具身智能機器人年度總結，來自英偉達機器人主管

henry 發自 凹非寺
量子位 | 公眾號 QbitAI

“機器人領域仍處于蠻荒時代?！?/p>

這是英偉達機器人主管Jim Fan，在2025年，即將收官之際給出的判斷。

乍一聽，這個結論多少有些刺耳。

畢竟，在這一年里，我們已經看到機器人打乒乓球、打籃球，完成復雜的長程搬運與跨場景任務——

當然，也少不了各種翻車“冥”場面。

但就像Jim Fan，以及聰明的網友反復指出的那樣：

• 很多演示，本質上只是從上百次嘗試中，挑選出來的最好一次。

這背后，恰恰暴露出機器人領域至今缺乏統一、可復現的標準評測體系的核心問題。

也正因如此，幾乎人人都能通過添加限定詞，宣稱自己達到了SOTA。

除此之外，Jim Fan還指出——

當前機器人硬件進展快于軟件，但硬件可靠性不足，反而限制了軟件的迭代速度；同時，主流的VLM→VLA技術范式本身也存在結構性問題。

以下為分享全文：

2025年，機器人領域教給我的3件事

所有人都在為vibe coding感到興奮。在節日氣氛中，請允許我分享一下我對“機器人領域狂野西部”的焦慮——這是我在2025年學到的3個教訓。

硬件走在軟件前面，但硬件可靠性嚴重限制了軟件迭代速度

我們已經看到了極其精妙的工程杰作：Optimus、e-Atlas、Figure、Neo、G1等等。

但問題是，我們最好的AI還遠沒有把這些前沿硬件的潛力榨干。（機器人）身體的能力，明顯強過大腦目前能發出的指令

然而，要“伺候”這些機器人，往往需要一整個運維團隊。

機器人不像人類那樣會自我修復：過熱、馬達損壞、詭異的固件問題，幾乎是日常噩夢。

錯誤一旦發生，就是不可逆、也不寬容的。

真正被scaling的，只有我的耐心。

機器人領域的基準測試，依然是一場史詩級災難

在大模型世界里，人人都知道MMLU、SWE-Bench是怎么回事。

但在機器人領域沒有任何共識：用什么硬件平臺、任務如何定義、評分標準是什么、用哪種模擬器，還是直接上真實世界？

按定義來說，每個人都是SOTA——因為每次發新聞，都會臨時定義一個新的benchmark。

每個人都會從100次失敗里，挑出那次最好看的demo

到2026年，我們這個領域必須做得更好，不能再把可復現性和科學規范當成二等公民。

基于VLM的VLA路線，總感覺不太對

VLA指的是Vision-Language-Action（視覺-語言-動作）模型，目前這是機器人大腦的主流范式。

配方也很簡單：拿一個預訓練好的VLM checkpoint，在上面“嫁接”一個動作模塊。

但仔細想想就會發現問題。VLM 本質上是被高度優化用來爬諸如視覺問答這類 benchmark的，這直接帶來兩個后果：

• VLM的大多數參數，都服務于語言和知識，而不是物理世界；
• 視覺編碼器被主動訓練去丟棄低層細節，因為問答任務只需要高層理解，但對機器人來說，微小細節對靈巧操作至關重要。

因此，VLA 的性能沒有理由隨著VLM參數規模的增長而線性提升。問題出在預訓練目標本身就不對齊。

相比之下，視頻世界模型（video world model）顯然是一個更合理的機器人策略預訓練目標。我正在在這個方向上下重注。

在Jim Fan的推文下面，不少網友也表示了贊同。

有網友表示，硬件的容錯能力確實非常重要：

• 硬件約束導致迭代變慢，是一個常被低估的瓶頸。軟件可以高頻更新，但物理系統必須建立在可靠的機械基礎上，而這需要真實時間去驗證和打磨。

硬件很關鍵，但數據很重要

在Jim Fan的討論中，硬件被放到了核心位置，但與此同時，我們也發現數據作為一個核心元素被忽略了。

在機器人研究中，數據塑造模型能力，而模型的發揮又離不開硬件，這是其典型的全棧特性。

在今年，我們已經看到了像Figure03、宇樹H2、眾擎T800、小鵬IRON機器人、智元精靈G2等全新硬件本體。

從展示效果看，這些新硬件在運動能力上表現亮眼：

無論是宇樹的翻跟頭，還是小鵬機器人的步態控制，都已明顯超出年初的平均水平，并且證明了大型機器人（成年人身高）也能像小型機器人一樣靈活。

但真正現實的問題可能正如Jim和網友談到的，如何在維持高性能的同時，進一步提升硬件可靠性，例如抗摔性、電池發熱、長時間運行穩定性等工程層面的挑戰。

在數據方面，今年最值得注意的例子之一是Generalist，它通過大量的數據規模證明了具身智能的Scaling law。

其中，數據越大，模型參數越高，模型在具體任務上的表現也就越好，符合我們在LLM上觀察到的現象。

與此同時，也出現了像Sunday這樣方便數據采集的定制化機器人硬件。

這套系統與機器人的手部協同設計，利用技能捕捉手套采集人類動作數據，并能以近90%的成功率轉換為機器人可用數據。

同樣受到關注的還有Egocentric-10K，一個匯集了1萬小時工作數據的大型數據集。

可以說，在具身智能領域，數據的重要性已不言自明。但具體的數據路線仍未收斂：人類中心采集（可穿戴設備、Umi、視頻）、真機遙操數據、仿真數據，以及互聯網數據、數據模態、配比仍是開放問題。

2025機器人年度詞匯——VLA

在模型方面，VLA毫無疑問是2025機器人領域最熱的詞匯。

根據倫敦國王學院、香港理工大學等研究機構的最新綜述，僅2025年一年就發表了超200篇VLA工作。

前段時間更是有網友調侃道：2026年可能會有一萬篇VLA工作。

那么，VLA到底是啥呢？

簡單來說，VLA 賦予了機器人一個大腦，這個“大腦”可以同時處理以下三種模態的信息：

• 視覺 (Vision, V)： 通過攝像頭感知環境，理解物體的形狀、位置、顏色、狀態和場景布局。
• 語言 (Language, L)： 理解人類的自然語言指令（例如，“把桌上的紅蘋果放到碗里”）并進行高層推理。
• 動作 (Action, A)： 將理解的指令轉化為機器人可以執行的低級物理動作序列（例如，移動關節、抓取、推動等）。

傳統機器人通常需要為每個新任務進行專門編程或訓練，而VLA模型通過大規模數據學習，能夠執行訓練中未明確見過的任務，甚至在陌生環境下也能工作，從而具備泛化性。

但正如Jim Fan在上面提到的，基于VLM (視覺-語言模型) 的VLA模型，其骨架本質上是為問答和知識推理而優化的，其龐大的參數庫和服務目標，與機器人所需的物理世界精細操作存在嚴重錯位。

在這篇綜述中，我們也找到了對Jim Fan提出的觀點的一些回應，以問答形式梳理如下：

Q：VLM的視覺編碼器傾向丟棄低層物理細節，僅保留高層語義（如“這是蘋果”）。而這些微小細節恰恰決定了抓取、推動等動作的成功率

A：未來的 VLA 需要整合物理驅動的世界模型，內部表征 3D 幾何、物理動態、因果關系和可供性，實現語義指令與物理精度的統一。

Q：由于VLM預訓練目標與機器人控制不對齊，增加模型參數并不會線性提升性能。

A：通過“形態無關表征”解耦高層語義規劃與低層本體感知控制，使通用機器人大腦能夠通過輕量適配器實現零樣本跨具身遷移，從而發揮數據規模帶來的泛化能力，而非盲目堆疊參數。

Q：Jim Fan建議以視頻世界模型作為機器人預訓練目標，因為它天然編碼時序動態與物理規律。

A：當前研究趨勢是將世界模型能力“嫁接”到VLM上，例如訓練數據驅動模擬器學習物理動態，再嵌入VLA作為解耦內部模擬器，實現顯式規劃，使VLA從“被動序列生成器”轉向主動物理感知智能體。

此外，在數據和評測基準方面，綜述更傾向“仿真派”，提出以模擬優先、失敗為中心的數據范式。

一方面，依賴真實世界的大規模異構數據不可持續，未來需轉向高保真模擬環境生成多樣化軌跡。

另一方面，應充分利用失敗軌跡，從中學習，提高數據利用效率。

在評測方面，現有標準過于依賴二元成功率，難以反映魯棒性、效率和安全裕度。未來必須進行更全面的能力評估。

One more thing

最后插播兩條趨勢性消息：

據摩根士丹利的研究，機器人產業有望從當前的910億美元激增至2050年的25萬億美元。

與此同時，硅谷巨頭除微軟/Anthropic外，全部加碼機器人軟/硬件。

所以，雖然現實很骨感，但機器人題材依舊sexy～

[1]https://suyuz1.github.io/Survery/

[2]https://x.com/DrJimFan/status/2005340845055340558[3]https://x.com/rohanpaul_ai/status/2004891515878080673