英伟达高层与王兴兴、王鹤罕见同框！深聊人形机器人的“命门”与“钱途”

智东西8月12日报道，2025世界机器人大会期间，NVIDIA Omniverse和仿真技术副总裁Rev Lebaredian，与宇树科技创始人、CEO兼CTO王兴兴，北京大学助理教授、银河通用创始人兼CTO、智源学者王鹤一起，在一场小型媒体会上详细解答了人形机器人的大规模商用难点、关键挑战、技术瓶颈与风向、人形与双足设计的必要性、中国企业做物理AI和机器人优势、预计率先普及的应用场景等焦点话题。

NVIDIA是当前最全面的机器人基础设施供应商，芯片和平台均已在机器人企业中广泛应用，并正与阿里云、北京人形机器人创新中心、傅利叶、加速进化、优必选、银河通用、宇树科技、智元机器人等企业共同推动中国在人形机器人和AI解决方案方面的发展。

宇树科技是国内知名度最高的机器人独角兽之一，今年7月18日启动IPO，已为其新型人形机器人R1部署了NVIDIA全栈机器人技术。R1售价3.99万元，现货可供，预计年底前量产。宇树科技还自研灵巧手，希望在未来一到两年内实现自然交互，其格斗机器人的技术目标是实现任意动作的任意实时生成。

作为具身大模型通用机器人独角兽代表，银河通用成立两年来已完成超过20亿元融资。银河通用G1 Premium是首批搭载NVIDIA Jetson Thor的人形机器人之一，采用轮式底盘。其下一代人形机器人项目将采用纯双足设计。

智东西梳理出15个有信息量的问答及分享，并在文章靠后部分分享了NVIDIA、宇树科技、银河通用在机器人产业的重点布局与进展。

一、人形机器人商用难点不是成本，落地工厂需克服速度挑战

1、现阶段推动人形机器人规模化商用存在哪些难点？

王兴兴：对于人形机器人商业化来说，成本和硬件并不是关键问题。某种意义上，一台机器只要能用，10万甚至100万，照样还是有很多场景能用起来的。过去一两年，硬件已经足够了，当然可靠性、成本等各方面要做得更好，但是它并不是限制性因素。

当前最棘手的问题是具身智能模型不够泛用性，实用性还有待更大的提升。

2. 限制人形机器人规模化部署的关键技术瓶颈是什么？

王鹤：很简单——就是机器人干活的能力还不够强，能完成的任务类型比较有限。但如果能在这些有限的技能范围内实现非常通用的水平，就能一下子赋能很多场景。

银河通用现在最主要的突破是“抓取”和“移动”。只要机器人能抓住任何物体，能够在场景中实现下肢移动和上肢伸展，最后还能准确放置物体，很多应用场景就能实现。

背后需要有一个真正精准的目标识别和定位系统，我们目前是通过合成数据在推动这项技术。

当然，即使解决了这个关键问题，仍有很多任务，机器人暂时无法完成。但只要目标识别和定位的问题能被攻克，人形机器人市场至少有千亿级规模，并且在五年内可见成效。

解决了这个关键技术瓶颈后，基于如此巨大的市场投入，机器人必然能解锁更多技能，迈向万亿市场的步伐。

3. 人形机器人真正能在工厂车间投入工作，需解决哪些关键挑战？

王鹤：今年，许多人形机器人已经开始在汽车工厂进行训练。我们看到绝大多数公司在工厂推广人形机器人时，主要集中在两个方面：一是搬运，二是分拣。

搬运方面，银河通用最近展示的机器人视频里，其搬运速度已经接近人类水平，计算下来每小时搬运的数量与人类相当。这个阶段已经非常接近实际工厂的部署，我预计今年年底可能会有几十台银河通用的机器人进入工厂车间实际应用。

但是，搬运只是第一步。除了搬运，还需要实现码垛的闭环能力，只有搬运和码垛都完成闭环，机器人才能真正胜任整套工作流程，否则做一半的任务，效果并不理想。

分拣则是更大的挑战，还未达到人类工人的水平，仍需要一定时间的技术迭代和突破。

无论是从传送带上拿，还是从货架上取货，目前最大的难点是速度。熟练工人拿取物品的速度非常快，机器人目前在模型和硬件层面还难以达到这种效率。

我们做零售机器人时，拿货架上或桌面上的物品，技术本质上与工业分拣类似，只是零售对节拍要求较低，拿错货的后果也较轻。但在工业场景，比如汽车制造厂，一条产线停机一分钟可能就意味着损失上万元，因此分拣的精度和速度要求极高。

4. 如何应对物理AI（特别是机器人领域）的能耗、热管理和体积限制挑战？

Rev Lebaredian：NVIDIA每一代产品都会大幅提升每瓦性能和每美元性能。单靠摩尔定律已经不足以解决我们面临的许多问题。我们预见到，摩尔定律在CPU和通用计算机上的效用会逐渐终结。为此，我们致力于打造针对特定算法的专用计算机。

这种专用计算机不仅仅是芯片层面，更需要算法、软件以及应用层面的整体优化，才能发挥最大性能。这并非靠单一因素，比如芯片变小或变快，而是通过全栈优化实现的。

这是一项非常艰难的工程，也正是NVIDIA的核心竞争力所在。

我们最初应用这套方法于计算机图形渲染（尤其是游戏领域），随后推广到其他领域。CUDA推出后，我们开始应用于物理仿真，后来深度学习和AI在GPU上兴起，我们不断专门化处理器。每一代产品，在相同功耗和成本下都实现了显著的性能飞跃，未来仍会持续，因为我们的创新之路还远未走完。

声明：本站所使用的图片文字等素材均来源于互联网共享平台，并不代表本站观点及立场，如有侵权或异议请及时联系我们删除