當大模型成爲移動互聯網之後的下一個産業周期後，人形機器人也開始成爲承載這一技術的典型産品之一。
公開數據統計，2023 年國内人形機器人領域共有 19 起融資，披露融資總額達 26.7 億元，同比增長 65.5%。2024 年上半年，國内的人形機器人投融資事件已達 13 起，融資總金額超 25 億元。在參與投資的機構，有經緯創投、峰瑞資本、紅杉中國等風險投資機構，也有聯想創投、上汽、小米這樣的産業資本，還有亦莊創投、浙商創投等政府資金入場。
可以說，與上一波的自動駕駛創業潮類似，同樣短期内還看不到商業化可能的人形機器人賽道上，爲了搶到下一個時代的入場券，資本也開始了早期的密集押注。而不同是，相比自動駕駛而言，各地政府和國有資本進入人形機器人産業的程度更深、節奏也更快。
" 政府層面如此深度地參與這樣一個早期行業，确實是在十年前的自動駕駛創業潮中未曾出現過的現象。"
聯想集團副總裁、聯想創投合夥人王光熙對钛媒體 APP 表示，至于其中原因，一方面與整個資本市場的環境變化相關。近幾年，國有資本在新興産生産力相關的一些創新領域，開始扮演越來越重要的角色。
另一方面，人形機器人是一個非常早期的行業，也是一個跨領域的複雜系統工程——從 AI 軟件到硬件，再到應用場景，整個價值鏈的鏈條非常長。這就導緻單一的機構，很難像政府部門那樣，湊齊那麽多的資源來支持産業的發展。
王光熙認爲，在人形機器人這個非常早期的行業中，政府出來做一些事情還是非常有價值的。而作爲本輪人形機器人的資本參與方，聯想創投也投資了諸如星動紀元、逐際動力等人形機器人領域的熱門公司。
" 人形機器人領域的早期投資，很關鍵的一點要看創始人是否具有極強的跨領域研發能力。也就是 AI 時代原生的具身智能科學家，而不是原來做了多年的機器人控制或者視覺算法，現在大模型火了，出來學着做具身智能的人。"
王光熙稱，人形機器人領域的創業團隊，需要有對前沿技術的理解和突破能力，然後将最前沿不同領域的工具融會貫通，這樣才能做好整體的技術架構。
在王光熙看來，現在市場對于人形機器人的預期，短期過于樂觀而長期則過于悲觀。短期内，有些人期待着人形機器人很快就能下場幹活，進入産線甚至家庭生活。但目前這個行業的現狀是，至少需要兩到三年才能夠在部分技術領域有一些長足的進步和突破。
而從長遠來看，有觀點則認爲人形機器人泛化能力的突破看不到希望，從仿真訓練到實際場景的遷徙存在巨大鴻溝。但其實人形機器人從發展到成熟的過程中，存在着大量的中間狀态，在不同的可控環境和可控場景裏面，人形機器人可以幹各種各樣的事情。
以下是钛媒體 APP 與王光熙的獨家對話内容，略經編輯：
自動駕駛在發展早期時，政府的傾向可能是先讓企業在前面跑起來，然後在後續制定相關的政策。但人形機器人這波創業潮中，政府層面相對更靠前進入，包括引導基金參與投資或者各地成立創新中心。你是怎麽看待前後兩次創業潮中，政府相關部門的角色變化？
王光熙：你的觀察是對的。
自動駕駛本質上還是基于百年汽車工業，有一套已經非常成體系的産業生态，有成熟的規則，可以依托于成熟的産業去做增量試驗。因此，政府部門可能也沒有必要在産業發展特别早期的時候，就參與進來。
相對于自動駕駛而言，人形機器人是一個技術難度更高的行業，未來潛在的應用場景也非常廣泛，涉及到工業、物流、服務業，甚至是個人消費，牽涉社會的方方面面。而且，它還是一個跨領域、複雜的系統工程。從 AI 軟件到硬件再到應用場景，整個價值鏈的鏈條非常長。
這就導緻單一的機構，很難像政府部門那樣，湊齊那麽多的資源來支持産業的發展。這個時間點，政府出來做一些事情，還是比較合情合理的，也是非常有價值的。
此外，整個資本市場跟十年前相比也有了一些變化。國有資本在最近幾年，尤其是跟新興産力相關的創新領域，開始扮演越來越重要的角色，引領作用會越來越強，這确實在十年前是沒有的。
在各地政府部門參與人形機器人發展的過程中，你認爲那些城市會有比較大的優勢？
王光熙：根據我們有限的了解，各個地方的方式不太一樣，很難評價哪個方式更好。
以江浙滬地區爲例，它本身的産業體系就很豐富，從 AI 到半導體算力再到規模化制造能力，都有比較全的供應鏈。同時，江浙滬地區的商業化比較發達，大家很會做生意。所以，他們做這件事是奔着能夠商業化的目标去的，主導權更多是在企業。
北京這邊可能不太一樣，整個制造業相對比較少，但是優勢也很明顯，就是 AI 人才密度很高，還有高校和互聯網大廠的資源。北京的政策是屬于提綱挈領型的，通過建立框架性政策指導，構建平台型的産業技術生态。
對于人形機器人這樣一個過于早期的行業，供應鏈的集聚效應，算不算是一個明顯優勢？
王光熙 : 當然是。
機器人目前很多的零部件都不是新的，對于汽車零部件的複用度非常高。新能源汽車在最近十幾年突飛猛進的發展，讓中國在電機、電控、電池的産業集中度非常高。同時，汽車行業的激烈競争，也讓零部小型化、安全性和能量密度快速提升，這些零部件很大比例可以在人形機器人本體上複用。
除了本體之外，現在主流觀點會把人形機器人其他技術分成大腦、小腦兩個部分，這兩個領域的技術發展又是怎樣的？
王光熙：我其實并不喜歡這種分類方法，比如小腦代表的是控制，大腦代表的是感知理解，這樣會把這個事情變得很割裂。從未來的終局來看，人形機器人可能會越來越像是一個高度融合的端到端模型，這種純模型驅動的方式成功概率比較大。
其實就跟人一樣，人的行爲邏輯并不是先坐在那兒，然後想做一件事情，大腦先把它全計劃完，然後把這個計劃輸出給小腦，讓小腦接收到一堆指令，最後出現各種動作。人類行爲的本質，是高度連通的神經網絡，條件反射型的自主動作，有些是直接通過小腦進行運動控制。
所以，在目前人形機器人的基本形态都還沒有完全确定的情況下，分别去研究大腦和小腦的技術，其實也不太現實。
這有點類似于特斯拉的 FSD。FSD 出現之前，大家會認爲要實現自動駕駛需要安裝多少個雷達，多少個傳感器。但 FSD 出現之後，就把之前的感知、推理、決策邏輯，完全推翻了。通過基于神經網絡的端到端模型，FSD 能實現更好的強化學習效果。
但這裏面有一個問題，特斯拉 FSD 的成功，是基于長周期、大量的汽車訓練數據得來的。如果純靠模型驅動，人形機器人各種維度的數據應該怎麽獲得？相比于特斯拉 FSD 所需要的數據量，人形機器人大模型的數據量是不是更大，獲得難度也更大？
王光熙：不一定。
FSD 出來之前，雖然特斯拉有了十多年的數據，但這些數據的對于純模型驅動的 FSD 而言，價值沒有那麽高，此前投入大量精力做的數據标注工作可能都是白做的。你可以理解爲，FSD 不是因爲特斯拉有了此前十年的數據量才能做出來，而可能是因爲基于神經網絡的端到端模型，基于近期更高質量的數據和現有的硬件框架，才有了 FSD。
對于人形機器人的數據，現在學術圈也在探索，怎麽用更高效的方式來獲取數據和融合多種類型的數據。這些數據中，有些可能是機器人在真實場景中的訓練數據，有些可能是從模仿學習得來的數據，有些可能是用高質量的仿真環境訓練出來的數據，不一而足。
但總的來說，想要實現人形機器人的通用化，這些數據的需求體量也沒有想象中的那麽巨大，因爲機器人運動控制的精度和靈敏度也不需要那麽高。
和自動駕駛不一樣，一個成熟的自動駕駛産品需要做到人類司機差不多的事故率，甚至更低。但對于通用人形機器人而言，它不一樣要和人類同等水平或是超越人類水平，它可以有很多中間狀态，基于不同等級的通用水平，可以在不同的場景做更多的事情。
這是不是也意味着商業化可能也沒那麽難？
王光熙：我覺得對于商業化，短期内大家都過于樂觀，但是長期又都過于悲觀。短期内，大家恨不得他明天就啥都能幹。但長期來看，它能幹還能幹好，還便宜，這又很難且區别很大。比如，如果一個幹活能力很強的機器人售價 100 萬，你會買嗎？可能不會，因爲如果多雇傭幾個人，算上增加的成本，可能還是人更便宜。
對于端到端的這種模式，還有一個問題是如果大家都往這個方向走，也都采用類似的傳感器、關節、電機電控，那麽最終決定産品差異的是什麽？
王光熙： 雖然大的框架都差不多，但對于框架的理解差别還是挺大的。比如同樣做強化學習、仿真訓練，做得好與不好，差十倍都有可能。再比如在傳感器方面，比如力控傳感器或者觸覺傳感器，過去的行業積累都很少。所以，從傳感器到底層算法再到多模态數據懸鏈，這個過程中産生的差異會非常大，這也會導緻機器人的泛化能力和适用場景也會差異巨大。
所以，對于人形機器人公司的投資，您最看重的是什麽？
王光熙： 能否有極強的跨領域研發能力，這點是非常重要的。人形機器人行業有着大量需要拓荒的地帶，這個時候創始團隊需要有對前沿技術的突破能力，以及能夠将最前沿不同領域的技術融會貫通，這樣才能做好整體的技術架構。
同時，要看這個人是不是 AI 時代原生的具身智能科學家，而不是原來做了多年的機器人控制或者視覺算法，現在大模型火了，出來學着做具身智能的人。如果隻是一個商業化的團隊，出來就跟你說我明年就能商業化閉環，就能賣多少機器人，那都是在吹牛。目前這個行業的現狀是，至少需要兩到三年才能夠在部分技術領域有一些長足的進步和突破。（本文首發于钛媒體 APP，作者 | 饒翔宇 編輯 | 鍾毅）
