触觉融入、硬件、模型等方面的挑战，制约着具身智能向通用智能演进图片来源于网络，如有侵权，请联系删除 文|《瞭望》新闻周刊记者 王鹤 龚雯图片来源于网络，如有侵权，请联系删除 从央视春晚上宇树机器人“扭秧歌”开始，中国具身智能正以惊人速度成长，跑马拉松、打拳击、踢足球、跳街舞，还可以在汽车工厂“上岗”……每一个“惊人”的技能都在凸显这个行业的发展新高度。图片来源于网络，如有侵权，请联系删除 “这些花样玩活的视频放出来，把大家的胃口吊起来了，容易让人误判形势，以为机器人已经高度成熟，可以做很多高难度事情，就快上天入地、无所不能了。”一位工业机器人企业高管感叹，我们需要透过“表面繁荣”，看到具身智能的实际能力。 细心的人会发现，几乎所有做高难度动作的机器人身旁，都有一位人类工程师在遥操，或者机器人提前植入了程序，也就是说，这些机器人还是“提线木偶”，需要人类“把着手”做事。 具身智能何时才能摆脱遥控器，距离“全自主”还有多远？ 机器人在北京国家速滑馆“冰丝带”举行的2025世界人形机器人运动会开幕式上进行100米赛跑（2025年8月14日摄） 谢晗摄/本刊 大脑“进化” 突破遥操的关键是要具备强大大脑，即机器能够理解物理世界并与之交互，实现感知—决策—执行—反馈的闭环。以自动驾驶领域为例，VLA大模型（视觉—语言—行动模型）、端到端强化学习和世界模型是三类核心技术要素，三者协同实现机器从感知环境到执行动作的自主智能。 VLA大模型融合视觉、语言和动作三种模态，用于让机器人理解环境、接受指令并执行物理动作，是具身智能基础模型。今年6月银河通用发布了面向零售场景的大模型GroceryVLA，实现机器人对复杂环境的自主决策与精准执行，例如当人类发出“帮我拿点吃的”指令后，机器人无需遥操作，无事先采集场景数据，通过自主规划路径，从货架中识别并抓取饼干饮料送达。 端到端强化学习是能够直接从图像、传感器数据等原始输入到动作输出的强化学习系统，中间不依赖路径规划器等模块，是训练VLA大模型的关键方法。在2025世界人形机器人运动会上，清华大学教授、机器人控制实验室主任赵明国带领的机器人足球队“清华火神队”赢得足球赛冠军。比赛中机器人已实现无遥操，能够走、跑、跳、翻跟头，具备在复杂、有障碍物路面上行走所需的平衡和适应能力。赵明国团队的核心突破是采用端到端强化学习算法，直接将机器人的视觉信号，如球的位置、队友/对手的位置、球场边界等映射到运动控制指令，实现机器人的行走方向、踢球力度、身体姿态调整。 世界大模型是模拟环境动态的“虚拟大脑”，其核心是通过学习环境的物理规律，如物体运动、碰撞后果，预测未来状态，为VLA大模型提供环境认知支持。在攻坚世界模型技术瓶颈方面，智元近期发布了自主研发的世界模型GE。相比传统机器人的你说什么、它做什么，GE通过学习物理规律、环境动态，在内部预测未来状态，模拟人类“脑内推演”，从而让机器人具备了主动预判与决策的能力，像人一样先想、再练、后做。搭载该模型的机器人已实现“做三明治”“倒茶”“擦桌面”等任务。GE平台开放底层架构，未来或成为机器人界的“安卓系统”。 通用智能还需突破核心挑战 具身智能大脑技术不断有突破，但要实现通用智能，让机器像人一样“理解”环境，具备举一反三的泛化能力，受访专家认为目前水平差距极大。“机器人在某些特殊场景下能自主完成动作，比如足球比赛，但到了别的场景就不会了。”赵明国说。 业界专家认为，触觉融入、硬件、模型等方面的挑战，制约着具身智能向通用智能演进。 触觉融入方面，机器人从“看得见”走向“摸得着、懂力度、会适应”任重道远。VLA大模型整合了视觉、语言、动作三种模态，如果再加上触觉则困难重重。触觉感知是一个多维度感知的能力，除了力度感知外，还涉及材质感知，比如表面干性程度、温度高低、柔性还是脆性等。 “当视觉数据跟触觉数据加在一起，要考虑的有效数据元素过多，模型体量增大，难度也必然提升。”他山科技CEO、联合创始人马扬举例，他山科技正在研究机器人剥小龙虾任务，这种看似非常简单的精细动作，实则需要大量的训练和学习。“我们目前在武汉招募了十几个人的团队做小龙虾项目，计划今年底完成模型训练，并推进小批量试验。” 硬件方面，具身智能本体端部署的大模型，对算力水平要求高，专用芯片仍不够成熟。“需要加速发展低功耗、高性能且专用于具身智能大模型的芯片；同时将大参数模型轻量化、小型化，并保证在执行任务时性能不会大幅下降。”一位高校具身智能专家提出。 算法层面，业界仍难以训练出强泛化能力的大模型。中国信息通信研究院人工智能所安全与具身智能部副主任张蔚敏介绍，在3D场景中的情景问答（SQA3D）任务中，当前最先进的模型准确率已提升至55%～60%区间，但仍远低于人类的90....
