編者按：日前，啟明創(chuàng)投投資企業(yè)銀河通用宣布正式完成新一輪11億元融資。成立至今，銀河通用采用仿真合成動作數(shù)據(jù)集做預(yù)訓(xùn)練，真實數(shù)據(jù)做后訓(xùn)練的技術(shù)范式，引領(lǐng)全球具身大模型技術(shù)快速迭代。在機(jī)器人的規(guī)模化應(yīng)用落地方面，銀河通用在智慧零售、工業(yè)和康養(yǎng)醫(yī)療等場景取得了顯著進(jìn)展。
北京大學(xué)助理教授、銀河通用創(chuàng)始人兼CTO王鶴在接受36氪采訪時，介紹了公司的產(chǎn)品設(shè)計初衷——按照車規(guī)級，甚至是高于車規(guī)級的標(biāo)準(zhǔn)去打造人形機(jī)器人產(chǎn)品；他分析了銀河通用能打磨出更優(yōu)質(zhì)、更泛化的模型的原因。王鶴也強(qiáng)調(diào)，銀河通用重視用戶體驗，聚焦自身的優(yōu)勢領(lǐng)域，從需求的角度出發(fā)，讓機(jī)器人真正滿足目前市場中存在的痛點；公司希望人形機(jī)器人能從事發(fā)揮價值的工作，讓具身智能真正創(chuàng)造智能化的價值。展望未來，他表示，銀河通用會不斷地推進(jìn)新的技能，保證在行業(yè)的一線，致力于讓通用機(jī)器人服務(wù)千行百業(yè)、千家萬戶。
啟明創(chuàng)投微信公眾號經(jīng)授權(quán)轉(zhuǎn)載，文章有編輯與刪減。
北京大學(xué)助理教授、銀河通用創(chuàng)始人兼CTO王鶴
“除了跳跳舞、翻翻跟頭，人形機(jī)器人還能干什么？”
北京大學(xué)助理教授、銀河通用創(chuàng)始人兼CTO王鶴可能是最有資格回答這個問題的人。由他創(chuàng)立的銀河通用是中國具身智能領(lǐng)域的獨角獸，也是行業(yè)第一梯隊中最專注機(jī)器人“腦”的一家企業(yè)。
自2023年5月成立至今，銀河通用只發(fā)布過一款機(jī)器人本體產(chǎn)品Galbot（G1），卻發(fā)布了多款具身大模型。公司將大部分資源和資金投向了具身大模型研發(fā)，致力于提升機(jī)器人的通用性和泛化性。
在王鶴博士看來，人形機(jī)器人卷本體的結(jié)果是把機(jī)器人賣出鋼鐵原材料的價格，目前市場上已經(jīng)出現(xiàn)了價格戰(zhàn)的苗頭；只有具身智能模型能力的提升，才能賦予人形機(jī)器人更高的價值。
通用具身大模型是人類前沿技術(shù)的“無人區(qū)”，背負(fù)這一宏大命題的王鶴，談起具身模型當(dāng)下的發(fā)展，卻是出人意料的“保守”和務(wù)實：
“我特別不建議去講具身的AGI，很多公司都希望一步實現(xiàn)具身的AGI，這一點我不認(rèn)同。”
“具身智能模型還有很多不成熟的地方，距離什么活兒都能干可能需要五年到十年的時間?！?/span>
“大量的科研成果在過去這么長的時間里一直有出現(xiàn)，但可規(guī)?；a(chǎn)的產(chǎn)品卻一直沒有落地?！?/span>
當(dāng)下，不少國內(nèi)具身智能模型廠商熱衷于“秀肌肉”：通過“疊衣服、刮胡子、拉拉鏈”等復(fù)雜操作的demo（樣片）來展示其模型的泛化能力；銀河通用則埋頭于攻克“不那么復(fù)雜”的移動、抓取、放置技能，其對具身操作模型的命名也較為“樸實”——抓取基礎(chǔ)大模型GraspVLA。
王鶴對36氪直言，銀河通用也在研發(fā)用衣架掛衣服的技能，但這種復(fù)雜操作只是一種科研成果，距離落地和產(chǎn)品化還有很遠(yuǎn)的距離。
目前具身智能模型最接近場景落地的技能就是相對“簡單”的“Mobile, Pick and Place（移動、抓取、放置）”。銀河通用正致力于將“Mobile, Pick and Place”技能在藥店、零售等部分場景率先落地應(yīng)用。
據(jù)介紹，銀河通用聯(lián)合合作伙伴推出了全球首個人形機(jī)器人智慧零售解決方案，目前已經(jīng)在北京開了近10家由機(jī)器人進(jìn)行24小時無人值守的藥店，銀河通用的人形機(jī)器人不間斷自動精確揀藥，并交付給騎手。
銀河通用計劃今年在北京、上海、深圳等城市共開100家無人值守零售店。目前這一應(yīng)用場景已經(jīng)實現(xiàn)了市場化，預(yù)計今年將為銀河通用帶來近億元人民幣的收入。
在前不久的智源大會開幕式現(xiàn)場，銀河通用機(jī)器人Galbot在主論壇舞臺進(jìn)行了現(xiàn)場直播真機(jī)演示。機(jī)器人在王鶴的語音指令下自主、精確地移動到準(zhǔn)確位置并將飲料從貨架取出，實現(xiàn)了復(fù)雜貨架抓取與交付的全流程自主執(zhí)行，全程無遙操，無需場景數(shù)據(jù)預(yù)采集。
銀河通用在智源大會現(xiàn)場展示抓取和交付
王鶴坦言，具身智能進(jìn)入任何一個場景，都需要進(jìn)行一些數(shù)據(jù)上的準(zhǔn)備，才能打造百分百成功的產(chǎn)品。“Mobile, Pick and Place”技能還在持續(xù)更新中，銀河通用選擇從零售業(yè)的貨架場景做起，逐漸提升操作的泛化性。
在王鶴看來，能把“Mobile, Pick and Place”這類“簡單”操作的泛化性問題徹底解決，就已經(jīng)是整個人類具身智能和機(jī)器人歷史上的重要里程碑。據(jù)他測算，這一技能的成熟可以打開數(shù)千億元的新市場，在零售、前置倉、車廠SPS分揀等多個場景中幫助人類完成繁重勞動。
從泛化性的角度衡量，如果無所不能的人形機(jī)器人是100，掌握“Mobile, Pick and Place”技能的機(jī)器人是10，在零售業(yè)的貨架場景進(jìn)行“Mobile, Pick and Place”的落地僅僅是“1”。
當(dāng)下的銀河通用，已實現(xiàn)“從0到1”的突破，正向通用具身智能的終極目標(biāo)邁進(jìn)。
以下為36氪和王鶴的對話實錄。
01/
迎賓表演市場只是曇花一現(xiàn)
要訓(xùn)練機(jī)器人做高價值工作
36氪：公司現(xiàn)在員工規(guī)模有多大？
王鶴：我們現(xiàn)在百余人。
36氪：好像比同一梯隊的同行要少一些。
王鶴：現(xiàn)階段我們還是聚焦產(chǎn)研團(tuán)隊。銀河通用目前，推出了一款人形機(jī)器人產(chǎn)品Galbot G1，圍繞在工業(yè)、零售、服務(wù)業(yè)等場景的核心需求，主打技能是移動、抓取、放置等。
我認(rèn)為這個技能可以在工業(yè)、商業(yè)、服務(wù)業(yè)等各種廣闊的場景里，構(gòu)建一個完整閉環(huán)的Skill Set（技能集），而不是去做很多發(fā)散的小技能，或者是多種多樣的全品類的機(jī)器人產(chǎn)品，因為這樣會導(dǎo)致用人規(guī)模大很多。
36氪：銀河通用只做了一款本體，但發(fā)布了多款模型，是把更多資源傾斜在模型上嗎？
王鶴：其實公司里做“硬件”的成員反而比做“軟件”的更多，這個可能和外界的想象不一樣。外界可能認(rèn)為銀河通用只做一款產(chǎn)品，所以需要的硬件工程師不多。實際上我們和很多同行的機(jī)器人標(biāo)準(zhǔn)不一樣。
如果機(jī)器人只用作科研、硬件平臺，以及秀5分鐘的demo，這種呈現(xiàn)形式對于產(chǎn)品的可靠性要求不高。這和一個真正能24小時工作的機(jī)器人在可靠性方面差距非常大，因為它不能落地應(yīng)用。
銀河通用的硬件圍繞著一款產(chǎn)品進(jìn)行了多輪次、密集的迭代升級，這樣我們才能真正實現(xiàn)機(jī)器人在無人值守藥店場景里24小時工作。假如硬件出現(xiàn)問題，需要工程師來現(xiàn)場修理，這樣成本會很高。所以我們產(chǎn)品的設(shè)計初衷，就是按照車規(guī)級，甚至是高于車規(guī)級的標(biāo)準(zhǔn)去打造人形機(jī)器人產(chǎn)品。
36氪：從資金投入上呢？
王鶴：作為一家具身大模型公司，我們投入最大的還是模型的研發(fā)。但這塊不是靠堆人，因為沒有一家公司是靠堆模型訓(xùn)練的員工來把模型做好。而是要建立整個從數(shù)據(jù)的基建到模型訓(xùn)練、測試，一整套閉環(huán)的團(tuán)隊。這里面算力費用占比很大。事實上，一些做模型的天才級人物，他們所在公司的人數(shù)都不多。
36氪：重視合成數(shù)據(jù)是銀河通用一個很鮮明的標(biāo)簽。不過很多同行也都說自己會用仿真數(shù)據(jù)，再結(jié)合一些互聯(lián)網(wǎng)視頻、真機(jī)數(shù)據(jù)等，大家的區(qū)別在哪里？
王鶴：不會的人用不好合成數(shù)據(jù)，所以有人會說什么仿真“有毒”等等。銀河通用能取得現(xiàn)在的成績，合成數(shù)據(jù)在其中扮演了非常重要的角色，基于我們自主研發(fā)的合成數(shù)據(jù)技術(shù)，我們的具身大模型的訓(xùn)練成本得以極大降低。同時我們也強(qiáng)調(diào)虛實融合，這讓我們的具身大模型能真正跑在全球的領(lǐng)先地位。這正說明我們能真正用好合成數(shù)據(jù)。
比如互聯(lián)網(wǎng)視頻數(shù)據(jù)誰都可以下載，比它有一點門檻的是遙操。我們目前在商超、零售環(huán)境部署的具身機(jī)器人用到了遙操的真實數(shù)據(jù)，但它的比例遠(yuǎn)低于仿真合成數(shù)據(jù)。
合成數(shù)據(jù)的方式需要廠商有比較好的圖形學(xué)、物理仿真、物理渲染和自動動作合成管線，包括驗證閉環(huán)的一系列全套的基建，需要長期的積累和核心技術(shù)know-how。這些積累，也是銀河通用為什么能把模型做得更好，而且更泛化的一個關(guān)鍵原因。
36氪：咱們機(jī)器人本體是輪式底盤，可以理解銀河通用更加注重發(fā)展機(jī)器人的上肢操作能力嗎？
王鶴：要看是在哪一端側(cè)重，在產(chǎn)品端我們以落地的需求作為指引。
現(xiàn)在絕大多數(shù)客戶考慮到自身需求，比如在工廠和商超零售場景做一些移動、抓取、放置工作，都是要求底盤式的。雙足機(jī)器人容易產(chǎn)生噪聲，且續(xù)航還短。而我們的輪式底盤的機(jī)器人6-8個小時才充一次電，相較雙足式有天然優(yōu)勢。
從研發(fā)的角度衡量，銀河通用是全棧布局整個具身智能，針對雙足人形機(jī)器人也有布局，但現(xiàn)階段它并不是在產(chǎn)品端可以真正廣泛應(yīng)用的產(chǎn)品。
36氪：迎賓、表演是今年新興起來的場景，同行們都在大力進(jìn)軍，銀河通用為什么沒搶占這個場景？
王鶴：我的看法是，現(xiàn)在這些炫酷的場景是曇花一現(xiàn)。市場最終不是靠一波流量來取勝的，真正能夠留存下來靠的是好的用戶體驗。
銀河通用始終重視用戶體驗。比如大堂的迎賓機(jī)器人有很多，但主要是做了一些不痛不癢的工作。我們在做的是次時代的接待機(jī)器人產(chǎn)品，要讓客戶愿意用，可以真正協(xié)助人來工作。只要能做到這一點，我相信廣闊的市場可以任你遨游。
所以我們并不是說不做，而是已經(jīng)在布局，目前處于由很多點的技術(shù)形成線，線形成面的一個過程中。
02/
“移動、抓取、放置”的市場空間很大
但技術(shù)還未完全成熟
36氪：投資方在商業(yè)化方面給的壓力大嗎？
王鶴：投資人給了我們很大的支持，這些支持不僅在財務(wù)投資上，也在戰(zhàn)略協(xié)同資源上。目前，我們已經(jīng)有扎實的落地成果，公司今年應(yīng)該能有可觀的收入規(guī)模。
36氪：教育和科研市場呢，你們有沒有布局？
王鶴：我覺得還是大家對于優(yōu)先級的認(rèn)知不一樣。教育市場到底是一個有多大盈利潛力的市場？它的天花板是多少臺？實際上，已有非常多的雙足企業(yè)加入了對教育市場的角逐。銀河通用會聚焦于自己有優(yōu)勢的領(lǐng)域，從需求的角度出發(fā)，讓機(jī)器人真正滿足目前市場中存在的痛點。
銀河通用關(guān)注的不是把人形機(jī)器人本體當(dāng)做鋼鐵原材料一樣賣，因為人形機(jī)器人卷下去的后果是大家以后都趨向于按材料成本定價。我們期望的是人形機(jī)器人能從事發(fā)揮價值的工作，讓具身智能真正創(chuàng)造智能化的價值。
36氪：您看到現(xiàn)在市場上有這種價格戰(zhàn)的趨勢嗎？
王鶴：是的，現(xiàn)在是在瘋狂降價，降到了小幾萬元，未來可能有人報價更低。我們其實是樂見整個行業(yè)通過快速的硬件迭代，讓硬件成本快速下降的。供應(yīng)鏈的降本對于銀河通用也有利。
問題在于這個售價的機(jī)器人到底能解決什么問題。我們現(xiàn)在專注做的是高價值的事情，我們一臺機(jī)器人售價是大幾十萬元，客戶仍然很愿意用，因為這顯著緩解了三班倒員工的用人成本壓力。這也是我們（預(yù)期）能夠?qū)崿F(xiàn)億級收入的原因。
36氪：你賣幾十萬元，為什么客戶還能接受？
王鶴：我上面也提到過，別家賣便宜的人形機(jī)器人，用戶對它的心理預(yù)期和我們做場景落地的機(jī)器人的心理預(yù)期是不一樣的。我們的產(chǎn)品成熟度和可靠性的要求是不一樣的。
銀河通用的機(jī)器人可以連續(xù)工作一個月不出一次差錯，這是我們的核心競爭力優(yōu)勢。我把我們的機(jī)器人叫“場景落地機(jī)器人”，市面上用于科研和商場表演的那種，叫做“研發(fā)平臺型機(jī)器人”。
36氪：你提到銀河通用主打的技能就是圍繞著移動、抓取、放置，但也有觀點認(rèn)為這類“PPT操作”（即Pick抓取、Place放置和Transfer轉(zhuǎn)運）可以解決的實際問題、適應(yīng)的應(yīng)用場景非常有限。
王鶴：首先我不認(rèn)可“PPT操作”的說法。我更傾向于用“Mobile, Pick and Place”，這也是國際上大家認(rèn)知里更通用的表達(dá)。
現(xiàn)在在零售、倉儲、車廠SPS分揀等場景中，我們看到的是大量的員工在做“移動、抓取、放置”的工作。如果有人認(rèn)為這個市場可以開發(fā)的空間不大，那可能是因為他們沒有真正了解市場需求。我看到的是一個數(shù)十萬臺的潛在市場，比現(xiàn)在全球工業(yè)機(jī)器人的總產(chǎn)值還要高。
36氪：這類“移動、抓取、放置”的機(jī)器人為什么還沒有廣泛落地應(yīng)用起來？
王鶴：“Mobile, Pick and Place”技能還遠(yuǎn)未成熟，即使是技術(shù)比較領(lǐng)先的谷歌DeepMind的RT機(jī)器人也做不到落地。像銀河通用在智源大會現(xiàn)場展示的智慧零售，讓機(jī)器人負(fù)責(zé)取貨、送貨、上架，目前我沒見其他廠商可以復(fù)現(xiàn)，特別是勇于在現(xiàn)場直播演示。
36氪：很多廠商會炫一些機(jī)器人拉拉鏈、刮胡子和疊衣服等更復(fù)雜的操作，他們的投資方也將此視為比較高的技術(shù)成果。
王鶴：現(xiàn)在很多廠商在把不能落地的、不能產(chǎn)品化的一些科研亮點，說成是他們的產(chǎn)品。我們需要思考，疊衣服的機(jī)器人到底什么時候產(chǎn)品化？現(xiàn)階段它能達(dá)到效率要求、平整度要求和泛化性要求嗎？
因為有這個科研成果，所以機(jī)器人產(chǎn)品就更好賣，這個邏輯是不成立的。實際上，大量的科研成果在過去這么長的時間里一直有出現(xiàn)，但可規(guī)模化生產(chǎn)的產(chǎn)品卻一直沒有落地。
我們其實也在研發(fā)新的技能，也會用衣架掛衣服。銀河通用的合成數(shù)據(jù)背后有上百萬件的衣服的虛擬資產(chǎn)。但實話實說，疊衣服要做到實用、可落地的程度，誰都還沒有做到。
36氪：銀河通用對外披露的落地場景，主要在藥店、工廠和零售場景，這些場景哪些是市場化的，哪些還處于POC（Proof of Concept，概念驗證）階段？
王鶴：藥店和零售場景已經(jīng)是完全市場化了，我們的收入很大一部分來自這塊。
工廠場景還處于POC階段，因為工廠場景有些工作對于節(jié)拍、準(zhǔn)確度和可靠性要求是很高的。特別是在高精尖制造當(dāng)中，像新能源車的生產(chǎn)線，停工哪怕一分鐘，都會帶來巨大的損失。包括特斯拉和Figure AI，大家都處在POC階段，都在打磨產(chǎn)品，讓它最終可以整合到新開的產(chǎn)線當(dāng)中。
銀河通用率先在全球交付了很多行業(yè)標(biāo)桿性POC項目，比如某國際知名車企場景里的SPS分揀POC、奔馳的搬物料箱子和天窗轉(zhuǎn)運的POC、極氪的搬運POC。銀河通用的進(jìn)展是相當(dāng)快的。但這個場景真正轉(zhuǎn)化進(jìn)入產(chǎn)線還需要一定時間。
36氪：這些車企不是你們的投資方。
王鶴：對，剛剛提到的幾家車企合作方都不是我們的投資方，汽車廠商本身有很強(qiáng)的自動化的需求，所以和我們建立了戰(zhàn)略性的合作關(guān)系。
03/
具身智能行業(yè)相對“混亂”
真正愿意做實事的人少
36氪：你們發(fā)布過多個模型，除了具身抓取基礎(chǔ)大模型GraspVLA，其他模型有商業(yè)化嗎？比如剛發(fā)布的產(chǎn)品級端到端導(dǎo)航大模型TrackVLA。
王鶴：我們會把TrackVLA往C端的產(chǎn)品去打造。它能夠在場景里和人有很好的互動，包括做一些從工業(yè)巡檢到商超的跟隨搬運等工作。我們現(xiàn)在也在和合作方、場景方一起去推動TrackVLA模型的應(yīng)用。
我們的模型也可以跨不同的機(jī)器狗泛化。導(dǎo)航能力相較于操作能力更易于泛化到不同的本體上。
36氪：業(yè)內(nèi)一些企業(yè)都和Physical Intelligence（PI）合作了，用上頭部的模型是不是可以更快商業(yè)化？
王鶴：我不了解他們和PI合作的具體細(xì)節(jié)。我了解到PI在廣泛地收集各個廠家的真機(jī)數(shù)據(jù)。從數(shù)據(jù)的角度，我不認(rèn)同PI的做法?？绫倔w的、大量的、不同的機(jī)器人數(shù)據(jù)，對于機(jī)器人的訓(xùn)練來說是低質(zhì)數(shù)據(jù)。
36氪：現(xiàn)在全球第一梯隊的具身智能模型能力，如果類比AI大模型，處于哪個階段？
王鶴：這很難去類比，具身智能模型涉及的維度更高。
例如在自動駕駛領(lǐng)域，大家會講L1-L5，自動駕駛是圍繞著開車這一件事，而具身智能涵蓋了非常多的事，你可以做好“Mobile, Pick and Place”，但不一定能抱小孩、扶老人起床。
在具身智能的每一款產(chǎn)品上都有L1到L5的不同層級。我們的期望是，具身智能產(chǎn)品能夠被稱作產(chǎn)品時，至少應(yīng)該達(dá)到L4的水平，即具備自主性，而非僅僅是輔助。
相較于大型語言模型，我認(rèn)為通用具身智能的實現(xiàn)是一個長期的技術(shù)進(jìn)步的過程，而非短暫的智能爆發(fā)。
36氪：所以具身智能模型的“ChatGPT時刻”還有較遠(yuǎn)的距離。
王鶴：是的。ChatGPT展現(xiàn)了通用問答的能力，而具身智能模型想要什么活兒都能做，從硬件和傳感器到數(shù)據(jù)采集還有很多事情要做，還有很多不成熟的地方，它可能需要五年到十年的時間。
我們?nèi)祟惛苫畹臅r候，實際上除了視覺、語言、動作（即Vision-Language-Action），還有聽覺、嗅覺、味覺、觸覺以及對溫度的感知，在不同的任務(wù)中都有不同程度的使用。所以VLA模型只是一個起點，如果想達(dá)到人類級別的具身智能，那還需要不斷融入新模態(tài)。
那VLA現(xiàn)在能干什么呢？我覺得是把“Mobile, Pick and Place”先做得非常泛化，在一個可批量復(fù)制的場景里做好，比如所有零售店、所有工廠的分揀線。如果這個能達(dá)到，這會是整個人類具身智能和機(jī)器人歷史上的一個里程碑。它的意義不亞于我們今天機(jī)器人實現(xiàn)了“黑燈工廠”。
36氪：業(yè)內(nèi)同行都在往這個里程碑的方向走嗎？還是在追求一些別的技術(shù)突破。
王鶴：我覺得行業(yè)里真正愿意做實事的人少，愿意賣硬件、賣平臺的人多。把東西賣給用戶后，就不需要對功能負(fù)責(zé)了，這種廠商多。真正愿意去做模型的廠商里，做學(xué)術(shù)研究的人多，真正做能落地的模型產(chǎn)品的人少。這兩個“少”都導(dǎo)致了具身智能行業(yè)相對“混亂”的局面。
36氪：“Mobile, Pick and Place”要在服務(wù)業(yè)，諸如藥店、便利店落地，還有哪些待改進(jìn)的地方嗎？
王鶴：具身智能進(jìn)入任何一個場景，都需要進(jìn)行一些數(shù)據(jù)上的準(zhǔn)備。不管是合成數(shù)據(jù)，還是真機(jī)數(shù)據(jù)的小規(guī)模采集，甚至不排除做場景中的強(qiáng)化學(xué)習(xí)，才能打造成一個百分百成功的產(chǎn)品。
我們目前追求的并不是所有的“Mobile, Pick and Place”都做，而是先圍繞著貨架，甚至是超市的貨架，先保證它很好地泛化，最后才是我們?nèi)粘－h(huán)境中各種地方放的東西。所以這條路沒有大家想得那么簡單。
36氪：在“Mobile, Pick and Place”之外，銀河通用的下一個里程碑時刻會是什么操作，做了哪些技術(shù)的儲備？
王鶴：銀河通用有數(shù)位業(yè)界頂尖學(xué)者，大家在一起推動科研創(chuàng)新的進(jìn)程。從研究上講，我們會不斷地推進(jìn)新的技能，包括足式機(jī)器人，靈巧手的研究——這也是我獲過多次Best Paper殊榮的領(lǐng)域，是更加終極的末端、本體上的技能的學(xué)習(xí)。
對于研發(fā)，我們的戰(zhàn)略就是引領(lǐng)，并且永遠(yuǎn)保證在一線。銀河通用的使命是讓通用機(jī)器人服務(wù)千行百業(yè)、千家萬戶。
來源 | 36氪
作者 | 王方玉
編輯 | 蘇建勛
