本文來(lái)自微信公眾號(hào)：極客公園，作者：LiYuan，編輯：鄭玄

近兩年來(lái)，人形機(jī)器人與具身智能領(lǐng)域熱度持續(xù)攀升，融資消息、技術(shù)Demo與行業(yè)新概念不斷推高市場(chǎng)關(guān)注度。但在熱潮推進(jìn)的過(guò)程中，一個(gè)現(xiàn)實(shí)問(wèn)題逐漸凸顯：工業(yè)場(chǎng)景的落地門(mén)檻不會(huì)因?yàn)樾赂拍畹某霈F(xiàn)自動(dòng)降低。

直到今年，一大批打出「進(jìn)廠(chǎng)落地」旗號(hào)的企業(yè)真正扎根工業(yè)現(xiàn)場(chǎng)后，行業(yè)才看清一個(gè)事實(shí)：Demo跑通，不代表整套系統(tǒng)能在工廠(chǎng)長(zhǎng)期穩(wěn)定、低故障運(yùn)行。哪怕是Figure AI這樣的行業(yè)明星企業(yè)，也開(kāi)始從展示技術(shù)想象轉(zhuǎn)向驗(yàn)證設(shè)備的連續(xù)作業(yè)能力。

如今資本與產(chǎn)業(yè)端的關(guān)注點(diǎn)正在轉(zhuǎn)移：企業(yè)到底擁有哪些可復(fù)制的落地場(chǎng)景？客戶(hù)為什么愿意付費(fèi)采購(gòu)？投入產(chǎn)出比能不能達(dá)到要求？

我們就此采訪(fǎng)了微億智造董事長(zhǎng)兼CEO張志琦，他分享了微億從2018年開(kāi)始，如何一步步將AI技術(shù)落地到真實(shí)工業(yè)現(xiàn)場(chǎng)；也聊到了在工廠(chǎng)環(huán)境中，視覺(jué)語(yǔ)言行動(dòng)（VLA）技術(shù)哪些場(chǎng)景能用、哪些暫時(shí)還無(wú)法落地，以及工業(yè)具身智能最終可能走向何方。

01

從2018年起步：給傳統(tǒng)機(jī)械臂裝上AI大腦

極客公園：微億智造把自家產(chǎn)品定義為「工業(yè)具身智能機(jī)器人」，但從外觀來(lái)看，它還是機(jī)械臂、相機(jī)、工裝和產(chǎn)線(xiàn)設(shè)備的組合。就拿外觀檢測(cè)來(lái)說(shuō)，傳統(tǒng)機(jī)械臂也能完成，工業(yè)具身智能機(jī)器人也能做，兩者到底有什么本質(zhì)區(qū)別？

張志琦：沒(méi)錯(cuò)，兩種方案都能完成外觀檢測(cè)任務(wù)，但用到的技術(shù)邏輯完全不同，最終給客戶(hù)帶來(lái)的價(jià)值也不一樣。

微億智造2018年剛成立的時(shí)候，我們的核心產(chǎn)品其實(shí)更接近傳統(tǒng)自動(dòng)化設(shè)備：用一臺(tái)定焦相機(jī)拍攝工件，采集圖像后再用AI模型判斷缺陷類(lèi)型，最后分揀出不同品質(zhì)的產(chǎn)品。

這種模式確實(shí)用AI做了賦能，但還稱(chēng)不上是工業(yè)具身智能——本質(zhì)上，機(jī)器的每一步動(dòng)作還是提前靠編程固定好的。

到2022年的時(shí)候，微億接到了一個(gè)大客戶(hù)的項(xiàng)目：給長(zhǎng)度超過(guò)兩米的大型一體化壓鑄件做缺陷檢測(cè)和打磨。

這個(gè)零件需要拍攝近3000個(gè)點(diǎn)位，客戶(hù)要求整套流程必須在10分鐘以?xún)?nèi)完成。但傳統(tǒng)機(jī)械臂根本做不到——光是按照預(yù)設(shè)軌跡打磨一遍，就要花一個(gè)小時(shí)，而熟練工人只需要七八分鐘就能做完。

差距其實(shí)不在機(jī)械臂的運(yùn)動(dòng)速度，而在自主判斷能力。工人會(huì)先定位缺陷位置，只加工有問(wèn)題的區(qū)域；但傳統(tǒng)機(jī)械臂只能按照預(yù)設(shè)路徑走完全部點(diǎn)位。這個(gè)客戶(hù)此前找了兩年多服務(wù)商，始終沒(méi)能解決這個(gè)問(wèn)題。

后來(lái)微億重新設(shè)計(jì)了一套「檢測(cè)加工一體化」的工業(yè)具身智能機(jī)器人。這套方案的基礎(chǔ)，是我們從2018到2020年逐步研發(fā)成熟的飛拍技術(shù)，能讓機(jī)械臂不停車(chē)連續(xù)拍攝，5分鐘以?xún)?nèi)就能完成3000個(gè)點(diǎn)位的圖像采集。

更關(guān)鍵的變化是，這套系統(tǒng)的拍攝點(diǎn)位和運(yùn)動(dòng)軌跡可以由算法自動(dòng)生成。

因?yàn)椴恍枰崆叭斯ぴO(shè)計(jì)軌跡，系統(tǒng)可以像工人一樣，先識(shí)別目標(biāo)和缺陷，再判斷哪些位置需要打磨，自動(dòng)生成加工軌跡。最終這套設(shè)備把檢測(cè)加打磨的總節(jié)拍壓縮到了7到10分鐘，已經(jīng)接近人工水平。

這種「感知—判斷—執(zhí)行」的自主能力，就是傳統(tǒng)自動(dòng)化和工業(yè)具身智能的核心分界點(diǎn)。

極客公園：如果說(shuō)在檢測(cè)打磨場(chǎng)景里，具身智能解決的是「先看、再判斷、再處理」的問(wèn)題，那在其他場(chǎng)景中，它和傳統(tǒng)機(jī)械臂的差異還體現(xiàn)在哪里？

張志琦：就拿我們2024年展示的具身智能裝配機(jī)器人來(lái)說(shuō)，兩者的差異會(huì)更加明顯。

現(xiàn)在針對(duì)一些簡(jiǎn)單的裝配任務(wù)，我們已經(jīng)可以做到：工人操作一遍，機(jī)器人通過(guò)視覺(jué)觀察一遍，就能理解裝配邏輯，再通過(guò)雙臂協(xié)同完成整個(gè)裝配過(guò)程。

對(duì)工業(yè)客戶(hù)來(lái)說(shuō)，示教成本是非常關(guān)鍵的指標(biāo)。在真實(shí)工廠(chǎng)里，每臺(tái)設(shè)備安裝都會(huì)有誤差，傳統(tǒng)機(jī)械臂需要每臺(tái)單獨(dú)示教調(diào)試，根本滿(mǎn)足不了柔性生產(chǎn)的需求，調(diào)試太麻煩，工廠(chǎng)寧愿直接用人工。

但我們現(xiàn)在只需要一次視覺(jué)示范，就能讓機(jī)器人理解操作邏輯，能大幅縮短客戶(hù)的項(xiàng)目導(dǎo)入時(shí)間。

除此之外，現(xiàn)在的機(jī)器人已經(jīng)可以應(yīng)對(duì)現(xiàn)場(chǎng)的不確定性。

比如機(jī)器人已經(jīng)抓到零件了，你把零件拿走，它會(huì)自己重新去尋找目標(biāo)；本來(lái)要沿著固定路徑取料，你把路徑擋住，它會(huì)自己想辦法繞開(kāi)。過(guò)去傳統(tǒng)機(jī)械臂更多是執(zhí)行工程師提前編好的動(dòng)作，而搭載了AI「大腦」的機(jī)器人，可以根據(jù)現(xiàn)場(chǎng)環(huán)境變化重新做決策。

我們現(xiàn)在也在落地物流行業(yè)的碼籠場(chǎng)景，機(jī)器人可以兼容各類(lèi)箱體和包裹，自動(dòng)設(shè)計(jì)放置策略完成智能分籠，這些都是傳統(tǒng)機(jī)械臂做不到的。

02

VLA技術(shù)落地，要過(guò)工廠(chǎng)0.1毫米精度這道關(guān)

極客公園：要做到這些能力，你們用到的是VLA技術(shù)嗎？行業(yè)普遍認(rèn)為VLA才是實(shí)現(xiàn)泛化能力的核心技術(shù)。

張志琦：我們認(rèn)為，工廠(chǎng)現(xiàn)場(chǎng)的崗位大體可以分成兩類(lèi)：一類(lèi)是技術(shù)工種，一類(lèi)是普通普工。

技術(shù)工種的經(jīng)驗(yàn)很多都只掌握在老師傅手里，必須到具體現(xiàn)場(chǎng)才能積累得到。比如打磨、焊接、檢測(cè)這類(lèi)技術(shù)崗，我們現(xiàn)在沒(méi)有用VLA架構(gòu)，甚至認(rèn)為未來(lái)也不一定需要用VLA架構(gòu)。

這類(lèi)場(chǎng)景基于規(guī)則引擎，加上對(duì)目標(biāo)對(duì)象的識(shí)別認(rèn)知、軌跡自動(dòng)規(guī)劃和執(zhí)行，甚至在執(zhí)行過(guò)程中完成有效糾偏、不斷優(yōu)化軌跡，就可以更快更高效地解決問(wèn)題。它仍然屬于AI技術(shù)，但其實(shí)不需要特別大的模型參數(shù)——百億級(jí)別，甚至幾十億參數(shù)就能解決問(wèn)題。

而普工類(lèi)崗位，比如碼垛、上下料、分揀，普通人來(lái)了三十分鐘就能上崗，只要對(duì)物理世界有基礎(chǔ)認(rèn)知就能做。

這類(lèi)場(chǎng)景我們認(rèn)為就可以嘗試部署端到端技術(shù)，用大量通用數(shù)據(jù)訓(xùn)練出一個(gè)泛化性更強(qiáng)的基礎(chǔ)模型，再結(jié)合工廠(chǎng)特定場(chǎng)景做微調(diào)泛化，最后落地應(yīng)用。我們兩三年前就開(kāi)始前瞻性布局VLA這類(lèi)技術(shù)，今年已經(jīng)啟動(dòng)了項(xiàng)目POC驗(yàn)證。

極客公園：目前POC項(xiàng)目的推進(jìn)情況怎么樣？

張志琦：我們現(xiàn)在在幾個(gè)不同的場(chǎng)景做POC驗(yàn)證。

比如物流場(chǎng)景的無(wú)序碼籠：就是箱體大小不一，需要把它們規(guī)整碼放到物流籠車(chē)中，供下一個(gè)環(huán)節(jié)處理。

目前我們對(duì)箱體的識(shí)別、軌跡規(guī)劃的有效處理、異常情況的人機(jī)協(xié)同處理，還沒(méi)辦法做到完全端到端，仍然需要一些兜底策略。

但我們?cè)谶@個(gè)過(guò)程中也在不斷積累數(shù)據(jù)，客戶(hù)也愿意和我們一起共建這個(gè)場(chǎng)景，我們?cè)噲D解決的問(wèn)題，其實(shí)和通用機(jī)器人公司在工業(yè)領(lǐng)域攻堅(jiān)的方向是一致的。

在我們看來(lái)，像無(wú)序碼籠這類(lèi)任務(wù)，技術(shù)難度甚至比供料還要高，因?yàn)榇a放本身需要特定的策略，不是簡(jiǎn)單把快遞翻個(gè)面就行——一般要大箱子鋪底，小箱子插縫放置。如果箱子有破損、是異形件或者易損件，還需要特殊處理，這里面大量依賴(lài)人類(lèi)的經(jīng)驗(yàn)，對(duì)感知和決策都提出了更高要求。

極客公園：有沒(méi)有可能未來(lái)VLA發(fā)展足夠成熟，會(huì)把所有原來(lái)專(zhuān)用小模型覆蓋的場(chǎng)景全部替代掉？

張志琦：未來(lái)技術(shù)發(fā)展很難預(yù)判，但至少最近三五年內(nèi)，VLA不太可能替代技術(shù)工種場(chǎng)景的方案，哪怕是普工場(chǎng)景也很難馬上完成替代。

一個(gè)核心原因是VLA目前的精度達(dá)不到要求，就算經(jīng)過(guò)強(qiáng)優(yōu)化，精度大概也只能做到厘米級(jí)或者幾毫米級(jí)。但像CNC上下料這類(lèi)場(chǎng)景，雖然屬于普工范疇，但要求誤差控制在0.1毫米以?xún)?nèi)，還不允許出錯(cuò)，這種要求下VLA目前還是沒(méi)法用。

不是所有場(chǎng)景都需要用最大的模型，也不是所有場(chǎng)景都應(yīng)該被VLA覆蓋。

我們2018年開(kāi)始做的，前面提到的偏自動(dòng)化設(shè)備的「AI賦能智能化產(chǎn)品」，到今天仍然在產(chǎn)生收入，就是因?yàn)檫@些場(chǎng)景里，原有自動(dòng)化搭配簡(jiǎn)單AI能力就已經(jīng)能把問(wèn)題解決好，那就應(yīng)該繼續(xù)做。

極客公園：如果VLA不是唯一答案，物理AI會(huì)不會(huì)是一個(gè)更大的技術(shù)框架？您怎么理解物理AI和工業(yè)具身智能的關(guān)系？

張志琦：從技術(shù)實(shí)現(xiàn)角度看，業(yè)內(nèi)說(shuō)的物理AI，大概率就是指世界模型——也就是讓AI能夠理解物理空間、物理場(chǎng)景、物體之間的相互關(guān)系，還有基礎(chǔ)物理規(guī)則本身。

具身智能更強(qiáng)調(diào)機(jī)器人本體和AI模型的深度結(jié)合，而物理AI承載的內(nèi)容可能比具身智能更廣，它不一定非要綁定某一種機(jī)器人本體。未來(lái)如果世界模型足夠強(qiáng)大，機(jī)器人本體反而可能沒(méi)那么重要。

我們認(rèn)為工業(yè)場(chǎng)景會(huì)是物理AI相對(duì)較早落地的方向之一，原因很簡(jiǎn)單：工業(yè)場(chǎng)景里的操作對(duì)象相對(duì)有限，任務(wù)邊界也比較清晰，所以技術(shù)上更容易達(dá)到可用的狀態(tài)。

03

未來(lái)工業(yè)賽場(chǎng)，主流競(jìng)爭(zhēng)者會(huì)越來(lái)越不像人形

極客公園：今年以來(lái)，微億智造的客戶(hù)情況有什么新變化？

張志琦：客戶(hù)的行業(yè)覆蓋一直在擴(kuò)展，新能源汽車(chē)、3C消費(fèi)電子這些原有客戶(hù)，每年都持續(xù)下單，既有原有場(chǎng)景的復(fù)制，也有新場(chǎng)景的落地。

工業(yè)場(chǎng)景里，客戶(hù)的信任是非常重要的：客戶(hù)原來(lái)用我們的產(chǎn)品好用，就會(huì)接著問(wèn)，我們這邊新場(chǎng)景還有很多人工崗位，能不能換成你們的方案？我們也就跟著客戶(hù)的需求往前推進(jìn)。

今年讓我們比較欣喜的是，海外業(yè)務(wù)也開(kāi)始從0到1突破了。未來(lái)兩三年，我們希望海外收入能占到總營(yíng)收的20%到30%。一方面，我們可以把國(guó)內(nèi)打磨成熟的產(chǎn)品通過(guò)海外渠道快速推出去；另一方面，海外也有自己的獨(dú)特需求——有些項(xiàng)目在國(guó)內(nèi)算不過(guò)來(lái)ROI，在海外可能就能達(dá)標(biāo)。

極客公園：下一步在技術(shù)能力上，你們更關(guān)注哪些方向？

張志琦：下一步重點(diǎn)是把觸覺(jué)能力徹底打通?，F(xiàn)在很多項(xiàng)目我們不敢碰，核心瓶頸就是觸覺(jué)。比如插拔、理線(xiàn)這類(lèi)任務(wù)，都非常依賴(lài)觸覺(jué)反饋。

但目前觸覺(jué)技術(shù)的發(fā)展遠(yuǎn)落后于視覺(jué)，把觸覺(jué)融入系統(tǒng)后，整個(gè)模型都會(huì)發(fā)生很大變化，甚至不一定是基于語(yǔ)言模型的架構(gòu)。

我們的判斷是：加入觸覺(jué)模型后，視覺(jué)仍然會(huì)發(fā)揮重要作用。純觸覺(jué)能完成的任務(wù)很少，但和視覺(jué)判斷結(jié)合后，能處理的任務(wù)會(huì)大幅增加。

從去年開(kāi)始，我們已經(jīng)啟動(dòng)了觸覺(jué)方向的前沿研究，核心是做觸覺(jué)模型和視覺(jué)模型的深度融合，目前同時(shí)在看兩條技術(shù)路線(xiàn)：霍爾觸覺(jué)和視觸覺(jué)。

極客公園：未來(lái)三年，你覺(jué)得工業(yè)具身智能哪些細(xì)分賽道會(huì)迎來(lái)爆發(fā)？

張志琦：工廠(chǎng)里人工密集的崗位都有機(jī)會(huì)。哪怕具身智能相關(guān)收入每年翻番，我也不覺(jué)得接近天花板了，技術(shù)還需要持續(xù)提升。

但我覺(jué)得現(xiàn)在離真正的大規(guī)模爆發(fā)還很遠(yuǎn)，如果真的算爆發(fā)，那應(yīng)該是工廠(chǎng)里的用工數(shù)量明顯下降，哪怕減少五分之四還能正常生產(chǎn)，那才算真的爆發(fā)。

過(guò)去工廠(chǎng)很多時(shí)候是把人當(dāng)機(jī)器用：質(zhì)檢崗位非常傷眼睛，年輕姑娘在強(qiáng)光下看兩年產(chǎn)品，視力可能就會(huì)出問(wèn)題；拆碼垛這類(lèi)重體力活，對(duì)工人的腰和身體都會(huì)造成不可逆的損傷，這些崗位都應(yīng)該優(yōu)先被替代。

極客公園：未來(lái)的行業(yè)競(jìng)爭(zhēng)中，傳統(tǒng)工業(yè)機(jī)械臂公司、微億這樣的工業(yè)具身智能公司，還有追求泛化AGI的人形具身智能公司，各自的優(yōu)勢(shì)和短板是什么？

張志琦：我們的優(yōu)勢(shì)還是對(duì)工業(yè)場(chǎng)景的深度理解。很多公司說(shuō)「我也能做」，那不妨來(lái)現(xiàn)場(chǎng)試試。具身智能有意思的地方就在于，是不是好用拉出來(lái)遛遛就知道，客戶(hù)愿不愿意買(mǎi)單是最直觀的檢驗(yàn)。

在ROI可算得過(guò)來(lái)的前提下能不能完成任務(wù)，這是工業(yè)落地最基本的第一性原理。

現(xiàn)在我們的競(jìng)爭(zhēng)對(duì)手很多還是傳統(tǒng)自動(dòng)化公司，說(shuō)實(shí)話(huà)，自動(dòng)化公司里也有不少能工巧匠，可以設(shè)計(jì)出特殊的結(jié)構(gòu)構(gòu)型，滿(mǎn)足柔性生產(chǎn)的需求。

但從中長(zhǎng)期看，未來(lái)主流的競(jìng)爭(zhēng)對(duì)手大概率會(huì)是那些做得越來(lái)越不像人的人形機(jī)器人公司。

對(duì)追求AGI的具身智能公司來(lái)說(shuō)，估值核心還是生活場(chǎng)景，但生活場(chǎng)景落地太難了，走著走著就會(huì)轉(zhuǎn)向工業(yè)場(chǎng)景，轉(zhuǎn)過(guò)來(lái)又發(fā)現(xiàn)純?nèi)诵尾皇沁m合工業(yè)的架構(gòu)，于是開(kāi)始做泛人形。但泛人形在生活場(chǎng)景里又會(huì)遇到新的問(wèn)題。

這兩年人形機(jī)器人公司已經(jīng)開(kāi)始改口，說(shuō)自己的產(chǎn)品是泛人形，泛人形的問(wèn)題是還要沾著「人形」的邊，因?yàn)橛腥诵喂镜臄⑹掳?，還得加個(gè)頭部，你說(shuō)和傳統(tǒng)機(jī)械臂組合有什么差異？其實(shí)沒(méi)什么差異。

我覺(jué)得這些都是最早堅(jiān)持全人形結(jié)構(gòu)的時(shí)候，大家講給投資人聽(tīng)的故事，到今天實(shí)際落地，大家都發(fā)現(xiàn)全人形有成本問(wèn)題：多一個(gè)關(guān)節(jié)、多一個(gè)自由度，對(duì)算力的要求就會(huì)高很多，一個(gè)全身四五十個(gè)自由度的機(jī)器人，需要多少算力才能流暢完成任務(wù)？

回到工廠(chǎng)場(chǎng)景，說(shuō)到底，工廠(chǎng)在意的就是能不能解決問(wèn)題，其他都是其次。

極客公園：只聚焦工業(yè)場(chǎng)景，外界會(huì)不會(huì)擔(dān)心你們?cè)谝粋€(gè)個(gè)項(xiàng)目交付里分散精力，沒(méi)有足夠的技術(shù)力量沖擊更高的技術(shù)目標(biāo)？

張志琦：這個(gè)擔(dān)心其實(shí)多余了?，F(xiàn)在在AI技術(shù)研發(fā)投入上，微億和國(guó)內(nèi)絕大多數(shù)AI公司的投入強(qiáng)度是差不多的，我們不是以項(xiàng)目交付為核心，而是以研發(fā)為核心驅(qū)動(dòng)力。

我們這一代AI公司和上一代AI公司最大的區(qū)別是：物理AI的世界里一定需要一個(gè)實(shí)體載體，有載體就會(huì)有和物理世界的交互，就會(huì)有反饋機(jī)制，產(chǎn)生新的訓(xùn)練數(shù)據(jù)，所以也一定會(huì)有一批新公司跑出來(lái)。

極客公園：你覺(jué)得現(xiàn)在市場(chǎng)宣傳或者投資人敘事里，最不靠譜的說(shuō)法是什么？

張志琦：以前只要放出一個(gè)機(jī)械本體、拼出一個(gè)人形外觀，大家就覺(jué)得這家公司能做人形機(jī)器人了。到今天，二級(jí)市場(chǎng)這類(lèi)公司也很多，但再只放一個(gè)人形外觀，大家已經(jīng)不信了。

過(guò)去很多Demo演示背后其實(shí)是人工遙操作，大家之前并不了解，現(xiàn)在慢慢明白，有些機(jī)器人是自主運(yùn)行，有些還是遙操作。這個(gè)變化的核心，是市場(chǎng)越來(lái)越認(rèn)識(shí)到AI才是核心，也看清有些公司其實(shí)只做了運(yùn)動(dòng)控制，并沒(méi)有做機(jī)器人的AI大腦。

所以對(duì)我們來(lái)說(shuō)，過(guò)去可能吃了外觀的虧——看起來(lái)就是傳統(tǒng)機(jī)械臂，但現(xiàn)在我們更希望大家理解，有沒(méi)有AI大腦的機(jī)械臂，差別其實(shí)非常大。