Transcription
大家看央视春晚了吗？
听说上面有很多AI元素。反正我是熬夜看了，就当是加班了。结果，果然是AI春晚。为什么中国AI公司都要在春节前这么卷呢？
“豆包豆包，这是个什么东东？”“这是孙子，真孙子！”“人家是个笑话，我也是个笑话啊！”“你确实是个笑话。”
去年，我们还在看机器人跳舞、扭秧歌。今年，机器人就已经走上小品舞台了。宇树的功夫机器人真的是很丝滑，难以想象这是一年时间机器人能够进步的速度。背后的技术团队一定在工程化上下了大功夫。
同时，在春晚开场的小品中，我们发现机器人已经可以跟演员搭戏，跟观众互动。你会发现，经过2025年一年机器人的发展，具身智能大脑，这次好像真的升级了。
“十二生肖里哪个动物最招人烦？是鸡。”“因为鸡气人（机器人）。”
跟大家交个底，其实我在春节之前在北京，正好有机会探访了让机器人登上春晚小品舞台的这家公司——松延动力。签了保密协议之后，我们看到了春晚机器人的彩排，跟机器人们也有了互动。同时也跟创始人姜哲源坐下来，一起聊了聊春晚背后的故事，和他对具身智能行业发展的思考。
“硅谷101的观众们大家好，我是松延动力的创始人姜哲源。我平时也经常听硅谷101的播客。”
“春晚可能30年时间之内，真正把机器人融入语言类节目，可能我们这是第一次。哪怕是万分之一的失败概率都不行，对我们的硬件的可靠性要求非常高。甚至我自己都亲自上手改了很多代码，确保这个动作是百分百稳定的状态。”
“我们的仿生是完全1:1定制的蔡老师的形象，还是保留了我们原有的32个自由度的面部，但同时又做得非常非常像真人。”
“你觉得现在到了GPT-3的时刻吗？我觉得远没到，这差太远了。huge amount of computation（大量计算），肯定是具备的。huge amount parameters（大量参数），是能具备的。但huge amount data（大量数据），这个是铁定不具备的。”
“具身智能，我回答10年以后什么样很容易，我回答现在是什么样很容易。但是回答1到10年之间会发生什么事情，回答路径非常难。”
站在松延大厦前，很难想象这家公司的创始人是1998年的，今年还不满28岁。但是走进办公区，你就能感受到，这一定是年轻人做的一家公司。宠物友好，楼层之间还用滑梯连接着。我每次去15楼全都走这，从来不走电梯。
姜哲源就告诉我们，他自己希望公司给大家的氛围是轻松的，是像家一样的地方。但是收到春晚的邀约之后，整个松延团队，可以说是进入了一种“备战状态”。
“你最开始知道你们要上春晚的时候，你当时激动更多，还是紧张更多？当时是一个什么样的心态？”
“我肯定紧张更多。我知道春晚它是一个，它本质上是一个放大器。你发挥失败了，那就是放大你的所有的这些劣势。如果你发挥成功了，那你就一炮而红了。所以其实我那会儿更多是紧张，因为有点像高考之前的感觉。”
“那在节目的选择上面，你们选择比较是偏语言类的，这样的一个节目来呈现，当时的考量是什么？为什么要选择偏语言类？”
“其实我们是觉得，之前其实在春晚见过歌舞类的，见过各种动作类的。但是其实语言类的，在机器人元素结合到语言类小品里边，其实是不常见的。春晚可能30年时间之内，真正把机器人融入语言类节目，可能我们这是第一次。我们希望能够在节目形式上有一个创新，给观众带来一些新的体验。”
“其实我们知道春晚是不能出错的，这样的一个场合，你觉得你们最大的难点在哪里？”
“我觉得首先就是，春晚它其实是一个巨大的放大器，然后它哪怕是万分之一的失败概率都不行。所以那真的是对我们的硬件的可靠性，要求非常非常高。这个确实是硬件的难。我觉得难倒不难在能不能做极限动作，这都能做。但是难在可靠性上，这是第一点。第二点在节目中，其实我们确实也会呈现一些极限动作，像空翻、侧手翻这些动作，这几乎就是现在机器人能实现的一些最高动态的动作了。要确保这些东西在直播的过程中不出错，这个是难上加难。第三点难，难在调度上。因为小品类节目，它其实并不完全是一个固定节奏的节目。就是如果我们是音乐类的，可能表演类的节目，它有一个固定的音乐的节拍，能够一拍一拍卡死的，那么你所有的动作，所有的在哪，你都是定好的。小品类节目其实需要我们根据舞台的台口，然后去做出对应的这个机器人调度，就在舞台上怎么调度，从A点走到B点，然后包括怎么在合适的时间点，做出合适的动作。这其实对我们也是调度上有一定挑战的。所以当时其实我们在公司，也1:1复刻了一个春晚我们这个小品的主舞台的场景，地（面）上连1号厅的地板，那个地砖我们都贴出来了，让我们的调度能够在，基本上是分毫不差这样一个程度。”
“你们从什么时候开始筹备这个春晚的节目的？”
“我们具体筹备应该是从10月底正式开始。”
“筹备的过程你们都做了什么？”
“其实我们针对机器人本身，我们做了很多的优化和改造。像我们每一款机器人，其实都不是标准化产品上去的。像我们的后面这款，这是我们的E系列，就是我们的中尺寸的，一个人形机器人E系列。我们其实不是拿E系列直接上的，而是我们做了一个改造，我们让它的头是一个能升降的，因为里边有一个台口是《喜人奇妙夜》那个天放。跟E系列的机器人要比身高，E1这个机器人它能够脖子升到很高，然后就比天放还要高一截，做了这么一个改造。包括我们对机器人的步态，其实有了一些新的要求，我们要在既保证稳的情况下，走出一个很拟人的步态，不然的话看着就是不太像真的。所以我们其实当时对步态做了很多调整。包括春晚其实它需要有一些定制化的动作，我们的需求就是，我们要能稳定地空翻、侧手翻。甚至我自己都亲自上手改了很多代码，确保这个动作是一个百分百稳定的状态。确实我们在彩排中，彩排了很多次，确实也没有出现过这个机器出问题，摔跤这样的情况，这也是让我们自己觉得还比较欣慰的。”
“包括我们的仿生，其实我们的仿生是完全1:1定制的蔡老师的一个形象。我们其实之前确实从来没有真的实现过1:1复刻一个人的，百分百完全仿真的一个形象。仿生在这次春晚中其实算是一个，正式地第一次把这件事情给完成了。”
在春晚的小品里，蔡明老师的角色是真人奶奶，仿生机器人扮演机器人奶奶，另外四台机器人扮演她的“电子”孙子。台上是一个有趣有爱的家庭故事，而台下则是松延动力的四条产品线。
在小品当中，这个最小的孙子，声音萌，反应快，和“奶奶”对话最多。现实中，它叫小布米Bumi，这是松延动力最新推出来的万元以内消费级人形机器人。
“最小这个Bumi（小布米），我们的产品定义，然后我们的价格带，其实最终都是服务于我们的应用场景的。Bumi（小布米）这款其实我们希望，它能够进入到一些新的场景中去，比如像C端家庭，我们希望有娃家庭，能够很多愿意买这个机器人。其实我觉得Bumi（小布米）它作为进入家庭的一员，从产品定义上来讲，其实有一定学习机的属性的。它里边内置了像喜马拉雅少儿，去给小朋友讲故事，然后内置了像编程猫的，这样的一个图形化编程，可以教小朋友编程。它里边还有Python编程的接口，可能我们未来会集成很多很多，这种生态应用到里面去，然后能够实现一个，在小孩寓教于乐这样的一个特点。这也是我们希望能够下探到C端的。但是我之前常说一句话就是，Bumi（小布米）它是一脚踩在C端，一脚踩在B端的。其实对于一些，无论是公立还是私立的教育机构，像K12阶段这些中小学，包括幼儿园，我们觉得这个产品是有一定吸引力的。今天AI进校园，AI进课堂，是一个大的趋势。整个国家的所有的这些教育机构，可能都在推进这件事情。我们这个产品其实是跟K12阶段教育，是有非常好的一个匹配度的。能够走进就是这些中小学的课堂，我们觉得也是它的商业化的方向之一。”
“那我们这次其实也在现场跟小Bumi（小布米）进行了对话，让它给我们《硅谷101》的观众，送上了马年祝福。”
“布米，布米，我在。马年要到了，能不能给《硅谷101》的观众们，送上新春祝福？”
“亲爱的《硅谷101》的观众朋友们，马年到了，布米在这里给大家拜年了！祝大家在新的一年里，像千里马一样勇往直前！”
此外，现场工作人员还用现在业界非常火的“机器人洗车”的问题对它进行了测试，它也成功地通过了考验。
“我要去洗车，距离洗车店800米，我应该开车去，还是走路去？”
“哈哈，当然要开车去，不然怎么把车洗干净呢？”
不过，对于小布米这样定位于C端场景的消费机器人来说，它们不只是要回答问题，还需要听懂口音、区别噪音、接受打断，甚至感受用户的情绪变化。这背后从语音识别、语音合成，到大模型理解、实时音视频流处理，再到VLM（视觉语言模型），其实是一个完整的系统工程。
那么对于机器人企业来说，与AI云厂商合作是目前业界的一个标配。松延动力和字节旗下的火山引擎，在人机交互和算法研发层面合作。小布米的语音能力接入的就是豆包大模型，和豆包App同款的“底座能力”。顺便说一句，火山引擎真的是这次马年春晚的幕后AI军师了。上春晚的机器人品牌，都是与火山引擎合作的。同时今年春晚多个节目的视觉制作和技术支持背后，也都是火山引擎。
“你们跟火山的合作模式是什么样子的？”
“我们现在主要是以大模型交互的这样一个形式在合作的。像火山给我们提供了从ASR（自动语音识别），然后到后面LLM（大语言模型），再到后面接的web search（网页搜索），到最后TTS（文本转语音），就有语音播报出来。这是目前我们在用的一套服务。”
除了语音交互之外，布米机器人还借助火山AgentKit企业级智能体平台，搭建智能体能力，通过工具调用、记忆库Skills（技能）等，为布米提供动作级的联网互动，动作控制等功能。
“如果只是春晚的这个语音节目的话，其实小Bumi，它只需要做一些语音交互就好。它可能本身的动作上，不需要和语音去做一些更深度的融合。但是我们和松延的一些算法同学，包括产品同学在做沟通的时候会发现，未来的这个Bumi（小布米）的产品化的过程中，其实需要一个很重要的能力，就是希望通过语音去控制一些、调用一些，比如说终端的APP，或者说需要通过语音去控制这个Bumi（小布米），去做一些特定的动作。所以我们也在除了AI音视频互动的AI for硬件的一个解决方案之外，其实我们也叠加了一些AgentKit（智能体平台）相关的一些能力，然后帮助我们未来松延的Bumi（小布米）的这个产品，能在更多的场景上有更大的可扩展性。”
除了小布米之外，你们肯定还记得，小品里面还有一个“孙子”是运动健将，现实中它是被网友称为“小孩哥”的，高动态人形机器人N2。不对，是两个孙子，就是一言不合就翻跟头的这两个。同时去年在亦庄机器人马拉松比赛中，N2就拿到了亚军，是当时全场唯一无需人工牵引，完全自主奔跑的机器人。
“我们来聊聊第二款产品，你想先说这个N2吗？”
“对，我从小往大说，先说N2。N2是我们之前跑马拉松的亚军。我们N2这款产品其实定义之初，我们就希望它能够更多地进入运动控制类的研究领域。我们这款产品其实性能特别特别棒，我们所有的最极限动作全都是N2完成的，像空翻、侧手翻，这是春晚上大家看到的，这个动作表现力最强的也是N2，就是它能够完成特别特别高动态的一个动作。您可以理解为这是一个小体育生，纯粹是为了动力性能，而去设计的一款机器人。”
“跑马拉松这件事情对于机器人为什么难？现在看已经不难了。在去年2025年大概年初那会儿，为什么难？是在于当时机器人本体公司，很少有能拿出一款足够稳定，足够可靠的硬件，能够支撑它跑完这个马拉松。其实比如说可能我的机器跑个10公里，可能它就会挂掉，比如像电机里边卡死，或者可能某一根线束就脱出，各种各样的问题都有可能发生。因为机器人跑起来它是一个，有点像你不断拿锤子砸一个东西，它跟地面每次迈步都是一次碰撞。我相信这个事也是困扰当时很多团队的，一个很核心的要点，这是硬件问题可靠性。另外一个就是算法本身的稳定性，因为要跑20多公里，20多公里其实中间是会有大坑的。我们当时跑的时候确实中间，地（面）上是有一些坑洼的，你很难避免在中间遇到这种情况。那这种情况下你的机器人还不能摔，还要继续保持全速奔跑，这是有难度的。我觉得当时2025年年初那个时间点，真的让一家机器人公司能拿出一个，能完整跑下来全程的这个机器人，我觉得都很难。”
在小品中，还有一个身高更高，脖子能伸缩的“孙子”，在现实中是松延的E系列。它的能力重点不是极限动作，而是上下肢协同的任务执行。
“中间是我们的E系列，E系列比N系列高一些。我们基本上是以一个能够够着桌面上东西的一个最小的尺寸，来做的E系列这个机器人。我们希望它能够覆盖一些可能上下肢协同的这样的工作。简单来讲就能上桌，N2上不了桌的。N2其实无论从自由度来讲，还是从这个身高构型来讲，都是这个桌子可以，但是再高的饭桌就不行了。对，其实E系列还是能够上桌的，然后我们希望它能够在桌上去完成一些偏简单操作类的任务。对，这是我们对E系列的一个构想。但它的包括自由度，它能完成的任务其实跟N2差不多？”
“是吗？自由度会更多一些。像我们的手臂，不仅有5自由度版本，还有7自由度的版本。然后我们还能够配灵巧手，腰部还有两个自由度，它的workspace（工作空间）会好很多。N2它没有腰，它其实就只能靠腿去转身，来去增加这个workspace（工作空间）。E1它有腰，而且腰上还有俩自由度，workspace（工作空间）大很多，自由度高很多。”
除了这些可爱的“孙子”们之外，这次小品中最有意思，也可以说是最大惊喜的彩蛋，应该就是这个1:1复刻了蔡明老师的仿生机器人了。
“现在做仿生类机器人，其实面临着不小的挑战。要想仿得像真人，同时保持很高的自由度，以及看上去还要不恐怖，这在技术上需要去攻克很多的难题。其实仿生机器人这个赛道里面，有一个特点，就有一个dilemma（困境），它是说一个机器人如果要做特别仿真的话，那么它就很难做到很高自由度，里边自由度很难塞很多。但如果要做到很高自由度的话，很难很仿生，就很难很像某一个真人。这两个其实是一个dilemma（困境）。那我们其实在这一次真正做出一个突破，我们还是保留了我们原有的32个自由度的面部，这是一个超高自由度的面部，但同时又做得非常非常像真人。所以其实在春晚上，我们最终是能够看到它以一个比较好的状态去呈现的。”
“这中间有技术的什么突破吗？让你们能够打破这个dilemma（困境）？”
“其实它本质上是一个结构设计的事情。结构这个事情，我觉得是很靠积累的。这其实也并不是说，我们在短短的多长时间之内做出突破，而是我们积累到今天，其实我们的这些经验，我们的knowhow（技术知识），我们的知识库已经到了这样的一个程度，那我们就能够做出这么一个东西来。只是说春晚，只是一个你们的deadline（截止日期），然后更加给你们压力，说必须要在之前完成这件事情。”
“是的。你刚才说仿生人，其实现在市面上确实是不多。你觉得它的难点在哪里？就比如说它的口型、表情、拟人度上？比如说你刚才提到dilemma（困境），同时我们也经常说有个恐怖谷效应，就是机器人如果它太像人，但是好像又有点奇怪的东西，其实如果真人看到它会觉得有一点可怕。对，就是你们怎么去平衡这个技术，跟像人这件事情的？”
“那我就分三块说。第一个是硬件，第二是软件算法，第三块就是恐怖谷。我分三块说。第一块硬件方面的话，人的头是很小的。我是一个异类，我是头比较大，但是确实像蔡老师头是很小的，包括大部分人的头其实是，我们可以理解为非常非常小的一个空间。所以我们在早期的机器人里面，为了放下足够多的电机，其实我们是有意地把头放大了。我们把头给放大到，可能比真人大一些的，可能就把一个正常人头放大到我这么大，或者比我还大一点的一个程度，所以才能塞得下这么多电机以及传动结构。但是为了这次春晚，其实我们真正做出的这个突破，是我们真的就把头做小了。因为蔡老师要跟这个仿生机器人同框的，我们不能说，这个仿生机器人头比蔡老师大一圈，那就不像了，很出戏。对，所以说我们必须要做到1:1的这样一个尺寸以及仿真程度。这个事情是超级超级难的。对，怎么把这么多电机和传动结构合理地，能够自然地塞到这样，自然的意思就是说，当它动起来不能一看就很诡异，那就真的恐怖谷了。对，就是怎么样自然地，还能够完美地把它塞到这样一个结构里面，这是我们这次做出的一个很大的突破。对。另外其实在软件算法上面，这里边口型是很难的。就是我们看一个人说话，怎么看都不会觉得特别假，但只有一点会觉得假，就是你看他的口型和语音的对应，这容易看得特别假，非常非常。我们这次其实也是在整个语音口型对应上做出一些突破。其实数字人里边语音和口型对应做得，我个人觉得还不错的。怎么把数字人转化到一个真人的口型上面，这个其实是有一定难度的。语音和口型在一个仿生人上同步，这个其实有两个基础，一个基础是你的硬件自由度要足够多，因为你嘴上如果只有一张一合的自由度，你怎么着口型都对不上。另外一个就是你的算法足够地好。我们自研了一套，从数字人映射到真的仿生人的这样的一个算法，把口型这个事情在这次春晚上给解决掉了。那第三块就是恐怖谷效应。首先我们要理解恐怖谷它是一个谷，就是似像非像的时候是最恐怖的，特别不像，特别像都不恐怖。所以我们在仿生人这个上面，一定要抓得就是特别特别像那一端。所以其实我们无论从这个面皮的化妆，从整个脸型的构建，包括整个动态来讲，其实我们做了很多的突破。甚至包括一些肢体语言，我们的仿生人是带胳膊的，胳膊上也是能动的，然后它包括肢体语言，其实都是根据真人，实际上录下来的一些动作，然后我们用了一些跟人形机器人运控相关的算法，我们做了Motion retargeting（动作迁移），retarget（迁移）到我们的仿生机器人上，才能够让当时的动作显得很像真人，脱离恐怖谷这样的一个效应。”
“那这一次我们也专门去跟松延动力的仿生机器人小诺，进行了面对面的互动，测试了一下它的语音交互和面部自由度。”
“仿生人是人吗？这是个很有争议的问题呢。在我看来，仿生人是一种新型的生命体。仿生机器人听上去好像很遥远、很科幻，但是实际上，它目前已经开始了应用落地。比如说在机场、博物馆等一些娱乐导览和展厅接待的场景里，很多仿生机器人就已经开始扮演起了导游、解说的角色。但显然要让仿生人真的像人，并且彻底摆脱恐怖谷效应，技术还是有很多值得进一步优化的空间的。”
从语言交互到高动态运动，从家庭陪伴到任务执行，松延动力的四条产品线，似乎已经勾勒出一个比较清晰的具身智能的轮廓了。但我们都知道，春晚舞台是一个被精心设计的场景，虽然是不能出错的直播，但是有准备和彩排的时间。而真正复杂的是现实生活。如果机器人真的要走进家庭，面对的将不再是排练好的剧本，而是嘈杂的环境、模糊的指令、不可预测的变化。那么问题就是，面对真实的世界，机器人真的准备好了吗？
“你们就一下布局了四个产品，也是四条不同的大家需求的线。当时为什么想要四款都做呢？”
“因为我知道很多机器人，比如说它们是工业为导向的，或者是比如说Figure、1X，它们直接就是家庭为导向的。对，你们当时是为什么想要一下布局四个不同的机器人，去打不同的需求场景？”
“其实我们讲说预期非常好，因为预期它是可能多年以后，能够真正进家庭，实现每家每户都有一款人形机器人，甚至这些机器人还有很多想象空间。这是好的点。那不好的点是现状，就是我们看未来都觉得很美好，看现在我们都觉得ok，这个可能还是有一些问题的，可能还是有一些需要琢磨的事情。我们今天看现状就是，人形机器人场景呈现小而散这样一个状态。无论我们说工业还是家庭，今天都是无法完成短期的商业化落地的，无法实现短期商业化闭环的。工业现在大家都是PoC（概念验证），PoC（概念验证）阶段有没有后续？几乎很难有，基本上都是没有后续的，就（没）有进入到批量化阶段的这样的案例，几乎没有这样的具身智能机器人的案例存在。Boston Dynamics（波士顿动力）好像是在Hyundai（现代）的那个（工厂干活了），但是它每个都很贵就是了。对，每个都很贵。另外其实我并不觉得，这个问题只有Boston Dynamics（波士顿动力）能解决，或者我并不觉得这个场景是，用Boston Dynamics（波士顿动力）机器人，是一个ROI（投资回报率）非常好的场景。我们经常需要问一个问题，像Hyundai（现代）用Boston Dynamics（波士顿动力）的机器人，到底是Boston Dynamics（波士顿动力）在帮Hyundai（现代），还是Hyundai（现代）在帮Boston Dynamics（波士顿动力）？这是一个很直击灵魂的问题。我觉得Hyundai（现代）完全可以选择一些工业机械臂，可以选择自动化设备来去完成一模一样的工作，还以更低的成本。”
“你觉得现在具身智能发展到哪个阶段了？如果我们拿LLM（大语言模型）的一个阶段来对比的话，你觉得现在到了GPT-3的时刻吗？”
“我觉得远没到，这差太远了。可能这个差得远，我觉得甚至连BERT那个时刻都没有到。对，可能这个还是在一个非常非常早期的阶段。AI带来最大的变化在于，我们今天可以看到数据能够驱动科学，不一定是知识。它里边知识非常简单，说实话就是，今天这些Deep learning（深度学习）这些东西里边涉及到的这些知识，真的就是可能，我们在学校的时候经常听人说，AI简单，简单在于里边知识简单。难的点在于数据。后来其实大家就会发现有一个公式：good performance（好的表现）等于huge amount of parameters（大量参数）+ huge amount of computation（大量计算）+ huge amount of data（大量数据），就是三个huge（大量），就能得到一个好的performance（表现）。这可能是这个时代的一个公式。对。那在今天我们来看这个事情的话，我们看具身智能里面，huge amount of computation（大量计算），肯定是具备的，有像火山这样的企业提供最牛的算力基础，我们绝对是具备的。那今天我们的huge amount of parameters（大量参数），这个事情是能具备的，但到底具备得对不对，它缺乏验证。但huge amount data（大量数据），这个事是铁定不具备的，特别是机器人行业太难了。对，机器人行业是非常非常不具备的。具身智能里边太缺数据了。我们缺的数据，我们为什么说，现在可能连BERT那个时代都没有到？可能我们现在处在一个上古时期，就是属于当时我听到一个故事，讲说当年Google和IBM都在做，叫MT（Machine Translation，机器翻译）。这个在今天看已经不是什么问题了，当年这是一个很难的挑战，就Machine Translation（机器翻译）。他们把英文和法文互译，当时IBM做的事情是，他请了一堆牛津词典的编辑，然后编辑了一堆特别精美的语料，完美1:1的翻译，可能你很难找到如此信达雅的翻译，然后做了一个很精巧的小数据集，来做Machine Translation Model（机器翻译模型）。对，然后当时Google的做法反其道而行，我不知道是不是用Mechanical Turk这样的方案，反正当时他们就做了很多相对粗糙的翻译，但每个基本上你可以理解是对的，做了一个巨大的，但很粗糙的数据集。最后我们发现Google translation（谷歌翻译）确实做的效果会更好。今天我觉得我们甚至还处在IBM那个时代，可能数据集的这个规模还是太小了。今天数据大部分都是人手工采的，为了采而采的，我们的数据都是为了采，而专门去采出来的。但我们看其他这些领域，像LLM（大语言模型）这些领域，它们的这个data（数据）都来自于互联网，直接来自于之前已经存在的这些东西。”
“让我想到了之前，比如他们说那个ChatGPT一出来的时候，有这样的一个Wow moment（惊艳时刻），是因为它训练的数据是从Reddit上面来的，那个地方是说人们说脏话，人们curse（咒骂），人们吵架，那个是人应该说的话，对，而不是很书面的，书、电影里面那种说的非常书面的话。所以可能是不是机器人数据，我们需要有一个新的模式去采集？”
“对，我其实认为是这样的。首先如果我们玩过遥操作机器人的话，发现还不是特别好用。机器人遥操作其实今天很难做得特别好用，很难实现像人一样，比较丝滑的一个采集体验。采集本身就是难的。当然今天这可能是为数不多验证可用的一些数据了。但我觉得一定需要新的模式。所以其实我觉得对这个行业未来预判，我觉得具身智能产业，可能并不会说是一个线性的发展，它可能是个阶跃式的发展。就当某一个时间点到来的时候，它可能就是发现一种新的模式，无论是新的数据的模式，还是新的一个采集的模式。如果一旦发现，它能够快速地、大量地、批量化地、低成本地去完成多样化数据的采集，一旦有人找到这样数据采集的模式，以及与之配套的一个算法的话，那我觉得可能这个产业的发展，一瞬间可能就发生变化了。”
“这个模式是世界模型吗？”
“我觉得大概率不是吧。这个事我要讲清楚，我自己对它的理解是有一点哲学的理念，就是我认为其实一个模型的performance（表现），它来自于数据能带来的信息的增量。我们学Reinforcement Learning（强化学习），其实讲有Model-Based（基于模型的），Model-Free RL（无模型强化学习）。对，Model-Based RL（基于模型的强化学习），就是你先学一个model（模型），然后在这个model（模型）里面去反复train（训练）agent（智能体），再去agent（智能体）采集更多的数据，再train（训练）你的model（模型）。这种方式一般来讲是为了加速收敛的效率，但我觉得它不是解决本质问题的一个方式。当然这个只是我自己的观点，这不一定对，或者可能大概率不如一些专家说得准。没问题，当然这是我的观点。就是说World Model（世界模型）的好坏，取决于World Model（世界模型）喂进去的数据它的好坏。你最终performance（表现）其实取决于喂给World Model（世界模型）的数据。我其实没有太想通，就是World Model（世界模型）怎么能够解决这样的问题。很多人他们现在用一些仿真来去做数据，但我觉得这不是很make sense（说得通）的。但英伟达他们是这样做的，他们有Digital Twin（数字孪生），然后做很多的simulation（模拟）。但是我们也看到，很多Sim-to-Real（从模拟到现实）的gap（差距）在。对吧？对。其实这里边我觉得，因为一个仿真，一个simulation（模拟），它其实统称为simulation（模拟），但它其实是两件事，它分为两部分，一半叫Dynamics（动力学），一半是Physics engine（物理引擎）。物理引擎讲的是里边物理怎么回事，另外一个Renderer（渲染器），渲染器讲的就是怎么呈现，就是你的物理结构怎么呈现，无论是点云还是包括图像的形式呈现。这是两件事情。渲染器今天做得已经，我个人觉得还是不错的。我个人觉得今天的渲染器，包括一些结合AI的方式，能做得超级真，无论从RGB Image（图像），还是包括点云，可能做得超级超级真。所以渲染器可能不是本质问题。而真正本质问题在于Physics engine（物理引擎）。物理引擎如果我们不讲一些AI-based（基于AI）的方法，我们讲传统方法，像什么Runge-Kutta那些算法，它的仿真，尤其对于接触力的仿真，其实是非常非常不准的，就是超级不准确。运控的模型是能够通过物理引擎训，是因为它的接触很简单。但如果说像contact-rich（接触密集型）的一些场景，像我们拿杯子这些，其实用物理引擎训的话能训，但其实它是不准的，它一定是非常非常不精准的。这个问题其实是个很难的问题，就是接触的建模。像汽车的碰撞分析是通过有限元分析做的，那就又非常慢。接触建模本身它是不准的，这是一个科学难题，就是research level（研究级）的一个problem（问题），超级难。再加上对软体、流体的，一些建模就更难了，甚至还有什么非牛顿流体。如果你要建模世界上所有东西，超级超级难。甚至我可以举一个例子，就比如说像我要用这个仿真器，仿一个西红柿炒鸡蛋的过程。首先它需要去仿的就是，鸡蛋黄怎么去跟鸡蛋液，从一个透明加黄色，变成一个混合的黄色蛋液的过程。然后我还需要仿就是说，我的鸡蛋怎么在高温下去从液态变成固态，包括还要仿西红柿怎么在高温下出水，哪些变成水蒸气，哪些变成西红柿的汤留在锅里面，包括油进去怎么跟它们发生反应。这最后可能会到一个分子级别模拟的一个程度，如果真的要做World Model（世界模型）。所以我觉得这个事情它是真的有点难。可能人并不需要懂鸡蛋它是怎么凝固，怎么从液态变成固态，蛋白质怎么变形、怎么折叠，人不需要懂这个事情就能够做好炒鸡蛋。但是如果要做世界模型，让它仿得准的话，那可能真的还需要做这些工作。所以可能我觉得反而把问题变难了。”
就像姜哲源提到的，仿真数据不够真实，真机采集成本高昂、数据闭环难以建立，数据就是现在具身智能真正被“卡脖子”的地方。如果没有新的数据采集与训练方式，具身智能可能就真的很难进入到家庭。而这也是目前整个行业正在共同加快攻克的地方。
“确实整个具身行业，现在普遍的共识是缺数据。那现在数据的来源可能有非常多样的，要么就是可能末端采集，要么就是真机遥操，要么就是一些互联网的数据，或者第一人称视角的数据。火山引擎有一个叫做高质量数据集，这样的一个产品，其实期望的是能把一些需要数据的需求方，和有数据的供给方，能在这个平台里面去做一些撮合。比如说如果有一家具身智能公司，他有真实的采集到的一些数据，除了他自己用之外，他可能也希望去售卖，或者是可以对外提供给其他的一些具身的公司，或者是一些模型的公司。那么这个时候其实可以基于我们高质量数据集的这个产品，然后去做一些交易。”
“而在数据的标注处理方面，现在的VLM（视觉语言）模型，开始发挥出了越来越大的作用。其实我们会发现很多，不论是采集工厂，还是说各种形式采集到的一些数据，现阶段可能更多大家采用的都是人工去标注的方式。因为我们之前也和一些厂商沟通过，一个标注的同学，可能每天大概8个小时的核心工作时间，只能标注4-5个小时的真机采集的数据。其实我们发现这里面绝大多数的标注动作，都是可以被VLM（视觉语言）模型去替代的。比如说一些简单的视频的caption（文字说明），一些轨迹的观察，以及一些任务的总结，其实这个都是大语言模型非常擅长的。所以我们在和很多的具身公司在合作的过程中，其实已经把Seed2.0（豆包大模型2.0）的这个版本的模型，已经把很多的VLM（视觉语言模型）的能力去使用上了。我们也做了一些统计，就是如果使用VLM（视觉语言模型）的能力，去给人工标注，去提升效率的话，大概可以提升70%-80%。”
虽然数据瓶颈依然存在，现实场景依然复杂，但是具身智能似乎已经走到了一个新的阶段，从实验室演示到登上春晚的小品舞台，行业正在从技术验证期开始进入到实际落地的应用探索期。那么未来三到五年，整个具身智能行业会呈现什么样的状态呢？
“你觉得接下来三到五年的一个时间，这个产业会发生什么样的变化？”
“所有的一切的现有的人形机器人场景，本质上都是因为大家相信这样一个预期，大家相信总有解决具身智能大问题的，这样一个预期在。为什么Hyundai（现代）它想要帮助Boston Dynamics（波士顿动力）去在场景里面做一些落地，本质上都是因为相信这样一个未来，可能机器人能够解决生产力的问题，然后才愿意让这些企业，去在自己的场景里面做尝试。”
“对于我来讲我有两个选择，一个选择就是小而美，就是基于现有的场景，可落地的场景，在某一个特定的场景中，成为场景中的80%市占率以上的一个龙头企业。这样我们会过得很舒服，然后我们会是一家小而美的公司。但是还有一个选择，就是说我们真的去挑战最难的事情，我们可能挑战整个具身智能大问题，去让机器人进家干活，这就是很大的一件事情。我觉得既然选择在这样一个时代的洪流下去创业，那绝大部分创业者选择肯定还是第二种。我期待可能未来我们的企业能够成为一个，我们产品能够被所有人用起来。对，我们产品走进所有人的家里面，很多人用我们，喜欢我们，我觉得这是我所期待看到的一件事情。”
“这个事可能节奏上来讲，会是一个不是那么快的节奏。”
“所以你还是非常长期主义的这样一个人？”
“也不能这么说，其实本质上我的长期主义来源于短期和长期。我听过一个很有意思的说法就是，具身智能我回答十年以后什么样很容易，我回答现在什么样很容易。但是回答一到十年之间会发生什么事情，回答路径非常难。我的长期主义、短期主义，可能都是因为中间的路径，其实今天没有人回答得好。”
从当前来看，具身智能什么时候会迎来真正的应用爆发？三年、五年还是更久？或许没有人能够真正给出一个非常确定的答案。但是在这样的不确定性之中，也有一些方向开始变得越来越清晰。比如说在技术层面，当数据成为核心瓶颈，当模型需要持续地更新，那么机器人就不再只是终端设备，云与具身智能的深度融合，正在成为加速产业发展的重要趋势。
“你觉得机器人一定需要云吗？还是可能在未来当端模型足够强的时候，其实就不需要云了？”
“我觉得这是个很好的问题。首先结论是我觉得具身的本体的机器人，是一定需要云的。对，因为如果所有的能力、所有的模型，都部署在端侧的话，其实这会带来一个很严重的问题就是端侧的成本会非常高，这个其实不太利于产品化的推广，它的芯片的要求也会非常高。对，芯片的要求会很高。我们都知道现在比如说有一些国产的算力，也可以提供端侧的芯片，或者说英伟达的Orin或者Thor，他们的芯片，其实也都批量地在一些具身的本体上，包括一些汽车上，有一些实际的落地。但是具身的这个领域我觉得不太一样的是，我们只需要把比如说最终端的运控模型，或者说VLA（视觉语言动作）模型里面，真正的action（动作）这一部分模型，去部（署）在端侧，这一部分其实消耗的算力是比较少的。另外的话，我们无论是VLA（视觉语言动作），还是世界模型，其实它们都有一个分层的概念，就是它会有一个快脑，有一个慢脑。慢脑的话其实它的执行的频率是很低的，比如说它会低于1赫兹，或者以一个1赫兹每秒一次的这种频率去执行。那这种情况下，其实是很适合和云端去做交互的。这样的话其实能达到一个，我们只把最小的一个系统，部署在这个具身的本体里面，而把一些更消耗算力的功能模块，部署在云端，其实这样就可以以一个综合的成本来说，这样是更优的。对。另外的话就是除了全身控制，比如说VLA（视觉语言动作），或者是运控模型之外，其实机器人的人机交互，我觉得是一定要依赖于云端。因为本身如果我们是一个面向ToC的，然后它需要一个很好的语言交互的能力，它要有共情能力，它要有很高的智商，这个其实就需要依赖于模型能力是很强的。但是模型能力现在如果要很强的话，不可避免它是需要一个比较大的参数量级的，这个其实就是云端的API（MaaS服务）能很好解决的一个点。”
今天的具身智能公司，很难再单打独斗。硬件、运控、数据、模型、仿真、算力，每一个环节都足够复杂。也正因为如此，我们也正看到一种新的合作模式：具身智能公司，专注机器人本体、运控能力和场景落地；模型与云平台公司，专注大模型训练、算力调度和数据体系建设。这种模式也许正是消费级机器人真正走向规模化的一条路径。不是一家企业完成所有的环节，而是在云与端之间，形成更加紧密的协同。
今年的春晚舞台，它象征着机器人开始进入公共叙事，开始被放进家庭想象。未来的具身智能，或许不会在一夜之间就爆发，但是在从去年春晚到今年春晚的节目中，机器人所展现出来的技术进步，无论是小脑还是大脑上的进展，都让人惊喜。当硬件与模型牵手，当云端与终端协同，行业的生态与基础设施也正在悄悄成型。而真正的变化，往往就是从这种基础设施的完善开始发生。
在采访的最后，松延动力的创始人姜哲源，也给我们《硅谷101》的观众送上了一段新春祝福。
“豆包，豆包，我现在在参加《硅谷101》，看这边有一堆人在拍我。我现在需要给观众送上一句新春祝福，能不能帮我想一句简短的，又有一些巧思的新春祝福？”
“那就说祝大家新的一年里，代码零bug，算力全拉满，钱包像训练模型的数据集一样越来越大。”
既贴合硅谷科技圈的日常，又把祝福藏在了大家熟悉的概念里。
“好的，那我就听豆包的。祝大家马年debug快，钱包涨得快。谢谢大家。”
这是我们马年的第一只视频。在这里，我们《硅谷101》也祝大家新年快乐，马年如意，和喜欢的人一起做喜欢的事情，健康、开心。也希望大家继续支持我们《硅谷101》。悄悄告诉大家，这也是我的本命年，希望是幸运的一年。我们也会努力地产出更多的好内容。
以上就是这期视频的全部内容了。你们的留言、点赞和转发，是支持我们《硅谷101》做好深度科技和商业内容的最佳动力。我是陈茜，我们就下期再见了，拜拜。