不同硬件、不同大腦，不同機器人廠商進入不同場景，在多方變量的加持下，機器人的規模化落地似乎遙遙無期。

9月17日
，第一財經記者在采訪第三方部署方、機器人本體廠商和場景落地方時發現
，一個行業新角色正在出現。一個類似於安卓操作係統的中間算法層正在承擔屏蔽硬件差異、兼容不同大腦架構的功能，為機器人在真實場景中的規模化落地提供可能。

如今，這一產業角色已經吸引了穀歌

、智元、富臨精工、格力博
、東土科技、巨星新材料等企業押注。但在硬件廠商堅持自家體係、大模型企業追逐通用智能的格局下，行業的“安卓時刻”何時到來，仍有待市場與現實工況的雙重檢驗。

機器人湧入場景，跨本體訓練遇阻

當機器人廠商湧向場景方
，新的問題正在出現。

“這個月至少有兩家機器人公司正在和我們談合作。”Kelvinshichangsanjiaoyijiawuliushangshigongsidejishufuzeren
，tagaosujizhe，weileherenxingjiqirenchangshangjinxinghezuo，zijibudebubochuyigebarenzuoyoudetuanduihebutongjiqirenqiyejinxingduijie。“我們需要開放不同的數據接口
，提供一個專門的實驗場景，還需要根據各家機器人的要求不斷調整流程和測試參數”。

在大量的人力和物力投入之外
，Kelvin坦言自己算不過來ROI（Return on Investment，投資回報率）。“機器的工作效率不穩定，且運維需要大量後續的費用。”他向第一財經記者透露，物流企業馬上就會備戰“雙11”時間
，在此期間是否繼續讓機器人上崗
，他還在猶豫。

更大的問題是，由於不同廠商的機器人算法不兼容、硬件各自封閉
，導致一個場景的成功經驗難以遷移到另一個場景。“有的時候我們的流水線哪怕是多一個彎折，機器人都需要重新走一輪POC（Proof of Concept，概念驗證）。”

“廠商覺得我們不夠開放，我們覺得機器人廠商要得太多。”Kelvin說
，這是產業上下遊之間對接存在的普遍問題。第一財經記者了解到
，一些“中間人”的(de)角(jiao)色(se)正(zheng)在(zai)產(chan)業(ye)鏈(lian)中(zhong)誕(dan)生(sheng)。前(qian)上(shang)汽(qi)自(zi)動(dong)駕(jia)駛(shi)域(yu)控(kong)製(zhi)器(qi)算(suan)法(fa)負(fu)責(ze)人(ren)，安(an)努(nu)智(zhi)能(neng)工(gong)程(cheng)算(suan)法(fa)總(zong)監(jian)楊(yang)曾(zeng)告(gao)訴(su)記(ji)者(zhe)，團(tuan)隊(dui)正(zheng)在(zai)研(yan)發(fa)的(de)一(yi)套(tao)中(zhong)間(jian)件(jian)算(suan)法(fa)平(ping)台(tai)
，希(xi)望(wang)像(xiang)手(shou)機(ji)裏(li)的(de)操(cao)作(zuo)係(xi)統(tong)一(yi)樣(yang)，把(ba)不(bu)同(tong)廠(chang)商(shang)的(de)機(ji)器(qi)人(ren)納(na)入(ru)統(tong)一(yi)的(de)兼(jian)容(rong)框(kuang)架(jia)。

就(jiu)像(xiang)手(shou)機(ji)的(de)操(cao)作(zuo)係(xi)統(tong)讓(rang)不(bu)同(tong)軟(ruan)件(jian)在(zai)同(tong)一(yi)套(tao)規(gui)則(ze)下(xia)運(yun)轉(zhuan)一(yi)樣(yang)，中(zhong)間(jian)件(jian)希(xi)望(wang)能(neng)夠(gou)通(tong)過(guo)屏(ping)蔽(bi)底(di)層(ceng)硬(ying)件(jian)差(cha)異(yi)，使(shi)一(yi)套(tao)算(suan)法(fa)能(neng)夠(gou)遷(qian)移(yi)到(dao)不(bu)同(tong)廠(chang)商(shang)的(de)機(ji)器(qi)人(ren)上(shang)。“如果每遇到一個新的硬件
，就要重新訓練
，機器人在實際場景部署的速度就會非常慢。”重zhong慶qing大da學xue助zhu理li教jiao授shou，人ren工gong智zhi能neng及ji多duo模mo態tai實shi驗yan室shi具ju身shen智zhi能neng負fu責ze人ren，安an努nu智zhi能neng首shou席xi科ke學xue家jia胡hu喆喆告gao訴su第di一yi財cai經jing記ji者zhe，想xiang要yao提ti高gao機ji器qi人ren的de通tong用yong化hua，跨kua本ben體ti是shi必bi須xu跨kua過guo的de門men檻kan。

在不改動模型本身的前提下，兼容不同機器人的大腦
，成為中間件的挑戰。“雖然主流的模型是VLA模型（Vision-Language-Action Model
，視覺-語言-動作模型）
，但其中的架構仍然不同
，有端到端，也有分層式。”胡喆說，中間件在機器人大腦和機器人作業的實際場景中充當一個“翻譯官”的角色。在他的設想裏
，輸出的指令會先被中間件被轉化為統一的目標和約束，再交由各家機器人自身的規劃控製器執行。

“這樣我們就不必為每一個新廠商重新訓練模型
，隻需要向每一個機器人的規劃控製器下達指令
，就能讓中間件跑通整個流程。”胡喆說。

物理規律難仿真
，機器人“幹中學”

“我們曾經試過，在實驗室裏跑通了所有算法，結果到實際場景中發現完全不是一回事兒。”鈦維雲創的創始人張磊告訴記者
，當自己試圖讓機器人處理布料這樣的柔性物體時
，由於布料材質
、厚薄

、摩擦力不同，實驗室的環境並不能完全滿足操作需要。

張磊透露，像布料
、不規則包裹等物體
，POC周期“很長

，且難以給出確切的時間”，“因為我們需要提前磨合算法
、下線采集數據、再拿到實驗室反複訓練
，才能勉強適配場景”。

工廠中的物料、工藝成千上萬，換一條生產線
、換一個工位，都可能帶來完全不同的情況。

“離線的強化學習不可能把所有真實場景一網打盡。”胡(hu)喆(喆)告(gao)訴(su)第(di)一(yi)財(cai)經(jing)記(ji)者(zhe)，機(ji)器(qi)人(ren)不(bu)僅(jin)需(xu)要(yao)根(gen)據(ju)場(chang)景(jing)反(fan)複(fu)調(tiao)試(shi)算(suan)法(fa)
，還(hai)往(wang)往(wang)要(yao)重(zhong)新(xin)采(cai)集(ji)數(shu)據(ju)回(hui)到(dao)實(shi)驗(yan)室(shi)做(zuo)離(li)線(xian)訓(xun)練(lian)，這(zhe)讓(rang)整(zheng)個(ge)周(zhou)期(qi)被(bei)拉(la)長(chang)，時(shi)間(jian)和(he)人(ren)力(li)都(dou)被(bei)大(da)量(liang)消(xiao)耗(hao)。

邊做邊改，或許才是機器人進行學習的關鍵。

胡(hu)喆(喆)透(tou)露(lu)，他(ta)正(zheng)在(zai)嚐(chang)試(shi)利(li)用(yong)實(shi)時(shi)的(de)在(zai)線(xian)學(xue)習(xi)算(suan)法(fa)
，允(yun)許(xu)機(ji)器(qi)人(ren)在(zai)實(shi)際(ji)作(zuo)業(ye)過(guo)程(cheng)中(zhong)一(yi)邊(bian)操(cao)作(zuo)一(yi)邊(bian)采(cai)集(ji)數(shu)據(ju)
，並(bing)實(shi)時(shi)更(geng)新(xin)模(mo)型(xing)。這(zhe)種(zhong)方(fang)式(shi)隻(zhi)需(xu)在(zai)現(xian)場(chang)額(e)外(wai)增(zeng)加(jia)幾(ji)秒(miao)鍾(zhong)運(yun)行(xing)和(he)100個數據量，“我們會根據模型出來的結果選擇數據
，讓機器人在不斷學習的過程中遺忘無用的數據

，保持數據的精簡，也不會對算力提出過多的要求”。

機器人“幹中學”的另一邊，團隊也在嚐試利用仿真等手段降低機器人的學習成本。“現在大部分機器人仿真環境離現實工況還有很大差距，因為仿真環境中缺乏物理定律的支撐。”美國肯塔基大學空氣動力實驗室仿真負責人、安努智能聯席科學家付博直言，大部分仿真平台依賴數據驅動，卻缺乏物理定律的支撐。

“如果隻是換個環境光影
、物體形狀等表層變量
，那在這種仿真裏能跑通的算法，一旦放到現實中，往往會失效。”付博說。

讓虛擬環境逼近真實世界，並不是一件容易的事。“摩擦力

、空氣流動等連續變化的環境很難被拆成可以極端的小單元。”付博解釋，以機器人搬箱子舉例，這個場景涉及了力學
、剛(gang)體(ti)運(yun)動(dong)學(xue)與(yu)工(gong)程(cheng)力(li)學(xue)等(deng)基(ji)本(ben)的(de)物(wu)理(li)規(gui)律(lv)。付(fu)博(bo)說(shuo)，加(jia)入(ru)這(zhe)些(xie)規(gui)律(lv)的(de)仿(fang)真(zhen)能(neng)夠(gou)模(mo)擬(ni)不(bu)同(tong)重(zhong)量(liang)箱(xiang)子(zi)堆(dui)疊(die)時(shi)的(de)微(wei)小(xiao)形(xing)變(bian)，計(ji)算(suan)箱(xiang)內(nei)散(san)落(luo)零(ling)件(jian)導(dao)致(zhi)的(de)重(zhong)心(xin)偏(pian)移(yi)，並(bing)讓(rang)機(ji)器(qi)人(ren)理(li)解(jie)物(wu)體(ti)變(bian)化(hua)對(dui)抓(zhua)取(qu)穩(wen)定(ding)性(xing)的(de)影(ying)響(xiang)，以(yi)及(ji)機(ji)器(qi)人(ren)發(fa)力(li)點(dian)與(yu)物(wu)體(ti)形(xing)變(bian)的(de)關(guan)聯(lian)。

他坦言

，將這些物理定律的融入仿真環境是一個“正在進行的過程”
，xuzhubugongkejisuanliangpangdadejishunanti。fuborenwei，zhiyoudangjiqirenzaifangzhenhuanjingzhongchongfenlijiebingneihuazhexiewuliguilv，cainengzaizhenshichangjingzhonggenghaodiyingduitufaqingkuang，shixianfanhuanenglidetisheng。“模型永遠無法完全替代實驗
，但我們希望通過極致的物理仿真
，讓真實實驗隻需做一次就能驗證可行性。”

安努智能、智元等團隊在富臨精工的工廠中進行部署。圖片來源：喬心怡

穀歌提前布局，中間件或成規模化關鍵

從機器人本體和大腦廠商到最終的應用企業，中間還需要大量複雜的部署工作——包括接口打通、場景適配
、算法遷移等環節。對整個產業鏈而言，這是一塊頗具吸引力的“肥肉”
，盯上的遠不止安努智能一家企業。

今年6月，銀河通用和博世中國成立合資公司博銀合創。根據雙方披露內容，合資公司將聚焦複雜裝配、智能質檢等高精度製造場景，並且構建標準化
、模塊化、可複製的訓練與部署體係，支撐機器人產品的快速迭代與規模化部署。

今年年初
，富臨精工宣布公司與智元機器人等相關方簽署了《人形機器人應用項目投資合作協議》，各方共同投資設立合資公司實施人形機器人項目。當前，富臨精工、智元、巨星新材料均為安努智能股東。就在9月
，專注於北美市場的產業股東格力博、聚焦機器人操作係統的東土科技也宣布增資安努智能。

在海外
，Google（穀歌）的母公司Alphabet孵化的Intrinsic也在扮演類似的角色。Intrinsic試圖通過通用算法和工具鏈降低機器人係統的集成成本，讓不同廠商的機器人在同一套兼容框架下運行。

通(tong)過(guo)一(yi)個(ge)類(lei)似(si)操(cao)作(zuo)係(xi)統(tong)的(de)中(zhong)間(jian)件(jian)來(lai)對(dui)接(jie)不(bu)同(tong)機(ji)器(qi)人(ren)廠(chang)商(shang)和(he)場(chang)景(jing)，這(zhe)是(shi)安(an)努(nu)智(zhi)能(neng)董(dong)事(shi)長(chang)文(wen)宏(hong)傑(jie)提(ti)出(chu)的(de)解(jie)題(ti)思(si)路(lu)。雖(sui)然(ran)路(lu)徑(jing)各(ge)異(yi)，但(dan)上(shang)述(shu)三(san)家(jia)兼(jian)具(ju)機(ji)器(qi)人(ren)和(he)產(chan)業(ye)方(fang)背(bei)景(jing)的(de)第(di)三(san)方(fang)部(bu)署(shu)商(shang)
，它(ta)們(men)的(de)共(gong)同(tong)點(dian)都(dou)是(shi)試(shi)圖(tu)在(zai)碎(sui)片(pian)化(hua)的(de)產(chan)業(ye)格(ge)局(ju)中(zhong)
，尋(xun)找(zhao)一(yi)套(tao)能(neng)跨(kua)越(yue)廠(chang)商(shang)和(he)場(chang)景(jing)的(de)兼(jian)容(rong)方(fang)式(shi)。

不過，機器人產業是否會像手機產業那樣
，最終走向由統一“操作係統”支撐的格局
，仍充滿疑問。一位由數碼3Cxingyezhuanzhijiqirenchanyedegongchengshigaosudiyicaijingjizhe。yushoujichanyemianlindewentibutong，jiqirenlingyudeqingkuanggengweifuza，yingjianchangshangjianchigezidetixi，erdamoxingqiyezemiaozhuntongyongzhineng，“屁股決定腦袋，大家想的未必是同一個目標”。

多方角力之下，第三方部署商設想的中間件是否能夠建立起產業上下遊的橋梁，還需要進一步觀察。“模型如果停留在實驗室、本體如果隻會跳幾支舞，那最終隻是一個故事。”文宏傑認為，在當下的機器人產業，關鍵不是講模型和本體的“故事”，而是紮進具體場景，通過部署獲取真機數據和工程化經驗，將商業化的流程拉通、沉澱。

在他看來

，這些工程化的經驗和數據才能彙聚成類似“操作係統”的底座，真正支撐機器人跨廠商、跨場景的落地。“如果中間件能夠像安卓這樣的操作係統一樣穩定通用、開放兼容，任何廠商都能接入
，機器人產業的規模化會越來越近。”