姚卯青对中新经纬表示，一方面(mian)，资本市场的大力推动对人形机(ji)器人的发展起到了很大作用，从全球看，美国特斯拉创始人埃(ai)隆·马斯克布局人形机(ji)器人行业，英伟达也在这方面(mian)动作频频。另一方面(mian)，大语言模型不(bu)断实现(xian)突(tu)破，给机(ji)器人的智(zhi)能化提供(gong)了技术基础。

数据尤其是(shi)高质量数据，就如同一道道练习题，大模型在数据的不(bu)断投喂下进行练习与模仿，才能变得更加智(zhi)能。而是(shi)否(fou)拥有高质量数据，成为发展人形机(ji)器人的卡点之一。姚卯青称，具身智(zhi)能训练领域大规(gui)模的开(kai)源数据集是(shi)美国Google公司的Open X-Embodiment，但该数据是(shi)全球几十家机(ji)构(gou)拼(pin)凑起来的，质量较差(cha)，而且有些(xie)数据已经丢失，行业需(xu)要一个高质量、大规(gui)模的数据集。

在4000平方米的智(zhi)元机(ji)器人数据采集中心，搭建出(chu)家居(ju)、餐(can)厅、工(gong)业、商超(chao)、办公五大类场景，包含(han)超(chao)过两百个细分场景的任务。在这些(xie)场景中，数百名(ming)数据采集员通过头戴VR眼镜、手持操作手柄指挥着(zhe)机(ji)器人进行各种动作。比如，家居(ju)场景依据真(zhen)实住宅进行布局，包括(kuo)卧(wo)室、客厅、厨房、卫(wei)生间等空间，可以实现(xian)机(ji)器人整理物品(pin)、收拾碗筷、打扫房间等。在奶茶店场景下，采集机(ji)器人奶茶制作、送(song)餐(can)、收拾桌子等过程。

中新经纬看到，在数据采集员的操控下，一台机(ji)器人拿起桌上(shang)的茶壶，慢慢地将水倒入(ru)面(mian)前的杯子中，然后将水壶放回原位。不(bu)过，重(zhong)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(bu)断挪动杯子和茶壶的位置(zhi)，记录下不(bu)同场景下的数据。同样，采集机(ji)器人扫地时，数据采集员也将垃圾(ji)摆放在不(bu)同位置(zhi)，通过操作手柄让机(ji)器人手臂(bi)上(shang)的吸尘器去吸取。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)元机(ji)器人的模型训练路线与语言大模型比较类似。最开(kai)始是(shi)预训练，该阶段使用尽量多的数据进行训练，形成对环境的基本感知等。之后，会采集数百条高质量数据，里面(mian)也会做一些(xie)泛化，比如倒水的动作，对水壶、桌面(mian)、光(guang)照等进行更换，拿放位置(zhi)及倒水姿态进行调整等，大概数百条数据能让机(ji)器人实现(xian)比较好的倒水效(xiao)果。”

智(zhi)元机(ji)器人数据采集中心负责人阮丞向中新经纬解释称，简单来说，智(zhi)元机(ji)器人具身基座(zuo)大模型是(shi)端(duan)到端(duan)的VLA大模型，它(ta)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，再使用相同本体的高质量真(zhen)机(ji)动作数据进行训练，也就是(shi)数据采集中心所采集的数据，让模型具备动作的精细执行能力。

阮丞说：“这个过程可以对比教小孩(hai)子学做菜，最开(kai)始是(shi)认识菜、肉、调料，之后告诉(su)他操作步骤，最后是(shi)实践操作。就倒水这一动作来说，（我们）先让大模型认识各式各样的水壶、杯子以及杯子里的水位等，之后让它(ta)具备在不(bu)同场景下的泛化能力，最后在高质量真(zhen)机(ji)动作数据的训练下，能够(gou)精准理解倒水的相关动作。”

阮丞也称，教会人形机(ji)器人学会每项动作需(xu)要采集多少条数据，因任务和要求不(bu)同可能有所差(cha)异，没(mei)办法准确量化，而且，随着(zhe)对人形机(ji)器人的要求越来越高，可能需(xu)要更多的数据。

2024年底，智(zhi)元机(ji)器人对该数据采集中心的百万真(zhen)机(ji)数据集AgiBot World进行了开(kai)源。据介绍，相较于Google的Open X-Embodiment，AgiBot World长程数据规(gui)模高出(chu)10倍，场景范围覆盖面(mian)扩大100倍，数据质量也从实验室级上(shang)升到工(gong)业级标准。

对具身大模型的不(bu)断训练已经产生效(xiao)果。阮丞说：“以最早(zao)期的抓取放置(zhi)任务训练为例，让机(ji)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(bu)同样式不(bu)同位置(zhi)的筐和物品(pin)，甚至完全没(mei)见过的物品(pin)，机(ji)器人也能进行识别并投放。在不(bu)断的研究与探索中，我们的认知也在不(bu)断地被颠覆。现(xian)在的模型具备了同时执行多个任务，对不(bu)同场景和新物体的泛化能力，同时还能理解跟随语言指令。”

“解决一个工(gong)序也有上(shang)万台市场规(gui)模”

2023年11月，中国工(gong)业和信息化部发布的《人形机(ji)器人创新发展指导意见》中提出(chu)，到2025年，人形机(ji)器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(tu)破，确保核心部组件安全有效(xiao)供(gong)给。整机(ji)产品(pin)达到国际先进水平，并实现(xian)批量生产，在特种、制造、民生服务等场景得到示范应(ying)用，探索形成有效(xiao)的治理机(ji)制和手段。

今年1月初，智(zhi)元机(ji)器人对外宣布，公司通用具身机(ji)器人累计下线达1000台。此前，中国国内(nei)的傅利叶、宇树科技等机(ji)器人公司也对外宣布过有关机(ji)器人量产的消息。国际上(shang)，埃(ai)隆·马斯克在今年1月份表示，特斯拉计划在今年生产数千台套人形机(ji)器人Optimus，若(ruo)进展顺利，明年产量将达5万至10万台。

中新经纬在智(zhi)元机(ji)器人上(shang)海临港量产工(gong)厂看到，一些(xie)机(ji)器发出(chu)嗡嗡声响，200多名(ming)工(gong)人操作着(zhe)不(bu)同的程序组装人形机(ji)器人，一些(xie)已经下线的机(ji)器人还需(xu)要进行最后的测试。

智(zhi)元机(ji)器人制造部总经理张绍政对中新经纬称，除了一些(xie)标准化的组件外，人形机(ji)器人的大多数核心部件都(dou)是(shi)该公司自研，再交由相关工(gong)厂完成部件的生产后，最后的组装交由临港量产工(gong)厂完成。目前，临港量产工(gong)厂的年产能达到了数千台，后续还有进一步扩大产能的计划。

智(zhi)元机(ji)器人已交付的机(ji)器人主要用于工(gong)业生产场景和一些(xie)展馆内(nei)机(ji)器人导览介绍等交互服务场景。在工(gong)业生产场景，机(ji)器人主要从事(shi)“PPT”工(gong)序，即Pick（抓取）、Place（放置(zhi)）和 Transfer（转运）。姚卯青表示，在汽(qi)车制造、3C制造等场景下，机(ji)器人可以替代一些(xie)重(zhong)复、机(ji)械的工(gong)作，需(xu)求量庞大，“解决一个工(gong)序也有上(shang)万台市场规(gui)模，未来如果真(zhen)正(zheng)能实现(xian)完全的工(gong)业自动化，人形机(ji)器人行业会成为比汽(qi)车制造业更大的一个产业。”

借鉴自动驾(jia)驶的等级划分思路，智(zhi)元机(ji)器人将具身智(zhi)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(ji)器视觉加上(shang)人工(gong)程序化编程，这一阶段的机(ji)器人系统(tong)设(she)计和配置(zhi)都(dou)针对特定的应(ying)用需(xu)求，缺乏(fa)泛化能力。G2阶段，通过抽象出(chu)可复用的原子技能，机(ji)器人可以实现(xian)一定程度上(shang)的场景迁移和泛化。这一阶段的机(ji)器人已经能够(gou)基于大语言模型（任务编排(pai)大模型）进行任务编排(pai)，具备一定的智(zhi)能水平。到G3阶段，机(ji)器人将能够(gou)更灵活地适(shi)应(ying)不(bu)同场景和任务，通过持续学习不(bu)断优化自身性能。

姚卯青说：“目前整个行业的具身智(zhi)能技术还处于G1到G2的阶段，学术阵地可能到了G3阶段。到G4阶段，我觉得还需(xu)要5年时间，而到G5阶段则要10年。简单讲，在G3阶段，具身智(zhi)能技术会在单一任务上(shang)可以实现(xian)与人一样的成功率；在G4阶段，可以实现(xian)用一个模型完成多种任务；到G5阶段，则是(shi)具身智(zhi)能技术的终极形态，它(ta)可以实现(xian)推理、反思、纠错。”

就智(zhi)元机(ji)器人而言，姚卯青透露，公司今年计划走通G3阶段产品(pin)的技术路线，明后年会继续向更多场景与任务进行拓展，同时对G4阶段的产品(pin)进行一些(xie)布局。

走向家用市场或需(xu)要5年时间

相比于一些(xie)花式炫技，消费(fei)者(zhe)更关心人形机(ji)器人何时能够(gou)“飞入(ru)寻常百姓家”。

今年2月，宇树科技的H1和G1人形机(ji)器人开(kai)售，G1的售价(jia)为9.9万元，H1的售价(jia)为65万元。2024年12月，众擎(qing)机(ji)器人的人形机(ji)器人PM01发售，售价(jia)8.8万元。

目前，智(zhi)元机(ji)器人的客户主要来自企业端(duan)，采访中并未透露人形机(ji)器人的零售价(jia)格(ge)。但姚卯青称，智(zhi)元机(ji)器人的人形机(ji)器人产品(pin)的生产成本正(zheng)在不(bu)断下降，每年大约会有15%～20%的降幅(fu)。人形机(ji)器人的成本主要是(shi)一些(xie)关节类组件，随着(zhe)行业量产，这类组件的价(jia)格(ge)会明显下降。智(zhi)元机(ji)器人去年推出(chu)了全栈开(kai)源机(ji)器人灵犀X1，科技爱好者(zhe)、开(kai)发者(zhe)可在智(zhi)元商城购买相应(ying)的组件套餐(can)。

姚卯青预计，人形机(ji)器人走向家用市场，大约需(xu)要5年时间。他说：“走向家用的人形机(ji)器人，到时能接受一些(xie)开(kai)放式的指令，可以从事(shi)一些(xie)常见的家庭工(gong)作，比如取放东西(xi)、泡杯茶、拿快递、丢垃圾(ji)、叠被子、洗衣服等常见工(gong)作。走入(ru)家庭的产品(pin)，价(jia)格(ge)可能在5万元这一级别。”

姚卯青称，具身智(zhi)能技术发展到G4阶段时，智(zhi)力上(shang)与人已经差(cha)不(bu)多，在居(ju)家场景使用时，会替代家政服务人员完成部分基础工(gong)作，但体力上(shang)是(shi)否(fou)可以跟上(shang)要取决于硬(ying)件的迭代情况(kuang)。他说：“是(shi)否(fou)能让人形机(ji)器人爬到窗(chuang)户外面(mian)擦窗(chuang)，这还需(xu)要行业共同努力。”

姚卯青表示，人形机(ji)器人的发展也面(mian)临硬(ying)件与软件上(shang)的瓶颈。硬(ying)件方面(mian)，对机(ji)器人的手部研发亟待突(tu)破，目前市场的高自由度灵巧手的灵活度与人手相比仍存差(cha)距。另外，关节和电机(ji)的轻量化、小型化，外壳(ke)材料的高强(qiang)度、轻量化、仿真(zhen)化，电池的功率密度的提升，芯片(pian)的更大算力及更低成本，更丰富和精密的传感器等，都(dou)需(xu)要改进。软件方面(mian)，具身智(zhi)能技术还处于G1到G2阶段，因此在算法方面(mian)还有很长的路要走，这中间，数据也比较核心。

当前，全球多个国家都(dou)在人形机(ji)器人行业发力，中国的优势在哪里？姚卯青表示，一是(shi)，供(gong)应(ying)链方面(mian)，中国拥有庞大而完整的零部件供(gong)应(ying)链，这是(shi)其他国家或地区无法比拟的；二是(shi)，人才方面(mian)，中国拥有数量庞大的工(gong)科人才和专家队伍，人才的专业技术过硬(ying)，同时，整个人力成本也相对较低；三是(shi)，政策支(zhi)持，政府部门(men)对人形机(ji)器人的支(zhi)持力度较大。

2月17日在北京召开(kai)的民营企业座(zuo)谈会引发广泛关注。座(zuo)谈会上(shang)，6位民营企业负责人代表先后发言，就新形势下促进民营经济发展提出(chu)意见和建议。智(zhi)元机(ji)器人相关负责人表示，党(dang)和国家对民营经济发展的支(zhi)持是(shi)有目共睹(du)的，对培育新质生产力更是(shi)不(bu)遗余力。当前正(zheng)值人形机(ji)器人产业的快速发展期，既需(xu)要民营企业充分发挥主观能动性，也需(xu)要各级政府政策的支(zhi)持与帮助(zhu)，相信中国的人形机(ji)器人产业一定大有作为。

国信证券机(ji)械首席分析师满在朋在2月16日的研报中称，2024年是(shi)国内(nei)外人形机(ji)器人的原型机(ji)发布大年，经过半年到一年的技术优化与调试，2025年有望(wang)成为真(zhen)正(zheng)的量产元年。DeepSeek AI成功突(tu)破AI发展的高昂成本问题，凭借降本、开(kai)源的优势，在人形机(ji)器人领域展现(xian)出(chu)强(qiang)大的赋能能力，有望(wang)助(zhu)力机(ji)器人在环境感知、任务规(gui)划与决策、持续进化等大模型方面(mian)实现(xian)质的飞跃。

中信证券表示在研报中称，在全球劳(lao)动年龄人口下降、人工(gong)成本上(shang)升的背景下，用机(ji)器替代流水线上(shang)的简单重(zhong)复劳(lao)动并逐步成为人类生活的多场景下的助(zhu)手是(shi)一大趋势。“人形”是(shi)最适(shi)合人类社会所有场景的形态，无需(xu)改变场景来适(shi)应(ying)机(ji)器，一旦技术成熟(shu)可直接用于所有社会场景。中信证券认为，2025年全球人形机(ji)器人出(chu)货量将会突(tu)破1万台，预计到2030年将达到500万台左右，市场需(xu)求会提升至约7500亿元。

文(wen)：薛(xue)宇飞