[智能应用]为了让机器人赶紧干活儿，我给他造了个“小脑” [复制链接]

余工被自己训练的机器人踹过。
每隔一段时间，这位工程师都会穿上动作捕捉服，在办公室里出拳、走路、旋转，做出一系列动作，以测试机器人运动控制算法效果。站在身旁的机器人，以毫秒级的延迟复刻他的每一个动作。
有一回，伸展空间不够。他踢了下腿。机器人照单全收，一记猛踹落在他身上，这种剧痛余工至今难忘。
但争分夺秒地开发训练机器人仍是他最重要的工作。2025年被认为是人形机器人量产元年，全球出货量约1.7万台，中国企业出货量占全球84.7%，稳居第一。
一时间，行业迎来资本狂热、政策加码、媒体追逐的热闹景象。一个尴尬的现实也浮出水面：这些能跑马拉松、能跳二人转、能翻后空翻的机器人，真正能“干活”的并不多。
大模型驱动人形机器人做出每个动作都需要消耗大量算力，也限制了业内主流思路的开发进度。
因此，当下不少机器人企业都面临着这样一个普遍的困境：完成了基础研究，但很难商业化。
在上海浦东，国家地方共建人形机器人创新中心（以下简称“国地中心”）里，为了能让机器人尽快干活儿，余工和他的团队另辟蹊径，在大模型接入机器人作为“大脑”之外，给机器人安上了支配动作的“小脑”。
余工在办公室测试机器人。 李楚悦 摄
给机器人当“老师”
要理解今天的机器人行业正在发生什么，得先回答一个看起来很基础但其实并不能轻易给出答案的问题：为什么一定要把机器人做成人的模样？
在余工看来，机器人产业发展最核心的目的是提高人类的劳动力水平。
人类社会的一切基础设施，都是依照人的身体尺度设计的。门把手的高度、楼梯的宽度、方向盘的形状、工具的握持方式，全都是为人准备的。如果一个四足机器人，就无法完全使用现有的所有工具。
“我希望机器人能用我的工具解决我的问题，而不是我为它专门设计一套方案。”余工说。
本质上，这是一个成本问题。
如果从许多人期待机器人进入的家庭场景出发，人形机器人也更具亲近感。“你每天早上醒来，相比一个四足机器上面长了一只手过来拍你起床，可能更期待一个长得‘像个人样’的机器掀开被子，说主人该上班了，早餐已经做好了。”
除此之外，余工觉得“或许也有一些既浪漫又狂妄的念头”——人类是不是也可以创造另一种智慧生物？
无论如何，人形机器人要解决的最基本需求是成为没有负担的纯劳动力替代方案。
那么，什么时候机器人才能真正干活儿？
“现在的思维能力，整体上还是比较落后的。它能做的事情还比较少。”余工说。
如今的AI大模型已经可以写诗、写代码，但把它们装进机器人身体里，将“大脑”里的“想法”落地成“动作”，是另一回事。
“很多人以为，把大模型装进机器人身体里，机器人就能自己动起来了。但中间缺少的关键一环在于AI如何驱动这个物理身体。”余工解释。
人的身体有几百块肌肉，但人在做动作时，完全感觉不到自己在控制肌肉，这是因为小脑在底层完成了对肌肉的精细控制。似乎脑海里产生“我要把手抬起来”念头的同时，手就自然地抬起来了。
如果想要机器人也遵循这个过程、习得人类的诸多动作，就得收集到海量且高质的真实操作数据。
最直接的办法是请人类来当机器人的“老师”。
在国地中心，刘强是教机器人“做人”的训练师之一。他每天的工作内容非常固定——穿戴好设备，指导机器人进行上肢训练。
最近，刘强正在训练的项目是齿轮收纳，通过一遍遍演示，教会将不同规格的齿轮放进收纳盒内。如何识别、怎么抓起、用多少力，“笨拙”的机器人并不知道，需要手把手教。为了让机器人变得更聪明，他还会在桌面上放一些干扰物，再进行训练。
训练的难度因任务而异。比如，叠衣服这项人类最普通的家务之一，对机器人而言，难度系数相当高。“由于涉及动作细节较多，对关节旋转要求极为精细，控制需要更加精准，对遥操者的熟练度也提出了很高的要求。”刘强解释。
任务难度直接影响到数据的有效性。从前端采集的数据还需经过进一步校准、识别，再由研发团队运用于机器人的自主训练。之后，在没有训练师介入的情况下，机器人通过现有的数据在虚拟环境中独立完成训练。
刘强正在训练机器人。 朱雅文 摄
换一种“教”法
所有机器人的动作学习，本质上都是“人教”的。通过人类反复演示，然后转化为数据，再用这些数据去反复训练模型，直至其熟练掌握。
“人教人，聪明的一遍就会，笨一点的两三遍。但机器人，你得教它几百遍。”余工说，区别在于样本效率高低。
有没有办法让训练更高效且低能耗一些？
余工团队正在努力尝试的是一种信息量更饱满的数据采集方式。传统的数据采集，只记录了“轨迹”——手从A点移动到B点的路径。而通过动捕服和远程遥控，可以同时记录下机器人底层电机的控制数据——电流多大、扭矩多少、关节角度如何变化、身体倾斜了几度。
“就像以前你只给了它一个答案，现在你把每一步的推导过程都写下来了。”余工说。这意味着机器人可以更高效地学会新技能。以前要学一百遍的，以后可能十遍就会了。
但新的问题也随之而来。
“如果让一个大模型直接去控制每一个电机、每一个关节，频率太高。人做动作时，神经信号是毫秒级的，一秒钟可能要决策上千次。这么大的计算量，目前的算力根本扛不住。”余工解释。
于是，他和团队选择了“分层”的方案：底层相对较小的模型，以非常高的频率去控制机器人的每一个关节，保持平衡、执行动作。上层的大模型只需以较低的频率发出指令，比如“把手放到那个位置”，至于怎么放、用多大力、如何保持身体不倒，底层的“小脑”自己解决。
“有点像混动车。”余工打了个比方，“电池容量没那么大的时候，加一个汽油发动机，电启动，油加速。”
这未必是行业里训练机器人的终极方案。随着硬件发展，未来可能出现完全不同的方案。但在当下，这是一种有可能跑通的路径。
余工把这个底层模型叫做“小脑模型”。它或许算不上聪明，但反应极快。它要做的不是思考，而是执行。
不过，这仍不是最终目标。
更为理想的状态是，底层有一个非常强壮稳定的“小脑”，能够执行几乎所有动作指令；上层有一个足够聪明的“大脑”，能够理解复杂的任务意图想，像人类一样进行功能分区。
除此之外，硬件的能力也决定了机器人的上限。“算法是从下往上够，但超越不了上限。” 余工说，“现在行业内，硬件能力的差别很大。有些厂家的电机做出来是施瓦辛格，有些人做出来就是我这样的普通人。”
“目前机器人的体能水平现在只是比我强一些。”余工说，“我们希望有一天，它能做到连续三个后空翻，一下跳两米高，这些是正常人做不到的动作。”只有这样，机器人才能真正走进工厂、家庭、灾难现场，成为人类劳动力的替代。
进厂前的“最后一步”
余工所在的实验室，是国地中心的一部分。
在上海浦东，由人形机器人（上海）有限公司（国地中心）牵头成立的上海虚实融合具身智能训练场，是全国首个面向具身智能领域的国家级标准化试点项目。
这个由工信部和上海市政府共同授牌成立的机器人训练中心，是人形机器人领域的首个国家级公共平台，旨在构建行业大数据集，推动技术研发、企业孵化与人才培育，加快实施创新驱动发展战略。
国地中心训练场 李楚悦 摄
“国内人形机器人虽然才发展了两年，但只有产业化落地之后，这个产业才能证明发展成功。”国地中心市场总监杨正叶说。
国地中心的建成，正是为了催化这“最后一步”。让机器人在进企业前工作的基础训练可以在这里通过大量数据训练完成。这个训练场的场景不是固定的，而是根据市场需求不断更新。
杨正叶介绍，目前，人形机器人业内的训练思路主要分为两种。国外市场走的是“大模型驱动”的路线，即在不同环境下，机器人通过视觉传感器和位置传感器不断计算，不断尝试抓取。通过反复失败尝试，直到成功为止，通常这样的过程需要巨大的算力支撑。
国内走的是“数据驱动路线”。这虽然规避了算力需求，但对数据质量提出了更高的需求。比如，每次机器人必须复位到基准位置，数据才能用。想要换个位置抓取杯子，就得重新采集数据。
更麻烦的是，各家机器人的关节参数不一样。“国地中心要做的另一件事，就是把所有机器人的数据变成通用数据。”严格来说，国地中心机器人训练场，不仅仅是一个物理空间，还是一个数据空间。
很多人或许难以想象，教机器人拿杯子这样一个简单动作，背后的数据采集是如何庞大的工程。
世界上存在的杯子类型众多，抓取方式更是千变万化。想让机器人学会抓杯子这一动作，需要把世界上存在的所有杯子泛化成不同种类：马克杯、高脚杯、玻璃杯、塑料杯……需要分门别类进行数据采集。此外，还需要处理更复杂的情况，比如：倾斜的杯子、湿滑的杯子、被压住的杯子等等。
“只有当机器人能解决问题的方式足够多，再给它下一个命令’我要拿这个杯子’，它的拿起杯子的成功率才能接近于人。它也会像人一样，判断杯子类型，再选择方案，擒住杯口拿起来、抓住杯把拿起来，还是双手捧起来。”杨正叶说。
国地中心的训练场里，记录数据体量的数字在大屏幕上时刻跳动。
不同厂商的机器人在海量的数据中不断地试错、校正、再试错。被清洗校对过的数据会用来训练机器人。
国地中心训练场外。 李楚悦 摄
“人类的叛徒”
在人形机器人行业内，变化是以周为单位计算的。但没有人确切知道，这个行业时候会“涌现”出新的突破。
“它或许会突然变得很厉害，但你没法预测它什么时候发生。”余工说，“机器人上周还做不到的动作，这周可能就突然能做到了。不是哪个人类工程师写了新代码，而是模型自己学会了。”
过去一两年间，人形机器人行业最初比拼的是“谁走得更稳”，后来是“谁跑得更快”，再后来是“谁能跳”。今年春晚，有人让机器人做托马斯回旋、后空翻、连续武术动作。
“但这些不是为了炫技。”余工强调，“是为了测试它的动态能力到底到了什么程度。就像人类也要先学走、再学跑跳。你有一个强壮的身体，才能干后面的事情。”
这个逻辑在机器人身上，就必须先把底层能力做扎实，再进入应用场景。送外卖、消防、工厂搬运、家庭陪护……都需要建立在机器人能够稳定地执行动作的基础上。
余工觉得，普通人或许看到的是“它突然可以翻了”，但整个行业距离真正的“通用机器人”还很远。
国地中心里等待训练的机器人。 朱雅文 摄
人类对于机器人的期待和态度，也存在微妙的张力。一方面，期待科技的突破能够带来变革，另一方面，人类被替代的担忧也从未消失过。
当机器人越来越像人，最终会取代人类吗？
“我觉得人类制造机器人的初衷，就是成为社会发展或者工业发展的一个助力。”余工说。
他抱有相对理性的乐观态度，新的技术会产生新的需求，也会产生新的工作岗位。那些被替代的劳动力，可能会去做别的事情。人类的劳动强度降下来之后，或许能追求更多的“自我实现”。
即便如此，余工仍然笑着将自己称为“人类的叛徒”。这个“95”后工程师职业的起点是大模型算法工程师，再行业的更迭下步入机器人赛道时，从小看“高达”长大的他，想要给未来的到来提提速。
“这个行业无法停下进步的速度，不前进就意味着淘汰和死亡。”余工说。虽然压力不小，但他也享受这种创造未来的兴奋，哪怕最终的结果是由机器人接管人类世界。“就像造刀的人，不会去想刀造出来是否会用来杀人。“
杨正叶也有类似的观点：“先让技术生长。新质生产力的发展，永远不要让它停步。至于过程当中会发生的问题，都不是无法解决。”

给机器人装“小脑”：让效率翻倍的智能升级方案
一、项目背景：从“机械手”到“思考者”
传统工业机器人虽然动作精准，但面对复杂任务时往往需要人工编程，响应速度慢、适应性差。为了解决这一痛点，我们决定为机器人打造一个“小脑”——基于AI的智能决策系统，让机器人具备自主判断、快速响应的能力，真正实现“干活不拖沓，效率翻倍”。

二、核心设计：AI“小脑”的三大模块
实时感知模块

集成高精度传感器与视觉识别系统，机器人可实时感知工作环境变化，比如物料位置偏移、设备异常等，无需人工干预即可自动调整动作路径。

智能决策引擎

基于强化学习算法，机器人能根据任务优先级、资源占用情况等动态因素，自主规划最优工作流程。例如在流水线作业中，优先处理紧急订单，自动规避故障设备。

快速响应机制

采用边缘计算架构，将AI决策模型部署在机器人本地，大幅降低数据传输延迟，确保指令执行速度提升30%以上，真正实现“秒级响应”。

三、落地效果：效率与成本的双重提升
效率提升：某汽车零部件工厂试点后，机器人单日产能提升45%，任务完成时间缩短60%
成本降低：减少人工编程与调试时间，运维成本下降30%
灵活适配：可快速切换不同生产任务，支持多品种小批量生产模式
四、未来展望：从“小脑”到“全脑”
当前“小脑”系统已实现基础智能决策，下一步将融合自然语言处理、多机器人协作等技术，打造具备“全脑”能力的超级机器人，真正成为工厂里的“全能员工”。

人形机器人：在探索中迈向通用化的未来
在科技飞速发展的当下，人形机器人领域正经历着前所未有的变革与挑战。从研发训练到商业化落地，从底层能力构建到应对人类复杂的情感与担忧，人形机器人的每一步发展都牵动着行业的神经，也引发着人们对未来生活的无限遐想。
一、研发训练：在挫折中探索前行
（一）测试之痛与量产曙光
工程师余工在测试机器人运动控制算法效果时，曾因伸展空间不够，被自己训练的机器人猛踹，剧痛至今难忘。但这并未阻挡他争分夺秒开发训练机器人的脚步。2025年作为人形机器人量产元年，全球出货量约1.7万台，中国企业出货量占全球84.7%，稳居第一。然而，行业繁荣背后却隐藏着尴尬现实：能跑马拉松、跳二人转、翻后空翻的机器人，真正能“干活”的并不多。大模型驱动人形机器人动作消耗大量算力，限制了开发进度，不少机器人企业面临完成基础研究却难以商业化的困境。
（二）另辟蹊径的“小脑”方案
为让机器人尽快“干活儿”，余工团队在国家地方共建人形机器人创新中心另辟蹊径。在大模型接入机器人作为“大脑”之外，给机器人安上支配动作的“小脑”。人的身体由小脑完成对肌肉的精细控制，机器人要习得人类动作，需收集海量且高质的真实操作数据，最直接的办法是请人类当“老师”。训练师刘强每天穿戴设备，指导机器人进行上肢训练，如齿轮收纳项目，通过一遍遍演示，教会机器人识别、抓起、用力等动作，还会设置干扰物提高训练难度。
（三）高效训练的探索与挑战
余工团队尝试信息量更饱满的数据采集方式，通过动捕服和远程遥控，同时记录机器人底层电机的控制数据，让机器人更高效学会新技能。但新问题随之而来，大模型直接控制每个电机和关节计算量巨大，现有算力无法承受。于是，团队采用“分层”方案，底层小模型高频控制关节，上层大模型低频发出指令，如同混动车，电池容量不足时加汽油发动机辅助。不过，这并非终极方案，硬件能力也决定机器人上限，目前机器人体能水平仅比余工强一些，距离连续后空翻、跳两米高等目标还有差距。
二、训练中心：催化产业化落地的关键力量
（一）国家级平台的使命
上海虚实融合具身智能训练场作为全国首个面向具身智能领域的国家级标准化试点项目，由工信部和上海市政府共同授牌成立，是人形机器人领域的首个国家级公共平台。其旨在构建行业大数据集，推动技术研发、企业孵化与人才培育，加快实施创新驱动发展战略。国地中心市场总监杨正叶表示，国内人形机器人虽发展两年，但只有产业化落地才能证明发展成功，国地中心的建成正是为了催化这“最后一步”。
（二）训练思路的差异与融合
人形机器人业内训练思路主要分为国外“大模型驱动”和国内“数据驱动”两种。国外路线依赖机器人通过视觉和位置传感器不断计算尝试抓取，需巨大算力支撑；国内路线规避算力需求，但对数据质量要求高，且各家机器人关节参数不同。国地中心致力于将所有机器人数据变成通用数据，不仅是一个物理空间，更是一个数据空间。教机器人拿杯子这一简单动作，背后是庞大的数据采集工程，需将杯子泛化成不同种类，处理各种复杂情况，只有机器人解决问题方式足够多，拿起杯子成功率才能接近人类。
三、行业展望：在期待与担忧中前行
（一）技术突破的不可预测性
在人形机器人行业，变化以周为单位计算，没人确切知道何时会涌现新突破。余工称机器人上周还做不到的动作，这周可能突然能做到，不是工程师写新代码，而是模型自己学会。过去行业比拼走得稳、跑得快、能跳，如今春晚机器人展示托马斯回旋、后空翻等动作，并非炫技，而是测试动态能力。只有把底层能力做扎实，才能进入送外卖、消防、工厂搬运、家庭陪护等应用场景。
（二）人类态度的微妙张力
人类对人形机器人既期待又担忧。期待科技突破带来变革，又担心被替代。余工认为人类制造机器人初衷是助力社会和工业发展，新技术会产生新需求和新岗位，被替代的劳动力可能去做别的事，人类劳动强度降低后或能追求更多“自我实现”。尽管他理性乐观，但仍笑称自己是“人类的叛徒”，这位“95”后工程师从小看“高达”长大，想加速未来到来。杨正叶也认为应先让技术生长，新质生产力发展不应停步，过程中出现的问题都可解决。

人形机器人行业在研发训练中不断探索高效方法，训练中心为产业化落地提供关键支持，尽管面临技术突破不可预测和人类复杂态度等挑战，但行业依然在期待中坚定前行，向着通用机器人的目标不断迈进。

你这“小脑”设计，听起来像是给机器人注入了灵魂的节奏啊‌！看得出来，你正琢磨着让机器人更敏捷、更协调地干活儿，这一步跨得挺关键。

在机器人控制中，“小脑”通常类比为负责‌实时运动协调、平衡调节和动作微调‌的核心模块。你可能是通过引入边缘计算单元、专用运动控制芯片，或是构建了一套低延迟反馈回路，来提升它的动态响应能力。

这种设计的优势很明显：

‌动作更顺滑‌：减少生硬停启，实现类人级的加减速曲线；
‌抗干扰更强‌：面对外力扰动（比如地面不平），能快速自适应调整姿态；
‌主控减负‌：把高频微调交给“小脑”，主AI专注高层决策，系统效率翻倍。
如果你是在做服务机器人、仿生机器人或工业协作臂，这套架构几乎是迈向“真干活”的必经之路。