近日，逐際動力創始人張巍久違地露面，在公開場合首次發表了一場演講。除了明確逐際動力的定位和產品方向外，他對當下機器人、無人駕駛行業的主流技術、商業化路徑也進行了分析。

RoboX對其演講內容進行了如下摘要整理：

“機器人永不會代替人”

張巍認為，具身智能是當下最火的一條賽道，盡管它目前仍面臨很多問題和質疑，但背后還是有一個共識——具身智能是未來十年人類最重要的科技革命。

如果機器人的定位是「代替人完成可以改變物理世界的任務」，這其中就有兩個關鍵詞——「代替人」和「任務」，它們看似簡單，其實往往是巨大的陷阱——如果不理解透這兩個詞，具身智能落地就會變得異常復雜。

他表示，逐際動力（以下簡稱「逐際」）的觀點和定位，并非是讓機器人去代替人，而是Empower人——“機器人永遠都不會代替人，它背后的邏輯是很復雜的。”

首先，張巍用兩個具身智能類型，分析了其背后的商業化難點。

1、機器人+AI：他表示，上一代的機器人+AI模式已經做很長一段時間，這是商業化最難的方向，它其實可能只是「海市蜃樓」。

此類機器人能在工廠里能完成非常復雜的分揀任務，或者快遞包裹分揀。但是它們在真正的商業閉環上，還是有很多挑戰的：“沒準賣出去的那一剎那，就是賠錢的開始。”

2、無人駕駛：在張巍看來，從2016-2024年，無人駕駛已經發展了很長時間，卻仍難以評判其成熟度——“當感覺找到「技術開關」時，卻還是有「最后的10%」的難度是無法估計的，恰恰就是這10%，是影響整體發展的關鍵。

”同時，其商業價值也很難判斷。因為代替人，和協助人，這兩件事是有本質區別的，它們有著不同的商業模式，也會帶來不同的產品，這兩種產品所經受的打擊是完全不一樣的。

讓機器人「用起來」其實非常簡單，可是形成商業閉環卻非常難。現在上路的無人車，或者配送車的本體，都不是主角，在整個商業價值鏈條里占比不到10%。

同樣的，機器人產品本身也只占商業鏈條的不到10%，剩下的部署維護、改造場景，協作關系等部分才是最大的開銷。所以機器人不光有好的本體，還一定要有數據工具、訓練工具、部署工具，以及維護工具，這一整套的效率體系才是競爭力，而非本體。

同理，如果想讓機器人代替人，并非改變本體的問題，而是要改變一整套協作關系。

大語言模型，能做的仍很有限

現在提到具身智能，都會聯想到與大語言模型的結合。

例如，要想將人類的意圖告訴機器，就需要task encoding或者embedding（任務編碼或嵌入），大腦要先對task進行處理和決策，再由小腦去執行運動。

對比起來看的話，無人車是非常簡單的具身智能任務，因為其任務定義很明確，唯一目標就是到達目的地，在結構化的道路上移動。而且，無人車的「小腦」就是底盤和域控制器，如今也已經非常成熟。

即便如此，張巍也不認為目前的無人駕駛可算作「完全替代人」：“它本質上還是AI+人。我不覺得目前有完全交給AI的無人駕駛，只是用技術改變了人開車的方式。”

而對于具身智能來說，完全代替人類更加困難。

張巍用一個很簡單的任務舉例：給我收拾一下桌子。可這樣的任務卻很難被拆解和執行。

“如果沒有大語言模型，大家甚至都不太敢想這樣的任務。但現在只是敢想，具體怎么做還不清楚。”

應當「押寶」哪種本體？

理想化的想法，是用數據堆出一個「具身大腦」，同時也有通用小腦+通用本體，就能完成各種任務。

但是張巍認為，采用一致的通用本體形態，是沒有必要的。對此，他總結出現有的四大本體類型：

• 1、機械臂，它的控制器小腦極其成熟。
• 2、輪式底盤+雙臂，它的控制器也相對成熟。
• 3、人形+人形特有的小腦。
• 4、人形的下半身，只有雙腿或四腿，主要完成locomotion（移動能力）的任務。

（逐際動力 - 人形機器人CL）

本質上機器人就在做兩件事：代替雙手、代替雙腿。他認為，在行業發展過程中，創造最大價值的應該是這兩類本體，所以逐際也是選擇做這兩類。

“押寶押哪一個，去做哪種本體？我認為這不是一個好問題，好的問題是‘這個行業還需要發展哪一種本體’。”

在他看來，要想做高價值的本體，需要3個條件：1、目前在物理世界中尚不存在；2、原理上可支持被做出來；3、未來一定是機器人形態中的一種。

模型就像牛頓定律

只是歷史數據的壓縮

“大家希望用一個大模型，就做成整個大腦。其實這是個不切實際的想法，其實要好多大腦。而且現在我們不缺某個領域里的大腦，我們缺的是學習的能力，也就是對數據高效處理的能力。”張巍說道。

不可否認的是，仿真是一種對模型的使用方式，且仿真和模型對數據的發生和產生都有巨大幫助。但是模型是歷史數據的壓縮，就像牛頓定律是對所有運動物體的數據的一個壓縮，只不過壓縮得比較好。

“牛頓定律和大語言模型沒有任何本質的區別，它只是這一類數據中最好的壓縮方式。所有壓縮好的數據，都可以用來作為數據的生成，產生新的數據，幫助推進泛化。”

他指出，操作的泛化性有好多種，有分模塊的，有端到端的，它們本質是對數據的利用和假設的不同方式。

“但是當前，我們的所有數據處理方法都難以達到理想中的功能需求。所以現在不能盲目地要追求在一種方法上去堆數據提升性能，而是要找到我們認為的‘曲線D’，也就是我稱之為‘性能數據比’或者‘數據性能轉化率’的一條曲線，現在還不是一個堆數據的時候。”

那么，怎樣才能找到更好的數據利用率？張巍表示，其實從容易獲得的規則數據中，還是有很多信息能幫助我們指導操作的泛化性的。

他展示了一個逐際動力的案例——不利用數據，完全通過text prompt，讓大模型生成人類操作的視頻，就能指導協作機械臂完成操作任務。

“我們的數據利用率，可達當前算法的100倍。”張巍說道。

他表示，逐際之所以做人形本體加全控小腦，是希望將「未來一定有用，現在還沒有做得很好」的這一類東西做好。

同時，逐際也在研發低成本的具身大腦工業母機，探索一種新型的學習訓練方式，以求可以在任意領域中以更高的效率去完成可泛化的任務。

張巍強調稱，逐際動力的核心的定位一直都是Empower innovators：“我們不直接進工廠，我們的定位是希望做具身智能的英偉達，將具身智能創新、落地的效率提升百倍千倍。”

據他透露，目前逐際的人形機器人（大負載全身搬運）已經用最低成本的方式完成了原理驗證，而且是在驗證目標沒有被取舍掉的前提下。

同時，逐際還即將發布第一款全尺寸人形機器人，能夠原地起立、直膝行走。