henry 發(fā)自 IROS
量子位 | 公眾號 QbitAI

要說IROS Day 1誰最炸——美團當(dāng)仁不讓。

一手2025美團機器人研究院學(xué)術(shù)年會，展廳直接被圍到到水泄不通。

畢竟，一整個機器人圈的技術(shù)天團都來了：

美團副總裁毛一年、港大席寧教授、禾賽創(chuàng)始人李一帆、自變量機器人CEO王潛、宇樹創(chuàng)始人、CEO王興興、星海圖聯(lián)創(chuàng)許華哲、清華丁文伯教授、浙大許超教授、清華趙明國教授……

這些大咖不光人到了，主題演講也是亮點連連、金句頻出：

• 毛一年展示了美團無人機高空送漢堡、機場閃送“小黃蜂”等最新進展。
• 李一帆重磅發(fā)聲：機器人是中國近20年最好的機會！
• 王潛則直接拋出：具身智能不是把DeepSeek塞進宇樹機器人里——具身智能不是 AI 應(yīng)用，而是基礎(chǔ)模型。

圓桌環(huán)節(jié)同樣火花四射：圍繞機器人的第一性原理，王興興與許華哲現(xiàn)場過招，當(dāng)前的機器人軟硬件到底誰在拖后腿？

接下來，讓我們一起深入看看本次年會的更多精彩內(nèi)容。

機致生活-Robotics for Better Life

幾乎所有在做具身智能的團隊，如今都在強調(diào)一個共識：不要拿著錘子找釘子。

技術(shù)不是目的，而是工具。要回到場景，解決實際問題，讓技術(shù)真正成為生產(chǎn)力。

而談到“場景”，放眼整個行業(yè)，大概沒有誰比美團更懂。

更重要的是，在美團的戰(zhàn)略體系中，“場景”與“科技”的關(guān)系早就被想得非常透。

美團副總裁、機器人研究院理事長毛一年在年會上表示：過去幾年，美團的戰(zhàn)略已從“零售”升級為“零售 + 科技”。

兩者的關(guān)系很清晰——零售是場景，科技是賦能。

科技的作用，是讓我們的場景變得更大、更好，讓服務(wù)更高效、更優(yōu)質(zhì)。

不同領(lǐng)域做機器人，本質(zhì)上都是為了服務(wù)人類、服務(wù)更好的生活。

而在未來5到10年，具身智能正是這一切的核心技術(shù)范式。

美團的關(guān)鍵詞是autonomy（無人化）——讓技術(shù)驅(qū)動零售行業(yè)變革。

無人機能送漢堡、披薩，無人配送車能從北京跑到深圳，風(fēng)雨無阻，而機場、酒店、園區(qū)場景中，小黃蜂也在承擔(dān)閃購配送任務(wù)。

值得一提的是，美團還是全國唯一獲得民航局許可在全國所有城市合法飛行的無人機，而且在晚上也能飛。

從低空到地面，從城市到社區(qū)，美團正在構(gòu)建一個真正的“具身智能網(wǎng)絡(luò)”。

這也是今年年會主題——“機致生活 Robotics for Better Life” 的最好注腳。

可以說，只有當(dāng)低空經(jīng)濟基礎(chǔ)設(shè)施建設(shè)與真實零售場景深度結(jié)合，具身智能才能發(fā)揮出它的全部潛能。

最后，美團也不忘“秀肌肉”——

在具身智能投資與產(chǎn)業(yè)化落地的賽道上，美團依然穩(wěn)坐第一梯隊。

Model-base和learning-base的對抗生成

港大席寧教授的分享則直接從軟應(yīng)用帶向了硬科技，他的題目是《人工智能時代的機器人感知、規(guī)劃與控制》。

其中，頗具啟發(fā)性的是GAT 模型（Generative Adversarial Transduction）

簡單來說，就是讓機器學(xué)習(xí)模型和解析模型彼此糾錯、循環(huán)迭代：

機器學(xué)習(xí)負(fù)責(zé)處理復(fù)雜的感知數(shù)據(jù)，解析模型則基于物理規(guī)律來“守門”，保證穩(wěn)定與可解釋性。

兩者相互轉(zhuǎn)導(dǎo)，讓機器人既能“學(xué)得深”，又不會“飄太遠(yuǎn)”。

這也是他口中具身智能應(yīng)有的形態(tài)——既非純數(shù)據(jù)驅(qū)動，也非傳統(tǒng)模型驅(qū)動，而是二者的生成性博弈。

更具前瞻性的是他的非向量空間控制（Non-vector Space Control）理論。

在傳統(tǒng)控制中，我們處理的是位置、速度這樣的“向量”變量。

而在AI時代，感知空間早已不止向量——圖像、點云、觸覺，這些都構(gòu)成機器的“感知維度”。

席寧提出要在感知空間中直接控制，這意味著機器人未來的行動不再依賴精確的軌跡規(guī)劃，而是從視覺、聽覺中直接“感”出下一步。

此外，他還提出了感知控制（Perceptive Control）的理論框架——

不同于傳統(tǒng)的“規(guī)劃-控制”串行鏈路，感知信息可以實時介入控制指令，讓機器人在復(fù)雜環(huán)境中實現(xiàn)真正的“Planning and control in perceptive frame”。

也就是說：機器人不只是看清世界，而是從看中學(xué)會行動。

在底層理論部分，席寧教授還用香農(nóng)采樣定理拋出了一個極具挑戰(zhàn)的問題：

• “我們能否在采樣不足時仍然有效控制？”他以壓縮感知為例，討論如何在低采樣率下重構(gòu)信息，為機器人在算力受限、數(shù)據(jù)不完備的場景中仍保持穩(wěn)定控制提供了思路。

最后，他展示了人形機器人控制的最新嘗試：

當(dāng)機器人失衡或遇到突發(fā)狀況時，它不再死守原計劃，而是學(xué)會“執(zhí)行Plan B”，像人類一樣快速重置策略、重新站穩(wěn)——

這正是“具身智能”真正落地的樣子：機器學(xué)會感知、決策、再行動。

汽車到機器人的變與不變

與美團強調(diào)場景落地不同，李一帆提出了禾賽的路線：專注基礎(chǔ)設(shè)施，撐起整個行業(yè)。

他說，真正能支撐行業(yè)發(fā)展的，不是追著“金子”跑的人，而是那些在挖“礦”的——基礎(chǔ)設(shè)施建設(shè)者。

基礎(chǔ)設(shè)施技術(shù)（Infra Tech）之所以關(guān)鍵，是因為它能解決創(chuàng)業(yè)和發(fā)展中的根本性風(fēng)險和不確定性：

• 許多人以為挖金子方向會變化，但如果開發(fā)的是基礎(chǔ)設(shè)施，就能保持穩(wěn)定和可控的組織目標(biāo)。
• 真正“挖金子”的團隊容易目標(biāo)頻繁變動，導(dǎo)致組織文化和執(zhí)行力受影響。
• 做基礎(chǔ)設(shè)施的人更容易形成有戰(zhàn)斗力的團隊，因為他們目標(biāo)明確、收入和規(guī)模清晰。

除了戰(zhàn)略思路，李一帆還分享了硬件開發(fā)的不可能三角：質(zhì)量、性能、成本。

• 質(zhì)量為先：先保證產(chǎn)品可靠，讓用戶放心使用
• 性能其次：在可靠的基礎(chǔ)上探索技術(shù)邊界，提升性能
• 成本最后：在前兩步完成后，實現(xiàn)規(guī)?；占?，控制成本

在具體的降本方面，他指出：硬件成本大部分來自電子料，關(guān)鍵不是壓榨供應(yīng)商，而是自己掌握關(guān)鍵部件并優(yōu)化設(shè)計。

以禾賽為例，自2017年起，他們逐年將核心技術(shù)自研化，每年投入數(shù)億元，確保產(chǎn)品性能與成本可控。

此外，他對汽車與機器人的對比，也揭示了未來的創(chuàng)業(yè)機會：

• 汽車：數(shù)據(jù)豐富、二維環(huán)境、硬件成熟，軟硬件可部分解耦
• 機器人：自主交互、三維環(huán)境、硬件不成熟，數(shù)據(jù)稀缺，軟硬件不可解耦

這意味著，創(chuàng)業(yè)者可以先把硬件打磨好，再以數(shù)據(jù)和AI為切入點，構(gòu)建行業(yè)基礎(chǔ)設(shè)施。

在軟硬不解耦的環(huán)境下，中國創(chuàng)業(yè)者憑借強大的供應(yīng)鏈和制造能力，有望快速搶占市場。

李一帆表示：這個有可能是未來20年我們看到的最好的機會。

自變量王潛：構(gòu)建物理世界的基礎(chǔ)模型

與前幾位分享者不同，王潛一上來就提出了幾個大家忽視的命題：具身智能是什么？

具身智能不是把deepseek塞到宇樹機器人里，而且具身智能也不是AI應(yīng)用，而是基礎(chǔ)模型。

這個基礎(chǔ)模型和大語言模型完全不一樣。

現(xiàn)有的語言模型、多模態(tài)模型固然強大，但它們都扎根于虛擬世界，對物理世界的理解與操作能力仍然非常有限。

他強調(diào)：“我們今天所做的，是一個平行于虛擬世界的物理世界基礎(chǔ)模型，它完全獨立于現(xiàn)有的語言和多模態(tài)模型?！?/p>

物理世界充滿隨機性和不可預(yù)測性：推動一個杯子，同樣的角度、力度，結(jié)果可能每次都不同；

抓取一個物體，看似簡單的抓握，實際上涉及摩擦、可變形物體和部分可觀測的復(fù)雜狀態(tài)。

傳統(tǒng)的語言模型和靜態(tài)數(shù)據(jù)集無法應(yīng)對這些挑戰(zhàn)。

他進一步強調(diào)，機器人需要主動感知、交互式操作等能力，這些在虛擬世界或傳統(tǒng)模型中根本無法實現(xiàn)。

因此，物理世界的基礎(chǔ)模型不僅需要端到端的訓(xùn)練方法，還需要統(tǒng)一模型來應(yīng)對多樣任務(wù)——從動作生成到視覺理解、語言交互再到三維環(huán)境重建。

在談到模型訓(xùn)練時，王潛提出了一個核心觀點：

• 數(shù)據(jù)為中心，而非單純增加數(shù)據(jù)量。他指出，現(xiàn)實世界數(shù)據(jù)的多樣性和高質(zhì)量，遠(yuǎn)比大量低質(zhì)量的模擬數(shù)據(jù)更能推動模型性能提升。

比如在機器人導(dǎo)航和動作操作中，高質(zhì)量的真實數(shù)據(jù)往往比仿真數(shù)據(jù)更高效、更經(jīng)濟。

他總結(jié)道：“單純增加數(shù)據(jù)量、建數(shù)據(jù)工廠，沒有太大意義。關(guān)鍵是提高數(shù)據(jù)的質(zhì)量和效率，這才是實現(xiàn)通用人工智能的核心。”

此外，相比大家偏愛的專才模型，王潛則對通才模型更情有獨鐘。

他認(rèn)為，通才模型是未來通用機器人的核心。

因為通才模型可以通過學(xué)習(xí)物理規(guī)律、物體屬性和交互模式，模型后續(xù)能夠以極少的數(shù)據(jù)實現(xiàn)新任務(wù)的快速適應(yīng)，這正是few-shot learning與in-context learning出現(xiàn)的基礎(chǔ)。

最后，他指出：真正的人工智能基點，不是單純的智能基點，而是物理基點——來源于物理世界的算力、能源和數(shù)據(jù)，才能推動通用人工智能甚至超級人工智能進入下一個時代。

具身智能落地：從第一性原理到理想形態(tài)

在圓桌環(huán)節(jié)，丁文伯、王興興、許超、許華哲和趙明國展開了一場跨越哲學(xué)、工程、科幻與未來想象的深度對談。

他們來自不同的領(lǐng)域——有的從算法出發(fā)，有的深耕硬件，有的關(guān)注智能系統(tǒng)的整體架構(gòu)，也有的直接以科幻的方式想象機器人的終極形態(tài)。

但他們共同的問題是：什么才是具身智能的第一性原理？軟硬件該如何共生？數(shù)據(jù)與模型誰是更真實的驅(qū)動力？而未來機器人的理想形態(tài)是什么樣的？

Q1：探索具身智能發(fā)展的“第一性原理”

在談到“具身智能的第一性原理”時，幾位嘉賓從不同角度進行了思考。

王興興表示：很多商品都可以按成本與重量來算，這是一個非常直觀的第一性原理。但目前就智能來說，關(guān)于第一性的認(rèn)知還沒有收斂。

比如數(shù)據(jù)壓縮是比較流行的認(rèn)識，但他認(rèn)為這并不是終極的構(gòu)想，目前還是缺乏像牛頓力學(xué)那樣的基本規(guī)律體系。未來可能需要在核心原理與工程實踐之間，找到新的平衡與連接方式。

許超則從控制論與物理學(xué)的角度回應(yīng)了這一點。他將“具身智能”比作“身體與靈魂的合一”：

• 機器人原本是力量和精度的象征，但它的腦子還不夠。補腦，就是人工智能的任務(wù)。

他提出了一個啟發(fā)性概念——“牛頓加辛頓”模型：牛頓代表物理世界的第一性原理，辛頓代表神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與優(yōu)化能力。

未來智能系統(tǒng)的關(guān)鍵，是讓這兩者“握手”——既保留物理規(guī)律的約束，又借助神經(jīng)網(wǎng)絡(luò)實現(xiàn)適應(yīng)與學(xué)習(xí)。

許華哲從更哲學(xué)的角度提出了他的“三原論”——欲望、先驗與經(jīng)驗。

他指出，人類與動物的智能，源自最根本的欲望：

• 最基本的欲望就是活下去——不被傷害，探索未知，擴大自己的邊界。

但現(xiàn)有機器學(xué)習(xí)系統(tǒng)只有擬合，沒有欲望。因此，他提出一個激進問題：能否讓機器人擁有自己的欲望？

接著是先驗：“為什么馬生下來幾分鐘就能走路，而機器狗要訓(xùn)練幾十年的等價時間？”在他看來，DNA攜帶了高效的經(jīng)驗，而神經(jīng)網(wǎng)絡(luò)缺乏這種先天知識。

預(yù)訓(xùn)練（pre-train）模型是一條路，但還需要探索更像“遺傳機制”的高效經(jīng)驗移植方式。

最后是經(jīng)驗：他講到一個生活細(xì)節(jié)——修煤氣灶的師傅能在扭曲姿勢中保持平衡、精確操作，這是人類身體經(jīng)驗與智能的結(jié)合。

只有用你自己的身體產(chǎn)生的數(shù)據(jù)，才能讓你的智能體在現(xiàn)實世界中真正奏效。

因此，智能的閉環(huán)應(yīng)由欲望（目標(biāo)驅(qū)動）—先驗（內(nèi)在結(jié)構(gòu)）—經(jīng)驗（現(xiàn)實反饋）共同組成。

趙明國則表示——具身智能真的需要自己的第一性原理。

• 所有的東西最終都是物理的。那具身智能的第一性原理，應(yīng)該也是一個足夠簡單、能從根上解釋清楚它與其他智能不同之處的原理。

他認(rèn)為，具身智能必須是一個獨立的概念體系，不能只是大語言模型（LLM）的應(yīng)用延伸。

如果只是把具身智能看作大模型的一個應(yīng)用，那它就不是獨立的智能。

他強調(diào)，當(dāng)前很多做法只是“把控制系統(tǒng)換成智能算法”，形式變了，本質(zhì)沒變。

真正的突破要來自重構(gòu)智能系統(tǒng)本身的結(jié)構(gòu)邏輯，而不僅僅是替換中間算法。

于是他提出了一個新的視角——“3 + 1 模式”。

在他看來，一個智能系統(tǒng)至少包含三大部分：

• 感知世界（傳感）：把外部物理信號轉(zhuǎn)化為信息
• 處理與推理：在信息空間中進行計算、決策
• 作用于世界（驅(qū)動執(zhí)行）：把信息結(jié)果重新變?yōu)槲锢砟芰?/li>
• “+1”部分則是這三者之間的信息和能量流動機制，也就是系統(tǒng)真正的“生命力”

趙明國提醒：如果我們只盯著信息處理這一個環(huán)節(jié)，而忽視了傳感與驅(qū)動的革新，那所謂的“具身智能”就仍然停留在頭腦里，還沒有真正“長出身體”。

Q2：站在軟件的角度，需要硬件做什么？站在硬件的角度，需要軟件做什么？

在第二個問題中，主持人拋出了一個“battle”——軟件與硬件，誰該跟上誰的節(jié)奏？

許華哲從算法端發(fā)起“挑戰(zhàn)”：

• 硬件別太脆，別太熱，別太容易壞。

他希望硬件能與軟件共同進化，像生物系統(tǒng)一樣協(xié)同進化。理想狀態(tài)下，AI算法的反饋能直接反作用于機器人結(jié)構(gòu)的改進，實現(xiàn)軟硬件的共迭代。

王興興則代表硬件方回應(yīng)：AI越強，硬件要求反而越低。

他舉例說，過去非AI算法對硬件一致性要求極高，但AI算法能適應(yīng)更多物理偏差。

不過在當(dāng)下——AI 還不夠強，因此對硬件的穩(wěn)定性、靈活度要求仍然非常高。

“雖然我們做硬件的希望大家對硬件要求高一點，但現(xiàn)實是AI越強，它越不依賴完美的硬件?！?/p>

這一輪“互懟”顯然充滿火藥味，但也道出了核心矛盾：硬件的精密與算法的彈性，如何在同一具身系統(tǒng)中找到平衡？

趙明國則中和了兩位的表述，他認(rèn)為軟硬件的關(guān)系其實是一種螺旋式的迭代。

當(dāng)軟件發(fā)展到一定階段，硬件必然需要升級來承載新的算法與概念。

而硬件的突破，又會反過來促使軟件范式的更新。表面上看是“硬件升級”，但本質(zhì)上往往是“軟件邏輯”的躍遷。

因此，未來的關(guān)鍵不在于“軟件先行”還是“硬件先行”，而在于能否真正實現(xiàn)軟硬一體的融合設(shè)計，不同的迭代階段對軟件有不同的需求和側(cè)重。

Q3：具身智能究竟是model-base還是data driven

當(dāng)談到“數(shù)據(jù)驅(qū)動 vs 模型驅(qū)動”時，幾位嘉賓的討論頗有火花。

趙明國首先指出，model-based的方式，意味著人要先“想明白”再總結(jié)出理論，用理論去指導(dǎo)實踐。它的優(yōu)勢是可解釋、可控，但覆蓋面有限。

data-driven則不同——它的覆蓋面可能更廣，甚至有機會在數(shù)據(jù)積累到臨界點后，催生出新的理論。

但趙明國也提醒：“別以為數(shù)據(jù)沒理論。”真正有價值的是“好數(shù)據(jù)”，而不是“多數(shù)據(jù)”。數(shù)據(jù)的背后仍然有分布、有概率、有結(jié)構(gòu)——它依然需要理論的支撐。

未來也許不是理論被淘汰，而是理論在數(shù)據(jù)中被重新生長出來。

他進一步指出，當(dāng)一個系統(tǒng)的復(fù)雜度高到超出人類認(rèn)知時，我們就不得不依賴數(shù)據(jù)，讓神經(jīng)網(wǎng)絡(luò)去“擬合”現(xiàn)實的分布規(guī)律。這其實是一種認(rèn)知上的必然。

許華哲補充了一個生動的觀察——

• “現(xiàn)在做機器人研究的學(xué)生，用腳投票：幾年前大家還在講 model-based，今年幾乎全都想做VLA（data- driven）?！?/li>

他笑稱，這是因為數(shù)據(jù)驅(qū)動帶來的成果更“可見”——模型再優(yōu)雅，也敵不過能跑起來的結(jié)果。

而當(dāng)機器能自己“挖數(shù)據(jù)礦”，實現(xiàn)數(shù)據(jù)采集與訓(xùn)練的閉環(huán)，那才是智能真正自動化的開始。

最后，許超從控制論的角度收束了討論。他說，人工智能其實有一個“家譜”：爸爸是自動化，媽媽是計算機，叔叔是數(shù)學(xué)。

他指出，無論是數(shù)據(jù)還是模型、軟件還是硬件，本質(zhì)上都要“合二為一”地去解決真實問題。

• 不管白貓黑貓，先抓住耗子。模型也好，數(shù)據(jù)也好，能讓機器人真的動起來、能解決實際問題的，才是好智能。

他還強調(diào)，純粹依賴數(shù)據(jù)去擬合動力學(xué)系統(tǒng)是不現(xiàn)實的——

在機器人領(lǐng)域，流體力學(xué)、多體動力學(xué)這些物理規(guī)律仍然是底層的“秩序”，而深度學(xué)習(xí)更多是把未知部分補齊。兩者結(jié)合，才可能讓具身智能真正具備穩(wěn)健性。

Q4：理想的具身智能機器人是什么樣的？

圓桌最后一個問題是：“你心目中理想的機器人是什么樣的？”

趙明國表示：“我還是會繼續(xù)做機器人足球。”

對他來說，足球是機器人最完整的訓(xùn)練場：有運動、有協(xié)作、有對抗、有策略，是具身智能的“綜合考場”。

他提到，RoboCup計劃的目標(biāo)是在2050年，讓機器人足球隊能與人類世界杯冠軍對抗。

接著是許華哲的回答，就像從實驗室走進了科幻世界。

• “我希望機器人能有自己的好奇心。”

他說自己是個科幻迷，小時候最震撼的想法就是——如果機器人能自己造出自己呢？

他想象未來的機器人可以帶著人類的好奇心、欲望與智慧去探索宇宙。

許超則希望未來的機器人能和人類完美共生。

他正在構(gòu)想一個“匯聚之城”，讓機器人與人類在真實空間中協(xié)同、驗證、共同生活。

同時，他強調(diào)綠色智能的重要性——算力不只是更強，而是更高效、更節(jié)能。

王興興則將具身智能和AGI聯(lián)系起來，他表示：

• AGI是人類最終極的一個發(fā)明，后續(xù)的無論是生產(chǎn)，包括可能很多的生產(chǎn)消費娛樂，包括什么挖礦，包括星際探索，都可以用它來實現(xiàn)。

而且，這個時代是年輕人最幸運的時代

• 再早幾十年你沒算力，再晚幾十年別人都做完了。唯獨我們這一代，有機會真的去定義智能。