文｜硅谷101

2025年，機(jī)器人公司發(fā)布的Demo都有點(diǎn)魔幻：

首先是Figure AI，在10月發(fā)布了第三代機(jī)器人，能做各種家務(wù)，Demo也很酷炫，但任務(wù)的成功率存在很多質(zhì)疑，而且臉的設(shè)計，恐怖谷現(xiàn)象有點(diǎn)嚴(yán)重。

10月底發(fā)布demo的另一家明星公司1X，整個臉部設(shè)計就可愛了非常多，感覺是更愿意讓大家搬到家里的。但是叫做Neo的這款機(jī)器人依賴遠(yuǎn)程操控，被批評是“假智能”，而且有各種隱私問題。

同時，特斯拉的機(jī)器人雖然也發(fā)布了各種Demo的更新，包括在12月發(fā)布的非常順滑的跑步Demo，但明顯量產(chǎn)計劃在2025年遇到了極大的挑戰(zhàn)，讓公司不得不暫停生產(chǎn)，重新設(shè)計硬件。

我們的機(jī)器人系列已經(jīng)聊了靈巧手，以及2025年具身智能行業(yè)年度盤點(diǎn)，本篇文章就來深聊一下這個產(chǎn)業(yè)的一個核心技術(shù)：機(jī)器人基礎(chǔ)模型。我們試圖回答這樣一個問題：為什么2025年突然變成了機(jī)器人基礎(chǔ)模型的“元年”？

我們也走訪了硅谷的前沿機(jī)器人公司和實驗室，而基礎(chǔ)模型篇會分為“閉源”和“開源”兩篇，系統(tǒng)拆解當(dāng)下主流機(jī)器人的“大腦”是如何被訓(xùn)練出來、如何接入真實世界、以及不同路線背后的技術(shù)與商業(yè)邏輯。帶你看清，大模型時代的機(jī)器人，大腦究竟是怎么長成的。本篇文章我們先來聊一聊目前資本市場的寵兒——閉源系統(tǒng)。

01 機(jī)器人基礎(chǔ)模型：從60年代到2025年的范式革命

如果要用一句話解釋機(jī)器人基礎(chǔ)模型，最簡單的類比是：如果說GPT是“會說話的大腦”，那機(jī)器人基礎(chǔ)模型就是“會動手的大腦”。

但這個“會動手的大腦”，人類研究了整整60年才做出來。我們先來回顧一下，大模型出現(xiàn)以前的四大機(jī)器人范式。

Chapter 1.1 第一代：編程式機(jī)器人（1960s-1990s）

1961年，世界上第一臺工業(yè)機(jī)器人Unimate在通用汽車的工廠里“上班”了。它的工作很簡單：從生產(chǎn)線上抓起滾燙的金屬零件，放到另一條生產(chǎn)線上。

從現(xiàn)在的眼光看，它蠻“傻”的，因為完全靠編程，工程師用代碼告訴它：

步驟1：手臂向左移動30厘米

步驟2：手爪閉合

步驟3：手臂向上移動50厘米

步驟4：手臂向右旋轉(zhuǎn)90度

步驟5：手爪松開

聽起來很傻對吧？但在當(dāng)時，這已經(jīng)是革命性的突破了。這種方式的問題很明顯：零容錯、零靈活性。

如果零件的位置偏了1厘米，機(jī)器人就抓不到，如果換一個不同尺寸的零件，就得重新寫代碼。更別說應(yīng)對意外情況——比如零件掉在地上，機(jī)器人就徹底不知道該干什么了。

但在工廠這種高度可控的環(huán)境里，這套方法管用了幾十年。直到今天，很多汽車工廠的焊接機(jī)器人，還在用這套“編程式”的邏輯。

Chapter 1.2 第二代：基于SLAM的方法（1990s-2010s）

到了90年代，機(jī)器人學(xué)家們意識到：光靠編程不行，機(jī)器人得能“感知”環(huán)境。于是出現(xiàn)了SLAM（同時定位與地圖構(gòu)建）、運(yùn)動規(guī)劃這些技術(shù)。

這里的核心思路是：先用傳感器“看”周圍環(huán)境，建立一個3D地圖，然后在地圖上規(guī)劃路徑，最后執(zhí)行動作。這個方式最成功的應(yīng)用就是掃地機(jī)器人。

風(fēng)靡一時的Roomba就是這么工作的：它用激光雷達(dá)掃描房間，建立地圖；然后規(guī)劃一條覆蓋所有區(qū)域的路徑；再按照路徑移動，遇到障礙物就繞開。

這套方法在“導(dǎo)航”任務(wù)上很成功：早期的無人車、無人機(jī)、物流機(jī)器人，基本都是這個套路。但在“操作”任務(wù)上就不行了，因為操作任務(wù)太復(fù)雜了，比如讓機(jī)器人疊一條毛巾，傳統(tǒng)方法是四步：

1.用視覺識別毛巾的四個角

2.計算每個角的3D坐標(biāo)

3.規(guī)劃手臂的運(yùn)動軌跡

4.執(zhí)行抓取、折疊、放下

聽起來挺合理，但實際操作中到處是坑：毛巾可能皺成一團(tuán)，根本識別不出“四個角”；毛巾是柔性的，你一抓它就變形，3D坐標(biāo)立刻失效；每一步都可能出錯，一出錯整個流程就崩了。

2010年，加州伯克利的一個研究團(tuán)隊做過一個實驗：讓機(jī)器人疊毛巾，用的就是這套“感知→規(guī)劃→執(zhí)行”的方法。結(jié)果平均一條毛巾要花24分鐘。

而疊毛巾在如今AI時代來臨之后，也同樣是非常核心的，需要基礎(chǔ)模型去驅(qū)動機(jī)器人攻破的任務(wù)。

Chapter 1.3 第三代：行為克隆（2010s中期）

既然手工設(shè)計規(guī)則不行，那能不能讓機(jī)器人直接“學(xué)”人類怎么做？這就是行為克?。˙ehavior Cloning）的思路，也叫模仿學(xué)習(xí)（Imitation Learning）。

同樣以疊毛巾為例，機(jī)器人模仿學(xué)習(xí)會這么做：讓人類演示很多次怎么疊毛巾；記錄下每一幀的視覺輸入和動作輸出；訓(xùn)練一個神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)輸入→輸出的映射；機(jī)器人看到毛巾，直接輸出該做什么動作。

2015年，Google Brain的一個團(tuán)隊用這個方法，讓機(jī)器人學(xué)會了抓取各種物體。他們收集了數(shù)十萬次抓取的數(shù)據(jù)，訓(xùn)練了一個神經(jīng)網(wǎng)絡(luò)，推動了“視覺-動作”學(xué)習(xí)在機(jī)器人抓取任務(wù)上的進(jìn)展。

這可以說是個巨大的進(jìn)步！第一次，機(jī)器人不需要手工編寫規(guī)則，可以通過數(shù)據(jù)學(xué)習(xí)了。

但這個方法有個致命缺陷：數(shù)據(jù)效率太低。它需要數(shù)十萬次抓取數(shù)據(jù)來訓(xùn)練，而且這只是“抓取”這一個動作。如果要學(xué)“疊毛巾”，可能100萬次演示都不夠了。

更要命的是，這個方法的泛化性很差。你用A型號機(jī)器人收集的數(shù)據(jù)，訓(xùn)練出來的模型，在B型號機(jī)器人上基本不能用。

Chapter 1.4 第四代：強(qiáng)化學(xué)習(xí)（2010s后期）

2016年，AlphaGo戰(zhàn)勝李世石，證明了強(qiáng)化學(xué)習(xí)的威力。機(jī)器人科學(xué)家們想：能不能讓機(jī)器人也用強(qiáng)化學(xué)習(xí)，自己摸索出怎么完成任務(wù)？

強(qiáng)化學(xué)習(xí)的核心思路是：不需要人類演示，讓機(jī)器人自己嘗試，做對了給獎勵，做錯了給懲罰，機(jī)器人慢慢學(xué)會怎么做能獲得最多獎勵。

當(dāng)時，波士頓動力的機(jī)器人就開始將強(qiáng)化學(xué)習(xí)引入移動控制系統(tǒng)，讓它們能在各種復(fù)雜地形上行走、跳躍、后空翻。

但強(qiáng)化學(xué)習(xí)也有個大問題：太慢了。AlphaGo為了學(xué)會下圍棋，在仿真環(huán)境里自己和自己下了幾千萬局，但機(jī)器人操作任務(wù)，很難在仿真環(huán)境里練，因為環(huán)境復(fù)雜度太高，非常難設(shè)置，和真實物理世界差別較大，導(dǎo)致仿真不準(zhǔn)。

但真機(jī)試錯呢？太慢、太貴、太危險。想象一下，讓機(jī)器人學(xué)疊毛巾，它可能要試幾百萬次，其中大部分時候會出現(xiàn)的情況是：抓空、把毛巾扔到地上、把毛巾撕破、手臂卡住等等。這樣學(xué)下去，要到猴年馬月？

而且強(qiáng)化學(xué)習(xí)有個更根本的問題：它不知道“常識”。人類知道，毛巾是軟的、可以折疊的、有一定的摩擦力。但強(qiáng)化學(xué)習(xí)的機(jī)器人，需要通過無數(shù)次試錯才能“發(fā)現(xiàn)”這些常識，效率太低。

Chapter 1.5 第五代：VLA模型（2020s中期-現(xiàn)在）

大語言模型的出現(xiàn)，改變了一切。2022年，ChatGPT橫空出世，人們發(fā)現(xiàn)：大語言模型里蘊(yùn)含了人類世界的大量“常識”：它知道毛巾是什么、疊是什么意思、先做什么后做什么。它有推理能力、規(guī)劃能力、泛化能力。

行業(yè)里的第一反應(yīng)就是，能不能把大語言模型和機(jī)器人結(jié)合起來？于是，VLA（Vision-Language-Action）模型誕生了。VLA模型的革命性在于，它把三個東西統(tǒng)一到一個神經(jīng)網(wǎng)絡(luò)里：

Vision（視覺）：看到當(dāng)前的場景；Language（語言）：理解任務(wù)目標(biāo)和常識；Action（動作）：輸出具體的控制指令。

舉個例子，你對機(jī)器人說：“幫我把桌上的蘋果放到籃子里?！眰鹘y(tǒng)方法需要四步：

1.視覺識別“蘋果”和“籃子”

2.規(guī)劃“抓取蘋果”的軌跡

3.規(guī)劃“移動到籃子”的軌跡

4.規(guī)劃“放下”的動作

VLA模型呢？一個端到端的神經(jīng)網(wǎng)絡(luò)，直接從“語言指令+視覺輸入”，輸出“下一步該做什么動作”。

更神奇的是，它會“常識推理”。比如你說“幫我準(zhǔn)備早餐”，面對著家庭環(huán)境，它知道：要從冰箱拿出雞蛋；雞蛋要小心拿，不能摔碎；面包要放進(jìn)烤面包機(jī)。

這些常識，不需要你一條條編程，也不需要它自己試錯幾百萬次去“發(fā)現(xiàn)”。 因為大語言模型里已經(jīng)有了。

York Yang

Dyna Robotics聯(lián)合創(chuàng)始人：

我們在架構(gòu)層面用的VLA，VLA簡單來說就是我們拿了大模型領(lǐng)域VLM作為所謂的backbone（核心），但是我們會在最終輸出結(jié)果的時候，把這個結(jié)果轉(zhuǎn)化成在機(jī)器人領(lǐng)域可用的action（動作）。action（動作）直觀理解就是，比如說我要把這個手臂移動到某一個坐標(biāo)點(diǎn)的這些命令。

VLA其實大家詬病最多的是：為什么我們需要L（Language、語言）？因為在過去傳統(tǒng)的機(jī)器人算法里面很多都是純基于視覺。但是你仔細(xì)去想，其實你大腦其實會產(chǎn)生類似于語言的東西，去告訴你在一個長線任務(wù)中，到底你第一步做什么，第二步做什么。

L的作用就在于對于一些非常復(fù)雜的任務(wù)的時候，它是可以通過在大語言上面已經(jīng)訓(xùn)練出來很多邏輯性的東西，比如說你要喝水，它就會知道你需要找杯子或者找瓶子。這個是通過大語言模型已經(jīng)直接可以給你的一些東西。利用VLA的主要目的，其實就是如何把Language（語言）跟Vision（視覺）能夠更好地結(jié)合起來，否則你如果只有Vision（視覺），你能做的任務(wù)可能就都是短線的，你做不了任何長線的、需要去做推理的一些任務(wù)，所以這是我們?yōu)槭裁捶浅Ｗ⒌匾胝Z言這部分的主要原因。

那為什么2025年成了“具身機(jī)器人基礎(chǔ)模型元年”呢？因為三個關(guān)鍵因素在這一年同時成熟了。

第一個因素：大語言模型“夠用了”。

2024年到2025年，OpenAI、Anthropic、Google這些公司陸續(xù)發(fā)布新模型，大語言模型已經(jīng)“成熟”了，至少對于機(jī)器人需要的那部分能力，理解指令、規(guī)劃任務(wù)、常識推理，已經(jīng)足夠好了。

York Yang

Dyna Robotics聯(lián)合創(chuàng)始人：

第一是大模型本身已經(jīng)趨近于成熟，你們可以看到最近不管是OpenAI還是其他的公司，發(fā)布的模型已經(jīng)是增量式的增長，它不是像從3.5到4的時候的這種跨越式的增長，所以我們覺得大模型的能力已經(jīng)趨于穩(wěn)定，而且已經(jīng)足夠可以為具身智能提供一個很好的基礎(chǔ)，所以這是從模型層面的一個最重要的因素。

第二個因素：算力價格腰斬再腰斬。

2023年，租一張NVIDIA H100 GPU是天價，還得排隊才能拿到貨，而隨著GPU云服務(wù)商價格戰(zhàn)打響，和NVIDIA的GPU大量鋪貨，初創(chuàng)公司都租得起幾千張卡來訓(xùn)練模型了。

York Yang

Dyna Robotics聯(lián)合創(chuàng)始人：

第二個因素是整體的算力強(qiáng)度肯定是越來越強(qiáng)，每一年英偉達(dá)等芯片公司都會做更強(qiáng)的芯片，等效的算力價格其實也在降低，隔幾年可能等效的價格就變成了過去的一半，所以計算的增強(qiáng)對于整個具身智能也有很大的推進(jìn)影響。

第三個因素：硬件供應(yīng)鏈成熟。

這個變化很多人沒注意到。2024年，隨著人形機(jī)器人熱潮，大量資本涌入上游零部件廠商，特別是中國的供應(yīng)商們，電機(jī)、減速器、傳感器這些東西，原本都是小眾產(chǎn)品，但2024年開始，好幾家供應(yīng)商都拿到了大額融資，開始擴(kuò)產(chǎn)，硬件便宜了，做機(jī)器人的門檻就降低了。

York Yang

Dyna Robotics聯(lián)合創(chuàng)始人：

第三是整個機(jī)器人硬件的各種零部件的成熟度是比較高的，特別是從去年開始火熱起來的這一波人形機(jī)器人的助推讓大家花了很多的精力跟資本去投入到很多基礎(chǔ)部件，包括電機(jī)、減速器這些部件的研發(fā)，這一塊的成熟度和成本都有提升和降低，所以我們覺得這個時機(jī)會比較成熟一些。

這三個關(guān)鍵元素，讓2025年成為了一個特殊的時間窗口，基于VLA的新一代范式的機(jī)器人跑出來了。

2025年是人形機(jī)器人大年，第一臺機(jī)器人管家終于登場了，人形機(jī)器人將有望成為史上最龐大的產(chǎn)業(yè)之一，這將是一個5萬億的市場，全世界將遍布十億臺機(jī)器人。

但VLA模型也不是完美的，而它的核心挑戰(zhàn)是數(shù)據(jù)。大語言模型可以用互聯(lián)網(wǎng)上的文本訓(xùn)練，但機(jī)器人需要的是“真機(jī)數(shù)據(jù)”——必須有機(jī)器人本體的傳感器數(shù)據(jù)。而這種數(shù)據(jù)，互聯(lián)網(wǎng)上根本沒有。

YouTube上有無數(shù)人類疊衣服的視頻，但沒有一個視頻告訴你，疊衣服的時候手指關(guān)節(jié)的角度是多少、施加的力量是多少，這就是為什么，這場“軍備競賽”的核心，除了算法，還有數(shù)據(jù)。誰能用最低的成本，采集到最高質(zhì)量的數(shù)據(jù)，誰就能主導(dǎo)這個市場。

所以，機(jī)器人基礎(chǔ)模型不是憑空冒出來的，它是60年技術(shù)積累的集大成者，它繼承了：編程式機(jī)器人的“精確控制”；基于模型方法的“環(huán)境感知”；行為克隆的“示范學(xué)習(xí)”；強(qiáng)化學(xué)習(xí)的“自我優(yōu)化”；再加上了大語言模型的“常識推理”，這才是真正的“基礎(chǔ)模型”。

可能你想知道，現(xiàn)在搭載了VLA模型的機(jī)器人，都到什么程度了？我們這次也走訪了Dyna Robotics。

這家在硅谷炙手可熱的機(jī)器人明星公司的三位華人創(chuàng)始人中，Lindon Gao和York Yang是連續(xù)創(chuàng)業(yè)者，之前創(chuàng)立的AI購物車公司Caper AI以3.5億美元的價格，被Instacart收購；Jason Ma則是前DeepMind研究科學(xué)家，專攻機(jī)器人基礎(chǔ)模型。

這家公司成立才一年，已經(jīng)完成兩輪融資：2025年3月種子輪2350萬美元，同年的9月A輪1.2億美元，估值超過6億美元。投資方名單堪稱豪華：英偉達(dá)、亞馬遜、三星、LG。而讓他們最先火出圈的，并不是多么華麗的任務(wù)或者demo，而就是非常樸實的“疊毛巾”和“疊衣服”。

我們也和機(jī)器人以及和York比拼了一下手速，雖然在疊衣服這件事情上，我倆都比機(jī)器人快，但說實話我覺得我倆真不一定有Dyna的機(jī)器人疊得好。并且，關(guān)鍵點(diǎn)在于：機(jī)器人雖然目前還比較慢，但它可以7*24運(yùn)作，還不用休息，只要經(jīng)濟(jì)賬算得過來，落地就是可行的。

York Yang

Dyna Robotics聯(lián)合創(chuàng)始人：

因為正常人工的很多場景，你1個人就是8個小時，而機(jī)器可以讓它跑15個小時或者24個小時，可以彌補(bǔ)掉效率的一定的損失。

第二是疊毛巾本身確實是一個不錯的商業(yè)落地場景，因為它相對比較單一，也是比較固定的一個任務(wù)。但是在像美國這樣高人工成本的國家，確實要花掉很多的資金在這件事情上面，所以我們聊的這些商家客戶都非常有意愿去使用機(jī)器人來做這件事情。

02 閉源模型機(jī)器人主要流派

看完Dyna的機(jī)器人，我們再來看看，2025年的機(jī)器人賽道，還有哪些玩家：

我們可以把他們分成三個流派來看，表面上看，他們爭的是技術(shù)路線、市場份額、融資估值，但本質(zhì)上，他們爭的是同一個問題：什么才是實現(xiàn)“通用機(jī)器人”的正確路徑？

Chapter 2.1 流派一：全棧整合派

這一派的代表公司是特斯拉Optimus和Figure AI。核心信念是：機(jī)器人基礎(chǔ)模型不能和硬件分離，必須垂直整合、深度耦合，才能發(fā)揮最大效果。

作為這個流派最激進(jìn)的代表，特斯拉的CEO馬斯克曾經(jīng)說過一句很狂的話：“特斯拉八成的價值將來自于Optimus機(jī)器人?！?/p>

馬斯克的自信來自特斯拉FSD（完全自動駕駛）十年的積累，特斯拉Optimus前工程主管Milan Kovac曾經(jīng)說，“我們只是從輪子上的機(jī)器人變成長著腿的機(jī)器人”。

特斯拉有數(shù)百萬輛車收集的真實世界數(shù)據(jù)、端到端的神經(jīng)網(wǎng)絡(luò)架構(gòu)、規(guī)模龐大的標(biāo)注團(tuán)隊，所以他這個邏輯聽起來無懈可擊：既然FSD能讓汽車在復(fù)雜路況中自主駕駛，那同樣的架構(gòu)，為什么不能讓機(jī)器人在復(fù)雜環(huán)境中自主操作？都是感知、決策、執(zhí)行的閉環(huán)，都是端到端的神經(jīng)網(wǎng)絡(luò)，只是輸出從“方向盤角度”變成了“關(guān)節(jié)角度”而已。

但2025年的現(xiàn)實并沒有這么美好。年初，馬斯克在內(nèi)部會議上信誓旦旦地說：2025年要生產(chǎn)5000臺Optimus，其中1000臺會部署在特斯拉自己的工廠。但是到年中，實際上組裝了1000多臺后，特斯拉Optimus人形機(jī)器人的生產(chǎn)計劃就已經(jīng)暫停，面臨重新設(shè)計。

而Optimus最近還面臨一個更大的風(fēng)波，就是它在特斯拉活動現(xiàn)場分發(fā)瓶裝水時，突然做出了好像要把頭上某個不存在的東西拽下來的動作，然后摔了一跤。 這個動作實在是太像人類操作員摘下頭戴式設(shè)備的動作，于是這段視頻馬上爆火，不少人馬上提出來質(zhì)疑：Optimus，是不是有操作員在遠(yuǎn)程操控？

Optimus的發(fā)展看起來不像馬斯克號稱的那么順利，問題出在哪？

York Yang

Dyna Robotics聯(lián)合創(chuàng)始人：

他們本身是最早在人形機(jī)器人領(lǐng)域做出本體，有過一定的demo演示的公司。他們現(xiàn)在主要利用的是人類視頻做遷移，它的優(yōu)勢毋庸置疑，人類視頻其實是最容易采的，因為你不需要任何的外設(shè)備，你采集的也是人手去操作的場景，可擴(kuò)展上來說，特斯拉這個模式是最高的。

但是它的幾個主要的問題在于，第一，人類的手和機(jī)器人的手，如果你想讓它這個能力遷移得很好，需要做得非常接近。這也是為什么現(xiàn)在有好多人在做很靈巧的靈巧手，非常接近人的自由度，這件事本身是一件非常困難的事情。

第二，但你再接近，它也不是完全一樣。所以在機(jī)器人的數(shù)據(jù)和人的數(shù)據(jù)中間還是會有一個鴻溝，就我們所謂的embodiment gap（物理差異），這個embodiment gap在當(dāng)前學(xué)術(shù)界也好、工業(yè)界也好，大家都公認(rèn)是一個比較難解決的問題。所以這樣的數(shù)據(jù)遷移的效率會比較低，哪怕你采集了很多數(shù)據(jù)，如果只有30%或者50%可用，你的總數(shù)量就會需要去乘以可能性的數(shù)字，所以這是它的一定的局限性。

特斯拉想用海量人類視頻訓(xùn)練基礎(chǔ)模型，但人手和機(jī)器手的物理差異（embodiment gap）是個繞不過去的坎。即使你有YouTube上所有的人類操作視頻，轉(zhuǎn)換效率也是個問題。

這就是全棧整合派的第一個困境：你控制了全鏈條，但也意味著全鏈條的每個環(huán)節(jié)都是你的瓶頸。硬件不夠好，模型再強(qiáng)也白搭；模型不夠強(qiáng)，硬件再好也發(fā)揮不出來。

但特斯拉的優(yōu)勢是錢多、人多、還有馬斯克，Optimus會不會最終成功？可能要再過兩年才能見分曉。

而Figure AI走的是類似特斯拉的路線，但更激進(jìn)。這家公司2022年才成立，創(chuàng)始人Brett Adcock之前做過電動垂直起降飛機(jī)，算是從“飛行機(jī)器人”跨界到“地面機(jī)器人”。

2024年初，F(xiàn)igure AI做了個大膽的決定：和OpenAI深度合作，將GPT-4直接接入人形機(jī)器人中。那段時間，他們放出來的demo震撼全行業(yè)：機(jī)器人能聽懂人類的指令，能和人對話，能自己決定做什么。比如你說“可以給我點(diǎn)吃的嗎”，它會主動遞給你一個蘋果

但好景不長。2025年2月，F(xiàn)igure AI突然主動宣布和OpenAI“分手”：他們要獨(dú)立推出自己的基礎(chǔ)模型，不再依賴OpenAI的技術(shù)。分手后的Figure AI，兩周后就迅速推出新Helix模型，定位為通用人形機(jī)器人VLA模型，強(qiáng)調(diào)是完全自研、用于控制整個人形機(jī)器人。

不得不說，能夠放棄OpenAI的“粗大腿”，F(xiàn)igure AI確實有兩把刷子。

Helix創(chuàng)新地采用了“System 1，System 2”雙系統(tǒng)架構(gòu)：System 2像你的大腦皮層，負(fù)責(zé)“想清楚該干什么”；System 1像你的小腦，負(fù)責(zé)“手腳怎么配合”。當(dāng)你拿杯子喝水時，大腦皮層只需要決定“現(xiàn)在該拿杯子了”，小腦會自動調(diào)動20多塊肌肉完成抓取動作，你根本不需要意識到。

這個架構(gòu)解決了一個長期困擾機(jī)器人的問題：視覺-語言模型很聰明但太慢，傳統(tǒng)機(jī)器人控制策略很快但不夠通用。Helix讓兩者各司其職、端到端訓(xùn)練，既能理解復(fù)雜指令，又能實時精確控制。

更酷的是，Helix用單一神經(jīng)網(wǎng)絡(luò)控制整個上半身的35個自由度——包括手腕、軀干、頭部、每根手指，它還能同時控制兩個機(jī)器人協(xié)作完成任務(wù)。這就是Figure 和OpenAI“分手”后交出的答卷。

2025年9月，F(xiàn)igure AI完成了10億美元的C輪融資，估值從26億美元飆升到390億美元——15倍的漲幅，不到一年時間。投資方名單讀起來像科技圈的奧斯卡頒獎典禮：微軟、OpenAI、英偉達(dá)、貝佐斯、英特爾、三星……聽起來，已然成為具身機(jī)器人的“扛把子”。

總結(jié)一下，這一派的核心理念是：基礎(chǔ)模型的通用性來自于“足夠大、足夠端到端”，只要模型參數(shù)夠多、訓(xùn)練數(shù)據(jù)夠多、軟硬整合夠深，涌現(xiàn)能力就會自然出現(xiàn)。這是從GPT-4的成功中總結(jié)出來的經(jīng)驗——但這個經(jīng)驗在物理世界是否成立，還是個未知數(shù)。

Chapter 2.2 流派二：垂直突破派

如果說全棧整合派追求的是“一步到位的通用性”，那垂直突破派追求的是“從專精到泛化的涌現(xiàn)”。

他們的核心信念是：與其訓(xùn)練一個什么都會但什么都做不好的大模型，不如先讓模型在某個垂直場景做到極致，在這個過程中積累的“學(xué)習(xí)能力”會自然遷移到其他場景。

Dyna Robotics是這個流派比較清晰的代表，他們走的路線很特別：做通用形態(tài)的機(jī)器人，但是在模型層面會先利用比較成熟的能力，落地一些可以打工的場景，用于了解行業(yè)的know how（實際知識），并更好的指導(dǎo)算法研究的方向。也就是說，先讓機(jī)器人在洗衣房、餐廳、健身房這些場景“打工”，邊干活邊學(xué)習(xí)。

在2025年4月，他們發(fā)布了“首個可在真實環(huán)境中持續(xù)高性能運(yùn)行的機(jī)器人基礎(chǔ)模型”DYNA-1。在24小時內(nèi)，他們的機(jī)器人自主折疊了700多張餐巾，成功率超過99.4%，完全無需人工干預(yù)，吞吐量達(dá)到人類速度的60%。但顯然，Dyna的野心不止于疊毛巾。

York Yang

Dyna Robotics聯(lián)合創(chuàng)始人：

第一是我們要澄清，我們不是一個做疊毛巾的公司，我們的基礎(chǔ)模型里面包含了各種各樣的數(shù)據(jù)，有各種疊的：疊毛巾、疊餐巾、疊衣服，也有切菜、切水果、準(zhǔn)備食物，也有做早餐、清掃或者說擺放、物流場景的一些分揀，其實各種各樣的數(shù)據(jù)我們都有，我們的基礎(chǔ)模型其實是一個非常廣的模型。

我們的泛化性最主要還是來自于基礎(chǔ)的大模型，我們是希望基礎(chǔ)大模型能夠有足夠強(qiáng)的能力，在大部分的任務(wù)上不太需要非常多的定制。在早期可能你會發(fā)現(xiàn)遷移到一個新的任務(wù)的過程會比較冗余、比較繁雜，你會需要再重新采很大一部分的數(shù)據(jù)，然后混到一起去做訓(xùn)練，但隨著你的基礎(chǔ)大模型數(shù)據(jù)量越來越大之后，你會發(fā)現(xiàn)哪怕去遷移到一個從未見過的這個任務(wù)上面，它其實需要的遷移成本也會越來越低。

我們過去可能會需要采幾個月的數(shù)據(jù)去遷移某一個任務(wù)，但是到現(xiàn)在可能有一些簡單的任務(wù)，可能一兩天的數(shù)據(jù)就可以遷移過去。所以整體來說只要你的基礎(chǔ)模型能力越來越強(qiáng)，學(xué)習(xí)能力越來越強(qiáng)的話，你去遷移到新任務(wù)的能力也會越來越強(qiáng)。

Dyna對基礎(chǔ)模型的理解和全棧整合派完全不同，他們的理解是：與其訓(xùn)練一個什么都會但什么都做不好的泛化模型，不如先讓模型在某個任務(wù)上深度專精。在這個過程中積累的“學(xué)習(xí)能力”會幫助它更快掌握其他任務(wù)。就像把鋼琴練到音樂學(xué)院水平的人，上手吉他會比完全沒學(xué)過樂器的人快得多，因為掌握了“如何學(xué)習(xí)”的元技能。

York Yang

Dyna Robotics聯(lián)合創(chuàng)始人：

我們確實也看到當(dāng)你單一任務(wù)的能力提升得很強(qiáng)之后，它對于學(xué)習(xí)新任務(wù)有一定的促進(jìn)作用，我們拿最優(yōu)質(zhì)的數(shù)據(jù)到基礎(chǔ)的數(shù)據(jù)集里面做預(yù)訓(xùn)練之后，這個模型再去擴(kuò)展到新的任務(wù)上，它會更快、需要的數(shù)據(jù)更少，所以這個也是我們在實踐過程中找到一個有點(diǎn)反直覺，但是確實它發(fā)生了的一件事。我們對于它的理解可能就像人，如果你的學(xué)習(xí)能力本身很強(qiáng)，那你學(xué)習(xí)新的東西的能力就會很強(qiáng)，學(xué)習(xí)能力很強(qiáng)的前提是你可能過去已經(jīng)在很多任務(wù)上你自己做過實踐、做過學(xué)習(xí)，你才會有強(qiáng)的學(xué)習(xí)能力。

所以我們覺得學(xué)習(xí)能力本身和學(xué)習(xí)的過程也是關(guān)聯(lián)的。

這個理念背后基于這樣一個觀點(diǎn)：機(jī)器人基礎(chǔ)模型和大語言模型的Scaling Law（縮放定律）可能不一樣。

大語言模型的規(guī)律是：模型越大、數(shù)據(jù)越多，性能就越好，但機(jī)器人基礎(chǔ)模型的性能瓶頸，不只在“模型容量”和“數(shù)據(jù)量”，更在“數(shù)據(jù)質(zhì)量”和“物理一致性”。如果訓(xùn)練數(shù)據(jù)里的物理接觸不準(zhǔn)確，模型學(xué)到的就是錯誤的物理直覺，參數(shù)越大，錯誤越被“放大”。

York Yang

Dyna Robotics聯(lián)合創(chuàng)始人：

為什么說基于某種程度，它的Scaling Law（縮放定律）肯定不像大語言模型這么簡單粗暴。因為我們之前也和挺多做大語言模型的這些人聊過，他們已經(jīng)發(fā)現(xiàn)，語言方向的數(shù)據(jù)，哪怕用很多低質(zhì)量數(shù)據(jù)，比如一堆文本，中間插了一段廣告，然后再是接著文本，就這樣的數(shù)據(jù)它一樣能訓(xùn)練出比較好的模型。因為模型它看的數(shù)據(jù)足夠多之后，它自動就會過濾掉廣告。但是機(jī)器人當(dāng)前我們覺得規(guī)模化更多的是來自于需要比較高質(zhì)量的數(shù)據(jù)。你如果囊括了很多很繁雜的數(shù)據(jù)在里面，機(jī)器人模型可能就不知道我要注意力集中在哪一個地方，所以最終它其實出來的效果并沒有那么好。

我們現(xiàn)在看到的是如果你的數(shù)據(jù)質(zhì)量足夠好，隨著數(shù)據(jù)量的增加，數(shù)據(jù)多樣性的增加，整體的基礎(chǔ)模型能力就會有很大的提升，對下游的各種需要fine-tune（微調(diào)）的一些小任務(wù)也會有很大的提升，這個是實打?qū)嵞軌蚩吹玫降摹?/p>

所以Dyna選擇“小而精”的路線：

• 與其訓(xùn)練一個100億參數(shù)的泛化模型，不如訓(xùn)練一個10億參數(shù)的專精模型
• 要保證每一條訓(xùn)練數(shù)據(jù)都是高質(zhì)量的真實物理交互
• 讓模型在實際部署中通過強(qiáng)化學(xué)習(xí)自我優(yōu)化

他們認(rèn)為：深度專精某個任務(wù)的過程中，模型學(xué)到的不只是“怎么疊毛巾”，還有“怎么快速學(xué)習(xí)新任務(wù)”的元能力。

York Yang

Dyna Robotics聯(lián)合創(chuàng)始人:

所以我們現(xiàn)在挺關(guān)注的，比如像強(qiáng)化學(xué)習(xí)的一些路徑，像通過大模型的基礎(chǔ)能力的學(xué)習(xí)，比如說折疊能力、擺放能力的學(xué)習(xí)，讓它擁有一個自我迭代、自我去學(xué)習(xí)新技能的能力，我覺得這個是最重要的。

但最終我們會覺得基礎(chǔ)的大模型可能在普通的一些任務(wù)，比如說家用的很多：你幫我拿一個水、你幫我開一下門，類似的任務(wù)中，它應(yīng)該是可以直接完成的。

同樣重視元學(xué)習(xí)能力的，也還有諸如Skild AI這樣從“通用模型”切入，但并不做硬件的公司，他們核心邏輯是：用大規(guī)模仿真數(shù)據(jù)訓(xùn)練出一個通用的“大腦”，然后讓這個大腦能快速適配到不同的機(jī)器人硬件和任務(wù)場景。

比如說，同一個模型既能控制機(jī)械臂抓取物體，也能讓四足機(jī)器人行走，還能指揮人形機(jī)器人完成復(fù)雜操作，不需要每個任務(wù)都從頭訓(xùn)練，而是靠一個強(qiáng)大的基礎(chǔ)模型來遷移學(xué)習(xí)。有傳聞稱，英偉達(dá)和軟銀將領(lǐng)頭對它投資10億美元，估值將高達(dá)140億美元。

這個路線，還有一個特殊玩家值得一提：亞馬遜。2025年7月，亞馬遜宣布部署了第100萬臺機(jī)器人。100萬臺是什么概念？亞馬遜目前有156萬名員工，也就是說機(jī)器人數(shù)量即將超過人類員工。

但這100萬臺機(jī)器人，全都是專用機(jī)器人，針對具體場景優(yōu)化：Hercules能搬運(yùn)1250磅貨物，Pegasus用于包裹分揀、運(yùn)輸，但亞馬遜的野心不止于此。他們的Agentic AI團(tuán)隊正在開發(fā)通用機(jī)器人基礎(chǔ)模型，還在舊金山辦公室建了個叫“humanoid park”的室內(nèi)測試場，訓(xùn)練人形機(jī)器人應(yīng)對復(fù)雜障礙。

亞馬遜的策略和Dyna如出一轍：與其一開始就做大而全的通用模型，不如先在垂直場景積累世界上最好的數(shù)據(jù)和最強(qiáng)的能力，然后再泛化。

Chapter 2.3 流派三：生態(tài)平臺派

如果說前兩派是在爭“誰的路線更快”，那第三派爭的是“誰能制定行業(yè)標(biāo)準(zhǔn)”。他們的核心信念是：在基礎(chǔ)模型這個賽道，最終贏家不一定是技術(shù)最強(qiáng)的，而是生態(tài)控制力最強(qiáng)的。

首先，NVIDIA的邏輯很簡單：做機(jī)器人界的Android。

2025年3月的GTC大會上，黃仁勛隆重介紹了GR00T N1，并且把它開源了，聽起來很美好，但你要用GR00T N1，就得用全套NVIDIA生態(tài)，一個都跑不掉。這就是生態(tài)鎖定的威力：一旦你用了NVIDIA的全套工具鏈，切換成本高到讓人望而卻步。NVIDIA的護(hù)城河不是模型本身，而是整個生態(tài)。

Google走的是另一條路：通過開源研究建立影響力。

Google在機(jī)器人通用策略上選擇了一條“研究驅(qū)動、開源優(yōu)先”的路線。它推出的RT系列，強(qiáng)調(diào)大規(guī)模機(jī)器人演示數(shù)據(jù)、跨任務(wù)／跨平臺通用模型，并通過論文＋開放數(shù)據(jù)集的方式在學(xué)術(shù)與研究社區(qū)建立了強(qiáng)大影響力。在Gemini 3發(fā)布后，Google最近也加快了步伐，還挖來了前波士頓動力首席技術(shù)官Aaron Saunders，想推動Gemini Al成為通用機(jī)器人控制平臺。

而OpenAI和Meta是這一派的另一種玩法：小步快跑，只為占坑。

OpenAI和機(jī)器人的關(guān)系，就像一對分分合合的情侶：早在2018年，他們就在機(jī)械手-操作任務(wù)上取得突破；但之后團(tuán)隊規(guī)模與優(yōu)先級有所收縮。到2024年和2025年初，他們上演了和Figure從熱戀到斷裂式分手的戲碼；但到了2025年下半年，他們又開始招聘多位專注于人形機(jī)器人控制算法的研究人員。

此外，OpenAI也試圖通過撒錢投資的方式，打造自己的生態(tài)影響力，2024年11月，OpenAI與杰夫·貝佐斯共同參與了Physical Intelligence的4億美元融資。

Meta的策略類似但更低調(diào)。2025年初，Meta在其Reality Labs旗下組建了一個新機(jī)器人部門，由前Cruise CEO Marc Whitten牽頭，目標(biāo)是開發(fā)類人機(jī)器人平臺。Meta CTO Andrew Bosworth曾公開提到，其團(tuán)隊正在構(gòu)建一種“world model”，以支撐機(jī)器人完成比“行走”和“跑跳”更細(xì)致的操控動作。

Chapter 2.4 三派之爭的本質(zhì)：對“通用性”的不同賭注

表面上看，三派是在爭技術(shù)路線、爭市場、爭估值，但本質(zhì)上，他們賭的是關(guān)于“通用性”的三個相通、但又不同的假設(shè)：

全棧整合派相信：通用性=足夠大的模型+足夠多的數(shù)據(jù)+足夠深的軟硬整合，只要這三個條件滿足，涌現(xiàn)能力會自然出現(xiàn)，這是從GPT-4的成功中總結(jié)出來的經(jīng)驗。

垂直突破派相信：通用性=深度專精帶來的遷移能力，機(jī)器人的Scaling Law和語言模型不同，“小而精”可能比“大而全”更有效，關(guān)鍵是找到正確的“元學(xué)習(xí)”路徑。

生態(tài)平臺派相信：通用性=生態(tài)標(biāo)準(zhǔn)化程度，技術(shù)路線誰贏不重要，重要的是讓所有人都用你的工具鏈，最終贏家不是技術(shù)最強(qiáng)的，而是生態(tài)控制力最強(qiáng)的。

當(dāng)然，還有“半開源半閉源”的兩家知名公司，Physical Intelligence（PI）和Genesis AI。我們會在我們的開源篇文章里重點(diǎn)介紹他們。

這幾大派系誰對誰錯？2025年還沒有答案。但可以確定的是：這場關(guān)于基礎(chǔ)模型的競賽，才剛剛開始。

03 2025年現(xiàn)狀：展示很精彩，落地還未知

馬斯克對特斯拉機(jī)器人的夢想很宏大，但現(xiàn)實是Optimus還在艱難爬坡。

12月19日，特斯拉官方發(fā)布了一份名為《特斯拉人形機(jī)器人2025年度報告》的視頻回顧，詳細(xì)披露了其人形機(jī)器人Optimus在過去一年中的技術(shù)迭代與進(jìn)化路徑，視頻以O(shè)ptimus加速跑進(jìn)2026年的畫面收尾，暗示明年將有更大幅度的技術(shù)跨越。我們也拭目以待。

同時，F(xiàn)igure AI拿了10億美元，估值390億，但真正商業(yè)化部署的也就幾十臺。NVIDIA的GR00T N1發(fā)布了，但有多少公司真正用起來了？不好說。

但是，我們也看到了各家都在令人驚嘆的進(jìn)展，有特斯拉這樣手握重金押注，也有Figure、Dyna為代表的創(chuàng)業(yè)公司在快速前進(jìn)，還有OpenAI、Meta的低調(diào)入局，都在用重金、重資產(chǎn)的方式推進(jìn)機(jī)器人基礎(chǔ)模型。

這讓我們相信，尤其是是在家用機(jī)器人領(lǐng)域，機(jī)器人開始幫忙干些討厭的家務(wù)，已不再那么遙遠(yuǎn)。

York Yang

Dyna Robotics聯(lián)合創(chuàng)始人：

我們是覺得最先肯定是在，像我們當(dāng)前在開拓的一些市場，比如商用服務(wù)的一些人工的部分，就是和人工一起去完成一些任務(wù)這樣的一些場景。但是我們覺得家用其實也沒有那么遙遠(yuǎn)，并不需要完整的、非常通用的AGI。你可能只需要幾個任務(wù)就可以進(jìn)入到家庭的場景里，先讓機(jī)器人在家里面干起活來，然后逐漸地通過模型的迭代讓它產(chǎn)生更多的能力。

我們自己的目標(biāo)，在2026年我們至少希望在商用場景有比較大規(guī)模的部署，在家用我們會擇機(jī)看。比如像疊衣服，我們采訪過很多身邊的朋友，其實大家都覺得這個功能他們非常需要，當(dāng)我們的硬件成本降到普通家庭可承擔(dān)的范圍內(nèi)，我們可能就會優(yōu)先，比如先以疊衣服的功能賣給家庭，然后逐漸去拓展一些其他的功能。所以這個時間線應(yīng)該也不遙遠(yuǎn)，可能也就在1~2年左右。

怎么樣，幾百美元可以幫你疊衣服、準(zhǔn)備早餐和做清潔的機(jī)器人助手，你會買嗎？

有關(guān)閉源模型的內(nèi)容我們就先聊到這里，但有一群人在用完全不同的方式做同樣的事：他們開源模型、他們分享數(shù)據(jù)、他們相信“聚沙成塔”的力量。他們說：“開放才能實現(xiàn)具身智能。”

下一篇機(jī)器人的文章我們會聊到：NVIDIA的“開放”到底有多開放？它和真正的開源有什么區(qū)別？為什么有人說GR00T N1是“偽開源”？Physical Intellig ence為什么要開源π0？一個剛成立、剛拿到投資的公司，為什么要把最核心的模型免費(fèi)放出來？他們的商業(yè)模式是什么？開源vs閉源，誰會贏？這場戰(zhàn)爭的本質(zhì)是什么？是技術(shù)路線之爭，還是商業(yè)模式之爭？