姚卯青对中新经纬表示，一方面，资(zi)本市场的大力推动对人形机器(qi)人的发展起到了很(hen)大作用，从(cong)全球看，美国(guo)特斯拉创始人埃隆·马(ma)斯克布局人形机器(qi)人行(xing)业，英伟达也在这方面动作频频。另一方面，大语(yu)言模(mo)型不断实现突破，给机器(qi)人的智能化提供了技术基础。

数据尤(you)其是高质量数据，就(jiu)如同一道道练习题，大模(mo)型在数据的不断投喂下进行(xing)练习与模(mo)仿，才(cai)能变得更加(jia)智能。而是否拥有高质量数据，成(cheng)为发展人形机器(qi)人的卡点之一。姚卯青称(cheng)，具身智能训(xun)练领域大规模(mo)的开源数据集是美国(guo)Google公司的Open X-Embodiment，但该(gai)数据是全球几十家机构拼凑起来的，质量较差，而且有些数据已经丢失，行(xing)业需要(yao)一个高质量、大规模(mo)的数据集。

在4000平方米的智元机器(qi)人数据采集中心，搭建出(chu)家居、餐厅、工业、商(shang)超、办公五大类场景(jing)，包含超过两百个细分场景(jing)的任务。在这些场景(jing)中，数百名数据采集员通过头(tou)戴VR眼镜(jing)、手持操作手柄指挥着机器(qi)人进行(xing)各种动作。比如，家居场景(jing)依(yi)据真实住宅进行(xing)布局，包括卧室、客厅、厨房、卫生间等空间，可以实现机器(qi)人整理物品、收拾碗筷、打扫房间等。在奶茶(cha)店场景(jing)下，采集机器(qi)人奶茶(cha)制作、送餐、收拾桌子等过程。

中新经纬看到，在数据采集员的操控(kong)下，一台机器(qi)人拿起桌上(shang)的茶(cha)壶，慢慢地将水倒(dao)入面前的杯子中，然后将水壶放(fang)回原位。不过，重复、单一的数据，对训(xun)练大模(mo)型作用甚微，采集过程中，数据采集员会不断挪动杯子和茶(cha)壶的位置，记录下不同场景(jing)下的数据。同样，采集机器(qi)人扫地时，数据采集员也将垃圾摆放(fang)在不同位置，通过操作手柄让机器(qi)人手臂上(shang)的吸尘器(qi)去吸取。该(gai)数据采集员表示，这项动作一天约能采集数百条。

姚卯青说：“智元机器(qi)人的模(mo)型训(xun)练路线与语(yu)言大模(mo)型比较类似。最开始是预训(xun)练，该(gai)阶段使用尽量多的数据进行(xing)训(xun)练，形成(cheng)对环(huan)境的基本感(gan)知等。之后，会采集数百条高质量数据，里(li)面也会做一些泛化，比如倒(dao)水的动作，对水壶、桌面、光照等进行(xing)更换(huan)，拿放(fang)位置及倒(dao)水姿(zi)态进行(xing)调整等，大概数百条数据能让机器(qi)人实现比较好的倒(dao)水效果。”

智元机器(qi)人数据采集中心负责(ze)人阮丞向(xiang)中新经纬解(jie)释称(cheng)，简单来说，智元机器(qi)人具身基座(zuo)大模(mo)型是端(duan)到端(duan)的VLA大模(mo)型，它以互(hu)联网多模(mo)态大模(mo)型为基础，先(xian)让模(mo)型具有通用的感(gan)知和动作理解(jie)能力，再使用相(xiang)同本体的高质量真机动作数据进行(xing)训(xun)练，也就(jiu)是数据采集中心所采集的数据，让模(mo)型具备动作的精细执行(xing)能力。

阮丞说：“这个过程可以对比教小孩子学(xue)做菜，最开始是认识菜、肉(rou)、调料(liao)，之后告诉(su)他操作步骤，最后是实践操作。就(jiu)倒(dao)水这一动作来说，（我们(men)）先(xian)让大模(mo)型认识各式各样的水壶、杯子以及杯子里(li)的水位等，之后让它具备在不同场景(jing)下的泛化能力，最后在高质量真机动作数据的训(xun)练下，能够精准理解(jie)倒(dao)水的相(xiang)关动作。”

阮丞也称(cheng)，教会人形机器(qi)人学(xue)会每项动作需要(yao)采集多少条数据，因(yin)任务和要(yao)求(qiu)不同可能有所差异，没办法准确(que)量化，而且，随着对人形机器(qi)人的要(yao)求(qiu)越来越高，可能需要(yao)更多的数据。

2024年底，智元机器(qi)人对该(gai)数据采集中心的百万真机数据集AgiBot World进行(xing)了开源。据介绍，相(xiang)较于Google的Open X-Embodiment，AgiBot World长程数据规模(mo)高出(chu)10倍，场景(jing)范围覆盖面扩(kuo)大100倍，数据质量也从(cong)实验室级(ji)上(shang)升到工业级(ji)标准。

对具身大模(mo)型的不断训(xun)练已经产生效果。阮丞说：“以最早期的抓取放(fang)置任务训(xun)练为例，让机器(qi)人抓取一个物品从(cong)一个筐放(fang)进另一个筐，随着训(xun)练数据的增(zeng)加(jia)，模(mo)型的能力也得到很(hen)大扩(kuo)展，对不同样式不同位置的筐和物品，甚至完全没见过的物品，机器(qi)人也能进行(xing)识别并投放(fang)。在不断的研究与探索中，我们(men)的认知也在不断地被颠(dian)覆。现在的模(mo)型具备了同时执行(xing)多个任务，对不同场景(jing)和新物体的泛化能力，同时还能理解(jie)跟随语(yu)言指令。”

“解(jie)决(jue)一个工序也有上(shang)万台市场规模(mo)”

2023年11月，中国(guo)工业和信息化部(bu)发布的《人形机器(qi)人创新发展指导(dao)意见》中提出(chu)，到2025年，人形机器(qi)人创新体系初步建立，“大脑、小脑、肢体”等一批关键技术取得突破，确(que)保核心部(bu)组件安全有效供给。整机产品达到国(guo)际先(xian)进水平，并实现批量生产，在特种、制造(zao)、民生服务等场景(jing)得到示范应用，探索形成(cheng)有效的治理机制和手段。

今(jin)年1月初，智元机器(qi)人对外宣布，公司通用具身机器(qi)人累(lei)计下线达1000台。此前，中国(guo)国(guo)内的傅利叶、宇树科技等机器(qi)人公司也对外宣布过有关机器(qi)人量产的消息。国(guo)际上(shang)，埃隆·马(ma)斯克在今(jin)年1月份(fen)表示，特斯拉计划在今(jin)年生产数千台套人形机器(qi)人Optimus，若进展顺利，明年产量将达5万至10万台。

中新经纬在智元机器(qi)人上(shang)海临港量产工厂看到，一些机器(qi)发出(chu)嗡嗡声(sheng)响，200多名工人操作着不同的程序组装人形机器(qi)人，一些已经下线的机器(qi)人还需要(yao)进行(xing)最后的测试。

智元机器(qi)人制造(zao)部(bu)总经理张绍政对中新经纬称(cheng)，除了一些标准化的组件外，人形机器(qi)人的大多数核心部(bu)件都是该(gai)公司自研，再交(jiao)由相(xiang)关工厂完成(cheng)部(bu)件的生产后，最后的组装交(jiao)由临港量产工厂完成(cheng)。目(mu)前，临港量产工厂的年产能达到了数千台，后续(xu)还有进一步扩(kuo)大产能的计划。

智元机器(qi)人已交(jiao)付的机器(qi)人主要(yao)用于工业生产场景(jing)和一些展馆内机器(qi)人导(dao)览介绍等交(jiao)互(hu)服务场景(jing)。在工业生产场景(jing)，机器(qi)人主要(yao)从(cong)事“PPT”工序，即Pick（抓取）、Place（放(fang)置）和 Transfer（转运）。姚卯青表示，在汽车制造(zao)、3C制造(zao)等场景(jing)下，机器(qi)人可以替代一些重复、机械(xie)的工作，需求(qiu)量庞大，“解(jie)决(jue)一个工序也有上(shang)万台市场规模(mo)，未来如果真正(zheng)能实现完全的工业自动化，人形机器(qi)人行(xing)业会成(cheng)为比汽车制造(zao)业更大的一个产业。”

借鉴自动驾驶的等级(ji)划分思路，智元机器(qi)人将具身智能技术的发展也分为五个阶段，即G1至G5。G1阶段，属于基础自动化阶段，基于简单的机器(qi)视觉加(jia)上(shang)人工程序化编(bian)程，这一阶段的机器(qi)人系统设计和配置都针对特定的应用需求(qiu)，缺(que)乏泛化能力。G2阶段，通过抽象出(chu)可复用的原子技能，机器(qi)人可以实现一定程度上(shang)的场景(jing)迁移和泛化。这一阶段的机器(qi)人已经能够基于大语(yu)言模(mo)型（任务编(bian)排大模(mo)型）进行(xing)任务编(bian)排，具备一定的智能水平。到G3阶段，机器(qi)人将能够更灵活地适应不同场景(jing)和任务，通过持续(xu)学(xue)习不断优化自身性能。

姚卯青说：“目(mu)前整个行(xing)业的具身智能技术还处(chu)于G1到G2的阶段，学(xue)术阵地可能到了G3阶段。到G4阶段，我觉得还需要(yao)5年时间，而到G5阶段则要(yao)10年。简单讲，在G3阶段，具身智能技术会在单一任务上(shang)可以实现与人一样的成(cheng)功率；在G4阶段，可以实现用一个模(mo)型完成(cheng)多种任务；到G5阶段，则是具身智能技术的终极形态，它可以实现推理、反思、纠错。”

就(jiu)智元机器(qi)人而言，姚卯青透露，公司今(jin)年计划走(zou)通G3阶段产品的技术路线，明后年会继续(xu)向(xiang)更多场景(jing)与任务进行(xing)拓展，同时对G4阶段的产品进行(xing)一些布局。

走(zou)向(xiang)家用市场或需要(yao)5年时间

相(xiang)比于一些花式炫技，消费者更关心人形机器(qi)人何时能够“飞入寻常百姓家”。

今(jin)年2月，宇树科技的H1和G1人形机器(qi)人开售，G1的售价为9.9万元，H1的售价为65万元。2024年12月，众擎机器(qi)人的人形机器(qi)人PM01发售，售价8.8万元。

目(mu)前，智元机器(qi)人的客户主要(yao)来自企业端(duan)，采访中并未透露人形机器(qi)人的零售价格(ge)。但姚卯青称(cheng)，智元机器(qi)人的人形机器(qi)人产品的生产成(cheng)本正(zheng)在不断下降，每年大约会有15%～20%的降幅。人形机器(qi)人的成(cheng)本主要(yao)是一些关节类组件，随着行(xing)业量产，这类组件的价格(ge)会明显下降。智元机器(qi)人去年推出(chu)了全栈开源机器(qi)人灵犀X1，科技爱(ai)好者、开发者可在智元商(shang)城购买相(xiang)应的组件套餐。

姚卯青预计，人形机器(qi)人走(zou)向(xiang)家用市场，大约需要(yao)5年时间。他说：“走(zou)向(xiang)家用的人形机器(qi)人，到时能接受一些开放(fang)式的指令，可以从(cong)事一些常见的家庭工作，比如取放(fang)东西(xi)、泡杯茶(cha)、拿快递、丢垃圾、叠被子、洗衣服等常见工作。走(zou)入家庭的产品，价格(ge)可能在5万元这一级(ji)别。”

姚卯青称(cheng)，具身智能技术发展到G4阶段时，智力上(shang)与人已经差不多，在居家场景(jing)使用时，会替代家政服务人员完成(cheng)部(bu)分基础工作，但体力上(shang)是否可以跟上(shang)要(yao)取决(jue)于硬件的迭代情况。他说：“是否能让人形机器(qi)人爬到窗户外面擦窗，这还需要(yao)行(xing)业共同努力。”

姚卯青表示，人形机器(qi)人的发展也面临硬件与软件上(shang)的瓶颈。硬件方面，对机器(qi)人的手部(bu)研发亟待突破，目(mu)前市场的高自由度灵巧手的灵活度与人手相(xiang)比仍(reng)存差距。另外，关节和电机的轻(qing)量化、小型化，外壳材料(liao)的高强度、轻(qing)量化、仿真化，电池的功率密(mi)度的提升，芯片的更大算力及更低(di)成(cheng)本，更丰富和精密(mi)的传感(gan)器(qi)等，都需要(yao)改(gai)进。软件方面，具身智能技术还处(chu)于G1到G2阶段，因(yin)此在算法方面还有很(hen)长的路要(yao)走(zou)，这中间，数据也比较核心。

当前，全球多个国(guo)家都在人形机器(qi)人行(xing)业发力，中国(guo)的优势(shi)在哪里(li)？姚卯青表示，一是，供应链方面，中国(guo)拥有庞大而完整的零部(bu)件供应链，这是其他国(guo)家或地区无法比拟的；二是，人才(cai)方面，中国(guo)拥有数量庞大的工科人才(cai)和专家队伍，人才(cai)的专业技术过硬，同时，整个人力成(cheng)本也相(xiang)对较低(di)；三是，政策支持，政府部(bu)门(men)对人形机器(qi)人的支持力度较大。

2月17日在北京召开的民营(ying)企业座(zuo)谈会引(yin)发广泛关注。座(zuo)谈会上(shang)，6位民营(ying)企业负责(ze)人代表先(xian)后发言，就(jiu)新形势(shi)下促进民营(ying)经济发展提出(chu)意见和建议。智元机器(qi)人相(xiang)关负责(ze)人表示，党和国(guo)家对民营(ying)经济发展的支持是有目(mu)共睹的，对培育(yu)新质生产力更是不遗余(yu)力。当前正(zheng)值人形机器(qi)人产业的快速发展期，既需要(yao)民营(ying)企业充分发挥主观能动性，也需要(yao)各级(ji)政府政策的支持与帮助，相(xiang)信中国(guo)的人形机器(qi)人产业一定大有作为。

国(guo)信证券机械(xie)首席分析师满在朋在2月16日的研报中称(cheng)，2024年是国(guo)内外人形机器(qi)人的原型机发布大年，经过半年到一年的技术优化与调试，2025年有望成(cheng)为真正(zheng)的量产元年。DeepSeek AI成(cheng)功突破AI发展的高昂成(cheng)本问题，凭借降本、开源的优势(shi)，在人形机器(qi)人领域展现出(chu)强大的赋能能力，有望助力机器(qi)人在环(huan)境感(gan)知、任务规划与决(jue)策、持续(xu)进化等大模(mo)型方面实现质的飞跃。

中信证券表示在研报中称(cheng)，在全球劳动年龄人口下降、人工成(cheng)本上(shang)升的背景(jing)下，用机器(qi)替代流水线上(shang)的简单重复劳动并逐(zhu)步成(cheng)为人类生活的多场景(jing)下的助手是一大趋势(shi)。“人形”是最适合人类社(she)会所有场景(jing)的形态，无需改(gai)变场景(jing)来适应机器(qi)，一旦技术成(cheng)熟可直接用于所有社(she)会场景(jing)。中信证券认为，2025年全球人形机器(qi)人出(chu)货量将会突破1万台，预计到2030年将达到500万台左右(you)，市场需求(qiu)会提升至约7500亿元。

文：薛(xue)宇飞