21世紀經濟報道記者雷晨 北京報道

作為未來產業的前沿領域，人形機器人已成為全球科技和產業競爭的新賽道。

近期，隨著特斯拉、OpenAI、英偉達等科技巨頭的加碼布局，人形機器人賽道迎來空前熱度。

從市場空間看，據GGII預測，2030年全球市場規模將突破200億美元，中國市場規模將達到50億美元左右。特斯拉CEO埃隆·馬斯克展望，長期來看人形機器人需求量可能達100億臺。

那么，如何看待本輪的人形機器人熱？人形機器人會有怎樣的發展階段？圍繞這些問題，21世紀經濟報道記者采訪了全國政協委員、天娛數科（002354.SZ）CEO賀晗。

人形機器人發展的三個階段

《21世紀》：當下人形機器人產業火熱，背后的原因你怎么看？

賀晗：火熱的背后是技術跨越帶來的產業變革浪潮。今年以來，大模型技術與機器人技術加速融合、進化，使人形機器人成為具身智能的關鍵載體，為人形機器人帶來了革命性的變革，讓門檻大幅降低、場景快速增多，催生了“研發熱”、“應用熱”、“投資熱”。

《21世紀》：目前，雖然產業火熱，但人形機器人應用場景還比較單一，特別在日常生活中，還替代不了人，缺乏人的適應性和場景泛化，技術的跨越體現在哪里？

賀晗：過去我們談人形機器人技術時，硬件談的比較多，比如電機、減速器、滾珠絲杠等，而這次的技術跨越主要是在人形機器人大腦和小腦方面，從這個角度來看，可分三個發展階段。

1.0階段：基于程序控制的演示階段。人形機器人脫胎于工業機器人，加上擬人化的外形，目的在日常生活中進行應用，過去大部分人形機器人行為控制與工業機器人一樣，依賴于程序控制，即通過預先編寫的程序或強化學習算法進行控制。這些程序通常是由工程師根據特定的任務和場景進行編寫，機器人按照指令完成簡單的動作演示。雖然強化學習技術在這一階段開始應用，通過強化學習，人形機器人能夠在模擬環境中進行大量的試驗和探索，通過與環境的互動和不斷的試錯來改善自身的行為，學習到比較復雜的運動技能，如行走、跑步、跳躍、踢球等，但其應用主要限于固定任務范圍內的優化，缺乏自主決策能力，更談不上適應環境。這個階段的人形機器人功能比較單一，只能完成一些預先設定的任務，主要應用于科技館、展覽會等場所，作為展示科技成果的工具。例如，在一些科技展覽會上，人形機器人可以進行特定舞蹈、武術等表演，吸引觀眾的注意力。由于程序控制的局限性，機器人的動作和行為比較僵硬，缺乏靈活性和適應性。

2.0階段：基于大模型的模仿階段。去年以來，大模型技術一日千里、加速進化，并與機器人運動控制技術開始深度融合，特別是在Transformer和Diffusion的快速迭代升級下，機器人模仿學習技術有了巨大突破并開始流行，如DiffusionPolicy、ACT（ActionChunkingwithTransformer）等。模仿學習技術讓人形機器人通過觀察和模仿人類的行為，直接從人類的示范中學習動作和技能，快速掌握一些復雜的操作，如穿衣、做飯、打掃衛生等日常生活動作，以及特定領域的專業技能，如工業生產中的零件裝配、醫療護理中的簡單操作等。結合虛擬仿真平臺技術，將模仿學習的數據在仿真環境進行海量泛化訓練，可以更好的提高泛化能力和適應性。與強化學習相比，模仿學習不僅幫助人形機器人省去了1.0階段中復雜且耗時的編程工作，可以零代碼部署、作業，還避免了強化學習中大量的試錯過程，因為它直接利用了人類提供的示范數據，大幅提高了學習的效率和數據的利用率。與此同時，視覺-語言-動作（VLA）模型的發展讓人形機器人能夠更高效地完成從視覺、語言理解到推理并生成動作的全過程，將自然語言指令轉化為具體行動規劃，并具備一定泛化能力，使人形機器人成為具身智能關鍵載體，這是革命性的。

3.0階段：基于海量3D數據的智能階段。這是下一步的發展方向，從被動響應和執行到主動感知和決策，是這個階段的標志。核心是海量3D數據的喂養，讓具身智能構建世界模型，這是真正意義上的具身智能大模型，它能創建對世界運作方式的內部表征，并具備行動后果的推理能力，從而顯著提升對真實世界的感知、推理、執行與預測能力，使機器人認識和理解3D世界，并能夠像人類一樣進行推理和規劃，不僅可以適應復雜多變的環境和任務需求，更為重要的是，具備自主決策、行動與操作能力。同時，隨著多智能體協同技術的引入，未來，這一方向可能發展出更加高級的群體智能算法和多智能體系統，使得具身智能體能夠協同完成復雜任務。

例如，在家庭陪伴場景中，機器人能夠利用3D空間數據理解家庭成員的行為，并通過世界模型進行因果推理。如當檢測到老人在客廳摔倒時，能夠迅速判斷位置并主動聯系急救人員，同時采取初步的急救措施。當具身智能可以高度智能化的執行與人類相同的任務，則代表我們真正邁入了通用智能時代。

3D數據集：人形機器人競爭“新燃點”

《21世紀》：所以說3D數據是人形機器人發展的關鍵資源？

賀晗：是的。3D數據對于提供真實人物、場景的展示、豐富的交互和決策支持至關重要，3D數據能讓AI對物理世界人與物的形態、結構、位置、動作有更準確的理解，可以在三維場景中像人類一樣對視覺信息進行高級推理，超越二維視覺的局限。具身智能大模型極端依賴大規模、高質量的3D數據訓練。當下高質量3D數據集匱乏是產業痛點，全球范圍內，3D數據都處于極端重要，又極端缺乏的狀態。3D數據集正在成為競爭的核心節點。2023年10月，谷歌DeepMind聯合全球33家頂級學術實驗室共同開發OpenX-Embodiment數據集，基于該數據集訓練了RT-X系列3D多模態大模型用于人形機器人。2024年3月，斯坦福大學、伯克利大學聯合全美多家頭部研究機構推出DROID分布式機器人交互數據集，涵蓋3D軌跡、3D場景等。2024年3月，全球著名人工智能專家李飛飛教授領銜、聯合美國多所大學推出BEHAVIOR-1K具身智能數據平臺，涵蓋了50個場景、9000多個具有豐富物理和語義屬性的物體。3D數據集，在可見的未來，決定3D多模態大模型和空間智能的發展，以及全球科技競爭的走勢。

《21世紀》：天娛數科在這方面有什么布局？

賀晗：3D數據集的發展有兩個痛點，一是3D數據的獲取與處理成本高昂、流程繁雜，需要大量的時間、人力與資金投入；二是3D數據的標準化程度低，導致數據的兼容性較差，共享和復用難度大。

為了解決第一個問題，我們去年與合肥產投一起戰略投資了芯明。芯明是一家專注空間計算及人工智能芯片及產品設計的高科技企業，其自研空間計算芯片是目前全球唯一單芯片集成芯片化實時3D立體視覺感知、AI、SLAM（實時定位建圖）的空間智能系統級芯片，采用12nm制程工藝，具備3.5TOPS的端側算力，功耗僅為約0.5W，可支持單芯片接入6路傳感器，其產品解決方案已在全球范圍內應用在泛機器人、XR、消費電子、物流無人機、3D掃描等多個前沿應用領域的龍頭企業產品中，真正實現了“感算一體、多路融合、空間智能”的功能。與芯明合作后，依托其芯片和模組優勢，我們通過多種高精度3D掃描設備，采集3D場景、模型、動作等多類數據源，大幅降低了3D數據采集成本。

為了解決第二個問題，我們融合大模型、3D數據集、可視算法，構建了空間智能MaaS平臺，通過跨類型數據的智能解析提高數據標準化程度和易用性。目前模型與多項算法已完成中央網信辦生成式人工智能服務備案。平臺目前擁有超80萬組3D數據、35萬組多模態數據。今年10月份，我們采集加工形成的“人形機器人空間動捕長程數據”、“大場景空間感知模型重建數據”等5個3D具身智能數據集正式在北京國際大數據交易所完成數據資產登記，通過數據信息的核驗、合規審查、登記備案等環節，成為全國首個完成資產登記的3D具身智能數據集。未來，天娛數科將在模型訓練、數據集拓展、平臺性能優化等方面持續努力，不斷深化AI+3D技術競爭優勢。

《21世紀》：你對中國人形機器人產業發展有什么建議？

賀晗：一是加快標準制定與完善，包括硬件接口標準、軟件通信協議標準、3D數據集標準、性能標準等，確保不同企業的產品之間能夠實現更好的兼容性和互操作性，同時大力推動標準國際化。

二是加強復合型人才培養，目前人形機器人領域懂機械、自動化、程序控制的很多，懂大模型、具身智能的很少，兩者都懂的少之又少，建議在高校中設置具身智能相關專業或方向，加強多學科交叉融合，增加實踐教學環節，培養學生的跨學科思維和實際動手能力。

三是鼓勵通用平臺建設，建立從硬件到軟件、從底層到應用層、從模型底座到3D數據集的多層次具身智能通用平臺架構，鼓勵企業、高校和科研機構等各方在平臺上進行技術研發、應用創新和資源共享，形成良好的產業協同創新氛圍，降低創業門檻，避免重復“造輪子”，加速具身智能技術的推廣應用和產業化進程。