姚卯青对中新经纬表示，一(yi)方面，资本市场的大力(li)推动对人形机(ji)器人的发展起到了很大作(zuo)用(yong)，从全球(qiu)看(kan)，美国特斯拉创始人埃隆·马斯克(ke)布局人形机(ji)器人行业，英伟达也在这(zhe)方面动作(zuo)频频。另(ling)一(yi)方面，大语言模型(xing)不断实现突破，给机(ji)器人的智能化提供了技术基础。

数(shu)据尤其是高(gao)质量数(shu)据，就如同(tong)一(yi)道道练习(xi)题，大模型(xing)在数(shu)据的不断投喂下(xia)进行练习(xi)与模仿(fang)，才能变得更加智能。而是否拥有高(gao)质量数(shu)据，成为发展人形机(ji)器人的卡点之一(yi)。姚卯青称，具身智能训练领域大规模的开源数(shu)据集是美国Google公司的Open X-Embodiment，但该数(shu)据是全球(qiu)几十家机(ji)构拼凑起来的，质量较差，而且有些(xie)数(shu)据已经丢失，行业需要一(yi)个高(gao)质量、大规模的数(shu)据集。

在4000平方米的智元机(ji)器人数(shu)据采集中心，搭建(jian)出家居、餐厅、工业、商(shang)超、办公五大类场景，包含(han)超过两(liang)百个细分场景的任务。在这(zhe)些(xie)场景中，数(shu)百名数(shu)据采集员通过头戴VR眼镜、手持操作(zuo)手柄指挥着机(ji)器人进行各种动作(zuo)。比如，家居场景依据真实住宅进行布局，包括卧(wo)室、客厅、厨(chu)房、卫生间(jian)等空间(jian)，可以实现机(ji)器人整理物品、收拾碗筷、打扫房间(jian)等。在奶茶店场景下(xia)，采集机(ji)器人奶茶制作(zuo)、送餐、收拾桌子等过程。

中新经纬看(kan)到，在数(shu)据采集员的操控下(xia)，一(yi)台机(ji)器人拿起桌上的茶壶，慢慢地将水倒入面前的杯子中，然后将水壶放回原位。不过，重复、单一(yi)的数(shu)据，对训练大模型(xing)作(zuo)用(yong)甚微，采集过程中，数(shu)据采集员会(hui)不断挪动杯子和茶壶的位置，记(ji)录下(xia)不同(tong)场景下(xia)的数(shu)据。同(tong)样，采集机(ji)器人扫地时，数(shu)据采集员也将垃(la)圾摆放在不同(tong)位置，通过操作(zuo)手柄让机(ji)器人手臂(bi)上的吸尘器去吸取。该数(shu)据采集员表示，这(zhe)项(xiang)动作(zuo)一(yi)天约能采集数(shu)百条。

姚卯青说：“智元机(ji)器人的模型(xing)训练路(lu)线与语言大模型(xing)比较类似。最开始是预训练，该阶段使用(yong)尽量多的数(shu)据进行训练，形成对环境的基本感知等。之后，会(hui)采集数(shu)百条高(gao)质量数(shu)据，里面也会(hui)做一(yi)些(xie)泛化，比如倒水的动作(zuo)，对水壶、桌面、光照等进行更换，拿放位置及倒水姿态进行调整等，大概数(shu)百条数(shu)据能让机(ji)器人实现比较好的倒水效果。”

智元机(ji)器人数(shu)据采集中心负(fu)责人阮丞向(xiang)中新经纬解释称，简单来说，智元机(ji)器人具身基座大模型(xing)是端到端的VLA大模型(xing)，它以互联网多模态大模型(xing)为基础，先让模型(xing)具有通用(yong)的感知和动作(zuo)理解能力(li)，再使用(yong)相同(tong)本体的高(gao)质量真机(ji)动作(zuo)数(shu)据进行训练，也就是数(shu)据采集中心所采集的数(shu)据，让模型(xing)具备动作(zuo)的精细执行能力(li)。

阮丞说：“这(zhe)个过程可以对比教(jiao)小孩子学做菜(cai)，最开始是认(ren)识菜(cai)、肉、调料，之后告诉他操作(zuo)步骤，最后是实践操作(zuo)。就倒水这(zhe)一(yi)动作(zuo)来说，（我们）先让大模型(xing)认(ren)识各式各样的水壶、杯子以及杯子里的水位等，之后让它具备在不同(tong)场景下(xia)的泛化能力(li)，最后在高(gao)质量真机(ji)动作(zuo)数(shu)据的训练下(xia)，能够精准理解倒水的相关动作(zuo)。”

阮丞也称，教(jiao)会(hui)人形机(ji)器人学会(hui)每项(xiang)动作(zuo)需要采集多少条数(shu)据，因任务和要求不同(tong)可能有所差异，没办法准确量化，而且，随着对人形机(ji)器人的要求越来越高(gao)，可能需要更多的数(shu)据。

2024年底(di)，智元机(ji)器人对该数(shu)据采集中心的百万(wan)真机(ji)数(shu)据集AgiBot World进行了开源。据介绍(shao)，相较于Google的Open X-Embodiment，AgiBot World长(chang)程数(shu)据规模高(gao)出10倍，场景范围覆盖面扩大100倍，数(shu)据质量也从实验室级上升到工业级标(biao)准。

对具身大模型(xing)的不断训练已经产生效果。阮丞说：“以最早期的抓取放置任务训练为例，让机(ji)器人抓取一(yi)个物品从一(yi)个筐放进另(ling)一(yi)个筐，随着训练数(shu)据的增(zeng)加，模型(xing)的能力(li)也得到很大扩展，对不同(tong)样式不同(tong)位置的筐和物品，甚至完全没见过的物品，机(ji)器人也能进行识别(bie)并投放。在不断的研究与探索(suo)中，我们的认(ren)知也在不断地被颠覆。现在的模型(xing)具备了同(tong)时执行多个任务，对不同(tong)场景和新物体的泛化能力(li)，同(tong)时还能理解跟随语言指令。”

“解决一(yi)个工序也有上万(wan)台市场规模”

2023年11月，中国工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，到2025年，人形机(ji)器人创新体系初(chu)步建(jian)立，“大脑、小脑、肢(zhi)体”等一(yi)批关键技术取得突破，确保核心部组件安全有效供给。整机(ji)产品达到国际先进水平，并实现批量生产，在特种、制造、民生服务等场景得到示范应用(yong)，探索(suo)形成有效的治理机(ji)制和手段。

今年1月初(chu)，智元机(ji)器人对外宣布，公司通用(yong)具身机(ji)器人累计(ji)下(xia)线达1000台。此(ci)前，中国国内的傅利叶、宇(yu)树(shu)科(ke)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，埃隆·马斯克(ke)在今年1月份表示，特斯拉计(ji)划在今年生产数(shu)千台套人形机(ji)器人Optimus，若(ruo)进展顺利，明年产量将达5万(wan)至10万(wan)台。

中新经纬在智元机(ji)器人上海临港量产工厂看(kan)到，一(yi)些(xie)机(ji)器发出嗡嗡声响，200多名工人操作(zuo)着不同(tong)的程序组装人形机(ji)器人，一(yi)些(xie)已经下(xia)线的机(ji)器人还需要进行最后的测试。

智元机(ji)器人制造部总经理张绍(shao)政对中新经纬称，除了一(yi)些(xie)标(biao)准化的组件外，人形机(ji)器人的大多数(shu)核心部件都是该公司自研，再交由相关工厂完成部件的生产后，最后的组装交由临港量产工厂完成。目前，临港量产工厂的年产能达到了数(shu)千台，后续还有进一(yi)步扩大产能的计(ji)划。

智元机(ji)器人已交付的机(ji)器人主要用(yong)于工业生产场景和一(yi)些(xie)展馆内机(ji)器人导览介绍(shao)等交互服务场景。在工业生产场景，机(ji)器人主要从事(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制造等场景下(xia)，机(ji)器人可以替代一(yi)些(xie)重复、机(ji)械的工作(zuo)，需求量庞大，“解决一(yi)个工序也有上万(wan)台市场规模，未来如果真正能实现完全的工业自动化，人形机(ji)器人行业会(hui)成为比汽车制造业更大的一(yi)个产业。”

借鉴自动驾驶的等级划分思路(lu)，智元机(ji)器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(ji)器视觉加上人工程序化编程，这(zhe)一(yi)阶段的机(ji)器人系统设计(ji)和配置都针对特定的应用(yong)需求，缺乏泛化能力(li)。G2阶段，通过抽象(xiang)出可复用(yong)的原子技能，机(ji)器人可以实现一(yi)定程度(du)上的场景迁移(yi)和泛化。这(zhe)一(yi)阶段的机(ji)器人已经能够基于大语言模型(xing)（任务编排(pai)大模型(xing)）进行任务编排(pai)，具备一(yi)定的智能水平。到G3阶段，机(ji)器人将能够更灵(ling)活地适应不同(tong)场景和任务，通过持续学习(xi)不断优化自身性能。

姚卯青说：“目前整个行业的具身智能技术还处于G1到G2的阶段，学术阵地可能到了G3阶段。到G4阶段，我觉得还需要5年时间(jian)，而到G5阶段则要10年。简单讲，在G3阶段，具身智能技术会(hui)在单一(yi)任务上可以实现与人一(yi)样的成功率；在G4阶段，可以实现用(yong)一(yi)个模型(xing)完成多种任务；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(jiu)错(cuo)。”

就智元机(ji)器人而言，姚卯青透露，公司今年计(ji)划走通G3阶段产品的技术路(lu)线，明后年会(hui)继续向(xiang)更多场景与任务进行拓展，同(tong)时对G4阶段的产品进行一(yi)些(xie)布局。

走向(xiang)家用(yong)市场或需要5年时间(jian)

相比于一(yi)些(xie)花式炫技，消费者更关心人形机(ji)器人何时能够“飞入寻常百姓家”。

今年2月，宇(yu)树(shu)科(ke)技的H1和G1人形机(ji)器人开售，G1的售价为9.9万(wan)元，H1的售价为65万(wan)元。2024年12月，众擎机(ji)器人的人形机(ji)器人PM01发售，售价8.8万(wan)元。

目前，智元机(ji)器人的客户主要来自企业端，采访中并未透露人形机(ji)器人的零售价格。但姚卯青称，智元机(ji)器人的人形机(ji)器人产品的生产成本正在不断下(xia)降，每年大约会(hui)有15%～20%的降幅。人形机(ji)器人的成本主要是一(yi)些(xie)关节类组件，随着行业量产，这(zhe)类组件的价格会(hui)明显下(xia)降。智元机(ji)器人去年推出了全栈开源机(ji)器人灵(ling)犀X1，科(ke)技爱好者、开发者可在智元商(shang)城购买相应的组件套餐。

姚卯青预计(ji)，人形机(ji)器人走向(xiang)家用(yong)市场，大约需要5年时间(jian)。他说：“走向(xiang)家用(yong)的人形机(ji)器人，到时能接受一(yi)些(xie)开放式的指令，可以从事(shi)一(yi)些(xie)常见的家庭工作(zuo)，比如取放东(dong)西、泡杯茶、拿快(kuai)递、丢垃(la)圾、叠被子、洗衣服等常见工作(zuo)。走入家庭的产品，价格可能在5万(wan)元这(zhe)一(yi)级别(bie)。”

姚卯青称，具身智能技术发展到G4阶段时，智力(li)上与人已经差不多，在居家场景使用(yong)时，会(hui)替代家政服务人员完成部分基础工作(zuo)，但体力(li)上是否可以跟上要取决于硬件的迭代情况。他说：“是否能让人形机(ji)器人爬到窗户外面擦窗，这(zhe)还需要行业共同(tong)努力(li)。”

姚卯青表示，人形机(ji)器人的发展也面临硬件与软件上的瓶颈。硬件方面，对机(ji)器人的手部研发亟待突破，目前市场的高(gao)自由度(du)灵(ling)巧手的灵(ling)活度(du)与人手相比仍存差距。另(ling)外，关节和电机(ji)的轻量化、小型(xing)化，外壳材料的高(gao)强度(du)、轻量化、仿(fang)真化，电池的功率密度(du)的提升，芯片的更大算力(li)及更低成本，更丰富和精密的传感器等，都需要改进。软件方面，具身智能技术还处于G1到G2阶段，因此(ci)在算法方面还有很长(chang)的路(lu)要走，这(zhe)中间(jian)，数(shu)据也比较核心。

当前，全球(qiu)多个国家都在人形机(ji)器人行业发力(li)，中国的优势在哪里？姚卯青表示，一(yi)是，供应链方面，中国拥有庞大而完整的零部件供应链，这(zhe)是其他国家或地区无法比拟的；二是，人才方面，中国拥有数(shu)量庞大的工科(ke)人才和专家队伍(wu)，人才的专业技术过硬，同(tong)时，整个人力(li)成本也相对较低；三是，政策支持，政府部门对人形机(ji)器人的支持力(li)度(du)较大。

2月17日在北京召开的民营企业座谈会(hui)引发广(guang)泛关注(zhu)。座谈会(hui)上，6位民营企业负(fu)责人代表先后发言，就新形势下(xia)促进民营经济发展提出意见和建(jian)议。智元机(ji)器人相关负(fu)责人表示，党和国家对民营经济发展的支持是有目共睹的，对培(pei)育新质生产力(li)更是不遗余力(li)。当前正值人形机(ji)器人产业的快(kuai)速发展期，既(ji)需要民营企业充分发挥主观能动性，也需要各级政府政策的支持与帮(bang)助，相信中国的人形机(ji)器人产业一(yi)定大有作(zuo)为。

国信证(zheng)券机(ji)械首席分析师满在朋在2月16日的研报中称，2024年是国内外人形机(ji)器人的原型(xing)机(ji)发布大年，经过半(ban)年到一(yi)年的技术优化与调试，2025年有望成为真正的量产元年。DeepSeek AI成功突破AI发展的高(gao)昂成本问题，凭借降本、开源的优势，在人形机(ji)器人领域展现出强大的赋能能力(li)，有望助力(li)机(ji)器人在环境感知、任务规划与决策、持续进化等大模型(xing)方面实现质的飞跃。

中信证(zheng)券表示在研报中称，在全球(qiu)劳动年龄人口下(xia)降、人工成本上升的背景下(xia)，用(yong)机(ji)器替代流水线上的简单重复劳动并逐(zhu)步成为人类生活的多场景下(xia)的助手是一(yi)大趋势。“人形”是最适合人类社会(hui)所有场景的形态，无需改变场景来适应机(ji)器，一(yi)旦技术成熟可直接用(yong)于所有社会(hui)场景。中信证(zheng)券认(ren)为，2025年全球(qiu)人形机(ji)器人出货量将会(hui)突破1万(wan)台，预计(ji)到2030年将达到500万(wan)台左右，市场需求会(hui)提升至约7500亿元。

文：薛宇(yu)飞