<mark id="oztn4"></mark>
0
編輯丨李希
近日，銀河通用創始人兼首席技術官、北京大學研究員王鶴博士在 2026 年北京智源大會“具身智能與人形機器人”專題論壇上，首次指出人形機器人的“AlphaGo”及“ChatGPT”時刻已經到來。
王鶴博士發表了題為《推動人形機器人的“AlphaGo”及“ChatGPT”時刻》的演講，系統性闡述了銀河通用取得的全球首創性突破，并清晰展示了其基座大模型“銀河星腦（AstraBrain）”的完整技術脈絡。他認為，數字 AI 從“AlphaGo”到 “ChatGPT” 的演進路徑為具身智能提供了清晰參照：先在一個復雜任務上超越人類，再通過規模化走向通用。
在“專”的層面，銀河通用實現了兩項全球首創性突破：一是全球首個面向網球對抗的人形機器人全身實時智能規控系統，實現完全自主的機器人打網球，一經發布后引發特斯拉 CEO 埃隆·馬斯克、Andrej Karpathy等全球頂尖 AI 專家的高度關注；二是以春晚“盤核桃”為代表的靈巧操作能力，銀河通用提出的靈巧手神經動力學模型（DexNDM）全球唯一實現了靈巧手“轉筆”從仿真到真實部署。
在“通”的層面，銀河通用自主研發的“銀河星腦（AstraBrain）”是全球首個集成“大腦-小腦-神經控制”于一模的端到端具身大模型。其核心技術路線“世界-動作模型”（WAM）由銀河通用團隊于2025 年在計算機視覺頂會 ICCV 上首次提出，如今已成為具身智能領域公認的下一代技術方向。在此基礎上，銀河通用發布了通用大腦 AstraBrain WAM 0.5，全球首次實現虛實共融、人機混合、質量參差、有無動作標簽的數據統一有效利用；通用小腦 AstraBrain-WBC 0.5 則在全身閉環控制與實時指令跟隨方面世界領先。
從“ AlphaGo” 時刻到 “ChatGPT” 時刻，數字 AI 用十年走完了從專到通的路。當“銀河星腦”驅動機器人在真實場景中自主思考與操作，具身智能的“通用時刻”正加速到來。作為這一進程的先行者與引領者，銀河通用正在定義人形機器人從“專”到“通”的技術路線，更以完整的全棧自研能力引領具身智能邁向真正的“通用”未來。
王鶴：今天在座的很多來賓，真正關心的是人形機器人究竟什么時候能形成生產力、進入千行百業。
這背后的核心技術問題，其實是如何實現通用機器人。所謂通用機器人，是指它像人一樣擁有一個能無縫融入人類社會的身體，同時像人一樣既有大腦、又有小腦結構的，由具身智能驅動的機器人。
我們先來看看，數字世界里的人工智能是如何一步步走向通用的。我相信，這對于理解今天具身智能所處的時刻、以及思考該如何發展具身智能，都有非常重要的意義。
總體來看，可以梳理出幾個里程碑：
第一個是 “AlphaGo” 時刻。
智能要先從專走到通，“專”這一步，“AlphaGo” 直接挑戰了人類最復雜、最難的棋類游戲——圍棋，并在 2016 年首次擊敗了世界冠軍。在 AI 足夠專精以后，GPT 系列引領了通用的過程：從 GPT 到 GPT-2 再到 GPT-3，一步步定義了 Scaling-up 的范式，用一個模型完成各種自然語言任務。
直到 2022 年，我們迎來了 “ChatGPT” 時刻，一個能與人自由對話，幾乎你跟它說什么，七八成回答都讓你滿意的模型橫空出世。所有 OpenAI 的用戶當天就體驗到了它的威力。直到今天，這仍然是 GPT 一路走來，大家記憶最深的一個節點。
今天，數字智能正走在通往 AGI（通用人工智能）的路上，我們還沒有抵達，但這條賽道上已經誕生了萬億美金估值的創業公司，涌現出了大量應用。
具身智能在時間線上比數字智能晚了幾年。我認為，它要做的第一件事同樣是先突破專、精：需要找到一個足夠復雜的任務，復雜到能把一個通用人形機器人全身的各種能力都調用出來。一旦突破它，就意味著離走向通用越來越近。那么，什么樣的任務值得被定義為具身智能的 “AlphaGo” 時刻？
銀河通用選擇了打網球。
在所有運動場景中，網球是對人形機器人最具挑戰性的任務之一。在快速的來回對拉中，機器人必須應對無法預測的落點和不斷變化的球路。這是世界上第一次實現、也是目前唯一一例人形機器人全自主打網球，沒有任何遙控、沒有任何人為介入。機器人在毫秒級別內完成判斷，從機械地模仿動作跨越到由智能決策驅動的響應，能夠與人持續對拉而不中斷。我們看到，網球的高動態性以及它對全身的調動能力，足以讓它成為一個足夠復雜的球類運動。
事實上，這項工作一經發布到海外視頻網站上，Elon Musk 本人立即評論了一句 “insane”。隨后陸續有研究者指出，這些都是與我們沒有利益關系的客觀評論者，評論道：AlphaGo for every sport is coming.（各項運動的“AlphaGo” 時刻都要來了。）過去機器人打乒乓球、做其他運動，大家并沒有把它和 “AlphaGo” 聯系在一起。
但打網球這件事，讓國際技術社區認為，這標志著具身智能的“AlphaGo”時刻即將來臨。
不只是 Musk，AI 圈著名研究者 Andrew Kang 也有強烈反應：他第一次看到這個視頻時，認為這是視頻生成軟件做出來的假視頻，而不是真的人形機器人在打網球。為什么像 Musk、Kang 這樣資深的人工智能乃至具身智能專家，會對打網球有這么大的反應？為什么打網球這么難？
實際上，網球既需要 low-level 的全身控制，尤其是手，如果手腕控制球拍稍有不準，球沒有落在球拍中心的甜區（sweet zone），回球就會非常不準。同時，對打時又涉及大量策略（strategy），比如打空當、前后吊球，這些策略又是非常 high-level 的。這樣一個任務，同時要求 low-level 和 high-level 精準有效地結合在一起，這正是打網球的突破對人形機器人定義 “AlphaGo” 時刻幾乎是決定性的原因。
算法上，我們從人類運動員的動作捕捉中獲得了大量人類運動的先驗分布，把這些先驗retarget 到人形機器人上，學習了一個 CVAE 來capture 運動的 motion prior，后續的強化學習就在這個 CVAE 的 latent space 里展開。這樣既保證了打網球的動作自然地落在人類運動的分布里，不會做出一些很奇怪的使用球拍的動作，也大大加快了強化學習收斂的速度。
這里還有一個有意思的點：手腕。
我們發現，如果手腕也通過 latent space 來學習，由于重建本身存在不精準，擊球會不夠準確。因此，手腕的三個自由度是單獨建模、直接端到端控制的，如此我們就實現了能與人類連續對打幾十拍的網球水平。
這背后離不開銀河通用在全域數據運用上的長期發力。
“AlphaGo” 在數字世界下棋和在物理世界下棋是同一個游戲，不存在 Sim-to-Real 的問題。我們的網球是在機器人訓練之后，要求它能直接部署到真實世界里與人對打，這中間的 Sim-to-Real gap 非常困難，攻克它也給所有做人形機器人的人極大的信心。
有人會問：你只用到了手腕，那手有沒有用上？
今年春晚，我們展示了靈巧手盤核桃的技能。這同樣是在仿真器里大量強化學習后，再transfer 到真實世界的。由于靈巧手是典型的 contact-rich 場景，很多人質疑靈巧手的強化學習能不能做 Sim-to-Real。我們通過在仿真器里構建一個較為真實的碰撞模型，讓學到的policy 可以直接部署到真實世界，但 performance 只能達到中庸。
在回收大量真實數據之后，我們訓練了一個靈巧手神經動力學模型，或者用一個更簡單的詞匯——靈巧手世界模型，來彌合真實與仿真之間的差距，用這個 DexNDM 回傳梯度去更新靈巧手的 policy，從而實現從仿真到真實的高保真遷移。
今天的這套 policy（DexNDM）可以操作各種不同的工具、完成各種不同的任務。它是一個通用的靈巧手控制器，手內旋轉、手內重定向、物體使用等一般性操作，在 Sim-to-Real 之后都能很好地完成。我們展現的就是一個通用的靈巧手內操作。
有人會問：你和其他靈巧手的 demo 有什么區別？左邊是 Figure 開瓶蓋，仔細看它的行為,抓住、攥緊、一起擰，再抓住、攥緊、一起擰；換成更細長的螺絲，其實是同一回事，多指之間配合擰螺絲。我們是連貫的動作，它就是抓住、一起擰、松開，為什么？
遙操作時很難采集到多指之間的精細配合，只能抓住、一起攥、松開。這種采集上的天然劣勢，導致學出來的 policy 看起來不是最高效、最自然的。而我們用強化學習學出來的技能，和人類一樣，最高效、最精準。
左邊還有一個例子，是英偉達在仿真器里做的轉筆。有人會問：是不是別人都不做仿真器里的強化學習？其實 NVIDIA 早在 2023 年就展示了靈巧手轉筆，但這項工作遲遲無法 Sim-to-Real，無法在真實世界里看到靈巧手的操作。而銀河通用運用 DexNDM，在全球范圍內目前也是唯一實現了真機轉筆。
在 ICRA 大會做主旨報告時，我問在座全球的機器人學者：你們有多少人會轉筆？很多人其實轉不了。所以我問大家，這是不是靈巧手的“AlphaGo時刻”？答案是肯定的。
到這里，我們通過全身、全手的各種挑戰性技能，已經在“專、精”上做出了突破。下一步，是如何從“專”走向“通”，如何定義具身智能的 “ChatGPT” 時刻？這需要我們擁有一個像人一樣的“大腦”和“小腦”。
銀河通用推出的 AstraBrain（銀河星腦），目標就是做一個通用人形機器人的基座：既有大腦、又有小腦，中間通過腦橋連接，讓更快的小腦與相對較慢的大腦實現異步同步。人腦中的腦橋實際上分為三路、有上傳也有下載，我們的架構充分參考了人類大腦的結構，目標就是實現完全通用。
剛才看了很多打網球、靈巧手的內容，我們再來看看這背后的大腦應該是什么樣子。
今天的大腦迎來了一個新范式：World Action Model（WAM）。它把 Google 提出的VLA，和 OpenAI Sora 展示出來的 world model 融合在了一起。
這種融合并不只是簡單的多任務：因為我們看到 VLA 本質上是預測 action，它的動作監督必須依賴帶 action label 的具身數據。而 video generation 不需要 action，完全可以用人類佩戴相機拍下自己干活的純視頻數據來訓練，后者擁有更好的 diversity，能 cover 更低的采集成本，更廣的任務空間，所以它的學習能夠幫助 VLA 擴展到它的任務空間，甚至在生成的 image 里隱含了機器人的手該怎么動，胳膊該怎么伸。
可以認為，前者是一個 explicit 的 action，后者是一種 image representation as action。兩者之間有極強的 synergy 作用，且后者真正把無標簽視頻數據的能量解放了出來，這才是真正能夠把具身基礎模型 scale-up 的路線。
這也是為什么英偉達的 Jim Fan 今年接受采訪時說，WAM 是robotics endgame（機器人技術的終局）：因為我們終于能讓模型吸收各種數據，真正定義一個 scale-up 的方向。
需要說明的是，第一篇名為 WAM 的論文，是我們（銀河通用）團隊掛到 arXiv 上的。如果今天在 arXiv 上搜索 "world action model" 并按時間排序，第一篇就是我們的成果，2025 年 ICCV 的文章。
隨著這個方向得到更多認可，銀河通用也在不斷迭代。首先是：我們是否要做 RGB 層面的預測。其實人類對未來的預測做不到 pixel-level 的精細度。所以在我們 AstraBrain WAM 的大腦部分 0.5 代際，實際上也是我們 RSS 2026 論文 LDA，第一次提出用 latent space 替代 RGB space 來作為想象的空間。它的分辨率相對更低，把光照、紋理這些不重要的信息盡可能 factorize 掉，轉而關注背后的動作和幾何本身。我們發現，這樣的模型能學得更好，并且能用更少的數據體現出更強的性能。
同時，我們在 2025 年 UW 中提出的 Unified World Model里，除了 VA/VV 兩個任務，我們還把前向動力學和逆向動力學這兩個任務一起吸收進 WAM 框架，統一了四個任務，并用一個大模型完成了 UWM 沒有做的 scaling up。
今天，我們的 WAM 0.5 在仿真環境和真實世界里都展現出很好的基座模型性能。舉一個做牛排的長程任務的例子：我們讓機器人先去抓夾子，再用夾子去夾牛排。本來要夾的是這一片，但我們可以用語言打斷它，讓它改成抽底下那片牛排、再抽出來。夾出我們想吃的那一片之后，把它放進盤子里、放下夾子，再給它撒胡椒粉。像這樣的長程任務，我們用 WAM 0.5 這個模型，經過非常少的真機數據就可以訓練完成。
可以看到，今天的 AstraBrain WAM 0.5 具備了多任務能力，覆蓋各種各樣的任務，也包括跨本體（cross-embodiment）的能力，無論是靈巧手、二指夾爪，還是其他類型的機器人，我們都能讓這個模型做 cross-embodiment 的泛化。同時，我們也和國際領先的模型做了對比，比如 π0.5、NVIDIA 的 Groot N1.6，在全部任務上，我們都超過了 π0.5 和 Groot。
這背后，是我們第一次把合成數據、真實數據、以及 egocentric 數據，大量地全部吸收進同一個模型，這是整個模型性能的基石。
我們的 scaling curve 證明，這幾類任務之間、這幾種數據之間，都能進一步讓 action prediction error 下降。并且對比來看（右圖灰線是用RGB 做想象、藍線是用 latent 做想象），latent方案有更好的 scaling behavior。背后海量的egocentric data，是我們實現scaling curve 的關鍵。
銀河通用團隊 2021 年就發布了全球最大的 egocentric 手物交互數據集，當時就定義了由人頭戴相機采集自己干活的視頻，并配套了一整套人手標注系統，包括手部 hand action label 的提取系統。在 egocentric data 這件事上，銀河通用又一次站在了世界最前沿。
看完通用的大腦，我們還需要真正通用的小腦。今天很多跳舞的視頻，其實并不是通用的小腦，它只是對一條運動軌跡的追蹤，背后只是幾層 MLP。
今天真正重要的，是通用的大腦和通用的小腦。所謂通用小腦，是指有一個在上方下達指令的人，可以隨時給指令、實時遙控，讓小腦負責閉環反饋和執行。這樣的小腦，上方給它什么動作，它就應該能執行什么動作。
今年，我們的 AstraBrain-WBC 0.5，是基于 CVPR 2026 的工作 HumanoidGPT ，這也全球領先的具身智能通用小腦基座大模型。（編者注：相關工作成果將于近期正式發布，請關注銀河通用機器人官方公眾號）。
如果 WAM 定義了具身智能的 GPT 范式，那 “ChatGPT” 時刻什么時候出現？
我認為，具身智能在經過預訓練之后，要在人類無需專門后訓練、無需專門學習就能完成的技能上、zero-shot達到 70% 到 80% 的成功率，這定義了它基模的 capability。
同時還有一個重要指標是 accessibility：這樣的技術突破，能不能快速讓所有老百姓都感受到，而不是只存在于一家機器人公司內部。當我們的GPT達到 3.5 的水平之后，機器人能不能快速部署？
這里就要講我們一項具有革命性的技術，WAM-TTT（test-time training），重新定義具身智能后訓練新范式。（編者注：相關工作成果將于近期發布，請關注銀河通用機器人官方公眾號）。
這些工作，真正能把我們的預訓練成果快速帶到真實世界，并實現長期的、終身的部署。一旦我們突破 ChatGPT 時刻，就會快速向 AGI 發起沖刺。
當我們抵達 AGI 時刻，將迎來第四次工業革命：人形機器人會成為一個有手機的量、汽車的價，并疊加大模型智能的巨大市場，一個數萬億美元的市場。
我相信，在座的同行們會一起為之努力。
謝謝大家。
