2025 具身智能：魔幻 Demo 与现实挑战的博弈
2025 年机器人公司发布的 Demo 都有点魔幻。首先是 Figure AI 在 10 月发布了第三代机器人，能够做各种家务，Demo 很酷炫，但是任务的成功率在业界是有很多质疑的。而且我很想吐槽这个设计，它的脸实在是“恐怖谷效应”有一点严重。你看之后 10 月底发布 Demo 的另一家明星公司 1X 就聪明了很多，整个脸部设计是不是就可爱了非常多，感觉是让大家更愿意搬到家里的。
但是这个叫做 Neo 的这款机器人依赖远程操控，被批评是“假智能”，而且有各种的隐私问题。同时，特斯拉（Tesla）的机器人虽然也发布了各种 Demo 的更新，包括在 12 月发布的非常顺滑的跑步 Demo，但是明显量产计划在 2025 年是遇到了极大的挑战，让公司不得不暂停生产，要重新设计硬件。更别提最近的一次亮相还遭遇了一次小小翻车，我们先卖个关子。
我们接下来深聊一下这个产业的一个核心技术：机器人基础模型（Robot Foundation Model: 能够跨任务、跨形态执行物理指令的通用 AI 系统）。我们试图回答这样一个问题：为什么 2025 年突然变成了机器人基础模型的“元年”？我们将系统拆解当下主流机器人的“大脑”是如何被训练出来、如何接入真实世界，以及不同路线背后的技术与商业逻辑。
范式变迁：从硬编码编程到感知规划的局限
如果要用一句话解释机器人基础模型，最简单的类比就是：如果说 GPT 是“会说话的大脑”，那么机器人基础模型就是“会动手的大脑”。但这个“会动手的大脑”，人类研究了整整 60 年才做出来。我们先来回顾一下大模型出现以前的四大机器人范式。
1961 年，世界上第一台工业机器人 Unimate 在通用汽车的工厂里“上班”了。它的工作很简单：从生产线上抓起金属零件放到另一条生产线上。从现在的眼光看它蛮“傻”的，因为完全靠编程。工程师用代码告诉它：步骤 1 手臂向左移动 30 厘米，步骤 2 手爪闭合……这种方式的问题很明显：零容错、零灵活性。如果零件位置偏了 1 厘米，机器人就抓不到了。这种“编程式”逻辑在高度可控的工厂环境里管用了几十年，但无法应对复杂的现实世界。
到了 90 年代，机器人学家意识到光靠编程不行，机器人得能够“感知”环境，于是出现了 SLAM（Simultaneous Localization and Mapping: 定位与地图构建）和运动规划技术。核心思路是先用传感器“看”环境，建立 3D 地图，再规划路径。这个方式最成功的应用是扫地机器人（Roomba），它在“导航”任务上很成功，但在“操作”任务上就不行了。因为操作任务太复杂，比如叠毛巾，毛巾是柔性的，一抓就变形，传统的“感知→规划→执行”链条极易崩溃。2010 年加州伯克利的研究团队让机器人叠毛巾，平均一条要花 24 分钟。
学习进化：模仿学习与强化学习的瓶颈
既然手工设计规则不行，能不能让机器人直接“学”人类怎么做？这就是行为克隆（Behavior Cloning），也叫模仿学习（Imitation Learning）。记录人类演示的每一帧视觉输入和动作输出，训练神经网络建立映射。2015 年 Google Brain 团队用这个方法让机器人学会了抓取各种物体。这虽然是巨大进步，但数据效率太低，学一个动作可能要 100 万次演示，且泛化性（Generalization: 模型应用到未见过场景的能力）极差，换个机器人型号就不能用了。
2016 年 AlphaGo 战胜李世石后，强化学习（Reinforcement Learning: 通过试错与奖励机制进行学习）进入视野。核心思路是不需要人类演示，让机器人自己尝试，做对给奖，做错给罚。波士顿动力（Boston Dynamics）曾将此引入移动控制。但强化学习太慢了，且机器人很难在仿真环境里练，因为环境复杂度太高，导致“仿真不准”。在真机上试错又太慢、太贵。更根本的问题是它缺乏“常识”，它不知道毛巾是软的，需要通过无数次试错才能“发现”这些人类已有的常识。
VLA 革命：具身智能元年的三大驱动力
故事来到 2025 年，大语言模型的出现改变了一切。VLA 模型（Vision-Language-Action: 视觉-语言-动作模型）诞生了，它将视觉场景、语言目标和控制动作统一到了一个神经网络里。VLA 的革命性在于它自带“常识推理”。你说“帮我准备早餐”，它通过大模型知道要从冰箱拿鸡蛋，且鸡蛋不能摔碎，这些常识不需要编程或试错，因为大模型里已经有了。
为什么 2025 年成了具身智能元年？三个关键因素同时成熟了：
- 大语言模型“够用了”：OpenAI、Anthropic 等公司的模型在理解指令和任务规划上已经趋于稳定，为具身智能提供了基础能力。
- 算力价格腰斩：NVIDIA H100 等 GPU 大量铺货，初创公司也租得起几千张卡来训练模型。
- 硬件供应链成熟：随着人形机器人热潮，中国供应商在电机、减速器、传感器等核心零部件上实现扩产，硬件成本大幅降低。
然而 VLA 的核心挑战是数据。机器人需要的是包含传感器信息的“真机数据”，而这种数据互联网上没有。YouTube 上有叠衣服视频，但没有手指关节的转动角度。这场“军备竞赛”的核心，除了算法，就是谁能用最低成本采集到最高质量的数据。
全栈整合派：特斯拉与 Figure AI 的激进路线
如今闭源机器人赛道分成了三个流派。第一派是全栈整合派，代表是 Tesla Optimus 和 Figure AI。这一派的核心信念是：机器人基础模型不能和硬件分离，必须垂直整合、深度耦合。
特斯拉是这一流派最激进的代表。马斯克的自信源于 FSD（完全自动驾驶）十年的积累。他认为从汽车到机器人只是从“轮子上的机器人”变成了“长着腿的机器人”。但 2025 年现实很骨感，Optimus 生产计划因硬件重新设计而暂停。其面临的核心问题是 Embodiment Gap（具身鸿沟）：人类手和机器手的物理差异，导致从人类视频迁移能力的效率较低。
Figure AI 则走得更远，2024 年与 OpenAI 深度合作，随后又宣布“分手”并推出自研的 Helix 模型。Helix 采用了 System 1 & System 2 双系统架构：System 2 负责“想清楚干什么”（大脑皮层），System 1 负责“手脚配合”（小脑）。这种架构解决了视觉-语言模型响应慢的问题，实现了实时精确控制。Figure AI 在 2025 年 9 月完成 10 亿美元融资，估值飙升至 390 亿美元，成了具身机器人界的“扛把子”。
垂直突破派：从专精任务到元学习的涌现
第二派是垂直突破派，代表是 Dyna Robotics。他们的核心理念是：与其训练一个什么都会但做不好的大模型，不如先在某个垂直场景（如叠毛巾、洗碗）做到极致，过程中积累的“学习能力”会自然迁移。
Dyna Robotics 的创始人包括前 DeepMind 科学家 Jason Ma。他们的 DYNA-1 模型在真实环境中能 24 小时自主折叠 700 多张餐巾。他们认为机器人基础模型的 Scaling Law（缩放定律）与语言模型不同：语言模型可以靠低质量海量文本，但机器人需要高质量的真实物理交互。参数越大，如果物理一致性不准，错误反而会被放大。
这一派认为，深度专精某个任务，模型学到的是“如何学习”的元能力。就像学好钢琴的人转学吉他会很快。同属此类的还有 Skild AI，他们主攻通用大脑以适配不同硬件；以及 亚马逊（Amazon），其在部署了 100 万台专用机器人后，正在秘密测试人形机器人测试场，策略也是先在垂直场景积累数据再泛化。
生态平台派：巨头们的标准化野心
第三派是生态平台派，他们争夺的是行业标准和生态控制力。NVIDIA 是典型代表，其推出的 GR00T N1 旨在做机器人界的 Android。虽然开源，但你得配套使用全套 NVIDIA 工具链，实现生态锁定。
Google 走的是“研究驱动、开源优先”的路线，通过 RT 系列模型和开放数据集在学术界建立影响力。最近又挖来波士顿动力前 CTO 推动 Gemini AI 成为通用控制平台。而 OpenAI 和 Meta 则是“小步快跑，先占坑”。OpenAI 虽然与 Figure 分手，但又投资了 Physical Intelligence 并重启控制算法研究；Meta 则由前 Cruise CEO 牵头组建部门，构建“世界模型”以支撑细致操控。
总结来看，全栈整合派赌的是“规模涌现”，垂直突破派赌的是“专精迁移”，生态平台派赌的是“标准锁定”。2025 年的现状是：Demo 很精彩，落地仍艰难。但无论哪种路径，当硬件成本降到家庭可承担范围，机器人管家进入千家万户的愿景，或许在未来 1-2 年内就会从叠衣服、做早餐开始真正起步。