时隔一年，我们又和墨现科技创始人匡正聊了聊当下火热的具身智能赛道。

虽然并不直接参与机器人的整机开发，但作为上游触觉传感器供应商，下游技术路线的任何变化都决定着墨现的研发投入方向，所谓“死生之地，不可不察”，这也让他能以相对中立的视角审视这波具身热潮。

以下是对话实录，由险峰整理（有删减）：

一、“今年新出的灵巧手，都开始带触觉传感器了”

险峰：听说你刚才WAIC参展回来，感受如何？有看到什么新的东西吗？

匡正：最大的感受就是机器人太火了，WAIC一张399的票炒到2800块，WRC门票会便宜点，所以全是带着小朋友的家长，人山人海连过道都挤不过去，谈事情只能约在旁边的星巴克。

新东西就是看到一些硅谷团队带来了一些新的训练方法，包括新的数据采集形式，或许能进一步提升灵巧手的泛化能力，对我们传感器行业也会产生影响。

另外就是感觉中美创业团队的差异很大，国外大部分是以研究型为主，更to大B，更关注算法，相对共识也比较多；国内是政府主导为主，更关注硬件，你用绳驱我就用丝杆，你用丝杆我就用磁驱，总之每家的方案都不太一样，非常强调差异性。

险峰：国外团队更偏研究型，是不是因为融资更容易，或者说不像中国这么卷？

匡正：有可能，之前我参加一些硅谷的学术会议，结束后美元投资人都会问一些技术问题，比如某个参数应该怎么调，很像我们在大学里听完老师的课后，再追一些自己的疑问和想法，但国内还是偏市场化的问题多一些，比如你这个东西几年能落地，跟另一家有什么区别之类。

可能这也反映了两国创投生态的不同，在硅谷几个人做个不错的小算法，可能很快就会被大公司买走，几个月后这项技术就会出现在某个巨头身上，典型的就是OpenAI之于微软，但是国内这种纯软件模式就比较难，上一波AI四小龙也是依托政府订单崛起的，马太效应非常明显，对小团队不够友好。

险峰：触觉对机器人是刚需吗？之前有人认为触觉传感器还不成熟，有效数据太少，在模型中的价值不高，靠纯视觉也可以解决，现在有什么改变吗？

匡正：今天这种声音基本没有了，现在的灵巧手如果不带触觉，已经很难卖得出去了，技术上比年初收敛很多了。

最近学术界特别关注GLA的模型，很多论文都是和触觉相关，因为大家发现从底层逻辑上，只靠纯视觉是不行的，就像我们没有办法通过看林丹的视频，达到林丹打羽毛球的水平一样，纯视觉AI会产生非常多的幻觉和corner case。

举个例子，比如说剥鸡胸肉，对于人来说很简单，但对灵巧手来说还挺难的，因为它的质地有硬有软，纯视觉很难判断哪里是骨头哪里是皮哪里是肉，但如果给灵巧手加一些触觉传感器，差不多就可以做到人类70%的水平，把一个鸡胸肉相对完整地剥下来，效果还挺惊艳的。

现在走纯视觉路线的灵巧手，很少有成功率能达到70%的，但如果是用触觉+视觉，70%成功率可能就只是下限，所以慢慢大家觉得，既然有一个更好的方案，成本上也没增加多少，那为什么我不用呢，至于剩下30%的corner case，可以靠堆数据慢慢解决。

其实类似的故事已经在自动驾驶领域上演过了，之前特斯拉的FSD坚定选择纯视觉，后面也悄悄加入毫米波雷达。所以最终还是一个成本-效率的平衡问题，核心还是你的硬件成本要足够低。

险峰：年初我们聊到灵巧手皮肤，当时墨现的价格还挺贵的，刚过去大半年，为什么能下降了这么多？

匡正：其实是因为数据质量的需求降低了。

去年大家对精度的要求非常高，一根手指300~400个触点起步，包括那时还有一些很奇怪的需求，有些客户会要求增加温度和湿度传感器，让灵巧手能大面积感知湿度和温度，还有客户要求触觉必须具备三维力度的感应，每一个像素点都要反映x、y、 z 三个方向上的力度。

但今年这些需求都开始收敛了，大家发现精度并不是泛化的关键，实际上人手也没有很精确，人类的触觉说到底也是一个黑盒，我们并不知道手感是怎么产生的。

所以目前的共识是，有没有触觉数据，模型差别会很大，至于数据是来自50个还是500个触点，对模型似乎没太大影响，那不如我先用廉价数据做training，以后的问题以后再说，大家对于触觉数据的探索还没有进入到深水区。

二、“泡沫破灭的另一种表达也叫技术收敛，我希望这一天早日到来”

险峰：今年很多投资人都提到具身的泡沫问题，对此你怎么看？

匡正：其实我也有同感的，可能明年泡沫就会破，但这是好事，泡沫破灭的另一种说法也叫技术收敛。

比如波士顿动力很早就开始研究四足和双足，领先国内很多年，但现在你拿今年宇树或智元的demo，和早期波士顿动力的那些视频做对比，甚至是和去年宇树自己的视频作对比，都会发现已经有了质的飞跃。

这波AI大模型的进化，把中美在机器人硬件上的差距基本拉平了，这是个事实，整个行业也是在加速向前走的，不能因为有泡沫就否定它。

其实任何行业必然会经历泡沫化的过程，最开始自动驾驶也有各种各样的技术路线，比如纯视觉还是激光雷达，大家吵了好多年，激光雷达也分好几种，有装在前面的，也有装在侧面的，有会转的，也有不会转的，但今天所有智驾方案都长得都差不多。

只有技术收敛了，距离商业化才会更近，只有下游需求统一了，上游才能赚到钱。如果具身的泡沫破裂了，对行业里所有认真做事的人都是好事，我希望这一天早点到来。

险峰：但那些展会上的小朋友，他们可能真相信机器人很快会和真人一样了，并不知道机器人背后有个真人在操控。

匡正：怎么说呢，我觉得情绪价值也是价值。记得小时候我去动物园，看到新奇的动物也会很兴奋，幻想自己有一天能在家里养一只熊猫，或者养外星生物之类的。

现在的机器人展会也可以理解成一种赛博动物园或者赛博庙会，对普罗大众而言，至少它提供了一种情绪价值，教育小朋友要从小爱科学；厂商也找到了新的增长点，卖出去了更多的机器人，获得了更多的社会关注，对行业发展和科技创新都是好事，至少没有人从中受到伤害。

现在机器人确实还无法脱离人的控制，比如特斯拉发布会上，机器人可以倒酒，可以包爆米花，背后确实都有人在遥操，但AI也不是纯粹在执行人的序列，它也会试图理解你想干什么。

比如你操控机器人撞向一个障碍物，它会主动保护自己，停在安全距离内，而不是直接撞上去，你可以理解为是人在辅助机器人做一些序列拆解，这种机器人前期效率一定比人低很多，但可以通过数量弥补，比如你可以把操作中心放在墨西哥，雇三个墨西哥人远程遥操的三台机器人，算下来可能还是比一个美国工人便宜。

具身智能的发展不可能一蹴而就，它会像自动驾驶一样，有一个个台阶，作为从业者，我们其实更关注现在脚下的台阶，以及下一步要迈上去的台阶，就像L2的辅助驾驶，你不能说现在做不到L5，它就没有价值，至于未来具身智能进化的最终形态是什么，这类宏大叙事反而是最不重要的。

险峰：你觉得现在的人形机器人属于L几？未来会发展到L几？

匡正：如果人形机器人可以到L3，自动驾驶一定能到L4或L5，因为前者的复杂度要高得多，现在可能是在L1.5到L2之间。

险峰：机器人一定要做成人形吗？也有人认为工业场景下，双手+轮式可能更合适，你认为哪些应用是现有技术下可以快速落地的？工业or家用or军用？

匡正：我觉得人形的前提一定是通用，逻辑上，如果你做了一个人形，但又不通用，那其实也就没有必要做成人形。

双足的最大优势就是越障能力强，但工厂里很多工位都是背对背的，一转身就到了下一个工序，这种动线设计本身就是减少工人的运动距离，实现生产效率的最大化，我觉得完全没必要做成人形。

从这个角度讲，未来一些低价值的制造业场景，如果追求绝对的低成本，可能两条灵巧手+台架就足够了，连底盘都不需要。

还是用剥鸡胸肉的例子，现在一些带力反馈的工业机械臂，也能实现简单的剥脱操作，只是价格很贵，单臂要卖到10万~20万人民币，但是如果是用双手方案，只配两只手+两条臂，算上改造和预训练的成本，一套两部协同的灵巧手完全可以做到10万以内，一些简单工作完全没问题，还可以快速部署，成本比工业机械臂低一半，在制造业领域应该会有挺大的应用前景。

服务机器人的话，家用可能还有点早，一方面大部分人家里没有那么大空间，另一方面你服务的人群是老人小孩，容错率很低，现在雇个菲佣也不贵，还可以教英语，还能提供情绪价值。

但一些重复性场景，比如酒店清洁，因为每个房间都长得一样，一台机器人是有可能来回穿梭最后把所有房间都清理干净的，当然也需要一个人辅助它处理cornercase，类似于早期的auto taxi。

相比之下，军用反而是最有想象空间的，因为军用对于算法要求比较低，未来机器人上战场都不用拿枪，双足底盘捆上10公斤TNT，冲进堑壕就炸，比无人机更好用，技术上也完全可以实现。

三、关于遥操的争议

险峰：今年越来越多机器人厂家开始重视触觉，是不是因为特斯拉的先用了触觉？另外Optimus一直没有量产，是不是也意味着技术上依然存在不少困难？

匡正：行业里都会盯着特斯拉怎么做，技术上我跟他们交流也比较多，但其实现在Optimus还处于研发阶段，并没有马上量产的规划，所以他们也不着急，另外特斯拉内部对视觉+遥操路线也有争议，不排除后续可能也会有较大的调整。

险峰：为什么遥操路线会有争议？

匡正：首先是数据收集，无论是特斯拉还是宇树，之前用的都是动捕+RL模型（Reinforcement Learning），就是让真人穿一套动捕的外骨骼，通过强化学习把数据喂给AI，最后生成动作序列，但这种模型的通用性不高，难以产生泛化能力。

比如宇树的机器人，它可以记住某个动作，可以表演跳舞或者格斗，做出很漂亮的后空翻，但是它并不知道什么时候应该后空翻，没办法跟某个具体事件产生交互，或者说无法自主产生动作的变种来适应环境。

另外摇操训练出的动作也是不自然的，你可以想象一下，一个人带着VR眼镜，把一个小夹爪想成自己的手，远程给客人倒酒，动作的识别和效率都会变低，真实性要打不少折扣，所以一些特定的任务，可以通过摇操作实现，但某些连续性的任务，有动作拆解、分步骤的，现有技术还很难做到。

当然，你也可以说是因为数据量还不够多，比如自动驾驶就是人形机器人最简单的使用场景，你可以把汽车当成一台机器人，它的输入只有视觉图像和雷达的数据，输出只有前进后退左拐右拐。

特斯拉用了几百万车主积累了很多年的数据，才训练出了现在的FSD，所以如果我们认为，Pre-training（预训练）是一条正确的路径，那现在距离最终结果还差非常大的数据量。

大模型只能处理一些语言和图像问题，但机器人要面对的是整个物理世界，与真实数据产生互动和关联，所以哪怕是一些看起来很简单的工作，比如剥鸡蛋，分拣物品，已经是非常泛化的需求，所需的数据量依然是非常恐怖的，而且很多数据也不能复用。

你可以把遥操理解成是人类通过一套动补外骨骼，远程遥控一只真实的机械手抓东西，它产生的数据只能用于训练这只手，假设明天我换了另一只手，型号参数改变了，所有的数据都要重新训练。

再加上大家在硬件上还没有形成共识，比如用绳驱还是丝杆，电机是前置还是后置，包括对自由度的讨论，五指四指还是三指，都还有比较大的争议，导致这部分数据的积累非常缓慢，目前最大的共识可能还是先降成本。

险峰：为什么降成本最后成为了共识？

匡正：一只6个自由度的灵巧手，价格大几千元人民币，只要不是用来弹钢琴，一些简单的工作已经完全够用了，特斯拉的目标其实很简单，就是用机器人代替人进厂拧螺丝，一个工人的时薪是确定的，所以单台机器人的成本上限就成了数学题，手自然就不可能卖得很贵。

比如特斯拉的demo中，他们会训练让机器人抓电池，但其实你把五指换成三指，好像也没太大影响，我们刷短视频也能刷到过，一些收纳博主也能用小夹爪叠衣服，所以又回到了问题的原点：如何在成本和效率之间做平衡。

险峰：类似打螺丝这种比较细致的工作，6个自由度的手可以胜任吗？

匡正：打螺丝并不算很细致的工作，现在工厂打拧螺丝早就不用手了，只需要你握持一台电动工具再按下开关，螺丝刀自己转几圈都是调好的，多了少了都会报警，甚至未来完全可以给机器人定制一套工具，技术上并不难解决。

反而是一些人类认为很简单的工作，比如给汽车座椅包覆皮套，工人要把手伸进座椅里，掏一根类似于type-C的线束，这中间你的手会碰到各种各样的管路、支架，最后从一大堆线束里，准确地把那根 type-C 掏出来，而不是USB或者其他接口的——类似这种工作，一个熟练工人闭着眼就干了，但是对机器人来说就挺复杂。

因为所有的线束都是软的，你挪其中一根，其他线都会跟着动，同时周围的环境也非常不确定。这是一个非常复杂的操作序列，跟解题一样，需要AI实时思考下一步应该怎么走；总装环节有很多类似岗位，我觉得很难完全用机器人代替，或者说性价比不如真人。

反而是焊接打螺丝这类固定动作，非常好实现序列化，但只要是稍微涉及到泛化场景，哪怕光照、位置有一点变化，现有的模型马上就不行了。

险峰：所以要训练出真正的通用机器人，多少数据是够的？大力出奇迹是可能的吗？

匡正：同样的问题我跟很多同行交流过，得到的答案比较统一，就是等学术界发paper，大模型本身肯定还有一些问题，需要出现一些新的idea。

现在大家也在尝试各种各样的新方法，有些也很有意思，比如迁移模型（Imitation Learning Model）。

它的逻辑是说，既然人类可以通过摇操去控制一个夹爪，意味着我们的大脑完全能够理解人手到夹爪的动作映射，那我可以先训练出一个手的模型，比如让一个工人戴着手套，抓取各种东西，收集他的视觉+触觉+关节位置的数据，这时你会得到一个模型A，但这个模型A和机器人其实没有任何关系，它学会的是人手如何抓东西。

这个世界上有70亿双手，每只手的动作都差不多，意味着只要我收集的数据足够多，理论上可以把模型A打磨得非常完美，然后我在模型A的下面接一个模型B，B负责把人类的动作转换成夹爪的动作。

要注意的是，这个夹爪此前从来没有做过任何的训练，但它能够被上一层的模型A所控制，未来这个模型B可以换成各种不同型号的机器人，底层硬件参数完全不一样，但已经不用再从头训练一遍，在一定程度上就实现了通用性。

当然这还只是一个理论，还没有人真的做出来，但国内已经有两三家公司在尝试，可能近期就会发一些papar，我觉得这是一个非常好的趋势，之前可能大家把太多精力都放在硬件上了，包括很多拥有资源最丰富的大厂，但其实宇树的硬件已经做得足够好了，从操控性到灵活性，只要你能想到的动作，它的机器人一定可以做得出来，在硬件上中国已经非常强了，真的没必要再卷了。

反而是一些基础性问题，比如手的端到端控制，以及长程任务的训练，今年大厂才陆陆续续有一些尝试，反倒是一些小团队做得更好，比如前几天我看了灵初的机器人打麻将，虽然动作很慢，也没那么流畅，但是完成度很高，从抓牌、理牌、出牌，起码能把一件复杂任务从头到尾干完、且保持较高的成功率。