在世界机器人大会的现场，一场关于具身智能未来的深度探讨吸引了众多目光。银河通用创始人兼CTO王鹤在分论坛上提出一个引人深思的问题：如何定义具身智能的“ChatGPT时刻”？他给出的答案是，当机器人能够无需专门学习就掌握常见技能，实现零样本泛化，并且普通用户无需算法背景就能教会它新动作时，具身智能便迎来了关键转折点。
这一愿景正在银河通用最新发布的小人形机器人Galbot ET1（“银河星仔”）上逐步实现。作为全球首款具备自主学习能力的智能体人形机器人，“银河星仔”搭载了银河通用自研的AstraBrain-Agent系统。该系统能够实时观察环境、理解人类指令，并动态规划行为路径。用户无需准备动作视频，只需通过互动即可教会机器人新的动作技能，这种突破性的交互方式让现场观众惊叹不已。
“银河星仔”的灵动表现源于其背后强大的具身大模型——银河星脑AstraBrain的持续进化。当行业仍在聚焦机器人身体性能的竞争时，银河通用已将重心转向具身大模型的研发。这个模型不仅决定了机器人的能力上限，更成为区分企业技术实力的关键指标。在大会现场，“银河星仔”展示了其卓越的互动自学习能力：它能实时识别人类舞者的运动轨迹，精准跟随完成街舞动作，甚至在面对撑地、倒立等高难度动作时仍能保持身体稳定。
支撑这些能力的，是超过10万小时的人类动作数据。这些数据一部分来自高精度动作捕捉，另一部分则通过互联网人类视频转换而来。通过深度学习这些数据，模型掌握了人类维持平衡、协调关节和完成连贯动作的技巧，并将这些能力迁移到机器人身上。这种技术突破使得机器人无需预先编写整套动作轨迹，就能自主完成复杂任务。
银河通用构建了包含大脑、脑桥和小脑的全脑架构，其中大脑采用世界—动作模型WAM架构。该架构将视觉语言生成动作（VLA）和环境变化推演（世界模型）两种能力统一，使机器人能够理解动作可能带来的物理结果，并据此决策下一步行为。AstraBrain WAM的核心突破在于实现了跨本体、跨场景和多任务能力的统一，同一颗大脑可以驱动不同机器人完成商超取货、叠衣服、搬箱等多样化任务。
在技术验证环节，“银河星脑”展现了强大的环境适应能力。在早餐任务演示中，机器人需要连续完成取面包、倒水、摆盘等步骤。当杯子被观众拿走或目标物体被遮挡时，机器人能根据新状态重新规划，自如完成剩余工作。这种能力在叠衣服任务中同样得到体现，面对布料褶皱的不断变化，机器人能持续更新判断，精准完成每一步操作。
银河通用的技术已在实际产业场景中得到广泛应用。在智慧药房和即时零售领域，机器人需要在上万种商品中准确抓取目标物品，每天重复大量次数，准确率和运行稳定性直接影响业务运营。在工业场景中，Galbot S1双臂机器人最大负载达50公斤，能够安全高效地完成重型物料搬运任务。这些不同场景的应用验证了银河星脑技术的泛化能力，也为具身大模型的通用性奠定了基础。
为推动技术生态发展，银河通用宣布开放仿真平台、数据采集设备、具身基模及强化学习后训练管线。这一举措将降低开发门槛，使普通开发者能够围绕“银河星仔”创造新的动作和应用。王鹤认为，生态的开放性将加速模型进化——参与主体越多，模型接触的真实问题越丰富，进化速度也就越快。
在具身大模型竞争成为行业新分水岭的背景下，银河通用构建了五层数据金字塔：互联网数据提供语义理解，人类动作数据贡献操作经验，仿真平台生成训练样本，真机遥操作数据校准精细动作，实际场景数据则持续反馈优化模型。这种数据闭环体系已积累100万小时人类数据和8万小时真实场景回流数据，形成不断生长的数据飞轮。
对于具身智能的普及标准，王鹤提出了具体指标：机器人零样本泛化成功率需达到70%-80%，普通用户能够低成本完成后训练。为实现这一目标，银河通用开发了WAM-TTT测试时训练方案，用户佩戴第一视角相机拍摄工作过程，模型即可利用无标签视频完成部署，无需重新采集机器人动作数据。这种创新方案将教授机器人的过程简化到接近教人学习的程度，为具身智能的广泛应用扫清了关键障碍。
