人形机器人有必要吗，机器人行业存在泡沫吗？

大模型发展的挑战与突破

大模型幻觉问题

大模型在取得显著进展的也面临着幻觉问题的阻碍。这一问题使得大模型难以从实验室走向产业落地。为解决此问题，需要在基础模型和推理能力上进行提升。例如，智源研究院的BGE模型就借助通用向量、检索增强等手段来应对幻觉问题，并且该模型采用开源形式，在hugingface上有很高的下载量。

大模型的发展方向

在大模型的发展方向上，多模态大模型和世界模型被认为是通往AGI的必经之路。现实世界中的多模态数据非常丰富，仅依靠大语言模型处理文字信息是不够的。尽管大语言模型在理解和推理能力上达到了很高水平，但还无法感知世界真正的运行规律。多模态大模型和世界模型能让人工智能更好地感知和理解世界。

具身智能的发展与挑战

具身智能的现状

具身智能是大模型从数字世界进入物理世界的关键方向，目前面临着诸多挑战。一方面，基础模型遇到瓶颈，如文本数据逐渐耗尽，大语言基础模型性能提升放缓。另一方面，传统研究者和从AI大模型领域转向具身智能的研究者在技术路线上未完全达成共识。

具身智能的新变量

传统机器人训练多使用强化学习，泛化性较弱。而大模型技术，特别是多模态大模型技术，会给具身智能带来新变量。例如，智源研究院发布的RoboOS与RoboBrain，为具身智能发展提供底层技术支持，有助于机器人拥有更强智能。

机器人的“泡沫”与“人形必要性”探讨

人形机器人的争议

行业内有人认为，70%的场景不需要机器人具备“人形”，人形机器人的必要性不足。并且多家公司挤在人形机器人赛道，行业未来走势不明。部分机器人公司已开始迭代轮式构型机器人以解决双足机器人稳定性问题。

人形机器人的长远优势

从长远看，人形机器人有独特优势。因为与人的构型相似，能更好地适应社会基础设施，还能从互联网数据中学习人类技能，推动具身智能和具身大脑模型的迭代。不过短期内，人形机器人在产业落地方面面临很多挑战，如行走稳定性等。

数据与算力对AI产业的重要性

数据问题的解决

数据获取和算力支撑是AI产业发展的核心要素。随着文本数据逐渐枯竭，可以通过后训练、合成数据、利用多模态数据等方式解决数据问题。虽然获取高质量多模态数据和合成数据成本较高，但可以通过工程化技术和算力提升来降低成本。

算力的现状与发展

近期关于算力存在争议，尽管DeepSeek技术能在有限算力下训练出与GPT4相当的大模型，但算力仍然不够用，大模型技术还有很大发展空间。工程优化为大规模参数模型的训练创造了条件，如果scalinglaw有效，模型性能有望进一步提升。

具身智能产业的投资前景

短期挑战

对于具身智能产业的投资，部分投资人持悲观态度，认为存在泡沫。多模态大模型目前处于相对早期阶段，实现广泛意义上的AGI可能还需要5-10年甚至更长时间，这取决于多方面因素。而且具身智能的发展相对复杂，许多具身智能模型泛化性有限。

长期机遇

从研究机构的视角来看，对具身智能的长期发展充满信心。预计今年人工智能应用有望大爆发，特别是大语言模型的落地应用，中国海量的应用场景将加速这一进程。

相关问答

大模型幻觉问题如何解决？

可以通过提升基础模型与推理能力，借助通用向量、检索增强等手段来解决，如智源研究院的BGE模型就采用了相关方法。

为什么多模态大模型和世界模型是通往AGI的必经之路？

因为现实世界多模态数据丰富，大语言模型仅处理文字信息不够，无法感知世界运行规律，而这两种模型能让人工智能更好感知理解世界。

具身智能面临哪些挑战？

基础模型有瓶颈，文本数据耗尽、性能提升放缓，且传统和新领域研究者技术路线未完全达成共识，同时许多模型泛化性有限。

人形机器人的长远优势是什么？

与人构型相似，能更好适应社会基础设施，可从互联网数据学习人类技能，推动具身智能和具身大脑模型迭代。

如何解决AI产业的数据问题？

可通过后训练、合成数据、利用多模态数据等方式，虽然获取相关数据成本高，但可借助工程化技术和算力提升来降低成本。

为什么部分投资人对具身智能产业投资持悲观态度？

多模态大模型处于早期，实现AGI还需很长时间，具身智能发展复杂且模型泛化性有限，所以部分投资人不看好。