對話普渡機(jī)器人吳翔：普渡不走單機(jī)智能，要走平臺化智能

一切圍繞數(shù)據(jù)資產(chǎn)展開

今年，上海WAIC上，具身智能正經(jīng)歷一場從DEMO到規(guī)?；慨a(chǎn)的轉(zhuǎn)折。由于技術(shù)本身并未出現(xiàn)收斂，因此商業(yè)落地其實(shí)是一個(gè)非常開放性的話題。

在諸多整機(jī)廠商中，經(jīng)歷了多個(gè)形態(tài)轉(zhuǎn)變的普渡機(jī)器人自己就是行業(yè)變革的典型寫照。

截至目前，普渡已實(shí)現(xiàn)13萬部商用機(jī)器人銷量，出貨量的增加讓廠商意識到單一硬件形態(tài)的局限性。而改變這一需要從底層智能架構(gòu)與真實(shí)世界數(shù)據(jù)中尋找新的合適形態(tài)。不同廠商對此有不同的“話術(shù)”，普渡機(jī)器人總結(jié)為“一腦多形”技術(shù)路線，試圖以此為錨點(diǎn)，重構(gòu)物理世界的智能基礎(chǔ)設(shè)施。

相較“單機(jī)智能”，普渡的想法是建立起一套能夠適配多種物理載體的通用智能底座，即Physical Agent（物理智能體），這個(gè)概念包括了本體、系統(tǒng)、技能三層。

普渡機(jī)器人具身智能負(fù)責(zé)人吳翔認(rèn)為，移動(dòng)互聯(lián)網(wǎng)時(shí)代，本體是手機(jī)，系統(tǒng)是iOS與安卓，技能是各類應(yīng)用；方興未艾的AI Agent時(shí)代，本體是PC與手機(jī)，系統(tǒng)是LLM與VLM，技能則是各類Skill。Physical Agent時(shí)代，本體是形態(tài)各異的Robot，系統(tǒng)是基于Physical Agent的OS系統(tǒng)，技能是Foundation Model。

這個(gè)三層劃分，折射出普渡機(jī)器人在具身智能時(shí)代中的雄心。本體層，同時(shí)布局專用、類人型、人形等多種形態(tài)，覆蓋不同場景。系統(tǒng)層，PuduAgent OS連接模型、技能和機(jī)器人本體的中樞。技能層，自研的基座模型PuduFM，為機(jī)器人提供理解和行動(dòng)能力。

這套架構(gòu)將讓普渡能夠獲取復(fù)利效應(yīng)。例如，一旦在某個(gè)原子技能完成突破，如按電梯、抓取異型件等，普渡便能將之復(fù)用到配送、清潔、工業(yè)制造等不同形態(tài)的機(jī)器人上。

針對傳統(tǒng)VLM只能處理文本與圖像，缺乏對物理世界理解能力的問題，普渡發(fā)布了PuduFM 1.0架構(gòu)。該架構(gòu)用物理直覺模型（PIM）與VLM融合。

PIM不追求像素級的未來畫面生成，而是用稀疏方式，捕捉物體運(yùn)動(dòng)的動(dòng)力學(xué)原理。例如杯子傾斜會撒出液體、重心偏移會倒等，將物理常識重新編碼為可計(jì)算的特征，從而讓機(jī)器人能有某種類似人類的“先驗(yàn)?zāi)芰Α薄?/p>

這種解決方案，讓VLM能夠在統(tǒng)一的特征空間內(nèi)同時(shí)完成語言、視覺、動(dòng)作模態(tài)的對齊，起到接近于看到、理解、執(zhí)行的人類處理機(jī)制。

該架構(gòu)其實(shí)是打通了導(dǎo)航與操作的認(rèn)知壁壘，例如穿越酒店長廊的路徑規(guī)劃與抓取異形包裹的力控執(zhí)行，背后都是基于同一套物理規(guī)律。

PuduAgent是一個(gè)面向物理世界的通用具身智能體平臺。包括Agent Core（智能核心）、Agent Memory（記憶機(jī)制）、Agent Runner（執(zhí)行閉環(huán)）三個(gè)部分。拆解下來很容易發(fā)現(xiàn)，PuduAgent為機(jī)器人提供了長程任務(wù)規(guī)劃和動(dòng)態(tài)調(diào)節(jié)能力。

此外，PuduAgent支持“一腦多形”和群體協(xié)同。這意味著不同構(gòu)型的機(jī)器人本體可以共享同一套大腦，甚至可以在統(tǒng)一調(diào)度框架下實(shí)現(xiàn)異構(gòu)機(jī)器人協(xié)同作業(yè)。

而背后的廠商將搖身一變?yōu)槠脚_服務(wù)商，考慮到這一重因素，普渡機(jī)器人自然而然地面向全球開發(fā)者開放，提供SDK和SkillHub，試圖撬動(dòng)能力飛輪：技能越多、場景覆蓋越廣、開發(fā)者越多。

帶著這一系列信息，我們從普渡的產(chǎn)品矩陣中可以發(fā)現(xiàn)一條暗線，首先找到場景卡點(diǎn)，承接需求，然后根據(jù)需求固定形態(tài)，最后反向配置能力，完成產(chǎn)品落地。 以D5/D5W四足機(jī)器人為模板推演。高危環(huán)境是目前機(jī)器人完成人類替代的最主要場景，在特高壓變電站、石化廠區(qū)、交通隧道等場景中，地形復(fù)雜、人工巡檢風(fēng)險(xiǎn)極高。此時(shí)，輪式設(shè)備無法進(jìn)入，而雙足設(shè)備又存在續(xù)航與負(fù)載短板時(shí)，四足構(gòu)型便是唯一解。

D5系列設(shè)置了IP67防護(hù)等級，可以在負(fù)載30kg的情況下，完成30°爬坡動(dòng)作。D5W則采用了輪足復(fù)合設(shè)計(jì)，平地用輪提速（最高 5m/s），遇障時(shí)切換為足式，從而可以解決復(fù)雜地形下的通行與作業(yè)難題。

到商業(yè)服務(wù)環(huán)境中，傳統(tǒng)輪式配送機(jī)器人的最大問題是很難完成最后一步，如按電梯、刷門禁。不少國家地區(qū)不允許改造電梯硬件，IoT提供改造這條路被堵得死死的。

閃電匣Arm商用類人形機(jī)器人則基于普渡旗艦配送機(jī)器人底座，搭載了7自由度可升降雙臂與靈巧手，能完成按電梯、刷門禁的動(dòng)作，免IoT改造的能力，切中了海外市場剛需。

在3C與汽配這類工業(yè)產(chǎn)線，雙足行走目前看起來更像是“屠龍術(shù)”。工廠真正需要的是能穿越狹窄通道、高負(fù)載、末端精度高的本體。D7 2.0采用“全向移動(dòng)底盤 + 仿生雙臂”構(gòu)型，搭載自研關(guān)節(jié)模組與三指靈巧手，聚焦工業(yè)生產(chǎn)中的復(fù)雜雙臂協(xié)同柔性作業(yè)。這種設(shè)計(jì)的目的是解決傳統(tǒng)AGV無法完成上下料、裝配輔助的痛點(diǎn)。

最后是技術(shù)旗艦PUDU D9。這款身高170cm，采用輕量化高強(qiáng)度結(jié)構(gòu)設(shè)計(jì)，搭載自研仿生小腦PUDU PULSE的產(chǎn)品，目前看來探索色彩更重。相較前面三種構(gòu)型，D9在嘗試擴(kuò)充靈活切換多種角色，來尋求運(yùn)動(dòng)與能力上的泛化。

WAIC上，幾乎所有具身智能玩家都很清楚，模型能力與來自真實(shí)世界持續(xù)產(chǎn)生的數(shù)據(jù)是構(gòu)建競爭力唯二手段。而實(shí)現(xiàn)這一目標(biāo)，需要有足夠豐富的構(gòu)型與持續(xù)的銷量作為前提，并且需要建立起有效的數(shù)據(jù)反饋回路。

普渡制造Physical Agent的核心原因便是業(yè)務(wù)覆蓋全球85個(gè)國家和地區(qū)，累計(jì)出貨超13萬臺，每年產(chǎn)生超5000萬小時(shí)真實(shí)運(yùn)行數(shù)據(jù)。這些數(shù)據(jù)涵蓋了零售、工業(yè)物流、餐飲、酒店等十余個(gè)真實(shí)場景，為機(jī)器人模型優(yōu)化和能力迭代提供了前提。

普渡認(rèn)為，自己可以通過機(jī)器人規(guī)?；虡I(yè)應(yīng)用完成現(xiàn)金流回收的同時(shí)，還能完成數(shù)據(jù)資產(chǎn)積累，這被視為具身智能時(shí)代真正具有壁壘效應(yīng)的要素。這種“場景即采集、工作即數(shù)據(jù)”的模式，不僅將數(shù)據(jù)采集成本降低一個(gè)數(shù)量級，更確保了數(shù)據(jù)的物理真實(shí)性與動(dòng)作自然度。

針對上述構(gòu)想，普渡機(jī)器人具身智能事業(yè)部負(fù)責(zé)人吳翔做了一場題為“從服務(wù)世界到制造未來”的分享，我們在不改變原意的基礎(chǔ)上，整理了演講與對話：

Q&A

Q：普渡有1000多個(gè)場景，主要的應(yīng)用是配送和清潔，還是說會有其他的一些使用的場景？

吳翔：目前銷售的機(jī)器偏向于配送、清潔和工業(yè)，我們會借助這些場景去打造我們的操作能力。接下來D7（類人形智能作業(yè)伙伴）、D5（全地形自主導(dǎo)航四足機(jī)器人）都會在場景里面發(fā)揮價(jià)值。

我們可能會優(yōu)先聚焦在零售、工業(yè)制造、倉儲物流等各種操作功能，不僅是抓取。我們會更關(guān)注末端執(zhí)行器，無論是五指靈巧手、三指、夾爪，還是各種更符合這場景的末端執(zhí)行器。

Q：您提到普渡每年有5000萬小時(shí)的真機(jī)數(shù)據(jù)，大概是怎么分布的？怎么通過這些數(shù)據(jù)，完成從移動(dòng)為主的場景，過渡到生產(chǎn)力場景？

吳翔：我們回到模型里來，這是一個(gè)非常典型的VLM架構(gòu)和WAM架構(gòu)問題。VLM模塊主要基于海量互聯(lián)網(wǎng)數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練，很多具身智能公司往往只關(guān)注采集操作數(shù)據(jù)來進(jìn)行后訓(xùn)練，但這對于模型理解復(fù)雜場景和任務(wù)拆解的作用是有限的。

普渡每年積累的5000萬小時(shí)真機(jī)數(shù)據(jù)，能夠極大提升VLM模塊的泛化能力。這些數(shù)據(jù)不僅用于訓(xùn)練底層的操作控制，更重要的是讓機(jī)器人的“大腦”變得更聰明，具備更強(qiáng)的任務(wù)判斷、場景理解以及客戶需求洞察能力。

因此，這部分海量的真實(shí)運(yùn)行數(shù)據(jù)回傳，會極大地反哺并優(yōu)化我們的PLM（物理語言模型），從而真正打通從移動(dòng)到生產(chǎn)力操作的閉環(huán)。

Q：很多同行都在卷本體、卷自由度，普渡做物理Agent，甚至?xí)霾僮飨到y(tǒng)，背后的戰(zhàn)略動(dòng)因是什么？

吳翔：在當(dāng)前的 AI 領(lǐng)域，雖然模型本身的能力很強(qiáng)，但要真正激發(fā)潛力，離不開一套體系化的系統(tǒng)支撐，這是我們設(shè)計(jì)普渡Agent的初衷。

一方面，構(gòu)建一個(gè)完善的系統(tǒng)來最大化模型效能；另一方面，讓模型能夠順暢地調(diào)用機(jī)器人的末端執(zhí)行器和機(jī)械機(jī)構(gòu)。

并非所有問題都需要依賴大模型去解決。如果基于海量的導(dǎo)航數(shù)據(jù)訓(xùn)練出一個(gè)適配機(jī)器人場景的VLM，模型就能融合更多物理模態(tài)，更精準(zhǔn)地拆解任務(wù)。

拆解完成后，模型可以直接調(diào)用機(jī)器人的手臂、末端執(zhí)行器或雙足等部件。通過這種軟硬件的深度協(xié)同，能夠構(gòu)建起更完整的本體，從而更好地激發(fā)模型能力，實(shí)現(xiàn)真正的落地與應(yīng)用。

Q：我有兩個(gè)問題。第一，具身智能的數(shù)據(jù)規(guī)模與數(shù)據(jù)質(zhì)量都存在很大的問題。業(yè)內(nèi)有個(gè)共識是，數(shù)據(jù)質(zhì)量往往比數(shù)據(jù)規(guī)模更重要。工業(yè)場景下的客戶對于數(shù)據(jù)回傳會很敏感，普渡如何解決？另一個(gè)問題是普渡如何定義和篩選有效數(shù)據(jù)，其中占比大概是多少？

吳翔：以大語言模型為例，數(shù)據(jù)策略在不同階段有不同的側(cè)重點(diǎn)。

在預(yù)訓(xùn)練階段，數(shù)據(jù)的規(guī)模往往比質(zhì)量更為關(guān)鍵，海量的數(shù)據(jù)是模型具備通用能力的基礎(chǔ)。到了后訓(xùn)練階段，高質(zhì)量數(shù)據(jù)則成為突破模型性能邊界的核心要素。

所以回過頭看，二者并不矛盾。

就普渡目前階段而言，核心策略依然是廣泛吸收各種類型的海量數(shù)據(jù)。

關(guān)于工業(yè)客戶的落地顧慮，我們發(fā)現(xiàn)客戶其實(shí)非常迫切地希望將AI技術(shù)引入實(shí)際場景。對他們而言，技術(shù)落地的優(yōu)先級往往高于對安全風(fēng)險(xiǎn)的擔(dān)憂。

許多工業(yè)合作伙伴甚至愿意主動(dòng)搭建小型的獨(dú)立生產(chǎn)線或車間，專門供我們進(jìn)行數(shù)據(jù)采集和模型訓(xùn)練。

因此，在真實(shí)的產(chǎn)業(yè)需求面前，數(shù)據(jù)獲取與訓(xùn)練環(huán)境并不是難以逾越的障礙。

Q：目前行業(yè)對于世界模型（World Model）的討論非常熱烈。請問輔助的World Simulator（世界模擬器）與PIM（物理直覺模型）都涉及對未來狀態(tài)的預(yù)測，兩者之間具體是怎樣的協(xié)作關(guān)系?

吳翔：首先，World Simulator主要承擔(dān)的是基于強(qiáng)化學(xué)習(xí)的物理仿真環(huán)境角色，為模型提供訓(xùn)練場。

而PIM本質(zhì)上也是一種世界模型，但兩者的應(yīng)用方向有很多不同。

目前主流的視覺世界模型通常采用稠密的下一幀像素級預(yù)測，這種方式更適合充當(dāng)物理引擎。但如果直接將之用于控制需要高頻響應(yīng)的機(jī)器人進(jìn)行精細(xì)操作，效果不是很理想。

因此，我們在PIM模塊上對傳統(tǒng)的視覺模型進(jìn)行了針對性優(yōu)化，沒有采用逐像素的冗余計(jì)算方式，轉(zhuǎn)而采用稀疏且非連續(xù)的時(shí)間狀態(tài)預(yù)測。

簡單來說，雖然它們在底層邏輯上有相似之處，但：

World Simulator側(cè)重于提供仿真訓(xùn)練環(huán)境；

PIM則專注于為機(jī)器人的高頻實(shí)時(shí)控制提供精準(zhǔn)的物理狀態(tài)預(yù)測。