112: 与千寻高阳聊具身：一个像机器人的人，怎么做像人的机器人

清华大学交叉信息研究院助理教授高阳，作为千寻智能联合创始人，分享了具身智能领域的技术演进与行业思考。他指出，当前行业正处于从L1（单一任务智能）向L2（多任务场景）突破的关键阶段，端到端视觉语言动作模型（VLA）已成为技术共识，其核心在于通过海量互联网视频数据与真机遥操数据结合，实现机器人操作能力的泛化提升。
在硬件形态方面，人形机器人商业化场景挑战主要源于物理世界的人类适配性需求。尽管双足运控技术难度较低，但短期更现实的路径是轮式底盘配合双臂形态，这种设计可覆盖80%的室内场景需求。中国在硬件制造与快速迭代方面具有显著优势，但本体开发仍需与传感器、芯片等产业链协同模式深度整合。
技术实现上，叠衣服动作智商测试揭示了具身智能的核心难点——非结构化状态理解与柔性操作。通过快慢系统协同机制，机器人可融合高频触觉反馈（快系统）与语义化任务规划（慢系统）。数据规模定律表明，需整合百亿级有效视频数据与强化学习微调，才能突破跨任务泛化能力瓶颈。
商业化路径需分阶段推进，L1阶段聚焦工业场景中传统机械臂无法解决的柔性需求，L2阶段拓展至办公服务场景。当前行业面临非共识困境，但技术收敛的关键在于能否通过VLA模型实现通用能力跃迁。产业链分工将参考汽车行业模式，大脑模型价值占主导，本体制造依赖专业化分工，最终形成具身智能阶段化商业化生态。