具身智能产业能像DeepSeek一样成功吗？

DeepSeek的成功与具身智能的关联

DeepSeek的影响力

DeepSeek在人工智能领域取得了巨大的成功。1月凭借能与openAI推理模型媲美的R1成功出圈，2月又开展“开源周”活动，放出5大技术成果代码库。这一系列动作让其受到全球的广泛关注，也颠覆了很多人的认知。国内众多人工智能企业纷纷接入DeepSeek生态，足见其影响力之大。

具身智能产业的兴起

在人工智能发展的浪潮下，具身智能产业开始进入公众视野。具身智能由图灵在1950年提出，是能感知环境、自主决策并在物理世界交互的集成系统。机器人是其重要载体，市场前景广阔，据测算全球人形机器人新增市场空间可达10万亿，中国约2.3万亿。

开源模式在具身智能产业中的探讨

开源的积极意义

开源被认为是DeepSeek成功的重要因素。在具身智能领域，开源也有诸多好处。松应科技创始人聂凯旋认为，开源对行业的促进作用比商业公司单向推动大很多。它能形成标准化路径，降低成本，吸引企业投入资源，吸引开发者和合作伙伴共建生态。

开源的争议之处

也有反对观点。如果企业自身实力不足，开源的技术可能缺乏吸引力，难以建立生态，甚至会失去核心技术。而且具身智能行业处于前期探索阶段，技术路线尚未统一，不像人工智能大语言模型技术路线收敛。在这种情况下，盲目开源可能起反作用。

开源与闭源的平衡

不过，大家也普遍认为开源和闭源并不矛盾。聂凯旋表示模型可以开源，数据可以不开源。王启斌指出硬件开源是个时机问题，商汤的卢国强也认为产业起步阶段可能不靠开源，大规模拓展落地阶段可能需要开源。并且已经有企业在开源道路上迈出步伐。

具身智能产业面临的技术挑战

技术路线的不确定性

具身智能行业仍处于早期发展阶段，存在多种技术选择。如人形机器人技术路线就未完全统一，光硬件就有多种选择。波士顿动力放弃Atlas系列机器人就是押错技术路线的例子。在这种情况下，选择正确的技术路线至关重要。

AI模型架构的探索

目前行业最大的问题是AI架构缺乏理解和学习能力。主流的VLM方案虽在智驾界有成果，但可能不是终点，未来可能会融合为更强大的模型。VLA模型也面临硬件算力和泛化训练等挑战。

数据采集与仿真平台的瓶颈

具身智能需要大量优质训练数据，但具身数据采集成本高、规模难扩大。主流的“遥操作”方式效率低，仿真平台成为期待的解决方案。但仿真平台存在准确度问题，其模拟数据与真实数据有差距，且建设是长期工程，需要大量投入和优化。

具身智能产业的安全与伦理考量

对就业岗位的影响

人形机器人未来有巨大潜力，但人们担心会抢夺工作岗位。麦肯锡研究所数据显示，到2030年人工智能将影响数亿人的工作。不过聂凯旋认为虽有岗位被替代，但也会创造新岗位，王松也指出人形机器人背后会衍生新产业链。

乐观的发展态度

尽管存在安全和伦理担忧，但行业专家总体持乐观态度。国地中心的江磊博士认为技术不会因为危险而停止发展，虽然此次是硅基生命带来的变革，与以往不同，但从历史看技术进步总体对人类有促进作用。

具身智能产业有着广阔的发展前景，但要像DeepSeek一样成功，还需要克服诸多困难。在开源模式、技术路线探索、解决技术瓶颈以及应对安全伦理问题等方面都需要不断探索和创新。

相关问答

DeepSeek成功的主要因素有哪些？

DeepSeek成功的因素包括其推出的能媲美openAI推理模型的R1，以及在2月开展的“开源周”活动，放出5大技术成果代码库，吸引了全球开发者和研究者的关注。

具身智能产业开源有哪些好处？

具身智能产业开源可以形成标准化路径，降低成本，吸引企业投入资源，还能吸引开发者和合作伙伴共建生态，对行业的促进作用比商业公司单向推动大很多。

具身智能产业技术路线未统一有何影响？

技术路线未统一使得企业在发展时面临风险，如果押错路线，过往努力可能白费，还可能被竞争对手赶超，就像波士顿动力放弃Atlas系列机器人那样。

具身智能的AI模型架构面临哪些挑战？

目前具身智能的AI模型架构面临缺乏理解和学习能力的问题，主流的VLM方案可能不是终点，VLA模型面临硬件算力和泛化训练等挑战。

具身数据采集困难的原因是什么？

具身数据无法从互联网直接获取，需要通过真实机器人操作采集或高级仿真平台生成，而真实操作采集成本高、规模难扩大，目前主流的“遥操作”效率低。

为什么行业专家对具身智能的发展持乐观态度？

尽管人形机器人可能替代部分工作岗位，但也会创造新岗位，并且从历史看技术进步总体对人类有促进作用，所以专家们对具身智能的发展持乐观态度。