對(duì)談 XLerobot 王高天：機(jī)器人開(kāi)源生態(tài)第一步從3999低價(jià)硬件開(kāi)始

作者 / Soren

一條更慢，但更穩(wěn)的路

在具身智能最喧囂的兩年里，一個(gè) 00 后博士生的名字，悄悄在開(kāi)源機(jī)器人社區(qū)流行起來(lái)。王高天，中科大出身，目前在美國(guó)讀博士。他做的不是又一個(gè) Demo，也不是一個(gè)融資故事，而是一個(gè)被開(kāi)發(fā)者稱為“可能是下一個(gè) ROS”的開(kāi)源項(xiàng)目——XLeRobot。

沒(méi)有公司、沒(méi)有預(yù)算、沒(méi)有團(tuán)隊(duì)常駐全職寫代碼，但這個(gè)項(xiàng)目短時(shí)間內(nèi)在 Github 上積累了幾千顆 star，并出現(xiàn)在越來(lái)越多的開(kāi)發(fā)者 Slack 群和論文實(shí)驗(yàn)復(fù)現(xiàn)里。它甚至已經(jīng)開(kāi)始影響海外一些硬件企業(yè)的設(shè)計(jì)方向，因?yàn)樗麄儼l(fā)現(xiàn)，這是少數(shù)能在真實(shí)世界跑起來(lái)、成本又足夠低的軟硬件一體方案。

王高天并沒(méi)有主動(dòng)站到舞臺(tái)中央，但行業(yè)的動(dòng)能正在把他推到那里。

他對(duì)行業(yè)的判斷極為冷靜，甚至是“叛逆”。在這兩年里，VLA（Vision-Language-Action）大模型幾乎成為機(jī)器人公司創(chuàng)業(yè)的標(biāo)配，“堆數(shù)據(jù)能帶來(lái)通用智能”成為資本愿意相信的方向。

但他幾乎在所有場(chǎng)合都表達(dá)一個(gè)觀點(diǎn)：VLA （端到端）是條死路，至少在未來(lái)三到五年內(nèi)，它無(wú)法帶來(lái)真正的通用能力。

他解釋得不急不躁，卻足夠清晰。“自動(dòng)駕駛只有兩個(gè)控制維度，機(jī)械臂是六自由度，加上三維感知，數(shù)據(jù)量需求是指數(shù)級(jí)增長(zhǎng)。”

如果自動(dòng)駕駛用了全球幾十萬(wàn)輛車跑三年，才積累“可用”的數(shù)據(jù)量，那機(jī)器人呢？“光靠堆數(shù)據(jù)，是不可能堆出通用能力的。”

他在Hackathon上見(jiàn)過(guò)太多 Demo，與那些行業(yè)會(huì)議上播放的視頻沒(méi)有本質(zhì)區(qū)別：在固定場(chǎng)景內(nèi)訓(xùn)練、在固定條件下復(fù)現(xiàn)。“它們很好看，但不能泛化。”他說(shuō)。

真正的難度，是理解世界、規(guī)劃行為，而不是語(yǔ)言描述。

“我更相信世界模型和分層結(jié)構(gòu)的路線。”他說(shuō)。他提到 Yann LeCun 的思路，也強(qiáng)調(diào)行業(yè)現(xiàn)在把“JEPA世界模型”理解成視頻生成，是誤讀。“生成視頻不是理解世界的方式，它只是看起來(lái)像而已。”

相比算法，他更清楚落地的第一性原則是：低成本、可復(fù)現(xiàn)、易使用。

這促使他設(shè)計(jì)了 XLeRobot 的核心路線：輪式底盤 + 雙臂 + 簡(jiǎn)單抓手，用最樸素、最易擴(kuò)展的硬件形態(tài)，跑通從遙操作、共享控制到自主操作的能力鏈路。

4000元不到便可搭建起一套XLeRobot

“我不認(rèn)為機(jī)器人一定需要很大的端側(cè)算力。”他的觀點(diǎn)同樣反主流。他認(rèn)為輕量端側(cè) + 云端能力共享更可能讓機(jī)器人進(jìn)入家庭，“不是每一臺(tái)機(jī)器人都要像一臺(tái) GPU 服務(wù)器。”

從這點(diǎn)看，XLeRobot 更像一種“入門級(jí)通用機(jī)器人平臺(tái)”，先跑起來(lái)，再采集真實(shí)場(chǎng)景數(shù)據(jù)，再逐步提升算法能力。比起“直接從模型推導(dǎo)世界”，他更相信“先讓機(jī)器人活起來(lái)”。

與此同時(shí)，他也在構(gòu)建另一個(gè)生態(tài)：社區(qū)。開(kāi)源不僅讓更多人能用，也讓更多人參與修改、復(fù)現(xiàn)、補(bǔ)全能力。這是一條更慢的路，卻可能更穩(wěn)。他反復(fù)提到一句話：“機(jī)器人真正難的是重復(fù)、穩(wěn)定、可擴(kuò)展，而不是一次性的 Demo。”

他的表達(dá)并沒(méi)有創(chuàng)業(yè)者式的煽動(dòng)，但你能感受到一種更深的野心：他想建一個(gè)基礎(chǔ)設(shè)施，而非一個(gè) Demo。

右三為王高天

當(dāng)我們問(wèn)到未來(lái)規(guī)劃時(shí)，他笑了一下，說(shuō)目前的優(yōu)先級(jí)很簡(jiǎn)單——先把手上那篇博士論文收尾。距離預(yù)計(jì)畢業(yè)還有一年半時(shí)間，他對(duì)未來(lái)方向并沒(méi)有倉(cāng)促定論，但他說(shuō)：“我還在探索。可能會(huì)繼續(xù)研究，也可能會(huì)創(chuàng)業(yè)，但一定會(huì)繼續(xù)做 XLeRobot 相關(guān)的事情。”

長(zhǎng)線、耐心、反主流，是他身上最突出的三個(gè)特點(diǎn)。一個(gè)沒(méi)有過(guò)度設(shè)計(jì)未來(lái)的年輕研究者，卻在做一件極難、極長(zhǎng)周期、極需要 conviction 的事。

在一個(gè)被資本和 Demo 推著快跑的時(shí)代，他選擇了一條更慢、更穩(wěn)的路。

01. 低成本革命XLeRobot項(xiàng)目

硅基新物種：從萌生想做 XLeRobot，到開(kāi)源發(fā)布，整個(gè)過(guò)程用了多久？

王高天：第一版開(kāi)源其實(shí)很快。我最初只是買了一臺(tái)機(jī)械臂，做了些簡(jiǎn)單任務(wù)測(cè)試，發(fā)現(xiàn)其性能比預(yù)期更穩(wěn)定，例如能穩(wěn)穩(wěn)拿起水瓶，逆運(yùn)動(dòng)學(xué)調(diào)起來(lái)也不錯(cuò)，我判斷它具備承擔(dān)基礎(chǔ)任務(wù)的能力。

基于此，我加了一個(gè)底盤——底盤本身已有開(kāi)源項(xiàng)目，我主要是重組了硬件。第一次公開(kāi)發(fā)布距我接觸這款機(jī)械臂大概只有兩三周。發(fā)布后大家對(duì)這個(gè)結(jié)構(gòu)和概念的興趣超出預(yù)期，尤其在小紅書(shū)上獲得了很多關(guān)注。

之后我決定把它做成更完整的項(xiàng)目，用了約一到兩個(gè)月完善 3D 設(shè)計(jì)、遙操作算法和視覺(jué)識(shí)別等模塊。期間導(dǎo)師也支持，一位來(lái)自 NTU 的實(shí)習(xí)生協(xié)助我做部分代碼工作。

時(shí)間線大概是：4 月初第一次接觸機(jī)械臂，5 月發(fā)布首版 Demo；再經(jīng)過(guò)兩三個(gè)月，到 8 月完成代碼、仿真、VR tracking、遙操作等能力，并通過(guò)遙操作實(shí)現(xiàn)多種家務(wù)任務(wù) Demo。這個(gè) Demo 發(fā)布后，XLeRobot 才真正“火”起來(lái)。

短短四個(gè)月時(shí)間迎來(lái)突飛猛漲的GitHub標(biāo)星

硅基新物種：項(xiàng)目走紅的速度很快，GitHub 標(biāo)星暴漲、國(guó)內(nèi)討論熱度高。從突然爆火到現(xiàn)在，你對(duì)項(xiàng)目的期待有變化嗎？

王高天：剛爆火時(shí)確實(shí)影響了我的心態(tài)。當(dāng)時(shí)會(huì)產(chǎn)生一些“這可能就是未來(lái)能做出大事甚至能成立公司的東西”的想法，也有很多人來(lái)接觸、討論。但這段時(shí)間沉淀下來(lái)，再結(jié)合自身長(zhǎng)期使用體驗(yàn)和大量外部反饋，我的判斷更冷靜了。

這個(gè)平臺(tái)的最大優(yōu)勢(shì)很明確：足夠便宜、足夠容易上手，任何有興趣的人都能快速入門，因此能形成非常大的用戶基數(shù)，這對(duì)開(kāi)源生態(tài)非常重要。

但它的局限也同樣清晰。在現(xiàn)有電機(jī)與整體架構(gòu)下，即便持續(xù)優(yōu)化，它更適合作為開(kāi)發(fā)者平臺(tái)，而不是可以直接賣給消費(fèi)者的成品產(chǎn)品。

因此我最近在調(diào)整規(guī)劃，一方面考慮在硬件層面升級(jí)電機(jī)等關(guān)鍵部件，推動(dòng)項(xiàng)目往產(chǎn)品化方向走；另一方面，利用現(xiàn)有生態(tài)繼續(xù)擴(kuò)展，為用戶提供更完善的 VLA 訓(xùn)練代碼，讓他們能更好地訓(xùn)練機(jī)器人，實(shí)現(xiàn)多種任務(wù)。

硅基新物種：聽(tīng)起來(lái)你并不是將XLeRobot視為個(gè)人或小項(xiàng)目，而是更希望以開(kāi)源社區(qū)體系的方式推動(dòng)它？

王高天：是的。我認(rèn)為它對(duì)初創(chuàng)團(tuán)隊(duì)、具身智能愛(ài)好者和研究者來(lái)說(shuō)，都是目前最方便、成本最低的機(jī)器人平臺(tái)之一。

過(guò)去兩周我連續(xù)跑了兩個(gè)灣區(qū)的 Hackathon，一個(gè)是 SEEED ×Hugging Face× NVIDIA 的家務(wù)機(jī)器人黑客松，另一個(gè)是 CalHacks，像 pi、Dyna Robotics、BitRobot、1X、OpenAI 的同學(xué)也都參加了。我本來(lái)是去做 mentor 的，但最大的感受其實(shí)是——我還太菜了（笑）。更重要的是，我第一次意識(shí)到：原來(lái)真的有這么多人在用 XLeRobot 做各種有意義的事情。

雖然活動(dòng)主題叫 VLA，但大家做的遠(yuǎn)不止訓(xùn)練 VLA。本地同學(xué)在搞 VR 遙操 App、語(yǔ)音識(shí)別、觸覺(jué)傳感；有人把 XLeRobot 接到了李飛飛團(tuán)隊(duì)的 Behavior Challenge；也有人在做雙臂家務(wù)任務(wù)：疊衣服、倒酒、做三明治、開(kāi)抽屜、做抹茶……這些看似簡(jiǎn)單的細(xì)節(jié)，是我以前獨(dú)自開(kāi)發(fā)時(shí)沒(méi)有想象過(guò)的生態(tài)畫(huà)面。

我以前也會(huì)有點(diǎn) emo，覺(jué)得自己做出來(lái)的這個(gè)平臺(tái)成本低、性能也普通，技術(shù)含量算不上高，擔(dān)心是不是沒(méi)有價(jià)值。但這次看到那么多人愿意跟進(jìn)、愿意基于它做新的東西，我反而更確定了。開(kāi)源平臺(tái)的意義從來(lái)不在于一個(gè)人能完成多少，而在于多少人愿意一起把它往前推。

所以未來(lái)我還是會(huì)堅(jiān)持做下去。一方面把硬件繼續(xù)打磨，另一方面把整個(gè)配套的算法與工具鏈都補(bǔ)上：VR 遙操、Web 端控制、手機(jī) App、VLA 訓(xùn)練框架、Isaac 仿真環(huán)境……這些不是“錦上添花”，而是讓開(kāi)源機(jī)器人真正能走向大眾開(kāi)發(fā)者的基礎(chǔ)設(shè)施。

硅基新物種：低成本是它最突出的優(yōu)勢(shì)。不到 4000 元就能組一臺(tái)，而且模塊化、上手快。但低成本必然伴隨取舍，你當(dāng)時(shí)是如何判斷哪些功能該保留、哪些可以簡(jiǎn)化？

王高天：可以從兩個(gè)角度理解。

第一，是生態(tài)優(yōu)先。XLeRobot 的核心基于 Hugging Face 推出的 LeRobot 機(jī)械臂，要降低使用門檻，就應(yīng)盡可能與其生態(tài)保持一致。這也是項(xiàng)目迅速傳播的原因之一。Hugging Face 的聯(lián)合創(chuàng)始人與 CSO 在 Twitter 上高度評(píng)價(jià)并轉(zhuǎn)發(fā)了我的視頻，帶動(dòng)了全球關(guān)注。因此，為了讓開(kāi)發(fā)者“一上手就順暢”，系統(tǒng)的適配性優(yōu)先級(jí)高于堆配置。

第二，是使用體驗(yàn)。比如底盤，很多人質(zhì)疑為什么仍用舵機(jī)驅(qū)動(dòng)，噪音大、扭矩小。但從開(kāi)發(fā)便利性考慮，把接線、電機(jī)、驅(qū)動(dòng)系統(tǒng)統(tǒng)一在同一生態(tài)下，對(duì)初學(xué)者和開(kāi)發(fā)者更友好。

不過(guò)我也在做優(yōu)化。最初使用全向輪底盤，靈活但用戶反饋“不夠穩(wěn)、易晃”。我改為更簡(jiǎn)潔的雙輪差速結(jié)構(gòu)，犧牲一個(gè)自由度，卻大幅提升穩(wěn)定性，對(duì)入門開(kāi)發(fā)平臺(tái)而言是合理取舍。

硅基新物種：如果把預(yù)算從 660 美元提高到 1500 美元，你會(huì)優(yōu)先把錢加在哪？

王高天：電機(jī)。機(jī)器人本質(zhì)上就是多個(gè)電機(jī)的組合。如果能用盡量少的電機(jī)規(guī)格完成整機(jī)設(shè)計(jì)，是最優(yōu)解。

我現(xiàn)在正在與高擎機(jī)電合作，探索一種成本略提升但仍能把整機(jī)價(jià)格控制在2000–3000 美元左右的方案，形成可面向家庭消費(fèi)場(chǎng)景的產(chǎn)品化版本，而不是只停留在開(kāi)發(fā)者社區(qū)。后續(xù)即使做產(chǎn)品化升級(jí)，我仍希望保持開(kāi)源，真正的成本主要就是電機(jī)成本。

硅基新物種：所以下一代 XLeRobot 的定位，會(huì)是電機(jī)升級(jí)、價(jià)格更可控、并從極客開(kāi)發(fā)者擴(kuò)大到面向 C 端消費(fèi)者？

王高天：對(duì)。形態(tài)上會(huì)延續(xù)現(xiàn)在的結(jié)構(gòu)，但電機(jī)的負(fù)載、精度和柔順性都會(huì)顯著提升。這樣一來(lái)，現(xiàn)有 XLeRobot 上訓(xùn)練得到的數(shù)據(jù)和策略（policy）可以直接遷移到更高性能的版本上。

XLeRobot 套裝

02. 硬件收斂，軟件定義

硅基新物種：你之前提過(guò)“硬件形態(tài)基本定型”，是什么讓你做出這個(gè)判斷？這也直接影響了 XLeRobot 的設(shè)計(jì)理念？

王高天：是的。我看過(guò)很多機(jī)器人 Demo，也對(duì)比了不同公司的路徑。真正能執(zhí)行家務(wù)任務(wù)、且不是圍繞“人形噱頭”做營(yíng)銷的團(tuán)隊(duì)，大多采用最基礎(chǔ)的六自由度機(jī)械臂。反而是強(qiáng)調(diào)人形形態(tài)的機(jī)器人，目前鮮少能在線下真正完成實(shí)用任務(wù)。

這讓我認(rèn)為，第一批能落地家庭場(chǎng)景的機(jī)器人，其硬件形態(tài)基本已經(jīng)確定：雙臂 + 輪式底盤 + 頭部攝像頭 + 手部雙攝。在這個(gè)配置下，大部分家務(wù)任務(wù)已足夠覆蓋。這也是我當(dāng)前依然堅(jiān)持的認(rèn)知。

硅基新物種：既然形態(tài)確定，那硬件后續(xù)就是零部件迭代？

王高天：對(duì)。我本職是做算法，從算法視角看，現(xiàn)有多數(shù)機(jī)械臂已經(jīng)夠用。用松靈或方舟的機(jī)械臂做遙操作，已經(jīng)覆蓋絕大部分家務(wù)場(chǎng)景。關(guān)鍵問(wèn)題不再是“硬件能不能做”，而是“如何讓機(jī)器人學(xué)會(huì)像人一樣操作”。因此核心不在硬件突破，而在操作智能的訓(xùn)練與遷移。

硅基新物種：如果硬件已收斂、軟件成為核心，那是否意味著機(jī)器人正進(jìn)入“軟件定義階段”？

王高天：我認(rèn)為很大程度上是。比如 Dyna Robotics，他們專注軟件，硬件直接采購(gòu)現(xiàn)成機(jī)械臂。我也觀察到中美已有大量團(tuán)隊(duì)在用關(guān)節(jié)電機(jī)搭六軸機(jī)械臂，這說(shuō)明硬件門檻正在顯著下降。

如果在現(xiàn)有機(jī)械臂形態(tài)上，軟件能力能突破，機(jī)器人應(yīng)用就能快速規(guī)模化落地，不論是 B 端還是 C 端，無(wú)需等“雙足平衡”等更復(fù)雜形態(tài)成熟。我比較樂(lè)觀：如果算法足夠好，三到五年內(nèi)，機(jī)器人有可能真正走進(jìn)普通家庭。

硅基新物種：軟件的開(kāi)放標(biāo)準(zhǔn)，會(huì)不會(huì)成為下一階段競(jìng)爭(zhēng)的焦點(diǎn)？

王高天：這是我做 XLeRobot 的目的之一。我認(rèn)為下一波競(jìng)爭(zhēng)一定圍繞生態(tài)與軟件展開(kāi)，而 Hugging Face 的 LeRobot 系統(tǒng)已經(jīng)形成了很大的先發(fā)社區(qū)基礎(chǔ)。LeRobot 本身 Star 已超過(guò) 1.5–1.6 萬(wàn)，而 XLeRobot 最近也突破了 4000 Star。這說(shuō)明生態(tài)效應(yīng)已顯現(xiàn)。

我的計(jì)劃是：先在幾個(gè)月內(nèi)推出一套開(kāi)源、但具備更強(qiáng)產(chǎn)品性能的硬件平臺(tái)，隨后與 XLeRobot 生態(tài)結(jié)合，在其上持續(xù)開(kāi)發(fā)更多算法。

硅基新物種：具體指產(chǎn)品的哪些能力提升？

王高天：主要是機(jī)械臂的負(fù)載能力與精度。目前舵機(jī)負(fù)載只有幾百克，但換成關(guān)節(jié)電機(jī)后，可實(shí)現(xiàn) 3–4kg 的穩(wěn)定作業(yè)能力，場(chǎng)景覆蓋會(huì)大幅提升。此外會(huì)考慮加入升降機(jī)構(gòu)等增強(qiáng)結(jié)構(gòu)。整體形態(tài)與一些成熟廠商類似，但我的目標(biāo)是提供一個(gè)開(kāi)源、可低成本獲取的版本。

目前行業(yè)內(nèi)一臺(tái)同類硬件要三四十萬(wàn)人民幣，我希望真正能進(jìn)入家庭的機(jī)器人成本最多 3–4 萬(wàn)元就足夠。這也是我認(rèn)同的一點(diǎn)：硬件已不再是主要瓶頸，真正的難題是如何讓機(jī)器人長(zhǎng)期穩(wěn)定地運(yùn)行在真實(shí)生活中。從穩(wěn)定性來(lái)看，輪式機(jī)器人會(huì)比雙足更先落地。

硅基新物種：你是軟件背景，硬件與生態(tài)結(jié)合更多依托合作伙伴。既然你更專注軟件與 LeRobot 生態(tài)，那在開(kāi)源項(xiàng)目的技術(shù)棧中，哪些環(huán)節(jié)最需要社區(qū)共建？

王高天：雖然 Star 很多，但目前整個(gè)技術(shù)棧仍偏有限。現(xiàn)在大家主要做的仍是把主流 VLA 模型（如 Pi0.5、RT-1/RT-2 等）直接部署到機(jī)器人上，本質(zhì)還是在做 Behavior Cloning：為單一任務(wù)采集一百多條數(shù)據(jù)，讓模型學(xué)會(huì)重復(fù)。但一旦換場(chǎng)景或條件變化，效果大幅衰減。

社區(qū)接下來(lái)更需要在不同模塊上形成協(xié)同貢獻(xiàn)，包括但不限于：

1、場(chǎng)景理解與導(dǎo)航（Navigation），例如只用 RGB-D 或雙目攝像頭完成居家 3D 重建、語(yǔ)義理解、高層任務(wù)規(guī)劃，以及在家中自然流暢移動(dòng)的導(dǎo)航策略。

2、視覺(jué)感知（Perception），包括 CV 算法、目標(biāo)識(shí)別、數(shù)據(jù)預(yù)處理等底層能力。

3、操作智能（Manipulation），包括 Planning、World Models，以及在特定任務(wù)上有效的 VLA 策略。

目前各方向都有很多人在做，但缺少一個(gè)統(tǒng)一平臺(tái)把成果沉淀、整合，并能在一臺(tái)機(jī)器人上端到端跑起來(lái)。我認(rèn)為 XLeRobot 可以成為那個(gè)平臺(tái)。

王高天與業(yè)內(nèi)伙伴交流

硅基新物種：如果最終收斂到一臺(tái)標(biāo)準(zhǔn)化機(jī)器人上，是否意味著所有算法都圍繞同一構(gòu)型統(tǒng)一？

王高天：可以理解為“統(tǒng)一運(yùn)行載體”，而不是“統(tǒng)一形態(tài)”。我希望這個(gè)平臺(tái)在硬件設(shè)計(jì)上保持盡量簡(jiǎn)化，不需要像人一樣行走，也不需要五指靈巧手，用軟夾爪即可滿足大部分需求。核心目標(biāo)是讓各種智能算法能在同一平臺(tái)上匯集、驗(yàn)證與迭代。

理想狀態(tài)是：在這個(gè)開(kāi)源、低成本的平臺(tái)上，能夠逐步實(shí)現(xiàn)“初步通用智能”。盡管硬件本身可能暫不支持復(fù)雜的手內(nèi)操作，但現(xiàn)階段更重要的是建立一個(gè)公共的、人人可用的實(shí)驗(yàn)與驗(yàn)證平臺(tái)，讓社區(qū)把算法、思路沉淀下來(lái)并共享。

硅基新物種：但 XLeRobot 的外形與人形機(jī)器人差別很大。如果大家都在這臺(tái)平臺(tái)上貢獻(xiàn)數(shù)據(jù)，會(huì)不會(huì)與未來(lái)人形路線的割裂？數(shù)據(jù)能遷移嗎？

王高天：這是一個(gè)常見(jiàn)誤解。我的觀點(diǎn)有兩點(diǎn)。

首先，通用智能與人形外觀無(wú)必然關(guān)系。機(jī)器人之所以模仿人形，主要是為了更好地進(jìn)行可遷移的避障與姿態(tài)控制。但這些能力在機(jī)械臂領(lǐng)域已有成熟的 Motion Planning 算法，不依賴“長(zhǎng)得像人”。

其次，大部分策略是“末端控制（End-effector Control）”層面，可跨形態(tài)遷移。當(dāng)前無(wú)論是人形還是機(jī)械臂的研究，數(shù)據(jù)采集的核心都集中在末端位姿（手尖位置和方向），而非整條手臂的姿態(tài)軌跡。因此，只要是六自由度機(jī)械臂，就能滿足末端控制策略的遷移。換句話說(shuō)：訓(xùn)練出的策略不依賴具體關(guān)節(jié)結(jié)構(gòu)，完全可以遷移到不同的機(jī)械臂，甚至未來(lái)的人形平臺(tái)。

所以在我看來(lái)，機(jī)器人要真正落地，不需要與人類外形一致；而基于六自由度末端控制訓(xùn)練出的策略，也能較容易地部署到異構(gòu)機(jī)械臂上。

XLeRobot 設(shè)計(jì)細(xì)節(jié)

03. 商業(yè)化邊界取決于硬件性能

硅基新物種：xlerobot的討論度和影響力都很高。你雖然暫不打算將它商業(yè)化，但有沒(méi)有想過(guò)它的商業(yè)邊界在哪里？什么階段可能適合商業(yè)化？

王高天：商業(yè)化邊界主要取決于硬件性能，我現(xiàn)在有兩條路徑。

第一條，現(xiàn)有 XLeRobot 形態(tài)（開(kāi)源版）基于 Hugging Face 與 LeRobot，定位生態(tài)+開(kāi)發(fā)者+教育平臺(tái)。商業(yè)化方式會(huì)偏社區(qū)與教育，例如作為 STEM 和具身智能入門平臺(tái)，我認(rèn)為教育市場(chǎng)本身就有不小的商業(yè)空間。

第二條，升級(jí)硬件后的產(chǎn)品化版本在電機(jī)等硬件提升后，可覆蓋更多場(chǎng)景。雖然仍是開(kāi)源，但稍作產(chǎn)品化包裝后，可直接落地應(yīng)用。室內(nèi)環(huán)境下，無(wú)論 ToB 還是ToC，都有較廣泛機(jī)會(huì)：商場(chǎng)導(dǎo)購(gòu)、超市理貨、家庭家務(wù)等。只要不涉及樓梯、具備電梯，這類輪式機(jī)器人都能勝任許多實(shí)際任務(wù)。

換句話說(shuō)，開(kāi)源版偏生態(tài)與教育，升級(jí)版偏應(yīng)用與產(chǎn)品化。

硅基新物種：說(shuō)到落地應(yīng)用，你們有一個(gè)視頻很出圈，視頻中XLeRobot 會(huì)澆花、和寵物互動(dòng)，討論度很高。

王高天：對(duì)。那段視頻里很多動(dòng)作實(shí)際是遙操作完成的。但這并非例外——包括近期討論度很高的一些機(jī)器人公司，哪怕宣稱“明年上市、明年開(kāi)賣”，演示中往往仍主要是遙操作。本質(zhì)上，無(wú)論是估值數(shù)十億美元的公司，還是幾萬(wàn)美元一臺(tái)的機(jī)器人，真正要完成任務(wù)，當(dāng)前仍高度依賴遙操作。

這也是我希望先把硬件平臺(tái)搭出來(lái)并落地的原因：讓機(jī)器人先在家庭場(chǎng)景里“用起來(lái)”。家庭陪伴、基礎(chǔ)家務(wù)，這些都不需要人形形態(tài)。

路線可以參考一些已經(jīng)驗(yàn)證過(guò)的模式：當(dāng)硬件滿足最低可用標(biāo)準(zhǔn)，就能直接部署到用戶家中；用戶授權(quán)后，機(jī)器人可支持遠(yuǎn)程操控。如今我正與一家名為 Bitrobot 的團(tuán)隊(duì)合作，他們?cè)诖罱ɑ陂_(kāi)源生態(tài)的遙操作平臺(tái)，讓世界各地的用戶可以遠(yuǎn)程操作其他人家的機(jī)器人完成任務(wù)，并獲得獎(jiǎng)勵(lì)或 Token。

這個(gè)路徑與有些公司的模式類似，但面向的是開(kāi)源生態(tài)，成本、人力與硬件投入都更低。如果短期 3～5 年內(nèi)通用智能框架還無(wú)法完全實(shí)現(xiàn)，我認(rèn)為遙操作會(huì)是非常有效的過(guò)渡路徑。

硅基新物種：但遙操作會(huì)有泛化性問(wèn)題吧？

王高天：是的，因此我更看好“共享控制（Shared Control）”路線。不是讓機(jī)器人完全自主，也不是完全依賴遙操作，而是人機(jī)協(xié)同。

舉例來(lái)說(shuō)：如果我出差在外，我可以通過(guò)手機(jī) App 控制家中的機(jī)器人執(zhí)行任務(wù)，例如關(guān)燈、開(kāi)門、取物等。與傳統(tǒng) VR 遙操作不同，這需要機(jī)器人具備一定自主能力，而人類只需監(jiān)督和補(bǔ)充控制。

目前最基礎(chǔ)的 pick-and-place，按現(xiàn)有技術(shù)已能較穩(wěn)定實(shí)現(xiàn)。因此從 shared control 切入，是一個(gè)更現(xiàn)實(shí)的折中方案。

硅基新物種：你剛才提到 Shared Control，這個(gè)愿景聽(tīng)起來(lái)有點(diǎn)像過(guò)去智能家居、智能音箱、掃地機(jī)們常提的“家庭智能終端”故事，只是主角變成了機(jī)器人？

王高天：確實(shí)有相似之處。但核心差異在于，機(jī)器人擁有末端執(zhí)行器（夾爪）并能直接與物理世界交互，它的通用性遠(yuǎn)超智能家居設(shè)備。

Shared Control 更多是一種階段性過(guò)渡方案。只要硬件具備形態(tài)和交互能力，落地方式可以有多條路線：用戶自主遙操作、授權(quán)他人協(xié)助遙操作、在限定區(qū)域完成任務(wù)等。在這一過(guò)程中還能收集訓(xùn)練數(shù)據(jù)，提升策略，最終走向自主智能。

從落地路徑看，這是一條從“能用”到“好用”再到“智能”的完整鏈路，而不是局限于某一個(gè)階段。

硅基新物種：硬件上，你現(xiàn)在是與國(guó)內(nèi)供應(yīng)鏈合作？

王高天：是的。美國(guó)也有幾家做機(jī)械臂的，但我觀察下來(lái)，最終還是需要與中國(guó)供應(yīng)鏈合作。尤其像我這樣從底層做起的路線，和國(guó)內(nèi)制造端、硬件供應(yīng)端建立早期合作是最優(yōu)解。

硅基新物種：為什么沒(méi)有選擇海外機(jī)械臂廠商？因?yàn)橘F嗎？

王高天：一方面確實(shí)成本高，另一方面他們的開(kāi)源精神不夠強(qiáng)，更多是為了賣機(jī)械臂。我希望依托 Hugging Face 和 NVIDIA 的生態(tài)，以全開(kāi)源方式推出平臺(tái)，無(wú)論在設(shè)計(jì)還是使用上，都更貼近開(kāi)源開(kāi)發(fā)者，而不是以“成品心態(tài)”來(lái)做。我未來(lái)希望做到的是：性能上接近產(chǎn)品，但硬件與組裝盡可能保持簡(jiǎn)潔和可復(fù)制性。

XLeRobot 產(chǎn)品

04. VLA退潮后，新技術(shù)路線接棒

硅基新物種：國(guó)內(nèi)過(guò)去一年機(jī)器人創(chuàng)業(yè)非常火熱，你在海外怎么看這一波浪潮？考慮回國(guó)創(chuàng)業(yè)嗎？

王高天：國(guó)內(nèi)確實(shí)出現(xiàn)了一批很值得關(guān)注的公司。我比較看好的是輪式雙臂方向，比如銀河通用、星塵智能這類做腳踏實(shí)地應(yīng)用的企業(yè)。我認(rèn)為他們路線務(wù)實(shí)，可能真正跑出來(lái)。

但也看到大量跟風(fēng)型創(chuàng)業(yè)，尤其是在靈巧手、人形機(jī)器人上做“秀肌肉式展示”的團(tuán)隊(duì)很多——能跳舞、能做花活，但與真實(shí)應(yīng)用距離大。我不太看好這類方向。宇樹(shù)是例外，他們走的是“研究機(jī)構(gòu)與全球教學(xué)平臺(tái)”路線，不同賽道。

我和業(yè)內(nèi)人士也討論過(guò)，目前很多公司押注的是“大模型+堆數(shù)據(jù)+端到端VLA”路線。我認(rèn)為兩三年內(nèi)行業(yè)會(huì)意識(shí)到，這條路徑無(wú)法直接通向通用智能。因此，與之綁定的一大批公司會(huì)在未來(lái) 2～3 年快速退潮。

硅基新物種：你判斷“兩三年內(nèi)會(huì)有大量 VLA 端到端路線的公司倒下”。對(duì)具身智能未來(lái)的幾年，你是偏悲觀嗎？

王高天：我對(duì)技術(shù)趨勢(shì)本身是樂(lè)觀的，包括硬件成熟度、各個(gè)方向的研究進(jìn)展。我相對(duì)悲觀的是某些具體路線的可行性預(yù)期：

• 三到五年內(nèi)，用“堆數(shù)據(jù)”堆出通用智能不現(xiàn)實(shí)；
• 人形雙足、靈巧手這類路線短期內(nèi)很難出現(xiàn)真正可規(guī)模落地的產(chǎn)品。

反而是輪式+雙臂+夾爪的簡(jiǎn)化形態(tài)，疊加智能算法，會(huì)更快進(jìn)入真實(shí)應(yīng)用。

硅基新物種：能否集中講講你們認(rèn)為 VLA 端到端路線最大的問(wèn)題在哪里？最“不買賬”的點(diǎn)是什么？

王高天：主要有三個(gè)原因。

首先，類比自動(dòng)駕駛并不成立：維度差異帶來(lái)數(shù)據(jù)量指數(shù)爆炸。業(yè)界常用“自動(dòng)駕駛靠堆數(shù)據(jù)成功”類比機(jī)器人操控，但兩者本質(zhì)不同：特斯拉用了數(shù)百萬(wàn)輛車、數(shù)年時(shí)間，才積累夠自動(dòng)駕駛訓(xùn)練數(shù)據(jù)。而機(jī)器人世界比道路世界復(fù)雜太多。不同形態(tài)、不同任務(wù)、不同環(huán)境，會(huì)讓“堆數(shù)據(jù)”變得極其低效甚至不可行。

第二，VLA 論文和 Demo 多，真實(shí)泛化與落地少。雖然 VLA 端到端路線已經(jīng)火了很久，但成果主要停留在論文 Demo 或短視頻層面。能真正落地的場(chǎng)景依舊很有限，而且高度依賴特定環(huán)境訓(xùn)練。

現(xiàn)實(shí)情況是，即便一些知名團(tuán)隊(duì)發(fā)布 Demo，其本質(zhì)和我在 Hackathon 看到的學(xué)生作品并無(wú)本質(zhì)差別——都是在一個(gè)固定場(chǎng)景采數(shù)據(jù)，訓(xùn)練，再部署。

第三，是缺乏對(duì)“世界的可解釋建模”。我更認(rèn)同 Yann LeCun 強(qiáng)調(diào)的世界模型（World Model）思路：機(jī)器人必須理解物理世界的規(guī)律、因果與未來(lái)狀態(tài)演化，才可能產(chǎn)生通用智能。然而現(xiàn)在很多自稱“世界模型”的研究已經(jīng)跑偏，變成了視頻生成。僅靠生成視頻無(wú)法支撐機(jī)器人對(duì)世界進(jìn)行因果推理、預(yù)測(cè)與規(guī)劃。

要達(dá)成通用智能，需要一種新的架構(gòu)，而不僅是更大的模型或更多的數(shù)據(jù)。

VLA 是有價(jià)值的，但它更像是專項(xiàng)任務(wù)的加速器，而不是通往通用智能的主路徑。真正通向通用智能的一定是具備可解釋性、分層結(jié)構(gòu)和世界建模能力的框架——而不是單一端到端堆數(shù)據(jù)。

硅基新物種：你不太看好端到端路線。你的觀點(diǎn)有過(guò)改變嗎？

王高天：不算“轉(zhuǎn)變”，更像“取其所長(zhǎng)”。我并不主張完全端到端的 VLA，但也不會(huì)拒絕主流模型和算法，關(guān)鍵是“怎么用”。我現(xiàn)在的做法是：使用擴(kuò)散模型或視覺(jué)模型，但把它們放在更底層、可度量的狀態(tài)空間上，做可解釋、可控制的建模與部署，而不是把系統(tǒng)做成一個(gè)不可追溯的黑盒。

硅基新物種：你更傾向于基于物理的分層架構(gòu)？

王高天：是的。

硅基新物種：你如何判斷這條路更值得投入？

王高天：一方面來(lái)自與神經(jīng)科學(xué)朋友的交流，大家普遍認(rèn)可“世界模型”式的架構(gòu)更接近人類認(rèn)知；另一方面，我觀察到不少 VLA 的做法仍停留在行為克隆（behavior cloning）與數(shù)據(jù)堆疊，即希望通過(guò)規(guī)模化數(shù)據(jù)獲得“全能模型”。我不太認(rèn)同：機(jī)器人需要先形成對(duì)物理過(guò)程的可靠認(rèn)知，再基于此制定策略，才能實(shí)現(xiàn)真正的泛化。

硅基新物種：分層架構(gòu)還有一個(gè)好處是可追溯、可替換。

王高天：對(duì)。這也是開(kāi)源社區(qū)的價(jià)值。如果分層框架搭好了，每個(gè)部件都能獨(dú)立更新與調(diào)試。比如視覺(jué)模塊，之前用 SAM-2，后來(lái)有 SAM-3，就可以平滑替換，不必重訓(xùn)整個(gè)系統(tǒng)；同時(shí)整個(gè)數(shù)據(jù)與控制流也更透明，便于定位問(wèn)題，不會(huì)被“端到端大模型”整體綁死。

硅基新物種：除了數(shù)據(jù)之外，在“算法、架構(gòu)、算力”這三駕馬車中，后兩者也存在明顯的提升空間？

王高天：我現(xiàn)在更關(guān)注的不是單點(diǎn)上的算力或模型規(guī)模，而是算法框架本身是否正確。如果框架選對(duì)了，其實(shí)未必需要堆很夸張的算力，也能以較低成本訓(xùn)練出具備通用能力的控制模型。

這一點(diǎn)可以參考最近我很認(rèn)可的一篇工作——MT3（Multi-Task Trajectory Transfer）。它沒(méi)有依賴大模型，也沒(méi)有堆數(shù)據(jù)，而是把機(jī)器人操作拆成兩個(gè)獨(dú)立又通用的階段：對(duì)齊（定位）和交互（執(zhí)行）。前者依賴幾何推理，后者復(fù)用歷史經(jīng)驗(yàn)。換句話說(shuō)，它不是試圖“學(xué)一個(gè)大而全的策略”，而是把問(wèn)題拆開(kāi)，讓每一塊都更可控、更穩(wěn)定。

更重要的是，它完全不追求模型端的算力堆疊，而是用一種非常“工程化”的方式實(shí)現(xiàn)泛化：靠檢索、靠經(jīng)驗(yàn)復(fù)用、靠任務(wù)結(jié)構(gòu)的分解。所以它才能做到“一條演示學(xué)會(huì)一個(gè)新任務(wù)”，在 24 小時(shí)里擴(kuò)展到上千個(gè)任務(wù)。

我個(gè)人非常贊同這種思路，不是硬把智能壓到模型規(guī)模里，而是重新組織任務(wù)與數(shù)據(jù)，讓系統(tǒng)本身的結(jié)構(gòu)變得高效。這比簡(jiǎn)單擴(kuò)算力、擴(kuò)參數(shù)更接近真正的通用機(jī)器人路徑。

在架構(gòu)層面，我傾向的路線是：機(jī)器人不必在端側(cè)部署大型算力，而是以輕量端側(cè) + 云端協(xié)同的方式工作。本地負(fù)責(zé)實(shí)時(shí)控制、避障等時(shí)延敏感邏輯；云端負(fù)責(zé)長(zhǎng)期規(guī)劃、策略更新、認(rèn)知模型。這比“每臺(tái)機(jī)器人都塞一個(gè)大模型”更現(xiàn)實(shí)也更可擴(kuò)展。

所以對(duì)我來(lái)說(shuō)，算力不是最急迫的問(wèn)題。框架選對(duì)了，算力才會(huì)用在對(duì)的地方。而一旦框架不對(duì)，算力越大，可能越偏離真正可落地的具身智能。

排版運(yùn)營(yíng) /Teagan

- End -