马斯克为何点赞王力宏演唱会机器人？

更新时间：2025-12-24 16:37  浏览量：2

前言：后空翻好啊，机器人得学啊！真机器人必会韦伯斯特！人形机器人下半场的竞争胜负手？如果把 2025 年的人形机器人热潮只理解为“更强的电机、更贵的传感器”，很容易错过真正的拐点：决定机器人能不能在真实世界稳定工作、能不能把动作做到又快又准又安全的，正在从传统的“手写控制链路”，迁移到以强化学习/模仿学习为核心的端到端“小脑模型”——并且，这条路线开始被开源、被工程化、被芯片化，进入可复用、可量产的产业节奏。 换句话说，机器人行业正出现一条越来越清晰的分工：上层“大脑”负责理解与规划，下层“小脑”负责高频、低延迟、确定性的运动执行。这个架构不是新概念，但端到端模型的成熟让“小脑”第一次从“控制器”变成了“可训练、可迁移、可持续进化”的能力底座。

为什么马斯克要点赞宇树跳舞机器人？

2025年12月，王力宏成都“Best Place Tour”演唱会的一段画面在网上公布，将宇树人形机器人再次推上热搜：宇树G1作为伴舞登台，完成了一场专业的街舞表演，并在舞台上做出高难度的后空翻（部分报道将其描述为“韦伯斯特”空翻）动作。引爆舆论热点的另一个事件则是——马斯克随后在社交媒体上点赞并转发相关内容，这进一步让这段演出出圈，迅速变成跨圈层的技术话题。 很多评论者通过这段画面和马斯克的点赞，意识到人形机器人在2025年又经历了巨大的进步。它让外界第一次以更直观的方式看到——人形机器人在动态控制上能走到什么程度，以及这种能力在可控环境里如何被包装成可传播的成果。 不过，外行看热闹，内行看门道。如果仅仅看到宇树G1动作流畅娴熟的舞蹈动作，感慨一下宇树机器人相比2025年央视春晚时期的秧歌舞表演“又厉害了”，人类又要“失业”了，那显然还达不到我们尊贵的与非网读者的专业要求。那么马斯克究竟在“点赞”什么？ 笔者的解答是：人形机器人正迎来一个新的“iphone时刻”——人形机器人要从舞台走向工厂、仓储、园区、家庭，在从“能演”走向“能用”的过程中，人形机器人的什么能力必须被工程化、标准化、可复制？大脑与小脑如何分工，实时系统怎样保证确定性，冗余与失效保护要做到什么级别，芯片/系统软件/控制算法各自该承担哪些边界责任？ 当热度退去，这些问题会留下来——也将决定人形机器人下一阶段的竞争，是谁能在更复杂、更随机的环境里，持续输出稳定、可预测的运动与交互表现。

技术进展：端到端“小脑模型”到底进步在哪？众所周知，人类有大脑和小脑。 在人类神经系统里，大脑偏“认知与规划”，小脑偏“运动控制与平衡”。类比到机器人，“小脑”也常被用来指向运动控制层，但市场上对“小脑模型”主要有两种说法：一类是功能隐喻，强调它在系统中的角色——实时、低延迟、高精度地闭环控制；另一类是算法实现，强调是否在芯片/系统中实现更接近生物小脑学习机制的模型（如 SNN 等）。前者更多是控制系统工程能力，后者更偏类脑计算形态。 我们可以把人形机器人的“小脑进化”，归结为三条主线：控制方式变化、仿真到现实的迁移、以及平台化基座能力。 第一，控制方式从“预编程”走向“在线学习/端到端策略”。传统控制依赖动力学建模与固定轨迹，在不确定环境下容易显得僵硬。比如2025年初春晚机器人的扭秧歌，虽然整齐划一，但略显笨拙。这个阶段就是典型的预编程模式。 到了“在线学习/端到端策略”，由于采用了AI大模型驱动，用强化学习（RL）在仿真中大规模试错，找到工程师未必能手工设计的动作序列；再用模仿学习（IL）让动作更自然、更像人。这类策略之所以被称为“小脑”，本质在于更接近“运动本能”：输入来自传感器与状态，输出是可执行的动作/力矩/目标指令，强调快速闭环与稳定落地。 第二，仿真到现实的迁移。Sim2Real 跨过“现实鸿沟”，才谈得上上岗。仿真训练能降成本、降风险，但真实世界中的摩擦差异、地面材质、装配误差、温度漂移等都会让策略失效。2025 年人形机器人的重要进步在于通过领域随机化、自适应等方法增强 Sim2Real，使仿真策略迁移到真机后仍保持鲁棒性。这也解释了为何越来越多公司强调“数据引擎”和“世界模型”：短期优化 VLA 与动作建模；长期走向更完整的 WorldModel，并结合自我博弈与强化学习；而“真正的世界模型”必须覆盖摩擦、动力学、材料、天气、风阻等物理属性，而不仅是视觉纹理与几何。 在日前举行的地平线2025技术生态日上，地平线发布了具身智能的大脑、小脑基座模型HoloMotion和HoloBrain（关于大脑模型我们会在以后分析） 第三，“小脑基座模型”出现，让运动能力从“项目”变成“平台”。以地平线在日前推出的具身智能开源模型HoloMotion 为例，该模型在开源后一个月内获得较高关注，下载来源覆盖多个全球顶级机构，其 GitHub 项目也将自身定位为覆盖数据、训练、评估到部署的端到端工作流。由此可见，运动能力的竞争正在向“大模型式”的系统战演进：比拼的不只是单点算法，而是“基座模型 + 数据 + 工具链 + 工程化部署”的整体能力。 HoloMotion是一个支持单个策略，能做出任意动作，并且能够支持任意指令，任意地形的本体，它在地平线的计算平台S100、S600上面去运行Transformer、MOE、Mixture of Experts的一个架构，还可以实现高达50赫兹高帧率完美地运行。端到端“小脑模型”主要供应商：从“算力竞赛”转向“交付形态竞赛”具身机器人“小脑/大小脑”路线对比，来源：与非研究院整理 据了解，目前端到端“小脑模型”的供应商主要四个路线，其差异本质不在“谁算得更快”，而在“把小脑这件事交付成什么形态”。其中，地平线更像把运动控制能力做成可迁移的基座资产：不仅给模型，还强调训练框架、部署配方与统一评测，让生态围绕同一套方法论沉淀数据与对齐指标，减少各团队重复造轮子；HoloMotion 的端到端流程覆盖数据到 ROS2 部署，也在强化这种“配方化交付”的产品形态。 黑芝麻智能走的是更工程、更量产的路径：用“硬件隔离 + 分时 OS”把实时控制任务锁在安全区域，同时让 AI 计算并行运行。对要进工厂、要进入人机共存场景的机器人来说，决定能否量产的往往不是某次 demo 的动作上限，而是延迟、抖动、故障模式是否可预期、可验证——也就是“最坏情况”的确定性。 英伟达则把大小脑问题平台化：Jetson Thor 面向 Physical AI，Isaac 提供端到端开发栈，并明确将 Thor 与 Isaac GR00T 等基础模型深度绑定。换句话说，它卖的不只是算力，而是“仿真—数据—训练—部署”的生产线；一旦端到端模型成为主流，机器人公司会越来越依赖这种全栈平台，而不是单买一颗芯片。 至于 RK3588/英特尔等“通用平台 + 异构”的现实主义组合，价值在于低门槛试错：先把闭环跑起来、快速迭代策略与工程，再决定是否走向专用化与高度集成。短期它会持续存在，但长期会被两股力量挤压：一是量产对确定性/安全的硬要求（更像黑芝麻的方向），二是端到端时代对数据与工具链的系统性依赖（更像英伟达/地平线的平台化方向）。小脑“工程化”对人形机器人产业的意义？2025年，人形机器人从“能走能跳”的演示，开始走向更难的目标：在非结构化环境里稳定行走、灵巧操作、与人协作。这背后最现实的矛盾是计算分工：一边要跑视觉/语言/决策等“大模型”（偏吞吐、偏并行），一边要以高频率闭环控制几十个关节（偏实时、偏确定性）。其中大脑负责感知与规划，小脑把高层意图“解码”为高频、实时的关节控制信号，并处理动力学、平衡与扰动，应对端到端控制落地时“物理世界最后一厘米”的难题。 此次王力宏演唱会上，宇树机器人展示的就是“小脑工程化”的能力，把“运动控制能力”从项目制、手工调参、强耦合的代码堆里抽出来，做成可复用、可交付、可评测的系统资产。。而在英伟达、地平线、黑芝麻、英特尔、瑞芯微等芯片厂商的努力下，这种“小脑工程化”能力正在普及。 它至少会带来对人形机器人产业带来四个层面的变化： 第一，把“运动能力”变成可迁移的基座资产，降低重复造轮子。以地平线为例，资料中明确其发布面向机器人的小脑基座模型 HoloMotion，并强调其可在计算平台上运行 Transformer/MoE 等架构，且以高帧率运行；同时与具身大脑基座模型 HoloBrain配套，提供训练框架与“训练后部署的完整配方”。 这类“模型 + 训练框架 + 部署配方”的组合，实际上把运动控制从“算法论文”拉到“工程交付物”：团队更容易在统一框架下复现能力、对齐数据口径、做迭代评测，而不是每家都从底层控制栈重新搭一遍。 第二，把实时性与安全性“硬化”，让小脑成为确定性系统。黑芝麻智能 C1236 的路径更偏工程系统：资料强调其通过“分时操作系统 + 硬件隔离”把资源严格划分——实时运动控制任务获得独占资源，非实时任务在另一侧运行，从而降低延迟与抖动，并在非实时部分故障时仍保证底层控制稳定，构成功能安全的基础。 这类工程化的价值在于：它不追求“把一切都交给端到端网络”，而是先把可预测、可验证、可隔离的控制域建立起来，给上层大模型留出试错空间，同时把“摔倒/失控”这类物理风险压到系统边界内。 第三，为端到端控制范式落地搭桥，明确“谁输出、谁兜底”。端到端模型并未淘汰“大脑-小脑”架构，反而让分工更清晰：大脑运行端到端 VLA 等模型输出中间表示或高级动作指令，小脑仍要把这些指令转为高频控制，并应对动力学与扰动；因此对高性能小脑（芯片/控制器/实时OS）的需求“空前迫切”。 这意味着产业竞争点会从“峰值算力”外溢到更细的工程指标：控制回路延迟、抖动、多轴同步精度、在规定频率下可跑的控制算法复杂度等——这些往往比TOPS更决定机器人是否“顺滑、稳、敢上场”。 第四，推动标准化与生态重心迁移：从硬件单点到“软件栈/基准/中间件”。从未来趋势来看，小脑技术可能从“功能隐喻”走向更深的算法实现（如SNN等）；专用小脑芯片与一体化SoC路线将并存；更关键的是，连接大脑与小脑的软件栈、实时操作系统与中间件的重要性上升，同时行业可能建立标准化接口与性能基准测试来促进健康竞争。 换句话说，“小脑工程化”会把竞赛从“谁家能跑”推向“谁家更好集成、更好验证、更可复现”，最后沉淀为工程师可依赖的工具链与评测体系。下一阶段，“可交付能力”成为胜负手总结来看，具身智能仍处在相对早期阶段：短期优化 VLA 与动作建模；长期要啃世界模型、强化学习、自我博弈与终身学习这些更硬的骨头。 但产业层面的确定性正在增加：端到端“小脑模型”已经从概念走向工程化，供应商路线从“模型开源”到“芯片固化”全面展开。这意味着，人形机器人离“在真实世界可持续工作”又近了一步——也意味着下一轮竞争，会更像一场关于架构、数据引擎、工具链与安全可信的系统战，而不只是一次舞台上的“动作秀”。 当小脑被工程化之后，人形机器人的产业推进方式会更像汽车：能力不再靠单点天才调参，而靠平台化资产、可复现配方与标准化评测持续迭代。短期看，它让“稳定与安全”成为可交付件；中期看，它让运动能力可迁移、可规模化复制；长期看，谁能把小脑做成可验证的确定性系统，同时把大脑的端到端能力接得足够顺，谁就更可能在真实场景里拿到规模化落地的门票。