8月19日，作为A股“人形机器人第一股”，宇树科技正式上市。

宇树上市，被业内看作是中国具身智能产业发展的一个重要节点。过去几年，中国企业凭借制造业和供应链优势，快速推动机器人本体走向量产。随着机器人产业进入下一阶段，行业竞争焦点正在从“量产机器人”，转向“让机器人真正具备智能”。

复旦大学可信具身智能研究院副院长吴祖煊在接受澎湃新闻美数课工作室专访时，将中国具身智能目前的全球竞争格局概括为“本体稍稍领先、大脑基本同步”。

在他看来，中国具身智能最大的优势来自供应链和应用场景，而未来突破的关键，是让本体和大脑形成快速联动迭代，推动机器人实现跨本体、跨场景、跨任务的泛化能力。

以下为专访实录，略经编辑。

宇树上市，中国具身智能的“GPT时刻”更近了

澎湃新闻：如何看待宇树科技上市对于中国具身智能产业发展的意义？

吴祖煊：宇树在人形机器人本体方面做得很好，运动控制也做得特别好，能够带动整个具身智能行业进一步发展。

我们希望有更多机器人本体能够和模型形成联动迭代，慢慢推动具身智能迎来自己的“GPT时刻”。

澎湃新闻：中国具身智能在哪些环节更可能出现突破？

吴祖煊：我认为更重要的是本体和大脑形成快速、联动的迭代。一方面，本体会越来越便宜，运动控制能力也会越来越好；另一方面，会出现更好的机器人大脑厂商。两者形成闭环互动，才能推动模型在不同场景、不同任务和不同本体中实现泛化。

供应链优势，让机器人“本体”先跑了出来

澎湃新闻：以机器人的“身、脑、手”来看，中国具身智能产业在全球竞争中的优势和短板分别是什么？

吴祖煊：从研究角度看，可以把具身智能分成“身、脑、手”几个方向。但从产业角度来说，这样划分不一定特别合适。

机器人首先需要一个身体，这个身体可以是人形机器人，也可以是机械臂、机器狗或者双足机器人。手其实也是身体的一部分，因此“身”和“手”更多属于机器人的本体结构。

中国在机器人本体方面处于比较领先的状态，核心优势其实是供应链和产业链。一个小型电机或者其他零部件，我们都能够快速找到对应产品；同时，中国制造业比较发达，能够把机器人本体做得很好。

产业链优势还体现在量产和迭代能力上。我们能够快速把本体做出来，实现量产，通过更大的订单和出货量持续获得反馈，不断改进产品。

大脑方面，和国外的 Physical Intelligence、Generalist、谷歌等公司相比，国内很多机器人大脑公司处于相对同步的水平。

短板我认为更多是在算力方面，特别是训练算力。虽然训练具身大脑不像训练大语言模型那样，需要上千张甚至上万张显卡，但如果要训练泛化能力很强的具身大模型，仍然需要很好的算力支持。

人形的价值在于复用人类社会的基础设施

澎湃新闻：一些观点认为，在工厂等场景中，人形未必是效率最高的选择，轮式、机械臂或者四足机器人可能更加合适。为什么国内很多企业仍然在大力发展人形机器人？人形机器人的核心价值是什么？

吴祖煊：机器人之所以被做成人形，是因为我们现在的大量基础设施，基本上都是为人设计的。我们可以把汽车理解成一种小型机器人，为了让汽车在道路上行驶，人类修建了公路。如果一种全新的机器人形态要进入社会，我们不太可能再专门为它建设一整套新的基础设施。

从未来的人机共融、人机相处来看，人形也是一种比较合适的形态。人们希望机器人能够自然地融入生活，而不需要社会专门为某一种机器形态重新构造环境。

但并不是所有任务都需要人形机器人。在工厂中，机器人未必一定要长得像人。现在很多自动化工厂里的大型机械臂，也能够完成很复杂的任务。

机器人应该针对不同场景，采用最适合该场景的形态。例如，在特别危险的救火场景中，机器人不一定需要采用人形，轮式机器人可能速度更快，也更加合适。未来应该会出现千形百态的机器人，不同任务和不同场景，会对应不同的形态。

澎湃新闻：机器人的手也越来越像人了。为什么灵巧手近年来越来越受到产业和资本的关注？

吴祖煊：传统机器人操作主要依靠夹爪，没有人的手这么灵活。例如拧瓶盖、插拔线头，都需要很灵活的手指动作。

传统夹爪的自由度（能够独立运动的方向或关节数量）比较低。如果机器人要完成更加灵巧的操作，就需要像人手一样，拥有多个手指，并让手指之间相互配合。例如，机器人拧紧螺丝，需要多个手指协同完成。

随着具身智能进一步发展，大家会认为，灵巧手是机器人完成灵巧任务的一种必备硬件。

澎湃新闻：目前国产灵巧手发展到什么水平了？

吴祖煊：灵巧手既涉及硬件，也涉及任务能力。它需要足够耐用、灵活度足够高，并能够完成各种不同任务。目前科研中使用的机械臂，国内产品相对较多。国产灵巧手最近的出货量也在增长，产品做得越来越好。国外也有 Shadow 等灵巧手产品，但价格比较高。

更多机器人进入真实世界，“数据飞轮”才能转起来

澎湃新闻：为什么近年来产业和资本越来越关注机器人大脑？

吴祖煊：今年特别火的一个方向是世界模型，它也是机器人大脑的一种技术路线。

大家希望机器人拥有一个聪明的大脑，能够像人一样完成不同任务，并适配不同的身体，也就是所谓的“一脑多机”。同一个大脑可以适配机器狗、人形机器人或者双足机器人，支撑不同机器人在复杂环境中完成任务。

大语言模型等人工智能技术已经取得了很多进展，在专业知识和通识能力方面都表现得很好。大家因此也会期待，机器人能不能拥有类似的大脑，不仅可以与人问答、画画或者生成视频，还能够真正帮助人完成任务。

澎湃新闻：怎么看待数据短板？会成为发展具身大脑的一大阻碍吗？

吴祖煊：具身智能大模型和大语言模型有一定的相似之处。训练大语言模型，需要把互联网上的大量语料提供给模型；要让机器人学会如何操作，也需要给它大量与操作相关的数据。

例如，机器人要在工厂里拧螺丝，需要相应的数据；要叠衣服、做咖啡或者完成其他任务，也都需要数据。现在的大语言模型能够回答地理、数学、天文等不同领域的问题。我们对具身智能的期待同样是，机器人不仅能够拧螺丝，还能做咖啡、拉花，并进入汽车工厂、船舶工厂、家庭、农业和科学实验等不同场景。

为了完成这些任务，需要来自真实场景的数据。中国拥有各种制造厂和应用场景，这些场景能够帮助我们更快形成数据壁垒。另一方面，供应链优势也能够帮助机器人更快进入实际场景。本体部署得越多，进入的场景越丰富，就越有利于收集真实数据。

澎湃新闻：训练机器人用的数据主要有哪些来源？

吴祖煊：现在大家会用“数据金字塔”来理解具身智能的数据结构。金字塔的底层，是 YouTube、哔哩哔哩、快手等平台上的互联网视频。这些视频中，有大量人类完成不同任务的过程，因此规模非常大，成本也比较低。

但这类数据比较杂，而且是人在进行操作，怎样把人的操作迁移到机器人身上，本身就是一个比较困难的问题。中间一层，是人佩戴动作捕捉设备，或者拿着手持式夹爪完成任务所产生的数据。这类人机交互数据相对比较容易收集，但规模仍然不够大。

金字塔顶层则是真机数据。它需要人直接控制机器人完成操作，质量最高，但收集难度和成本也最高。大家希望建立这样一个数据金字塔，将最宝贵、最昂贵的真机数据，与互联网视频、人类操作数据等其他类型的数据联合利用、共同训练。

澎湃新闻：获取高质量的具身数据为什么这么难？

吴祖煊：真实机器人数据达到十万小时，就已经是非常大的量，也非常困难。

机器人数据之所以难以收集，是因为真机数据通常需要人来操作。人要控制机械臂，再让另一台机械臂跟随运动。这类数据是质量最高的真机数据，但也是最难、最贵的数据。仅仅收集十万小时，就已经很困难。

具身智能实现“GPT时刻”，有三关要过

澎湃新闻：如果类比大语言模型的发展阶段，目前具身智能大模型处于什么阶段？

吴祖煊：目前还比较早，还没有看到具身智能的“GPT时刻”。核心原因是，具身智能的数据很难实现规模化增长，也就是很难scale up。大语言模型基本上已经获取了大量互联网数据，能够基于这些数据完成不同任务。

但具身智能目前的数据量还不够，模型如何在真实环境中进行交互，也仍然有很多问题需要探索，还有很大的提升空间。

澎湃新闻：如何评估具身大模型的智能水平？目前为什么还没有像大语言模型那样形成相对统一的评价体系？

吴祖煊：评估大语言模型，只需要给模型一些问题，再根据答案判断模型表现得好不好。但评估具身智能模型，最终要看它能否完成真实任务。

比如，我在复旦搭建了一套系统，用机械臂完成拧螺丝的任务，模型成功率可以达到98%。但如果你在报社也搭建一套系统，桌子的颜色、螺丝的形状或者环境条件可能都不一样。要客观比较不同模型，理论上需要两套环境完全相同，但这本身就非常困难。

澎湃新闻：这是不是意味着目前具身大脑的评测标准（Benchmark）的参考性有限

吴祖煊：仿真评测具有一定参考价值，但能否百分之百迁移到真机仍然存在问题。现阶段，一些真机Benchmark的参考价值也相对有限。

换句话说，具身智能不仅还没有迎来自己的“GPT时刻”，也还没有迎来类似ImageNet那样相对统一、具有广泛公信力的评测时刻。

澎湃新闻：出现哪些标志性变化后，可以认为具身智能正在进入自己的“GPT时刻”？

吴祖煊：核心标准是一个模型能够在不同机器人、不同任务和不同场景中都完成得很好。也就是实现跨本体、跨场景、跨任务，并拥有很强的泛化能力。

目前，模型只在一些相似的小任务中具备一定的泛化能力。长程任务也是一个评价指标，也就是机器人能否连续完成时间较长、步骤较多的任务。