8月26日晚，在第二届世界人形机器人大型组百米决赛上，北京人形机器人创新中心（以下简称“北京人形”）旗下天工Ultra机器人继开幕式预赛跑出9.39秒、复赛跑出8.85秒后，再次以8.64秒刷新竞赛纪录。


接连创下竞速纪录，斩获多项赛事奖牌，“捂脸跑”姿势出圈等，“天工系”机器人无疑是本届运动会上备受关注的明星赛队。闭幕式当天，北京人形CTO唐剑接受新京报贝壳财经记者专访。在他看来，“天工系”机器人在赛场上的亮眼表现，源自软硬件全面迭代升级。经过两届赛事的历练，人形机器人运动性能、复杂任务处理效率均得到显著提升，今明两年，机器人有望在工业、泛工业这类结构化、半结构化场景实现规模化应用。


北京人形CTO唐剑。受访者供图


天工Omni“捂脸跑”是算法迭代中的“无心插柳”


贝壳财经：本届运动会上，“天工系”机器人突破多项纪录，运动技能实现跨越式提升背后的关键原因是什么？


唐剑：首先在硬件本体上，以天工Ultra和天工Omni为例，二者都做了特别的设计，包括全系关节均为自研，在扭矩、转速上做了大量优化；采用铝镁合金等材料，并优化构型，把较重的关节上提、让下肢更轻盈；电池能在瞬时释放巨大电流，提供爆发力等，这些都能帮助机器人跑得更快。


其次，在算法上，机器人跑步、越障相比去年提升很大，例如，过弯道时，机器人能把上体压得很低（类似摩托车压弯），甚至在弯道上保持超过每秒10米的速度，都要归功于算法演进。以及现在网上特别火的天工Omni“娇羞”跑姿，也是通过算法长期摸索出来的、最快的跑步姿势。总体来看，是软硬件全面优化迭代的结果。


贝壳财经：怎么看天工Omni“捂脸跑”姿势出圈？训练时，是否对此有预料？


唐剑：我们并没有特意追求某种出圈的姿势，核心还是希望机器人能跑得更快、拿到金牌。现在运控路线普遍是“模仿强化学习”：先采集人类奔跑、跳跃、跳舞、打拳等动作，输入增强学习框架，进行不断学习。但在这一过程中，机器人既可能保留人类动作的相似性，也可能做出超过人类的独特姿势。“娇羞”跑姿就是算法在迭代过程中发现，机器人“少用手臂、更多转腰”能跑得更快而逐渐形成的。训练时，没有预料到“娇羞”跑姿会出圈，也没刻意做设计，算是“无心插柳柳成荫”。


天工Omni是公司发布的通用型小尺寸人形机器人，未来不同的算法也可以赋予它不同的能力。后续，我们会把“天工系”机器人的各项能力都开源给开发者和二次开发的合作伙伴，他们可以在这一基础上再开发出各种各样的动作。


贝壳财经：“天工系”机器人背后的慧思开物平台，强调“一脑多机、一脑多能”，针对不同的本体如何进行技术兼容？ 


唐剑：这是一个好问题。控制机器人常用“大小脑分层架构”，上层VLA算法可适配多种本体，比如，今年年初开源的XR-1模型可适配七种不同本体，包括机械臂、人形机器人、轮式机器人等；底层运动控制算法则与本体强相关，目前各家都在做通用的WBC（Whole Body Controller，全身控制器），很多操作可以基于它来做，但刚度、阻尼等关键参数仍需针对每种本体进行精调，所以每个本体都有自己的一套控制器。


慧思开物平台的定位是“一站式通用具身智能开发平台”，它运行时是一个Agent系统（智能体系统）。平台的“一站式”是指提供各类工具和基础模型，包括预训练好的XR-1模型、世界模型、VLM大脑模型，以及站走跑、舞蹈、抓取放、开关门等技能模型；还会提供低代码图形化工具，拖拽即可开发。我们后续还会对此进行持续迭代，并尽量开放、开源。


贝壳财经：你曾提到，全自主导航是机器人产业化落地的必要条件。怎么看今年大多数竞赛要求机器人全自主完成？


唐剑：举办世界人形机器人比赛的核心还是为了推动行业发展，让具身智能机器人能够深入千行百业、走进千家万户。公司方面，一贯坚持全自主路线，从首届马拉松半自主，到首届运动会田径赛全自主，再到第二届运动会大多数项目全自主，并且自主导航能力也有升级（例如，能快速过弯道），这是一个很大的进步。


从今年比赛能看到，机器人的运动性能大幅提升，完成更复杂的操作任务效率也大幅提升。预计今明两年，在半结构化和结构化场景，例如，在工业和泛工业场景里，可推机器人规模化应用。


3年内机器人在算法泛化能力上一定会有重大突破和进展


贝壳财经：历经两届运动会，人形机器人的能力发生了哪些重要变化？


唐剑：可以看到，机器人的比赛成绩较去年有飞跃式的提升；同时，在场景赛任务设置难度呈几何级增加且是闯关式的情况下，机器人操作效率大幅提升、逐步接近人类效率。负载、稳定性、可靠性、效率是机器人的“线性卡点”，正在稳步突破。但泛化能力是机器人的“非线性卡点”，目前还不知道何时能突破，对此，大家都在全力以赴。但一旦突破泛化能力，机器人就会以非常快的速度走进千行百业和千家万户。


贝壳财经：怎么突破泛化能力？把机器人在赛场上发挥的能力迁移到真实场景？


唐剑：一是从算法上突破。具身智能主要有VLM、VLA、WAM三种模型。VLA模型做简单操作可以，但在复杂任务上缺少“想象力”；WAM则擅长想象和预测，但不善于长程任务的规划、思考和推理；VLM模型则更擅长规划推理。我们把三个模型进行了统一融合，并做文本、视觉等多维度数据对齐，进一步提升生成动作的泛化能力和成功率。


二是从数据上突破。数据量需积累到百万甚至上千万小时的量级，才可能实现“量变到质变”。而相较于数据的数量，数据的质量和多样性更为重要。其中，数据的多样性严重缺乏，数采厂采集的数据同质化严重，还需要无本体采集、真机采集、深入实际场景采集等。目前，国家也推进了场景落地相关政策，推动机器人像“学徒工”一样到实际场景中进行训练。


因为机器人泛化能力还未突破，所以目前机器人的落地是渐进式的：第一阶段，先在半结构化和结构化场景落地；第二阶段是在商业服务场景落地（例如，导购导览、冲咖啡等），这还需要时间迭代；第三阶段是在家庭场景落地，这至少要3年，甚至5年以后。


要强调的是，落地是分阶段的，但针对不同场景的技术积累一直在进行。


贝壳财经：预计具身智能的“ChatGPT”时刻何时到来？需要解决的关键性问题是什么？


唐剑：针对“ChatGPT时刻”没有严格定义，我的理解是：机器人进入陌生环境，能对任意给定的任务，以较高成功率执行，这就是“ChatGPT时刻”。


目前，算力已经不成问题，但算法模型架构还远未收敛。3年内，机器人在算法泛化能力上一定会有重大突破和进展。世界模型让大家看到希望，但在物理世界干活和在数字世界干活截然不同，所以即便算法泛化能力实现突破，也并不意味着“ChatGPT 时刻”的到来。


新京报贝壳财经记者 程靓 编辑 陈莉 校对 穆祥桐