ITBear旗下自媒体矩阵:

人形机器人落地卡在哪?蚂蚁灵波朱兴谈具身智能瓶颈

   时间:2026-11-22 00:37:44 来源:小熊财经编辑:快讯 IP:北京 发表评论无障碍通道
 

2026年,人形机器人加速走出实验室,但能真正投入生产任务的仍是少数。Counterpoint Research统计,上半年全球人形机器人出货量超过2.2万台,同比增长接近300%;其中智能制造和仓储物流占比分别为13%和5%,文娱商演、科研与数据采集等用途仍超过六成。

在蚂蚁灵波具身大模型挑战赛上,15支团队使用同一开源预训练模型LingBot-VLA 2.0,在相同机器人硬件和算力条件下,围绕果蔬抓取、化妆品收纳和双臂清扫展开真机测试。48小时内,参赛者补充训练数据、引入外部感知模型、优化机械臂控制,试图提升不同任务的执行效果。

现场暴露的问题很典型:机器人能发现目标,却不一定抓得准;训练完成后,环境稍有变化,执行结果也可能改变。有团队按原始数据抓取簸箕手柄时,夹爪接触面积偏小,簸箕容易滑动甚至翻转。该团队放弃原有示范数据,重新采集334条操作轨迹,把夹持位置改到簸箕后沿,抓取才更稳定。

还有团队发现,机械臂向外伸展时末端位置与预期有偏差,物品放入收纳盒时可能碰到盒体,只能通过额外测量和位置补偿提高精度。另一支团队复盘时找到,工作台与机械臂的距离比别的场地多约5厘米,机器人因此反复放错层级,甚至无法触及部分目标。

一些团队借助千问等视觉语言模型定位物体,再用背景弱化降低干扰;也有团队用DeepSeek解析任务指令,通过SAM3分割目标,把无关区域亮度降到原来的10%,让视觉语言动作模型更集中于抓取和放置。这些尝试说明,即使有通用大模型能力,机器人仍需针对具体场景训练和优化。

真实环境比测试场复杂,光照、物体位置和操作对象的细微变化,都可能让原有方案失效。增加数据也未必一定让机器人更聪明。有团队在重点补充部分任务数据后,模型遗忘了原先掌握的操作;还有团队过度训练清扫前半段动作,机器人完成后续倾倒垃圾时不够流畅。

中国信通院与清华大学今年10月联合发布的《具身智能发展报告(2026年)》指出,受控桌面操作评测已接近饱和,但在环境扰动下模型性能普遍降到30%以下,精细操作、长程多步任务和开放语义交互仍是明显短板。

11月16日,蚂蚁灵波CEO朱兴对观察者网等媒体表示,具身智能还没有迎来真正的Scaling Law时刻,行业尚未找到能够稳定推动模型能力持续跃升的数据路径。他认为,不同类型数据适合不同训练阶段:互联网操作视频、第一人称视角数据更适合规模化预训练,拆垛、上下料、物料分拣等任务则更依赖贴近真实环境和机器人本体的真机数据。

朱兴也提醒,数据不是越多越好。若没有数据采集经验与质量控制方法,盲目扩大规模可能造成资源浪费。需要什么数据、补充哪些场景、怎样控制数据分布,都应由模型训练需求来决定。

技术之外,商业成本同样决定机器人能走多远。朱兴此前提到,具身智能落地受能力和成本双重制约。环境越开放、任务链条越长,异常情况越多,若创造的价值无法覆盖成本,商业模式难以持续。即便机器人能在一家药房工作,复制到另一家门店时,布局、商品种类和摆放方式不同,仍会带来较高适配成本。朱兴认为,根本原因是具身模型泛化能力不足。

《具身智能发展报告(2026年)》还显示,相当比例的设备月均开机天数不足10天,整机价格只占全生命周期成本的40%至60%,部署调试、系统集成和运维等持续投入无法回避。

不过,具身智能产业已经开始进入实际作业。Counterpoint Research今年8月报告指出,随着机器人模型能力提升,下半年会有更多工业和商业服务领域机器人试点进入批量部署阶段。制造业上下料、物料搬运、仓储分拣等任务较明确、环境较可控的场景,有望率先形成稳定需求。

朱兴在11月16日还表示,与去年相比,工厂和物流场景试点不断铺开,复杂真机操作案例逐步增多。模型能力虽然没有颠覆性质变,但已出现量级提升。机器人要进入物理世界工作,关键仍是任务成功率、作业速度以及成本是否可控。

 
 
 
更多>同类资讯
全站最新
热门内容
网站首页  |  关于我们  |  联系方式  |  版权声明  |  争议稿件处理  |  English Version