大模型熱潮第三年，“AI春晚”又換主角 為什么是具身智能？

每經記者｜可楊    每經編輯｜陳俊杰    

早早就沒了位置，人墻圍了一層又一層，宇樹機器人、天工機器人一登場，就調動了全場氣氛。

6月6日，由北京智源人工智能研究院主辦的“AI春晚”——第七屆北京智源大會（以下簡稱智源大會）正式開幕。

大模型熱潮進入第三年，智源大會的關鍵詞已經從“大語言模型”躍升為“具身智能”與“機器人2.0”。

作為產業風向標，在智源大會上，OpenAI創始人山姆·奧特曼以及“深度學習之父”辛頓曾發表演講；月之暗面創始人楊植麟曾經歷人墻圍堵，熱度遠超如今首個沖向IPO的智譜AI；而今，大會上的“明星”是宇樹科技創始人、CEO（首席執行官）王興興。

變化的背后，AI（人工智能）正加速邁入“干實事”的新階段：從機器人表演走向實際應用，從模型訓練走向產業閉環。物理世界的復雜性、數據采集的現實需求、人與機器的自然交互，正在共同推動具身智能成為AI發展的下一個技術高地。

具身智能會客廳對話現場 主辦者供圖

“AI春晚”，主角又換了

結束開幕式上的“智源具身智能會客廳”圓桌對話后，宇樹科技CEO王興興在現場安保引導下離場，想要上前與其交流的觀眾被隔絕在人墻外。

這或許是吸取了去年的“教訓”，彼時的明星公司是月之暗面，楊植麟在下場后幾度被人墻圍住無法脫身。

如果以2022年末ChatGPT的發布作為節點，三屆智源大會，不僅見證了大模型時代AI技術的跨越式發展，也折射出人工智能產業關注重心的變動軌跡。

2023年，AI領域風頭無兩的是OpenAI所引領的生成式大語言模型熱潮，當年大會的高光時刻是OpenAI的代表人物山姆·奧特曼（Sam Altman）與“深度學習之父”辛頓（Geoffrey Hinton）的亮相。

2024年，以月之暗面、百度、智譜AI為代表的國產大模型廠商迅速崛起，在語言模型與多模態模型領域競逐成“主角”，開發出Kimi的月之暗面備受追捧。

2025年，具身智能集中搶鏡，機器人、跨模態系統、物理智能等成為主論壇的重要議題。變化背后，是技術路線的演進和應用價值的再認識。

面壁智能CEO兼聯合創始人李大海在接受《每日經濟新聞》記者采訪時表示，技術的發展是非線性的。大模型本質上是一項基礎性技術，未來一定是非常重要的底層基礎設施。隨著這項技術逐步成熟，產業關注的重心自然也開始從底層模型向其之上的具體應用轉移，這種關注點的遷移是合理且必然的。

同時，李大海認為，大模型“奇點”正在到來，其身處其中有非常強烈的感受，當前大模型在訓練過程中，已經能夠利用自身的特性，反哺訓練過程，實現大模型訓練的加速，形成“用大模型訓練大模型”的良性循環。“整個技術的發展在加速，（所以）才有外面能看到的整個行業的變化越來越大（的情況）。”

“人工智能正加速從數字世界走向物理世界，這是我們對整個大的技術發展趨勢的判斷。”智源研究院院長王仲遠受訪時表示。

從“秀肌肉”到“干實事”

在2024年的智源大會開幕式上，月之暗面、百川智能、智譜AI與面壁智能四家國產大模型公司曾罕見同臺，展開通往通用人工智能（AGI）之路的對話。而2025年，圓桌環節的對話主角，從大模型轉向了具身智能。

開年以來，具身智能成為人工智能領域最熱的關鍵詞，伴隨而來的，是形態各異的機器人頻繁亮相各種公眾賽事：從春節晚會上的舞蹈表演，到格斗競技場上的人形對抗賽；從物流分揀的真實場景模擬，到即將在北京舉辦的“世界人形機器人運動會”。

眼下風靡的機器人比賽，是驗證技術的試驗場，還是秀肌肉的“秀場”？

對此，王興興認為，當前機器人賽事的價值在于讓大眾“看到機器人已經發展到什么階段了”。他坦言，盡管人形機器人還不能“真正進入家庭干活”，但通過格斗、跳舞等全身動作訓練，一方面可以展示當前AI控制系統的水平，另一方面，跳舞和格斗，其實是機器人全身動作的一部分。“我們的目標一直是希望通過AI技術讓機器人能做各種全身動作，來實現終極目標，去真正解放人類生產力。”

王興興進一步解釋道，這種展示不僅有助于訓練和驗證模型能力，也開始體現出一定的商業價值。今年上半年，人形機器人租賃市場就比較火爆，王興興認為，這也是一種產業價值的體現。

北京人形機器人創新中心總經理熊友軍也表示，接下來的“世界人形機器人運動會”，不僅包括格斗等競技類項目，還將引入短跑、接力、足球、舞蹈等來自人類場景的形式。同時，賽事中還包含多個真實生活和工業場景，如工廠的物流搬運、醫院的醫藥分揀、酒店的服務應用等。

熊友軍表示，這些比賽場景來自具體的企業提出的真實場景需求，和機器人即將走入現實的生活密切相關。“這是一個很好的訓練場，對提升機器的技術有很大幫助，也是潛在客戶了解和跟機器人企業溝通的橋梁。”

盡管表演與賽事火熱，但具身智能產業化真正的關鍵仍是“干活”能力的打造。對此，銀河通用創始人王鶴指出，當前行業已經有許多炫酷技能，但需要反思的是，如果在真實環境下無法保證成功率，這些技能的產業價值就非常有限。

王鶴介紹，銀河通用與智源研究院的聯合團隊正在重點攻關“通用移動抓取”任務，即通過導航與抓取組合，讓機器人在貨架等實際工作場景中完成復雜動作。王鶴透露，銀河通用的機器人已經在北京值守7家24小時無人藥店，由人形機器人完成取藥和對接騎手的任務。他進一步強調，希望賽事和應用場景能進一步打通，用賽事去引領有價值的、可落地的技能。

人形機器人現場展示格斗 主辦方供圖

人形還是非人形？

在AI模型“上天入地”的浪潮中，被稱為“AI+機器人”終極形態的具身智能，正成為產業界和學術界同時瞄準的下一個技術制高點。

“其實我一直不堅持一定要做（成）人形（機器人）。”在談到人形機器人是否是具身智能唯一形態時，王興興表示，從工程實踐角度出發，宇樹科技早期做機器狗，轉向人形機器人屬于“順理成章”。在一些場景中，用輪式底盤替代腿部同樣非常實用。

“但為什么大家現在喜歡用人形，尤其上半身保留人的樣子？核心是因為現在AI大部分還是依賴人來做數據采集。”王興興解釋說，人形機器人上半身動作和人類一致，可以讓AI采集數據、訓練模型都更加方便，“包括我們機器人跳舞或者做一些格斗和別的比賽，說實在的，如果你做成別的樣子就沒辦法做這個事情”。

不過王興興也明確指出，未來隨著AGI的誕生，機器人的形態將會“千奇百怪”，比現在要多非常多倍，甚至多100倍都有可能。但在當前階段，人形形態仍在數據采集、模型訓練和落地效率上具備“實用主義”的優勢。

與王興興偏向技術現實主義的觀點不同，熊友軍更看重人形在未來市場中的地位。他認為，雖然從技術上講，具身智能載體可以多種多樣，但“人形機器人是具身智能發展、研究的最佳載體”。他指出，未來具身智能的最大應用場景不是工業，而是家庭和商用服務，“今天工廠場景只是‘開胃小菜’”。

熊友軍認為，人形機器人更容易被人接受。它們會成為生活中的伙伴、朋友，甚至像現在很多年輕人所說的——可能是愛人。這種人機交互的自然程度是其他形態難以比擬的。他還補充道，人形機器人適配人類環境的成本更低，如果不是人形，就可能需要為機器人改造環境。這在實際部署中會帶來額外成本。熊友軍表示，長期來看，人形仍是具身智能最具發展潛力的形態。

展區機器狗 主辦方供圖

在形態問題的背后，具身智能的“智能”來源何處，是另一個爭議核心。自動駕駛中，VLA（視覺語言動作模型）已成為主流解決方案，但面對具身智能中復雜度更高的任務環境，VLA能否“泛化”仍待驗證。

王鶴認為，自動駕駛的經驗已初步證明了“端到端”方案有更好的擴展性，不依賴無窮無盡的規則，而是通過數據去驅動模型。他表示，VLA的意義在于，通過視覺觀測和自然語言指令，直接輸出動作決策，中間不再需要其他環節。這種路徑可以讓模型更充分地吸收數據背后的知識，發揮出最大的性能，而不受制于模塊化方案。

不過，王鶴也直言，目前VLA是具身智能研究的熱點，只是針對VLA究竟要突破什么，行業同樣有不同觀點。比如，有人希望把人類能做的所有事情都整合到VLA中，形成一個基座模型。王鶴認為這太著急了。他指出，人類認知不是只有視覺和語言，還包括力覺、觸覺、嗅覺、味覺、溫覺、聽覺??“所以VLA只能是一個起點，要想真正做到人類級別的具身智能，只能不斷融合新的模態。”

王鶴認為，目前VLA最適合的任務是移動、抓取和放置。這些以視覺為主，加上末端的觸覺或力覺傳感器即可執行，這類任務在工業和服務場景中已經足夠廣泛，如果能先將這類VLA模型做扎實，“將會是具身智能真正第一次高潮的到來”。

穹徹智能聯合創始?、上海交通?學教授、上海創智學院副院?盧策吾則補充，VLA模型“確實集合了機器人幾件要干的事”——Vision（視覺）理解世界，Language（語言）與人類溝通，Action（動作）改變世界。但他也指出VLA當前存在很大的限制。具身智能面對的物理世界比無人駕駛復雜得多，無人車只需在兩個維度做決策，且場景相對固定，而通用具身智能的場景是開放且有接觸的，空間更大、不確定性更多。因此，要做到通用，就要壓縮它的“不確定性”，并不停地在兼容框架中增加更多額外信息，在端到端的模型里壓縮它的空間。

此外，他強調對物理世界理解能力的增強也是“壓縮任務空間”的關鍵。穹徹團隊在其第二代“機器人大腦”中，加入了“數字基因”“仿真數據資產”等模塊，希望通過仿真產生大量數據，減少真實世界中訓練對樣本量的依賴。盧策吾認為，找到更聰明的方式理解世界，把它們融合到VLA里，才可能真正推動通用智能的拐點出現。

從人形機器人的路徑分歧，到VLA模型的能力邊界，在具身智能這條路上，數據仍是燃料，形態仍有博弈。但最終，理解世界并與之交互的能力，或許才是決定智能生命形態的關鍵點。