(资料图片仅供参考)

分拣、组装倒茶、调酒、打乒乓球、拿药……这两天，WAIC（世界人工智能大会）展馆中的“铁皮生物”忙着给碳基生物展示新学的技能。相比两年前呆站着或被绳索吊起来的前辈，这一届具身智能机器人有模有样地动起来了。

但逛了展馆，腾讯首席科学家、腾讯Robotics X实验室张正友告诉第一财经等媒体，他发现机器人无论是本体形态还是落地场景，同质化还是比较严重。

“具身智能尚未真正大规模落地，大家都在寻找可以发挥作用的地方，不同机器人厂家找到的场景可能都差不多。”他表示，现在业界对工业场景应用关注很多，除此之外，他还希望有更多企业参与养老行业。

在养老等需要与人交互的场景，一些难题仍待解决。“机器人最难解决的问题在于操作物体或与人物理接触。现在看到大部分落地场景都在工业，除非是玻璃等脆弱物品，很多物体重一点、轻一点，都不需要那么精细地抓取。”张正友告诉记者，但人与机器人的物理接触不能出现任何差错，尤其是在养老场景，类似“搀扶老人把老人骨头捏碎”的情况不可接受，机器人进入家庭要100%保障安全。

张正友说，要把触觉、力觉、视觉大模型做好，触觉、力觉和视觉感知要紧密结合。触觉反馈大概1毫秒，视觉反馈可能是30毫秒，把不同频率的感知信息和大模型结合十分重要。在各种腾讯希望挖掘的具身智能应用场景中，养老场景是难度最大的之一，腾讯的示范性机器人“小六计划”进入真实场景如养老院，以便进一步迭代。

去年腾讯发布了Tairos具身智能开放平台，定位类似具身大脑，本届WAIC则推出Hy-Embodied-VLM-1.0等多款具身智能系列新模型和多个智能体框架，用于完善具身智能机器人的大小脑并连通机器人身体感知。这些更新源于机器人仍存在一些需要被治愈的智能“硬伤”。

张正友称，目前最聪明的人工智能本质上仍是“缸中之脑”，善于逻辑推理、文本生成和知识问答，但缺乏与物理世界直接互动的闭环，未必真正理解物体的位置、空间关系与可操作性，也难以在持续变化的环境中边行动、边接收反馈、边及时调整。而真正的智能需要让语言、视觉、空间认知、身体控制和环境反馈连通起来。

此外，张正友表示，机器人训练所需数据包括网络视频、第一人称视角操作视频、带传感器手套收集的数据、遥操作数据。要让机器人经由训练变得更智能，这四类数据需要打通。

模型也有待继续演进。张正友告诉记者，大语言模型技术栈已经收敛，具身智能技术栈还没有。去年业界兴起VLA（视觉语言动作模型）范式，今年在谈论世界模型，但目前世界模型的实现方式尚未有共识性技术路径，仍需继续探索。

关键词： 腾讯 智能 智能体 模型 Embodied 机器