先是硅谷具身智能公司Generalist AI在GEN-1模型上验证了确定性，当他们给机器人喂进海量数据后，精细操作任务成功率竟从64%提升到了惊人的99%； 随后，硅谷当红的具身智能独角兽公司Sunday Robotics也试图解决家庭场景数据难关，不仅推出Umi手套数据采集方案，还直接将机器人Memo送进家庭做家务（收拾餐做、冲咖啡、叠衣服），因此吸引了大量的资本押注。 作为“伯克利归国四子之一”、清华大学交叉信息研究院助理教授，2023年，许华哲曾加入「星海图」任前首席科学家兼联合创始人，一起将这家公司打造成中国具身智能领域的明星公司。 其实，想做一个家庭机器人公司并不是近期偶然的想法。初高中时的他读完《乔布斯传》后，内心便萌生创办一家伟大To C公司的种子。此后，在清华、伯克利、斯坦福的一路升学中，他一直深耕机器人强化学习方向，梦想便是把机器人送入千万家庭。 他理想中的家庭机器人，虽然不是无所不能，却能完成上一代机器人（比如扫地机、洗地机）无法完成的复杂任务，比如能进行更精细的清洁工作、有条理的完成诸如洗衣收纳的长序列、多步骤任务串联。 在他看来，这种创业方向的选择，也带有强烈的审美洁癖。许华哲直言，泛化性的本质是一种“美与影响力”——用最简洁优雅的模型，解决人类复杂的生活问题，并真正将AI转化为生产力，而非仅仅替代低端劳动力。 从更理性的层面，切入To C家庭场景也包含着许华哲的商业判断。在他看来，当前大量机器人厂商将人形机器人送进工厂，完成传统机械臂就能完成的上下料、搬运箱的工作，本质上只是在用新的人性在做旧时代的事情，机器人没有发挥出真正的通用性。 他认为，真正的AGI应该在家庭场景中诞生、运用，因为家庭场景任务比工厂场景更混乱随机，且数据丰富，恰恰是训练通用模型的最佳土壤。 因此，为了追赶时机，在创业的短短一个月内，新公司「破壳机器人」已经完成了融资、核心团队组建、具身模型的训练、以及硬件迭代工作。 《智能涌现》独家获悉，破壳机器人近期完成数千万美元天使轮融资，由云启资本领投，并获得顺为资本、弘晖基金等一线美元基金，小米战投、星海图等知名产业方，以及BV百度风投、英诺天使基金、水木清华校友种子基金、东方嘉富等一线市场化基金的支持。 为了实现泛化，在关键技术路线方面，他的选择也略显反常识。他完全放弃了行业主流的VLA（视觉-语言-动作）基座模型方案，转而构建一种能直接输入和输出“视频-动作”的世界模型。 在模型结构上，他也提出了独特的“UAG架构”，用并联式预训练替代过去的瀑布式级联，并将强化学习贯穿预训练与部署全过程，实现了训练效率的五倍提升。 打好模型基础之余，在数据与硬件层面，他也通过UMI、外骨骼和第一人称视角三层方案采集高质量数据，形成从任务定义到数据、模型、本体的闭环迭代。 据许华哲透露，「破壳机器人」第一代32B参数规模的具身世界模型已完成首轮训练，正处于数据迭代的关键爬坡期。在硬件层面，「破壳机器人」为数据采集量身定制的手套硬件已迭代了五六个版本。 许华哲：这个想法其实酝酿了很久。在2023年8、9月份，我就开始和高继扬聊，加入星海图。但经过了两年，到去年11、12月份，我已经基本决定要离开了，真正办完手续是在今年，创立「破壳机器人」是最近一个月的事情。 许华哲：原因是多方面的。2023年我加入星海图时，也考虑过要不要自己创业，但那时我刚从美国读完书回来，在叉院工作才一年左右，要自己开公司lead一摊事，还要兼顾教职，挑战很大。 那时星海图和其他一些具身智能公司也邀请我加入，我觉得先加入一个优秀的团队做联创，是一个更稳妥的选择，而且当时星海图的宣传里也提到大概是“让机器人服务千万人类”的话语，这和我的一部分想法是吻合的。 在技术上，我们的AI模型在“动得快”、“泛化强”、“成功率高”三个维度都有较好的前期积累，能让机器人完成某些复杂任务时达到接近100%的成功率。 我们第一代32B的模型已经完成了第一次训练，但还需要数据量的迭代才能展现出更好能力。我们的硬件手套也已经迭代了五六个版本。 许华哲：最大的不同是心态上更踏实、也更敢了。第一次创业前，我会担心，我没上过班怎么给别人“班”上？我没做过生意怎么办，没跟投资人、政府打过交道怎么办？ 在星海图的两年，我接触过这些事，“没打过就硬打，没上过就硬来”，其实最终结果也挺顺利的，太多的顾虑没必要，出来混最重要是先出来。这次心理上更从容。 许华哲：区别挺大的。首先是硬件本体，这三年中国的硬件供应链打磨得更好了，有了更多能用的机器人，2023年时可能只能用工业臂； 第二是数据，2023年时机器人的数据几乎是0，现在网上开源数据就有几十万小时，还出现了大量的数据供应商，虽然数据质量和跨本体适配还是问题，但丰富度已经不可同日而语。 许华哲：首先，一个核心思考是，我们做机器人到底在做什么？机器人是人类自古以来的追求，我们在海底捞、酒店、工厂都见过机器人，但如果我们只是用人形的外壳去工厂拧螺丝、搬箱子，那本质上还是在做旧时代的事情。 这一代机器人最核心的不同在于它的通用性。通用性该用在越混乱、越需要通用能力的地方。那答案就是家庭，或者广义的服务场景。我认为，通用的AGI（通用人工智能）应该用在家里。 第三，从数据角度看，通用性需要有丰富的数据，混乱的家庭场景恰恰能提供丰富的数据。如果你的数据源头错了，就得不到正确的模型。 许华哲：我的预测比较乐观激进，我认为两年内会出现可以用起来的机器人。它不是万能的，但会是一个有完善产品定义、能做相当多通用事情的机器人，但它会有一些明确不做的事，比如抱婴儿、烧热水。 另一类是长序列、多步骤任务的串联。举个例子，一个完整的洗衣流程是——把脏衣服放进洗衣机、倒洗衣液、启动，然后机器人可以去做别的事，它会在监听到“洗完了”的声音后，把衣服拿出来放进烘干机，启动烘干，最后再把衣服拿出来叠好放进衣柜。 现在的机器人能做任何一个单一步骤，但没有机器人能像人一样，从头到尾，带着这些“任务间的缝隙”把它完成，我认为两年后的机器人能有这个能力。 许华哲：家庭和工厂某种程度上都是“混乱”的，但是本质上不同。工厂的混乱更多是“管理混乱”，比如东西乱扔、人走来走去，但它具体干的活，比如上下料、装配是高度确定性的。 家里的混乱是任务本身的混乱，比如衣服是团成一团的，杯盘狼藉需要收拾，这种混乱是需要通过工作去恢复秩序的。工厂的很多混乱并不需要去恢复。所以，这是两种完全不同性质的“混乱”。 许华哲：机器人进家庭的逻辑和落地To B不同。To B的账很难算，因为工厂给人形机器人干的活价值很低，一台二三十万的机器人可能相当于一个人三四年的工资，还要考虑可靠性、维护，很难回本。再加上工厂里采集的数据可能过于专化。 To C的账不是简单的“替代人力”计算。它更像科技潮品+家庭助手+管家的复合体。用户买它，是购买一种先锋的生活方式、极致的便利，就像二十年前大家买车一样。我们考虑的是，当用户有一笔预算时，是买辆车还是买个能改变生活的机器人。 许华哲：是的。我从小就想做To C，想创业。初高中的时候读《乔布斯传》、《迪士尼传》，读完了就很想创业，做一个像谷歌一样的公司，后来选电子系也是想要做IT，大学还修了管理学双学位，就是为了创业做铺垫。 我博士毕业时（2021年），主要就是找教职还有找投资人聊，看看有没有创业机会，当时普遍观感是，下一代技术还远，这一代技术就是做扫地机、餐馆机器人，但是和AI关系不大，没看到特别匹配我专业技能的创业机会。 美，更多是个人体验，我做这件事创造出来的东西是优雅、简洁的，就像简单的公式能描述复杂的现象，泛化性的本质也是美；影响力意味着，我做的这件事要能对世界产生足够大的影响，改变人们的生活方式。 现在我们被迫用巨大的参数量来描述世界，是因为我们还没找到AI领域的牛顿定律，我相信大模型只是一个中间状态。我的博士生涯是带着“AI一定存在一个优美理论”的心理开始的，但后来发现理论越来越解释不了AI，这是一个痛苦但必须接受的过程。 所以现在我的使命是追求简洁和影响力，如果有另一个公式（而不是AI模型）能描述机器人与世界的所有交互，我会觉得它更好。 极致：我很喜欢戴密斯·哈萨比斯那本传记里的描述，里面说，一个人做事要做到什么程度，就像跑马拉松撞线后，有个救护车把你拉走了，但是你最后没死。虽然有点夸张，但是我觉得做事极致投入，永远想更进一步，是很重要的。 利他：公司里有很多“缝隙”，如果每个人都只盯着自己的KPI，这些缝就没人填。对于初创公司，需要每个人在有余力时主动填缝，这种利他性长期看对个人和团队成长都有益。 我很欣赏段永平的“本分文化”，也欣赏前段时间一篇报道中提到的，Kimi“没有部门墙”的协作模式，我倾向于弹性、扁平的组织，很赞同黄仁勋、亚马逊那种鼓励一线员工直接向老板直接发邮件反馈问题的文化。 许华哲：完全不一样。他们做的是陪伴，核心能力是大模型提供的对话能力和娱乐。我们追求的核心是物理世界的通用交互和干活能力。 我们的机器人是“家庭助理”，要能实际处理家务，所以在技术上，我们需要非常强的模型能力来保证通用性，但是很多家庭陪伴机器人是没做基础模型的。本质上，我们和他们是两个不同的品类。 许华哲：我们的一大亮点我们的模型能用好强化学习。过去机器人对强化学习的使用一般停留在单机的后训练上，但是其实强化学习上有很多自己独特的东西。 第一个就是价值函数（value function）。价值函数可以对数据质量进行评估，让模型知道哪些数据好、哪些次优、哪些失败。数据带着权重，去让模型学习。 它带来的好处有两个，一是可以让模型学得更精准，二是可以理解失败的边界，这样模型就能够知道紧邻着成功的失败长什么样，让强化学习去把这些失败因素排除掉； 第三是，强化学习也可以突破人类数据上限。以前我们用人采集的数据去做某件事，数据是什么样的，机器人就能做到怎么样的，甚至会更差，因为机器人是跟着数据学习的。但是强化学习就是根据数据以及后续的自我改进，持续突破自己的上限，最终可能做出比人类示范数据更好的表现，上限更高。 许华哲：我们的预训练也会用离线的强化学习。预训练现在还是有一些卡点的，比如说模型的选择上有很多种，市面上有用VLA+VLM的，也有世界模型的，还有VLWAM，就是VLM后面再内嵌一个世界模型。 《智能涌现》：现在的世界模型有很多派别，有的人用的是偏3D视频的方向，有的又是偏向于世界仿真，你们对世界模型的理解方式是什么？ 许华哲：我们输入的是视频和动作，在训练和推理的时候，输出的也是视频和动作。这些视频和动作里面是遵循物理规律的真实世界的数据。 许华哲：要训练大模型所需的Infra（基础设施）是一个挺大的卡点，因为我们想做一个32B的大模型，要支撑比较大的数据量，GPU集群的并行效率、数据吞吐都是一个很大的挑战和壁垒。 相对于传统的瀑布式级联的模型训练方式，我们采用的是一种并联的方式，核心思想是先对动作进行预训练，然后再对所有的动作做整体联合的训练，做一个动作预测器，然后再将动作预测器和视觉模型一起进行联合训练。 背后的原理是，一个小时的图片、视频是巨大的，但是一个小时的动作很少，可能就是一系列关节的运动，也就是一堆小的浮点数。这种方式可以最大程度保留基础模型的泛化能力，同时大幅提升训练效率，估计至少5倍以上。 ②UMI方案：让人戴一个和机器人手部构型完全一样的“硬手套”进行操作，好处是没有机械臂的负担，采集效率高，数据量大。手套做硬是为了保持和机器人手的一致性，确保人能做的动作机器人都能做； 许华哲：采集的数据，表层方法可能相似，但内核有本质不同。比如umi手套是否打磨得足够好，足够通用？采集的数据质量如何保证？以及如何清洗和处理这些数据，提升数据质量？ 我们一个很大的不同是，我们会大量使用评估数据，就是机器人自己做测试和探索的时候，自己在动的数据。这样的数据某种意义上是更“差”的数据，因为里面会有失败、会有次优。但是这种“差”其实也是“好”，会让模型更知道任务的目标是什么。 另外，手套的设计细节，比如摄像头位置、佩戴舒适度、是否适应不同手型等等，都需要针对家庭任务精心打磨，我们手套的构型设计是面向家庭任务，追求通用性的。我们会在8月末左右给大家看到我们和现在所有的形态都不一样的数采系统。 关于创业出来是否太晚，我认为——在技术没有收敛的今天，仍然有巨大的机会。同时，因为我们更晚，所以我们的时间压力更小、负担更小，但是各种基础设施比如本体等也更加成熟了。另一方面，走向通用家庭机器人，其实才刚上半场。虽然后发，但是谁能先至，也未可知。
京公网安备11010202000001号
