騰訊雲TVP走進vivo，共啟端側到具身的萬物智能

　　當大模型逐漸拉齊“腦力”，一個更關鍵的命題浮出水面：智能如何真正“進入”現實?從手機到汽車，從機械臂到人形機器人，硬件正在被賦予感知、決策與行動的能力——而這一切的背後，是從“端側”到“具身”的技術躍遷。

　　10 月 18 日下午，一場關于具身智能與物理 AI 的深度對話，在 vivo 全球總部展開。由騰訊雲 TVP 與 vivo 聯合主辦的「從端側到具身，共啟萬物智能」騰訊雲 TVP 走進 vivo活動如期舉行，來自多個領域的 TVP 專家與行業嘉賓齊聚東莞。從具身操作的技術變遷，到物理 AI 的産業機遇，再到規模化落地的工程化路徑，嘉賓們圍繞“具身智能如何從實驗室走向千行百業”這一核心議題，展開了一場橫跨技術、産業與組織的深度對話。

　　主持人開場

　　vivo 互聯網研發總監、騰訊雲 TVP 楊振濤

　　作為本次活動的主持人，vivo 互聯網研發總監、騰訊雲 TVP 楊振濤在開場中表示，vivo 不僅在手機這個“老本行”持續深耕，也在具身智能這條新路上不斷探索——從成立機器人 Lab，到面向家庭場景的落地嘗試，每一步都還在摸索和驗證當中。他在 vivo 做互聯網研發多年，見證了端側 AI 從概念一步步走進用戶的日常，也越來越相信：真正的智能，最終要從屏幕裡走出來，走進物理世界、走進真實場景。他期待各位老師在這個下午多看、多聊，一起交流碰撞、互學互鑒。

　　主辦方緻辭

　　vivo 機器人 Lab 首席科學家、騰訊雲 TVP 邵浩

　　vivo 機器人 Lab 首席科學家、騰訊雲 TVP 邵浩在緻辭中分享了 vivo 布局機器人的三個核心邏輯。

　　第一，将機器人作為一個面向 C 端用戶的全新消費電子品類來思考。 随着人工智能與機器人技術的發展，家庭機器人有望成為繼手機、汽車之後，消費電子領域值得長期探索的重要産品方向。第二，智能終端領域的積累為機器人研發提供了能力基礎。 一部手機涉及上萬個零部件，其背後是複雜的供應鍊協同、系統集成和工程化能力。這些積累能夠為 vivo 探索更複雜的具身智能産品提供重要支撐，但機器人也需要在運動控制、靈巧操作和智能決策等方面建立新的能力。第三，貼近用戶是 vivo 探索家庭機器人的重要優勢。 vivo 長期服務于廣泛的消費者，在用戶需求洞察、産品定義和體驗打磨方面積累了經驗。如何将這些能力延伸到家庭場景，讓機器人真正解決用戶的實際問題，是 vivo 探索這一新産品品類的重要出發點。

　　關于産品形态，邵浩介紹，vivo 當前錨定雙足、雙臂與五指靈巧手的全尺寸人形機器人方向。這一選擇基于第一性原理：從真實家庭任務出發，讓産品形态服務于場景需求。 例如，從沙發上撿起衣物、放入洗衣機，再到取出、疊放并收納進衣櫃，完成這樣的連續家務任務，不僅需要機器人具備跨空間移動能力，還需要靈巧操作和多步驟任務協同能力。現有輪式底盤或簡單夾爪方案在兼顧這些需求時存在一定局限，這也是團隊探索全尺寸人形機器人形态的重要原因。

　　在技術路徑上，vivo 将采取軟硬件協同、分階段推進的方式：依托成熟可靠的硬件平台，通過遙操作逐步進入真實家庭場景，在實際任務中積累用戶體驗與高質量數據，并持續提升機器人的智能決策和自主執行能力，推動技術從可用走向好用。

　　邵浩強調，vivo 做機器人不是追逐短期風口，而是基于用戶需求、技術規律和自身能力積累作出的長期選擇。vivo 希望将智能終端時代形成的供應鍊協同、用戶洞察和工程化能力，與具身智能領域的新技術相結合，探索真正能夠走進家庭、服務用戶的機器人産品。

　　從模仿到智能：具身操作的技術變遷及其問題思考

　　vivo 具身算法專家 鄧黎明

　　vivo 具身算法專家 鄧黎明帶來了《從模仿到智能：具身操作的技術變遷及其問題思考》主題分享。他從團隊的實踐探索切入，回顧了從單任務模仿到通用操作模型的技術路徑。Mobile ALOHA 項目(俗稱“炒蝦機器人”)走紅後，團隊嘗試複現該項目，卻發現“演示成功”與“穩定可用”之間仍有明顯距離：物體位置、環境背景等條件稍有變化，任務成功率就可能下降。為縮小這一差距，團隊先後探索了抓取姿态估計、人工規劃、大模型編排及 VLA 等方案，在抓取泛化、連續操作、多任務組合和端到端學習上取得進展，也逐步認識到各條技術路線在擴展成本、誤差累積和環境适應性上的局限。這些探索指向一個核心問題：如何讓機器人不隻在特定條件下完成演示，還能在多變的任務環境中穩定可靠地操作?

　　圍繞這一問題，鄧黎明梳理了行業标杆 Physical Intelligence 的 VLA(視覺—語言—動作模型)演進路線，指出其呈現出數據與算法相互推動的“雙螺旋”特征。π₀ 展示了端到端模型完成多類操作任務的潛力，但面對訓練中未見過的場景，泛化能力仍顯不足;π₀.₅ 借助多來源、多類型的訓練數據，提升了機器人在陌生家庭環境中的适應能力，但長程任務中的錯誤累積仍難以避免;π*₀.₆ 引入強化學習，讓機器人從自主執行與人工糾錯中學習，在提升任務吞吐量、降低失敗率的同時，展示了長時間連續操作的能力;π₀.₇ 則結合圖像、語言等上下文信息，進一步探索已有能力的組合應用、行動策略的調控，以及不同形态機器人之間的能力遷移。縱觀這條路線，其演進重心始終不止于規模擴張：機器人從模仿動作出發，逐步學會适應環境、利用反饋改進策略，并根據不同條件選擇行動方式。

　　對于以模仿學習為主的具身模型，鄧黎明指出，單純擴大規模将面臨數據、目标與範式三重瓶頸：數據層面，同質數據的重複積累難以拓展能力的覆蓋範圍;目标層面，模仿學習關注動作“像不像”，而真實任務更關心結果“成沒成”;範式層面，單向模仿缺少利用環境反饋進行判斷、糾錯和持續學習的閉環。因此，數據量、部署量和運行時長的增長，并不必然帶來通用能力的提升。更值得關注的是，數據是否覆蓋了新的場景、任務和失敗情形，這些經驗又能否轉化為新的能力。

　　物理 AI 的實踐與未來機遇

　　廣和通集團 COO、騰訊雲 TVP 李騰

　　廣和通集團 COO、騰訊雲 TVP 李騰帶來了《物理 AI 的實踐與未來機遇》的主題分享。他以廣和通的實踐為例，介紹了物理 AI 在庭院機器人、智能座艙、家庭陪伴機器人等場景的商業化落地。他指出，物理 AI 與數字世界 AI 的核心差異在于：它是一個包含多模态決策、執行、驗證、反饋的完整系統，對執行後果驗證的要求和失效帶來的成本遠遠大于數字世界 AI。

　　關于終局，李騰提出了“計算連續體”的構想——一個智能無處不在運行的計算系統，類似 iPhone+iOS 把互聯網裝進口袋，物理 AI 的計算連續體加上 Agent OS，可能實現世界 AI 的行動系統。他認為，雲邊端協同是必然架構：設備端強調實時執行與輕量化推理，邊緣端負責多機調度與低延時融合，雲端承擔世界模型訓練與全局策略。

　　同時，他給出了商業落地的時間軸判斷：極其封閉、結構化的場景(如割草機器人、倉儲巡檢)正在高速增長;半結構化場景(如機械臂、商服機器人)可能在 2-3 年迎來成熟;而真正進入家庭的人形機器人，可能要看 3-4 年以後。最後，他給創業者的建議是：範圍越封閉、結構化越明确、交互程度越低，當下落地的商業有效性越高。

　　從實驗室到規模化落地：騰訊雲助力具身智能走進千行百業

　　騰訊智能制造與消費電子行業首席專家 邴金友

　　騰訊智能制造與消費電子行業首席專家 邴金友帶來了《從實驗室到規模化落地：騰訊雲助力具身智能走進千行百業》的主題分享。他指出，當前具身智能面臨三座大山：

　　數據層面，語言模型已到萬億參數，但具身智能才到百億，真機數據尤其稀缺;

　　模型層面，具身需要的維度又多又複雜，離 ChatGPT 時刻還有相當距離;

　　場景層面，通用與專業之間存在悖論——選擇專業場景容易商業化，但什麼都做則難度極大。

　　邴金友介紹了騰訊在具身智能領域的布局：2018 年成立 Robotics X 實驗室，今年世界人工智能大會期間，騰訊雲聯合弗若斯特沙利文正式發布《全球具身智能技術創新與應用白皮書》，從算力到平台到生态提供全鍊路解決方案。核心産品包括 Tairos“钛螺絲”具身智能标注訓練與場景應用平台、遙操作系統(已在智元落地約 1 萬台機器人)、數采方案(有客戶一周數據量達 3PB)、以及“一雲多芯”的 AI Infra 能力。他還介紹了雲側算力背包、HAI 中間件等創新方案，幫助機器人企業屏蔽底層硬件差異，專注模型與應用。

　　在合作案例方面，騰訊已與智元、宇樹、追覓、石頭等多家企業展開合作，覆蓋數據采集、模型訓練、遙操作、算力等全環節。邴金友表示，如果照當前速度，3-5 年後具身智能有可能迎來“ChatGPT 時刻”——具身的底座模型（可能是世界模型+VLA)泛化能力到達類似GPT的水平，讓大部分企業可以低成本快速定制，通過類似Agent的模式在很多場景中應用起來，就能快速适配各類工業和生活場景。

　　端上論道 · 觀點碰撞

　　在觀點碰撞環節，全場嘉賓圍繞四組辯題展開熱烈讨論，現場頻頻舉牌、金句不斷。

　　具身智能的第一入口，會從已有終端延伸還是由全新機器人本體開辟？

　　正方認為，手機、汽車等成熟終端擁有龐大用戶基礎和成熟算力底座，離用戶最近，具身智能更可能從這些“現成入口”延伸而出——用戶不需要重新學習一個新品類，智能能力可以無縫疊加到日常設備中;反方則從生物進化角度提出了不同的看法：新物種會替代老物種，真正的入口一定是“無處不在”的，不會局限于某一種現有形态。具身智能的本質是讓機器具備類人的感知與行動能力，這可能需要一個全新的本體載體，而非依附于手機或汽車。

　　家庭機器人要真正打動用戶，靠功能還是靠陪伴？

　　正方直言“如果連衣服都疊不好、碗都洗不幹淨，談陪伴就缺乏根基”。功能價值是陪伴的前提，機器人首先要成為可靠的“家務幫手”，才能談情感連接;反方則認為，功能價值短期内難以超越真人護工，情感陪伴才是更快落地的剛需。人願意接納一個機器人進入家庭，往往不是因為它能疊幾件衣服，而是因為它“看起來友善、相處起來舒服”。機器人進入家庭的第一道門檻不是“能幹多少活”，而是“讓人願意接納”。

　　企業的 AI 能力建設應集中做深還是分散做廣？

　　正反雙方就平台底座與業務試錯的優先級激烈交鋒。正方強調，AI 能力建設需要集中資源打穿關鍵業務域，形成可複用的能力底座，避免各業務線重複造輪子;反方則認為業務場景千差萬别，分散試錯才能快速找到真正有價值的落地點，過度集中容易脫離一線需求。最終雙方形成一個共識：需要找到關鍵業務域，集中團隊做深，發揮領頭羊作用，再逐步向其他場景輻射——既要有“打穿打透”的決心，也要保留“多點試錯”的彈性。

　　AI 大幅提升個人生産力後，企業不同業務更應推行小團隊作戰還是大規模協同？

　　正方認為一個人加一堆 Agent 就能承擔過去一個團隊的産出，組織可以更輕、更快、更靈活;反方則認為系統複雜度上升後，真正的瓶頸在協作而非産能，大規模協同才能避免“各自為戰”的碎片化。嘉賓們普遍認為，未來可能是“小團隊帶大量 Agent”的模式——先由小團隊探索找到方向、驗證價值，再大規模協同去執行、放大效果。組織形态不會非此即彼，而是在“小步快跑”與“協同作戰”之間動态平衡。

　　結語

　　從具身機器人的操作躍遷，到物理 AI 的産業機遇，再到規模化落地的工程化路徑，這場走進 vivo 的活動，讓我們對“從端側到具身”這一命題有了更立體、更深刻的理解。具身智能的落地，技術突破是基礎，産業定力是關鍵——算法的“單點躍遷”打開空間，生态的“協同共進”決定速度。不追短期風口，隻在真實場景中把能力紮下去、跑起來。

　　TVP，即騰訊雲最具價值專家(Tencent Cloud Valuable Professional)， 是騰訊雲頒發給各領域頂級技術專家的一項榮譽認證，以感謝他們在各個行業和領域為推動雲計算及相關技術的發展和落地所作出的貢獻。TVP 緻力打造與行業技術專家的交流平台，促進騰訊雲與技術專家和用戶之間的有效溝通，從而構建雲計算技術生态，實現“用科技影響世界”的美好願景。