无问芯穹首席技术官李伯勋告诉记者，他们用的是一个国产开源模型，可以把机器人的能力包装成“大脑”的技能池，从中选择一个合适方案实现最后的任务。推理效率跟开源方案相比提升数倍甚至数十倍。

　　李伯勋表示，他们通过96台机器人的群体经验学习，在手机包装、衣服折叠等复杂任务上甚至超过人类操作员的水平。每一台机器人的成功经验或者失败经验，都会成为下一台机器人能力的提升支撑。他们正在与业内合作完善从机器人纳管到训练、部署的全链条。

　　“快慢双脑”云协同

　　人形机器人多个任务一起做

　　在广东广州的一处展会现场，记者看到人形机器人还能根据订单需求，在等待咖啡制作的间隙，再取一份冰淇淋，实现多任务的自主排程和并行操作。

　　相关负责人介绍，他们采用的是一套“快脑+慢脑”的架构，把不同大小、类别的模型，根据需要分别部署在机器人端侧和云上。

　　中国移动杭州研发中心副总经理程宝平表示，如果人要抓一个杯子，可能在一秒或者几十毫秒之内就拿走了。但对机器人来说，云上的模型所做的决策结果还没有返回到端侧，机器人反应不过来，不知道杯子已经被拿走了。未来如果网络、模型能力变得非常强以后，就能形成以云为主、以端为辅的结构。

　　物理AI发展面临哪些瓶颈？

　　与近几年图文、视频类AI大模型快速普及的情况不同，物理AI的发展面临的瓶颈和问题是训练数据和网络底座。