（来源：第一财经资讯）
“明年GPT-7出来的话，可能直接将具身智能的问题‘打穿’。”
10月12日，在第26届中国国际工业博览会开幕式上，宇树科技创始人王兴兴分享了AI技术进步对具身智能行业发展带来的影响。在他看来，具身智能临界点的到来会比较快，甚至可能是一两年，但目前仍然面临泛化性和效率的难题。
前段时间，通用大模型GPT-6 Astra的发布在具身智能行业掀起了一股测试热潮，还引发了行业人士对技术路线的讨论和思考。与此同时，自进化研究方向也受到高度关注。
这些话题正是多位嘉宾在工博会上深度对话环节中探讨的焦点，他们试图回答距离机器人规模化落地还有多远。
自进化需要数据积累
大会现场，王兴兴透露称，公司团队已经将GPT-6部署至机器人做任务进行测试，效果表现还不错。他提到，“现在我个人对AI的信仰反而与日俱增，过去十几年我犯的最大错误就是对AI还不够相信。到现在可能很多人还没有充分使用或者拥抱AI。”
而这一变化或许可以从王兴兴近期多次提及“物理AI自进化”的概念得到印证。
“现在大语言或者多模态模型训练的自动化程度已经非常高了，今年或明年头部大模型公司可能已经差不多实现自进化水平了。”但到了具身智能领域，王兴兴认为这一方向还处于比较原始的状态，机器人模型的训练和调试的工作仍然依赖于人类工程师完成。实际上，写代码、训练以及部署等链路或可以利用AI自动化实现，人类负责评估效果打分。
在王兴兴看来，随着模型积累的经验越来越多，人类的参与度或将减少。
此前，行业人士普遍认为具身智能发展面临的一大瓶颈便是数据紧缺。对此，Sharpa联合创始人向少卿在对话环节中提到，自进化是数据逐渐积累之后自然形成的一套流程。
向少卿认为，人类操作数据、仿真数据以及真机数据在逻辑上是层层递进的。“机器人的构型和人类是接近的，人类操作数据隐含了对世界运行机理和对身体的认知，这对机器人来说是很重要的初始学习。”向少卿介绍称，仿真数据的意义则在于强化学习、数据增广，而真机数据将解决仿真的Sim2Real Gap。
“人类操作数据构建了智能的‘种子’，之后机器人在仿真环境里学习更多的知识，再在真实环境中试错，改进自己的智能，这也是自进化的一个过程。”向少卿讲述称，目前这三类数据的开发和部署是同时进行的。
王兴兴提到，作为本体厂商，宇树科技会更关注真机数据。他表示，将机器人真正部署至物理世界的最后几厘米、提高成功率，真机数据仍然非常关键。
值得一提的是，中国工程院院士、之江实验室主任王坚在现场特地呼吁诸如海尔、施耐德等制造业企业接下来将工业数据开放提供给机器人企业。
“现在人工智能可以理解代码、写代码，这是一个质的变化。而目前人工智能距离工业界的数据还是比较远，这类数据是锁在每个企业的‘抽屉’里。这个问题不解决，两者拥抱有非常大的挑战。”王坚认为，如果机器人要进行一次变革，那么应当将“抽屉”中的数据放出来。
大规模落地面临的几道门槛
数据之外，具身智能的算力底座同样是现场对话环节的重点，这也关乎到未来机器人大规模的落地。
据了解，目前机器人的算力部署主要包括云端、端侧、边缘侧等。其中，云端指的是将任务放在云端数据中心，端侧是将算力直接集成在机器人本体上，边缘侧则是在机器人附近部署计算资源。
上述三位嘉宾从不同角度分享了自己的看法。王兴兴介绍称，他们会从客户需求角度进行考虑。“每个型号的机器人上面都加很多高算力，其实也是很吃力不讨好的一件事情。”他表示，机器人的算力可以进行选配。对于一些侧重运动能力的AI来说，对算力要求并不是特别高，可以在本体上进行部署；但是决策性质的以及大规模场景部署，还是得靠云端算力。
向少卿提到，部署方式取决于所需算力大小、时延性。“在执行任务时，机器人在和物理世界实时发生交互。从时延性来说，算力应该尽可能靠近机器人，最好是端侧的。”但他提到，目前行业的现实是端侧算力无法满足机器人自己需要完成的运算，短期内机器人的“思考”还是会在云端。而从长期来看，如果10年以后机器人进入千家万户，那么更多算力可能将从云端转移至端侧。
王坚则认为，具身智能行业还处于早期、机器人形态也未发展成熟，目前探讨算力还比较早。“算力路径上的选择还是要从实用主义出发，也就是有多少能力、能做好多少事情，还是把一个好的机器人做出来。”
至于接下来机器人能否实现大规模应用，王兴兴认为要解决泛化性和效率的问题，未来几年这些问题将得以解决。
在向少卿看来，机器人泛化性的基础包括不需要改造环境、可以不间断地干活等。此前，Sharpa把机器人部署至上海一家DQ门店，它在“工位”上按照步骤一步步制作冰淇淋。向少卿透露称，Sharpa将在餐饮、零售和宾馆三大场景部署3万台机器人。而从单一场景到多场景，这将直接考验机器人的泛化性。“拿到机器人之后，企业用我们提供的工具采集少量数据、稍作训练就能够使用，这是我们接下来的目标。”
