华南理工大学陈俊龙：机器人下一步比思考，5至10年内将进家庭

南方财经记者谭砚文

“现在国内的机器人在运动、控制方面已经是全球领先，下一步要比的是思考能力。”华南理工大学计算机科学与工程学院院长陈俊龙接受南方财经记者专访时这样判断。

10月27日，2025年度广东省科学技术奖获奖名单公布，由陈俊龙领衔完成的“动态结构神经网络系统及其在智能控制系统的应用研究”获自然科学奖一等奖。这项成果中的关键一环，是其团队2018年首创的轻量化增量机器学习方案——宽度学习系统（Broad Learning System，BLS），用横向并行的映射特征节点与增强节点及动态堆叠结构替代纵向的深度结构，权重通过伪逆直接求解或无逆代数因子运算，模型可在端侧随数据实时更新。

在陈俊龙看来，未来5到10年，国内机器人将从“造得多”转向“会思考”，把感知、决策与动作打通，让机器人看到环境就能判断下一步动作。同时，随着成本下降，机器人将走向C端，真正进入家庭使用。 

华南理工大学计算机科学与工程学院院长陈俊龙。受访者供图。

宽度学习让机器人“边干边学”

南方财经：宽度学习是什么？它与深度学习的区别在哪里？

陈俊龙：宽度学习的核心逻辑是通过横向并行拓展多组特征子网络，并排多条短通道同步采集信息汇总输出，以此替代纵向层层堆叠的深度网络结构，无需依靠加深层数提取复杂特征，从而实现轻量化训练与推理。

宽度学习和深度学习的目标是一样的，都是对数据做逼近，效果也在同一水平，区别在结构。深度学习的运算像“爬楼梯”，必须一层层往上堆；宽度学习是把深度网络里的非线性表达摊平到单层——用并行横向的映射特征节点完成空间映射，再加增强节点承担非线性变换，权重通过伪逆或无逆代数运算直接求解。结构摊平以后，参数求解更高效，我们发表的论文和实验都显示，速度有近一两千倍的提升。要追求全域通用、极强的表征能力，深层大模型更合适；要低延时、低成本、现场快速迭代，宽度学习是务实的替代方案。

南方财经：团队把这项成果命名为“动态结构神经网络”，它的“动态”体现在哪里？

陈俊龙：动态结构神经网络，指的是网络的结构不固定，可以跟着数据和环境走。当数据增加、环境变化，网络就调整自己的结构和参数。训练过程中可以按数据规模动态扩充节点，有实时数据流进来，网络也能很快跟进。除此之外，不同于深度学习的固定架构，它还可以根据所需动态地构造堆叠的深度网络，达到简洁的网络结构。

这个想法最早可以追溯到20世纪80年代我们做的神经网络结构研究。到2018年前后，大数据和互联网应用把数据规模、数据增量的问题推到眼前，我们把早年的工作重新调整，做成了今天这套动态结构。

南方财经：这条技术路线最大的难点在哪里？

陈俊龙：最难的是理论上“何时喊停”。网络可以一直扩充，但扩到多少节点或多少层、每层加多少节点，目前还无法从理论上预先算出，只能试到满足精度为止。这个问题深度学习同样存在，宽度学习也没有绕开。

在算法部分，今年年初我们有了突破：用数学方法对数据做因子分解，能够很快找到需要的参数，相关成果已经发表。下一步是把它做成并行运算，一旦打通，很多复杂问题都可以用宽度结构快速求解。

南方财经：放到具身智能、机器人这样的场景里，这项技术的优势体现在哪里？

陈俊龙：边缘端最需要的是低延时和现场自适应，这正是宽度的长处——它能在边缘端做学习，而不仅仅是做推理。宽度网络在边缘智能方面最关键的优点在于，第一，毫秒级本地推理，多传感器融合与力矩调节在端侧数毫秒内完成，不必把数据传到云端再等结果；第二，能耗更低，横向扩展的参数结构容易被裁剪和量化，适配低功耗端侧芯片；第三，模块化、可解释，并行子模块对应明确功能，便于单独升级和故障隔离。这些优势使机器人能够对没见过的东西就地更新模型，有了端侧增量学习，每台机器人会因为所处环境不同，长出各自的个性化特征。

南方财经：这种“实时更新”带来的隐私风险怎么解决？

陈俊龙：我们正在做反向的一件事，我把它叫作“遗忘学习”。模型训练好之后，数据其实已经隐含在模型的连接里，卖出去的模型存在被逆向工程、反推出原始数据的风险。宽度的结构是单层的，可以很快定位并清除某一部分数据对模型的贡献，把该忘掉的忘掉，再由新的使用方用自己的数据做增量学习。医疗这类场景的要求更高，患者信息不能外泄，模型交付之前就要把相关贡献抹除。

南方财经：BLS会取代通用大模型吗？

陈俊龙：不会，长期看两者是互补的。大模型在跨任务迁移、语言理解和复杂规划上有不可替代的优势，基础研究与标准制定也仍以大模型为主导。

合理的分工应该是，云端大模型负责通用认知、长期学习和跨任务规划，端侧BLS负责实时控制、低延时感知和现场自适应，两者通过明确的接口衔接。

5-10年内机器人将真正进入家庭场景

南方财经：在智能制造的真实场景中，宽度学习将带来哪些优势？

陈俊龙：制造现场的环境一直在变。宽度结构可以随着环境参数改变立刻自适应，单机的变量能快速精准地调节。再往上一层看，工厂新加一台设备、产线结构发生变化时，整厂的变量和规划也能实时重算。

企业这笔账算得很清楚，它降低的是智能化的边际成本，包括研发样机成本、部署算力成本、运维停机成本和数据标注成本。不过推广中，企业还有三道坎：工程化能力、对新技术可靠性的信任，以及采购决策的风险。

南方财经：从实验室走到真正的生产线，最难打通的是什么？

陈俊龙：一是算力，学校的算力有限，难以支撑大量的实验；二是人，这类工作需要工程师长期跟着往前推，但学生三五年就毕业，很难持续跟进；三是企业，企业更愿意用已经成熟的生态，不愿意为新方法整体改架构。

所以我们的路径是先做前端——通过一个盒子或者一张卡，把百万级到千万级参数的宽度模型放进去，装进机器就能当场响应，不用绕到云端问一遍。目前已经和一两家企业建了联合实验室，从具体场景慢慢往外推。

南方财经：目前，这项技术的产业化落地走到哪一步？

陈俊龙：团队已经研发完成3个项目，包括配合云端统筹装配策略的“产线协作臂”、智慧医疗方向的AI病理与心理咨询模型“华佗之心”，以及融合脑机接口、神经调控和AI音乐疗愈的合规垂类大模型“趣乐AI”，它们可以应用于边缘计算、智慧司法和智慧医疗等场景。琶洲实验室已完成多类样机与产线改造试点，居家与康养方向的人机交互和长期可靠性测试已有示范运营。双足巡检机器人和家用服务机器人两个新项目也在规划中。

南方财经：在你看来，大湾区发展具身智能，底气在哪里？

陈俊龙：最直接的一条是产业链齐全，在深圳、佛山、东莞、广州一带，做一台机器人需要的配套很快就能凑齐。第二条是分工位置，广东既造机器人本体，也有大量做软件的企业，把“大脑”和运动控制装进本体，机器人就能用。广东制造能力强，其产品可以供其他省份和海外企业采购，由他们叠加自己熟悉的软件。第三条是场景，海量真实的工业与民生数据，能大幅缩短从实验室成果到市场产品的转化周期。 

南方财经：未来5—10年，你判断具身智能领域会出现哪些里程碑式的发展成果？

陈俊龙：先看技术方面，国内机器人在运动和控制方面已经全球领先，下一步要把“会思考”补上，看到环境就能立刻判断下一步动作，动作和思考真正结合，这在5—10年内应该会很快完成。

然后是成本。现在机器人的价格达数十万元，和一辆车差不多，功能又不强，普通家庭不会买；成本如果降到跟手机一个量级，一个人家里可能就会有两三台，行业才算真正打开。所以我判断，5至10年之内机器人有机会走到C端，真正在家庭中被使用。