对话CEO｜王鹤：机器人进工厂，只“聪明”还不够

机器人能跑、能跳已经不算新鲜事了。

真正难的问题开始往后走了一步：这些看起来越来越聪明的人形机器人，什么时候才能真正走进工厂、商店，甚至普通人的家里？又或者说，什么时候企业愿意成规模地买机器人回去，让它稳定地干活？

在2026世界机器人大会期间，银河通用创始人兼CTO王鹤接受大众新闻等媒体采访时，把具身智能商业化的门槛拆成了三个层次。

第一层，是基础模型够不够强；第二层，是能不能以更低成本适配具体场景；第三层，也是很容易被忽视的一层——机器人本身是不是足够可靠。

“最终还是看它能不能成为一款好用且普遍适用的产品。”王鹤说。

“今天的具身基模，大约还在GPT-2阶段”

过去两年，人形机器人发展得很快。但王鹤对当前行业所处的位置，有一个并不激进的判断。

如果把具身智能的发展放到大语言模型的坐标系里，他认为，当前具身智能基础模型的能力，大约相当于数字世界当年的GPT-2阶段。按照他的预期，到2028年前后，行业有望达到类似GPT-3.5至GPT-4之间的水平。

这意味着，今天的人形机器人虽然已经能够完成不少复杂任务，但还没有到“拿来就用”的程度。

在很多行业、很多场景里，机器人仍需要针对具体任务做中训练和后训练。换句话说，同样一台机器人，从家庭搬运切换到商超，再从商超进入汽车工厂，面对差异较大的任务，背后往往还要重新投入工程和训练资源。

“如果你有这么一个任务，愿意不计成本地投入资源去进行后训练，机器人几乎都能把这个任务做好。”王鹤说，问题在于，这种投入还无法立刻支撑全行业的大规模部署。

他给出的技术演进逻辑是：基础模型越强，对后训练的依赖越小，单个场景的适配成本越低，机器人才可能从千台、万台，走向10万台甚至百万台规模。

这或许也是观察人形机器人产业的一个重要变化。

过去，行业更关心机器人“又学会了什么”；往后，真正决定商业化速度的，可能是“学会一件事还需要花多少成本”。

一段干活视频，就能成为机器人的“教材”

那么如何去降低这个成本？银河通用给出的一个答案，是让机器人直接从真实世界的视频里学习。

王鹤介绍，银河通用今年提出银河星脑最新规模化部署技术WAM-TTT，客户只需要拍摄自己工作场景中的作业视频，不需要人工标注，也不需要遥操作机器人，就可以利用这些视频对基础模型进行后训练，让机器人更快获得在客户场景中“能干活、干好活”的能力。

这背后其实是一个很现实的商业逻辑。如果每进入一家工厂、每增加一个工种，都需要重新组织大量数据、重新遥操作、重新训练，那么机器人即使能力很强，复制速度依然会受到限制。

而把普通作业视频直接变成训练数据，本质上是在缩短机器人从“通用能力”到“具体岗位”的距离。

这种能力已经开始进入工业现场。

王鹤透露，在宁德时代，银河通用机器人已经在产线上7x24小时常态化作业。此前，银河通用还与奔驰、北汽、上汽等企业开展合作。

在汽车车间里，一些机器人已经真正“上岗”。

王鹤举例，在零部件货架区，机器人可以根据订单取下零部件，再转移到AGV小车，由小车送至总装线。这类高频、重复的搬运和分拣工作，已经成为人形机器人较早进入的场景。至于真正爬进车内安装零部件、拧螺丝等更复杂工序，他认为还需要双腿、双手的人形机器人能力进一步成熟。

商业化还有一道门槛：模型够聪明，还不够。

王鹤反复提到另一个词：可靠性。

“大家可能现阶段很多企业都是忽视的，就是你的硬件支不支持，它是一款可靠的硬件，是一款用户可以信赖的硬件。”王鹤说。

从2024年12月开始，银河通用机器人率先进入药房场景。按照王鹤提供的数据，目前其机器人已经在北上广深等城市近100家药房累计拣药超过100万盒，机器人至今无故障运行，公司还在继续向3年、5年的可靠性目标推进。

“模型和硬件耦合在一起，会让用户用得放心，而且用得省心。”王鹤的这句话听上去不如“大模型”“世界模型”那么性感，却可能更接近商业化的本质。

机器人进入真实世界，不是在实验室里完成一次任务就结束。药房夜里两三点钟来了订单，它要能准确找到药。工厂流水线不停，它要连续工作，一旦设备频繁故障，再强的模型能力也很难转化成真正的生产力。

王鹤说，在药房累计抓取的100万盒药中，没有一盒抓错。机器人每抓取一盒药，都要同时核验图片、药品名称、条形码和追溯码，全部匹配后才能装袋。

也因此，在王鹤看来，具身智能真正走向大规模商业化，并不存在某一个单点技术突然突破的“魔法时刻”。

基础模型要足够强，让机器人面对陌生任务时拥有更好的零样本能力；后训练要足够轻，让企业不必为每一个新任务投入过高成本；硬件又必须足够可靠，能够在真实环境里长期稳定工作。

当这三件事同时成立，机器人或许才真正从展台上走下来。

不是多会一套舞，不是又完成了一次漂亮演示，而是第二天、第三天、第一百天，它还在那个岗位上，把同一件事一遍遍做对。

（大众新闻记者 苏月鹏 董婉婉 北京报道）