Full text · 原文
4,051 字
Jay 发自 凹非寺<br>
量子位 | 公众号 QbitAI<br>
嚯！先是OpenClaw玩转互联网，这下春晚也被机器人占领了。<br>
打开电视，到处都是机器人，简直成了一场硅基生物狂欢节。<br>
宇树、魔法原子、银河通用……各家机器人轮番上阵，引得家里客厅惊呼连连。<br>
确实很难想象，明明去年还在扭秧歌，今年居然已经发展成了这样子。<br>
但要说印象最深刻的，还得是松延动力的这个小品节目，《奶奶的最爱》。<br>
蔡明老师的大孙子们——西天取经四「人」组，闪亮登场！<br>
当时这四位一立正，我一看，就寻思最右边这小家伙不简单。<br>
不仅衣服是本命红，还戴个红色小棉帽，估计是最受偏爱的「大孙子」。<br>
也确实不怪节目组偏心，这个小奶音，配上拽拽的走路姿势，实在太萌了。<br>
但可别被它的外表轻易蒙蔽，最受奶奶偏爱的「孙子」，说话可是相当不饶人。<br>
你确实是个笑话！<br>
对了，亦庄机器人马拉松上的「小孩哥」也在，这次还是双胞胎。<br>
讲着讲着，咵一下给观众来了个后空翻。<br>
下面更是重磅，千算万算没算到，会有个和蔡明老师长得一模一样的机器人出现……<br>
很难想象，这要是去年的我，看到2026年春节的自己窝在沙发上——<br>
嗑瓜子的手停滞在半空中，目瞪口呆地看着这一个比一个离谱的机器人，会是什么想法……<br>
春晚幕后大揭秘<br>
线上终究隔了层屏幕，为了检验这些机器人在节目下的真实表现，量子位特意近距离给大家伙瞅了瞅。<br>
看，这就是春晚开场登台的，蔡明老师的宝贝大孙子组合！<br>
台上表现很chill，其实训练相当刻苦，天天搁这猛猛排练节目。<br>
令人印象深刻的是，相比节目上，「小孩哥」在线下的冲击力明显强很多。<br>
小身体大能量，而且有声音的加成，机器元件在空翻时碰撞的听感非常清脆。<br>
听松延动力的工作人员说，「小孩哥」每天的日常就是随地大小翻，室内翻完马路翻，马路翻完草坪翻。<br>
为了给观众表演一次成功的空翻，「小孩哥」承受了太多它这个年龄不该承受的东西…<br>
接下来，要给大家着重介绍，这次春晚松延动力大家族中，我个人最喜欢的机器人——小布米。<br>
对，就是节目上一身本命红，脑袋上系个大棉帽的「小奶娃」。<br>
这是全球首款万元级机器人，售价9998元起。<br>
特别迷你，身高不到一米，跟刚学会走路的小朋友差不多。<br>
配合上这劲爆的舞姿，实在太萌了。<br>
最让我惊喜的，是它的语音交互。<br>
当时工作人员让它讲了个冷笑话。<br>
要不是现场人太多，我真有点要蚌埠住了。关键谁受得了它这样「一本正经」地调侃企鹅啊。<br>
问了下才知道，奶声奶气的小布米背后，原来是AI界的「小品女王」——豆包。<br>
没错，它俩底层都是豆包大模型。<br>
虽然个头小小，但智商真不容小觑。<br>
我们在现场考了它那个困扰无数顶尖AI的「洗车悖论」：<br>
家离洗车店800米，我应该开车还是走路去？<br>
本来没抱啥希望，结果——它居然答对了！？<br>
平时没少和AI语音聊天，但亲眼看到这么小一个机器人，用奶声奶气的萌娃音跟你说话，真的很不一样。<br>
EQ也很高。<br>
当听到有人说「和朋友吵架了」，小布米没有一上来就讲大道理，而是先共情：「一定很难受吧。」<br>
还拿「牙齿和舌头」打比方，说好朋友闹别扭很正常，建议等气消了好好聊聊。<br>
大过年的，咱就不要搞硬核技术测试了。<br>
量子位托小布米祝大家马年快乐，「快乐马不停，每天都马力全开」！<br>
不错不错，咱也算是第一波收到硅基生物定制拜年的人类了。<br>
松延动力x火山引擎，大脑与身体的强强联手<br>
2025年底，松延动力发布了首款万元级人形机器人小布米Bumi，面向ToC启动了量产。<br>
但光有硬件还不够。要想真正交付给消费者，小布米必须能自然地和人交互。<br>
毕竟，目前家庭场景里，机器人的核心角色还是「陪伴」。如果不能说话、听不懂指令，体验会大打折扣。<br>
语音是消费级机器人的关键入口。不管是陪聊、跳舞，还是日常互动，几乎都得靠对话来触发。<br>
这也正是火山引擎和松延动力达成合作的重要契机。<br>
没想到的是，在正式交付前，春晚成了第一个实战考场。<br>
松延动力的节目比较特殊，它不是纯表演型，而是语言类，高度依赖实时对话和角色互动。<br>
而在真人陪聊、角色扮演这一块，豆包应该是当之无愧的「女王」了。<br>
于是双方一拍即合，把这套方案搬上了春晚舞台。<br>
具体来说，火山引擎为「演员们」定制了一套端到端的豆包语音交互全家桶，核心是三个环节：ASR（语音识别）、LLM（大语言模型）、TTS（语音合成）。<br>
先看ASR。<br>
这个环节直接影响模型智商的下限。识别出了问题，LLM再聪明，回复也是牛头不对马嘴。<br>
火山引擎为松延动力配的豆包语音识别模型2.0，是一双会「思考」的耳朵。<br>
打个比方，一般来说，当你提到苏辙被贬的「筠州」，普通模型很容易听成其他同义词，比如「云州」或「郓州」。<br>
人类通常不会犯这种错误，只要有一定的上下文，我们就能反应过来——<br>
「噢，现在在聊苏辙，那应该是筠州。」<br>
豆包的语音识别便参考了这种真人交互习惯。<br>
接下来便交由LLM组织语言，采用的是豆包大模型。<br>
这点就不多做赘述了，大家日常都体验过。<br>
一旦LLM开始输出第一个Token，TTS便开始同步生成语音，边生成边播放。<br>
当然，让人感受最直观的，肯定还是听到声音出来的那一瞬间。<br>
这次春晚用的是豆包语音合成模型2.0。<br>
相比传统模型，豆包在文本的情绪演绎上下了更多功夫，比如语气、语调、停顿等。<br>
这层额外的情绪信息，是豆包的「人味秘方」。<br>
不仅音色还原度高，更能根据当前对话内容，选择最合适的「声音表演」方式。<br>
可能有人会说：这套「听见-思考-说话」的闭环，火山引擎上不是早就有现成方案了吗？<br>
理论上没错，但要达到春晚级别的效果，不是调个API就能搞定的。<br>
最直观的差异来自输入端硬件。<br>
机器人的摄像头分辨率不如手机，麦克风阵列布局、收音结构也不同。这些都得重新适配和优化。<br>
更大的挑战是使用场景。<br>
平时你用手机和AI聊天，嘴离麦克风就十几厘米；但在家庭场景里，人和机器人往往隔着一到两米，甚至更远。<br>
而春晚舞台？更是地狱级难度：演员站位不固定、环境噪音嘈杂、网络信号波动……<br>
并且几乎零容错，全国观众盯着的。<br>
为了保证节目效果，火山引擎直接开启「爆肝模式」，专门打造了一套春晚定制版实时音视频方案，负责语音数据的采集、处理和低延迟传输。<br>
在此基础上，还叠加了多项黑科技：3A降噪、VAD打断、声纹识别……<br>
可以说，为了让机器人在台上博观众一笑，火山引擎在背后都快转冒烟了。<br>
最终效果大家也看到了。整体时延控制在1秒以内，已经接近人与人对话的自然状态。<br>
不过，费这么大功夫，如果只是为了和机器人聊天，有点杀鸡用牛刀。<br>
具身形态的真正价值，在于它可以把语言和肢体动作结合起来。<br>
举个例子。<br>
当一个小朋友放学回家，郁闷地站在门口叹气：<br>
「我今天考试考砸了。」<br>
如果只是个智能音箱，或许只能说——<br>
「没关系，我们一起看看哪里可以改进」。<br>
但如果是小布米，它可以慢慢走到孩子身边，伸出「圆手」，轻轻拍拍他的肩膀。<br>
这一刻，肢体接触传递的温度，是再多文本Token也换不来的。<br>
具身智能正在走向消费级<br>
自去年夏天的WAIC以来，关于人形机器人是不是泡沫的争论，几乎没停过。<br>
但另一方面，这恰恰也说明，机器人在公众视野里的出现频率越来越高，迭代速度越来越快，已经到了无法被忽视的程度。<br>
去年春晚，人形机器人还只是在台上转个手绢；<br>
今年呢？遍地开花，连小品都安排上了。<br>
尽管如此，开怀大笑之后，仍然无法避免那个灵魂之问：<br>
我们真的需要讲小品的机器人吗？<br>
对此，松延动力创始人姜哲源的回答是：<br>
技术存在的意义，从来都不只有帮人类干活。<br>
在他看来，对于所有产品，价值都可以分为两种，实用价值和情绪价值。<br>
很多消费品都不能干活，它们存在的意义，就是让人开心。<br>
机器人也一样。<br>
能端茶倒水当然最好，但如果它能陪伴老人、安慰小孩、甚至让你笑出声，那也是一种真实的价值。<br>
更何况，对消费级市场而言，机器人也并不是只能提供情绪价值。<br>
K12教育，便是松延动力正在重点探索的下一个落地方向。<br>
以编程为例，有一个硬件载体，孩子能更直观看到代码-动作的映射，会如何影响现实世界。<br>
这种即时、具象的反馈，是屏幕给不了的。<br>
而人形，本身就是人类科技最前沿、也最浪漫的想象。<br>
小布米支持图形化编程，通过拖拽式编程软件，孩子可以给机器人设定这样一个任务：<br>
在父母结婚纪念日时，从房间里走出来，比一个心。<br>
姜哲源表示，有一个机器人在家里，对拓宽孩子的视野有很大帮助。<br>
如果孩子从小就接触人形机器人，他对这些领域的感知，会比同龄人早好几年。<br>
事实也印证了松延动力的思考。<br>
从一线反馈看，无论是家长还是学校，对教育机器人都有非常强烈的需求。而这些需求，都是现有技术已经能满足的。<br>
过去，人形机器人的落地场景，主要还是两类：商演和科研。<br>
但这两条路，都算不上「长坡厚雪」。<br>
商演天然有边际效应递减。<br>
第一次看很惊艳；第二次，还不错；但第三次，就不禁想问「它啥时候能去工厂拧螺丝？」<br>
相对而言，科研要坚固一些。但场景集中在高校，天花板很大程度上取决于学校预算。<br>
而且，科研存在周期性波动，一旦热度下降，需求回落得也会很快。<br>
教育，可能是破局的关键。<br>
首先，这是一场确定性极高的大趋势：随着AI渗透进基础教育，人形机器人作为「具身教具」，角色只会越来越重。<br>
一开始可能集中在超级城市，但很快会向其他地区渗透。最终，这会是一个规模巨大的市场。<br>
更重要的，是渗透深度。<br>
机器人+教育，不是把一台机器人塞进教室这么简单，必须配套完整的体系：<br>
教师培训、课程设计、教学场景适配、评估标准……<br>
一旦这套解决方案跑通，形成成熟的解决方案，机器人会成为教学基础设施的一部分，提供长期稳定存在的结构性需求。<br>
虽然暂时还不能在家当保姆，但这个中间态，可以在创造价值的同时，为具身智能的发展，争取更多时间，<br>
跳舞、演小品，只是起点。<br>
未来，硅基智能在生活中的比例只会越来越高。<br>
也许五年后的除夕夜——<br>
真会有一台机器人，翘着二郎腿坐在你家沙发上，一边帮你剥瓜子，一边吐槽春晚节目。