3月末的时候，我们抵达了深圳，参与了全球首次举办的线下具身智能基础模型真机操控黑客松活动。
当处于一群00后极客之中，还有学术圈大咖以及产业核心公司代表里头时，我们看见了一条清晰的发展路线，那就是呢：机器人开源生态汇集了多方力量，先是在机器人模型方面，接着是数据集方面，最后到开发者生态方面，迅速地推动全行业朝着前方发展。
开发者大会，这次是由自变量机器人联合主办的，创下了，三个“第一次”：
对于团队的算法，以及系统能力而言，这属于一次极其硬核的极限考验，简而言之，主办方期望具身模型比赛回归到真实世界。
在大会的最后一天，硅谷101联合创始人陈茜主持了一场专家论坛，当中就模型路线、关乎数据以及产业落地等核心问题，和行业大咖们展开了一场深度分享。
以下是这场论坛的精彩观点：
01
蓬勃的开源社区
数据、模型及评测
陈茜，硅谷101联合创始人：
最近开源算法中最重要的一些新变化都有哪些？
苏治中，地平线机器人实验室负责人：
机器人相较于大语言模型、视频生成模型而言，它属于一个系统工程，这个系统工程涵盖了从数据采集一直到真机部署的多个环节，其复杂度与门槛要更高一些。要是没有开源工作的话，工业界以及学术界的发展将会慢上许多。在工业界，那些不断涌现的面向场景的具身企业能够依据开源工作迅速进行场景验证。在学术界，高校学生借助开源工作能够接触到更为前沿的研究成果，还能获得更好的训练，等到工作之后上手也会更加快速。所以，开源对于具身行业的推动比其他行业显得更为重要。
谈到趋势，除了模型以及数据，具身的训练流程，还有数据配方正变得越发复杂，从实施预训练开始，再到展开后训练，接着到进行强化学习，每一环节都极具重要性，故而之后全链路的其配方会成为开源当中极为重要的一部分句号。
陈茜，硅谷101联合创始人：
当今存在的部分机器人范畴的开源情况，涵盖数据方面，均呈现出并非开放的态势，你认为后续的开源是否会朝着愈发开放的方向发展呢？
苏治中，地平线机器人实验室负责人：
曾经，大家于开源之际，一方面存有保留，另一方面诸多事物并非那般成熟，尚未达至能让开发者轻易上手的地步。当下，伴随Vibe Coding热度高涨，上手门槛正趋于降低，大家所做之事亦更为成熟，更适宜开源了。另外，行业竞争愈发激烈起来，各家皆需借助更为丰富的开源去拓展生态或者树立品牌，故而开源趋势将会上升。最终结果如何，如今难以言说，企业需依据其商业化进展来判定开源程度。
甘如饴，自变量合伙人、算法负责人：
开源对于不管是产业领域，还是企业界而言，都是有着互利特性的过程，大语言模型也就是LLM的数据，从起始阶段就是规模巨大的，然而机器人所面临的问题在于要用真机也就是数据，可实现这一点成本相当高昂，那么究竟要通过何种方式获取如此大量的数据呢，所以你能够看到，在这一波具身开源的情形当中，数据的开源反而是最早呈现的。
最初的那个动力，有点类似于ImageNet问世之际，那时大家尚未汇聚到极为先进的技术路径之上，故而乐意将形形色色的多模态数据都予以开源，好让学界、产业界皆能够在其基础之上展开探索。
第二个动力乃是当下的模型结构，其训练方式并非全然确定。当然，我认为端到端这条路线必定要坚持，并且是正确的路线。然而，具体怎样去设计模型的结构，设计何种函数来压缩数据，这实际上是大家所要做的。
动力的第三个方面是评测，究竟是谁的模型具备好用的特点？又是谁的模型有着不好用的状况呢？就以我们自变量的此次比赛来讲，大家会试着采用多种模型，还能让大家更真切地体会，并非停留在某一个榜单方面，而是停留在线下的真机评测之上。
田明，阿里巴巴达摩院具身平台产品负责人：
一场规模较大的产业革命，通常而言，往往会划分为三个具备典型特征的周期阶段，其一乃是生产力方面所发生的革命，其二则是生产关系进行重塑的过程，其三便是与制度以及秩序相关的形成情况。
我们当下处于第一阶段，此为生产力革命早期阶段，共识极为缺乏收敛，此时开源意味着什么呢？我心中的答案是，开源是共识，共识是价值，在未来这个时代，形成共识自身便是价值的体现，主要针对增量市场的变化、竞争的变化、内部的变化这三层。
首先，增量市场存在着变化，特别是在任何颠覆式创新处于早期的时候，这是一个有待去开拓的阶段，借助开源，我们能够迅速地将我们所在赛道的这份蛋糕做大，把声量传播出去，而后吸引更多的利益相关者，让大家在其中构建成一个生态。
其二，竞争所具备的价值，首先我们会将处于我的开源水平之下的那些中长尾能力全部清理出去，进而提升了市场的集中度，如此便避免了重复做无用功，与此同时，开源对于头部的，例如闭源的冲击程度也是比较大的，原因在于我整合了更多利益相关者，还拥有更多开发思路，并且我要凭借更多的市场占有率，去挑战（巨头），就像如今苹果手机或许仅拥有10%的市场占有率，然而实际上开源安卓手机的规模还是更大的。
第三，开源于团队内部会产生怎样的影响呢？首先，是我们能更迅速地明确迭代的方向，其次，是我倘若能够聚合更多的开发者，这也意味着开源务必要构建生态，处于这个阶段对于具身智能来讲是极为关键的，因为当下数据不存在收敛的情况，数据范式不存在凝聚的情形，模型不存在汇集的状况，应用场景尚处于探索之中。所以，未来趋势是很明确的，现在做模型的厂商看起来数量众多，接下来的一段时间，肯定会涵盖像阿里这边我们自己所研发的具身大脑的rebrain，还有我们体系里的VLA这个系列，全部都会进行开源，我会迅速地将市场的集中度逐渐收拢起来，继而使得像自变量那样一些极为出色的明星企业与我们这类大厂之间，大家能够快速地达成更多的共识，这是很有帮助的。
吴昊天，美团高级总监、无人机硬件研发负责人：
当下阶段，闭源的情况会相对多些，难道会永远闭源吗？大概不会，毕竟人类社会得以进步，其本身就是依托于开源知识的积累来达成的。在未来，商业价值的创造，大概80%是依据开源来实现的，20%是闭源的，然而，从价值获取的层面来说，20%却能抽取80%的利润。唯有这般，行业才能够借助巨人的肩膀，攀爬一个台阶，进而创造出增量价值。大家能够参考英伟达CUDA以及它的开源软件生态，这能够解决诸多应用基础构建方面的问题，但是开放的软件生态，却催生出了市值达5万亿的芯片生意。这是要从我们当下存量的商业模式里，去理解开源的路径该如何走，这是要从我们当前存量的案例当中，去明白闭源的路径怎样走，这明白开源和闭源路径的走法及其重要性。
具身智能于商业里的应用规模尚未兴起，技术也未全然汇聚齐全，当下也许并非是探讨开源闭源的时机。当前开源以及闭源依旧是依照公司投资层面去思索的 ，跟随行业的发展进程，必定会出现巨头进行开源的情况，会有极少一部分的增量专门知识将会被掌握在少数公司手中。
02
VLA模型挑战
算力、数据与泛化性
陈茜，硅谷101联合创始人：
当下，VLA模型所取得的最为显著的进展是什么，其在发展进程中所遭遇的面临的挑战是什么，以及所存在的瓶颈又是什么呢？
苏治中，地平线机器人实验室负责人：
当下，VLA所面临的主要问题涵盖了诸多方面，其中包括算力以及带宽开销极大之状况，还有空间感知能力颇为薄弱，再者是单帧的state到action的映射，另外体现为模态方面存在局限等这一系列情况。在其它路线当中，目前最为流行的当属WAM，WAM具备更为优渥的视觉编码器，其对于未来的想象能够对动作生成起到助力功用，不过此情况同时也存在着重建像素代价高昂之问题，并且还存在无法很好地理解物理规律等相关问题。不管是VLA还是WAM，它们均是在借助当下AI行业里智力和算力投资规模最大的两个领域，也就是多模态大模型以及视频生成模型的相应产出，其实这终究是一种搭便车的行为，是这样的一种状况。这两个领域，都备受关注，因有着较大的收入预期，所以投入也大。然而，作为一个具身模型的底座，如前面所提及的，它们各自存在着问题。我满怀期盼，具身智能领域能够去搭建更好的、真正面向具身的底座，拥有更好的3D空间理解能力以及对物理规律的理解，如此才具备潜力推动具身技术变革。
甘如饴，自变量合伙人、算法负责人：
有个新方向冒出来了，这会儿有好多卖铲子的人现身了。大家最先盯上的便是数据，那要如何去处理数据效率以及数据成本呢？这可是在落地进程里颇为现实的一个问题呀。
当产业真正运用我们的模型之际，我们期望着我们的机器人也好，模型也罢，能够去执行多种不同的任务。达成这一目标，需要耗费更多的数据，进行更优良的模型结构设计，开展更出色的loss函数设计，而这同样是当下在落地方面所面临的颇为重大棘手的问题。
于路线方面而言，最终我们认为存在几个方向可供探索。首先在输入层面，我们就思考怎样将更多模态的信息加进我们的模型当中。进行诸多操作任务时，与单纯的语言模型有所不同，举例来说，当我们握着一个蛋去捏时，所需讯息可能是触觉方面的，而非视觉方面的此项。此时怎样把这些不同情形的模态、不同频率的输入，跟现有的动作以及视觉整合一块，这是一个相当关键的问题。
第二个层面是输出方面，不管是World Model（世界模型），还是VLA，大家都在探寻一个更具效力的loss函数，比如是单单输出动作，还是不仅有动作，还涵盖视觉、视频、3D、触觉力控，是以离散的形式还是以连续的形式输出动作，这也是尤为关键的一条路线的探索。这同样是我们举办此比赛的缘由，我认为，所有路线均需历经极为出色的评测，之后方可确定我们的迭代方向究竟是什么，并非仅仅是在论文上开展的关于一个小视频的展示活动。
田明，阿里巴巴达摩院具身平台产品负责人：
我个人首先觉得，对于自变量的模型，我的评价确实是非常高的。在过去6个月里，我至少接触了80家行业中的各个伙伴。我个人还是非常欢迎自变量基于实证主义的很多模型的探索咯。
我今儿思索的问题所在，是我们对VLA模型寄予怎样的期望，它所要攻克的问，题为发生在复杂、持续、高维的现实世界里的立体操作接触相关问题 ，此问题有别于自动驾驶那种平面移动的避障问题 ，还不同于数字AI那种在线闭环进行学习的问题。
我们发觉供给侧它必定是个繁杂系统工程方面的问题，而决然不会是单个模型的问题。要是收敛到运用模型去处理这个问题，我觉得应当是一种从System 2的迟缓思考到System 1的快速思考，再有到System 0的即时反应的大模型的流程。
具体来讲就是，举例来说，System 2的关键所在是要去处理机器人任务里，存在于复杂众多之时空信息当中的定位、计数方面的问题，以及这一层与上面的agent工程层，我们的存储系统究竟是怎样进行设计的呢？
接下来是System 1，当下传统范式的益处在于，我们期望能垂直地攻克一个问题，借助预训练VLA加RL（强化学习），不但要做到准确，而且要做到迅速。在RL里，我能够将执行效率当作它的一个优化目标。
我们当下最为关心的是视频的action model（动作模型），我当然期望视频生成能够解决泛化性问题。有一种说法称作莫拉维克的悖论，即今日我掉了两根手指头，我依旧晓得运用剩余的三根手指头怎样去抓东西，然而机器人一旦做出改变就不行了。所以我们此刻极为关心的是这一部分怎样能够快速实现规模化。
对于System 0的引入，我觉得实属相当必要，那便是我们所提及的呈现一千赫兹状态的颇为快速的触觉，近期诸如Sharpa等别的公司也正着手开展相关工作。有这样一种情况，有时候，机器人的摄像头会被遮挡一部分，触觉呢，它不但能够提升机器人操作的效率，关键在于，哪怕是在有遮挡的状况下，它依旧能够去完成那个任务，而且还具备一个及时反应能力，所以呢，我觉得VTLA (也就是视觉-触觉-语言-动作模型) 的这个部分，必然是我们要从模态这个角度去进行思考的。是这样的，今年我特别关注的，就是以怎样的方式，把那以人为本的数据，去进行预训练的规模化操作，之后呢，再垂直地去做一些优化工作。
吴昊天，美团高级总监、无人机硬件研发负责人：
于我们的业务里头，主要是在分拣打包这个场景之中会加以运用，这属于具身操作方面的问题。我们同样会运用VLA，然而在使用完毕之后会遭遇一个重大的难题。
比如说我们的小象超市，众多 SKU 在里面相互堆叠在一起，其一你无法看清，其二每个 SKU 之间，其材质所需抓力也不一样，我们这个模型，当下暂无法达到对多种 SKU 以及多种动态环境的实用性要求，这便是当前我们所遭遇的一些问题！
大家觉得WAM也就是世界动作模型或可成为一种趋势，然而当下的问题并非没有数据，而是数据质量以及数据规模。并且获取数据的方法，当前的模态尚未统一起来，现有的设备价格都较为昂贵，在真实应用场景里难以获取数据，这大概是我们所面临的一个重大问题。
所以，我觉得，模型架构收敛的前提是，在未来，我们要达成具备高可靠这种体智能力，那么，我们到底需要多少种模态的信息呢？这些模态的信息又怎样能够以低成本获取呢？这或许就是我们首先要去处理的事情了。
03
数据稀缺的解决方案
仿真、遥操与真实部署
陈茜，硅谷101联合创始人：
接下来，你们认为行业对于数据的主流解决方案是什么呢，有没有什么不错的办法能够迅速推动或者解决机器人的数据问题呢？
苏治中，地平线机器人实验室负责人：
数据方案整体而言是笔经济账，互联网数据易于获取，然而其与机器人相关性低，需耗费诸多额外存储及训练代价方可获得相对良好精度，本体数据采集成本高昂，不过只需少量训练量与迭代轮数便能取得优质效果。所以不应将赌注仅置于某一路径，而应依需求衡量最经济方式。当前除头部具身企业外，大家都极度缺乏数据，同时因难以借由消融实验阐明不同类型数据价值，故而能用的尽量予以使用。就我的角度而言，于预训练之际运用低成本的人类数据，于后训练阶段采用高精度的本体数据，这乃是颇为不错的方式。
甘如饴，自变量合伙人、算法负责人：
我们公司，从起始之时，便尝试了形形色色的素材方式，诸如本体的遥操，有关于无本体的夹爪，还有手套，以及灵巧手等，我们皆有一番尝试，且进行了布局操作。
趁着世界模型现身，后续的数据实际上或许也存有两种处理办法，其一乃是透过手部进行重建，凭借位置加以估计进而取得一类厘米级水准的轨迹。鉴于其轨迹数据比不上缺乏相应设备或真机遥操数据那般精准，然而其优势就在于数量极为庞大。
然而，要是你借助视频生成的模型，最终大伙也会发觉现有的模型，当你实施了这些操作以后，想要真正去完成诸多实际当中的操作任务，依旧离不开某些更高精度的，如实无本体的数据或者真机的数据来进行微调的。
另一个方面是，怎样去把控数据质量，针对模型厂商而言，我们较大的优势便在于，我随时都会有模型的反馈存在其中，并且经济账得核算得合理，这同样是我们的优势。
除此之外就是，我们针对数据自身的轨迹质量，实际上有着相当多的数据关联模型，在我们的管线当中进行一项数据的挑选。另外，我们也会存在一些数据增强。
我们在数据标注这一方面投入相当多，会有一套极为完整的产业链，这所有的一切，共同构成了我们整个的数据管线，而且是第三个方面。
最后，我认为，或许除了真机数据之外，我觉得，就是真实地将其部署到家庭，我说的是部署到真实的任务里面，进而拿到的这种反馈，拿到的大规模的接管数据，是目前为止，没有任何一家公司能够做到的。然而，我们觉得这个数据极为重要，所以这个数据在我们整个的系统里占据着非常大的比例。
田明，阿里巴巴达摩院具身平台产品负责人：
我们打算从数据金字塔以及数据质量的方面，跟大家谈论一下这个话题，整体能够划分成三个阶段，分别是泛化，精确，灵巧。
初步的第一步是泛化。步入工厂能够发觉，只要是需求呈现规模化、流程具备标准化的环节，多数已然由先进制造设备予以完成，随后才会依照次序去考虑让具身智能机器人来进行承担。因而第一步，我们是先于垂直场景中将精度做得坚实稳固，如此才能够切实为千行百业赋予能量。
谈到精确，当前硬件整体能力仍处于发展进程，像桌面清洁这类场景，机器人会碰到位姿偏差、设计适配等实际难题，唯有逐步化解这些流程性问题，使运行变得更稳定、更可靠，此后我们方可在硬件层面采集到更真实的场景数据，进而为后续发展奠定基础。
就灵巧性而言，我极其看好灵巧手的发展走向，还觉得这是更契合第一性原理的途径。人类均仰仗双手开展各类操作，这本身便是颇为直观的参照，从数据以及技术的演进情形来看，我们恰恰是顺着泛化、精确、灵巧这般的路径，一步步去进行探索以及提升的。
吴昊天，美团高级总监、无人机硬件研发负责人：
仿真数据必然会占据相当大的比例，因而当下依旧得去探究诸如物理引擎这类基础性问题，将我们的物理引擎打造得更为出色，使我们的世界模型具备上下文覆盖的能力，进而生成足够数量的数据。
我觉得compute（计算）自身就是数据，理应是最早的数据基础，往后它或许会出现用于多场景的现实世界的收集，也许跟我们当下国内的这个时期颇为相似，即建造诸多的数据收集厂房。紧接着，或许会出现如同cherry on top（锦上添花）那般的情况。随着我们在一些特定垂类应用中的运用，当它实现聚焦之后，便不会再进行那么大规模的收集工作了。如此一来，成本就会随之降低。进而，我们能够采用精度相对更高一些的设备，投入更多的人力去采集这类高精度的、与我们真实场景更为契合的某些数据。这样一来，便构建起了一个数据金字塔。最终，在某一个垂类领域上，将我们具身智能的数据集基座以及模型打造出来。
04
商业化路径
教育、工业与家庭
陈茜，硅谷101联合创始人：
这一年会不会目睹机器人大量地实现商业项目落地呢？要是这样的话，它具体投放的应用场景会首先在哪些行业出现呢？
苏治中，地平线机器人实验室负责人：
现今具身智能得以落地 存有三个关键词 其一为节拍慢 其二任务是闭集指令 即close set 指令开放乃是家庭机器人颇为困难之处 寻常家庭用户会发出任何指令 当前具身模型的能力 算法的发展情形 很难契合用户的开集指令需求 其三是短程 整个任务的时间与位置跨度不可过大 于家中 比如我想要洗衣服 需要在洗衣机旁长时间等待 又或者要做饭 此任务所需时间亦颇为漫长。
在节拍不高，任务为闭集，也就是任务数量有限，且是短程的这种情况下，以现有的技术在工厂具备落地潜力，能获得比较高的成功率。指令泛化虽说很重要，可它也是最难的。GPT被大家用于聊天，感觉很有意思，机器人每件事都能做一点，但什么都做不成，这表明它是完全没用的，唯有有一件事情能够做成，不管账能不能算得过来，它多少算是一个有功能的产品，才有可能推动落地，才有可能真正让这个量部署起来。
我们来看自动驾驶，将其作为一个对照，先看自动驾驶，它相对而言发展得更好，原因在于量产的乘用车能够采集数据，车就算没有智能，可它是具有功能的，能够行驶，然而机器人要是没有智能，那就完全不具备功能。你得在少量任务上做到极致，让它具备功能从而进入场景，并且能够迭代，如此它才存在扩展其他能力的可能性。
先前主持人谈到一个悖论，那就是倘若机器人没办法进行规模化部署，便无法获取数据来做迭代，进而永远没法落地，在自动驾驶领域，除去特斯拉将大量车辆交付到用户手中之外，国内多数厂商依靠自身测试车队获取的数据，也能够把方案做得很不错，从这个角度来讲，这个悖论并不存有，当然，最终落地所需的数据量以及设备数量，和场景与任务是有关系的，所以机器人能够尽早进入场景是十分重要的，这能够极大地加速这个进程。
甘如饴，自变量合伙人、算法负责人：
今年，我们察觉到两种场景，其一为工业场景，此乃一些单任务，其二则是类似家庭这种，属于一些通用任务。
就算是做单任务也跟泛化并不矛盾。
所以，依我看，就是在我怎样才能够获取一个更为优良的基础模型的情形之下，而后，我逐步地也会去往一些真实的场景当中去进行落地。
能够先于单任务之上开展某些验证工作，诸如预训练、后训练、强化、数据闭环等，并且在此之上能够持续地去提升成功率以及速度，我认为这拥有颇具显著的机会。哪怕你只是直面工厂的某些装配任务，采集的与装配相关的抓取或者相应任务极为纷繁复杂，那般做你也能够获取到更为出色的一种成效。
第二，就多任务而言，我认为这更属基座模型的优势，然而它可能面临的问题是，在众多任务上，能否具备一定成功率？我觉得前期在家庭开展此项工作的益处在于，多数情况下大家对你的节奏、时间要求并不那般高，倘若出现某些事故，还能存有诸如接管之类的兜底策略。但它并非仅在于制作该产品，实际上它也在持续为你迭代，进而获取更多有用数据。
因此我们认为，这个事物你需切实先将其部署出去，这样你才兴许会有进步。如同自动驾驶那般，有了车辆它才能够收集更多的数据，必定是把集群部署出去，而后它才会具备更好的泛化性。
田明，阿里巴巴达摩院具身平台产品负责人：
我感觉，规模化的商业化，在今年，压力是相对比较大的。为啥，原因在于，我们得拥有一个足够合格的产品化，什么是产品化，就是从技术孵化开始，直到商业化这个过程当中，必定存在一个产品化的阶段。
于技术而言，如果在某些层面达至SOTA也许便足矣，然而对于产品来讲，需考量效果、效率、成本、安全，以及long regression（长回归）的稳定性，甚至还涵盖着法律法规的制定等诸多方面。
对于这件事情，我所进行的分析，其当前所采用的方法论是，首先要在需求侧挑选出两个关键的坐标轴，其中一个是任务复杂度，另一个是该任务的容错性。在供给侧，我需要关注的一方面是硬件的成熟度，另一方面是智能的成熟度。所以，在具备了需求的两轴以及供给侧的两条线之后，接着我们就要将它们匹配起来，进而对这个问题展开分析。
我觉得于当下而言，在那种容错率相对较高、复杂度相对较低的一个市场之中，非常明确的首先便是教育市场。这一市场又被划分成了校内与校外，校内又进一步分为了高校的、职校的、K12的。1995年个人电脑于中国开始普及之际，极为重要的一个场景乃是到学校里面去安装机房，所以我认定教育是极为确定的一个市场。
朝着这个轴朝着容错率逐渐要求降低的方位去推进，我的个人倡导是：以硬件作为首要，首先是功能，随后才是智能。如何去领悟呢？我能够先将硬件的成熟程度进行迭代攀升，简易的应用是开展远程遥操，例如在危重险急的情形下，比如说无菌室，又或者是对人存在危害的环境中，我皆能够先把硬件的成熟程度提升起来，接着逐步去增添其智能当中的占比。
沿着另外一个轴，任务的复杂度会逐次增高，我们所采用的策略是，以智能作为首要考量，先专注于特定用途，而后再追求通用性。举例来讲，酒店是个相当不错的应用场景，在如今的酒店环境里，能够妥善处理好住宿方面的问题，能够处理好咖啡吧内的送餐以及饮品调制等相关问题，我认为这样的一条路线是存在逐步提升渗透可能性的。
另外一个方面，就是我们得将智能能力逐步地往上增添，这里面会牵涉到VLA的导航能力，举例来说，像原来的巡检场景、工业场景等等。我个人对装配这类，存在大量人工密集型工作，且有标准SOP的场景，是极为看好的。
吴昊天，美团高级总监、无人机硬件研发负责人：
我提供一个视角，美团是技术的大量频繁使用者，是丰富应用场景的给予者。接着从产品的角度以及应用这两个方面来看待这个问题。从产品角度讲，得思索一下我们的超级共识究竟是什么，要先瞧瞧通用具身智能究竟能不能成为超级共识呢？随后，再去思考实现路径的相关问题？要是从运营企业方面而言，我觉得是极有可能成为超级共识的，我们不想要有着形形色色的专用设备，而是期望管理配置一群更为通用的设备，因为通用智能设备易于部署，具备多种功能。正如我们渴望综合能力强的复合型人才一样。
在现有的这个战略共识的情形之下，要是存有做具身智能产品的公司的话，那么这样的公司，不管在进行定义产品之时，还是在设计架构之际，甚至是确定战略的过程当中，都理应思考长远，将通用性强的场景作为锚定的对象。然而，但就应用落地的层面来讲，一个企业最终是要达成商业闭环，要回流资金的，面对这样的情况我们该如何去做呢？肯定是先挑选容易解决的问题去处理，这是一种理性的抉择。以美团作为一个案例来说，我们需要具身智能技术去满足高节拍、高动态、高可靠的应用需求，而该技术的实现难度比较高。当咱们着手启用具身智能技术去为即时零售业务施加赋能之际，咱们率先思索的是大致何种场景具备可行性，举例而言，借助空间尺度去划分即时物流以及接驳方面的问题，自千米、百米、厘米、毫米直至亚毫米，咱们进行了这般划分，随后发觉千米级别的问题相对而言更易于解决，便如运用无人车、无人机技术一样，当前，美团被评定为位居全球第二名的无人机物流企业。但是，我们理智地清楚，最后一百米较难搞定，比如说上楼这件事，怎样开启形形色色的门，对人安全且友好，高峰期能挤上电梯。另外，我们发觉打包节奏快，如今平均外卖履约时长不到二十七分钟，面对各类材质的商品像鸡蛋、豆腐、西红柿等，怎样迅速、可靠地打包分拣，这是难题，涉及毫米级和亚毫米级的抓取问题。身为一家具身智能产品的企业，得先选容易的去做，早日实现商业闭环，形成迭代飞轮最为关键。
以上呈现的便是那场专家论坛的精彩观点，我们进行了适度的删减以及编辑。总体而言，这一回的论坛也使得我们对机器人的发展满怀期待，这不仅是由于那些来自顶级高校的年轻人令人惊喜的决赛之时的表现，还在于蓬勃发展着的开源社区，以及像自变量这般愿意为产、学、研整合提供助力的机器人企业，相信在2026年，机器人赛道会加快速度向前行进。
【本期节目不构成任何投资建议】
【视频播放渠道】
国内有，哔哩哔哩，腾讯，视频号，西瓜视频，今日头条，百家号，36氪，微博，虎嗅。
海外：Youtube
联系我们：video@sv101.net
