騰訊張正友：具身智能必須回答的三個「真問題」

7 月 27 日，騰訊發佈了具身智能開放平臺 Tairos，以模塊化的方式向行業提供大模型、開發工具和數據服務，試圖爲具身智能的研發和應用提供一套通用的支撐體系。在 Tairos 問世之前，騰訊 Robotics X 實驗室已在具身領域探索七年多。從多模態四足機器人 Max 到輪腿機器人 Ollie，從靈巧手 TRX-Hand 到人居環境機器人原型小五，這些自研項目不僅是技術展示，更是其探索感知、規劃、控制、硬件設計等全棧機器人技術的載體。如今，將七年積累沉澱爲一個開放平臺，這一舉動本身便值得深思。在具身智能的技術路線尚無定論，產業模式快速發展的背景下，騰訊的平臺化路徑，既是對行業現階段挑戰的迴應，也預示了其對未來生態的佈局。發佈會後，騰訊首席科學家、Robotics X 實驗室主任、福田實驗室主任張正友博士接受了機器之心的專訪，深入剖析了這一戰略選擇背後的三個核心問題：架構、原理與定力。端到端 vs 分層： 爲什麼說分層架構是當下更務實的路徑機器之心： 當前具身智能技術路徑尚無定論，業界對於「端到端」與「分層架構」的路線選擇爭議頗多。您主張分層架構，能否進一步闡述層與層之間的功能邊界如何劃分，這些邊界是固定不變的，還是會根據任務的複雜度和緊急程度進行動態調整？更重要的，「小腦」在物理交互中獲得寶貴經驗（比如一次失敗），這個知識是如何反饋、反哺給「大腦」，從而實現整個架構的自我學習與進化？張正友： 這是一個非常深刻且直擊要害的問題，它觸及了當前具身智能領域最核心的哲學思辨與工程實踐的交叉點。要回答這個問題，我們必須先理解理想與現實之間的差距。首先，我們來談談爲什麼選擇分層，這本質上是一個效率與現實的權衡。在理想狀態下，一個擁有無窮多高質量數據的端到端模型，或許是通往通用人工智能的終極路徑。理論上，如果分層架構確實是最高效的組織形式，那麼 一個足夠強大的端到端模型在海量數據的訓練下，應該會自發地、內生地演化出類似分層的結構 。這就好比一個全連接的神經網絡，如果某些連接是冗餘的，在充分訓練後，它們的權重會自然趨近於零，從而形成事實上的稀疏連接和功能分區，也就是我們所說的「層」。這個邏輯同樣適用於混合專家模型（MoE）。在理想狀態下，一個巨大的、全連接的模型，爲了追求低能耗和高效率，最終也應該會演化出「專家系統」，也即在處理特定任務時，只有部分網絡被激活。但現實是，我們永遠沒有理想狀態下的無窮數據。用有限的數據去訓練一個參數量動輒萬億且全連接的模型，其難度和成本是天文數字。這也是爲什麼現在主流的大語言模型會採用 MoE 架構。因此，我們選擇 分層，本質上是將人類對智能結構的先驗知識主動注入到模型架構中 。就像我們知道人腦有左右腦分工，有不同腦區負責不同功能一樣，我們預先設定感知、規劃、行動這樣的分層，是一種高效的引導，它能顯著降低模型學習的難度，減少對數據的依賴，提升整體訓練效率。其次，關於你問到的邊界劃分與知識反饋閉環。我們提出的 SLAP³ 架構，包含多模態感知模型（右腦）、規劃大模型（左腦）以及感知行動聯合大模型（小腦），其邊界並非靜態的，在處理不同任務時，各層之間的協作模式和信息流權重是動態變化的。