銀河通用創(chuàng)始人王鶴：具身智能正邁向?qū)俚摹窤lphaGo時刻」與「ChatGPT時刻」 | ICRA 2026

本文作者：吳思夢

2026-06-05 18:22

導語：具身智能正在敲開AGI的大門，全面引爆屬于通用機器人的第四次工業(yè)革命。

銀河通用創(chuàng)始人王鶴：具身智能正邁向?qū)俚摹窤lphaGo時刻」與「ChatGPT時刻」 | ICRA 2026

具身智能正在敲開AGI的大門，全面引爆屬于通用機器人的第四次工業(yè)革命。

作者丨岑峰

編輯丨馬曉寧

2026年6月3日，國際機器人與自動化會議（ICRA 2026）在奧地利維也納進入正會的第二天。在這一天的“行業(yè)主題演講”環(huán)節(jié)（Industry Keynote Session），具身智能領域知名學者、銀河通用（Galbot）創(chuàng)始人和CTO王鶴發(fā)表了題為《Towards the AlphaGo and ChatGPT Moments of Embodied AI》的主題演講。

在演講中，王鶴指出，具身智能正邁向?qū)俚摹癆lphaGo時刻”與“ChatGPT時刻”。

他表示，銀河通用已通過兩大突破觸及“AlphaGo時刻”：一是實現(xiàn)完全自主的人形機器人網(wǎng)球?qū)梗宫F(xiàn)了極致的全身協(xié)調(diào)與Sim2Real能力；二是讓靈巧手擺脫遙操作依賴，基于“靈巧世界模型”像人一樣使用螺絲刀等工具完成精密裝配與復雜操作。

面向更通用的“ChatGPT時刻”，王鶴提出構建結合VLA與世界模型的“世界動作模型（WAM）”。其最新的LDA模型不僅能在隱空間中推演并執(zhí)行長周期任務，還具備強大的多任務與跨機器人構型泛化能力，目前已在全家便利店、寧德時代及物流倉儲等真實場景實現(xiàn)全自主落地。

最后他總結，將WAM“大腦”與端到端控制器“小腦”結合，并在海量多維數(shù)據(jù)的驅(qū)動下，具身智能必將引爆第四次工業(yè)革命。

以下是王鶴在 ICRA 2026 大會發(fā)表的演講精編稿，雷峰網(wǎng)(公眾號：雷峰網(wǎng))·AI 科技評論基于原英文演講內(nèi)容進行了不改原意的翻譯編輯：

《Towards the AlphaGo and ChatGPT Moments of Embodied AI》

主講人：王鶴（He Wang），銀河通用

大家好，我是王鶴，銀河通用的創(chuàng)始人和CTO。今天我要演講的主題是：邁向具身智能的 AlphaGo 時刻與 ChatGPT 時刻。

銀河通用（Galbot）是一家致力于開發(fā)通用機器人和具身基礎模型的獨角獸初創(chuàng)公司。我們的使命是：讓通用機器人賦能千行百業(yè)，并走進千家萬戶。帶著這個宏大的使命，我們最好先回顧一下“數(shù)字AI”的發(fā)展歷程，因為數(shù)字AI的步伐比具身智能領先了幾步。

首先，我們經(jīng)歷了 AlphaGo 時刻：AI首次在一個單一但足夠復雜的棋類游戲（圍棋）中擊敗了人類。然后，人們從單一任務中找到了規(guī)模擴張（Scale up）的方法。這帶來了從 GPT-2 到 ChatGPT 時刻的演進，單一模型開始能夠處理幾乎所有的語言任務。而現(xiàn)在，人們?nèi)栽谙蛑?AGI（通用人工智能）時刻邁進。

如果我們審視具身智能，我們實際上正在完全遵循這條路徑，只不過物理世界的情況截然不同。為了實現(xiàn)具身智能的“AlphaGo 時刻”，我們必須選擇一個足夠復雜的任務。這個任務需要極高的全身協(xié)調(diào)能力（Whole-body coordination）以及極其復雜的策略，因此，我們選擇了網(wǎng)球（Tennis）。

因此，我們首次讓完全自主的人形機器人與人類進行真實的對抗，這中間沒有任何遙操作，一切都在完全自主模式下進行。這項突破不僅體現(xiàn)在身體協(xié)調(diào)上，更體現(xiàn)在高階策略上。大家可以看到，我們的機器人學會了如何擊敗人類。它在這里，準備就緒并成功回球。實際上，我們利用了內(nèi)部的仿真平臺來支持強化學習的訓練，更重要的是，實現(xiàn)了 Sim2Real的遷移。實際上，這是與 AlphaGo 最大的不同之處：AlphaGo 是在純數(shù)字世界里下棋，而在物理世界中打網(wǎng)球的 Sim2Real 難度極高。但我們非常自豪，我們的策略模型可以直接部署在現(xiàn)實世界中，無需任何微調(diào)。人們可能會反駁說：“哦，你們還需要展示一些關于手部精細操作的能力，才能真正宣稱達到了 AlphaGo 時刻?！?。

因此，我們首次讓機器人的靈巧手完全像人類一樣去使用工具。大家現(xiàn)在看到的是使用螺絲刀進行精密裝配。我們后續(xù)還會看到更多手中操作（In-hand manipulation）的例子，比如使用刀具、錘子，甚至把桌腿安裝到桌子上。我們是如何做到的呢？

我們同樣是在仿真器中學習這項技能，但考慮到這個任務具有極高的接觸豐富度（Contact-rich），我們需要將模型部署到現(xiàn)實世界中去獲取一些展開軌跡，即使初始階段它的表現(xiàn)可能比較一般。這些現(xiàn)實軌跡被用來訓練一個“靈巧世界模型”，基于神經(jīng)動力學的殘差預測，我們可以利用它進一步大幅改進策略。

接下來是一個與 Figure 機器人的并排對比（Side-by-side comparison）?？纯?Figure 是如何用手指擰開瓶蓋的——你會發(fā)現(xiàn)它其實是抓緊瓶蓋，然后整個手腕旋轉(zhuǎn)，再松開。這可能是因為他們依賴遙操作（Teleoperation）來收集數(shù)據(jù)。然而，如果你使用強化學習（RL），手指之間就能產(chǎn)生自然的協(xié)調(diào)，做出更加流暢的動作。

此外，像 Nvidia 在 2023 年展示了在仿真器中“轉(zhuǎn)筆（Pen spinning）”，但他們僅僅停留在了仿真階段。而我們首次在現(xiàn)實世界中實現(xiàn)了這種連續(xù)的靈巧盤玩。所以，這就是為什么我認為我們即將迎來具身智能的 AlphaGo 時刻，哪怕很多人目前還覺得這些任務難以企及。

那么，下一步是什么？我們?nèi)绾尾拍茏呦蚓呱碇悄艿?ChatGPT 時刻？

我們需要找到一種方法來定義一個通用模型。這將是一個結合了 VLA（視覺-語言-動作）和世界模型的“世界動作模型”（World Action Model, WAM）。要知道，雖然“世界動作模型”已經(jīng)被公認為是具身基礎模型 Scale up 最有希望的路徑，但銀河通用（Galbot）早就在此前的頂級論文（如ICCV）中定義了它。如果你在 arXiv 上搜索 World Action Model，最早的論文之一就是來自銀河通用的。

我們最新的世界動作模型被稱為 LDA（Latent Dynamics Action Model），它實現(xiàn)了從“在像素空間中想象（Imagining in pixels）”到“在隱空間中想象（Imagining in the latent space，即 DINO 空間）”的跨越。

這個模型允許我們執(zhí)行超長周期（Long-horizon）的任務。例如，我們可以看到機器人能夠完全自主地煎牛排：它加速使用平底鍋，抓起牛排，翻面，抽出下面那塊，然后移動到盤子里，松開夾子（Tongs），撒上調(diào)料——全都是完全自主完成的。

同時，這個單一模型還展現(xiàn)出了強大的多任務能力，從撿起碎玻璃、疊衣服、貨架揀貨補貨，到把肉穿到烤串上（Thread meat onto skewers）。并且，它能夠泛化到不同的機器人構型上：包括帶輪子的長臂機器人、帶腿的短臂機器人，以及宇樹（Unitree）的機器人都能適配。左邊的機器人同樣來自銀河通用（Galbot），右邊也有宇樹的 G1 系列。

我們已經(jīng)在許多實際場景中部署了我們的機器人。比如，我們接待過一位?？怂剐侣劊‵ox News）的主持人，他參觀了第一家由人形機器人運營的全家便利店（Family Mart）。我們的機器人也在不同的物流倉庫中工作，在數(shù)十萬平米的廠區(qū)里經(jīng)過了多次迭代。

此外，我們的重載（Heavy-duty）機器人已經(jīng)部署在了寧德時代（CATL）。這款機器人可以搬運 50 公斤重的物體，處于完全自主模式下。而且它可以自己更換電池，因此實際有效工作時間是每天24小時。

那么，我們什么時候才能迎來 ChatGPT 時刻呢？

我認為，我們首先需要將“大腦”（Cerebrum）和“小腦”（Cerebellum）結合起來。“大腦”將是 WAM（世界動作模型），而“小腦”將是一個全身、全手的控制器（Whole-body, whole-hand controller）。它們絕大多數(shù)都將是通過神經(jīng)網(wǎng)絡進行端到端（End-to-end）訓練的。

然后，我們要去吸收海量的數(shù)據(jù)：包括仿真數(shù)據(jù)、現(xiàn)實世界的遙操作數(shù)據(jù)，以及第一人稱視角數(shù)據(jù)（Egocentric data）。在這里，第一人稱視角數(shù)據(jù)是一個極具擴展性的數(shù)據(jù)源，實際上我們在五年前就開始了第一人稱數(shù)據(jù)收集的研究（即我們的 CVPR 2022 論文）。

這幫助我們構建了一個全面的數(shù)據(jù)基礎設施：從互聯(lián)網(wǎng)數(shù)據(jù)、人類第一人稱數(shù)據(jù)、跨構型的仿真數(shù)據(jù)、現(xiàn)實世界遙操作數(shù)據(jù)，到基于策略（On-policy）的強化學習獎勵數(shù)據(jù)。這個數(shù)據(jù)金字塔將成為推動我們邁向 ChatGPT 時刻的核心燃料。