界面新聞?dòng)浾?| 李如嘉
界面新聞編輯 | 文姝琪
在智元位于上海張江機(jī)器人谷的數(shù)采工廠里，采集人員正在操縱機(jī)械臂完成數(shù)據(jù)采集。從夾取各類物品，到鏟貓砂、晾衣服，工廠里設(shè)置了多個(gè)細(xì)分場景，每隔一段時(shí)間就會(huì)進(jìn)行更換。去年，智元數(shù)采工廠采集了100萬條數(shù)據(jù)，今年希望能有1000萬條數(shù)據(jù)產(chǎn)出。
在姚卯青的構(gòu)想下，如果能夠有一億條真機(jī)數(shù)據(jù)，機(jī)器人就可以達(dá)到類比ChatGPT-3的智商，與常見物品、設(shè)備互動(dòng)，并與人類進(jìn)行簡單交互。
姚卯青畢業(yè)于清華大學(xué)電子工程系，曾在Waymo、蔚來汽車等任職。2024年，他加入智元，擔(dān)任合伙人、具身業(yè)務(wù)部總裁、具身研究院執(zhí)行院長，負(fù)責(zé)AI技術(shù)開發(fā)及軟件研發(fā)工作。
成立于2023年的智元機(jī)器人，是目前中國估值最高的具身智能企業(yè)，最新估值達(dá)150億，融資方有紅杉中國、高瓴等投資機(jī)構(gòu)，也有上汽、比亞迪等車企，以及騰訊這樣的大廠。
作為曾經(jīng)的智能駕駛從業(yè)者，姚卯青認(rèn)為，與智能駕駛相比，具身智能雖然在硬件系統(tǒng)架構(gòu)上非常類似，但在技術(shù)、場景和應(yīng)用等方面都有更大的想象空間，大模型的突破則讓大家看到了具身智能成功大規(guī)模落地的可能性。
他提到，具身智能真正的壁壘在于操控和大腦。而要完成這些，需要大量數(shù)據(jù)，這也是智元成立數(shù)采工廠的原因。他的樂觀估計(jì)是，再需要五年，機(jī)器人或許就可以進(jìn)入家庭，而在第一階段，工廠仍是具身智能最大的需求方。
“機(jī)器人不是大模型，最終還是要拼硬件、拼制造?！币γ嘣诓稍L中還表示，在機(jī)器人實(shí)際落地中，管好一萬多個(gè)零件的供應(yīng)鏈，實(shí)現(xiàn)規(guī)?；慨a(chǎn)是一大難關(guān)。截至目前，智元已量產(chǎn)下線1000多臺(tái)機(jī)器人，今年的出貨計(jì)劃保持在數(shù)千臺(tái)。
在他看來，主流資本已經(jīng)站好隊(duì)，留給新成立的公司的機(jī)會(huì)已經(jīng)不多，目前牌桌上的玩家要做的就是在更快的創(chuàng)業(yè)節(jié)奏下，做差異化，做量產(chǎn)和商業(yè)閉環(huán)。
以下是界面新聞與智元機(jī)器人合伙人姚卯青的采訪，略經(jīng)編輯：
大模型讓具身智能的成功初見端倪
界面新聞：你之前在Waymo、蔚來，都是在做智能駕駛，為什么會(huì)選擇切入機(jī)器人賽道？
姚卯青：現(xiàn)在這么多人從智駕切換到機(jī)器人賽道，我可以說是最早做出這個(gè)選擇的。大部分人都是從去年下半年到今年上半年才集中開始換賽道，我在2023年就已經(jīng)看到具身智能這個(gè)新生事物的潛力和想象力，2024年上半年正式開始做機(jī)器人。
在機(jī)器人之前，我也嘗試過智能駕駛的創(chuàng)業(yè)，現(xiàn)在比較火的一段式端到端，我在2023年上半年就已經(jīng)著手在做。但當(dāng)時(shí)在找融資的時(shí)候，就發(fā)現(xiàn)投資人會(huì)覺得自動(dòng)駕駛好像已經(jīng)沒那么性感了。智能駕駛發(fā)展到現(xiàn)在，可以實(shí)現(xiàn)的功能還比較有限，商業(yè)模式也比較趨同，最終還是作為供應(yīng)商的角色和車企打交道，生存空間也很有限。當(dāng)時(shí)也有人建議我來做機(jī)器人，在了解之后，我覺得它的想象空間會(huì)更大。
界面新聞：你當(dāng)時(shí)覺得轉(zhuǎn)型具身智能的機(jī)會(huì)點(diǎn)在哪里？
姚卯青：智能駕駛和機(jī)器人從硬件系統(tǒng)的架構(gòu)來講是極其相似的，尤其是在電子電器和傳感器這一層。具體的控制器、執(zhí)行器可能有不一樣，但是從域控制器以上的維度來講，兩者的系統(tǒng)和架構(gòu)是高度一致的。所以很多過去在智能駕駛工程上、資源上的積累，其實(shí)都可以直接復(fù)制過來。
但從技術(shù)上來說，具身智能更適合做大模型。智能駕駛現(xiàn)在所謂端到端的這些模型，其實(shí)都還是小模型。也不是說因?yàn)榧夹g(shù)能力不足做不了大模型，而是智能駕駛本身的特點(diǎn)就是低延時(shí)、高速、安全要求極高，不能讓推理慢且存在幻覺的系統(tǒng)來控制車輛，這是不可能通過安全測試的，所以大家也只能講講概念。但在機(jī)器人上，像現(xiàn)在我們外面跑的一些算法已經(jīng)是大模型，雖然沒有到幾千億參數(shù)，也有幾十億參數(shù)。
界面新聞：所以大模型這波熱潮也讓你對(duì)具身智能更有信心？
姚卯青：對(duì)，大模型首先確實(shí)是一個(gè)劃時(shí)代的東西。有了大模型，在2023年具身智能發(fā)展早期，谷歌RT-X等幾份工作給大家看到了一個(gè)新的范式，機(jī)器人不用再分模塊去做感知、規(guī)劃與控制，用一個(gè)大模型就可以端到端地解決這一整套系統(tǒng)。
智能駕駛是讓車從一個(gè)結(jié)構(gòu)化的道路從A點(diǎn)走到B點(diǎn)，場景是可預(yù)期的，地上有哪些線、哪些交通燈，包括交通規(guī)則也是制定好的。但大家對(duì)機(jī)器人的想象是和人類一樣的存在，可以在開放世界里執(zhí)行任意任務(wù)。原來為自動(dòng)駕駛這樣專用功能設(shè)計(jì)的系統(tǒng)是無法適用于這種通用智能的，是大模型的出現(xiàn)讓大家看到了一些成功的端倪。
界面新聞：轉(zhuǎn)型后為什么選擇加入智元，你覺得智元和其他公司有什么不一樣？
姚卯青：我當(dāng)時(shí)看過很多具身智能的創(chuàng)業(yè)公司，其實(shí)最初也沒有特別關(guān)注到智元。后來也是有投資人介紹，交流了幾次發(fā)現(xiàn)，首先智元確實(shí)資金比較充足。不得不承認(rèn)，資金是最重要的事情。無論是自動(dòng)駕駛、大模型，還是具身智能，做這些大賽道，前提就是要有錢。其次智元是有規(guī)劃的，要拿這些錢來堅(jiān)定投入AI。
雖然整個(gè)行業(yè)現(xiàn)在還很早期，但從終局來看，AI能力是必備的，否則機(jī)器人就沒有任何用處。雖然算力、算法工程師、數(shù)據(jù)這些都很貴，但當(dāng)時(shí)智元已經(jīng)決定一年要用500臺(tái)機(jī)器人去采數(shù)據(jù)、做大模型。雖然當(dāng)時(shí)已經(jīng)有十幾億融資，一年投入這么多在這方面也是風(fēng)險(xiǎn)很大的事情，我覺得這是很難的一個(gè)決定。
其次智元整個(gè)團(tuán)隊(duì)也更加成熟。做公司只有學(xué)術(shù)是不夠的，創(chuàng)業(yè)不只是要做科研，還要做生產(chǎn)制造、采購、供應(yīng)鏈管理，管產(chǎn)品、市場銷售戰(zhàn)略、政府關(guān)系、投融資等等，需要非常綜合的能力。尤其機(jī)器人也不是大模型，最終還是要拼硬件、拼制造?，F(xiàn)在機(jī)器人制造還在一個(gè)很初期的階段，要在產(chǎn)業(yè)鏈很不成熟的情況下，帶著供應(yīng)鏈慢慢成長，做出一個(gè)穩(wěn)定可量產(chǎn)的產(chǎn)品，你的團(tuán)隊(duì)要足夠成熟和完整。
一億條數(shù)據(jù)和五年
界面新聞：剛才提到的大模型主要是在機(jī)器人大腦方面的進(jìn)步。在本體和小腦方面，最近有一些比較大的進(jìn)展嗎？
姚卯青：本體的話，我覺得重點(diǎn)還是要看誰的作業(yè)能力進(jìn)展比較快。運(yùn)動(dòng)能力雖然比較博眼球，但對(duì)ToB（企業(yè)）客戶來說，做demo、展示極限運(yùn)動(dòng)能力這些意義不是很大，他們關(guān)心的還是機(jī)器人的負(fù)載、速率、穩(wěn)定性等等，能不能去完成工廠里一些復(fù)雜的、靈巧的，現(xiàn)在需要大量的工人去完成的事情。比如蘋果這種代工廠，全球有幾十萬工人，這對(duì)它們是巨大的負(fù)擔(dān)。未來工廠可能每年都有削減5%-10%工人數(shù)量的指標(biāo)要求，這就是具身智能第一階段最大的需求方，去做這些傳統(tǒng)工業(yè)自動(dòng)化做不到的事情。
界面新聞：你覺得現(xiàn)在市面上的這些做機(jī)器人本體和小腦運(yùn)動(dòng)控制的公司，他們之間有很大壁壘嗎？
姚卯青：我覺得確實(shí)不存在太高的壁壘。現(xiàn)在即使估值沒那么高，人員沒那么多的公司，做出的demo也完全不輸一些大一些的公司。只要是1.3米左右的機(jī)器人，結(jié)合模仿學(xué)習(xí)和強(qiáng)化學(xué)習(xí)算法，完全可以去拍一拍demo視頻。
界面新聞：那真正的壁壘在哪里呢？
姚卯青：真正的壁壘肯定在“manipulation”（操控）上，通過操作去完成任務(wù)。因?yàn)樗蟮木群芨?，是更加?fù)雜的一套組合操作。走路這種能力其實(shí)是固定模式的重復(fù)運(yùn)動(dòng)，但去完成一個(gè)操作任務(wù)，涉及到跟物體的交互，還要深度規(guī)劃、組合各種技能。在這個(gè)過程中，和機(jī)器人交互的物體也在隨著作用力改變狀態(tài)，機(jī)器人要去動(dòng)態(tài)閉環(huán)地完成這個(gè)任務(wù)。
讓機(jī)器人翻跟頭，跳起來把自己扔到空中，其實(shí)只需要很短的時(shí)間，視頻拍十次有一次成功就好了，這些都屬于開環(huán)任務(wù)。但像倒水就是一個(gè)閉環(huán)的任務(wù)，機(jī)器人要決定什么時(shí)候要倒?jié)M了，什么時(shí)候該停下。
界面新聞：那想要完成操控的部分，背后需要做一些什么事情？
姚卯青：需要采集大量的數(shù)據(jù)。在采集過程中，一是要學(xué)會(huì)這種物理規(guī)律，二是學(xué)會(huì)操作時(shí)候的接觸位置，三是要學(xué)會(huì)操作的技術(shù)。
我們認(rèn)為，采集到一億條數(shù)據(jù)以后，機(jī)器人應(yīng)該可以達(dá)到Chat GPT3的智商。去年我們的數(shù)采工廠采集了100萬數(shù)據(jù)，今年希望能夠有1000萬數(shù)據(jù)產(chǎn)出來。
界面新聞：數(shù)據(jù)采集的動(dòng)作精細(xì)度要求也很高，耗時(shí)長。這樣采下去的話，1億條數(shù)據(jù)似乎遙遙無期。
姚卯青：其實(shí)也還好，因?yàn)檫M(jìn)行數(shù)據(jù)采集的機(jī)器人數(shù)量還可以增大。如果用1000臺(tái)機(jī)器人進(jìn)行規(guī)?；杉?，1億條數(shù)據(jù)可能一年時(shí)間就能采夠了。
界面新聞：機(jī)器人有Chat GPT3的智商是什么效果？
姚卯青：比如二指夾爪的機(jī)器人，可以做到對(duì)于常見的物品的抓放、擺布、推拉，操作一些常見設(shè)備，也可以和人做一些交互。人通過語言指令的形式，可以讓機(jī)器人在環(huán)境中去理解、定位，完成相應(yīng)動(dòng)作。
界面新聞：那具身智能的商業(yè)化什么時(shí)候能到來？
姚卯青：今年應(yīng)該可以出現(xiàn)局部的一些商業(yè)化場景，包括我們內(nèi)部就已經(jīng)在做一些工業(yè)和商業(yè)場景。
界面新聞：你也提到過，五年之后機(jī)器人會(huì)進(jìn)入家庭，這個(gè)五年是怎么估算的？
姚卯青：一個(gè)是數(shù)據(jù)量，我覺得五年就能收集得差不多。另一個(gè)是回過頭看大語言模型的話，從2020年左右GPT 2讓大家有了耳目一新的感覺之后，到現(xiàn)在成為一個(gè)成熟的產(chǎn)品，甚至現(xiàn)在一些agent能調(diào)用各種應(yīng)用幫你完成任務(wù)，這個(gè)周期是五年。那類比到機(jī)器人，現(xiàn)在它開始蹣跚學(xué)步，可以去顫顫巍巍幫你抓一些東西，已經(jīng)是一種初期端到端的系統(tǒng)了，而不是寫規(guī)則，用模塊化的方法搞感知規(guī)控，技術(shù)的發(fā)展會(huì)不斷加速，我覺得五年的時(shí)間是可以暢想一下的。
從demo到量產(chǎn)，管好一萬多個(gè)零件的供應(yīng)鏈
界面新聞：你剛才提到機(jī)器人和大模型不一樣，最終還是要拼制造。現(xiàn)在很多具身智能公司都選擇自己做工廠、做供應(yīng)鏈，建工廠這件事難在哪里呢？
姚卯青：你要管好機(jī)器人的這一萬多個(gè)零件。首先供應(yīng)鏈管理不僅僅是說砍價(jià)的能力，雖然砍價(jià)也重要，但你沒有量，人家都不會(huì)搭理你，不會(huì)去給你做定制。其次要保證質(zhì)量，造1000臺(tái)機(jī)器人，做到一致其實(shí)是很難的。因?yàn)闄C(jī)器人的控制最主要就是在一些動(dòng)力參數(shù)，像螺絲和結(jié)構(gòu)件這種零部件有誤差，就會(huì)嚴(yán)重影響到動(dòng)力學(xué)模型。還有可靠性，能保證終生壽命維持在幾萬小時(shí)，或者核心零部件能保證十萬小時(shí)、一百萬小時(shí)的運(yùn)行。
我們在做的時(shí)候，前期其實(shí)踩了很多這方面的坑。你以為這些參數(shù)設(shè)定好了，找人打樣就行，以為是和汽車一樣有很成熟的供應(yīng)鏈，最后發(fā)現(xiàn)這些供應(yīng)商都太初期了，經(jīng)常干著干著都想自己來做，但作為一個(gè)小公司，其實(shí)不應(yīng)該什么都自己做，還是要帶著他們成長。
界面新聞：智元現(xiàn)在自己干的部分能有多少呢？
姚卯青：核心的關(guān)節(jié)，還有電路板這些硬件我們會(huì)自己設(shè)計(jì)，剩下我們更多想做系統(tǒng)的方案設(shè)計(jì)和集成。
界面新聞：智元前幾天已經(jīng)開了第一屆供應(yīng)商大會(huì)，這對(duì)一個(gè)初創(chuàng)公司來說也不是很常見。
姚卯青：確實(shí)現(xiàn)在已經(jīng)用到了上百個(gè)供應(yīng)商，我們需要通過供應(yīng)商大會(huì)總結(jié)一下過去一年的量產(chǎn)成果和成績，更重要是對(duì)齊我們今年更大的目標(biāo)，讓他們提前在質(zhì)量和產(chǎn)能的規(guī)劃上能夠跟上我們。
界面新聞：今年的目標(biāo)是什么？
姚卯青：我們自己的規(guī)劃是今年有數(shù)千臺(tái)機(jī)器人量產(chǎn)下線，應(yīng)該是全球來講最大數(shù)量了。我們的優(yōu)勢就在比別人量產(chǎn)的早一些，早踩過一些坑。在量產(chǎn)規(guī)模比較大的情況下，對(duì)供應(yīng)鏈才有真正的掌控能力。一方面量大了在開模這些成本上可以分?jǐn)?，控制成本，另一方面也有更大話語權(quán)，對(duì)各種工藝、測試、質(zhì)量標(biāo)準(zhǔn)都能提出自己的規(guī)范。
更快的創(chuàng)業(yè)節(jié)奏下，淘汰賽即將開啟
界面新聞：我們談具身智能經(jīng)常會(huì)談到兩個(gè)其他行業(yè)——大模型，還有自動(dòng)駕駛。你覺得和這兩個(gè)行業(yè)相比，具身智能的創(chuàng)業(yè)節(jié)奏有明顯加快嗎？比如市場會(huì)很早就要求看到商業(yè)化的結(jié)果。
姚卯青：確實(shí)有感覺到。大模型大家搞了一年才發(fā)現(xiàn)不能商業(yè)閉環(huán)，對(duì)具身智能就會(huì)有一些杯弓蛇影的情況。和自動(dòng)駕駛那時(shí)候比的話，因?yàn)?0年前有美元基金，還是存在耐心資本的，現(xiàn)在就少一些。
界面新聞：你會(huì)擔(dān)心具身智能也像自動(dòng)駕駛一樣，剛開始期望很高，但發(fā)展了10年也沒能大規(guī)模落地嗎？
姚卯青：技術(shù)的發(fā)展肯定是有不確定性，說不擔(dān)心是假的。今天沒有人敢說五年后機(jī)器人就和人一樣，什么都會(huì)、什么都懂，運(yùn)控和操作能力做的都很完美。但我相信在一些細(xì)分領(lǐng)域，它一定比自動(dòng)駕駛有更大的機(jī)會(huì)去先實(shí)現(xiàn)商業(yè)落地。本質(zhì)上還是因?yàn)檐囀且粋€(gè)功能已經(jīng)被定義好的明確形態(tài)，對(duì)安全性和效率的要求非常高，但機(jī)器人的應(yīng)用場景更廣，總能找到一些適合的場景先落地。
界面新聞：整體創(chuàng)業(yè)節(jié)奏的加快會(huì)對(duì)企業(yè)帶來一些壓力嗎？
姚卯青：肯定是會(huì)的。所以明顯能感覺到中國的具身智能公司和美國是很不一樣的氛圍。美國頭部公司可以不斷去融資、做研究，完全不想商業(yè)化的事，按照OpenAI的路徑走。OpenAI這種燒了這么多錢，還沒有盈利的公司在當(dāng)下的創(chuàng)業(yè)環(huán)境中是很難存活下來的。
界面新聞：中美之間具身智能公司在估值上也有差距嗎？
姚卯青：中國和美國差太多了。我們的能力應(yīng)該和美國頭部的人形機(jī)器人團(tuán)隊(duì)相當(dāng)，但在硅谷的估值體系下，美國公司的估值確實(shí)比國內(nèi)高很多。
界面新聞：你會(huì)不會(huì)覺得大家對(duì)中國公司的要求太高，又太卷了？
姚卯青：中國公司就是太卷了。
界面新聞：那你認(rèn)為未來中美在具身智能賽道上會(huì)是怎樣的競爭關(guān)系？
姚卯青：我覺得一定是中國公司勝出。因?yàn)闄C(jī)器人就是一個(gè)硬件制造業(yè)，你看新能源汽車、無人機(jī)現(xiàn)在已經(jīng)沒有美國什么事情了，這個(gè)只是歷史的反復(fù)上演而已。而且美國的制造業(yè)是越來越弱的，加上中國的產(chǎn)業(yè)鏈和高素質(zhì)的工程師學(xué)者越來越多，這是一個(gè)此消彼長、差距越來越大的一個(gè)過程。
界面新聞：你們怎么看這個(gè)大廠未來可能要下場做具身智能這件事情？特別是騰訊也投了你們，上汽、比亞迪也都在投你們，未來會(huì)不會(huì)被他們收購？
姚卯青：收購肯定不可能的，在中國這個(gè)市場里面不存在估值100 多億的公司被收購。我們肯定是要去上市，但上市不是我們的終極目的，是為了支撐我們實(shí)現(xiàn)我們的長期愿景。大廠來做機(jī)器人的話，和大模型不同，大的互聯(lián)網(wǎng)公司不太會(huì)做硬件，包括字節(jié)也明確說自己不會(huì)去看硬件這些重資產(chǎn)的東西。
未來我覺得具身智能賽道肯定也不會(huì)只有我們一家活下來，但是估計(jì)現(xiàn)在這么多創(chuàng)業(yè)公司也就會(huì)剩下兩三家，因?yàn)橹髁鞯馁Y本都已經(jīng)站隊(duì)了，新出來的創(chuàng)業(yè)項(xiàng)目持續(xù)融資的難度會(huì)大不少。
界面新聞：這意味著現(xiàn)在具身智能賽道開始進(jìn)入一個(gè)冷靜期了嗎？
姚卯青：肯定是開始會(huì)進(jìn)入收斂，然后一些同質(zhì)化的公司拿錢就會(huì)越來越難，或者只能拿個(gè)一輪兩輪。到后面大家如果沒有差異化東西出來，也沒有量產(chǎn)或者商業(yè)化閉環(huán)，慢慢就會(huì)開始淘汰了。
界面新聞：你覺得是做軟件還是硬件的企業(yè)會(huì)活得更長一些？
姚卯青：我覺得號(hào)稱只做大腦的公司應(yīng)該比較困難一些，因?yàn)橐贿@個(gè)耗錢，二它這個(gè)東西很難去商業(yè)化。做硬件的話投入稍微小一點(diǎn)，跟跑可能還能堅(jiān)持的時(shí)間久一點(diǎn)，歷史上也不乏跟跑然后能跟上的例子。但一個(gè)公司如果只是做一米三的機(jī)器人，只做運(yùn)動(dòng)控制，那應(yīng)用場景確實(shí)會(huì)比較有限。
界面新聞：所以你覺得智元是一個(gè)領(lǐng)跑的位置。
姚卯青：是的。
界面新聞：最近智元也宣布了很多合作，包括和階躍星辰還有Physical Intelligence，在合作這件事情上是怎么看的？
姚卯青：我們是很開放的，不會(huì)擔(dān)心合作方和我們將來產(chǎn)生商業(yè)上的一些競爭和沖突，更多是我們希望去利用他們一些已有的能力來為我們的行業(yè)做賦能。比如階躍用幾萬張卡訓(xùn)練出基礎(chǔ)模型，我們就沒有必要從頭再干一遍，那就看能不能利用它的多模態(tài)大模型來賦能我們機(jī)器人的大腦。
像Pi的話，具身智能的算法本身還遠(yuǎn)遠(yuǎn)沒有到終局，必須要以開放的心態(tài)跟進(jìn)現(xiàn)在最主流的一些方向，和最有可能成為將來頭部玩家的一些人去組建一個(gè)好的生態(tài)。將來其實(shí)我們也并不排斥說，有一個(gè)特別好的算法大腦，我們?nèi)ヮA(yù)裝到我們的機(jī)器上去賣給用戶，這也是一個(gè)好的模式。