0
| 本文作者： 業界評論 | 2026-04-25 13:48 |
人工智能的核心命題，正從“屏幕對話”轉向“擁有身體的智能”。近期，我國首個《人形機器人與具身智能標準體系（2026版）》發布，標志著產業邁入規范化新階段。但標準之下，一個更深層的追問依然待解：具身智能的瓶頸，究竟在哪？
機器人能聽懂指令、看懂環境，卻常在細微動作上出錯——插頭歪一毫米插不進、不知如何繞開行人、擰螺絲一用力就打滑。這揭示了一個核心困境：“聽得懂、看得懂”不等于“做得到、做得好”。機器人能認出杯子，是語義知識的理解；卻無法掌控抓握杯子的力度，是物理經驗的缺失。
我們認為，行業瓶頸不在單一算法的改進，而在兩處根源：大規模高質量具身交互數據的匱乏，以及機器人“大小腦”能力體系的結構性斷層。
面對這一現狀，浙江人形從源頭破局：以多源數據融合體系實現低成本、高質量數據的大規模獲取，以“雙螺旋”模型架構彌合“智能執行”的斷層，解決物理經驗的缺失問題。我們正在打通一條從“看得懂”到“做得好”的完整路徑，讓具身智能在真實場景中不斷學習、進化、落地。
具身智能模型體系SPIRE架構圖
01
數據筑基：
三源融合，毫米映射+毫秒級協同
數據是機器人的“教科書”。在具身智能數據方面，浙江人形采用“義務教育+高等教育+職業教育”的三源融合數據體系建設，融合視、聽、力、觸等物理交互的多模態數據，讓機器人學得更快、看得更清、做得更準、適應更強。
浙江人形的數據策略，就像把模型培養成一個“通專兼備的復合型人才”：
人類數據 = 義務教育：通過大規模的人類行為數據預訓練，讓模型獲得通識理解能力，知道“正常人會怎么做”。
仿真數據 = 高等教育：通過真實場景的高保真重構與數據生成擴增，讓模型在仿真中大規模反復練習，掌握可泛化精準作業的基礎知識。
真機數據 = 職業教育：通過多模態真機數據，在特定場景中高效完成真實任務，讓模型“畢業即上崗”。
人類數據：提供行為示范與策略參考，筑基物理交互
第一視角人類行為數據采集
浙江人形打造了高效率的人類行為數據解析和映射方法，對采用消費級相機采集的人類第一/第三視角數據進行處理，可準確提取出人類的作業順序、物體掩膜、6D位姿、手勢軌跡及手-物接觸關系，精度達到毫米級，并通過手勢重定向快速映射至高自由度靈巧手，為抓取等技能學習奠定數據基礎。
四個視角的人類行為數據采集
高自由度靈巧手數據解析與映射
仿真數據：低成本高保真覆蓋，拓邊長尾場景
高保真場景重建與渲染
浙江人形搭建了完整的仿真數據生成鏈路，自研高精度場景和物體重建、多模態高保真數據生成算法，支持場景級、物體級數據的采集、重構、編輯、適配等全鏈路real2sim流程，可輸出RGB圖像、深度圖像、語義真值。
場景渲染性能超過現有開源方案11%，復雜場景mesh重建幾何精度超SOTA（State Of The Art，最先進水平）10%，并可基于單條演示數據實現行為擴增，大幅提升數據利用效率，增強機器人對光照、紋理、動態等物理變化的適應能力。
大規模仿真數據采集
真機數據：貼近物理規律，夯實數據基石
浙江人形從數據和模型兩方面解決物理交互Sim2Real問題，數據方面自研全身協同控制算法，實現頭、手、臂、腰全身聯動和柔順交互，且求解時間小于10ms，跟蹤精度優于1mm，支撐視覺、力覺、觸覺、運動軌跡信息的精準獲取，通過真機數據實現機器人sim2real的技能校準，是“真刀真槍”的經驗沉淀。
多場景多任務遙操數據采集
浙江人形構建的多源數據體系，形成三大核心優勢：
多源互補：人類筑基、仿真拓邊、真機夯實，三類數據形成閉環，兼顧真實性與泛化能力；
高效保真：協同控制求解快，仿真鏈路高保真，消費級采集成本低，打通規模化學習路徑；
技術貫通：從數據采集、標注到映射，全鏈路自主掌握，支撐高動態精準移動操作學習。
02
模型雙擎：
“大腦”高維度認知推理，“小腦”微米級泛化作業
當前具身智能大腦模型普遍采用VLM為骨干網絡，以繼承其內在的語義泛化能力。但由于VLM的訓練數據僅有語言和2D圖像、缺少大規模的物理交互數據，大腦模型缺乏對空間位姿、幾何結構等物理狀態的認知能力，長程任務容易出現幻覺。同時，具身智能小腦模型僅依賴視覺輸入，缺少力觸感知，動作精準性欠缺。
針對這一根本性缺陷，浙江人形提出“原生+借智”的模型策略，一方面增強VLM的能力：在保留其語義泛化能力的同時，注入幾何理解、閉環反思能力，實現長序列魯棒作業；另一方面，模型原生支持從視力觸位等物理交互數據中學習，完成多種可泛化高精準技能，進一步結合VLM提升中程作業智能性和物體語義作業能力。
長序列導航任務決策與規劃
浙江人形自研的具身智能SPIRE系統可靈活實現大小腦解耦和融合：
C2L2（cognitive close-loop long sequence task planning model 混雜開放場景的長序列魯棒作業大腦）：負責環境認知、長程推理、任務拆解與自主糾錯，讓機器人“聽得懂、看得準、想得清”；
M2S2（multi-modal semantic skill 可泛化高精準的多模態語義技能小腦）：負責將語義指令轉化為高精準物理動作，融合多模態感知，保障實時性與安全性，讓機器人“抓得穩、行得巧、干得靈”。
精準倒液技能誤差小于1ml，可適應透明液體
例如在康養服務場景中，機器人接到“倒出10毫升止咳糖漿”的指令后，大腦（C2L2）理解任務目標并自動拆解為“抓取藥瓶、打開瓶蓋、抓取量杯、倒出糖漿、放下量杯、關蓋收瓶”等子步驟；小腦（M2S2）則負責將大腦的決策轉化為精準物理動作，以倒出糖漿為例，視力觸覺融合感控保證對準瓶口和杯口、傾斜倒液、觀察刻度、收瓶歸位，大小腦配合完成目標任務。
當環境變化時，大腦（C2L2）進行推理調整，例如桌面上沒有止咳糖漿時，需要確定搜索空間和搜索行為。當容器和液體的種類、形態、目標刻度發生變化時，小腦做泛化適應——讓機器人成長為無需外腦的專業型人才。這套能力同樣可遷移至工業、服務等領域的復雜精準作業。
這一升級，是具身智能通往真正通用化的最穩健、最可擴展的路徑，構筑了商業拓展的“護城河”，讓浙江人形在汽車制造、實驗化工、倉儲物流等場景中快速交付穩定可靠的產品，成為應用落地的領先者。
C2L2：混雜開放場景的長序列魯棒作業大腦模型
浙江人形自主研發的C2L2大腦模型，讓機器人成為“運籌帷幄的司令員”。
C2L2 根據任務指令調整場景中物體的空間狀態
看得準——能準確理解場景中物體的空間狀態；
拆得明——將復雜的長序列任務自動拆解為有序的子任務，讓機器人“心中有譜、手中有序”；
找得到——具備主動探索能力，即使物品被遮擋或不在視野中，也能通過環境感知與推理“找到它、夠得著”；
調得快——作業過程中實時感知異常、自主糾錯，遇到卡頓或偏差能“自我調整、不卡殼”。
C2L2 基于單張圖像參考調整場景中物體的空間狀態
針對大腦對物理狀態理解缺失的問題，浙江人形將環境和對象的幾何結構、執行效果評估等知識引入VLM，使語義規劃能夠直接考慮真實物理約束，實現將高層語言指令轉化為具備物理可行性的操作子目標。
C2L2 實現長程任務拆解與自主糾錯，具備探索能力
這一認知驅動的長序列規劃模型，復雜任務成功率達94%，未知環境實現擬人化導航，高動態復雜場景成功率超SOTA算法50%，有力支撐開箱即用與人機共融。
C2L2實現跨場景多任務端到端軌跡生成與遷移泛化
M2S2：可泛化高精準的多模態語義技能小腦模型
浙江人形自主研發的M2S2小腦模型，讓機器人擁有“眼到手到，剛柔并濟”的金牌工匠級操作能力。
M2S2 自適應柔順抓取
對得準——視覺毫米級對準，比頭發絲還細；
抓得穩——力覺泛化柔順抓取，不滑不碎不傷物體；
行得巧——動態移動避障，在人群中自如擬人穿行；
干得靈——視力觸融合，布料分片、軸孔裝配、試劑分液等多類操作都能精準完成。
M2S2 基于單張圖像引導完成精準打螺絲作業
針對小腦對視力觸信息融合不足、精準性不夠的問題，浙江人形在模型上采用注意力機制對三種模態進行編碼和融合，輔以稠密表征提高精準性，并引入物理約束，使動作預測考慮機器人的可執行能力。
這一知識學習型的視力觸融合感控技能模型，裝配精度可達0.03mm，成功率99.99%，性能指標全面國際領先，已應用于華為、BEKO、施耐德等工業產線。
M2S2 動態環境中實現安全擬人避障
依托M2S2小腦模型的視力觸融合技術，浙江人形在柔性布料分片作業任務中已取得實質性領先進展。
在機器人領域，布料是公認的“操作噩夢”——視覺看不清邊界、力覺控不準力道、觸覺感知不到滑移。傳統機器人面對布料要么束手無策，要么暴力抓取導致撕裂或粘連。
浙江人形讓機器人同時調用三大感官：通過視覺識別布料的形變特征與堆疊邊界，結合力覺實時感知雙手協同操作下的布料應力及厚度變化，同時依托觸覺閉環反饋指尖與布料間的多維接觸狀態，實現揉搓方式的動態調整。
M2S2 視力觸感知融合實現布料精準分片
這項技術使布料分片成功率從行業平均不足60%躍升至98%，單次操作僅需3秒，已覆蓋棉布、牛仔布、無紡布等多種柔性材質。依托浙江人形自研的小腦模型，機器人可完成透明液體精準分液、多規格料箱泛化搬運、堆疊柔性螺紋管分揀等實際作業任務。
M2S2 突破雜亂堆疊下無紋理的螺紋管分揀
從大腦的高維度認知推理，到小腦的視力觸融合與微米級泛化作業，浙江人形“原生+借智”的模型策略破解了具身智能“看得懂卻做不好”的結構性斷層。
C2L2大腦模型讓機器人擁有運籌帷幄的智慧，M2S2小腦模型賦予機器人眼到手到的技藝——二者各司其職，又相輔相成。
無論是康養場景中精準倒液的舉一反三，還是工業產線上0.03mm的軸孔裝配，這套“大腦+小腦”的雙擎體系，正在讓機器人從依賴外腦的指令執行者，成長為無需外腦的專業型人才。
然而，再聰明的模型也需要持續“喂養”。每一次精準操作背后，都是一條高質量的數據軌跡；每一條數據軌跡，又成為模型進化的燃料。這就引出了我們的第三個答案——數據與模型的雙螺旋飛輪。
03
飛輪進化：
越學越聰明，越干越精通
浙江人形解決具身智能瓶頸的路徑清晰而有力：一手抓數據，一手抓模型，讓兩者互為燃料、螺旋上升。
數據是根基，模型是引擎。兩者并非孤立存在，而是形成了一個持續加速的進化飛輪：SPIRE系統在真實場景中每完成一次作業，就生成一條高質量的多模態感知-決策-行為數據，這些數據反哺給模型，讓模型越訓練越聰明；更聰明的模型又能完成更復雜的任務，產生更多高質量的數據。
落地越廣，進化越快——商業與技術由此實現同頻共振。
這不僅是技術的突破，更是中國在定義下一代物理智能的范式。真正的具身智能，不是寫在代碼里的預設程序，而是在一次又一次的抓取、裝配、揉搓中，親手長出來的經驗與智慧。
展望未來，這條“越學越聰明，越干越精通”的路將把機器人從實驗室的炫技，帶進車間、倉庫、商場乃至家庭。
當數據飛輪加速轉動，機器人將不再是預設程序的執行者，而成為在真實世界中不斷積累經驗、自我優化、舉一反三的新質生產力工具。
浙江人形將繼續以“數據+模型”雙輪驅動，深耕真實場景，攜手全球生態伙伴，共同推動人形機器人從“能用”走向“好用”，從“專用”走向“通用”。讓每一個機器人都成為無需外腦的專業型人才——這是我們的方向，也是具身智能的未來。
關于我們
浙江人形機器人創新中心有限公司成立于2023年12月，由熊蓉教授團隊攜手多家知名產業伙伴共同創立，是一家專注于具身智能人形機器人關鍵技術攻關、產品研發與行業應用推廣的高科技企業。我們長期聚焦于世界模型與具身智能的前沿探索，致力于研發能夠真正落地、服務多場景的人形機器人產品。
公司技術已實現了軟硬件的全棧自主可控：完整覆蓋關節—臂—手—腿—腰—頭—頸的全身本體研制，貫通感知—決策—規劃—控制的全鏈條智能，并擁有端到端的大小腦模型，構筑起“整機設計—數據平臺—模型訓練—部署應用”的完整自主研發閉環。同時，公司構建了以雙臂手作業能力為核心、雙足前沿探索與輪式方案并行的立體布局，形成了軟硬件深度融合，覆蓋多行業、多場景的產品矩陣。
雷峰網雷峰網雷峰網(公眾號：雷峰網)
雷峰網特約稿件，未經授權禁止轉載。詳情見轉載須知。
