如何开启机器人发展的数据飞轮？深度解析机器人大脑与未来趋势

近期，ChinaTalk采访了前谷歌DeepMind科学家、现英伟达研究员Ryan Julian，讨论了机器人革命的核心议题，包括AI在物理世界的应用、数据飞轮机制等。以下是我们对访谈观点的梳理，并结合衍生思考。原文链接：https://www.chinatalk.media/p/the-robotics-revolution

1、Ryan Julian的关键观点

Ryan Julian强调，机器人是AI在现实世界的具身形式，其环境高度复杂、多变且不可逆转，因此机器人大脑开发难度远超虚拟AI模型。

1. 过去，机器人大脑主要通过人工规则训练单一任务。现阶段，产业追求通用型机器人，需开发基础AI模型，实现多环境、多技能学习。目前，机器人大脑基础模型仍处于探索阶段，尚未迎来如ChatGPT般的突破时刻。
2. 虽然机器人的终极目标是替代人工，但短期内主要辅助人类，对就业影响有限。西方对机器人威胁就业的担忧可能阻碍产业发展。
3. 机器人领域长期小众，许多工作需从零开始。但可借力其他领域技术，如无刷电机和电池进步，这些已在电动工具中应用。
4. 端侧 vs 云端推理：基础运动如步行需端侧实时响应，而高阶任务可考虑云端支持。
5. 数据瓶颈是机器人大脑模型开发的核心问题。与LLM不同，机器人训练数据稀缺，且多样性比数量更关键，需要覆盖各种任务。
6. 理想状态是建立数据飞轮：部署更多机器人积累数据，提升能力，再推动进一步部署。但面临鸡蛋问题：在证明经济性前难以大规模部署。
7. 训练路径包括强化学习、模仿学习（人类示范）和虚拟模拟（如中国机器人跳舞演示）。此外，探索从YouTube视频学习人类任务，但仍早期。

2、中国机器人公司的潜力与预期差

Ryan Julian认为，中国公司聚焦硬件销售、量产和降本，而海外公司强调机器人大脑和整体解决方案，不急于市场推广。这隐含海外在机器人智能上的优越感。尽管承认中国进步迅速，但他认为机器人大脑若有壁垒，海外更具优势。

然而，我们认为需重视机器人大脑开发，同时Ryan可能低估中国潜力：

1. 中国策略正针对数据瓶颈：优先生产、销售大量机器人硬件，不计经济性，先积累数据，跑通数据飞轮。得益于投融资和政策支持，中国公司避免海外“研究多年却未放量”的困境。
2. 中国机器人公司如宇树科技，正转向AI算法招聘，重视智能水平。
3. Ryan对特斯拉机器人认知不足，仅视其为叙事。事实上，特斯拉已推进硬件研发，并初步跑通基础模型，采用类似中国策略：先部署硬件，再迭代数据。

3、特斯拉机器人的大脑开发进展

Salesforce CEO拍摄的特斯拉Optimus视频广传，但许多人未觉其惊艳，误以为宇树机器人跳舞更出色。

实际上，宇树演示仅展示硬件和小脑能力，而特斯拉视频揭示大脑智能：机器人流畅对话、理解意图并执行任务。这在开放环境中罕见，其他演示多为预设动作。

我们推测，特斯拉采用端到端VLA模型（视觉-语言-动作整合），非模块式。马斯克注重第一性原理，此视频标志端到端模型初步成果。视频后，供应链传V3量产消息，预示数据飞轮开启：部署机器人、积累数据、迭代能力。

国内机器人产品多具成熟硬件和小脑，但大脑能力尚早。随着数据丰富，机器人大脑模型有望突破。