张正涛：具身智能的价值在于真实场景中创造可衡量的成果



　　“2025世界大会”于8月8日至12日在北京经济技术开发区开幕，“AI 大模型赋能机器人与具身智能产业新范式交流活动”作为2025世界机器人大会的专题活动于8月8日同期召开。灵宝CASBOT创始人兼董事长张正涛出席并演讲。

　　

　　以下为演讲实录：

　　非常荣幸有这样一个机会和各位优秀的同行进行交流，我来自灵宝CASBOT，报告的题目是《聚焦场景落地-通用人形机器人》。　　

　　过去两年，人形机器人行业经历了从迷茫到快速发展的过程。2023年工信部发布《人形机器人创新发展指导意见》时，我们还在观望技术路线和商业模式；到了2024年，产业链突然成熟起来，就像被按下加速键一样。

　　政策文件里提到的“大脑+小脑+肢体”关键技术突破，我们深有体会。我们在大小脑性能、成本、稳定性上得到了巨大的提升。另外政策里面也提出了，人形机器人在特种、制造、民生得到了示范应用。　

　　灵宝CASBOT机器人的核心特点之一是，我们聚焦工业具身。之前的创业经历我走过200多家工厂，在工业领域，中国的人口结构变化和产业链转移，让具身智能成为新型工业化的重要抓手；而在老龄化社会，机器人的需求更是迫在眉睫。　　

　　刚才大家反复谈到的人形机器人里面面临的最大问题就是数据，我们讲有真实数据、合成数据，这是大家讨论最多的问题，包括在香港学术圈交流最直接的关系数据的问题。

　　　　我最早做手机和半导体的工业检测设备做了近十年，在早期检测大模型没有出来的时候，核心的难点也是数据问题。当时我们用的也是基于扩散模型的数据生成，我们也做了很长时间的异常检测，包括今年在CVPR针对与异常检测的赛题，核心几乎都是数据生成的问题。

　　　　客观来讲，在某些相对容易进行逼真建模和仿真的任务中，仿真数据对平衡模型性能、帮助模型冷启动具有很大价值。但在泛化性上，高质量真实数据的作用不可替代。具身智能从二维到三维，再加上触觉、力觉等多模态信息，可能需要达到B级规模的数据量才能充分支撑模型发展。　　

　　我将“构建面向真实开放场景的具身智能数据体系”分为几个步骤：

　　第一步，通过合成数据让模型尽快上线，缩短从研发到可用的时间；

　　第二步，通过在规模化工业场景中应用，实现从高成本的遥操作向低成本无感数据采集的转变，这才是实现L0至L2级商业化的可行路径。但当前的数据采集仍面临一些挑战：仿真场景与实际场景存在差异；高质量数据（触觉、滑觉、力觉）采集困难；动作描述语言单一。这些问题都会导致采集数据的有效率偏低，也是亟需解决的瓶颈。

　　海外案例中，一些头部企业的做法值得我们思考借鉴。特斯拉将高质量的遥操作数据与FSD系统深度结合，形成了与国内很大的差异。常有人质疑遥控器操作模式，但关键是能否用端到端的方式在工厂中真正完成任务，而不是依赖传统的“视觉+四自由度机械臂”模式。特斯拉利用大量高强度的数据采集，即便是看似简单的动作，也能处理例如极小间隙的装配，并在出错时进行自主恢复。如果用端到端模型实现，这种能力极具突破意义。

　　波士顿动力在现代工厂的自主性表现同样出色，特别是在低层任务中，例如保持下肢平衡搬运现代汽车部件，这些自主化作业亮点值得关注。但必须承认，在非结构化环境下，机器人整体效果仍有差距，这也是全球具身智能产业期待突破的里程碑。

　　FigureAI提出的快慢Helix模型在行业中产生了积极影响，将云端“慢思考”和VLA本地快速作业结合，形成了一种值得参考的模式。

　　接下来为大家介绍下我们公司的情况。灵宝CASBOT成立于2023年8月30日，核心团队来自中国科学院自动化研究所。我们的目标是将科研成果集中承载在一个人形机器人系统中，推动科研成果的应用转化落地。目前，我们有三条核心产品线：全尺寸双足人形机器人、轮臂式人形机器人及灵巧手，主要应用在工业质检、矿山作业、文旅教育、商业服务以及家庭场景。

　　产品形态方面，全尺寸双足人形主要应用于文旅、展厅、商场等交互场景；轮臂式人形更适合工业作业；灵巧手则具备精细化操作能力。CASBOT SE在今年的人形机器人半程马拉松比赛中上完成了8公里无失误行进。我们于2024年11月发布的首款全尺寸人形机器CASBOT 01身高1.79米，重量80多公斤，春节期间在五棵松的机器人庙会上与公众做“剪刀石头布”游戏互动，也在今年论坛上接连承担迎宾、主持等任务，全方位展现了其深度感知、人机交互和全身运动控制的稳定内核。

　　今年6月，我们发布了第二代全尺寸双足人形机器人产品CASBOT 02，定位为双足轻量化机型。其身高约163cm，体重约55kg，搭载275tops大算力芯片；同时，硬件端配备有RGBD相机、IMU传感器及麦克风阵列，通过视觉与听觉的双重感知，令机器人具备人脸追踪与声纹识别技术，可实现“专属跟随”与“听声辨人”，即使是嘈杂环境下也能稳定识别用户指令，提升交互沉浸感，适用于多种人机交互场景，覆盖用户群体更广泛。在场景应用方面，面向科技馆、展厅、商场、4S店等场景交互娱乐、教育科研及个人技术爱好者打造，CASBOT 02可担任导览讲解、迎宾接待、互动展示等角色，并支持未来多场景多模态的应用场景拓展。

　　核心技术能力上，我们将具身智能能力拆解为六个核心环节：高质量的多模态数据集、轻量化VLA模型、VLA+强化学习后训练、多模态大模型后训练、生成对抗模仿学习+强化学习运动控制模型、导航大模型。目前已结合多种采集策略，采集约50万条真机数据、800万条人类视频数据及1亿条仿真数据，构建了高质量多模态基础数据集。我们的数据集致力于解决以下三方面问题：

　　1）实现生产与数据采集同步，降低人工采集筛选的成本与效率损失。

　　2）实现沉浸式数据采集，具备主动视觉、目标搜索与人眼注视点捕捉能力，支持语言与视觉多模态标注，提升标注效率（二维曲线数据已实现语言交互标注与自标注）。

　　3）开发轻量化本地可运行的VLA模型。当前采用的模态分离多阶段轻量化VLA模型在测试集榜单排名第一。

　　针对精细操作（如穿针引线）的挑战，我们在硬件极限基础上，率先实现了VLA模型结合强化学习后训练的技术路线。通过优化强化学习策略与奖励函数，结合人类初始引导与在线微调，真机强化训练40-90分钟后，在八项精细任务中成功率接近100%。在长程复杂任务仿真中，大模型结合强化学习后训练的解决方案同样位居前列。运动控制上，我们结合模仿学习与强化学习，实现了拟人直膝行走与户外行走能力。自主导航方面，我们集成了自2013年以来的关键技术，包括自主式场景数据获取、完整化三维几何重建等，并应用在CASBOT 02上。

　　在人形机器人的应用落地上，我们主要聚焦三个方向：

　　第一，具身质检。依托十年的仿生视觉技术积累，结合亿级高质量数据和VLA操作方法，实现对曲线与微小缺陷的精准识别，显著提升检测效率和一致性。

　　第二，矿山安全。针对地下两千米的高危环境，我们提出了“井下具身机器人+智能装备+智能开采平台”的无人化总体架构，为200多万矿工的生命安全提供保障。

　　第三，商业及家庭服务。我们的最终愿景致力于让每台人形机器人走进每个家，服务于人。

　　我始终相信，具身智能的价值，不在于舞台上炫技，而在于真实场景中创造可衡量的成果。灵宝CASBOT会持续在具身质检、具身矿工、商业及家庭服务三大方向深化布局，推动产业化进程，并以科技向善为理念，服务社会发展与产业升级。

　　谢谢大家！

　　新浪声明：所有会议实录均为现场速记整理，未经演讲者审阅，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。