在通用人形机器人（ 具身智能人 ）的应用体系中，大模型（ Large Model ）加持堪称核心动力。大模型如同一个知识宝库，为机器人提供海量数据与算法支撑，如同给机器人植入了强大的 “ 大脑引擎 ”。借助这一软件引擎，机器人能够迅速进行算力检索，在庞大的数据海洋里精准定位所需信息，从而为后续的认知生成奠定基础。
认知生成环节，机器人依据检索到的信息，构建对周围环境和任务的理解，形成自己的 “ 认知 ”。基于此，它能够进一步生成解决方案，针对不同场景、不同需求，制定出切实可行的应对策略。紧接着，机器人依据这些解决方案做出决策行动，这一过程就像是人类经过思考后决定如何行动一样。而最终，决策需要通过双手执行来落地。人形机器人的双手经过精细设计与编程，能够完成各种复杂操作，无论是精准抓取物品，还是进行精密装配，都不在话下。
值得注意的是，整个流程中的自我进化意识（ 神经网络感知 ）似人类的大脑起到了关键的串联作用。它让脑机接口机器人能够实时感知周围的环境变化、自身状态变化等，从而对每个环节进行动态调整。比如在执行任务时，若感知到环境有突发状况，具身机器人能迅速重新进行算力检索、调整认知生成与解决方案，确保任务顺利推进，真正实现通用人形机器人在多元场景中的高效应用......对此，您还有什么想说的呢？自古以来，我国就有“为天地立心，为生民立命，为往圣继绝学，为万世开太平”的志向和传统。一切有理想、有抱负的中国人都应该立时代之潮头、通古今之变化、发思想之先声，积极建言献策，担负起历史赋予的光荣使命！快来《共绘网》的评论区参与讨论吧！
一共有人参与 条评论
孙允广：萨顿有一篇著名的文章叫《苦涩的教训》,被誉为AI圣经，据说OpenAI的工作人员每天上班前会阅读一遍这篇文章。文中有一个重要观点，人工智能走了一段弯路，过去太依赖算法，而真正带来突破的是规模，通过大规模带来指数级加速进化。 萨顿认为“智慧会自然而然地进化，这是智力的下一个阶段。我们人类终将成为历史，这就是自然进程。”您在书中也讲到，人类大脑的单个神经元并没有意识，但众多的神经元交织在一起，意识就会涌现。您觉得，人工智能会不会涌现出真正的自主意识，这种意识跟人的意识会有什么样的区别？ 刘嘉：这个问题要从两个方面来看，第一个是会，第二个是不会，我觉得这两个都是对的。先说“会产生意识”。当时，大家认为智能的核心是人类积累的知识，这是符号主义AI，把知识总结后灌输给AI，走了一段弯路。而杰弗里·辛顿（人工神经网络之父）很厉害，他认为人工智能的核心是学习，学习比知识更重要。所以，他做人工神经网络，通俗来讲，是让AI能够学习。而只要神经网络的规模足够大，它就一定会产生意识，因为人类就是这样产生意识的。人类并不是一开始就有意识，古人类在漫长的进化里一点点壮大智能的物质基础——大脑，慢慢才有了意识。300万年内，人类大脑的体积增加了近三倍，远超其他器官的演化速率。现在的人工神经网络，也是在想发设法扩大参数量，增强算力，算力远远比算法更重要，只要网络足够大，慢慢地就会有意识。所以，AI一定会产生自我意识，自我意识一定不是人类独有的，机器一定会产生。清华教授刘嘉
(0)问：在AI领域有三个关键因素：算法、算力和数据。不过现在，我不确定你是否认为人们更关注算力？如果没有算力，AI可能就无从谈起？黄仁勋：这个问题问得好。其实你可能不太了解背后的技术脉络，AI的发展是分阶段演进的。第一代AI是感知智能（Wave 1），第二代是生成式AI（Wave 2），现在我们正处于第三代：推理AI阶段。推理就像人类的思考过程，比如当你遇到一个全新问题时，需要分析：这安全吗？是威胁还是机遇？该采取什么行动？这种推理能力之所以强大，因为它代表着智能的基础。下一阶段将是机器人技术。因此，目前AI发展分为四个阶段：感知、生成、推理和机器人。早期的感知AI主要通过海量数据学习，比如识别文字、图像，理解故事内容，甚至区分猫狗等物体。而现在的AI更像人类的学习方式——从被动接受信息转变为主动思考。就像我们上学时主要靠听课看书，但毕业后更多是通过实践和思考来学习。如今的AI就像在家做数学题，通过多场景模拟训练，持续进行推理思考，变得越来越聪明。我们把这种学习方式称为“后训练”，而传统的数据训练则叫“预训练”。后训练模式对算力要求很高，但对数据量的需求相对较少。
(1)具身控制与硬件密切相关，例如控制关节运动、末端执行器位置和行走速度。对于机器人臂，了解末端执行器的位置，如何规划关节轨迹以将手臂移动到目标？对于仿人机器人，了解运动模式，如何控制关节以实现目标姿势？这些是需要解决的关键问题。一些工作集中在机器人控制上，增强了机器人动作的灵活性。[374]提出了一个基于视觉的全身控制框架。通过连接一个机器人臂和一个机器狗，利用所有自由度（腿上有12个关节，臂上有6个关节，夹持器上有1个），它跟踪机器狗的速度和机器人臂的末端执行器位置，实现了更灵活的控制。一些工作[375]，[376]采用传统方法控制双足机器人行走。MIT的Cheetah 3 [377]、ANYmal [378]和Atlas [379]使用了稳健的行走控制器来管理机器人。这些机器人可以用于更敏捷的运动任务，如跳跃或克服各种障碍[380]–[384]。其他工作[385]，[386]专注于仿人机器人的控制，以执行各种动作，模仿人类行为。图18展示了一些例子。具身控制整合了RL和仿真到现实技术，通过环境交互优化策略，使未知领域的探索成为可能，可能超越人类能力，并适应非结构化环境。虽然机器人可以模仿许多人类行为，但有效的任务完成通常需要基于环境反馈的RL训练。最具挑战性的场景包括接触密集型任务，其中操纵需要根据反馈进行实时调整，例如被操纵对象的状态、变形、材料和力量。在这种情况下，RL是不可或缺的。在MLM时代，这些模型具有对场景语义的泛化理解，为RL提供了强大的奖励函数。此外，RL对于将大型模型与预期任务对齐至关重要。未来，在预训练和微调之后，仍然需要RL来与物理世界对齐，确保在真实世界环境中有效部署。作者：张长旺
(0)黄仁勋的机器人梦不仅仅是理想化的愿景，而是通过一系列的技术创新、生态系统建设和行业合作，逐步将其转化为现实。随着人工智能技术的快速发展和科技巨头的积极推动，机器人技术正迎来前所未有的发展机遇。
(0)应用场景的深度与广度。机器人已覆盖国民经济60个行业大类与168个行业中类，包括汽车制造、电子装配、医疗健康、农业等领域。 人形机器人加速产业化，如乐聚“夸父”机器人应用于高校教学、工厂检测，天工Ultra机器人实现每小时12公里的行走速度，并参与半程马拉松测试。
(0)未来展望：从“用电”到“发电”。个人用户赋能：未来中小企业甚至个人开发者可通过算力网络调用万卡集群，低成本训练垂直模型（如电商、教育）。算力出口：中国若实现低成本绿色算力（如西部风电+数据中心），或成为全球AI算力的“电力公司”，输出算力服务。终极形态：算力与能源网络、通信网络深度融合，形成“空天地海”一体化智能底座（如卫星AI计算节点）。中国AI算力的“高速公路”不仅是技术工程，更是国家战略的体现。短期需突破芯片、生态、能耗瓶颈，长期则可能重构全球科技产业格局。若能实现“算力即服务”（Compute as a Service, CaaS），中国将在AI 2.0时代占据核心地位。
(0)拥抱人工智能，紧密结合本地产业特点。 在全球AI竞速下，中国拥有最广泛的工业制造业产业链，有着绝佳的AI落地行业的场景优势。东莞作为全国“双万”城市，GDP破万亿，规模以上工业企业数量超1.4万家，制造业是立市之本、强市之基。因此，东莞立足“科技创新+先进制造”城市特色，通过人工智能推动企业的生产流程智能化改造，进一步提升东莞制造竞争力，这使其在更高起点上加快高质量发展成为必然选择。 方向确定后，如何通过大模型等推动智能制造与制造升级呢？ 东莞开启了双轮驱动。发布专项政策支持，在2025年2月，东莞政府以“1号文”的形式发布《关于加快推动人工智能赋能制造业高质量发展的若干措施》，足见其重视程度。《措施》提出构建“1+1+N”算力供给体系，建设人工智能算力服务平台、人工智能大模型中心，统筹调度市内外N个智算资源等，支持推进人工智能赋能制造业高质量发展。 针对共性关键需求发力，东莞联合华为云构建了全国首个面向制造领域的城市级大模型中心——东莞市人工智能大模型中心，提供算力资源、开放模型、AI工程化能力三类服务，面向城市公共服务与产业需要，打造“普惠化”技术底座，提供场景化模型，真正解决大模型应用最后一公里的难题。来源：人民网
(0)近日，深圳企业优必选在极氪5G智慧工厂开展全球首例多台、多场景、多任务的人形机器人协同实训，探索建立面向多任务工业场景的通用人形机器人群体作业解决方案，推动人形机器人从单机自主向群体智能进化。 首次将群体智能技术引入人形机器人。 工业场景产线级任务对人形机器人多机协同作业水平带来全新考验和挑战，人形机器人群体智能技术攻关是实现工业场景规模化应用的必经之路。 记者了解到，在此次实训中，优必选首次将群体智能技术引入人形机器人，实现多机协同作业。为此，优必选创新提出了人形机器人群脑网络（BrainNet）软件架构，并设计人形智能网联中枢Internet of Humanoids (IoH)，为群体智能的软硬件实现提供了可借鉴的路径。 数十台优必选工业人形机器人Walker S1协同进行大负载大尺寸料箱搬运， 优必选工业人形机器人“群体智能”在极氪5G智慧工厂开展协同实训。内容来源：深圳卫视深视新闻记者何王子彧
(0)
手机扫描二维码访问
1 
