数据：99%+1%，能实现“从0到10000”——银河通用王鹤：让机器人甩掉遥控器，“睁开眼”干活-新华网

　　新华社北京9月15日电  9月15日，《新华每日电讯》发表题为《数据：99%+1%，能实现“从0到10000”——银河通用王鹤：让机器人甩掉遥控器，“睁开眼”干活》的报道。

　　北京银河通用机器人有限公司创始人兼首席技术官王鹤。（受访者供图）

　　8月，全球首个城市级常态化运营的人形机器人示范区落地北京。来自北京银河通用机器人有限公司的“银河太空舱”——由机器人经营的无人超市开张，具身智能真正走进大众日常生活。作为专注于研发人形机器人硬件和具身智能大模型的机器人企业，银河通用率先实现机器人在工业、零售等场景批量化落地，其自研机器人Galbot在机器人格斗赛等赛事上也斩获佳绩。

　　每次有机器人火上热搜，评论区都有不少人强调一个现实：目前，绝大多数机器人离开人工和遥控，还是会“原形毕露”。

　　而银河通用的机器人Galbot却有所不同：它不仅无需“遥控”，还能自主干活。

　　眼下，具身智能的最大困境，既非硬件，也非模型，而在于数据。不论是让机器人从动作智能转向认知智能，还是提升机器人的泛化性、鲁棒性（指系统、算法或模型面对外部干扰、输入异常或内部参数变化时维持稳定运行并输出预期结果的能力），关键在于数据的丰富性和准确性。

　　而一个让难度再进阶的考验是，想要真正实现商业闭环，还要权衡数据获取的质量、成本与效率。

　　记者：机器人发展的优先级，应侧重于能力的展示，还是产业的切实赋能？在发展方向上，业内分歧多还是共识多？

　　王鹤：今年以来，机器人企业在两种能力的选择上逐步有了区分度。一类以宇树科技为代表，其机器人擅长运动、舞蹈、拳击，特点是以腿足乃至全身控制为主，能展现出精彩的运动能力。还有一类是以银河通用为代表的“干活派”，依靠视觉反馈闭环，展现出在实际场景中干活的能力。“干活派”里，大致还可分为视觉算法+轨迹生成，与端到端VLA（即视觉-运动-动作一体化生成）两种技术路径。

　　其实，不少人形机器人跳舞、跑步，并没有用到视觉传感器。今年4月在北京举行的全球首个机器人半程马拉松上，不少观众注意到部分机器人“运动员”的不远处，有人用遥控器遥控机器人跑步、转弯或加速，实际上机器人是“闭着眼”跑的。这样的技术现状跟机器人“生产力时代”还不是一回事，毕竟，没有活是闭着眼睛干的。

　　今年，具身智能的场景落地在加快。以工业场景为例，银河通用的机器人已实现流水线搬运、分拣等环节的规模化应用。零售场景中，银河通用在北京海淀已成功落地10多家配备人形机器人的智慧药房，并计划年内在全国开设100家。此外，银河通用的机器人已开始售卖零食、咖啡等商品。

　　记者：机器人完成酷炫的、令人眼前一亮的动作，许多情况下还是预编排的动作序列、人工遥控与视频剪辑共同作用的结果。为什么会出现“demo（演示视频）先行、落地乏力”？

　　王鹤：秀一段5分钟的demo，对机器人的可靠性、稳定性要求并不高，不能证明它是能24小时工作的高可靠性产品。

　　demo与产品的差距主要来自两方面。一是泛化性不足，视频片段展示的多为精心布置的受控环境，如果换个物体、环境甚至是光线，机器人就难以工作了，这显然还不是成熟的产品。二是硬件不可靠，如果机器人用上一会儿就需要人来维修，也显然还不能大规模投入使用。机器人的核心功能是替人去劳动，而不是成为花瓶一样的摆设。

　　记者：要想“拿掉机器人的遥控器”，核心在于什么？

　　王鹤：在于能够自主执行的模型“大脑”，且能实现跨场景泛化。今年初，银河通用以10亿级合成大数据，端到端训练了一个VLA大模型，以视觉作为输入，模型实时输出当前机器人末端执行器应当如何移动，是一个闭环反馈模型，能够实现对不同场景中移动物体的抓取。6月，又推出了端到端导航大模型，使机器人能够拥有“听—看—懂—走”闭环运动能力。

　　另一个核心在于硬件的性能要够用、好用，精度要尽可能高。

　　记者：机器人实现泛化的关键在于什么？

　　王鹤：数据。可以说数据决定了机器人能力的下限。

　　我的观点是，现阶段合成数据可用于解决从0到1的问题，利用真实遥操采集的数据可解决从1到100的问题，从100到10000的问题则交由视频数据处理，让机器进行学习。具身智能所依靠的数据，99%可借助高质量的合成数据完成，只有在合成数据无法处理的情况下，才需要有针对性地采集使用1%的真实数据。

　　端到端具身大模型面临的困难，与自动驾驶所运用的端到端大模型有所不同。自动驾驶所依靠的数据来源广泛、数量庞大，且采集成本为负。目前，头部人形机器人厂商量产的机器人仅为千台级别，难以达到万台规模。在现实中，让所有机器人都投入不同场景自主工作，以供真人采集上亿条数据，并不具有现实可行性。

　　更为切实可行的解决方案是，先利用合成数据完善抓取、移动、放置等功能，助力具身智能开拓市场，先完成那99%。而生成高质量合成数据也存在一定门槛，需具备出色的图形学、物理仿真、物理渲染、自动动作合成管线等一系列完整的基础设施，还需要长期的核心技术积累。