端到端 vs 上下分层：机器人路径之争，正在转向？

概览

本期围绕机器人公司到底该走“端到端大模型”还是“上下分层 + Sim2Real”的路线展开。主持人以速度科技的现场 Demo 为切入口，讨论如何判断机器人 Demo 的真实技术含量，以及未见环境、未见物体下的操作能力为什么比精心布置的展示更关键。

嘉宾韩正认为，机器人最难的部分不是让它“看起来像人”，而是让它在开放世界里稳定地操作物体。相比只依赖真实世界遥操作数据或第一视角视频，他强调结构化 3D 数据、物理仿真、软硬件协同和底层操作模型的重要性。

节目后半段将速度科技的路线放进全球机器人竞赛中比较：Physical Intelligence、Generalist、Skild AI、Figure、Optimus、宇树、DeepMind + 波士顿动力、亚马逊等玩家被逐一讨论。韩正的核心判断是，随着真实机器人数据不足的问题暴露，上下分层的结构可能重新回到主流视野。

分段落总结

[00:00] Demo 不能单独证明机器人技术好坏

[事实] 主持人提出，很多机器人 Demo 可能在展示前对特定场地、光照、物体或环境做过适配，因此不能只凭一个 Demo 判断技术水平。 [事实] 本期讨论的速度科技被介绍为敢在完全没有训练的新环境中做 Demo 的公司。 [事实] 节目设定了三个核心问题：机器人 3D 数据从哪里来，Sim2Real 能不能走通，以及全球头部玩家的技术路径差异。 [推测] 节目试图把“看起来很炫的机器人展示”转化为“可泛化、可验证、可商业化的技术能力”来评估。

[03:30] 速度科技的定位：大脑和本体都做

[事实] 韩正介绍速度科技是“全栈”公司，既做机器人大脑，也做机器人本体。 [事实] 团队早期主要以软件和机器学习方法驱动机器人为主，2022 年下半年开始以商业化方式组织，并正式考虑自研硬件本体。 [事实] 韩正认为，如果不碰本体，就很难充分展现和迭代大脑能力。 [推测] 速度科技把软硬件一体化视为解决机器人操作泛化和 Sim2Real Gap 的基础条件。

[05:00] 先解决操作，不急于做人形和灵巧手

[事实] 速度科技当前更关注物体操作，尤其是二指夹爪等 gripper 形式，而不是一开始就追求多指灵巧手。 [事实] 韩正认为，很多物体操作任务并不一定需要灵巧手，真正需要多指手的任务可能只占一小部分。 [事实] 他提到当前人形机器人的下肢稳定性、环境认知和感知能力仍有不足，轮式或轮足式构型在一些阶段可能更实用。 [推测] 嘉宾的判断是，机器人形态应优先服务于任务成功率，而不是优先满足“像人”的外观期待。

[07:00] 从 ImageNet 到 ShapeNet：把数据规模化思路带入 3D

[事实] 主持人介绍苏浩是 ImageNet 核心作者之一，后来将类似的数据集思想带入 3D 领域。 [事实] 韩正提到，ImageNet 的核心是用结构化方法描述典型物体的 2D 图片和文字对应关系，最终规模达到约 1400 万张图片。 [事实] ShapeNet 从 2013、2014 年左右开始建设，包含几十万个 3D 模型，但仍远不能覆盖世界上所有物体。 [事实] PartNet 和 PartNet Mobility 进一步标注物体部件与动力学约束，但带动力学约束的数据量不到 3000 个物体。

[13:00] 为什么互联网视频不够训练机器人操作

[事实] 韩正认为，2D 图片和视频中确实包含三维信息，但三维信息不完整也不够精确。 [事实] 对自动驾驶或导航来说，厘米级误差可能还能接受；但对机器人插线、拧瓶盖、抓取等操作，可能需要毫米级甚至亚毫米级理解。 [事实] 他认为，机器人操作需要精准的几何、材质、摩擦、弹性、部件和动力学信息。 [推测] 这也是速度科技强调结构化 3D 数据，而不是只堆开放视频数据的关键原因。

[16:00] Sim2Real 的核心难点在“搬到现实还灵不灵”

[事实] 主持人解释，Sim2Real 指机器人先在仿真世界中训练，再把能力迁移到真实机器上。 [事实] 节目将 Sim2Real 与直接采集真实世界数据训练的路径进行对比，后者包括遥操作、动捕和第一视角视频。 [事实] 韩正认为，速度科技团队与 ManiSkill、仿真器、具身智能等研究方向有深厚渊源。 [推测] 节目把 Sim2Real 视为机器人底层操作能力能否规模化的关键分水岭。

[19:00] 上一波机器人投资失败与新机会

[事实] 韩正回顾，2012 到 2016 年前后，谷歌曾通过 Andy Rubin 相关项目收购多家机器人公司，包括波士顿动力等，但当时很多要素并不完整。 [事实] 他认为，2022 年之后新机会出现的重要原因之一，是文生图等生成式模型让团队意识到 2D 到 3D 的生成和补全有机会。 [事实] 如果要在仿真器里重建开放世界的物体和环境，2D 升维到 3D 被认为开始具备可行性。 [推测] 嘉宾把这一轮机器人机会与生成式 AI 和基础设施成熟联系在一起，而不是单纯归因于资本热度。

[22:00] 新一代仿真器追求效率和物理一致性

[事实] 韩正区分了传统有限元仿真和新一代机器人仿真器：后者不追求单个环境无限逼真，而追求在 GPU 上并行开启大量环境。 [事实] 新仿真器可以牺牲画面分辨率和观赏性，但要尽量保持物理一致性。 [事实] 速度科技希望把牛顿力学、物理公式、大规模 3D 物体、环境和任务数据结合起来，让机器人在仿真器中做强化学习。 [推测] 这里的关键取舍是：仿真不一定要像电影一样真实，但必须对训练机器人动作有用。

[24:00] 结构化 3D 数据比非结构化数据更关键

[事实] 韩正说，速度科技在建设更适合机器人使用的结构化 3D 物体数据集。 [事实] 他提到 ObjectVerse 等非结构化 3D 数据集规模很大，但其中可能包含大量游戏资产、重复文件或对机器人操作帮助有限的内容。 [事实] 数据质量和规模需要平衡，世界典型物体、物体组合、环境和操作任务都需要结构化描述。 [事实] 他承认速度科技的数据集还没有完全搭完，尤其是瓶盖怎么拧等动力学约束仍是行业最缺的数据之一。

[28:00] 为什么嘉宾认为 Sim2Real 绕不过去

[事实] 韩正认为，真实世界数据、遥操作、动捕、第一视角视频等方法操作起来相对简单，但难以保证开放物体、开放环境下的泛化能力。 [事实] 他把基础模型能力定义为：面对训练和后训练中都没出现过的任意物体，也能以高成功率完成任务。 [事实] 他认为，如果以这个标准衡量，Sim2Real 很难被跳过。 [推测] 速度科技的路线不是否定真实数据，而是认为真实数据不足以单独解决机器人操作的冷启动和泛化问题。

[30:00] 速度 R1 Demo：未见物体上的抓放能力

[事实] 韩正介绍，速度 R1 是团队在去年 11、12 月得到的内部结果，并在 4 月发布。 [事实] Demo 连续一个小时，测试 100 多个物体，完成 200 多次操作，其中包含 240 次抓放。 [事实] 嘉宾称这些物体没有出现在训练数据中，失败后也没有补后训练数据。 [事实] 单次抓放成功率接近 98%，如果第一次失败后允许闭环调整，可以做到 100%。

[32:00] 公开场景测试与 Zero-shot 争议

[事实] 速度科技在学术会议现场把机器人带到研究者面前，让参会者用证件、手机、耳机、小玩偶等随机物体测试。 [事实] 韩正说，这种几乎不给准备时间的现场展示，此前在类似学术会议上很少有人做到。 [事实] 他对比了其他团队可能提前进入场地、采集数据、适配咖啡机等连续任务的做法。 [推测] 这段讨论强调的是“短技能的开放泛化”与“针对特定场景排练长任务”之间的评价标准差异。

[34:00] 短技能稳定性是长程任务的基础

[事实] 韩正认为，在机器人操作社区里，开放世界下稳定的基础短操作能力非常核心。 [事实] 如果短技能足够稳定可靠、泛化性足够高，就可以把短技能组合成长程任务。 [事实] 他提到 ManiSkill 和类似思维链的框架，用于把短任务串联成长任务。 [推测] 这为“上下分层”埋下伏笔：底层先解决抓、放、插、拧等操作，上层再做规划和任务拆解。

[35:50] 灵巧手不是所有任务的最优解

[事实] 韩正说，团队过去也做过灵巧手相关研究，但多数操作任务不一定需要灵巧手。 [事实] 灵巧手在通用性上更强，但稳定性、可靠性和成本仍有问题。 [事实] 穿针引线、手内转魔方等任务可能需要多指手，但很多工业操作也可以通过机器工艺或更简单末端执行器完成。 [推测] 嘉宾倾向于把灵巧手看成长期方向之一，而不是当前商业化和基础操作模型的唯一入口。

[38:00] 商业模式：底层技能平台，而不是亲自做所有垂直场景

[事实] 韩正认为，机器人应用场景成千上万，单家公司不可能全部做完。 [事实] 速度科技希望提供稳定可靠的底层基础短技能、API 和硬件系统，让开发者组合出不同长程任务。 [事实] 他把这种模式类比为智能手机：有人提供硬件、操作系统和 SDK，开发者在上面做 Uber、DoorDash、美团、滴滴等应用。 [推测] 速度科技希望占据机器人时代的底层平台位置，而不是只做某一个仓储、工厂或家庭场景。

[41:00] Sim2Real 必须和硬件强绑定

[事实] 韩正认为，解决 Sim2Real Gap 的核心原因之一，是硬件和软件要一起设计。 [事实] 仿真器支持什么样的构型、组件和原件，会反过来影响机器人硬件选型。 [事实] 即使同一款机器人，不同个体和每次上电也会有噪声和差异，仿真器需要对这些差异做建模。 [事实] 他认为，开源研究里的简化格式不足以覆盖真实电机噪声、响应曲线迟滞和上电差别等工程细节。

[44:00] 物体操作比大运动控制难两到三个数量级

[事实] 韩正说，大运动控制只需要关注机器人自身姿态，而物体操作还需要理解物体形状、材质、环境和接触后的变化。 [事实] 他认为，机器人操作物体的难度比 locomotion 高两到三个数量级。 [事实] 在拧瓶盖等任务中，几毫米误差就可能造成明显差别。 [事实] 速度科技会使用人类操作示范来提高强化学习效率，但不是只靠模仿数据。

[47:00] 不是纯黑盒：预训练分层，部署端到端

[事实] 韩正区分了速度科技路线和狭义 VLA、端到端模仿学习路线。 [事实] 速度科技希望机器人在预训练中理解几何、材质、运动学、物体部件和未来状态变化。 [事实] 韩正说，部署到端侧时模型也可以是端到端，但预训练过程中有分层结构和可解释的中间理解。 [事实] 他认为，纯模仿学习不一定知道瓶盖、瓶身、旋转方向等物理含义，只是在复现人类或遥操作轨迹。

[52:00] 把人类进化过程在仿真器中复现

[事实] 韩正用儿童学习拧瓶盖作类比：人会尝试、观察父母操作，并逐渐形成常识和肌肉记忆。 [事实] 他说，机器人需要在仿真器里复现类似从随机探索到理解操作规律的过程。 [事实] 他解释 ManiSkill 名称背后映射了“从猿到人”的进化过程。 [推测] 这段表达体现了速度科技对“具身智能”的理解：不是只预测下一帧动作，而是通过交互形成对物理世界的操作能力。

[53:00] 机器人没有特斯拉式真实数据飞轮

[事实] 韩正指出，特斯拉能够通过大量已售车辆和驾驶员持续收集道路数据，而机器人很难在没有功能前卖出几百万台到家庭和办公室。 [事实] 他认为，让用户穿动捕服在家里遥控机器人做饭，不是现实可行的大规模数据采集方式。 [事实] 国内公司已经能做到百台甚至千台规模的数据组织，但距离百万、千万级开放环境数据仍很远。 [推测] 这解释了为什么嘉宾认为机器人不能简单复制自动驾驶或大语言模型的数据扩展范式。

[56:00] 上下分层可能重新回到主流

[事实] 韩正提出“暴论”：从今年下半年开始，上下分层结构可能重新回到主流，并可能成为商业化最终方案。 [事实] 他把上层定义为 high level reasoning 和 planning，例如理解环境、拆分任务、决定先去冰箱再拿水倒杯子。 [事实] 他把下层定义为 low level manipulation，例如打开冰箱门、抓瓶子、拧瓶盖、倒水等具体物体操作。 [事实] 他认为，Physical Intelligence、Generalist 等团队更擅长上层 reasoning，但底层开放物体操作仅靠几十万小时真实数据可能不够。

[59:00] 中国硬件优势与底层操作挑战

[事实] 韩正认为，上层 reasoning 的机会不只属于硅谷公司，中国模型大厂和具身智能公司也有机会。 [事实] 对于底层随机环境、任意物体的操作，他认为必须由软硬件强结合的公司来完成。 [事实] 他不认为这种公司一定只能是中国公司。 [事实] 谈到宇树时，他认为宇树在硬件量产能力上给市场交出了很好的答卷，但物体操作可能才刚开始。

[60:00] 全球玩家：Skild、PI、Figure、Optimus

[事实] 节目讨论了 Skild AI、Physical Intelligence、Generalist 等做机器人大脑的公司。 [事实] 韩正认为，美国第一梯队包括 Physical Intelligence、Generalist 以及一些创业团队。 [事实] 对 Figure，他认为近期 Demo 相比以前有进步，但物体多样性和环境多样性仍有限，测试线仍在公司搭建环境中。 [事实] 对 Optimus，他认为特斯拉硬件和制造能力很强，模型方案可以等行业更成熟后再补。

[65:00] 最值得重视的对手：DeepMind + 波士顿动力

[事实] 韩正认为，波士顿动力电动版 Atlas 加 Google DeepMind，是最有潜力推动机器人方向的组合之一。 [事实] 他提到 DeepMind 对物理世界 AI 的下注很坚决，并将硬件平台换成电动版 Atlas。 [事实] 他认为 Google 具备仿真器、世界模型、算力、人才和组织决心等多项优势。 [事实] 速度科技团队认为，未来两到三年里，DeepMind 加波士顿动力可能是机器人操作和综合能力上的最大竞争对手。

[69:00] 亚马逊与垂直应用的现实压力

[事实] 韩正认为，亚马逊一直是机器人领域投入最多的大公司之一，拥有仓储物流、Kiva、机械臂、人形机器人试点等场景。 [事实] 亚马逊也与 Agility、Covariant 等公司有过相关尝试或合作。 [事实] 主持人总结，硅谷更看重通用性、泛化性和大脑能力，中国有较强硬件底子，但很多公司会因商业化压力退回垂直场景。 [推测] 亚马逊代表的是“场景驱动型机器人路线”，它的优势在部署环境和业务闭环，而不一定在通用底层模型。

[70:00] 速度科技为什么坚持通用路线

[事实] 韩正认为，如果团队没有清晰的基础模型构建思路，只是边做边试，就容易在商业压力下转向垂直应用。 [事实] 他表示速度科技团队基于过去七八年的研究和合作，判断在 12 到 24 个月内应能看到第一阶段效果。 [事实] 速度科技不打算押注某一个垂直场景，而是希望通过硬件加底层模型服务开发者。 [事实] 他们希望 1000 个开发者中，有 100 个找到小批量部署场景，其中 5 到 10 个可能形成超级应用。

[74:00] 短期目标：稳定硬件、底层模型和开发工具

[事实] 韩正说，速度科技当前和接下来几年的核心目标，是提供可靠稳定的硬件加底层模型。 [事实] 他们希望从一个抓取技能扩展到三到五个常见技能，并做好组合开发工具。 [事实] 公司会挑一到两个场景，和一到两个开发者紧密配合，以验证开发工具和垂直应用。 [推测] 这是一种平台路线和有限场景验证并行的策略：不亲自重仓垂直集成，但也需要真实场景证明工具链有效。

[75:00] 十年愿景：机器人时代的 iPhone + iOS

[事实] 韩正表示，证明 Sim2Real 路线是对的只是副产物。 [事实] 他希望十年后回看今天，速度科技被视为类似 iPhone 加 iOS 的底层硬件和系统提供者。 [事实] 他希望未来的新 Uber、滴滴、美团、DoorDash 等机器人应用，至少部分建立在速度科技提供的硬件、底层系统和软件上。 [推测] 这是一个平台型野心：不只是造一个机器人产品，而是争夺机器人应用生态的底座。

播客点评/总结

[推测] 这期节目的价值在于，它没有停留在机器人公司融资、Demo 和人形外观的表层，而是把问题拆到了数据、仿真、硬件、操作模型和商业模式几个层面，适合想理解机器人技术路线差异的听众。

[推测] 最大亮点是嘉宾给出了比较清晰的评价框架：看机器人是否能在未见物体、未见环境、随机光照和公开现场中稳定完成基础操作，而不是只看一个经过适配的长程 Demo 是否好看。

[推测] 局限也很明显：很多行业判断来自速度科技自身视角，对竞品 Demo、估值、技术路线和商业进展的评价需要结合更多外部信息交叉验证。

[推测] 这期更适合机器人从业者、AI 投资人、硬件创业者和关心具身智能路线的人；如果只想了解消费级人形机器人产品进展，节目会显得偏技术和产业分析。