bandao.com-银河通用王鹤：具身智能正迎来自己的 「AlphaGo」 和 「ChatGPT」时刻

星河通用多项首创技能冲破，引领具身智能迈向通用将来。

编纂丨李希

近日，星河通用开创人兼首席技能官、北京年夜学研究员王鹤博士于2026年北京智源年夜会“具身智能与人形呆板人”专题论坛上，初次指出人形呆板人的“AlphaGo”和“ChatGPT”时刻已经经到来。

王鹤博士发表了题为《鞭策人形呆板人的“AlphaGo”和“ChatGPT”时刻》的演讲，体系性论述了星河通用取患上的全世界首创性冲破，并清楚展示了其基座年夜模子“星河星脑（AstraBrain）”的完备技能脉络。他认为，数字AI从“AlphaGo”到 “ChatGPT” 的演进路径为具身智能提供了清楚参照：先于一个繁杂使命上逾越人类，再经由过程范围化走向通用。

于“专”的层面，星河通用实现了两项全世界首创性冲破：一是全世界首个面向网球匹敌的人形呆板人全身及时智能规控体系，实现彻底自立的呆板人打网球，一经发布后激发特斯拉CEO埃隆·马斯克、Andrej Karpathy等全世界顶尖AI专家的高度存眷；二因此春晚“盘核桃”为代表的灵巧操作能力，星河通用提出的灵巧手神经动力学模子（DexNDM）全世界独一实现了灵巧手“转笔”从仿真到真实部署。

于“通”的层面，星河通用自立研发的“星河星脑（AstraBrain）”是全世界首个集成“年夜脑-小脑-神经节制”在一模的端到端具身年夜模子。其焦点技能线路“世界-动作模子”（WAM）由星河通用团队在2025年于计较机视觉顶会ICCV上初次提出，如今已经成为具身智能范畴公认的下一代技能标的目的。于此基础上，星河通用发布了通用年夜脑AstraBrain WAM 0.5，全世界初次实现虚实共融、人机混淆、质量参差、有没有动作标签的数据同一有用使用；通用小脑AstraBrain-WBC 0.5则于全身闭环节制与及时指令追随方面世界领先。

从“AlphaGo” 时刻到 “ChatGPT” 时刻，数字AI用十年走完了从专到通的路。当“星河星脑”驱念头器人于真实场景中自立思索与操作，具身智能的“通历时刻”正加快到来。作为这一进程的先行者与引领者，星河通用正于界说人形呆板人从“专”到“通”的技能线路，更以完备的全栈自研能力引领具身智能迈向真实的“通用”将来。

下文为王鹤博士演讲原文（部门表述做出不修改原意的编纂）：

王鹤：今天于座的许多宾客，真正体贴的是人形呆板人毕竟何时能形成出产力、进入千行百业。

这暗地里的焦点技能问题，实在是怎样实现通用呆板人。所谓通用呆板人，是指它像人同样拥有一个能无缝融入人类社会的身体，同时像人同样既有年夜脑、又有小脑布局的，由具身智能驱动的呆板人。

咱们先来看看，数字世界里的人工智能是怎样一步步走向通用的。我信赖，这对于在理解今天具身智能所处的时刻、以和思索该怎样成长具身智能，都有很是主要的意义。

整体来看，可以梳理出几个里程碑：

第一个是 “AlphaGo” 时刻。

智能要先从专走到通，“专”这一步，“AlphaGo” 直接挑战了人类最繁杂、最难的棋类游戏——围棋，并于2016年初次击败了世界冠军。于AI充足专精之后，GPT系列引领了通用的历程：从GPT到GPT-2再到GPT-3，一步步界说了Scaling-up的范式，用一个模子完成各类天然语言使命。

直到2022年，咱们迎来了 “ChatGPT” 时刻，一个能与人自由对于话，险些你跟它说甚么，七八成回覆都让你满足的模子横空出生避世。所有OpenAI的用户当天就体验到了它的威力。直到今天，这仍旧是GPT一起走来，各人影象最深的一个节点。

今天，数字智能正走于通往AGI（通用人工智能）的路上，咱们还有没有抵达，但这条赛道上已经经降生了万亿$估值的创业公司，涌现出了年夜量运用。

具身智能于时间线上比数字智能晚了几年。我认为，它要做的第一件事一样是先冲破专、精：需要找到一个充足繁杂的使命，繁杂到能把一个通用人形呆板人全身的各类能力都挪用出来。一旦冲破它，就象征着离走向通用愈来愈近。那末，甚么样的使命值患上被界说为具身智能的 “AlphaGo” 时刻？

星河通用选择了打网球。

于所有体育场景中，网球是对于人形呆板人最具挑战性的使命之一。于快速的往返对于拉中，呆板人必需应答没法猜测的落点及不停变化的球路。这是世界上第一次实现、也是今朝独一一例人形呆板人全自立打网球，没有任何遥控、没有任何报酬参与。呆板人于毫秒级别内完成判定，从机械地模拟动作超过到由智能决议计划驱动的相应，可以或许与人连续对于拉而不中止。咱们看到，网球的高动态性以和它对于全身的调动能力，足以让它成为一个充足繁杂的球类运动。

事实上，这项事情一经发布到海外视频网站上，Elon Musk本人当即评论了一句 “insane”。随后陆续有研究者指出，这些都是与咱们没有益益瓜葛的客不雅评论者，评论道：AlphaGo for every sport is coming.（各项运动的“AlphaGo” 时刻都要来了。）已往呆板人打乒乓球、做其他运动，各人并无把它及 “AlphaGo” 接洽于一路。

但打网球这件事，让国际技能社区认为，这标记着具身智能的“AlphaGo”时刻行将到临。

不只是Musk，AI圈闻名研究者Andrew Kang也有强烈反映：他第一次看到这个视频时，认为这是视频天生软件做出来的假视频，而不是真的人形呆板人于打网球。为何像Musk、Kang如许资深的人工智能以致具身智能专家，会对于打网球有这么年夜的反映？为何打网球这么难？

现实上，网球既需要low-level的全身节制，特别是手，假如手段节制球拍稍有禁绝，球没有落于球拍中央的甜区（sweet zone），回球就会很是禁绝。同时，对于打时又触及年夜量计谋（strategy），好比打空当、先后吊球，这些计谋又长短常high-level的。如许一个使命，同时要求low-level及high-level精准有用地联合于一路，这恰是打网球的冲破对于人形呆板人界说 “AlphaGo” 时刻险些是决议性的缘故原由。

算法上，咱们从人类运带动的动作捕获中得到了年夜量人类运动的先验漫衍，把这些先验retarget到人形呆板人上，进修了一个CVAE来capture运动的motion prior，后续的强化进修就于这个CVAE的latent space里睁开。如许既包管了打网球的动作天然地落于人类运动的漫衍里，不会做出一些很希奇的利用球拍的动作，也年夜年夜加速了强化进修收敛的速率。

这里还有有一个成心思的点：手段。

咱们发明，假如手段也经由过程latent space来进修，因为重修自己存于不精准，击球会不敷正确。是以，手段的三个自由度是零丁建模、直接端到端节制的，云云咱们就实现了能与人类持续对于打几十拍的网球程度。

这暗地里离不开星河通用于全域数据应用上的持久发力。

“AlphaGo” 于数字世界下棋及于物理世界下棋是统一个游戏，不存于Sim-to-Real的问题。咱们的网球是于呆板人练习以后，要求它能直接部署到真实世界里与人对于打，这中间的Sim-to-Real gap很是坚苦，霸占它也给所有做人形呆板人的人极年夜的决定信念。

有人会问：你只用到了手段，那手有无用上？

本年春晚，咱们展示了灵巧手盘核桃的技术。这一样是于仿真器里年夜量强化进修后，再transfer到真实世界的。因为灵巧手是典型的contact-rich场景，许多人质疑灵巧手的强化进修能不克不及做Sim-to-Real。咱们经由过程于仿真器里构建一个较为真正的碰撞模子，让学到的policy可以直接部署到真实世界，但performance只能到达中庸。

于收受接管年夜量真实数据以后，咱们练习了一个灵巧手神经动力学模子，或者者用一个更简朴的辞汇——灵巧手世界模子，来弥合真实与仿真之间的差距，用这个DexNDM回传梯度去更新灵巧手的policy，从而实现从仿真到真正的高保真迁徙。

今天的这套policy（DexNDM）可以操作各类差别的东西、完成各类差别的使命。它是一个通用的灵巧手节制器，手内扭转、手内重定向、物体利用等一般性操作，于Sim-to-Real以后都能很好地完成。咱们揭示的就是一个通用的灵巧手内操作。

有人会问：你及其他灵巧手的demo有甚么区分？左侧是Figure开瓶盖，细心看它的举动,捉住、攥紧、一路拧，再捉住、攥紧、一路拧；换成更颀长的螺丝，实在是统一回事，多指之间共同拧螺丝。咱们是联贯的动作，它就是捉住、一路拧、松开，为何？

遥操作时很难收罗到多指之间的邃密共同，只能捉住、一路攥、松开。这类收罗上的自然劣势，致使学出来的policy看起来不是最高效、最天然的。而咱们用强化进修学出来的技术，及人类同样，最高效、最精准。

左侧还有有一个例子，是英伟达于仿真器里做的转笔。有人会问：是否是他人都不做仿真器里的强化进修？实在NVIDIA早于2023年就展示了灵巧手转笔，但这项事情迟迟没法Sim-to-Real，没法于真实世界里看到灵巧手的操作。而星河通用应用DexNDM，于全世界规模内今朝也是独一实现了真机转笔。

于ICRA年夜会做大旨陈诉时，我问于座全世界的呆板人学者：你们有几多人会转笔？许多人实在转不了。以是我问各人，这是否是灵巧手的“AlphaGo时刻”？谜底是必定的。

到这里，咱们经由过程全身、全手的各类挑战性技术，已经经于“专、精”上做出了冲破。下一步，是怎样从“专”走向“通”，怎样界说具身智能的 “ChatGPT” 时刻？这需要咱们拥有一个像人同样的“年夜脑”及“小脑”。

星河通用推出的AstraBrain（星河星脑），方针就是做一个通用人形呆板人的基座：既有年夜脑、又有小脑，中间经由过程脑桥毗连，让更快的小脑与相对于较慢的年夜脑实现异步同步。人脑中的脑桥现实上分为三路、有上传也有下载，咱们的架构充实参考了人类年夜脑的布局，方针就是实现彻底通用。

适才看了许多打网球、灵巧手的内容，咱们再来看看这暗地里的年夜脑应该是甚么样子。

今天的年夜脑迎来了一个新范式：World Action Model（WAM）。它把Google提出的VLA，及OpenAI Sora展示出来的world model交融于了一路。

这类交融其实不只是简朴的多使命：由于咱们看到VLA素质上是猜测action，它的动作监视必需依靠带action label的具身数据。而video generation不需要action，彻底可以用人类佩带相机拍下本身干活的纯视频数据来练习，后者拥有更好的diversity，能cover更低的收罗成本，更广的使命空间，以是它的进修可以或许帮忙VLA扩大到它的使命空间，甚至于天生的image里隐含了呆板人的手该怎么动，胳膊该怎么伸。

可以认为，前者是一个explicit的action，后者是一种image representation as action。二者之间有极强的synergy作用，且后者真正把无标签视频数据的能量解放了出来，这才是真正可以或许把具身基础模子scale-up的线路。

这也是为何英伟达的Jim Fan本年接管采访时说，WAM是robotics endgame（呆板人技能的结局）：由于咱们终究能让模子接收各类数据，真正界说一个scale-up的标的目的。

需要申明的是，第一篇名为WAM的论文，是咱们（星河通用）团队挂到arXiv上的。假如今天于arXiv上搜刮 world action model 并定时间排序，第一篇就是咱们的结果，2025年ICCV的文章。

跟着这个标的目的获得更多承认，星河通用也于不停迭代。起首是：咱们是否要做RGB层面的猜测。实在人类对于将来的猜测做不到pixel-level的邃密度。以是于咱们AstraBrain WAM的年夜脑部门0.5代际，现实上也是咱们RSS 2026论文LDA，第一次提出用latent space替换RGB space来作为想象的空间。它的分辩率相对于更低，把光照、纹理这些不主要的信息尽可能factorize失，转而存眷暗地里的动作及几何自己。咱们发明，如许的模子能学患上更好，而且能用更少的数据表现出更强的机能。

同时，咱们于2025年UW中提出的Unified World Model里，除了了VA/VV两个使命，咱们还有把前向动力学及逆向动力学这两个使命一路接收进WAM框架，同一了四个使命，并用一个年夜模子完成为了UWM没有做的scaling up。

今天，咱们的WAM 0.5于仿真情况及真实世界里都揭示出很好的基座模子机能。举一个做牛排的长程使命的例子：咱们让呆板人先去抓夹子，再用夹子去夹牛排。原来要夹的是这一片，但咱们可以用语言打断它，让它改为抽底下那片牛排、再抽出来。夹出咱们想吃的那一片以后，把它放进盘子里、放下夹子，再给它撒胡椒粉。像如许的长程使命，咱们用WAM 0.5这个模子，颠末很是少的真机数据就能够练习完成。

可以看到，今天的AstraBrain WAM 0.5具有了多使命能力，笼罩各类各样的使命，也包括跨本体（cross-embodiment）的能力，不管是灵巧手、二指夹爪，还有是其他类型的呆板人，咱们都能让这个模子做cross-embodiment的泛化。同时，咱们也及国际领先的模子做了对于比，好比 π0.五、NVIDIA的Groot N1.6，于全数使命上，咱们都跨越了 π0.5及Groot。

这暗地里，是咱们第一次把合成数据、真实数据、以和egocentric数据，年夜量地全数接收进统一个模子，这是整个模子机能的基石。

咱们的scaling curve证实，这几类使命之间、这几种数据之间，都能进一步让action prediction error降落。而且对于比来看（右图灰线是用RGB做想象、蓝线是用latent做想象），latent方案有更好的scaling behavior。暗地里海量的egocentric data，是咱们实现scaling curve的要害。

星河通用团队2021年就发布了全世界最年夜的egocentric手物交互数据集，其时就界说了由人头戴相机收罗本身干活的视频，并配套了一整套人手标注体系，包括手部hand action label的提取体系。于egocentric data这件事上，星河通用又一次站于了世界最前沿。

看完通用的年夜脑，咱们还有需要真正通用的小脑。今天许多舞蹈的视频，实在其实不是通用的小脑，它只是对于一条运动轨迹的追踪，暗地里只是几层MLP。

今无邪正主要的，是通用的年夜脑及通用的小脑。所谓通用小脑，是指有一个于上方下达指令的人，可以随时给指令、及时遥控，让小脑卖力闭环反馈及履行。如许的小脑，上方给它甚么动作，它就应该能履行甚么动作。

本年，咱们的AstraBrain-WBC 0.5，是基在CVPR 2026的事情HumanoidGPT，这也全世界领先的具身智能通用小脑基座年夜模子。（编者注：相干事情结果将在近期正式发布，请存眷星河通用呆板人官方公家号）。

假如WAM界说了具身智能的GPT范式，那 “ChatGPT” 时刻何时呈现？

我认为，具身智能于颠末预练习以后，要于人类无需专门后练习、无需专门进修就能完成的技术上、zero-shot到达70%到80%的乐成率，这界说了它基模的capability。

同时还有有一个主要指标是accessibility：如许的技能冲破，能不克不及快速让所有老黎民都感触感染到，而不是只存于在一家呆板人公司内部。当咱们的GPT到达3.5的程度以后，呆板人能不克不及快速部署？

这里就要讲咱们一项具备革命性的技能，WAM-TTT（test-time training），从头界说具身智能后练习新范式。（编者注：相干事情结果将在近期发布，请存眷星河通用呆板人官方公家号）。

这些事情，真正能把咱们的预练习结果快速带到真实世界，并实现持久的、终身的部署。一旦咱们冲破ChatGPT时刻，就会快速向AGI倡议冲刺。

当咱们抵达AGI时刻，将迎来第四次工业革命：人形呆板人会成为一个有手机的量、汽车的价，并叠加年夜模子智能的巨年夜市场，一个数万亿美元的市场。

我信赖，于座的偕行们会一路为之努力。

谢谢各人。

-bandao.com