金沙江創投管理合伙人朱嘯虎向人形機器人“開炮”了。

3月28日，他在采訪中稱，因“商業化不清晰”，正批量退出對人形機器人的投資，引發行業震動。

對此，經緯創投創始合伙人張穎發朋友圈調侃：“朱老板別鬧”，直言朱嘯虎的言論可能影響其未來在機器人領域的投資機會；眾擎機器人CEO趙同陽更尖銳批評其“用眼前否定未來”。

趙同陽直言：“他（朱嘯虎）是非常成功和精明的商人，但很多創業者不是?！?/p>

一場投資人與創業者之間的唇槍舌劍，折射出人形機器人在資本狂熱、“泡沫疑云”與技術攻堅之間的復雜處境。

中關村論壇期間，21世紀經濟報道記者見到了銀河通用、星動紀元、穹徹智能、樂聚機器人等具身智能公司創始人，也采訪了智源研究院院長王仲遠，本文將總結他們對人形機器人“泡沫論”、“訓練數據瓶頸”、“人形必要性”、技術路線分歧等方面的觀點，全面拆解人形機器人爭議。

爭議一：人形機器人是否存在“泡沫”？

朱嘯虎的退出理由直指商業化前景不明，“誰會花十幾萬買一個機器人去干這些活？”但這一觀點遭到多位從業者反駁。

經緯創投張穎認為，機器人領域“大賽道，百花齊放，過程中有點泡沫也非常正常”，并強調“時間拉長，人形機器人賽道一定能出大公司”。

眾擎機器人趙同陽則表示，朱嘯虎更適合“今年投入后年見效的快餐式項目”，而AI和人形機器人需要長期投入，“質問人形機器人現階段有什么用，就像否定剛出生嬰兒的未來”。

智源研究院院長王仲遠告訴21世紀經濟報道記者，具身智能的訓練非常復雜，需要海量數據，5年時間都是樂觀的，也許需要10年后才能成熟，不同風格的投資機構就會出現分歧。

“如果是比較看重產業落地、希望迅速實現行業應用的機構，也許當下并不是進入具身智能的好時機?！蓖踔龠h表示：“但我們對于具身智能長期發展是非常樂觀的，就好像10年前看無人駕駛技術是一樣的?！?/p>

樂聚機器人冷曉琨從產業視角補充：“具身智能是硬件與軟件的耦合，硬件從實驗室到產業化，需要3~5年，軟硬件最終合起來才能真正迎來質變?！?/p>

爭議二：訓練數據瓶頸如何突破？

數據是具身智能發展的核心難題。銀河通用創始人王鶴指出，當前數據分為真實數據與仿真合成數據兩類。真實數據中，互聯網視頻雖量大但“不足夠”：“看別人游泳無法學會游泳，除非你已具備基本運動機能。”

他主張“用合成數據做預訓練，用真機數據完成后訓練”，并類比自動駕駛：“人形機器人存量達百萬臺前，合成數據是最寶貴資產。”

樂聚機器人冷曉琨坦言硬件采集觸覺等模態數據成本高企，現在采集的數據模態數量不夠，包括視覺信息、觸覺信息等，在模型未完全確定的時候，投入大量精力采集的數據有被推翻的可能性。

穹徹智能盧策吾更強調實踐檢驗：“數據價值如同配方，需在實踐中動態調整比例，互聯網數據、仿真數據、真機數據各有優劣，需互補克服缺點。”

爭議三：人形是必需還是噱頭？

關于“人形必要性”的爭論由來已久。

行業里有觀點認為，當前70%的場景并不需要機器人具備“人形”，所以“機器人做成人形”的必要性不夠充分。

王仲遠在一定程度上認同這一觀點，他舉例說明，行業內也有不少機器人公司已開始迭代輪式構型機器人，以克服雙足機器人穩定性欠佳的問題。

“不過，從長遠來看，人形機器人具有獨特優勢，因其與人的構型相似，能更好地適應社會基礎設施，復用技能，從互聯網數據中學習人類技能，推動具身智能和具身大腦模型的迭代?！蓖踔龠h表示。

樂聚機器人冷曉琨透露：“我們交付的100臺人形機器人已進入工廠，需先解決拿、放、走等基礎技能泛化，再拓展復雜場景?！睓C器人進工廠以后，樂聚給自己定的標準是連續工作1500個小時左右，才能說人形機器人可以實際用起來。不過，目前人形機器人完成的任務比較簡單，比如搬箱子等，更多精細性任務，需要后期更復雜的訓練。

銀河通用王鶴認為，輪式機器人與人形機器人有不同的適應場景?！拜喪綑C器人成本低、續航長，貨架場景無需雙腿，制約因素是智能而非形態?！彼e例說明，但有些復雜地形，就需要人形機器人穿越，并且，最終人形機器人的目標是走進家庭，不過，距離這個目標，還有很長的一段旅程要走。

穹徹智能盧策吾從工具使用角度力挺靈巧手：“拿錘子、筷子需五指靈活調整，二指無法完成復雜操作?！?/p>

爭議四：機器人泛化、跨本體的難度

當前，隨著具身機器人任務種類和任務量不斷增加，如何在跨本體、跨場景以及跨任務的情況下解決具身機器人的泛化問題，成為具身機器人和具身智能領域面臨的重大挑戰。

智源研究院王仲遠分享女兒的學習經歷，不到兩歲的孩子在春節期間通過觀看大量短視頻，自主學會拆糖果、用牙簽穿藍莓。在不斷嘗試失敗后最終成功。人類大腦的這種自主學習能力遠超當前具身智能模型?？蒲袡C構和模型公司始終要攻克的方向，就在于怎么讓機器人能夠自主學習，掌握技能。

銀河通用王鶴認同對人類學習過程的觀察很重要。他指出，人類在學習過程中，通過大模型提供獎勵函數助力強化學習。但目前具身智能在這方面仍處于探索階段。

具身機器人的物理世界智能研發需遵循特定過程。首先，沿著能產生生產力價值的維度探索泛化，如抓取、放置和場景移動等基礎技能。通過合成大數據和少量真機數據實現這些技能的泛化，為人形機器人創造生產力價值。隨后，研究機器人在家庭、工廠等更多場景中跨越技能，最后再探索跨本體。

爭議五：ChatGPT時刻何時到來？

對于人形機器人的爆發節點，各有闡述。

穹徹智能盧策吾認為，具身智能的ChatGPT時刻不是單一的，而是一批場景，階梯性、漸進地實現?！皟赡暌恢芷冢锪?、食品加工等場景可能會有第一波變化。”

星動紀元陳建宇表示，爆發點要看設定的標準是什么，如果只是簡單的推理問答，可能就比較早，但如果是復雜場景的實際應對與執行，這個標準還是蠻高的。“但這并不妨礙人形機器人的持續應用，一些垂類場景的規模化應用是在持續推進的?！?/p>

銀河通用王鶴預測，輪式機器人貨架級別的智能可能在2025年、2026年迎來突破，但如果是每個人都用上人形機器人，這個目標實現的周期就會比較長，尤其未來，人形機器人走進家庭，需要硬件成本與安全性再突破。

智源研究院王仲遠類比深度學習發展史：“從2006年論文到ChatGPT用了16年，具身智能受硬件制約，比較可能的突破時刻，可能是會現在受限的場景下具備可用性、一定的智能性以及一定程度的泛化，積累幾年之后，逐步進化?！彼赋?，受到大模型快速迭代的正面影響，具身智能的發展也會加速。

樂聚冷曉琨直言：“我覺得可能不會是忽然眼前一亮的時刻，而是整個社會面逐漸用起來，隨著產業化不斷成熟、智能性不斷成熟，慢慢泛化。”他說，硬件產業化沒有捷徑，五年后回頭看方知滲透，而非某刻突然爆發。

朱嘯虎的“撤退”，揭開了人形機器人行業理想與現實的激烈碰撞。短期內，商業化路徑不明、數據成本高企、硬件成熟度不足仍是攔路虎；但長期來看，多模態大模型、世界模型與硬件迭代的共振，可能逐步將具身智能推向“數字—物理”融合的臨界點。

泡沫是技術爆發的前奏，耐心者才能等到春天。當人形機器人真正走入家庭時，今天的爭議或許會成為一段精彩的注腳。