近日，一場被一些業內人士視作是“中國具身智能路線之爭”的學術爭論，引起了機器人行業的討論。
一位討論參與者是許華哲，來自清華大學交叉信息研究院（簡稱“清華叉院”），是中國科技頂尖人才培養機構的助理教授，同時也是機器人企業星海圖的聯合創始人。另一位則是亞洲第一個獲得IEEE T-RO最佳論文獎的周博宇，他是獲得該機器人領域頂級期刊獎項的“亞洲第一人”，同時也是南方科技大學的助理教授、博士生導師。知乎平臺中，他們圍繞“機器人領域特殊任務研究是否有價值”等話題展開了討論。
前者主張“特殊任務研究”于學科有益，但對于推動具身智能的發展“幾乎沒有用處”。后者則主張無用之用方為智能基石。5月23日，第一財經記者分別采訪了許華哲、周博宇以及其他業內人士后了解到，在二者觀點的分歧和共識之外，這場爭論折射出了學界對技術決定論的警惕，更直接對行業進行了“糾偏”。
在資本追捧大模型、企業砸錢秀肌肉的浪潮中，究竟該押注通用顛覆，還是深耕工業現場那些“不夠性感”的工程細節？這是每一位具身智能從業者必須親自探索的命題。
針對“特殊任務”的研究是否有意義？
整場討論的原點，是許華哲在知乎上發表了一篇名為《具身智能需要從ImageNet做起嗎？》的文章。
許華哲在其中提到，傳統機器人學有相當一部分的研究重點在于“特別”的機器人或者“特別”的任務。比如一個蛇形機器人、一個老鼠機器人，或是讓機器人去包餃子、抖落衣服。這類“特殊任務研究”的任務對科學雖然有用，但對“推動具身智能的發展幾乎沒有用處”。
“我認為這種觀點顯然不對。”在《具身智能：一場需要謙遜與耐心的科學遠征》中，周博宇直接指出，具身智能本身是跨學科產物，它的發展必須依賴具體科學問題的突破。他以波士頓動力和蛇形機器人的研究為例，指出波士頓動力早期研究足式機器人時，沒有人能預見其動態平衡算法會成為現代人形機器人的核心；蛇形機器人研究中的柔性驅動技術，也直接推動了醫療內窺鏡機器人的發展。“這些看似無用的特別任務，都推動了科學的進步，以及具身智能的進步。”
針對特定場景的研究，對于行業來說的意義究竟有多大，成為了二者討論的核心矛盾。在許華哲看來，按照深度學習、計算機視覺領域的發展規律，推動力主要來自ImageNet這樣的標準化數據集以及ResNet或Transformer這樣的通用模型。例如流水線分揀、零件拋光打磨等“特別的任務”，短期內有經濟價值、創業需求，但長期會被具身智能的進展淹沒。
許華哲向第一財經記者進一步解釋，以機器人的局部運動為例，在強化學習為主導的方案興起前，人們利用控制手段也能讓機器人完成特定任務，如在草地上行走、跳舞等。“不過，直到強化學習應用于此，機器人才具備了從平地到草地、山地、跨臺階等只用一套系統就能應對的能力。”
“只要通用智能做成，各種細分領域的問題也將迎刃而解”的觀點，被周博宇視作是“通用大腦優越論”。他提到，即便是人類自身，在掌握某項特定技能時，也必須經歷反復錘煉，方能得心應手。“通用智能無疑是一個宏偉的目標，但與此同時，我也希望青年學生與工程師們能關注到一些更為具體、務實的產業需求。”
汽車總裝車間中亟待解決的線束整理難題、半導體封裝環節對高精度和高穩定性的嚴苛要求……“這些看似‘不夠性感’的工程細節，恰恰是錘煉真正智能的淬火池。”周博宇說。
在“不夠性感”的工程細節里尋找技術拐點
二者的討論發出后，很快引起了業內多位人士的轉發。
科大訊飛機器人首席科學家季超告訴第一財經記者，自己對二者的觀點都很認同。對技術迭代的追求和工程化落地的能力，對于現階段的具身智能而言同樣重要。“表面上看，一個驚艷的模型或巧妙的算法，可能令人眼前一亮，但如果缺乏長期工程化落地的經驗積累、真實場景中的反復打磨，以及對細節極致追求的‘臟活累活’，這種優勢很容易被復制甚至超越。”
杭州鈦維云創的創始人兼CEO張磊也很快轉發了二者的討論。作為聚焦于紡織行業的具身智能企業，在大部分的工作時間里，張磊都在處理一些“不夠性感”的工程細節。“機器人的夾爪怎么去抓牛仔、棉麻、絲綢等質地不同的布料，怎么遷移、縫紉，這些都需要我們針對特定的任務和場景進行重復訓練。”
但在贊同周博宇“通用性無法脫離具體性而存在”的觀點之外，張磊也同樣認同許華哲對機器人數據和仿真訓練環境的觀點。
“就像許華哲說的那樣，在虛擬世界中的仿真訓練和海量的數據并不是萬能解藥。”他告訴記者，在機器人的訓練里，模擬不同狀態物體所需要的數據量不同。如果想要訓練出一個能夠操作五個自由參數量的剛體機器人模型，仿真環境需要模擬的數量級可能在十的五次方。
但如果想要訓練機器人“大腦”，也就是搭載在實體硬件上的大模型操作柔性物體，由于柔性物體參數可能有上百個，那么模擬環境數量的量級可能就會指數級增加，成本和技術難度都有所飆升。“因此，我們現在會采用真實數據‘反標’的手段，來補償虛擬環境缺失的精度和真實性，用50%的真實數據和50%的仿真數據來訓練大模型。”
不過，就未來的發展方向而言，張磊坦言“自己也沒有理清”。他告訴記者，具身智能仍然處在一個探索的初級階段，自己無法打包票哪一種技術方案更好、會走到最后。
當前，在大模型落地的方案中，出于安全和穩定性考慮，張磊將整個流程85%-90%的部分都采用了基于經典控制理論的建模方法，剩下的10%-15%則采用了基于強化學習的智能學習算法。“相比VLA（Vision-Language-Action，視覺語言動作）或者端到端的模型，客戶更注重安全性，這也是我們采取這個方式的主要理由。”
盡管如此，張磊仍然和許華哲、周博宇一樣，相信機器學習會成為具身智能未來的主流。周博宇說，“設想如果我們能徹底理解人腦的工作機制，甚至創造出超越人腦的新架構，那我們就有望僅憑少量數據快速掌握多種技能，突破傳統模塊化系統的性能天花板，這是很符合自然的。”他認為，這不僅依賴于AI本身的發展，還需要腦科學、類腦計算等多學科的協同突破。
觀點競合糾偏行業發展
第一財經記者看到，討論雙方的觀點并非全部“針鋒相對”。許華哲也向第一財經記者坦言，傳統的機器人訓練方法在今天依然有他的價值。周博宇也在交談中告訴記者，當學者在探索一些此前從未有人想過的東西時，有機會激發產業需求，帶來技術的收斂。
談及周博宇對自己觀點的討論，許華哲告訴記者，這正是自己發表文章的目的之一。“我本身也很期待有人跟我展開討論這些觀點，我和周老師私交很好，除了周老師以外，還有不少人主動跟我私聊。”
而另一邊，周博宇也表示，自己這篇文章“醞釀了很久”。“近兩年，這個行業的發展超過了我和身邊朋友的預期，在這個過程中會有一些激進、極端，甚至有一些喧嘩的聲音，學術討論本身能夠起到一個糾偏的作用。”
立德智庫數據顯示，2025年4月，中國機器人行業融資數量超過45起，環比增長9.3%。根據已披露金額及行業估值測算，預估總融資金額達60.5億-71.5億元，較3月的18.5億-25.3億元實現了2-3倍增長。
從技術路徑上來講，VLA模型已經成為了各家企業“秀肌肉”的重點。今年年初以來，Figure AI、Physical Intelligence、英偉達、靈初智能等多家企業都發布了VLA模型。在這些VLA模型的展示demo中，大多數都體現了語言交互和語言動作跟隨的能力。
“語言理解雖是直觀的智能表現，但執行層面的薄弱讓技術難以落地。”周博宇以工業、醫療等場景舉例，他認為，在這些場景當中，高精度運動控制、觸覺力覺反饋等能力遠比語言交互關鍵。周博宇提到，他擔憂過度聚焦語言會導致資源錯配，“企業為了融資，不得不分散精力做‘秀肌肉’的功能，反而忽略了場景的真實需求”。
在許華哲和周博宇的觀點里，“長坡厚雪”是他們對這個行業的共識。這場爭論的價值，或許正在于撕開技術理想主義的面紗，讓行業在狂熱中看清現實。在具身智能技術拐點到來之前，機器人的競爭與合作，不僅僅在企業渲染的demo視頻中，更在那些“不夠性感”的工程細節里。
鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播更多信息之目的，如作者信息標記有誤，請第一時間聯系我們修改或刪除，多謝。
