银河通用王鹤：具身智能正迈向AlphaGo与ChatGPT时刻

背景

2026年6月3日，国际机器人与自动化会议（ICRA 2026）在奥地利维也纳举行。在大会的“行业主题演讲”环节，具身智能领域知名学者、银河通用（Galbot）创始人兼CTO王鹤发表了题为《Towards the AlphaGo and ChatGPT Moments of Embodied AI》的主题演讲。

银河通用（Galbot）是一家致力于开发通用机器人和具身基础模型的独角兽初创公司，其使命是让通用机器人赋能千行百业并走进千家万户。王鹤在演讲中通过回顾数字AI从“AlphaGo时刻”到“ChatGPT时刻”的演进路径，论证了具身智能正在遵循相似的发展逻辑，并指出银河通用已通过两大技术突破触及具身智能的“AlphaGo时刻”，同时提出了迈向“ChatGPT时刻”的技术路线。

核心内容

王鹤在演讲中将具身智能的发展划分为两个关键阶段，分别对应数字AI历史上的里程碑事件，并详细阐述了银河通用在两个阶段的技术突破与落地成果。

1. 具身智能的“AlphaGo时刻”：极致协调与灵巧操作

王鹤认为，实现具身智能的“AlphaGo时刻”需要选择一个足够复杂、需要极高全身协调能力且策略复杂的任务。银河通用选择了网球作为这一突破点。

• 自主网球对抗与Sim2Real迁移： 银河通用实现了完全自主的人形机器人与人类进行真实的网球对抗，全程无遥操作。这一突破不仅体现在身体协调上，更体现在高阶策略上。与在纯数字世界下棋的AlphaGo不同，物理世界的Sim2Real（仿真到现实迁移）难度极高。银河通用利用内部仿真平台支持强化学习训练，其策略模型可直接部署在现实世界，无需任何微调即可成功回球并击败人类对手。
• 灵巧手摆脱遥操作依赖： 针对手部精细操作，银河通用让机器人灵巧手像人一样使用螺丝刀进行精密装配，并展示了使用刀具、锤子甚至安装桌腿等连续灵巧盘玩（In-hand manipulation）能力。
• 技术路径差异： 王鹤指出，部分竞品（如Figure机器人）依赖遥操作收集数据，导致动作僵硬（如拧瓶盖时手腕整体旋转而非手指协调）。而银河通用采用强化学习（RL），使手指间产生自然协调。此外，针对接触丰富（Contact-rich）的任务，团队在仿真器中学习后，部署到现实世界获取展开轨迹，利用这些现实轨迹训练“灵巧世界模型”，基于神经动力学的残差预测大幅改进策略，从而首次在现实世界中实现了连续的灵巧操作。

2. 迈向具身智能的“ChatGPT时刻”：世界动作模型（WAM）

面向更通用的能力，王鹤提出构建结合视觉-语言-动作（VLA）和世界模型的“世界动作模型”（World Action Model, WAM）。银河通用早在ICCV等顶级会议论文中便定义了这一概念，并在arXiv上发布了相关早期研究。

• LDA模型与隐空间推演： 银河通用最新的世界动作模型称为LDA（Latent Dynamics Action Model）。该模型实现了从“像素空间想象”到“隐空间想象”（即DINO空间）的跨越。
• 长周期任务执行： LDA模型允许执行超长周期任务。例如，机器人可完全自主完成煎牛排的全过程：加速使用平底锅、抓起牛排、翻面、移出、放置盘中、松开夹子并撒调料。
• 多任务与跨构型泛化： 单一模型展现出强大的多任务能力，涵盖捡起碎玻璃、叠衣服、货架拣货补货、穿肉串等。同时，模型具备跨机器人构型泛化能力，可适配带轮子的长臂机器人、带腿的短臂机器人以及宇树（Unitree）的G1系列机器人。
• 真实场景落地：
  • 全家便利店（Family Mart）： 全球首家由人形机器人运营的全家便利店，机器人进行货架拣货。
  • 物流仓储： 在数十万平米的厂区中经过多次迭代部署。
  • 宁德时代（CATL）： 重载机器人部署于宁德时代，可搬运50公斤重物，处于完全自主模式，并能自动更换电池，实现每天24小时有效工作。

3. 通往AGI的技术架构与数据基础设施

王鹤总结，要迎来ChatGPT时刻，需将“大脑”与“小脑”结合，并构建全面的数据基础设施。

• 大脑与小脑结合： “大脑”为WAM（世界动作模型），“小脑”为全身、全手的端到端（End-to-end）控制器。两者均通过神经网络进行端到端训练。
• 海量多维数据驱动： 核心燃料包括仿真数据、现实世界遥操作数据、第一人称视角数据（Egocentric data，银河通用自2022年CVPR论文起便开展研究）、互联网数据、跨构型仿真数据以及基于策略（On-policy）的强化学习奖励数据。

关键要点

• 里程碑定义： 具身智能正遵循数字AI的发展路径，从单一复杂任务的突破（AlphaGo时刻）迈向通用基础模型的规模化扩展（ChatGPT时刻）。
• 网球对抗突破： 银河通用实现了完全自主的人形机器人网球对抗，无需微调即可将仿真策略迁移至现实世界，解决了高难度的Sim2Real问题。
• 灵巧操作革新： 摒弃依赖遥操作的数据收集方式，采用强化学习结合“灵巧世界模型”，实现了如拧瓶盖、使用工具等需要高接触丰富度的自然灵巧操作。
• WAM模型架构： 提出结合VLA与世界模型的“世界动作模型”（WAM），最新LDA模型在隐空间（DINO空间）进行推演，支持超长周期任务执行。
• 泛化与落地能力： 模型具备跨机器人构型（包括轮式、腿式及Unitree G1）的泛化能力，并已在全家便利店、物流仓储、宁德时代等真实商业场景中实现全自主落地。
• 数据金字塔： 构建了包含互联网、第一人称视角、仿真、遥操作及RL奖励数据的全面数据基础设施，作为推动技术演进的核心燃料。
• 未来展望： 通过WAM（大脑）与端到端控制器（小脑）的结合，具身智能将引爆第四次工业革命，实现智能手机般的普及规模和汽车般的硬件价格。

意义与影响

王鹤的演讲揭示了具身智能从实验室演示向工业化、通用化应用迈进的关键转折点。

首先，技术可行性的验证。通过网球对抗和灵巧手操作，银河通用证明了具身智能在物理世界中处理高动态、高协调性任务的可行性，特别是Sim2Real技术的成熟，解决了长期困扰机器人的现实部署难题。

其次，通用基础模型的雏形显现。LDA模型在隐空间中的推演能力以及跨构型泛化能力，表明具身智能正在摆脱“专用工具”的属性，向具备广泛适应性的“通用基础模型”演进。这与大语言模型（LLM）的发展路径高度一致，预示着具身智能将迎来类似ChatGPT的爆发期。

最后，商业闭环的初步形成。机器人进入全家便利店、宁德时代等场景并实现24小时自主工作，标志着具身智能不再仅仅是技术展示，而是开始产生实际的经济价值。这种“大脑+小脑”结合加“海量数据驱动”的技术路线，为整个行业提供了清晰的发展范式，有望加速第四次工业革命的进程，推动通用机器人真正走进千家万户。