近日，在2025世界機器人大會(WRC)主論壇上，北京星動紀元科技有限公司創始人陳建宇發表了題為《構建通用人形機器人》的演講，分享了星動紀元打造通用人形機器人的思路——將通用大腦與通用本體相結合，同時強調向人類學習是實現通用人形機器人的最短路徑，并以此闡述發展通用人形機器人的原因與構建路徑，全面展示了星動紀元在該領域的成果與愿景。
以下為陳建宇演講內容實錄：
通用機器人是AI下一站
將革新社會生產力與服務
“我們最近發布了兩款全尺寸的人形機器人 —— 一款雙足，一款輪式。人形機器人不僅能完成高爆發的360°旋轉跳、跳街舞這樣的運動控制類動作，還能勝任物流分揀、疊衣服、搬運、掃碼識別、打螺絲等各種各樣通用的操作任務。”
“我們認為通用機器人一定是AI下一步的趨勢，可以看到AI已經逐步滲透至電腦、手機等各類終端，現在正在從思考走向行動，智能汽車就是其中一個例子，接下來機器人由于有更強大、更通用的移動和操作能力，未來必將帶來整個社會生產力和服務力的革新。”
傳統軟硬件模式難成通用
易陷商業牢籠
“為什么做這樣一個通用的人形機器人，我們認為如果還是依靠傳統的機器軟硬件方案，難以實現真正的通用性。盡管目前機器人種類已經比較繁多，但是實際上相比于剛剛展示的幾大終端產品來說，它的數量還是非常少的，這是因為每一個場景都要建立一套獨立系統，我們認為這樣的硬件堆砌無法催生最終的智能進化，這種專業的系統最終會帶來商業牢籠，使我們無法真正讓機器人規模化，這也就是為什么機器人整個領域到目前為止雖然發展了半個多世紀，仍未出現真正意義上的巨頭。”
通用人形機器人 = 通用大腦 + 通用本體
向人學習是通用機器人的最短路徑
“如何構建通用機器人呢?我們認為最短的路徑就是直接向人學習，因為人類是現實世界中唯一存在的通用具身智能體，我們的語言模型為什么成功，正是因為它借鑒了人類語言的學習過程，從海量人類文本中學習而來。”
“機器人涉及維度更廣，因此需要構建人的通用大腦，不光要有語言功能，還要有能控制雙手、雙腿在物理世界中交互的功能，同時我們還要構建與它匹配的通用本體。”
通用大腦ERA-42：
端到端模型是機器人通用化的關鍵路徑
“第一個部分先講講通用機器人的大腦，我們發布了一款ERA-42的通用大腦模型，這是一個端到端的具身模型，將視覺感知、行為理解、規劃與執行融為一體。”
“為什么做這樣一個端到端的模型呢?這來自于我們從語言模型中得到的啟發，語言模型出來之后短短幾個月的時間內，把以前NLP(自然語言處理)整個領域完全顛覆了。NLP里構建了很多不同的模型，去解決各種各樣不同的任務，有非常多的算法，但是最終被Transformer這一簡潔架構顛覆了，并在各個方面都展現出了更強大的性能。所以我們認為機器人應該沿著這樣一條路才能帶來最終想要的通用模型。”
“但這樣一個模型還面臨以同一模型控制通用人形本體的挑戰，我們已在此方面努力攻關并且取得了一些成果，我們目前已經能夠實現用同一個模型控制高自由度機器人本體并能在相對較少的訓練數據下達到很好的性能。”
具身模型研究范式需持續突破
才能不斷打破瓶頸
“這背后是我們一直在努力突破具身模型的研究范式，我們認為實際上目前最大的瓶頸還是在于具身最終模型的范式上，需要不斷的突破迭代模型范式才能打破瓶頸。我們把具身模型發展的過程分為四個階段，也是我們星動紀元探索的四個階段。”
“第一階段，我們探索如何將具備人類認知能力的語言模型和視覺語言模型引入具身智能中，但在這個階段，它與我們的行為動作仍然不是相匹配的模型，仍然是分成了兩個單獨的模型，這大概是在2023年的時候ChatGPT剛出來之后大家所做的事情。”
“第二階段，現在主流的模型是類似于以π0還有Helix等為代表的快慢系統的模型。我們稱之為‘實時行動且深度思考’—— 將語言模型的深度思考能力與行為動作的實時執行能力結合，形成端到端模型，雖然是一個快慢系統，但是端到端訓練的，我們很早就進行了探索，早在去年年中就發表了相關論文。”
“第三階段，以Sora為代表的生成式的模型，為什么做這個事情?機器人是跟物理世界有具體的交互，但是語言模型仍然停留在抽象的空間理解。而像Sora這類生成式模型實際上是能夠捕捉非常精細的物理交互的變化范式。”
“還有非常重要的是它能從廣泛無標注的互聯網視頻數據中來學到物理世界的規律和知識，即我們所稱的世界模型，這種方式間接解決了數據稀缺瓶頸的問題，可以直接自監督的通過大量的互聯網無標注視頻數據來學習。”
“第四階段，強化學習范式，這個代表是DeepSeek。它之所以廣受關注，就是因為它的R1模型是使用了強化學習。此前的VLA(視覺-語言-動作模型)具身模型基本上還是屬于從人類的示范里進行完全的模仿來學習。但這樣的話會有兩個問題，一個是沒法超越示范本身的能力。第二個是對于物理世界具體的示范表現欠佳。我們也做了相應的探索，用強化學習來訓練基于模仿學習的VLA模型，最終提升了它的成功率和效果。”
ERA-42預訓練如“開卷考”
讓機器人“看會”任務執行
“前面一個階段是預訓練階段，我們稱之為‘開卷考’，也就是‘看會’——類似于小孩，前面幾年其實也不會做什么具體的事情，但一直在觀察這個世界，這與我們的預訓練過程類似，該階段不僅融合了各類機器人數據，還納入了海量無標注的互聯網視頻數據，是一個融合世界模型的預訓練模型，該模型能達到零樣本生成執行策略，而且這個策略可以以高清視頻的方式呈現出來，能夠預想并演示全新場景與任務。”
ERA-42真機微調如“真實踐”
讓機器人“學好”任務執行
“在此基礎上，可認為模型已具備對世界的通用常識。接下來就是具體的進行實踐和優化，需要模型依托機器人專屬本體，在真實的物理世界里收集真實的數據，進而對其進行微調。”
“由于有前面這一部分開卷看會的部分，所以我們在第二個階段只需要非常少量的真機數據微調就能大幅提升任務的準確度。在這樣的范式之下，也能夠有效地解決我們的數據瓶頸問題。”
ERA-42打破數據瓶頸
讓機器人“有得學”
“這是我繪制的機器人數據金字塔示意圖，最頂層為真機數據，它是質量最高的，但我們知道它的量是非常少的。左上角對比了一下GPT 4和Sora所基于的文本或者是視頻數據量，相比之下，機器人真機的數據量是相當少的，僅靠這個數據量，其實是很難讓我們達到已有的泛化能力。”
“所以說我們進一步引入了金字塔下面兩層，一個是人類行為的數據，現在的VR和智能眼鏡做到了大范圍的發展和逐步的普及，借此能夠高效采集人類第一人稱行為數據，其成本遠低于真機數據采集。底層的是更龐大的互聯網數據，涵蓋人類行為(包括第一人稱、第三人稱及多人互動)、自然現象、動物活動等數據。也就是發生在地球上的一切，通過世界模型都能夠從中學習。通過這種數據架構，隨著模型迭代，我們所需的真機數據量已大幅降低。”
“同時，我們還通過不斷提升模型對本體的控制難度，開展跨任務和跨本體學習。我們自去年開始在單個機械臂上開展實驗，然后逐步升維到7軸機械臂加五指靈巧手，讓我們的模型直接端到端的控制每個手指的動作，隨后進一步遷移到雙臂人形機器人上，進一步到更完整的形態。”
通用本體
人形是終局通用形態
“第二個部分是關于通用本體模塊，關鍵詞是“通用化”、“模塊化”和全尺寸人形”。為什么做這樣一個人形機器人?因為我們人類環境是由人類構建的并且為人類構建的，我們相信終局最通用的形態是人形，但打造人形機器人不僅是目的，也是手段——通過做人形機器人，我們能夠以更低的成本收集到更多的數據，并且剛剛所說的不管是第一人稱的人類行為數據還是互聯網數據，都能夠更好地遷移到我們的人形機器人本體上。”
硬件通用模塊化
才能使機器人適應不同場景
“為了使機器人硬件更好地適配各類場景，我們采取了硬件通用化和模塊化的方式，可以看到我們的模塊化是多層的。最頂層是整機本體層，我們有面向工業的星動L7還有面向服務業的星動Q5機器人，且它們下層都基于同一套關節模組和靈巧手。靈巧手也是由小型關節模組構成，這些關節模組下層包含電機、減速器、驅動器等核心部件，所有這些部件均由我們自主研發。因此，我們自研軟硬件，使硬件能夠更好地適配軟件，軟件和硬件能協同發展，這也是軟件定義硬件的實踐。”
“模型 - 本體 - 場景數據”
構建物理世界AI進化飛輪
“總結來說，通用大腦+通用本體，它們的融合使得我們能夠找到這樣一個構建通用人形機器人的范式，再通過場景和數據形成物理世界AI進化飛輪。即是在頂層構建統一模型，該模型可通用賦能各類人形機器人本體(包括靈巧手)，而不同本體適配不同場景，場景應用又會反饋數據形成不斷迭代進化的閉環飛輪。”
“目前我們通過物理AI進化飛輪取得了不錯的效果，我們也被英偉達評選為全球14強人形機器人之一，同時入選2025摩根士丹利人形機器人產業報告人形機器人全球16強。截至今年7月，我們產品的交付量已經突破了300臺，獲得了全球頭部科技巨頭的青睞，全球市值前十的科技巨頭中，九家已成為我們的客戶。”
