对话腾讯张正友：AI仍是“缸中之脑”

过去两年来，具身智能如火如荼，“加速商业化”成为行业发展的一大标签。2026世界人工智能大会（WAIC）上，机器人们更是上演“十八般武艺”。

但火热表象之下，具身智能的实际能力还是与外界期待存在差距，且在落地场景及本体形态上存在同质化问题。

在WAIC期间的媒体交流会中，腾讯首席科学家、腾讯Robotics X实验室、福田实验室主任张正友对华尔街见闻等媒体表示，具身智能还在起步阶段，真正的落地比较少，所以大家都找哪一些场景能真正让具身智能发挥作用，到最后找到的场景可能都差不多。

不过，张正友认为这不一定是坏事，大家对落地要有信心。“任何行业起步的时候都有非常多企业参与进来，但是后面会大浪淘沙，所以我觉得这不会阻碍这个行业发展。”

对于机器人落地的场景，张正友多次提到看好养老场景，但他也认为养老场景是最难的。

就现在比较受关注的超仿生人形机器人而言，张正友则告诉华尔街见闻，腾讯没有涉足相关领域。在他看来，情绪价值不一定要通过超仿生的方式来提供，要从第一性的原理去思考。

早在2018年，腾讯Robotics X实验室就成立了，致力于机器人前沿技术的研究与应用。

这轮具身智能的发展虽然火热，但腾讯也始终强调自己的参与边界。2025年初，腾讯董事会主席兼首席执行官马化腾就曾表示，腾讯希望成为所有机器人厂商的合作伙伴，而不是取而代之做硬件，这和腾讯的整体战略目标一致。

也正是在此背景下，2025 WAIC期间，腾讯正式发布了具身智能开放平台Tairos“钛螺丝”，这是国内首个以模块化的方式提供大模型、开发工具和数据服务的具身智能软件平台，通过即插即用的方式面向机器人行业开放。

据悉，去一年，腾讯Robotics X 实验室已与宇树、智元、越疆、松延动力、乐聚、华沿等机器人企业以及博世、蓝思、景德镇、敦煌等场景合作伙伴，探索具身智能在不同机器人、不同产业场景中的落地。

在2026 WAIC期间，腾讯又发推出了具身智能系列新模型和智能体新成果，首次系统性地打通“感知—身体—行动”的闭环。

张正友解释道，这是沿着一道主线展开的产品，先让智能看懂物理世界，再让它想象目标状态，最后把想法变成稳定的动作——然后，把这些能力整合成持续在线、可复用的智能体。

据悉，腾讯本次发布的具身基座模型包括Hy-Embodied-VLM-1.0、Hy-Embodied-RxBrain-1.0 和 Hy-Embodied-VLA-0.5，这三个模型都基于混元大模型打造。

具体来看，VLM 模型像“右脑”，负责理解图像、空间和场景；RxBrain 模型像具身“大脑”，统一认知、规划和对未来状态的想象；VLA 模型连接“小脑”和身体，把高层目标转化成连续的、可纠错的动作。

据悉，Hy-Embodied-VLA-0.5的核心竞争力不是训练一个更大的模型，而是构建“数据—模型—训练—部署”协同发力的完整学习栈，通过亚毫米级高精度 UMI 采集系统积累超一万小时人类示教数据。

张正友指出，真正的智能，需要让语言、视觉、空间认知、身体控制和环境反馈连通起来，在“感知—身体—行动”的闭环里接受验证。

这其实也正是腾讯 Robotics X 探索具身原生智能的基本思路：从离身走向具身，从分裂的模块走向整体的闭环。

在张正友看来，今天最聪明的人工智能，本质上还是“缸中之脑”。过去几年，大模型的进展令人惊叹，但是，一旦进入真实世界，问题就来了：它未必真正理解物体的位置、空间关系和可操作性；也很难在一个持续变化的环境里，一边行动、一边接收反馈，再及时地做出调整。

“这就像是一个被养在缸里的大脑——拥有丰富的知识，却没有身体，也缺少和世界直接互动的闭环。我们把这种状态叫做‘离身智能’。”

具身智能数据稀缺是阻碍具身智能变聪明的关键因素。

张正友指出，在具身智能数字金字塔中，最下面的一层是互联网数据，上面一层是第一人称视角操作视频，第二层是带传感器手套收集的数据，最顶层则是遥操作数据。遥操作数据虽然采集效率低，但被视作用来训练机器人效果最好的数据。

此外，张正友表示，机器人训练所需数据包括网络视频、第一人称视角操作视频、带传感器手套收集的数据、遥操作数据。要让机器人经由训练变得更智能，这四类数据需要打通。

与大语言模型技术栈已经收敛到一个大家都认可的范畴不同，张正友表示，具身智能模型的技术方案尚未达成共识，去年业界兴起VLA（视觉语言动作模型）范式，今年则在在谈论世界模型，Hy-Embodied-RxBrain-1.0就是腾讯在世界理解模型上的探索。