楊劍飛的履歷精準(zhǔn)地踩中了過去十年科技浪潮的每一個(gè)節(jié)點(diǎn)：2012 年，他進(jìn)入中山大學(xué)那個(gè)為了響應(yīng)互聯(lián)網(wǎng)潮而特設(shè)的“移動(dòng)信息工程學(xué)院”；2014 年加入大疆實(shí)習(xí)做視覺算法，見證了無人機(jī)作為會飛的機(jī)器人的元年 ；與此同時(shí)，他頻繁出沒于上海、武漢、臺北的黑客松賽場，在 48 小時(shí)的極限編程中，反復(fù)訓(xùn)練自己從 0 到 0.1 的產(chǎn)品化能力。

隨后，他在新加坡南洋理工大學(xué)、加州大學(xué)伯克利、東京大學(xué)和哈佛大學(xué)之間穿梭，最終將目光鎖定在“Physical AI”（物理人工智能）——一個(gè)試圖用多模態(tài)感知去重新解碼物理世界的宏大命題。

一年前，他回到新加坡南洋理工大學(xué)創(chuàng)立了 MARS 實(shí)驗(yàn)室（Multimodal embodied AI & Robotic Systems Lab），正式開啟了他的教職生涯。

盡管如此，他仍稱自己是個(gè)“躺平”的人——求學(xué)階段享受在南洋理工的椰林泳池邊喝著啤酒看論文，晚上則化身英雄聯(lián)盟征戰(zhàn)東南亞的玩家。他堅(jiān)信高效學(xué)習(xí)遠(yuǎn)勝于耗時(shí)間。

在與我們的對話中，楊劍飛少有學(xué)究式的晦澀，更多的是一種兼具極客與產(chǎn)品經(jīng)理視角的直率。他毫不避諱地指出具身智能賽道全鏈路創(chuàng)業(yè)模式下的同質(zhì)化問題，也坦承自己比起卷模型，更在意如何讓機(jī)器人安全地與人共處并服務(wù)于人類的生活。

從看見到感知，讓機(jī)器人更懂世界

DeepTech：你在 NTU 創(chuàng)立實(shí)驗(yàn)室時(shí)，選擇了“Physical AI（物理人工智能）”這個(gè)關(guān)鍵詞，為什么強(qiáng)調(diào)“物理”？

楊劍飛：這與我的研究背景密切相關(guān)。過去我一直在做 AI 與物理系統(tǒng)的結(jié)合（比如 IoT 和機(jī)器人），本質(zhì)上就是利用人工智能去觀測并理解物理世界。

我的研究始于計(jì)算機(jī)視覺和多模態(tài)感知，最初我以為 RGB 相機(jī)加上雷達(dá)，已經(jīng)足以構(gòu)建一個(gè)較完整的三維世界表征。但在哈佛訪學(xué)期間，與做光學(xué)和實(shí)驗(yàn)物理的研究者深入交流后，我意識到我們對物理世界的認(rèn)知其實(shí)非常有限。真實(shí)世界遠(yuǎn)比視覺呈現(xiàn)復(fù)雜得多：多光譜信息、各種電磁信號、空氣中的通信波段，都是真實(shí)存在卻難以直接感知的維度。

因此，Physical AI 的核心并不只是讓機(jī)器人行動(dòng)，而是回答一個(gè)更基礎(chǔ)的問題：我們?nèi)绾胃鼫?zhǔn)確、更全面地觀測物理世界，并用 AI 去解釋這些觀測？

這條路徑在其他學(xué)科也同樣成立。生命科學(xué)中，從顯微鏡到基因測序，各種技術(shù)的出現(xiàn)本質(zhì)上都是創(chuàng)造新的觀測方式，隨后再由 AI 進(jìn)行分析。正因如此，我認(rèn)為 Physical AI 是一個(gè)未來幾十年都值得投入的方向。它關(guān)乎 AI 的邊界，也關(guān)乎我們?nèi)绾卫斫庹鎸?shí)世界本身。

DeepTech：既然 Physical AI 的核心是重新定義我們?nèi)绾斡^測物理世界，那在人機(jī)交互的設(shè)備層面，你最近關(guān)注到哪些值得探索的新載體？比如，你今年初參與了 Meta Project Aria（AR 眼鏡項(xiàng)目）。

楊劍飛：對，這個(gè)項(xiàng)目主要利用 Meta 的 Aria 智能眼鏡進(jìn)行場景識別，希望借此提升人與機(jī)器的交互能力。我們關(guān)注的是更長期的趨勢：未來什么設(shè)備可能取代手機(jī)，或成為新的核心交互入口？

我認(rèn)為會是 XR 眼鏡。

過去十多年，XR 眼鏡受限于顯示、芯片和電池，但現(xiàn)在這些技術(shù)正在突破，使它具備成為下一代終端的條件。短期來說，XR 眼鏡可以成為和用戶自然交互的入口；長期來說，隨著邊緣算力的發(fā)展，眼鏡能夠?qū)崟r(shí)捕捉用戶看到的世界，并將這些信息反饋給家中的機(jī)器人，使其理解用戶關(guān)注的內(nèi)容，從而提供更加自然的輔助。

因此，XR 眼鏡給了 AI 一雙人類的眼睛，我們申請了 Meta Aria Project，就是與學(xué)生一起探索 XR 眼鏡與具身智能結(jié)合的可能性。目前項(xiàng)目仍在早期階段，但這是我們認(rèn)為非常值得投入的新方向。

DeepTech：這是否意味著，你認(rèn)為未來的具身智能是一種更高級、更即時(shí)的具身形態(tài)？

楊劍飛：我認(rèn)為，如果討論具身智能或 Physical AI，XR 眼鏡本身就應(yīng)當(dāng)被視為其中的一部分。當(dāng)前市面上的 XR 眼鏡之所以受限，主要在于端側(cè)算力不足，而為了控制重量，它們也無法搭載更強(qiáng)的處理能力，因此設(shè)備側(cè)的 AI 能力仍然非常有限。

但 Meta 的 Project Aria 與傳統(tǒng)消費(fèi)級產(chǎn)品不同，它是專門為科研設(shè)計(jì)的設(shè)備，重量更大，但也配置了更強(qiáng)的端側(cè)算力。這使我們能夠在其上實(shí)現(xiàn)更加實(shí)時(shí)的感知處理，并探索更高級的 Physical AI 交互模式。

從這個(gè)角度看，AR 眼鏡并不僅是信息呈現(xiàn)設(shè)備，它實(shí)際上是具身智能生態(tài)中的一個(gè)重要節(jié)點(diǎn)，能夠在用戶與環(huán)境之間提供連續(xù)、實(shí)時(shí)的感知與反饋。

DeepTech：2026 年，你的團(tuán)隊(duì)會重點(diǎn)投入在哪些研究方向？在具身智能即將迎來應(yīng)用化階段的背景下，你認(rèn)為哪些問題最值得提前布局？

楊劍飛：2026 年，我們的重點(diǎn)仍將放在以人為本（human-centric）的具身智能研究方向上，比如更加安全和自然的人機(jī)交互（Human-Robot Interaction）。我判斷具身智能可能在未來 3-5 年里逐步落地，而一旦進(jìn)入實(shí)際應(yīng)用階段，如何讓機(jī)器人以更自然、更友好、更加符合人類習(xí)慣的方式進(jìn)行交互，將成為不可回避的問題。盡管這些課題在傳統(tǒng)意義上未必屬于核心性能指標(biāo)，但我個(gè)人非常重視其中的人性化價(jià)值，因此也會持續(xù)深耕這一方向。

與此同時(shí)，我們團(tuán)隊(duì)中負(fù)責(zé)多模態(tài)與大模型的學(xué)生也已經(jīng)開始在 VLA 方向發(fā)力。一個(gè)關(guān)鍵問題是：VLA 是否可以接入更多模態(tài)，從而實(shí)現(xiàn)更精確的動(dòng)作表達(dá)？在什么場景下，多模態(tài)輸入是必要的？哪些任務(wù)又不能僅依賴純視覺（pure vision）就能完成？

這些問題的背后，其實(shí)都是關(guān)于不同模態(tài)的數(shù)據(jù)如何共同影響具身智能能力的更深層探索。因此，從整體上看，我們 2026 年的研究仍將圍繞我們 MARS Lab 的兩個(gè)主線展開：多模態(tài)感知與以人為中心的具身智能。

通用機(jī)器人真正要落地在哪？

DeepTech：目前市面上出現(xiàn)不同的聲音，有些人認(rèn)為最大的場景是進(jìn)工廠，擰螺絲、分揀電池、搬東西；也有人認(rèn)為，機(jī)械臂已經(jīng)夠用了，趨勢應(yīng)該是個(gè)人和家庭。你比較看好機(jī)器人在哪些場景的應(yīng)用？

楊劍飛：我認(rèn)為核心仍在 to C 端。工業(yè)場景固然重要，但在高度結(jié)構(gòu)化、可預(yù)設(shè)的工廠環(huán)境里，傳統(tǒng)工業(yè)機(jī)器人本身就能做得更好。具身機(jī)器人只有在處理工業(yè)機(jī)器人難以覆蓋的問題才具備價(jià)值，例如拆解不規(guī)則物體、處理雜亂環(huán)境。但這類需求往往更適合由專門的工業(yè)自動(dòng)化公司來解決，也不是通用具身智能最具潛力的方向。

具身智能真正值得期待的，是走進(jìn)家庭，解決開放世界中可廣泛泛化的真實(shí)任務(wù)。但家庭場景的復(fù)雜性極高，遠(yuǎn)非兩三年能夠完全攻克，因此廣泛落地必然是一個(gè)長期過程。

在我看來，一個(gè)關(guān)鍵節(jié)點(diǎn)是：在 to C 端出現(xiàn)第一個(gè)真正意義上的“殺手級應(yīng)用（killer app）”。它能讓普通消費(fèi)者第一次明確感受到“家里有一個(gè)具身機(jī)器人是有實(shí)際價(jià)值的”。在這個(gè)節(jié)點(diǎn)出現(xiàn)之前，具身智能的大規(guī)模普及都只能算是過渡階段。

DeepTech：如果說 to C 的話，人形是最好的形態(tài)嗎？

楊劍飛：在不同的 to C 場景中，不同結(jié)構(gòu)的機(jī)器人設(shè)計(jì)有著不同的優(yōu)勢，但如果討論的是通用型家用機(jī)器人，人形形態(tài)的適配性更強(qiáng)，大致體現(xiàn)在兩個(gè)方面。

其一是環(huán)境友好性與任務(wù)靈活性。家庭空間從本質(zhì)上就是按照“人”的尺度、動(dòng)作和可達(dá)性設(shè)計(jì)的。人形機(jī)器人能夠在相同的結(jié)構(gòu)中完成多樣任務(wù)，包括上、下臺階等輪式機(jī)器人難以處理的動(dòng)作；在海外大量家庭為多層 house 的情況下，這種能力尤為重要。因此，在開放家庭環(huán)境里，人形形態(tài)天然更具普適性。

其二是情感層面的可接受度。人們對小鵬機(jī)器人等產(chǎn)品產(chǎn)生關(guān)注，不僅因?yàn)槠洳綉B(tài)逼真，更因?yàn)槠渫庥^、材質(zhì)與比例在視覺與情感上帶來了擬人化的溫度。這種溫度并不必然來自技術(shù)本身，而是來自人形結(jié)構(gòu)、織物包裹等設(shè)計(jì)細(xì)節(jié)所營造的心理連接。正如科幻作品長期呈現(xiàn)的圖景，當(dāng)機(jī)器真正融入日常生活，人們往往希望它像一個(gè)人。

人形并非唯一解，但在通用家用機(jī)器人領(lǐng)域，它確實(shí)具備更強(qiáng)的環(huán)境適配性與情感親和力，這兩點(diǎn)共同構(gòu)成了它在 to C 市場的重要潛力。當(dāng)然人形不一定是雙足，這是更加細(xì)節(jié)的討論了。

中國“全都要” vs 美國“單點(diǎn)破”

DeepTech：從你的觀察來看，中美在自身智能的發(fā)展路徑上有什么差異？

楊劍飛：在中國，產(chǎn)業(yè)發(fā)展往往沿著供應(yīng)鏈自下而上展開。完整而高效的制造體系，使國內(nèi)迅速涌現(xiàn)出一批具身智能創(chuàng)業(yè)團(tuán)隊(duì)。許多公司由具備北美或國內(nèi)頂尖科研背景的研究者創(chuàng)立，將硬件基礎(chǔ)與博士階段積累的軟件與模型能力結(jié)合，形成較完整的技術(shù)鏈路。

但在與二十多家創(chuàng)業(yè)者交流后，我注意到一個(gè)普遍特征：我國的公司傾向于全鏈路式創(chuàng)新。從本體、感知、控制到大模型，甚至數(shù)據(jù)采集，幾乎所有環(huán)節(jié)都在一家公司內(nèi)自研。這種方式雖能構(gòu)建統(tǒng)一的平臺與獨(dú)立的生態(tài)系統(tǒng)，但也容易導(dǎo)致資源分散，難以在某個(gè)關(guān)鍵層面實(shí)現(xiàn)突破；加之供應(yīng)鏈成熟、造一臺機(jī)器人門檻降低，同質(zhì)化問題隨之加劇。

相比之下，美國生態(tài)的分層更為清晰。許多團(tuán)隊(duì)只專注某一技術(shù)層，如Physical Intelligence 主攻大模型、genesis 做仿真平臺、generalist 聚焦工業(yè)智能大模型等；硬件端則大量采購成熟的中國產(chǎn)品來驗(yàn)證模型能力。這樣的模式使創(chuàng)新資源得以集中，也更容易形成差異化。當(dāng)然，也有 Figure AI、Tesla Optimus 等選擇全棧路線的例外，但他們擁有少數(shù)團(tuán)隊(duì)才具備的資源規(guī)模。

在模型層面也呈現(xiàn)類似差異。目前最具影響力的開源模型仍來自美國體系，如 π 系列。國內(nèi)雖然不斷有模型宣布開源，我們實(shí)驗(yàn)室測試了部分模型也有不錯(cuò)的性能，但整體上聲量大于可用性，尚未出現(xiàn)一個(gè)能夠真正被社區(qū)采納、持續(xù)演進(jìn)的基礎(chǔ)模型。國內(nèi)缺乏長期維護(hù)開源項(xiàng)目、沉淀開源社區(qū)文化的土壤，也是原因之一。

從科研與產(chǎn)業(yè)雙重視角看，在開源模型能力上美國仍占優(yōu)勢；但中國在機(jī)器人硬件、供應(yīng)鏈和工程化效率上的領(lǐng)先同樣顯著，也正因如此，美國許多團(tuán)隊(duì)愿意直接采購中國本體。我也非常希望我國具身智能能有 DeepSeek 一樣的模型出現(xiàn)。

DeepTech：中國具身智能行業(yè)在高速發(fā)展的同時(shí)，也伴隨一定的過熱預(yù)期。你怎么看當(dāng)前行業(yè)的真實(shí)進(jìn)度與外界敘事之間的落差？

楊劍飛：當(dāng)然，中國的優(yōu)勢同樣十分突出，尤其體現(xiàn)在制造體系和工程化能力上。依托松山湖等地高度成熟的機(jī)器人供應(yīng)鏈，我們在硬件本體和人形機(jī)器人生產(chǎn)上的速度與成本控制具備全球競爭力：產(chǎn)品可以做得快、做得多、做得好，迭代周期也明顯短于海外。

這種差距在行業(yè)內(nèi)部也被越來越多的海外團(tuán)隊(duì)直接承認(rèn)。過去大家習(xí)慣說“做中國的特斯拉”、“做中國的谷歌”，而如今，美國創(chuàng)業(yè)者開始出現(xiàn)希望“做美國的宇樹”的說法，這本身就折射出中國硬件能力在具身智能時(shí)代的領(lǐng)先地位。

DeepTech：從產(chǎn)業(yè)結(jié)構(gòu)來看，從 2023 到 2025，機(jī)器人行業(yè)的熱度幾乎是指數(shù)級上升。在你看來，是哪些變量讓行業(yè)突然進(jìn)入加速度階段？

楊劍飛：過去這一波具身智能的熱度，并非偶然，我認(rèn)為真正的拐點(diǎn)出現(xiàn)在 2022 到 2023 年，其背后至少有三股力量共同推動(dòng)。

首先是大模型的出現(xiàn)。最初大家主要關(guān)注基于大模型的智能體與線上應(yīng)用，但機(jī)器人研究者很快意識到，大模型具備解決高層任務(wù)規(guī)劃的潛力。它不僅能生成動(dòng)作序列，還能為機(jī)器人提供通往開放世界的思考能力。這使得原本局限在封閉環(huán)境中的機(jī)器人，有了邁向通用智能的可能。

第二個(gè)關(guān)鍵變量是算力。大模型本身依賴算力堆疊，而機(jī)器人也在經(jīng)歷同樣的算力躍遷。例如英偉達(dá)近年來推出的 Star、Jetson Nano 等邊緣計(jì)算平臺，顯著提升了端側(cè)的 AI 運(yùn)行能力，推動(dòng)了自動(dòng)駕駛、AGV 和服務(wù)機(jī)器人等應(yīng)用的實(shí)際落地。

第三，是硬件與供應(yīng)鏈的成熟。以松山湖為代表的制造集群逐步形成，大疆等企業(yè)帶動(dòng)了上游零部件體系的完善，催生出割草機(jī)、泳池清潔機(jī)器人等上一代產(chǎn)品的商業(yè)成功。這些積累為今天的人形機(jī)器人奠定了基礎(chǔ)。

此外，國家層面的推動(dòng)同樣重要。春晚上連續(xù)兩年出現(xiàn)機(jī)器人，從側(cè)面體現(xiàn)了政策與社會層面對行業(yè)的關(guān)注，也幫助不少企業(yè)在關(guān)鍵階段獲得資源和認(rèn)知紅利。綜合制造優(yōu)勢與人才供給，我相信中國在具身智能領(lǐng)域具備真正實(shí)現(xiàn)突破、甚至領(lǐng)跑的可能性。

打造機(jī)器人的“ChatGPT 時(shí)刻”

DeepTech：另一個(gè)所有人都在關(guān)心的問題是數(shù)據(jù)。機(jī)器人數(shù)據(jù)的采集成本極高，也很不連續(xù)。你認(rèn)為合成數(shù)據(jù)會成為真正的解決方案嗎？還是說，數(shù)據(jù)要在未來以一種完全不同的方式被生成？

楊劍飛：在我看來，仿真數(shù)據(jù)和真實(shí)數(shù)據(jù)必然是兩條并行路線，各有優(yōu)勢也各有局限。仿真最大的好處是規(guī)�；菀�，但始終存在模擬與現(xiàn)實(shí)的差距；真實(shí)數(shù)據(jù)尤其是操作類數(shù)據(jù)采集成本高，但價(jià)值更直接、可遷移性更強(qiáng)。

近年來也出現(xiàn)了一些提升真實(shí)數(shù)據(jù)效率的方法，例如 UMI 通過統(tǒng)一夾爪，讓 generalist 和 Sunday AI 等團(tuán)隊(duì)可以快速擴(kuò)展真實(shí)數(shù)據(jù)規(guī)模。這說明真實(shí)數(shù)據(jù)并非不能擴(kuò)展，只是幅度無法像仿真一樣成倍增長。再比如最近 PI 發(fā)現(xiàn)大量的第一視角人類視頻訓(xùn)練可以促進(jìn)具身智能模型的“智能涌現(xiàn)”，而第一視角視頻相比于遙操作數(shù)據(jù)是更容易 scale up 的。

因此，大多數(shù)團(tuán)隊(duì)最終都會采用混合策略：預(yù)訓(xùn)練依賴大量仿真數(shù)據(jù)和視頻數(shù)據(jù)，具體任務(wù)和場景落地則必須回到真實(shí)數(shù)據(jù)進(jìn)行校準(zhǔn)。同時(shí)，世界模型的路線正在興起，讓模型在類似仿真的環(huán)境中繼續(xù)強(qiáng)化學(xué)習(xí)，成為第三條可補(bǔ)充的路徑。

行業(yè)的共識逐漸清晰：有效數(shù)據(jù)不會來自單一來源，而是多種數(shù)據(jù)形式的組合。未來的關(guān)鍵不在于簡單擴(kuò)大數(shù)據(jù)工廠規(guī)模，而在于探索新的數(shù)據(jù)范式，從而提高數(shù)據(jù)采集效率與利用效率。只有這樣，才能真正構(gòu)建出具有強(qiáng)泛化能力的具身智能模型。

DeepTech：如果機(jī)器人數(shù)據(jù)來自不同國家，它們是否會出現(xiàn)地域特性，甚至價(jià)值觀差異？

楊劍飛：這種情況在未來的確非常有可能出現(xiàn)，也正是當(dāng)下數(shù)據(jù)體系的核心短板之一。現(xiàn)階段的機(jī)器人數(shù)據(jù)收集往往是高度中心化的：數(shù)據(jù)通常來自同一地區(qū)、同一團(tuán)隊(duì)、同一種環(huán)境與交互方式，因此不可避免地帶有特定地域與文化的行為偏差。這使得模型難以獲得真正普適的行為模式。

如果具身智能要走向全球化，它的數(shù)據(jù)體系必須像互聯(lián)網(wǎng)一樣實(shí)現(xiàn)分布式采集，來自不同國家、不同文化、不同家庭與不同工作場景的真實(shí)數(shù)據(jù)共同匯聚，形成新的 Internet——機(jī)器人數(shù)據(jù)互聯(lián)網(wǎng)。只有在這種高度差異性的數(shù)據(jù)結(jié)構(gòu)下，才有可能誕生真正意義上的“機(jī)器人領(lǐng)域的 ChatGPT 時(shí)刻”。

否則，今天許多機(jī)器人系統(tǒng)所依賴的依然只是局域網(wǎng)級別的智能，它們在特定環(huán)境下表現(xiàn)良好，但難以跨文化、跨場景遷移。要突破這一限制，構(gòu)建全球化、分布式的數(shù)據(jù)流將是關(guān)鍵步驟。

DeepTech：基礎(chǔ)模型開源與否，會決定行業(yè)走向。你認(rèn)為開源基礎(chǔ)模型，會加速具身智能的發(fā)展，還是反而帶來新的不確定性？對于做機(jī)器人系統(tǒng)的人來說，開源意味著機(jī)會還是隱患？

楊劍飛：開源無疑會加速行業(yè)發(fā)展，也會帶來大量不確定性。但在技術(shù)探索的早期階段，這種不確定性本身就是創(chuàng)新的源頭。以數(shù)據(jù)采集為例，UMI 提供了一個(gè)開源夾爪，隨后社區(qū)迅速基于這一接口展開改進(jìn)：有人直接使用比如 Generalist，有人將其改造成三指靈巧手例如 Sunday AI，開源硬件的啟發(fā)性在這里得到充分體現(xiàn)。

軟件層面更是如此。圍繞 PaLM-E、PaLI-X 或 π 系列模型的微調(diào)與改造已經(jīng)遍布學(xué)術(shù)界。盡管許多工作只是小規(guī)模實(shí)驗(yàn)或分?jǐn)?shù)優(yōu)化，但確實(shí)也有研究在模型接入新模態(tài)、更高效的數(shù)據(jù)利用、以及強(qiáng)化學(xué)習(xí)訓(xùn)練等方向取得實(shí)質(zhì)性進(jìn)展。因此，在機(jī)器人領(lǐng)域，開源基礎(chǔ)模型的價(jià)值甚至比在純軟件領(lǐng)域更大，因?yàn)樗軌蛲瑫r(shí)撬動(dòng)硬件、算法、數(shù)據(jù)和應(yīng)用多個(gè)層面的創(chuàng)新。

我們也可以從行業(yè)的成功案例看到這一邏輯。宇樹的人形機(jī)器人之所以迅速普及，是因?yàn)閹缀跛袊业膶?shí)驗(yàn)室都會至少采購一臺；PaLM-E、π 系列模型之所以成為研究基礎(chǔ)，是因?yàn)榇罅抗ぷ鞫冀⒃谒鼈冎�；在大模型領(lǐng)域，Llama 和 DeepSeek 系列發(fā)布后一年內(nèi)便積累了龐大的社區(qū)貢獻(xiàn)。

一家公司的資源再多，它能專注的范圍依然有限。但當(dāng)它以開源方式激發(fā)了研究社區(qū)的創(chuàng)造力，社區(qū)基于其架構(gòu)所衍生的成果反過來又會強(qiáng)化其技術(shù)生態(tài)。這正是開源在機(jī)器人時(shí)代尤其關(guān)鍵的原因，也是推動(dòng)企業(yè)最終取得成功的重要路徑。

DeepTech：近期，多所高校開始討論是否應(yīng)該設(shè)立“具身智能”本科專業(yè)。作為長期從事該領(lǐng)域科研和教學(xué)的研究者，你怎么看待本科階段培養(yǎng)具身智能人才的可行性？

楊劍飛：長期以來，一個(gè)常被討論的問題是：機(jī)器人行業(yè)發(fā)展多年，為什么高校中真正設(shè)立機(jī)器人本科專業(yè)的并不多？

核心原因在于，機(jī)器人是高度系統(tǒng)化的工程領(lǐng)域，涵蓋機(jī)械、電子、控制、自動(dòng)化、計(jì)算機(jī)等多學(xué)科。本科階段如果課程設(shè)計(jì)不夠聚焦，學(xué)生很容易學(xué)得很雜，卻沒有哪一項(xiàng)真正學(xué)深。因此，無論國內(nèi)還是海外，關(guān)于是否要在本科階段開設(shè)機(jī)器人專業(yè)一直存在爭議。

過去十多年，我認(rèn)為更加推動(dòng)機(jī)器人教育進(jìn)步并培養(yǎng)學(xué)生實(shí)踐能力的，其實(shí)不是課程，而是競賽。系統(tǒng)化的比賽機(jī)制讓學(xué)生必須在團(tuán)隊(duì)中完成整機(jī)設(shè)計(jì)、調(diào)試與迭代，這種做出來的訓(xùn)練方式遠(yuǎn)比課堂更能塑造一個(gè)準(zhǔn)機(jī)器人工程師。我在大疆參與 RoboMaster 比賽系統(tǒng)測試時(shí)就明顯感受到，全棧型人才往往來自高校頂尖戰(zhàn)隊(duì)。

因此，本科專業(yè)更多是一種組織框架，而真正決定學(xué)生能力的，是他們是否有機(jī)會參與系統(tǒng)級工程，把一個(gè)機(jī)器人從零做成可運(yùn)行的產(chǎn)品。在這個(gè)意義上，機(jī)器人教育的核心不在課程，而在工程實(shí)踐本身。