文丨苏扬
编辑丨徐青阳
具身智能是2026年世界人工智能大会最热话题之一，热到进馆参观，坐电梯都要排队。
和过往的很多展会一样，跳舞、打拳仍然是展会的主线之一。不过今年具身赛道里面的公司，都尝试通过一些生产场景的演示，试图摘掉“花拳绣腿”的帽子。
年初，我在《我们不需要100万台人形机器人》中提到过，人形机器人的商业化之所以先从跳舞、打拳开始，是因为这些场景相对简单。与此同时，把机器人送进工厂“拧螺丝”，也只是其众多商业化场景之一。
7月19日，在WAIC现场，小米机器人仿生操控负责人游洋威博士，阐述了小米在推动人形机器人进厂这件事情上的思考。
游洋威在WAIC大会进行主题分享
就在这次交流的前几天，小米在具身领域率先出牌。
7月14日，小米宣布，经过4个月的不断迭代，小米机器人在自攻螺母上件工站的双侧作业成功率从90.2%提升至98%，距离人工作业合格率仅差1个百分点。与此同时，还解锁了两项全新“实习”岗位——中控台侧盖板排序和料箱折叠回收，两项任务成功率均为90%。
随后7月15日，小米发布并开源具身领域首个统一生成模型Xiaomi-Robotics-U0——一个把场景生成、轨迹迁移、交互视频生成和通用图像编辑压进同一套底座的多模态自回归模型，一个380亿参数的“具身数据工厂”。
紧接着7月16日，小米再次官宣具身基座模型Xiaomi-Robotics-1，用超过10万小时真实操作轨迹预训练、再叠加跨本体数据后训练，主打“开箱即用”——给一句指令就能直接干活。该模型在RoboCasa365和RoboDojo两个权威具身榜单拿下综合排名全球第一。
具身智能正在从“能演示”往“能干活”走，小米一直是“大厂派”里的先行者。把视线拉到行业，我们会发现特斯拉、现代汽车也都是这一领域的同行者——特斯拉把Optimus直接放进自己的整车工厂去采集和验证；波士顿动力在被现代汽车收购后，Atlas从液压切到全电驱，工程化节奏明显加快。
另一方面，宇树、智元在运动能力上快跑，同时也都在推进进厂“实习”。更多的互联网大厂，则是尝试在基模层面入局。
摆在所有人面前的共同难题是数据——真实操作数据靠硬件、环境和人工遥操作采集，成本高、周期长、规模有限，谁先解决数据闭环，谁就先摸到规模化落地的门。
游洋威在交流中谈到“运动员型”机器人和服务型机器人的差别，他认为自己是服务型机器人的坚定拥趸，“我们的目标是做应用、做工厂、做更接地气的事，不仅仅是为了一个单点表演去做一个机器人。”在他看来，跳舞、空翻这类动作机器人已经能打到八九十分，真正难的是大脑和小脑的结合——让物理AI在真实工作生活里产生价值。
聊到工厂落地的难点，他转述了小米在真实工站上的体会：工厂对成功率、可靠性、节拍的要求是硬指标，传统工业机器人部署和换线成本都很高，而人形机器人的好处是可以像工人一样柔性作业、快速部署、快速学习。
“一台机器人坏了，换一台标准的上来就能干活。”游洋威说。
小米工厂产线中的人形机器人。图片经过AI处理
一个值得关注的问题是，现在具身领域的创业公司都是10亿、20亿的融资，小米的人形机器人业务会不会面临资金上的压力？这个问题雷军今年3月份就曾给过答案。当时雷军表示，小米未来三年将在AI领域（包括大模型、具身智能、AI应用等）至少投入600亿元。
除了拥有充足的研发“弹药”，在游洋威看来，小米还有众多具身领域创业团队不具备的落地场景和供应链资源整合优势。尤其是前者，小米自己有汽车工厂，场景就在手边，光线变化、车型差异、产线变更优化这些真机数据，初创公司很难常驻获取。
那么，小米究竟为何重押人形机器人，在本体之外，又如何探索数据和基模的进化和结合，以及而在推动机器人进场“实习”这件事情上，进展与挑战又是什么？
在一个多小时的交流里，游洋威逐一分享了他的思考。
以下为游洋威交流实录，在不改变原意的情况下有删减、调整：
01 小米为何押注“人形”？
Q：“运动员型”和服务型机器人，体质差别在哪里？
游洋威：“运动员型”对肌肉爆发力要求很高，你像人一样，其实也需要专门的训练。服务型机器人没有这么高的要求，对整体的硬件成本、负载这些反而有更好的优势。
打个比方，就像车一样——你造个越野车去城市里开，油耗是比较大的。运动员型机器人在工厂干活也能干，但它的电耗、续航肯定不如服务型。而且两者对电机选型等技术要求也有细微差别，目前技术条件下要做一个很好的融合还没有到那个技术点。
所以跳舞的机器人通常做得相对矮小、娇小，适合做高动态动作；但工厂作业其实对身材有具体要求，你才能干一些活。我们的目标是做应用、做工厂、做更接地气的事，不仅仅是为了一个单点表演去做一个机器人。
Q：大模型的加入，从本质上解决了机器人哪些核心痛点？
游洋威：大模型首先提高了机器人的通识能力，它对一些基础的理解已经有了——比如说桌面上有什么，它是能很好get到的，你跟它会话它也能很好地回答，对整个任务也能做比较好的高层拆解。
比如“把大象放进冰箱”，它能拆成三步：打开冰箱、把大象放进去、再关上。但确实难点是你怎么把冰箱门打开、怎么把大象装进去。就是大模型或者我们叫大脑的部分，和小脑的结合，其实没有我们想象的那么乐观。最开始大家觉得小脑嘛肯定小，大脑都搞定了小脑肯定很快就搞定，但实际上两者的结合还是有一些技术的难点需要去突破，结合没有想象那么容易。
Q：大小模型结合的难点具体怎么理解？
游洋威：大脑这块目前分几个流派了。有人会说是不是用多模态模型？这也是一个方向。去年的VLA，到今年年初就开始转向视频生成模型，所以大脑可能也分几个流派了。
小脑部分，或者运控这块，目前相对趋同，有一些主流的方案，它的模型训练基本都在仿真里面，用的方法也是强化学习，其实和整个操作是有比较大的不同。它俩怎么去做结合？怎么连接？目前确实还是一个开放的问题。
连接上之后还需要多少数据去把它俩融合得很好？大家还没有摸到这个线。前面有人说千万数量级，但这个也是大家一个希望是如此。
Q：最有技术突破意义的点是什么？
游洋威：最有价值的还是在大脑和小脑的结合——怎么把大脑的能力和小脑能力结合到一起，让物理AI在一个实际场景或者真正的工作生活中产生价值。但大脑和小脑的结合是目前比较难的地方，也是我认为最有价值、最值得去做的事，也是机器人的同学们最向往的一个状态。
Q：有没有必要所有部件都自己做？
游洋威：这确实取决于企业的愿景。
如果企业的愿景是最终的终局解决所有的问题，那可能需要去把整个产业链都搞通，虽然供应链也能帮你解决问题，但把各家的东西凑在一起肯定有不完美的地方，如果你想打磨一个最好的产品，那可能还得做一个深度的整合。但如果有些公司只关注大脑这块，找一个好用的本体不断地打磨大脑，那也是OK的。
02 进场“实习”的挑战
Q：小米机器人目前在工厂的运行情况如何？
游洋威：我们有很多试点的工站，现在做得比较稳定的是螺组上件。这个工站基本上每周会有时间在真实的工厂里面去测试，整个成功率从90%提到了98%，可能和熟练工人或者产品的要求还差一点点，还差一个百分点，后面会持续地去把这个工站做到真的落地。
在这个过程中，我们也在尝试新的工站——之前也披露了一些在组装车间的工作。
因为人形机器人的终极目标并不是说只是干一件事，还是希望能真的做到通用泛化，就是具身智能的愿景。之前工站的经验或者说数据能不能用到新的工站，这也是我们一直在尝试的。
现在新的工站可能成功率上还稍微差一点，但按我们现在的经验，用同样的方法其实能够很快提升到一个可用的阶段，后面也有机会能扩展到更多的工站，整个在稳步推进中。
Q：机器人进工厂干活，最大的难点是什么？
游洋威：难点确实还是有很多的。
首先工厂干活对整个成功率、可靠性有非常高的要求，这不仅仅是一个算法或者模型的事，对整个软硬件体系都有很高的要求——你不能出错、不能故障，这是最基础的，然后才说你的算法能不能干好。
回到算法模型这块，对泛化性、鲁棒性和各种异常情况的处理要求也很高。
还有就是除了能干活，还得干得快，得满足工厂节拍的要求。
还有一个大家经常提的柔性作业的问题——工厂里有很多传统工业机器人，它们也能干一些活，但部署成本、换线切换成本很高。你整了很大的机器放那里，万一坏了没有替补，因为它占着那个空间，检修周期很长。
我们希望人形机器人能像工人一样，支持柔性作业、快速部署、快速学习。一台机器人坏了，换一台标准的上来就能干活；有新的工单，培训半天工人就可以上岗，我们希望这样的机器人。
Q：真实工厂环境比仿真带来了哪些棘手挑战？
游洋威：首先是数据的需求。同样一个工站，在仿真里面变化很小，少量数据就能做，可以验证你的方法。但在实际场景里面，有各种各样你想到想不到的问题和变化——比如你在一个干净的环境可能只关心这一种场景就行了，但在实际工厂里，保不准对面的料架今天就被推走了，机器人站位也不是你想站哪就能站哪的。
还有各种异常情况：机器坏了、螺丝掉了，各种你都要去处理。工厂对整个成功率、稳定性、可靠性要求非常高，这些都是你要去cover的部分，数据量的需求会很高。
Q：现阶段制约具身智能落地的核心障碍是什么？
游洋威：简单一点的任务，最大的问题就是数据从哪里来。特别是在工厂这个场景，你要让工厂停工给你采数据，不太现实。你要说我再造几个工厂再去落地，这个成本也太高。高质量数据的获取是有难度的。
我们希望的是从一些简单可复刻的工站开始，先让机器人有一个基础的能力，上新的工站的时候通过少量的数据进行微调。所以我们希望能有一个好的基础模型。
Q：机器人达到什么指标才能正式上产线？
游洋威：工厂肯定是有硬指标的，比如说某个工站的成功率、合格率要达到多少，节拍要达到多少才行。但工厂里面的活很多，不是所有工站都在流水线上。我们现在也在尝试一些节拍要求没那么高的，比如说物流区域的一些分拣排序、料箱折叠这些，只要能把活干好就行。所以这个可能还是一个弹性的，分工站而定，不能说那么死。
Q：能讲一个具体的工厂应用场景吗？
游洋威：螺柱工站——把一个螺柱从送钉机上放到一个自动旋拧的台架上，四个角每个角放一个，然后旋拧的机器会把螺丝固定到汽车的后底板上。这个工站目前还是由人来干，因为不同车型固定的位置其实不一样，你用机械臂也能干，但整个调试成本很高。
还有贴车标——汽车前车盖那边有个车徽，机器人能从保温箱里把车标拿起来，贴上去，再做一个按压保压，实现贴合。
还有盖板排序工站，件比较大，操作的时候对机器人运动的幅度、动作幅度都有比较高的要求，同时还要保持平衡，这是我们故意去挑战的一个工站。而且它是一个柔性件——就像穿针引线的时候，那个线比较柔，你很难判断它准确的位置，操作过程中也很难避免碰到什么，就要求你对这个东西有实时的反馈，然后做适应、做调整。
料箱折叠工站是之前料箱搬运的延伸，这个技术难度更高——料箱那边有个拉环，你需要很好地控制接触力，还有指尖灵活运动把它抠开，同时为了保证节拍还需要双臂的协同配合。目前可以连续作业，成功率也很高，但效率上比熟练的工人还是略差一点点——已经超越了非熟练同学的操作速度，但和熟练工人自己去操作还有点差距。
我们仔细观察了一下，发现人在叠料箱的时候翻第二面，像我们机器人不会把第二面转过来再扣，人其实直接摸过去一扣就结束了。工厂里有很多这种小细节，看着不起眼，但对整个作业效率有很大影响。
Q：用机械臂部署成本有多高？人形机器人什么时候能追平？
游洋威：人形机器人肯定比简单的工业机械臂目前看要贵一些，但是因为人形机器人现在还没有做规模化的量产，如果真的上量之后，它的成本是有可能做到更低的。工业机械臂的生产精度要求都很高。
但除了成本这一块，还有一个隐藏的部署成本——工站要是坏了，整个工厂停线的风险是很高的。人形机器人的好处是，它可能走出来再换一个就好了。
03 具身的GPT-3.5时刻
Q：数据量到千万小时级，能实现具身智能的GPT-3.5时刻吗？
游洋威：我觉得这确实是一个有点乐观的估计，但个人也愿意去相信这一点。因为在数据量没有达到之前，其实很难说到底什么时候是我们真正的GPT-3.5。参照汽车那边千万公里级，至少实现了一个比较好的自动驾驶的能力。
机器人的话，整体任务的复杂度、多样性其实要比汽车更复杂，所以大家会提千万小时，因为小时可能比公里要再多一点点。很难说是不是真的有这个数量之后就真的能解决所有的问题，可能有点乐观，但从目前这个阶段，大家应该先努力到这个程度再去看。
Q：数据集开源对小米和行业帮助大吗？
游洋威：帮助还是非常大的。目前机器人数据采集成本还是很高，如果没有这些人去做开源的话，会把很大一部分研究者排除在外。
不仅是数据，算力这块也是。
但要攻克这件事情确实需要很多聪明的大脑，有时候需要一些点子，需要更多人参加进来，所以开源可以让大家一起合力，因为单靠一家成本确实太高。小米其实也在做类似的事情，最近也开源了U0的生成模型，它可以帮助做数据增强。生成模型的成本比真实去采集低很多，多样性其实基于模型能力，扩展性相比真的去采是容易很多、成本也低很多。
Q：工厂数据有反哺到机器人设计吗？
游洋威：有的。工厂有大量的数据统计——比如说这个工站需要多少个人、花多长时间、搬运的东西在什么样的尺寸之间、设备扭矩在什么范围。它会反过来对我们机器人的设计有一些要求。
比如说我们调研过，工业要求搬运公斤得在15千克以下，我们拿到这个要求之后就可以跟设计同学说，如果要进工厂的话，设计的负载要求在什么范围，就不会做更多冗余的、没有用的设计。
还有每个车型不一样，需要机器人操作的空间纵深也不太一样，这些数据对机器人的本体设计或者本体的要求是一个很好的参考。
04 有关泡沫、中国人形机器人的判断
Q：国内人形机器人在全球处于什么真实水平？
游洋威：整个行业还都处于一个探索的阶段，大家在某些方面其实确实都有领先性。
你看很多全球的公司，像特斯拉、Figure他们也在做类似的场景，其实和我们相比，至少看起来水平相当。Figure可能没有自有的工厂，我们在真实工厂里面打磨了很久；特斯拉从公开的信息看，没有披露特别多在真实场景的应用。所以从公开信息来讲，我们在行业内还是顶尖的。
Q：机器人处于汽车发展的哪个阶段？
游洋威：L2的早期。在有人看护的情况下，机器人现在还是可以自主做一些事情，但是完全脱离人的监管还不行，需要人的干预。而且它的普及量、完成的效率和汽车现在的L2还是有比较大的差距，所以只能说从技术上可能是L2，但从成熟度上还是非常早期。
Q：今年是量产元年吗？80%的厂商会死掉怎么看？
游洋威：“量产元年”这个词已经听了好几年了。大家的期许很高，这也是我们一直在做的。只能说大家化压力为动力，因为这是机器人产生价值的必经之路，机器人如果无法产生实际价值，它的价值还是有限。
Q：具身智能有泡沫吗？泡沫会破吗？
游洋威：我觉得还好，因为整个的愿景够大，它对整个能改变的事情会特别的多，或者说未来足够宽广的话，总有源源不断的人和资源投入进来。会有偶尔的小低潮，但肯定是一个长期发展的方向。
Q：人形机器人在工厂的优势有多大？
游洋威：这个优势可能就和谁比。如果从负载、能耗这块比，相比轮式的肯定要差一些，这个毋庸置疑。但在狭窄的空间，比如螺柱工站，工厂的排布有时候非常紧凑，轮式底盘可能过不去。而且工厂的设计是根据人体情况去设计的——工位要做多宽、通道要做多窄、人手能不能伸得进去。人形可以1:1适配，你不用特别考虑通过性。但如果是异形的，你就得每个路段check一下行不行，不行要做改装，这些都是成本。
Q：为什么同时做双足和轮式？
游洋威：先做难的再做减法。人形做通了，换成轮式很简单。有些工站我们用人形上半身，下半身其实是轮式的，作业稳定性、续航确实会有优势。用人形做完再去做轮式确实会简单很多——来了一个新的工站，如果人形能搞定的话，轮式肯定能搞定。如果我们真的想部署，就把它换成轮式就好了。
Q：工厂和家庭哪个会先落地？
游洋威：如果是真实的、大规模的落地，工厂会更早。工厂是一个结构化可控的环境，法规、安全等约束更简单，更容易落地，可控性更强。家庭或者普通的消费场景要求会非常高，安全性这些要求也很高。就像自动驾驶，其实相比机器人复杂程度是低的，数据量也更大，但做了这么多年还是有各种各样的长尾问题，你不能从L1直接就切到L3。机器人在消费场景也会有类似的问题，所以落地的时间会拉得比较长。从这个角度，工厂会更早地落地。
Q：跟纯机器人厂商相比，小米的优势和区别在哪？
游洋威：小米的平台优势非常好，可能是最有硬件基因的互联网公司，能整合的资源非常多。有汽车、手机的硬件供应链来支撑机器人。同时有大语言模型的积淀来打造机器人的超级大脑，整个资源整合相比纯机器人公司有比较大的资源优势。
而且做产品最重要的是要了解目标用户需求，工厂的痛点我们自己干过就知道。
还有一个很实际的优势——场景。比如Figure要跟宝马合作，但小米有自己的汽车工厂。
作为初创公司，说服一个汽车工厂为你改造产线，成本和风险都很难。拥有场景之后，经验反哺和进化会比别人快很多，也更贴合实际需求。比如工厂里光线变化——阴天、雨天、冬天、夏天、夜间完全不同，除了我们自己的工厂，很难有初创公司能常驻在里面获取想要的数据集。