機器人們，進“大學”，求“深造”

盡管機器人技術發展多年，但距離真正意義上的 “智能”仍有明顯差距。泛化能力弱、應用場景受限、商業化進程緩慢等問題，始終制約著整個行業的突破。即便在最新一代機器人身上，“摔跤”“反應遲緩”“判斷失誤”等基礎性挑戰依然常見。

深入分析發現，機器人的發展瓶頸已從硬件轉向軟件，最大的挑戰仍然在于 AI 模型的突破。如果將機器人比作人類，硬件相當于發育完全的四肢，而 AI 才是真正的“大腦”，數據則是學習資料，騰訊云存儲所構建的 Data Platform 數據平臺，則相當于支撐其全面成長的“大學教育體系”。

帕西尼感知科技，作為國內領先的高精度觸覺感知與具身智能核心技術企業，其 CTO 張恒第在日前的采訪中指出：收集包含視覺、關節角度、動作軌跡、語音，以及極為稀缺的觸覺模態在內的人類與物理世界交互的全模態數據，是一個非常龐大且復雜的工程，多方對比后，帕西尼把自己所收集的這些訓練機器人所必需的全模態數據，送進“騰訊云大學”。

文 | 涵元

編輯| 浩然

本文為商隱社原創文章，轉載請聯系后臺

機器人為何看著“笨”？

在今年4月的機器人馬拉松大賽上，一臺人形機器人緩慢前進，后面跟著幾十位工程師，他們忙著調算法、換電池、抗干擾。即便如此，大多數機器人還是頻繁摔跤，窘態百出。

這一現象背后，是早在20世紀80年代就由漢斯·莫拉維克等人提出的“莫拉維克悖論”：對人類而言困難的任務（如復雜運算），對機器反而容易；而人類輕松完成的動作（如感知與運動），對機器卻異常艱難。

原因在于，前者對于機器來說，是做減法。大語言模型（LLM）等技術將人類上百萬年積累的知識壓縮到機器里，當你與 AI 聊天時，相當于你在與人類文明史對話。當你與AI比賽時，相當于你與更高維度的智力對抗。

而后者對于機器人來說，是做加法。以“拿杯子”這樣的簡單指令舉例，機器人操作起來，要經歷6個步驟、13個技術領域。

機器人對“拿杯子”動作的拆分

帕西尼 CTO 張恒第指出，人類執行的每一個動作，均涵蓋觸覺、視覺、關節角度、動作軌跡、語音等多維度信息。人類本可輕松完成的任務，對機器人來說卻極為復雜。

張恒第進一步強調：“機器人與物理世界的每一次交互都產生海量數據。在帕西尼超級數采工廠，單日數據量可達150TB，年數據規模達百 PB 級別，傳統本地存儲完全無法承載。”騰訊云存儲 Data Platform 所支撐的采集數據上傳、存儲、訓練環節，便成為海量全模態具身數據高效推進產業躍遷的關鍵。

機器人也需要“上大學”

為解決機器人學習難題，行業領先企業開始將機器人送入“大學”進行系統訓練。與人類不同，機器人的學習通過“訓練數據-植入數據”模式完成，騰訊云存儲 Data Platform 數據平臺正是這所“大學”的核心基礎設施。

我們先來看一下為何過去機器人學習不好：

● 一場數據饑荒。加州大學伯克利分校的機器人專家肯·戈德伯（Ken Goldberg）曾指出，人形機器人在技能獲取上，與 AI 聊天機器人存在著天壤之別。其核心癥結在于一場嚴重的“數據饑荒”，二者的差距為十萬年。

● 泛化能力不足。機器人僅憑視覺信號難以獲得現實世界的物理常識，這導致它們無法處理未知場景，無法進行常識推理，更無法在失敗后進行基于理解的反思與調整。

●一個模型學習了與任務無關的特征(如視角、背景)跟動作之間的虛假相關性，而非理解語言指令與目標之間的真正關系。

比如，你向小孩介紹一只貓，下次遇到其他品種的貓，他也會反應出來這是“貓”。但如果你喂養一個機器人，前期需要向他輸入大量貓的照片、類型、特征，訓練成百上千次后，機器人才會明白，什么樣的物種，可以稱為貓。

這期間，如果有一只貓長了斑點，機器人就有可能將“斑點”與“貓”聯系起來，遇到帶斑點的衣服時，機器人也可能認為這是一只貓。

在這個過程中，數據量級、質量、處理方式，都會對機器人的反應造成重要影響。

基于全球頂級的觸覺感知技術，帕西尼自研“人因”具身智能數據采集體系，采用“多維觸覺數據采集手套 PMEC ”+“空間視覺矩陣”的方式，高效、高質地采集機器人所需的與物理世界交互的全維度數據，用以幫助整個行業加速實現智能泛化進程。帕西尼選擇了騰訊云存儲 Data Platform 數據平臺，張恒第介紹，他們看重騰訊云的點為：

一是海量彈性存儲。騰訊云存儲提供了海量、安全穩定、低成本的存儲支持，滿足具身智能行業對海量統一存儲的要求。自動冷熱數據分層，熱數據極速響應，冷數據沉降至低成本 COS 對象存儲。

二是模型訓練加速。TB/s 級吞吐與亞毫秒級訪問延遲的數據處理流水線，消除 GPU 等計算資源的數據供給瓶頸，確保算力資源高飽和運轉，提升大規模模型訓練與推理效率。

三是智能化數據治理。提供全局元數據索引與語義檢索能力，實現語音、視覺、傳感流等異構數據的自動關聯分析與血緣追溯，提升文件檢索效率，為仿真決策提供高一致性訓練樣本，激活多模態數據協同價值。

“騰訊云的優勢在于：可以將數據快速加載到分發系統里并調取數據。工具鏈完整，調取模型不必借助其他工具。即時反饋，看到模型需要修改處，幫助我們快速迭代。提供良好仿真環境，讓我們在部署前就能在云上進行大量仿真驗證。安全能力高，有效防止外部攻擊。Data Platform 算力調度能力強，可以投放大量仿真任務。我們可以只用幾行簡單的命令，就能便捷地使用各種服務，非常方便。”張恒第說。

在騰訊云“大學”，數據被加工提練為可用“教材”，最后統一輸出給機器人，讓機器人突破本體限制，實現云上進化，正如人突破了肉身限制，實現認知升級。

從“硬件驅動”到“智能驅動”：

機器人步入“智斗”時代

在機器人進化史上，“硬件先行”曾是行業共識，但如今形勢已變。培養具備認知與決策能力的“機器人大腦”，不再只是技術趨勢，更是產業發展的必然選擇。

從歷史維度看，缺乏軟件支撐的機器人注定被淘汰。以日本本田公司開發的阿西莫（ASIMO）為例，這款曾集奔跑、踢球、倒咖啡等技能于一身的機器人，在誕生22年后黯然退場。其根本原因在于，阿西莫每個動作依賴三萬行控制代碼手動編寫，無法適應AI驅動的新時代。相比之下，現代機器人通過 AI 訓練，僅用幾小時就能掌握后空翻、打太極等高難度動作，效率與靈活性形成鮮明對比。

帕西尼 CEO 許晉誠指出，中國在機器人硬件制造上已位居全球第一梯隊，但“成年人的身體不能配小孩的腦子”。僅靠硬件性能的堆砌，無法滿足現代產業對柔性生產、個性化服務和快速適應的需求。

在這一背景下，“智斗”能力成為機器人的核心競爭力。

帕西尼 CTO 張恒第強調：“短期目標是持續迭代帕西尼包括傳感器、靈巧手、人形機器人、數據采集系統等觸覺產品矩陣的能力；長期目標是通過帶有重要觸覺模態的全鏈條具身智能核心技術，推動 AI 與物理世界的深度融合，加速具身智能在物理世界中的認知與操作能力進化。”在這一進程中，騰訊云提供的存儲與算力支持成為關鍵基礎設施。通過其高可用、高并發的數據處理能力，有望降低具身智能研發的門檻，加速“智能涌現”時刻的到來。

當前，機器人廠商正積極構建“數據飛輪”閉環——通過實際場景中的數據反饋持續優化模型，進而提升機器人的智能水平。帕西尼的 TORA-ONE 機器人已應用于醫療、物流、工業制造乃至地鐵安檢等多元場景，不同領域的數據特性與任務需求，進一步凸顯了云端訓練與迭代的重要性。

如今，在騰訊云存儲構建的“大學”環境中，機器人正實現從單體智能到群體智能的跨越。當機器人從這所“大學”畢業之時，就是其真正融入人類生活、開啟智能新紀元的開端。