导语 |
随着大语言模型的飞速演进，人工智能正加速从"语言理解"迈向"行为执行"，具身智能的发展也进入关键阶段，机器人虽在移动能力方面取得突破，但在操作能力和通用泛化方面仍面临严峻挑战。在这场技术变革中，数据 × 模型 × 智能的融合成为推动智能系统"理解"与"行动"的核心变量。如何通过更大规模的数据、更高效的模型和更强的工程能力，实现机器人在开放环境中的稳定运行与任务泛化，是当前人工智能领域亟待突破的难题。本文特邀腾讯云 TVP 邓亚峰，深入解析大语言模型的技术演进路径、具身智能的发展瓶颈与未来趋势，探讨机器人领域在商业化落地过程中的关键挑战与可能突破。
目录
一、从特征工程到自监督学习：数据驱动下的 AI 四次飞跃
二、大语言模型和人类的“快思慢想”
三、Scaling Law 揭秘：为什么“越长”越“聪明”？
四、具身机器人的“GPT-1时刻”何时出现？
● 具身机器人为何迟迟未迎来“破晓时刻”？
● 大语言模型 vs 具身机器人
五、从实验室到产业化：机器人产品化的关键跃迁
六、VLA 破局之路：数据和模型突破
七、如何在具身机器人的“GPT-1时刻”来临前赢得先机？
作者简介
一、从特征工程到自监督学习：
数据驱动下的AI四次飞跃
● 2012 年之前：弱模型与特征工程主导期，模型能力弱，依赖人工特征设计，数据量对性能提升有限；
● 2012 年开启：深度学习的兴起（监督学习时代），2012 年深度学习技术的突破成为关键转折点，深度神经网络广泛应用，模型性能显著提升，但依赖昂贵的监督学习数据；
● 2022 年加速：大语言模型与自监督学习的突破，这一阶段以大语言模型的出现为标志，自监督学习成为主流，训练数据扩展至万亿级，模型参数也达到千亿级别；
● 当前进行时：基于能力扩展的持续进化，引入强化学习机制，尤其是结合"思维链"（Chain-of-Thought）等方法，进一步增强了语言模型的推理与生成能力。
AI 的发展路径正逐步接近人类大脑的学习机制：通过大量感知与交互进行“自监督学习”。回顾人工智能的发展历史，我也曾多次经历技术高潮与低谷。而我最深刻的体会是：任何技术路线，如果不符合“Scaling Law”——即模型参数更大、训练数据更多、推理时输出更长，效果就更好——那么这种方向往往最终是错误的。
大语言模型自 2018 年 GPT-1 架构确立后，就更多集中在如何利用更大规模的数据，以及通过各种形式的功能训练来进一步提升模型性能。2020 年的 GPT-3 成为关键节点，推动了如 ChatGPT 等应用的发展。目前的发展趋势大致沿着两个方向展开：一个是多模态方向，即将视频、图像等模态引入模型，进一步拓展其感知能力；另一个则是继续基于语言模态进行优化和深化。
二、大语言模型和人类的“快思慢想”
尽管存在"幻觉"问题，但大语言模型的推理机制正在逐渐接近人类的认知过程。人类在决策时也有两个系统，一个是快速反应的直觉系统，另一个是缓慢但理性的分析系统。对于简单问题，我们可能脱口而出答案；而对于复杂问题，则需要深入思考。
早期 LLM 模型如同"直觉系统"，直接输出答案；引入"思维链"技术后，模型能够进行分步骤推理，更类似于人类的理性思考方式。这种进化不仅依赖于监督学习，还借鉴了人类通过环境反馈进行强化学习的方式，AlphaGo 的成功便是明证。
而春节期间爆火的 DeepSeek 做出了非常创新的尝试，此前，大家普遍认为必须告诉 AI 人类是如何思考的，但 DeepSeek 不需要明确的人类思维链数据，仅通过问题-答案的训练，AI 就能自主学习如何推理。随后通过加入人类思维链优化输出，使得推理更加符合人类习惯。
三、Scaling Law揭秘：
为什么“越长”越“聪明”？
在语言模型的发展过程中，有两个阶段值得注意，第一是预训练，正如前面提到的，强化学习虽能提升模型的逻辑推理能力，但其效果高度依赖基础模型的质量。若基础模型训练不足，则难以展现出有效的推理能力。第二是后训练，通常是在高质量基础模型之上，利用少量强化学习数据进一步提升模型的推理能力。这一阶段的进展标志着大语言模型技术已迈入高度成熟的发展阶段。
四、具身机器人的
“GPT-1时刻”何时出现？
具身机器人为何迟迟未迎来“破晓时刻”？
尽管大语言模型在语言理解、推理与生成方面展现出前所未有的能力，但它们依然缺乏一个关键维度——与物理世界的实时交互。人类智能不仅体现在语言与思维上，更体现在通过身体感知环境、与世界互动、在行动中学习与适应的能力，在这一背景下，具身智能逐渐成为人工智能发展的下一个重要方向。
机器人虽已经发展多年，但尚未达到真正的智能水平，无法实现广泛的泛化和通用性，应用场景也因此受到限制。例如，我们在春晚上看到的机器人舞蹈表演，其动作都是预先编排好的，而在流水线或车间中使用的机器人则是通过编程执行特定步骤，而非依赖于 AI 技术自主决策。
不过，在某些特定场景下，如扫地机器人等清洁类应用，已经取得了较为成熟的成果。总体而言，当前机器人技术的应用场景仍然相对局限，这也限制了其商业化的可能性。
展望未来十年乃至二十年，影响机器人大规模落地的关键因素如下：
●
成本：随着规模化生产，单个机器人的成本有望降至约一万元人民币（相当于五台空调的价格），这一价格水平对于市场接受度来说并不是主要障碍。
● 显著可衡量的价值：机器人必须为用户提供显著且可衡量的价值，这一点在机器人领域相对容易实现。
大语言模型 vs 具身机器人
接下来，我们可以对比一下具身机器人与大语言模型之间的差异，在我看来，首先大语言模型得益于海量的语料库支持，而机器人领域则缺乏足够的数据量。而数据的质量和数量直接决定了模型的表现及方法的有效性，经过多年的研究和发展，我认为目前的模型架构已经相当先进，理论上可以用这些模型来描述机器人任务。
然而，由于缺乏足够丰富的数据，无法像大语言模型那样通过大规模数据训练来提升性能，因此机器人领域的挑战更多在于如何获取和利用数据，而不是模型本身的架构设计。从技术发展现状来看，我认为具身机器人领域尚未出现像 2018 年 GPT-1 那样具有标志性意义的突破，这正是当前技术阶段的真实写照。
在商业化层面，语言模型的落地其实面临较大挑战，市场竞争也十分激烈。无论是云厂商、互联网平台，还是 AI 创业公司，都在围绕语言模型展开激烈角逐。相比之下，机器人在商业化上的潜力更大，对不同类型、不同体量企业的包容性也更强。
当前语言模型的竞争主要集中在应用场景的拓展上，例如 Agent 应用，因为模型的基础能力已经非常强大。而在具身机器人领域，真正的竞争焦点仍然是“智能”本身——即机器人是否真正具备了足够的智能水平来完成复杂任务。
以 AI “六小龙” 为代表的大模型公司在 DeepSeek 出现之前，普遍获得了较高的市场估值。而随着 DeepSeek 的出现，市场对这些公司的价值判断发生了显著变化。具身智能领域也将经历类似过程：在没有出现类似 GPT-1 或 DeepSeek 级别的技术突破之前，各家公司的价值判断并不清晰，融资时也容易获得较高的溢价。但一旦出现颠覆性的技术突破，整个行业的格局将发生深刻变化，具身机器人是一个未来变化空间巨大、充满未知的领域。
五、从实验室到产业化：
机器人产品化的关键跃迁
我认为具身机器人是未来十年、二十年科技领域最大的机会。其潜在市场规模甚至可能超过汽车行业，因为它的数量级可接近人口数量，同时单价也较高，因此是一个极具商业价值的赛道。
从技术角度看，目前最大的瓶颈之一是训练数据的缺乏。要推动具身机器人技术的发展，必须在数据获取和处理方面取得突破。在产品层面，有两个核心问题亟待解决：
●
任务泛化能力：我们并不期望机器人能完成所有任务，但至少要在限定任务中具备一定的通用性。例如，在抓取任务中，不能只适用于特定形状的物体，而应能应对多种形状；在执行任务时，除了抓取，还应能完成拧、摇等操作，从而实现任务层面的通用性。
●
场景泛化能力：即机器人在一个特定环境中表现良好，是否也能适应其他环境？这是另一个关键挑战，因为从原型到产品的转化过程中，稳定性与成功率是关键指标，例如实验室中我们可能尝试了 10 次，成功 1 次即可展示成果，但在真实应用中，系统必须具备高稳定性与高成功率。
另一个核心挑战是机器人操作能力（Manipulation），也尚未被解决。我们可以将机器人的能力分为两类：移动能力与操作能力。对于人类而言，真正创造价值的是操作能力。移动能力在教育、巡逻、展示等场景中确实有其价值，但更多体现在演示或辅助层面，而真正能带来产业价值和经济回报的，是机器人在操作任务上的智能表现。
●
移动能力：目前机器人的“移动能力”已经取得了不错的进展，像国内的宇树科技在这方面做得就很好，还有待提升的是避障能力。例如宇树在春晚表演时仍需要人工遥控，正是因为其避障系统还不够完善。但总体而言，我认为移动能力已经处于一个相对成熟的技术阶段。
●
操作能力：相比之下，机器人的“操作能力”仍然存在较大挑战。机器人拥有类似“大脑”的系统，负责接收指令、任务规划、更新操作并收集反馈，同时还有一个类似“小脑”的模块，负责根据大脑指令，完成具体任务。然而，由于面对的物体和环境都非常多样，所以这里最大的挑战在于是否能在限定任务中实现一定的通用性，或者实现所谓的“场景泛化”——即在不同环境中都能稳定完成任务。
而目前的机器人在实际技术层面还没有达到理想状态，更多是在演示样例上表现良好。能录制出一段非常成功的演示视频，与在真实场景中稳定运行之间还存在很大差距。如果你去参加各种机器人展会，会发现一个现象：很多机器人只是静态展示，真正能动起来、能自主完成任务的机器人其实并不多。
六、VLA破局之路：数据和模型突破
机器人领域的核心技术路线是视觉语言动作模型（VLA），但端到端的 VLA 模型，需要非常多训练数据才能达到泛化能力，且容易受到视觉信号噪声的影响，比如光照变化和物体形状变化。从模型角度来看，这并不构成特别大的技术挑战，真正的问题在于数据规模远远不足。
目前机器人领域可获得的数据量大约在百万级别，而语言模型的数据规模已经达到万亿级别。如果通过远程遥控方式操作机器人并收集数据，这个过程非常缓慢。每条数据的采集成本也非常高，这对数据积累形成了很大限制。
现在有一项机器学习方法叫做“模仿学习”。如下图所示，我们可以通过专家示范的方式，获取机器人执行任务的轨迹数据，然后让 AI 学习这些轨迹。机器人跳舞之所以能做到非常自然，就是通过模仿学习实现的，不需要额外输入，只需模仿专家的轨迹即可，拳击动作的训练也使用了类似的方法，这项技术目前相对成熟。
但这个机器学习方法只适合训练移动能力，不适合训练操作能力，所以机器人在操作任务上的能力仍然不够成熟，如果没有一个足够强大的基础模型（Finish Model），那么后续 AI 智能、Agent 智能等高级能力就很难真正体现出来。
因此，另一条可能的获取数据的路径是借助仿真器，通过仿真环境，机器人可以在虚拟世界中采集大量数据、进行反馈训练，从而提升其在现实环境中的表现。当我们在仿真环境中训练出初步模型后，再将其部署到真实场景中，结合真实数据，并通过强化学习进一步优化模型性能。
我认为解决机器人领域通用泛化的核心是找到新的 Scaling law，即数据和模型的突破。我们可能需要找到一种能够高效生成大量数据的方法，从而构建出高质量的数据集，训练出真正具备通用能力的机器人，达到接近人类操作水平的状态。这是我内心中一个相对可行的技术路径，但目前来看，这条路还没有真正走通。
七、如何在具身机器人的
“GPT-1时刻”来临前赢得先机？
欢迎关注「腾讯云TVP」，期待你的「在看」～👇
相关文章
