复杂，还是有限场景，而且很多能看到的场景移动范围都比较小，所以 VLA 完全够用。

如果明年我们再观察 WRC，你会提出哪些指标来衡量行业进步？

我最关心的是速度问题，动得快不快。

第二，就是刚才讲的空间移动能力：在整个空间里的不同位置做不同的事，从开始到结束都要一直运行，而不能定时演示。只有这样，才能更接近真正落地。

11. 机器人老兵谈融资周期

刚刚聊了很多行业问题。最后想问问，你个人来参展这几天最大的感受是什么？

感性上，你可以先给大家介绍一下，你玩机器人已经多少年了，因为你的账号叫“叶老师玩机器人”。

那得从学校开始说起，大概从 2013 年开始，到现在应该有 13 年、14 年了。反正从本科开始，就一直在机器人行业。

最开始做的是 RoboCup 足球机器人，后来创业，开始做移动机器人、控制器，再到现在做具身智能相关的事情。

从 10 多年的跨度来看，整个机器人行业还是发生了翻天覆地的变化。不管是机器人能做的事情和能力，还是机器人的性能，以及机器人的成本，都发生了非常大的变化。

以前做一个机器人，可能一个很小的电机就要 1 万块钱。现在做一个人形机器人，成本可能已经只要 10 万元左右，甚至不到 10 万元。

成本大幅下降，性能大幅提升，智能性也大幅提升。

我逛展下来觉得，大家的差距没有那么大，最大的差距可能也在半年以内。大家的起点都还非常低，都还有很大的提升空间。

这一届有没有什么画面让你印象最深刻？

仙工摇签。现场人非常多，全都挤在那里。

我们想拉一个围栏，结果围栏一拉，人更多了，大家开始沿着围栏排队。后来我觉得这个事情还蛮有意思。

这个细节很有意味，也让我想到最近《晚点》一篇写仙工的报道。里面有个细节是，几家公司的高管坐在一起交流怎么融资，其中一个人说：“投资人来加你，你先晾他几天。”

制造一些饥饿效应。

现在大家融资都是这样，融得很快，一个月一轮，对吧？先按 3 个月报 3 轮，谁动作快，谁就赶在前面一轮。大家抢着往前面的人那里挤，又营造出一种稀缺性。你怎么看？

我觉得没什么问题，赶紧多融点钱。

机器人、具身智能还是一个非常长的赛道，可以做很久很久，还是要有足够的钱。因为资本市场肯定是有周期的，可能过一段时间之后，钱不会那么好融，可能要熬过那一段时间，才会迎来一个更好的时代。