不同硬件、不同大腦，不同機器人廠商進入不同場景，在多方變量的加持下，機器人的規模化落地似乎遙遙無期。

9月17日，第一財經記者在采訪第三方部署方、機器人本體廠商和場景落地方時發現，一個行業新角色正在出現。一個類似于安卓操作系統的中間算法層正在承擔屏蔽硬件差異、兼容不同大腦架構的功能，為機器人在真實場景中的規模化落地提供可能。

如今，這一產業角色已經吸引了谷歌、智元、富臨精工、格力博、東土科技、巨星新材料等企業押注。但在硬件廠商堅持自家體系、大模型企業追逐通用智能的格局下，行業的“安卓時刻”何時到來，仍有待市場與現實工況的雙重檢驗。

機器人涌入場景，跨本體訓練遇阻

當機器人廠商涌向場景方，新的問題正在出現。

“這個月至少有兩家機器人公司正在和我們談合作。”Kelvin是長三角一家物流上市公司的技術負責人，他告訴記者，為了和人形機器人廠商進行合作，自己不得不撥出一個八人左右的團隊和不同機器人企業進行對接。“我們需要開放不同的數據接口，提供一個專門的實驗場景，還需要根據各家機器人的要求不斷調整流程和測試參數”。

在大量的人力和物力投入之外，Kelvin坦言自己算不過來ROI（Return on Investment，投資回報率）。“機器的工作效率不穩定，且運維需要大量后續的費用。”他向第一財經記者透露，物流企業馬上就會備戰“雙11”時間，在此期間是否繼續讓機器人上崗，他還在猶豫。

更大的問題是，由于不同廠商的機器人算法不兼容、硬件各自封閉，導致一個場景的成功經驗難以遷移到另一個場景。“有的時候我們的流水線哪怕是多一個彎折，機器人都需要重新走一輪POC（Proof of Concept，概念驗證）。”

“廠商覺得我們不夠開放，我們覺得機器人廠商要得太多。”Kelvin說，這是產業上下游之間對接存在的普遍問題。第一財經記者了解到，一些“中間人”的角色正在產業鏈中誕生。前上汽自動駕駛域控制器算法負責人，安努智能工程算法總監楊曾告訴記者，團隊正在研發的一套中間件算法平臺，希望像手機里的操作系統一樣，把不同廠商的機器人納入統一的兼容框架。

就像手機的操作系統讓不同軟件在同一套規則下運轉一樣，中間件希望能夠通過屏蔽底層硬件差異，使一套算法能夠遷移到不同廠商的機器人上。“如果每遇到一個新的硬件，就要重新訓練，機器人在實際場景部署的速度就會非常慢。”重慶大學助理教授，人工智能及多模態實驗室具身智能負責人，安努智能首席科學家胡喆告訴第一財經記者，想要提高機器人的通用化，跨本體是必須跨過的門檻。

在不改動模型本身的前提下，兼容不同機器人的大腦，成為中間件的挑戰。“雖然主流的模型是VLA模型（Vision-Language-Action Model，視覺-語言-動作模型），但其中的架構仍然不同，有端到端，也有分層式。”胡喆說，中間件在機器人大腦和機器人作業的實際場景中充當一個“翻譯官”的角色。在他的設想里，輸出的指令會先被中間件被轉化為統一的目標和約束，再交由各家機器人自身的規劃控制器執行。

“這樣我們就不必為每一個新廠商重新訓練模型，只需要向每一個機器人的規劃控制器下達指令，就能讓中間件跑通整個流程。”胡喆說。

物理規律難仿真，機器人“干中學”

“我們曾經試過，在實驗室里跑通了所有算法，結果到實際場景中發現完全不是一回事兒。”鈦維云創的創始人張磊告訴記者，當自己試圖讓機器人處理布料這樣的柔性物體時，由于布料材質、厚薄、摩擦力不同，實驗室的環境并不能完全滿足操作需要。

張磊透露，像布料、不規則包裹等物體，POC周期“很長，且難以給出確切的時間”，“因為我們需要提前磨合算法、下線采集數據、再拿到實驗室反復訓練，才能勉強適配場景”。

工廠中的物料、工藝成千上萬，換一條生產線、換一個工位，都可能帶來完全不同的情況。

“離線的強化學習不可能把所有真實場景一網打盡。”胡喆告訴第一財經記者，機器人不僅需要根據場景反復調試算法，還往往要重新采集數據回到實驗室做離線訓練，這讓整個周期被拉長，時間和人力都被大量消耗。

邊做邊改，或許才是機器人進行學習的關鍵。

胡喆透露，他正在嘗試利用實時的在線學習算法，允許機器人在實際作業過程中一邊操作一邊采集數據，并實時更新模型。這種方式只需在現場額外增加幾秒鐘運行和100個數據量，“我們會根據模型出來的結果選擇數據，讓機器人在不斷學習的過程中遺忘無用的數據，保持數據的精簡，也不會對算力提出過多的要求”。

機器人“干中學”的另一邊，團隊也在嘗試利用仿真等手段降低機器人的學習成本。“現在大部分機器人仿真環境離現實工況還有很大差距，因為仿真環境中缺乏物理定律的支撐。”美國肯塔基大學空氣動力實驗室仿真負責人、安努智能聯席科學家付博直言，大部分仿真平臺依賴數據驅動，卻缺乏物理定律的支撐。

“如果只是換個環境光影、物體形狀等表層變量，那在這種仿真里能跑通的算法，一旦放到現實中，往往會失效。”付博說。

讓虛擬環境逼近真實世界，并不是一件容易的事。“摩擦力、空氣流動等連續變化的環境很難被拆成可以極端的小單元。”付博解釋，以機器人搬箱子舉例，這個場景涉及了力學、剛體運動學與工程力學等基本的物理規律。付博說，加入這些規律的仿真能夠模擬不同重量箱子堆疊時的微小形變，計算箱內散落零件導致的重心偏移，并讓機器人理解物體變化對抓取穩定性的影響，以及機器人發力點與物體形變的關聯。

他坦言，將這些物理定律的融入仿真環境是一個“正在進行的過程”，需逐步攻克計算量龐大的技術難題。付博認為，只有當機器人在仿真環境中充分理解并內化這些物理規律，才能在真實場景中更好地應對突發情況，實現泛化能力的提升。“模型永遠無法完全替代實驗，但我們希望通過極致的物理仿真，讓真實實驗只需做一次就能驗證可行性。”

安努智能、智元等團隊在富臨精工的工廠中進行部署。圖片來源：喬心怡

谷歌提前布局，中間件或成規模化關鍵

從機器人本體和大腦廠商到最終的應用企業，中間還需要大量復雜的部署工作——包括接口打通、場景適配、算法遷移等環節。對整個產業鏈而言，這是一塊頗具吸引力的“肥肉”，盯上的遠不止安努智能一家企業。

今年6月，銀河通用和博世中國成立合資公司博銀合創。根據雙方披露內容，合資公司將聚焦復雜裝配、智能質檢等高精度制造場景，并且構建標準化、模塊化、可復制的訓練與部署體系，支撐機器人產品的快速迭代與規模化部署。

今年年初，富臨精工宣布公司與智元機器人等相關方簽署了《人形機器人應用項目投資合作協議》，各方共同投資設立合資公司實施人形機器人項目。當前，富臨精工、智元、巨星新材料均為安努智能股東。就在9月，專注于北美市場的產業股東格力博、聚焦機器人操作系統的東土科技也宣布增資安努智能。

在海外，Google（谷歌）的母公司Alphabet孵化的Intrinsic也在扮演類似的角色。Intrinsic試圖通過通用算法和工具鏈降低機器人系統的集成成本，讓不同廠商的機器人在同一套兼容框架下運行。

通過一個類似操作系統的中間件來對接不同機器人廠商和場景，這是安努智能董事長文宏杰提出的解題思路。雖然路徑各異，但上述三家兼具機器人和產業方背景的第三方部署商，它們的共同點都是試圖在碎片化的產業格局中，尋找一套能跨越廠商和場景的兼容方式。

不過，機器人產業是否會像手機產業那樣，最終走向由統一“操作系統”支撐的格局，仍充滿疑問。一位由數碼3C行業轉至機器人產業的工程師告訴第一財經記者。與手機產業面臨的問題不同，機器人領域的情況更為復雜，硬件廠商堅持各自的體系，而大模型企業則瞄準通用智能，“屁股決定腦袋，大家想的未必是同一個目標”。

多方角力之下，第三方部署商設想的中間件是否能夠建立起產業上下游的橋梁，還需要進一步觀察。“模型如果停留在實驗室、本體如果只會跳幾支舞，那最終只是一個故事。”文宏杰認為，在當下的機器人產業，關鍵不是講模型和本體的“故事”，而是扎進具體場景，通過部署獲取真機數據和工程化經驗，將商業化的流程拉通、沉淀。

在他看來，這些工程化的經驗和數據才能匯聚成類似“操作系統”的底座，真正支撐機器人跨廠商、跨場景的落地。“如果中間件能夠像安卓這樣的操作系統一樣穩定通用、開放兼容，任何廠商都能接入，機器人產業的規模化會越來越近。”