吕骞

2025WAIC上，王鹤展示银河通用的人形机器人。人民网 吕骞摄

在今年的世界人工智能大会（WAIC）上，超150台人形机器人同台“出道”。它们正走出实验室，走上春晚舞台成为“网红”，走进工厂商超成为真正干活的“劳动力”。这不仅是“数字大脑”向“物理智能”的跃迁，也意味着中国制造在全球新一轮产业竞赛中的起跑。

本期播客邀请了北京大学助理教授、银河通用机器人创始人及CTO、智源学者王鹤，他带领团队用两年多的时间，把“端到端VLA大模型”第一次搬上了真实产线、真实货架——不靠轨迹预编程，而是靠眼睛、大脑和手的实时配合，就能在拥挤的零售货架前完成抓取、避障、交付。下一个十年，机器人会如何走进现实？答案正在上海这座展馆里萌芽。

对话AI摘编：

主持人：观众最关心的是，这次WAIC银河通用到底带来了什么“能上手”的新东西？

王鹤：一句话——全球首个真正跑在端到端VLA大模型上的智慧零售机器人：观众在iPad上下单，机器人自己走过去、用“手眼脑”实时闭环，把指定商品取下来，再递到你手里。整个过程不依赖任何预置轨迹，完全靠视觉和语言指令实时生成动作。

主持人：这和药房自动取药的机械臂有何区别？

王鹤：关键在“非结构化”。传统药房的自动化滑道类似巨型自动售货机，需要中心大药房、统一滑道，空间、资金门槛都很高。我们把人形机器人做成“即插即用”的劳动力，夜间值守、白天补货，成本大幅下降，而且不需要改造原有店面结构。

主持人：您把人形机器人演进分成“三个时代”，能再通俗解释一次吗？

王鹤：1967-2017是“雏形时代”，ASIMO、Atlas全靠提前写轨迹，拍视频可以，落地没戏；

2022起进入“运动时代”，用强化学习在仿真里训、再迁移到真机，春晚跳舞、半马跑步全是这代，但基本是“蒙眼”运动；

2024之后进入“手眼脑时代”，VLA（Vision-Language-Action）大模型让机器人随时用眼睛看、用大脑理解、用手干活，这才有了今天零售、工厂、药房的多场景落地。

主持人：说到泛化干活，亚马逊仓储里机器人数量已经快赶上人类员工了，这跟我们今天谈的人形机器人有什么本质区别？

王鹤：亚马逊那套是AGV＋结构化改造，本质仍是上一代自动化思路：集中大仓、地面贴二维码、货物统一尺寸。中国一二线城市寸土寸金，小药店、小仓库根本做不起这样的改造。而人形机器人直接走进人类环境，用视觉理解千奇百怪的物体，用“手”完成抓取、搬运，这才是下一代方案。

主持人：很多听众来自制造业，他们会问：打螺丝这种“简单”动作，机器人为啥还搞不定？

王鹤：关键看结构化程度。如果螺丝孔位固定、电批垂直往下，传统自动化早就解决了；难的是手持小产品、双手协作、孔位每次不同——这叫非结构化操作。我们从最简单的“抓—放”做起，逐步提升精度，未来再去攻克更复杂的装配。

主持人：您刚提到“逐步”，正好有组数据：2023年中国研发总投入3.3万亿元，77%来自企业；今年上半年，人形机器人行业融资已超60亿元。怎么看资本这么密集地涌进来？

王鹤：AI正从象牙塔走向产业化。文本、图文大模型已经证明：能落地的模型都靠产业界重投入。具身智能还在早期，银河通用成立两年就拿下了最大单笔融资，原因只有一个：我们在真实场景里跑通了商业化闭环——药店、工厂、零售店。

主持人：普通人什么时候能在家里见到这些“钢铁伙伴”？

王鹤：先B后C。我们已和宣武医院、华西二院合作，让机器人给老人量血压、做认知测试，再逐步过渡到夜间查房。工商业先跑1万台，硬件、安全、成本磨到“无感”后，才会真正走进千家万户。乐观估计，10年内会出现家用普及拐点。

主持人：最后一个轻松问题，您手机里用得最多的AI应用是什么？

王鹤：Deepseek和ChatGPT。不过需注意的是，前沿内容模型会“想当然”，但5-10年前的技术点基本都了如指掌。