一场被一些业内人士视作是“中国具身智能路线之争”的学术争论，引起了机器人行业的讨论。

一位讨论参与者是许华哲，来自清华大学交叉信息研究院（简称“清华叉院”），是中国科技顶尖人才培养机构的助理教授，同时也是机器人企业星海图的联合创始人。另一位则是获得IEEE T-RO最佳论文奖的周博宇，这是亚洲单位首次获得该奖项，同时他也是南方科技大学的助理教授、博士生导师。知乎平台中，他们围绕“机器人领域特殊任务研究是否有价值”等话题展开了讨论。

前者主张“特殊任务研究”于学科有益，但对于推动具身智能的发展“几乎没有用处”。后者则主张无用之用方为智能基石。5月23日，第一财经记者分别采访了许华哲、周博宇以及其他业内人士后了解到，在二者观点的分歧和共识之外，这场争论折射出了学界对技术决定论的警惕，更直接对行业进行了“纠偏”。

在资本追捧大模型、企业砸钱秀肌肉的浪潮中，究竟该押注通用颠覆，还是深耕工业现场那些“不够性感”的工程细节？这是每一位具身智能从业者必须亲自探索的命题。

针对“特殊任务”的研究是否有意义？

整场讨论的原点，是许华哲在知乎上发表了一篇名为《具身智能需要从ImageNet做起吗？》的文章。

许华哲在其中提到，传统机器人学有相当一部分的研究重点在于“特别”的机器人或者“特别”的任务。比如一个蛇形机器人、一个老鼠机器人，或是让机器人去包饺子、抖落衣服。这类“特殊任务研究”的任务对科学虽然有用，但对“推动具身智能的发展几乎没有用处”。

“我认为这种观点显然不对。”在《具身智能：一场需要谦逊与耐心的科学远征》中，周博宇直接指出，具身智能本身是跨学科产物，它的发展必须依赖具体科学问题的突破。他以波士顿动力和蛇形机器人的研究为例，指出波士顿动力早期研究足式机器人时，没有人能预见其动态平衡算法会成为现代人形机器人的核心；蛇形机器人研究中的柔性驱动技术，也直接推动了医疗内窥镜机器人的发展。“这些看似无用的特别任务，都推动了科学的进步，以及具身智能的进步。”

针对特定场景的研究，对于行业来说的意义究竟有多大，成为了二者讨论的核心矛盾。在许华哲看来，按照深度学习、计算机视觉领域的发展规律，推动力主要来自ImageNet这样的标准化数据集以及ResNet或Transformer这样的通用模型。例如流水线分拣、零件抛光打磨等“特别的任务”，短期内有经济价值、创业需求，但长期会被具身智能的进展淹没。

许华哲向第一财经记者进一步解释，以机器人的局部运动为例，在强化学习为主导的方案兴起前，人们利用控制手段也能让机器人完成特定任务，如在草地上行走、跳舞等。“不过，直到强化学习应用于此，机器人才具备了从平地到草地、山地、跨台阶等只用一套系统就能应对的能力。”

“只要通用智能做成，各种细分领域的问题也将迎刃而解”的观点，被周博宇视作是“通用大脑优越论”。他提到，即便是人类自身，在掌握某项特定技能时，也必须经历反复锤炼，方能得心应手。“通用智能无疑是一个宏伟的目标，但与此同时，我也希望青年学生与工程师们能关注到一些更为具体、务实的产业需求。”

汽车总装车间中亟待解决的线束整理难题、半导体封装环节对高精度和高稳定性的严苛要求……“这些看似‘不够性感’的工程细节，恰恰是锤炼真正智能的淬火池。”周博宇说。