
第一次见到傅利叶GR-3,是在WAIC 2025上。
在WAIC 2025傅利叶热闹的展台上,GR-3就像是一个家庭管家机器人,坐在展台中央的沙发上。
莫兰迪暖调配色、动物系头部轮廓让它与傅利叶前两代人形机器人形成了鲜明的对比,明显的感受是,这代人形机器人亲合度更高了,也让人第一次直观地感受到傅利叶创始人兼CEO顾捷多次提到的机器人的“温度”。
GR-3正是傅利叶的第三代人形机器人,傅利叶给这一代机器人的定位是Care-bot,这代人形机器人在今天(8月6日)正式对外发布。
也是在这场发布会上,我们了解到了更多关于这代人形机器人的设计理念和创造思路。

人类需要怎样的机器人伙伴?
2024年,在傅利叶第二代人形机器人GR-2发布后,顾捷当时向团队内部传递了这样一个想法:
傅利叶一直以来是以人为本,那么,我们未来一定要让机器人像“伙伴”一样出现在我们的生活中。
彼时,傅利叶第三代人形机器人正处于立项阶段,摆脱以往“钢筋铁骨”、做一款具有“伙伴”属性的机器人,就成了这代人形机器人的研发目标。
傅利叶产品设计团队在GR-3立项之初,就特别针对机器人与人的关系进行了多轮头脑风暴,核心聚焦两个问题:
未来大家希望什么样的机器人出现在自己身边?
大家更愿意与什么样的机器人进行主动互动?
傅利叶产品设计团队最终将这样的设计需求总结为三个关键词:亲和、安全、温暖。

至于这三个看上去有点“虚”的关键词如何落到具体的机器人产品设计中,傅利叶产品设计团队开始从影视作品中寻找灵感。
艺术高于生活,但也源于生活。
过往关于机器人的经典影视剧作数不胜数,这其中,《超能陆战队》中的大白就是一个深受大家喜爱的温柔的机器人形象,这样的大白也很快进入到傅利叶产品设计团队的视线中。
在《超能陆战队》这部电影中,主人公小宏的哥哥最初是希望开发一个医疗机器人,他希望身边一旦有人不舒服,这台机器人就可以自动走到他的身边,关心他、照顾他。

无论是从医疗出发的场景设定,还是温柔拟人化的形象设计,大白都与傅利叶过往过往十年的机器人研发经验和设计理念有着诸多相似之处。
于是,大白成了傅利叶产品设计团队的灵感来源,与此同时,傅利叶产品设计团队经过开会讨论,将GR-3定位到了Care-bot,并为这代人形机器人设定了两个核心功能:社交陪伴和辅助陪护。

陪伴,也就成了傅利叶第三代人形机器人的关键词。
在整个产品设计过程中,傅利叶的产品设计团队和研发团队经过无数次碰撞,通过对机器人交互系统和外观设计的脑暴,以及对以往面向工业场景设计的人形机器人爆改,这才有了如今的GR-3。
傅利叶产品设计总监钟正杰在发布会上特别提到了这代机器人的眼神设计。
眼睛是心灵的窗口,钟正杰指出,人与人之间交流过程中,眼神不仅体现了你的注意力在哪里,同时也是人类情绪化的一种表达形式,傅利叶在这代机器人特别针对机器人的眼神进行了情绪化的设计。

此外,他还透露,在这代机器人的整体设计上,傅利叶团队还做了一件以往不曾做过的事——将工业设计与交互设计融合,也就是将机器人的言行举止与外观设计进行融合,形成一套新的设计体系。
在这个过程中,GR-3的社交陪伴和辅助陪护两大功能逐渐明晰:
就社交陪伴而言,傅利叶强调人与机器人之间的社交性和情感连接,适用于日常陪伴、互动娱乐等场景,如公共服务空间或教育环境,覆盖简单语音问答、老人独居陪伴、儿童互动玩伴等应用场景。
就辅助陪护而言,傅利叶将其定义为更高一级的Care-bot,不仅可以提供情感陪伴,更具备如行动辅助、健康监测、康复训练等服务功能,适用于护理、医疗等专业场景,未来还额可以进入康复机构、养老院协助完成慢性病照护、日常生活辅助等功能。
“三步”爆改人形机器人
当傅利叶GR-3首次出现在WAIC 2025展台上时,一个更具亲和力的家居机器人的形象闯入大众视野。
毫无疑问,傅利叶这代人形机器人在产品设计上确实打破了大众现在市面上的人形机器人的刻板映像。

至于在过去这一年里,傅利叶的产品设计团队和研发团队是如何从技术上将这样一个感觉上酷似大白的人形机器人实现的,顾捷在发布会现场也拉着傅利叶产品设计总监钟正杰和产品研发总监蔡宇圣进行了揭秘。

总结起来,傅利叶在技术研发上,主要对感知系统、拟人态设计、可靠性三方面进行了特别考量。
首先,傅利叶特别在GR-3上打造了一套自研的全感交互系统,在这套感知系统中,傅利叶团队集成了听觉、视觉、触觉三大模块,通过协同反馈实现更自然、拟人的情感互动。
该系统还特别引入了注意力管理机制,通过统一调度多模态交互功能,动态调配感知优先级,实现手、眼、脑的协同反馈,提升交互响应的连贯性与针对性。

交互反馈采用“双路径响应机制”,当机器人接收到单一指令时,GR-3能即时触发“快思考”反馈——呼唤时快速转头对视,被抚摸时轻晃脑袋回应,同一指令被多次触发,GR-3就会启动“慢思考”模式——由大模型推理引擎理解复杂语义、交互历史及触发特征,生成更自然且适配场景的复合应答。
蔡宇圣在发布会上特别提到,在这代人形机器人设计之初,钟正杰就向他提出了一个问题:是否可以将某个游戏中的角色的表现形式设计到机器人中?
之所以有这样的疑问,是因为钟正杰发现,在实验室里,大家往往不清楚机器人处于一个怎样的工作状态,如果某个工程师让机器人突然站起来,往往会将身边在做其他工作的同事吓一跳。
于是,在这代人形机器人中,GR-3处于待机模式时,时不时还会有一些融入环境的“小动作”,这些是傅利叶研发团队特别为这代机器人加入的浅层设计。
其次,傅利叶还为这代机器人加入了多样化的拟人态设计。
据悉,GR-3在标准行走步态下能够在行进过程中同步完成弯腰、下蹲等动作,为机器人在复杂的三维空间里灵活移动、复合作业提供可能。

此外,GR-3还可实现直腿行走、摇摆步态、碎步小跑等多种拟人行走姿态,低电量时还能通过调整步频与重心呈现“疲惫模式”。
据蔡宇圣透露,“这代机器人在外观设计、交互设计、功能设计上有如此大的转变,其实整体设计难度非常大,我们在这个项目立项第一天就将算法团队、硬件团队、产品团队拉到一起开会,经历了激烈的讨论。”
在这个过程中,傅利叶团队深入研究了过去30年机器人历史研发资料,并结合近年来大模型、强化学习的技术开发经验,将动作形态、任务形态进行了原子化,在系统构建上通过对多元化技能的有机结合,从而让GR-3在展现一个动作或任务时,不是基于以往的模式切换,而是基于机器人与外界场景的实时交互反馈触发。
这样的交互能力,其实也体现出了傅利叶在构建人形机器人主动技能,乃至主动智能方面进行的系统化设计和思考。
而在GR-3上另一个特别考量的点,则是可靠性。
无论是进入工业场景,还是进入商业,乃至家庭场景,可靠性都是人形机器人绕不开的一个话题,傅利叶此次在GR-3研发过程中特别强调加大机器人设计过程中可以被量化分析的环节。

蔡宇圣从硬件和软件两个方面就此进行了进一步解释:
在硬件设计方面,傅利叶团队希望在整个产品研发过程中,在产品构建之前就已经充分了解到,在新技术出现时,下一代机器人在哪些环节可以被优化,安全系数如何预留、设计框架如何迭代;
在软件系统方面,傅利叶团队正在逐渐将程序框架和数据链路框架做成系统,并将它逐渐升级为机器人系统,在这个过程中,逐渐摸清楚数据链路如何设计和预留、安全机制如何设计。
此外,傅利叶还特别为机器人的主动可靠控制策略预留了很大的空间,由此在未来进一步提高人形机器人的可靠性。
正是通过在这三个方面研发和设计,最终有了被顾捷视为傅利叶“里程碑式产品”的GR-3。
值得注意的是,这代已经有了很好的“亲和力”的GR-3并非为家庭场景设计,而依然是面向公共服务空间的一款产品。
顾捷在接受媒体采访时指出,人形机器人要进入家庭场景,还需要考虑新的规范、标准等诸多因素,这些因素需要未来很长时间才能得到解决。
不过,顾捷也特别指出,“GR-3在功能性、操作性和亲合度上的提升,让我们离进入家庭这个目标又迈出了坚实的一步。”
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。