姚卯青对中新经纬表示，一方面，资本(ben)市场的大力推动对人形机器人的发(fa)展起到了(le)很大作用，从全球看，美国特斯拉创始人埃隆(long)·马斯克布局人形机器人行(xing)业(ye)，英(ying)伟达也在这方面动作频(pin)频(pin)。另一方面，大语言模型不断实(shi)现(xian)突破(po)，给机器人的智(zhi)能化提供了(le)技术(shu)基础。

数据尤其是高质量数据，就如同一道道练习题，大模型在数据的不断投(tou)喂下(xia)进行(xing)练习与模仿，才能变得更加智(zhi)能。而是否拥有高质量数据，成为发(fa)展人形机器人的卡点之一。姚卯青称，具身智(zhi)能训练领域大规模的开源数据集是美国Google公司的Open X-Embodiment，但该数据是全球几十家机构拼凑起来的，质量较差，而且有些(xie)数据已经丢失，行(xing)业(ye)需要一个高质量、大规模的数据集。

在4000平方米(mi)的智(zhi)元(yuan)机器人数据采集中心，搭建出家居、餐厅、工业(ye)、商超、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(xie)场景(jing)中，数百名数据采集员通过头戴VR眼(yan)镜、手持操作手柄指挥(hui)着(zhe)机器人进行(xing)各种动作。比(bi)如，家居场景(jing)依(yi)据真实(shi)住(zhu)宅进行(xing)布局，包括卧室、客厅、厨(chu)房(fang)、卫生间等空间，可(ke)以实(shi)现(xian)机器人整理物品(pin)、收拾碗(wan)筷(kuai)、打扫房(fang)间等。在奶茶店(dian)场景(jing)下(xia)，采集机器人奶茶制作、送餐、收拾桌子等过程。

中新经纬看到，在数据采集员的操控下(xia)，一台机器人拿起桌上的茶壶，慢慢地将(jiang)水倒(dao)入面前的杯子中，然后(hou)将(jiang)水壶放回原位。不过，重复、单一的数据，对训练大模型作用甚微，采集过程中，数据采集员会不断挪动杯子和茶壶的位置，记录下(xia)不同场景(jing)下(xia)的数据。同样(yang)，采集机器人扫地时，数据采集员也将(jiang)垃圾摆(bai)放在不同位置，通过操作手柄让机器人手臂上的吸尘器去(qu)吸取。该数据采集员表示，这项动作一天约能采集数百条。

姚卯青说：“智(zhi)元(yuan)机器人的模型训练路线与语言大模型比(bi)较类似。最开始是预训练，该阶段使用尽量多的数据进行(xing)训练，形成对环境的基本(ben)感知等。之后(hou)，会采集数百条高质量数据，里面也会做(zuo)一些(xie)泛化，比(bi)如倒(dao)水的动作，对水壶、桌面、光照等进行(xing)更换，拿放位置及倒(dao)水姿态进行(xing)调整等，大概数百条数据能让机器人实(shi)现(xian)比(bi)较好的倒(dao)水效果。”

智(zhi)元(yuan)机器人数据采集中心负责人阮(ruan)丞向中新经纬解释称，简单来说，智(zhi)元(yuan)机器人具身基座大模型是端到端的VLA大模型，它以互联网多模态大模型为基础，先让模型具有通用的感知和动作理解能力，再使用相同本(ben)体(ti)的高质量真机动作数据进行(xing)训练，也就是数据采集中心所采集的数据，让模型具备(bei)动作的精细执行(xing)能力。

阮(ruan)丞说：“这个过程可(ke)以对比(bi)教小(xiao)孩(hai)子学做(zuo)菜，最开始是认识菜、肉、调料，之后(hou)告诉他操作步骤，最后(hou)是实(shi)践操作。就倒(dao)水这一动作来说，（我们）先让大模型认识各式各样(yang)的水壶、杯子以及杯子里的水位等，之后(hou)让它具备(bei)在不同场景(jing)下(xia)的泛化能力，最后(hou)在高质量真机动作数据的训练下(xia)，能够(gou)精准(zhun)理解倒(dao)水的相关动作。”

阮(ruan)丞也称，教会人形机器人学会每(mei)项动作需要采集多少条数据，因任务和要求不同可(ke)能有所差异，没办法准(zhun)确量化，而且，随着(zhe)对人形机器人的要求越来越高，可(ke)能需要更多的数据。

2024年底，智(zhi)元(yuan)机器人对该数据采集中心的百万真机数据集AgiBot World进行(xing)了(le)开源。据介绍(shao)，相较于Google的Open X-Embodiment，AgiBot World长程数据规模高出10倍，场景(jing)范(fan)围覆盖面扩大100倍，数据质量也从实(shi)验(yan)室级上升到工业(ye)级标(biao)准(zhun)。

对具身大模型的不断训练已经产(chan)生效果。阮(ruan)丞说：“以最早期的抓取放置任务训练为例，让机器人抓取一个物品(pin)从一个筐放进另一个筐，随着(zhe)训练数据的增加，模型的能力也得到很大扩展，对不同样(yang)式不同位置的筐和物品(pin)，甚至完全没见过的物品(pin)，机器人也能进行(xing)识别并投(tou)放。在不断的研究与探索中，我们的认知也在不断地被颠覆。现(xian)在的模型具备(bei)了(le)同时执行(xing)多个任务，对不同场景(jing)和新物体(ti)的泛化能力，同时还能理解跟随语言指令。”

“解决一个工序也有上万台市场规模”

2023年11月，中国工业(ye)和信息化部发(fa)布的《人形机器人创新发(fa)展指导意见》中提出，到2025年，人形机器人创新体(ti)系初步建立，“大脑、小(xiao)脑、肢体(ti)”等一批关键技术(shu)取得突破(po)，确保核心部组件安全有效供给。整机产(chan)品(pin)达到国际先进水平，并实(shi)现(xian)批量生产(chan)，在特种、制造、民生服(fu)务等场景(jing)得到示范(fan)应(ying)用，探索形成有效的治理机制和手段。

今年1月初，智(zhi)元(yuan)机器人对外宣(xuan)布，公司通用具身机器人累计下(xia)线达1000台。此前，中国国内的傅利(li)叶、宇(yu)树科技等机器人公司也对外宣(xuan)布过有关机器人量产(chan)的消息。国际上，埃隆(long)·马斯克在今年1月份表示，特斯拉计划在今年生产(chan)数千台套人形机器人Optimus，若进展顺利(li)，明年产(chan)量将(jiang)达5万至10万台。

中新经纬在智(zhi)元(yuan)机器人上海(hai)临港量产(chan)工厂看到，一些(xie)机器发(fa)出嗡嗡声响(xiang)，200多名工人操作着(zhe)不同的程序组装人形机器人，一些(xie)已经下(xia)线的机器人还需要进行(xing)最后(hou)的测试(shi)。

智(zhi)元(yuan)机器人制造部总(zong)经理张绍(shao)政(zheng)对中新经纬称，除(chu)了(le)一些(xie)标(biao)准(zhun)化的组件外，人形机器人的大多数核心部件都(dou)是该公司自研，再交由相关工厂完成部件的生产(chan)后(hou)，最后(hou)的组装交由临港量产(chan)工厂完成。目前，临港量产(chan)工厂的年产(chan)能达到了(le)数千台，后(hou)续还有进一步扩大产(chan)能的计划。

智(zhi)元(yuan)机器人已交付的机器人主(zhu)要用于工业(ye)生产(chan)场景(jing)和一些(xie)展馆内机器人导览介绍(shao)等交互服(fu)务场景(jing)。在工业(ye)生产(chan)场景(jing)，机器人主(zhu)要从事(shi)“PPT”工序，即Pick（抓取）、Place（放置）和 Transfer（转运）。姚卯青表示，在汽车制造、3C制造等场景(jing)下(xia)，机器人可(ke)以替代一些(xie)重复、机械的工作，需求量庞大，“解决一个工序也有上万台市场规模，未来如果真正能实(shi)现(xian)完全的工业(ye)自动化，人形机器人行(xing)业(ye)会成为比(bi)汽车制造业(ye)更大的一个产(chan)业(ye)。”

借鉴自动驾驶的等级划分思路，智(zhi)元(yuan)机器人将(jiang)具身智(zhi)能技术(shu)的发(fa)展也分为五个阶段，即G1至G5。G1阶段，属于基础自动化阶段，基于简单的机器视觉加上人工程序化编程，这一阶段的机器人系统设(she)计和配置都(dou)针对特定的应(ying)用需求，缺乏泛化能力。G2阶段，通过抽象出可(ke)复用的原子技能，机器人可(ke)以实(shi)现(xian)一定程度上的场景(jing)迁移(yi)和泛化。这一阶段的机器人已经能够(gou)基于大语言模型（任务编排大模型）进行(xing)任务编排，具备(bei)一定的智(zhi)能水平。到G3阶段，机器人将(jiang)能够(gou)更灵活地适应(ying)不同场景(jing)和任务，通过持续学习不断优化自身性能。

姚卯青说：“目前整个行(xing)业(ye)的具身智(zhi)能技术(shu)还处(chu)于G1到G2的阶段，学术(shu)阵地可(ke)能到了(le)G3阶段。到G4阶段，我觉得还需要5年时间，而到G5阶段则要10年。简单讲(jiang)，在G3阶段，具身智(zhi)能技术(shu)会在单一任务上可(ke)以实(shi)现(xian)与人一样(yang)的成功率；在G4阶段，可(ke)以实(shi)现(xian)用一个模型完成多种任务；到G5阶段，则是具身智(zhi)能技术(shu)的终(zhong)极形态，它可(ke)以实(shi)现(xian)推理、反思、纠错。”

就智(zhi)元(yuan)机器人而言，姚卯青透露，公司今年计划走通G3阶段产(chan)品(pin)的技术(shu)路线，明后(hou)年会继续向更多场景(jing)与任务进行(xing)拓展，同时对G4阶段的产(chan)品(pin)进行(xing)一些(xie)布局。

走向家用市场或需要5年时间

相比(bi)于一些(xie)花(hua)式炫技，消费者(zhe)更关心人形机器人何(he)时能够(gou)“飞入寻常百姓家”。

今年2月，宇(yu)树科技的H1和G1人形机器人开售，G1的售价为9.9万元(yuan)，H1的售价为65万元(yuan)。2024年12月，众擎机器人的人形机器人PM01发(fa)售，售价8.8万元(yuan)。

目前，智(zhi)元(yuan)机器人的客户主(zhu)要来自企业(ye)端，采访中并未透露人形机器人的零售价格。但姚卯青称，智(zhi)元(yuan)机器人的人形机器人产(chan)品(pin)的生产(chan)成本(ben)正在不断下(xia)降，每(mei)年大约会有15%～20%的降幅。人形机器人的成本(ben)主(zhu)要是一些(xie)关节类组件，随着(zhe)行(xing)业(ye)量产(chan)，这类组件的价格会明显(xian)下(xia)降。智(zhi)元(yuan)机器人去(qu)年推出了(le)全栈开源机器人灵犀X1，科技爱好者(zhe)、开发(fa)者(zhe)可(ke)在智(zhi)元(yuan)商城购买相应(ying)的组件套餐。

姚卯青预计，人形机器人走向家用市场，大约需要5年时间。他说：“走向家用的人形机器人，到时能接受(shou)一些(xie)开放式的指令，可(ke)以从事(shi)一些(xie)常见的家庭工作，比(bi)如取放东西(xi)、泡杯茶、拿快递、丢垃圾、叠被子、洗衣(yi)服(fu)等常见工作。走入家庭的产(chan)品(pin)，价格可(ke)能在5万元(yuan)这一级别。”

姚卯青称，具身智(zhi)能技术(shu)发(fa)展到G4阶段时，智(zhi)力上与人已经差不多，在居家场景(jing)使用时，会替代家政(zheng)服(fu)务人员完成部分基础工作，但体(ti)力上是否可(ke)以跟上要取决于硬(ying)件的迭代情况(kuang)。他说：“是否能让人形机器人爬到窗(chuang)户外面擦窗(chuang)，这还需要行(xing)业(ye)共同努力。”

姚卯青表示，人形机器人的发(fa)展也面临硬(ying)件与软件上的瓶颈。硬(ying)件方面，对机器人的手部研发(fa)亟(ji)待突破(po)，目前市场的高自由度灵巧手的灵活度与人手相比(bi)仍存差距(ju)。另外，关节和电机的轻量化、小(xiao)型化，外壳材料的高强度、轻量化、仿真化，电池的功率密度的提升，芯片的更大算力及更低成本(ben)，更丰富和精密的传(chuan)感器等，都(dou)需要改进。软件方面，具身智(zhi)能技术(shu)还处(chu)于G1到G2阶段，因此在算法方面还有很长的路要走，这中间，数据也比(bi)较核心。

当(dang)前，全球多个国家都(dou)在人形机器人行(xing)业(ye)发(fa)力，中国的优势(shi)在哪里？姚卯青表示，一是，供应(ying)链方面，中国拥有庞大而完整的零部件供应(ying)链，这是其他国家或地区无法比(bi)拟的；二是，人才方面，中国拥有数量庞大的工科人才和专家队伍，人才的专业(ye)技术(shu)过硬(ying)，同时，整个人力成本(ben)也相对较低；三是，政(zheng)策(ce)支持，政(zheng)府部门对人形机器人的支持力度较大。

2月17日(ri)在北(bei)京召开的民营企业(ye)座谈会引发(fa)广泛关注。座谈会上，6位民营企业(ye)负责人代表先后(hou)发(fa)言，就新形势(shi)下(xia)促进民营经济发(fa)展提出意见和建议。智(zhi)元(yuan)机器人相关负责人表示，党和国家对民营经济发(fa)展的支持是有目共睹的，对培育新质生产(chan)力更是不遗余(yu)力。当(dang)前正值人形机器人产(chan)业(ye)的快速发(fa)展期，既需要民营企业(ye)充(chong)分发(fa)挥(hui)主(zhu)观能动性，也需要各级政(zheng)府政(zheng)策(ce)的支持与帮(bang)助，相信中国的人形机器人产(chan)业(ye)一定大有作为。

国信证(zheng)券机械首席分析(xi)师满在朋在2月16日(ri)的研报(bao)中称，2024年是国内外人形机器人的原型机发(fa)布大年，经过半年到一年的技术(shu)优化与调试(shi)，2025年有望成为真正的量产(chan)元(yuan)年。DeepSeek AI成功突破(po)AI发(fa)展的高昂成本(ben)问题，凭借降本(ben)、开源的优势(shi)，在人形机器人领域展现(xian)出强大的赋(fu)能能力，有望助力机器人在环境感知、任务规划与决策(ce)、持续进化等大模型方面实(shi)现(xian)质的飞跃。

中信证(zheng)券表示在研报(bao)中称，在全球劳动年龄人口下(xia)降、人工成本(ben)上升的背景(jing)下(xia)，用机器替代流水线上的简单重复劳动并逐步成为人类生活的多场景(jing)下(xia)的助手是一大趋势(shi)。“人形”是最适合(he)人类社会所有场景(jing)的形态，无需改变场景(jing)来适应(ying)机器，一旦技术(shu)成熟可(ke)直接用于所有社会场景(jing)。中信证(zheng)券认为，2025年全球人形机器人出货量将(jiang)会突破(po)1万台，预计到2030年将(jiang)达到500万台左右，市场需求会提升至约7500亿元(yuan)。

文：薛(xue)宇(yu)飞