具身智能工業場景需求明確,擴大應用場景處理復雜數據是發展重點

奇月 2025-01-02 10:08:29 來源：量子位

編輯部 發自 凹非寺
量子位 |?公眾號 QbitAI

具身智能，無疑是2024最熱科技話題之一。

很多人會好奇，有著超級AI大腦的機器人，何時能夠參與到我們的日常生活當中？什么時候才能給我們建立一個真實的物理世界模擬器？

現在，國內具身智能創新應用引領者云深處，在MEET 2025智能未來大會上分享了自己的觀點：

具身智能提高了傳統機器人的泛化能力，處理真實環境中的復雜數據仍是未來訓練重點。

目前具身智能行業處于L2級，工業場景中的需求非常明確。

云深處科技公司成立于2017年，專注于具身智能的研發與應用，擁有超過15年的腿足機器人研發經驗，其產品已在電力、消防、救援、建筑、安防等多個行業中實現商業化應用。

在MEET 2025智能未來大會上，量子位邀請到了云深處科技公司的聯合創始人兼CTO李超，探討了云深處科技公司旗下機器人產品的發展歷程、目前具身智能行業的發展重點、未來公司的商業和技術方面的規劃等話題。

MEET 2025智能未來大會是由量子位主辦的行業峰會，20余位產業代表與會討論。線下參會觀眾1000+，線上直播觀眾320萬+，獲得了主流媒體的廣泛關注與報道。

核心觀點梳理

• 多模態數據及真實性（To-Real問題）仍是制約具身智能進一步發展的關鍵因素之一。
• 類似于自動駕駛的分級標準，具身智能也呈現出從L0到L4的不同級別，目前基本處于L2階段。
• 行業內對具身智能的未來充滿樂觀，預計將在工業及其他非家用場景中率先實現大規模商業化應用。
• 云深處通過對具體場景做適配、并對模型能力進行約束，已實現強化學習算法的產品化落地。

以下是李超在MEET大會現場圓桌論壇的QA實錄，為了完整體現他的思考，在不改變原意的基礎上，量子位對問答部分進行了編輯整理，希望能給你帶來更多啟發。

提高傳統機器人智能泛化能力

量子位：云深處很早開始就直奔具身智能終點，做仿生類形態，你們是怎么思考這個問題？

李超：云深處科技從今年開始專注具身智能的技術創新與行業引領，客觀來說我們云深處是具身智能第一批受益者，也真實產生了一些市場價值。

我們最早是做機器狗的，幾年前，這些機器狗很多是基于模型進行控制，它的泛化能力和適應性沒有現在這么好。

這兩年我們在這方面持續投入，去年整個團隊就已經在做跟訓練相關的具身智能，去年開始我們的四足機器人有了很好的應用，今年開始規模化應用。

我們有面向一些消防場景，還有救援的、特種的，包括電力巡檢等，具身智能給機器人賦予了靈魂，有了這個靈魂加持，加上機器人的應變能力本身也很強，目前已開始實現一年增長兩三倍的規模化應用。

到明年還會有更多應用，面向更開放的環境，陸陸續續會在一些民用的場景有更好的應用。

量子位：具身智能這個概念來自于艾倫·圖靈，是他在半個世紀以前開始定義或者構想的事情，到現在我們才真正定義元年，云深處當時是看到什么趨勢，或者產業內有什么樣技術或者要素變化，讓你們覺得可以開始做具身智能了？

李超：具身這個概念早些年其實我不太熟悉，云深處團隊，包括浙大團隊，最早是把學習引入到機器人控制中。

我們在2019年時其實就做了這個工作——多專家系統，也登上Science Robotics子刊。

但是這里面的工作，是不是真的能超過以前的一些算法，能否實現產品化落地，才是更加重要的部分。云深處花了三年時間才真正把強化學習的東西做落地。

機器人在應用的時候要基于具體的一個場景做適配，對它的能力要進行一定*約束。

我們現在感覺，智能模型的能力有點太強了，如果放在機器人身上，能力會超出我們之前的預期。

核心的一點是，以前早期的機器人是基于規則的控制，但現在基于訓練的方法，能力極大超出了我們認知的邊界，而且還在不斷進化。

隨著機器人能力的增加，以前我們覺得只能在固定場景下應用，但今年在完全開放的環境里效果也可以非常棒。

我們上月發布的輪足形態機器人山貓，對這個行業來說是有顛覆性的，尤其是對未來二、三十公斤以下的移動平臺來說。

它可以用最好的能力解決各種小場景下突破性的問題，是一個極大的提升，它相當于一個有生命的物理系統，這是我們最大的感受。

重點是處理復雜真實場景中的數據

量子位：數據在你們的實踐落地過程中是一個關鍵挑戰嗎？

李超：目前客觀地說還不是，云深處有一個很重要的使命，讓AI+機器人的技術真正落地，產生價值。目前從我的角度看，除了數據，還有技術的成熟度，商業的成本，包括部署等挑戰。

在機器人能力層面，云深處做本體和小腦會更多一點，在數據層面上，確實沒有遇到太多的障礙，因為數據沒有大模型用的這么多。未來要結合更復雜的場景空間和操作，到明年這方面應該是我們的一個挑戰。

量子位：對于如何處理真實數據，像類似Sora的模型，或者Sim-To-Real的解決方法，您有什么看法？

李超：我們經常困擾在To-Real這個事情里面，確實是問題很多。

剛才說到動畫的數據，可能體現在一些色彩，真實的場景里面的數據，還包括質感等更多方面，我們希望有更加多模態的。

比如像機器人在野外行駛的時候，看到一些草地，或者和雪地、水這些東西融合在一塊，對機器人來說如何做出通過與否的決策，這個是現在蠻大的一個挑戰，這些都是To-Real的問題，我們每天都在解決這樣的問題。

工業生產場景中需求明確

量子位：像云深處這樣實踐者，你們會考慮把具身智能實踐按照一些能力技術的標準去劃分嗎？類比智能駕駛領域里面的L2—L5的劃分，你們會有類似的標準嗎？

李超：有，而且很明確，去年以前我們很多是L1，準確說是L0，因為有很多行業應用，比如消防和應急救援，還是人在操控。

現在我們用的最多的，工業巡檢場景下，在固定場景下、小范圍的L4，機器人自主去做決策，去做判斷，這是分行業的。

但是像山貓機器人在開放環境下，我們覺得目前是L2多一點點，大部分情況下它可以靠自己判斷去做，還有一半時間需要靠人做決策。

明年希望進化到L3級別，但對機器人來說場景太大了。

量子位：類比ChatGPT的發展軌跡的話，您覺得現在是具身智能的幾點0？

李超：我更樂觀一些，因為剛好處在這個行業里面，我們也解決了很多惡劣環境下的實踐。

第一個被改變的格局還不確定，有些公司太瞄準家用，家用是不是很快有這些需求還不確定。

但是我相信在工業生產中，很多場景已經發生深刻的改變了，我處在這個圈子里面已經感受很大了。