银河通用创始人兼CTO王鹤对具身智能的看法和技术路线几个核心观点：
* 具身智能发展早期，技术路线充满挑战： 王鹤认为，具身智能目前尚处于发展初期，虽然技术已初现曙光，但未来充满无限可能性。对于创业公司来说，每个关键的技术选择都像是“基于技术自信的豪赌”。
* 训练数据是行业核心难题，合成数据是高效解决方案： 机器人行业最大的问题是缺乏训练数据，且对数据路线存在巨大分歧（英伟达主推合成数据，谷歌DeepMind坚持真实世界遥操数据）。王鹤坚持采用高质量合成数据进行VLA大模型预训练，认为这种方式比大规模真实机器遥操作更高效。银河通用最新发布的Galbot机器人搭载的VLA大模型，就使用了99%的合成数据和1%的真实数据进行训练，并在复杂场景下成功展示了高精度抓取能力。
* VLA大模型是机器人“进化”的关键，实现端到端操作和泛化能力： VLA（Visual-Language-Action）大模型对机器人进化具有重要意义，它能够直接从视觉观测和自然语言指令中端到端地输出动作，无需中间产物，显著提升了机器人的扩展性和泛化能力。银河通用今年的Galbot机器人正是通过VLA大模型重构了整个系统，使其在更复杂的商超环境中能够稳定抓取多种异形包装物体。
* VLA模型需不断融入新模态以达到人类级别智能： 尽管VLA是端到端大模型的重要尝试，但目前主要依赖视觉输入。王鹤指出，要达到人类级别的具身智能，VLA模型未来还需要不断融入味觉、触觉、嗅觉、听觉以及对温度的感知等新模态。
* 聚焦“原子动作”打造产品级VLA，加速商业化落地： 银河通用VLA技术路线的重点是聚焦于通过视觉模态反馈就能完成的“原子动作”（如抓取、放置、移动、导航），并将其训练为具备跨场景、跨物体自由泛化能力的基础模型（foundational model）。这种端到端的Mobile Pick-and-Place大模型，旨在覆盖工业与商业场景中的高频任务（如搬运、分拣、补货/卸货），从而加速具身智能的商业化落地，而非追求“多样技能”但缺乏稳定性的研究模型。
* 单一大模型实现所有操作仍是未解之谜： 关于未来机器人能否用一个大模型实现所有操作，王鹤认为这类似于人脑的“快系统”和“慢系统”。VLA更接近快系统，负责快速响应和动作规划。如果任务涉及复杂的推理和动作生成交互，是否需要单一系统、双系统或层级化系统，目前没有确定答案。他指出，如果能突破大模型在快慢速度之间的切换，或许能用一个大模型类比人脑。
* 数据是VLA模型竞争的关键： 从模型架构来看，各家VLA团队的思路大同小异，但在王鹤看来，当前竞争的胜负手不在于模型架构，而在于“究竟能用哪些数据充分训练VLA”。
（来自腾讯科技最新采访）
