具身智能工业场景需求明确,扩大应用场景处理复杂数据是发展重点

奇月
2025-01-02
10:08:29

来源：量子位

编辑部 发自 凹非寺
量子位 | 公众号 QbitAI

具身智能，无疑是2024最热科技话题之一。

很多人会好奇，有着超级AI大脑的机器人，何时能够参与到我们的日常生活当中？什么时候才能给我们建立一个真实的物理世界模拟器？

现在，国内具身智能创新应用引领者云深处，在MEET 2025智能未来大会上分享了自己的观点：

具身智能提高了传统机器人的泛化能力，处理真实环境中的复杂数据仍是未来训练重点。

目前具身智能行业处于L2级，工业场景中的需求非常明确。

云深处科技公司成立于2017年，专注于具身智能的研发与应用，拥有超过15年的腿足机器人研发经验，其产品已在电力、消防、救援、建筑、安防等多个行业中实现商业化应用。

在MEET 2025智能未来大会上，量子位邀请到了云深处科技公司的联合创始人兼CTO李超，探讨了云深处科技公司旗下机器人产品的发展历程、目前具身智能行业的发展重点、未来公司的商业和技术方面的规划等话题。

MEET 2025智能未来大会是由量子位主办的行业峰会，20余位产业代表与会讨论。线下参会观众1000+，线上直播观众320万+，获得了主流媒体的广泛关注与报道。

核心观点梳理

• 多模态数据及真实性（To-Real问题）仍是制约具身智能进一步发展的关键因素之一。
• 类似于自动驾驶的分级标准，具身智能也呈现出从L0到L4的不同级别，目前基本处于L2阶段。
• 行业内对具身智能的未来充满乐观，预计将在工业及其他非家用场景中率先实现大规模商业化应用。
• 云深处通过对具体场景做适配、并对模型能力进行约束，已实现强化学习算法的产品化落地。

以下是李超在MEET大会现场圆桌论坛的QA实录，为了完整体现他的思考，在不改变原意的基础上，量子位对问答部分进行了编辑整理，希望能给你带来更多启发。

提高传统机器人智能泛化能力

量子位：云深处很早开始就直奔具身智能终点，做仿生类形态，你们是怎么思考这个问题？

李超：云深处科技从今年开始专注具身智能的技术创新与行业引领，客观来说我们云深处是具身智能第一批受益者，也真实产生了一些市场价值。

我们最早是做机器狗的，几年前，这些机器狗很多是基于模型进行控制，它的泛化能力和适应性没有现在这么好。

这两年我们在这方面持续投入，去年整个团队就已经在做跟训练相关的具身智能，去年开始我们的四足机器人有了很好的应用，今年开始规模化应用。

我们有面向一些消防场景，还有救援的、特种的，包括电力巡检等，具身智能给机器人赋予了灵魂，有了这个灵魂加持，加上机器人的应变能力本身也很强，目前已开始实现一年增长两三倍的规模化应用。

到明年还会有更多应用，面向更开放的环境，陆陆续续会在一些民用的场景有更好的应用。

量子位：具身智能这个概念来自于艾伦·图灵，是他在半个世纪以前开始定义或者构想的事情，到现在我们才真正定义元年，云深处当时是看到什么趋势，或者产业内有什么样技术或者要素变化，让你们觉得可以开始做具身智能了？

李超：具身这个概念早些年其实我不太熟悉，云深处团队，包括浙大团队，最早是把学习引入到机器人控制中。

我们在2019年时其实就做了这个工作——多专家系统，也登上Science Robotics子刊。

但是这里面的工作，是不是真的能超过以前的一些算法，能否实现产品化落地，才是更加重要的部分。云深处花了三年时间才真正把强化学习的东西做落地。

机器人在应用的时候要基于具体的一个场景做适配，对它的能力要进行一定*约束。

我们现在感觉，智能模型的能力有点太强了，如果放在机器人身上，能力会超出我们之前的预期。

核心的一点是，以前早期的机器人是基于规则的控制，但现在基于训练的方法，能力极大超出了我们认知的边界，而且还在不断进化。

随着机器人能力的增加，以前我们觉得只能在固定场景下应用，但今年在完全开放的环境里效果也可以非常棒。

我们上月发布的轮足形态机器人山猫，对这个行业来说是有颠覆性的，尤其是对未来二、三十公斤以下的移动平台来说。

它可以用最好的能力解决各种小场景下突破性的问题，是一个极大的提升，它相当于一个有生命的物理系统，这是我们最大的感受。

重点是处理复杂真实场景中的数据

量子位：数据在你们的实践落地过程中是一个关键挑战吗？

李超：目前客观地说还不是，云深处有一个很重要的使命，让AI+机器人的技术真正落地，产生价值。目前从我的角度看，除了数据，还有技术的成熟度，商业的成本，包括部署等挑战。

在机器人能力层面，云深处做本体和小脑会更多一点，在数据层面上，确实没有遇到太多的障碍，因为数据没有大模型用的这么多。未来要结合更复杂的场景空间和操作，到明年这方面应该是我们的一个挑战。

量子位：对于如何处理真实数据，像类似Sora的模型，或者Sim-To-Real的解决方法，您有什么看法？

李超：我们经常困扰在To-Real这个事情里面，确实是问题很多。

刚才说到动画的数据，可能体现在一些色彩，真实的场景里面的数据，还包括质感等更多方面，我们希望有更加多模态的。

比如像机器人在野外行驶的时候，看到一些草地，或者和雪地、水这些东西融合在一块，对机器人来说如何做出通过与否的决策，这个是现在蛮大的一个挑战，这些都是To-Real的问题，我们每天都在解决这样的问题。

工业生产场景中需求明确

量子位：像云深处这样实践者，你们会考虑把具身智能实践按照一些能力技术的标准去划分吗？类比智能驾驶领域里面的L2—L5的划分，你们会有类似的标准吗？

李超：有，而且很明确，去年以前我们很多是L1，准确说是L0，因为有很多行业应用，比如消防和应急救援，还是人在操控。

现在我们用的最多的，工业巡检场景下，在固定场景下、小范围的L4，机器人自主去做决策，去做判断，这是分行业的。

但是像山猫机器人在开放环境下，我们觉得目前是L2多一点点，大部分情况下它可以靠自己判断去做，还有一半时间需要靠人做决策。

明年希望进化到L3级别，但对机器人来说场景太大了。

量子位：类比ChatGPT的发展轨迹的话，您觉得现在是具身智能的几点0？

李超：我更乐观一些，因为刚好处在这个行业里面，我们也解决了很多恶劣环境下的实践。

第一个被改变的格局还不确定，有些公司太瞄准家用，家用是不是很快有这些需求还不确定。

但是我相信在工业生产中，很多场景已经发生深刻的改变了，我处在这个圈子里面已经感受很大了。

Read More