文｜王磊
编辑｜秦章勇
首个真正意义上具备复杂交互能力的机器人，出现了。
它的创造者就是此前从华为离职的天才少年——曾经带着各种硬核DIY作品火遍全网的男人——稚晖君。
3月11日，智元机器人联合创始人稚晖君（彭志辉）发布视频称，这鸽了2年之后，第一次正儿八经地更新视频。
在视频中，他正式介绍了智元最新研发的双足智能交互人形机器人——灵犀 X2。
除了常规的行走、跑、跳，X2还点满了运动天赋，不仅能举重蹲起，还能踩滑板车，甚至还能自己骑自行车。
有“人味儿”的机器人
作为 X1 的“全能小老弟”，灵犀X2同样是由智元半年前成立的机器人实验室 X-Lab 打造出来的，而且从X1到X2的研发，仅用了三个月。
和之前发布的原型机器人X1一样，X2全身一共28个自由度，体重为33.8千克，身高1.3米左右，当然，X2的本体设计还新加入了大量的技术创新思考。
比如，重新设计的机电关节模组，在全身28个的自由度中，没有使用到任何一个并联结构，这就意味着能实现传动链的完全解耦。
X2 还将机器人的硬件系统抽象为一系列可复用的核心组件，包括小脑控制器 Xyber-Edge、域控制器 Xyber-DCU、智能电源管理系统 Xyber-8MS，以及经过“茫茫多”迭代的核心关键模组 Power Flow 等。
也就是说，通过这样模块化的组件设计，就可以像通过飞控，攒一台无人机航模一样，快速搭建起各种形态的人形机器人系统，这也是为什么X1原型机到X2研发这么快的原因之一。
在稚晖君看来，机器人并非一定是钢筋铁骨，因此他们尝试了大量的柔和材料，像TPU、ETPU、EVA 等多种材料，他们甚至考虑了用美妆蛋作为机器人的材料。
稚晖君表示，灵犀 X2 集三重角色于一身——不仅是一款支持高自由度、运动能力的双足人形机器人，还是一款搭载情感计算引擎的智能交互机器人，以及一款初步具备通用任务执行能力的具身机器人。
高自由度和任务执行能力都不难理解，其搭载的情感计算引擎，通俗的来讲就是更有“人味儿”了。
稚晖君表示，当前足式机器人的运动控制已经全面从传统的 Model based 转向 Learning 驱动的强化学习。
通过结合深度强化学习和模仿学习算法的优势，X2 可以不断的学习和进步，不仅学会了像人一样自然的走路，还能流畅地跑步和转弯，甚至还能跳科目三....
当然就像人一样，在学习的过程难免也会学到“抽象”一些的东西，X2也不例外。
比如在训练初期一不小心学“歪”了，有把跳跃当做平时移动方式的，还有一言不合就躺地上“摆烂”的，甚至还有被官方鉴定为“性格暴躁，爱跺脚”的另类机器人。。。
除了常规的行走，跑，跳外，为了偷懒，X2还能学会使用各种人类的懒人工具，比如踩滑板车，平衡车代步，甚至自己骑自行车。
为了让 X2 更有“人味儿”，智元团队增添了不少细节，比如灵犀X2能模仿人类呼吸韵律、具备人类好奇心和注意力机制、会一些“抖腿”小动作的肢体语言等。
目前，X2 仍在不断学习和进步。通过数据驱动的算法范式，智能机器人能够从每秒数万次与环境的互动和动作数据中，找到克服动作限制的方法，稚晖君表示，我们相信人形机器人的运动智能问题很快会得到彻底的解决。
能力进阶
作为一款人形机器人，光四肢发达还不行，头脑也不能简单，交互智能和作业生产必不可少。
在交互方面，借助当前最火热大语言模型技术，智元团队还为 X2 训练了定制的多模态交互大模型——硅光动语，从字面上，“光动语”分别代表着，视觉，动作，语音。
在这个大模型的加持下，灵犀X2也被稚晖君称为“第一台真正具备复杂交互能力的灵动机器人”。
在此基础上，通过边缘侧大脑和端到端模型架构，以及一系列工程优化，灵犀 X2 具备了毫秒级交互能力。
比如坐下聊天可以对答如流，面对“你是谁，你从哪来的，你存在的意义是什么”的人生三问，X2 都能顺畅回答。
当 X2 被问及它和狗同时掉水里，应该先救谁，会毫不犹豫地回答道先救狗，“因为它需要帮助，自己没事。”
最有意思的是，当稚晖君提问灵犀 X2“刚刚提的问有多少是预先写好的”，X2的语气还颇为得意，回答道“完全随机”。
基于 Diffusion 的生成式动作引擎，使得这款机器人不仅四肢协调，思维也颇为敏捷。
除了具备听觉和语言的交互能力，基于 VLM 的硅光动语多模态模型还能让 X2 通过视觉来理解和认识世界，识别眼前物体不在话下。
比如稚晖君拿出手机让 X2 自己看现在几点了，X2 能准确的回答出时间，还给睡不着的稚晖君推荐了牛奶，理由是有助于睡眠。
甚至还能真的“看到”物体上的小字，给稚晖君现场教学了一把。
情绪价值拉满的同时，稚晖君表示“我们的终极期待，是希望机器人能够成为构建社会生产力的重要分母”，也就是具备一定的生产能力。
据稚晖君介绍，过去一年里，他们初步找到了一条通往泛化作业智能的路径，根据这些成果，他们也把操作智能的能力也迁移到了 X2 上。
在本体层面，X2 的本体支持很好的柔性阻抗控制，可以装配包括灵巧手在内的各种末端，使得其具备精细操作的能力，“针穿葡萄”的神技又重现江湖。
其次，在机器人的具身智能方面，团队也开源了业界最大之一的具身真机和仿真数据集。并提出了 RoboDual 的大小脑系统架构，以及刚刚发布的 ViLLA 架构具身基座大模型「启元」。
这也使得 X2 初步具备简单任务中对操作物体的零样本泛化能力，并在某些任务中实现多机协作，比如相互充电。
在视频的最后，稚晖君作为灵犀X2亲爹，像望子成龙一样，给了它一个最终的期望，就是希望作业能力可以外溢到日常生活的方方面面，实现机器人的“吉祥三保”---
就是保安、保姆和保洁。
神之一手
灵犀X2能够拥有“情感”、能够进行各类复杂任务，离不开智元机器人前一天发布的具身基座模型 GO-1。
GO-1 全称 Genie Operator-1，GO-1的发布，标志着机器人从“单一任务工具”正式迈向“通用智能体”。
在工厂，它能灵活切换装配、质检、物流等工种；在家庭，它可以从整理玩具进阶到辅导孩子作业；甚至在未来，机器人可能通过观看教学视频，自主学会维修电器。
GO-1 的一大黑科技就是开创性地提出了 ViLLA（Vision-Language-Latent-Action）架构，其整合了“两大模块”，三个“大脑”。
首先是多模态大模型（VLM），通过海量互联网图文数据训练，赋予机器人通用场景感知和语言理解能力，可以将其称之“视觉大脑”，靠刷遍全网图文，学会认杯子、桌子、咖啡机，甚至能听懂你喊“给我整杯82年的拉菲”。
另外还有专家混合模块（MoE），这其中又包含两个关键组件：
首先是规划层面上，隐式规划器（Latent Planner）生成任务链，优化任务执行流程，利用跨本体和人类操作视频数据，学习通用的动作理解能力，可以将其称之为“动作大脑”。
比如，可以将复杂任务分解为一系列可执行的子任务。以 “挂衣服” 为例，机器人需分解为抓取衣架、调整角度等步骤，并根据实际情况灵活调整执行顺序和参数，确保任务的高效完成。
另外，就是“抠细节小能手”（Action Expert），在执行层面上，基于百万级真机数据生成精细动作序列，使灵犀 X2 的动作更加流畅、精准。例如，在倒水任务中，误差可控制在 ±3ml 内，满足日常生活和工业生产的高精度操作需求。
这几个部分协同工作，使模型能够通过人类视频进行小样本学习，并快速泛化到新任务和新环境中，实操证明，这套架构下的能力确实不错。
在五项复杂度不同的任务测试中，GO-1 的平均成功率较现有最优模型从46%提升到了78%，尤其在倒水、清理桌面和补充饮料等任务场景中表现突出。
更为关键的是它的进化速度，GO-1支持跨本体数据共享，这意味着每台机器人的经验都能反哺系统。假设一个机器人学会拧螺丝，那么其他机器人立刻能同步技能。
智元机器人也计划年内推出基于强化学习的Foundation Model，进一步释放机器人的自主决策潜力。
按照他们的设想，五年内要让机器人走进客厅，或许用不了多久当你推开家门，迎接你的将是一个正在忙碌的机器人了。
