人形机器人渐行渐近

迎宾的、唠嗑的、端茶倒水的、写诗作画的……在近日举办的2025中关村论坛年会上，“忙里忙外”的机器人成为现场最大的亮点，组团上演了一场科技秀。

过去几个月，人形机器人频繁亮相于各个舞台，大展绝技：在春晚舞台上扭秧歌，在社交平台上跳舞、翻跟头，在工厂里“拧螺丝”，在公众视野中弹琴、端茶倒水……仿佛一夜之间，一轮技术巨变的浪潮汹涌袭来，将我们迅猛卷入曾经只存在于科幻小说中的未来世界。

实际上，机器人技术的发展进程正不断提速。从1973年日本早稻田大学研发的WABOT-1诞生至今，人形机器人的研究范式不断变化。如今，人形机器人被视为实现具身智能的最佳载体之一。

所谓具身智能，顾名思义即“具有身体（物理载体）的智能（能感知交互和会学习思考）”，而人形机器人无疑是最重要、最受期待的实现形式之一。

2023年10月，工信部印发的《人形机器人创新发展指导意见》就已将人形机器人精准定位为“集成人工智能、高端制造、新材料等先进技术，有望成为继计算机、智能手机、新能源汽车后的又一颠覆性产品，它将深刻变革人类生产生活方式，重塑全球产业发展格局”。

今年全国两会上，“具身智能”首次被写入政府工作报告。同时，据记者统计，“具身智能”也出现在了全国6个省份的2025年政府工作报告中。

产业链协同突破前沿技术

感知、计划、行动，这一过程恰似人类与世界的互动模式。人形机器人亦是如此，凭借摄像头、雷达等设备感知外界，借由大模型与算法进行分析并作出决策，最终依靠由执行器构成的肢体付诸行动。

从产业角度来看，人形机器人主要依赖三大核心组件：“大脑”、“小脑”与本体。“大脑”司职高层决策以及智能信息处理；“小脑”专注于运动控制；本体则作为机器人的物理载体，切实承担具体的运动任务。

让机器人递水比跳舞更难

与其他形态的机器人相比，人形机器人的优势就在于未来与人类社会交互并执行任务。这也使得运动控制成为首要需解决的问题。

物理世界的复杂性要求“小脑”系统在训练过程中，必须将各种各样不同的环境变量纳入考量范围。尤其是双足行走，每一次迈出的步伐，都会产生不确定性：地面可能湿滑、物体或许具有弹性、摩擦系数也处于动态变化之中，这些因素均会对机器人的平衡感和判断能力造成干扰。

在一次公开采访中，宇树科技创始人王兴兴透露自己曾经并不看好人形机器人。彼时的算法水平还不足以支持人形机器人应对复杂多变的环境。然而，人工智能的迅猛发展，为人形机器人进步带来了质的飞跃。如今，机器人研发者不再需要编写程序来操作机器人，而是可以通过大模型，让机器人不断学习传感器同步的实时数据，进一步完善运动控制，使人形机器人的平衡控制、动态性能更高。

“人形机器人之所以称为机器人领域最难攻克的类型，就在于其运动控制的门槛极高。若无法做好运动控制，根本不具备进入该领域竞争的资格。”乐聚机器人副总裁柯真东对记者表示，人形机器人的构型极为复杂，身上关节数量少则十几个，多则40多个。要用一套算法同时精准控制40多个关节，还要保障机器人在运动过程中不会倾倒，且动作平滑、柔顺，这使得机器人的建模过程充满挑战。柯真东直言：当下，各家机器人在运动控制方面的差异，已成为拉开彼此差距的关键因素。

对于人形机器人，学会行走只是运动控制的第一步。从产业化视角看，双臂与手的协同操作能力才是重中之重。优必选首席品牌官谭旻指出，未来两三年，机器人行业竞争焦点将集中在上半身，而非下半身。

在运动控制领域，“灵巧手”被业内公认为最难突破的部分。解剖学研究显示，算上手腕，人类双手拥有27个自由度（编者注：自由度是机器人常见术语，指它的各个关节可以在三维空间中独立移动的方向和角度的数量，自由度越高，机器人越灵活），能组合出超300种基础动作模式，这种多维度协同让人类得以完成系鞋带、弹钢琴等精细复杂任务。

宇树科技提供给记者的一段视频中显示，该公司最新发布的Unitree Dex5灵巧手，具备单手20自由度（16主动+4被动）以及单手94个灵敏触点，能够完成打扑克、玩模仿、翻书等动作。在论坛现场，记者还亲眼看到了灵心巧手Linkerbot人形机器人用双手演奏钢琴与电笛的精彩表现。

“灵巧手作为机器人的末端执行器，想要完美复刻人手结构与功能是非常难的，它需要具备强大的能力，执行捏、拿、握等种种精细操作，这关系到复杂的结构设计和精密的控制问题。”灵心巧手（北京）科技有限公司联合创始人张延柏对记者表示，当前常见的人形机器人一般设有16～18个主要关节，而他们公司研发的单只灵巧手，就拥有21个主动关节。

张延柏认为，目前灵巧手研发面临诸多现实挑战，如部件强度与自重平衡、传感技术精度、数据采集效率与准确性、学习算法优化等。这些因素不仅影响优质灵巧手的性能与实际可用性，还关系开发成本、使用成本，甚至决定其能否大规模量产与广泛应用。

关节自由度之外，触觉传感器的相关技术也同样决定着灵巧手的成败。人类历经漫长的进化过程，才发展出对物体的力觉感知和形状感知能力。而机器人只能依靠机器硬件以及算法来作出判断，其间的技术难度不言而喻。

在上海清宝引擎机器人测试中心，一台约1.6米高的双足人形机器人正流畅地摆动双臂，伴随音乐跳起一段机械舞，关节活动时的细微声响与精准动作引得在场人员惊叹。

“它的往返精度达到±0.05毫米，全球能做到这种水平的寥寥无几。”公司董事长王磊说话间，机器人转向观众，眼部高清摄像头捕捉到记者表情后，显示屏立刻浮现微笑。在这台机器人旁，另一台装备皮肤、五官的机器人，也在同步回应记者动作。王磊称，它的眼皮、眉毛、嘴唇均可灵活运动，能根据对话对象情绪切换16种表情。

即便动作精准度如此之高，王磊仍坦言：“让机器人像人一样递一杯水，需融合视觉识别、运动控制和智能决策，难度比跳舞高出10倍。”

让机器人“大脑”更“灵光”

在中关村论坛现场，仿生交互机器人妮娅凭借逼真的形象与细腻的表情，吸引了众多参会者的围观与互动。

北京清飞科技创始人、CEO魏宇飞向记者介绍，妮娅是清飞科技研发的仿生交互型机器人，在中关村论坛年会中承担接待工作。除了语音互动，妮娅还能通过观察人类表情感知情绪反应，让交互过程更加自然、人性化。“这也是仿生人形机器人最大的亮点，它十分通人性，不仅智商高，还很有眼力见儿。”魏宇飞说道。

在这些语音交互、表情交互的背后，发挥关键作用的正是人形机器人的“大脑”。

在人工智能诞生前，人形机器人的“大脑”是一系列精密设定的方程式，尽管经过精密计算，但由于难以涵盖所有变量，机器人距离真正意义上的“思考”仍有很大差距。如今，大部分人形机器人采用VLA模型（Vision-Language-Action Model，即视觉—语言—动作模型），能够从视觉感知出发，通过学习知晓如何行动，实现业内所说的“端对端”效果。

视觉感知是VLA模型的重要组成部分。视比特机器人副总裁刘婷婷介绍，深度相机是当前人形机器人的主流视觉方案，包括结构光、ToF、多目视觉三类。目前国内在视觉感知方面，不管是价格还是技术都非常成熟。

然而，就目前人形机器人的发展状况而言，视觉感知到行动执行之间仍存在一定差距。穹彻智能联合创始人卢策吾指出，当前常见的VLA模型存在两大突出问题：一是缺乏对世界的理解能力；二是在末端执行环节，空间不确定性较大。

刘婷婷也向记者坦言：“将人工智能技术应用于人形机器人领域，目前面临的最大问题是泛化能力不足。人工智能系统在特定场景中经过充分训练后表现良好，但一旦置于不同场景，运行就会陷入混乱，无法有效适应新环境并完成任务。VLA大模型虽为机器人“大脑”的主流构建方式，但以此控制机器人，其泛化性和灵活性仍有很大提升空间。”

“泛化”是业内谈及人形机器人“大脑”时频繁出现的词汇。泛化意味着机器人有能力完成未学习过的任务，可能是举一反三，也可能是基于理解执行更复杂的任务。例如执行任务时，若光影背景、物体种类、空间位置等发生变化，甚至任务过程受到人为干扰，机器人也应具备应对能力，这正是泛化需要攻克的难题。

让机器人包揽家务，是人们对人形机器人的初步设想。然而，即便机器人能够完成高难度武打动作、创作出优美诗词，厨房里的一个脏碗却可能让它束手无策。人类凭借直觉就能判断碗的材质、重量、油污程度，并依据水流情况自然地做出清洗动作。而机器人则需通过视觉或触觉逐步识别这些信息，再计算出合适动作，这种感知与运动的复杂性超出了当前技术能力范围。

爱观视觉投融资负责人刘昊对记者表示，未来人形机器人将由三大板块构成：本体系统（包括运动控制与灵巧手）、感知系统（视觉、听觉及传感器）及后端处理系统（大模型或“大脑”）。他强调，当前行业仍处于各板块独立发展阶段，尚未形成高效整合。“真正实现人形机器人的全面替代，需要这三部分协同演进。”

伽南科技（北京）有限公司品牌总监梁骐钧直言：“人形机器人的发展仍需大量时间，还有很长的路要走。”她进一步表示，当下人形机器人企业多聚焦于本体的开发和身体控制研发，虽然目前人形机器人在智能（“大脑”）方面存在欠缺，但有一天人形机器人能接入“大脑”时，此前训练出的良好身体机能便能与之更好地协同配合。

“无论是中国还是全球范围，在软件层面，即机器人的大脑成熟度方面，都尚处于早期阶段，未来的探索之路还很漫长。” 刘婷婷说道。

机器人也需要不断训练

在位于首钢园的人形机器人数据训练中心，超百台机器人拥有各自不同的“工位”，它们每天都在这里重复进行百余次训练。

记者在训练中心看到，人形机器人已经开展了在不同场景下的模拟应用，比如采摘果实、叠衣服、擦家具等场景，而机器人旁边，则站着它们的“老师”——人形机器人训练员。他们操控机器人，以极其细微的动作慢慢“教”会机器人从一个个分解动作开始，熟悉完成一整套连贯动作。

“相当于我们的工作员在教这个机器人怎么操作，怎么完成任务。在完成这个任务的时候，机器人可以记录各种数据，比如相机的、手机的、底盘的或者是末端执行器的。”人形机器人数据训练中心负责人张钦锋介绍，为了让机器人拥有在不同场景“举一反三”的泛化能力，采集员要不断地调试环境。

在上海，智元机器人同样拥有一个类似的数据采集中心。4000平方米的厂房中，搭建出家居、餐厅、工业、商超、办公五大类场景，包含超过200个细分场景的任务。在这些场景中，数百名数据采集员头戴VR眼镜、手持操作手柄指挥着机器人进行各种动作。