近日，一场被一些业内人士视作是“中国具身智能路线之争”的学术争论，引起了机器人行业的讨论。
一位讨论参与者是许华哲，来自清华大学交叉信息研究院（简称“清华叉院”），是中国科技顶尖人才培养机构的助理教授，同时也是机器人企业星海图的联合创始人。另一位则是亚洲第一个获得IEEE T-RO最佳论文奖的周博宇，他是获得该机器人领域顶级期刊奖项的“亚洲第一人”，同时也是南方科技大学的助理教授、博士生导师。知乎平台中，他们围绕“机器人领域特殊任务研究是否有价值”等话题展开了讨论。
前者主张“特殊任务研究”于学科有益，但对于推动具身智能的发展“几乎没有用处”。后者则主张无用之用方为智能基石。5月23日，第一财经记者分别采访了许华哲、周博宇以及其他业内人士后了解到，在二者观点的分歧和共识之外，这场争论折射出了学界对技术决定论的警惕，更直接对行业进行了“纠偏”。
在资本追捧大模型、企业砸钱秀肌肉的浪潮中，究竟该押注通用颠覆，还是深耕工业现场那些“不够性感”的工程细节？这是每一位具身智能从业者必须亲自探索的命题。
针对“特殊任务”的研究是否有意义？
整场讨论的原点，是许华哲在知乎上发表了一篇名为《具身智能需要从ImageNet做起吗？》的文章。
许华哲在其中提到，传统机器人学有相当一部分的研究重点在于“特别”的机器人或者“特别”的任务。比如一个蛇形机器人、一个老鼠机器人，或是让机器人去包饺子、抖落衣服。这类“特殊任务研究”的任务对科学虽然有用，但对“推动具身智能的发展几乎没有用处”。
“我认为这种观点显然不对。”在《具身智能：一场需要谦逊与耐心的科学远征》中，周博宇直接指出，具身智能本身是跨学科产物，它的发展必须依赖具体科学问题的突破。他以波士顿动力和蛇形机器人的研究为例，指出波士顿动力早期研究足式机器人时，没有人能预见其动态平衡算法会成为现代人形机器人的核心；蛇形机器人研究中的柔性驱动技术，也直接推动了医疗内窥镜机器人的发展。“这些看似无用的特别任务，都推动了科学的进步，以及具身智能的进步。”
针对特定场景的研究，对于行业来说的意义究竟有多大，成为了二者讨论的核心矛盾。在许华哲看来，按照深度学习、计算机视觉领域的发展规律，推动力主要来自ImageNet这样的标准化数据集以及ResNet或Transformer这样的通用模型。例如流水线分拣、零件抛光打磨等“特别的任务”，短期内有经济价值、创业需求，但长期会被具身智能的进展淹没。
许华哲向第一财经记者进一步解释，以机器人的局部运动为例，在强化学习为主导的方案兴起前，人们利用控制手段也能让机器人完成特定任务，如在草地上行走、跳舞等。“不过，直到强化学习应用于此，机器人才具备了从平地到草地、山地、跨台阶等只用一套系统就能应对的能力。”
“只要通用智能做成，各种细分领域的问题也将迎刃而解”的观点，被周博宇视作是“通用大脑优越论”。他提到，即便是人类自身，在掌握某项特定技能时，也必须经历反复锤炼，方能得心应手。“通用智能无疑是一个宏伟的目标，但与此同时，我也希望青年学生与工程师们能关注到一些更为具体、务实的产业需求。”
汽车总装车间中亟待解决的线束整理难题、半导体封装环节对高精度和高稳定性的严苛要求……“这些看似‘不够性感’的工程细节，恰恰是锤炼真正智能的淬火池。”周博宇说。
在“不够性感”的工程细节里寻找技术拐点
二者的讨论发出后，很快引起了业内多位人士的转发。
科大讯飞机器人首席科学家季超告诉第一财经记者，自己对二者的观点都很认同。对技术迭代的追求和工程化落地的能力，对于现阶段的具身智能而言同样重要。“表面上看，一个惊艳的模型或巧妙的算法，可能令人眼前一亮，但如果缺乏长期工程化落地的经验积累、真实场景中的反复打磨，以及对细节极致追求的‘脏活累活’，这种优势很容易被复制甚至超越。”
杭州钛维云创的创始人兼CEO张磊也很快转发了二者的讨论。作为聚焦于纺织行业的具身智能企业，在大部分的工作时间里，张磊都在处理一些“不够性感”的工程细节。“机器人的夹爪怎么去抓牛仔、棉麻、丝绸等质地不同的布料，怎么迁移、缝纫，这些都需要我们针对特定的任务和场景进行重复训练。”
但在赞同周博宇“通用性无法脱离具体性而存在”的观点之外，张磊也同样认同许华哲对机器人数据和仿真训练环境的观点。
“就像许华哲说的那样，在虚拟世界中的仿真训练和海量的数据并不是万能解药。”他告诉记者，在机器人的训练里，模拟不同状态物体所需要的数据量不同。如果想要训练出一个能够操作五个自由参数量的刚体机器人模型，仿真环境需要模拟的数量级可能在十的五次方。
但如果想要训练机器人“大脑”，也就是搭载在实体硬件上的大模型操作柔性物体，由于柔性物体参数可能有上百个，那么模拟环境数量的量级可能就会指数级增加，成本和技术难度都有所飙升。“因此，我们现在会采用真实数据‘反标’的手段，来补偿虚拟环境缺失的精度和真实性，用50%的真实数据和50%的仿真数据来训练大模型。”
不过，就未来的发展方向而言，张磊坦言“自己也没有理清”。他告诉记者，具身智能仍然处在一个探索的初级阶段，自己无法打包票哪一种技术方案更好、会走到最后。
当前，在大模型落地的方案中，出于安全和稳定性考虑，张磊将整个流程85%-90%的部分都采用了基于经典控制理论的建模方法，剩下的10%-15%则采用了基于强化学习的智能学习算法。“相比VLA（Vision-Language-Action，视觉语言动作）或者端到端的模型，客户更注重安全性，这也是我们采取这个方式的主要理由。”
尽管如此，张磊仍然和许华哲、周博宇一样，相信机器学习会成为具身智能未来的主流。周博宇说，“设想如果我们能彻底理解人脑的工作机制，甚至创造出超越人脑的新架构，那我们就有望仅凭少量数据快速掌握多种技能，突破传统模块化系统的性能天花板，这是很符合自然的。”他认为，这不仅依赖于AI本身的发展，还需要脑科学、类脑计算等多学科的协同突破。
观点竞合纠偏行业发展
第一财经记者看到，讨论双方的观点并非全部“针锋相对”。许华哲也向第一财经记者坦言，传统的机器人训练方法在今天依然有他的价值。周博宇也在交谈中告诉记者，当学者在探索一些此前从未有人想过的东西时，有机会激发产业需求，带来技术的收敛。
谈及周博宇对自己观点的讨论，许华哲告诉记者，这正是自己发表文章的目的之一。“我本身也很期待有人跟我展开讨论这些观点，我和周老师私交很好，除了周老师以外，还有不少人主动跟我私聊。”
而另一边，周博宇也表示，自己这篇文章“酝酿了很久”。“近两年，这个行业的发展超过了我和身边朋友的预期，在这个过程中会有一些激进、极端，甚至有一些喧哗的声音，学术讨论本身能够起到一个纠偏的作用。”
立德智库数据显示，2025年4月，中国机器人行业融资数量超过45起，环比增长9.3%。根据已披露金额及行业估值测算，预估总融资金额达60.5亿-71.5亿元，较3月的18.5亿-25.3亿元实现了2-3倍增长。
从技术路径上来讲，VLA模型已经成为了各家企业“秀肌肉”的重点。今年年初以来，Figure AI、Physical Intelligence、英伟达、灵初智能等多家企业都发布了VLA模型。在这些VLA模型的展示demo中，大多数都体现了语言交互和语言动作跟随的能力。
“语言理解虽是直观的智能表现，但执行层面的薄弱让技术难以落地。”周博宇以工业、医疗等场景举例，他认为，在这些场景当中，高精度运动控制、触觉力觉反馈等能力远比语言交互关键。周博宇提到，他担忧过度聚焦语言会导致资源错配，“企业为了融资，不得不分散精力做‘秀肌肉’的功能，反而忽略了场景的真实需求”。
在许华哲和周博宇的观点里，“长坡厚雪”是他们对这个行业的共识。这场争论的价值，或许正在于撕开技术理想主义的面纱，让行业在狂热中看清现实。在具身智能技术拐点到来之前，机器人的竞争与合作，不仅仅在企业渲染的demo视频中，更在那些“不够性感”的工程细节里。
