王鹤

一、从斯坦福到北大：一个关于「泛化」的执念

来源：北京大学前沿计算研究中心 / 2021年

王鹤在斯坦福读博的时候，做的是一件看起来很基础的事情：让机器看懂物体的位置和朝向。

但他早早意识到，这件事的难点不在于「看懂某个物体」，而在于「看懂没见过的物体」。2019年，他在CVPR以口头报告发表的NOCS论文开辟了类别级六维位姿估计这个子领域——不再只估计已知的几个物体实例，而是对一整类物体中任何一个陌生的成员都能准确感知。这一步，是从实例到类别，是从记忆到理解，更是从专用到通用的一个隐喻。

加入北京大学之后，王鹤把这个问题的边界推得更远——不是类别级，而是跨类别，是「在仿真世界里学到的东西能不能用在真实世界里」。这个问题在学术界有一个专有名词，叫sim-to-real gap（仿真与现实的迁移鸿沟）。而他创立EPIC Lab、与斯坦福合作、发表ICRA最佳操纵论文候选……每一项工作背后，都是在用不同维度的方式回答同一个问题：

「真正能泛化的机器人视觉和操控系统，到底长什么样？」

2023年，王鹤选择从学术走向商业，联合创办银河通用。有人问他为什么，他的答案很简单：在大学里能往前走一步，在公司里能往前走三步。

二、数据是答案，但不是你以为的那种数据

来源：2024年中国生成式AI大会 / 2024年4月

谷歌在加州某个厨房里花了十七个月，采集了十三万条机器人操作数据。在那个厨房里，成功率达到97%。一旦换了场景，成功率骤降到30%。

王鹤用这个例子说明通用机器人面临的核心矛盾：

「今天有百万台车主在开特斯拉，为特斯拉的端到端模型提供数据。互联网上有无穷无尽的照片作为多模态大模型的数据。那么机器人大模型的数据在哪儿？」

他的答案是合成数据——从仿真世界里生成。不是补充，不是辅助，是唯一真正可以规模化的数据来源：

「只有合成数据才是真正的'想要什么就有什么，想要多少就有多少'。」

银河通用2023年合成了一百万条抓取数据，2024年一口气合成了十亿条。这不是规模上的区别，是方法论上的区别。用十亿条数据训练后，仿真环境中的测试成功率达到86%；用十万条时，只有58%。王鹤做过一道算术：

「靠遥操什么时候能采到十亿？而今天我们站在十亿规模上，就可以做一百亿、一千亿。这是银河通用最大的技术特色。」

这条逻辑链完整而清晰：大模型需要数据，真实数据无法规模化，合成数据是唯一出路，因此能把合成数据用好的公司才有可能做出真正泛化的通用机器人。

三、轮式机器人、三层架构与最终的 VLA 赌注

来源：2024年WAIC大会分享 / 2024年7月

银河通用的 Galbot G1 不是一台标准的双足人形机器人。它的下半身是一个360度全向移动底盘，双臂却足够长，能摸到2.4米的高处，配合底盘还能蹲下捡起地面的物品。这个设计被很多人问过：为什么不做双腿？

王鹤的回答，是一道工程经济学题：

「今天，腿的价格相对底盘非常高，而腿能实现稳定下蹲、弯腰捡物的技能还不够成熟。我们关注的是机器人的上半身能否完成泛化工作，整体形态能否支持场景中完全闭环的作业需求。」

他明确说了一个「切换时间点」：等腿的价格逼近轮、等腿能稳定下蹲，那时银河通用会切换到「全面人形」。但那不是现在。

在技术架构上，银河通用的三层系统是他学术研究的直接商业化：底层是硬件，中间是用仿真合成数据训练的各种泛化技能模型（抓取、开门、导航、柔性物体操作），顶层是调度这些技能 API 的大模型。三层各司其职，大模型管规划、小模型管执行、合成数据管泛化。

「没有做好小模型的公司、没有能让动作小模型泛化的公司，不可能让大模型泛化。因为大模型在单一任务上的数据需求远高于小模型。」

这是他对那些试图跳过中间层、直接端到端训练的路线的回应。他不否认端到端是未来，但他认为谁能让动作模型先泛化，谁才有资格做端到端：

「我们携带着一系列从抓取、放置到关节类物体操作的各种小模型，百川归海，最终融汇到大模型里。我们相信这样的 Vision Language Action Model 将迅速革命现有的机器人产业格局，在非具身大模型和自动驾驶大模型之后，创造出一条万亿的赛道。」

从一篇CVPR oral出发，绕了一大圈仿真数据、三维视觉、三层架构，王鹤最终在押注的，是同一件事：泛化。