每經(jīng)記者｜可楊    每經(jīng)編輯｜廖丹    

11月20日下午，在智源2025具身開(kāi)放日上，在多位技術(shù)負(fù)責(zé)人參與的BAAI具身模型會(huì)客廳討論中，關(guān)于具身智能未來(lái)的共識(shí)遠(yuǎn)少于分歧。

世界模型是不是核心，具身智能是否會(huì)收斂到統(tǒng)一架構(gòu)，語(yǔ)言是否應(yīng)該退居次要，動(dòng)作模型如何設(shè)計(jì)，數(shù)據(jù)從哪里來(lái)??每一個(gè)問(wèn)題都仍在探索之中。

但《每日經(jīng)濟(jì)新聞》記者注意到，另一種更深層的共識(shí)正在形成——具身智能的真正競(jìng)爭(zhēng)不在概念，而在長(zhǎng)期投入、真實(shí)落地與數(shù)據(jù)質(zhì)量。

未來(lái)幾十年，當(dāng)機(jī)器人在真實(shí)世界中創(chuàng)造價(jià)值、積累經(jīng)驗(yàn)、形成反饋時(shí)，或許才能孕育出具身智能的“ChatGPT時(shí)刻”。在此之前，這仍是一場(chǎng)需要耐心的長(zhǎng)期主義競(jìng)賽。

圖片來(lái)源：主辦方供圖

世界模型是萬(wàn)能鑰匙？

當(dāng)討論具身智能的關(guān)鍵路徑時(shí)，世界模型總是被提及，與世界模型的結(jié)合是不是未來(lái)具身智能發(fā)展的關(guān)鍵？

這個(gè)問(wèn)題隨著世界模型概念的模糊化，而在業(yè)內(nèi)產(chǎn)生分歧。

北京大學(xué)助理教授、銀河通用創(chuàng)始人王鶴認(rèn)為，“世界模型”一詞最早來(lái)自強(qiáng)化學(xué)習(xí)領(lǐng)域，指的是根據(jù)當(dāng)前狀態(tài)與所采取的動(dòng)作，預(yù)測(cè)下一步狀態(tài)變化的動(dòng)力學(xué)模型。然而，在Sora等視頻生成模型出現(xiàn)后，世界模型概念逐漸向用視頻生成未來(lái)傾斜，這讓它與具身智能所需的能力發(fā)生了偏移。

王鶴認(rèn)為，視頻生成模型并不能直接作為具身智能的通用解決方案。原因在于，機(jī)器人與人的身體差異巨大，即使訓(xùn)練出一個(gè)能想象人類(lèi)如何操作世界的視頻模型，也不能保證它對(duì)機(jī)器人同樣有效。即便是當(dāng)下最像人的人形機(jī)器人，其動(dòng)作空間、靈巧度和執(zhí)行方式都與人類(lèi)存在不小差距，看起來(lái)像人做事，不等于機(jī)器人學(xué)會(huì)了做事。

但王鶴同時(shí)強(qiáng)調(diào)，對(duì)未來(lái)進(jìn)行預(yù)測(cè)是具身智能不可缺少的一環(huán)，機(jī)器人必須能夠根據(jù)未來(lái)目標(biāo)倒推當(dāng)前動(dòng)作，并對(duì)環(huán)境變化保持前向與后向的推理能力。因此，具身世界模型是必要的，但它必須根植于真實(shí)機(jī)器人數(shù)據(jù)，才能有真正屬于機(jī)器人的世界模型誕生。

智源研究院院長(zhǎng)王仲遠(yuǎn)認(rèn)可世界模型對(duì)具身智能未來(lái)發(fā)展的重要性。他指出，當(dāng)下業(yè)界對(duì)世界模型并無(wú)統(tǒng)一定義。“如果世界模型僅僅指視頻生成（Video Generation），那顯然不夠?！闭嬲龑?duì)具身智能有意義的是能夠根據(jù)過(guò)去的時(shí)空狀態(tài)，準(zhǔn)確預(yù)測(cè)“下一時(shí)刻狀態(tài)”，并據(jù)此規(guī)劃動(dòng)作的模型，這種預(yù)測(cè)是基于前序的時(shí)空狀態(tài)和現(xiàn)場(chǎng)環(huán)境上下文，進(jìn)而給出的精準(zhǔn)決策。

王仲遠(yuǎn)舉例稱，自己回答問(wèn)題時(shí)，要基于前一位嘉賓的發(fā)言內(nèi)容以及現(xiàn)場(chǎng)環(huán)境，做出“拿起話筒”這一決策。這才是機(jī)器人需要的世界模型，不僅僅是生成幾秒鐘后的畫(huà)面，而是要基于對(duì)環(huán)境的理解，給出一個(gè)準(zhǔn)確的步驟動(dòng)作和響應(yīng)。

具身智能會(huì)否收斂到統(tǒng)一架構(gòu)？

在大語(yǔ)言模型時(shí)代，Transformer架構(gòu)（一種基于自注意力機(jī)制的神經(jīng)網(wǎng)絡(luò)架構(gòu)）一統(tǒng)天下。具身智能領(lǐng)域是否會(huì)收斂到一個(gè)統(tǒng)一的架構(gòu)？是否會(huì)出現(xiàn)屬于機(jī)器人的“具身Transformer”？

中國(guó)科學(xué)院大學(xué)教授趙東斌給出了一種可能性。他表示，目前Transformer在具身智能領(lǐng)域的應(yīng)用已經(jīng)帶來(lái)了顯著的性能提升，例如近期Physical Intelligence發(fā)布的π*0.6模型，利用強(qiáng)化學(xué)習(xí)獲取數(shù)據(jù)鏈，能夠在疊衣服、裝盒子等多個(gè)任務(wù)中實(shí)現(xiàn)通用。他認(rèn)為，隨著技術(shù)演進(jìn)，模型架構(gòu)可能會(huì)收斂到單一模型，或者呈現(xiàn)多樣化但核心統(tǒng)一的態(tài)勢(shì)。

此外，大部分嘉賓則對(duì)于技術(shù)路線的收斂持認(rèn)可態(tài)度。在此基礎(chǔ)上，如果具身智能最終會(huì)收斂到一個(gè)統(tǒng)一架構(gòu)，那么這個(gè)“具身Transformer”的技術(shù)路徑在哪里？

招商局集團(tuán)AI首席科學(xué)家張家興認(rèn)為，當(dāng)下大模型的發(fā)展邏輯難以直接遷移到具身智能。“過(guò)去三年形成的LLM（Large Language Model，大語(yǔ)言模型）與VLM（Vision-Language Model，視覺(jué)語(yǔ)言模型）等結(jié)構(gòu)，是以語(yǔ)言為中心，而語(yǔ)言在人類(lèi)執(zhí)行動(dòng)作時(shí)并不參與?！彼e例稱，人類(lèi)開(kāi)車(chē)時(shí)不會(huì)在大腦中不斷語(yǔ)言化動(dòng)作指令，因此語(yǔ)言作為中間層的VLA架構(gòu)（視覺(jué)語(yǔ)言動(dòng)作模型，Vision-Language-Action），其本質(zhì)與機(jī)器人需要的結(jié)構(gòu)不一致。

張家興提出，具身智能需要一個(gè)完全屬于機(jī)器人自身的智能結(jié)構(gòu)，而不是從現(xiàn)有VLA體系延展出來(lái)的產(chǎn)物?，F(xiàn)階段，他認(rèn)為真正的具身架構(gòu)還未出現(xiàn)，業(yè)界正在等待一個(gè)來(lái)自基礎(chǔ)大模型領(lǐng)域的突破性創(chuàng)新，類(lèi)似當(dāng)年Transformer論文那樣。這種創(chuàng)新將有可能弱化語(yǔ)言在模型中的中心地位，讓模型以行動(dòng)和視覺(jué)作為驅(qū)動(dòng)核心。

與張家興的視角類(lèi)似，清華大學(xué)助理教授、星海圖聯(lián)合創(chuàng)始人趙行認(rèn)為，視覺(jué)是世界上最通用的感知傳感器，具身智能的基礎(chǔ)模型應(yīng)當(dāng)遵循生物進(jìn)化規(guī)律：先有運(yùn)動(dòng)和視覺(jué)，最后才誕生高級(jí)語(yǔ)言智慧。因此，理想的模型順序應(yīng)該是Action First（動(dòng)作優(yōu)先），然后Vision（視覺(jué)），最后Language（語(yǔ)言）。

趙行強(qiáng)調(diào)了一個(gè)關(guān)鍵差異：具身模型是一個(gè)閉環(huán)系統(tǒng)。語(yǔ)言模型是一問(wèn)一答的開(kāi)放系統(tǒng)，而具身模型需要“動(dòng)作—反饋—再次動(dòng)作”的實(shí)時(shí)循環(huán)，其核心是持續(xù)的環(huán)境交互。它必須從世界反饋中修正自己的策略，而不是完成一次思考后給出單一答案。

智元機(jī)器人合伙人、首席科學(xué)家羅劍嵐在此基礎(chǔ)上進(jìn)一步擴(kuò)展了閉環(huán)系統(tǒng)的結(jié)構(gòu)組成。他認(rèn)為，未來(lái)一定會(huì)出現(xiàn)閉環(huán)一致的“具身Transformer 系統(tǒng)”，但未必是單一模型，而更可能是由視覺(jué)（V）、語(yǔ)言（L）、動(dòng)作（A）等模塊共同構(gòu)成的系統(tǒng)?！癡LA 的趨勢(shì)是對(duì)的，但最終形態(tài)不會(huì)是今天這個(gè)樣子?！闭嬲馁|(zhì)變可能需要等到具身智能互聯(lián)網(wǎng)形成，即成千上萬(wàn)臺(tái)機(jī)器人在真實(shí)場(chǎng)景中解決具體問(wèn)題，累積海量數(shù)據(jù)后，才能催生出真正的統(tǒng)一系統(tǒng)。

在架構(gòu)探索之外，動(dòng)作輸出端的不成熟也是當(dāng)下具身智能無(wú)法收斂的重要原因。王鶴指出，目前行業(yè)在動(dòng)作輸出上尚未收斂，存在大量基于概率匹配的方法，這類(lèi)方法雖然適合處理連續(xù)變量，但為端到端的深度強(qiáng)化學(xué)習(xí)埋下了隱患，如何對(duì)概率模型應(yīng)用策略更新是尚未解決的問(wèn)題。

王鶴認(rèn)為，短期內(nèi)行業(yè)需依賴仿真環(huán)境和合成數(shù)據(jù)來(lái)探索動(dòng)作優(yōu)先的架構(gòu)，因?yàn)槟壳叭騼H有約一千臺(tái)人形機(jī)器人在運(yùn)行，數(shù)據(jù)量遠(yuǎn)不足以支撐新架構(gòu)的探索?！伴L(zhǎng)期來(lái)看，地球上人形機(jī)器人的數(shù)量必須保持長(zhǎng)期高速增長(zhǎng)，只有這樣，它們的能力才能同步提升，而反過(guò)來(lái)，能力的增長(zhǎng)又會(huì)進(jìn)一步推動(dòng)數(shù)量增長(zhǎng)，最終才能孕育出真正強(qiáng)大的模型?！?/p>

自變量創(chuàng)始人、CEO王潛則認(rèn)為，是否叫Transformer并不重要，Transformer 更像蓋樓的鋼筋，真正決定樓是什么樣子的，是建筑的結(jié)構(gòu)設(shè)計(jì)。他強(qiáng)調(diào)，物理世界充滿了語(yǔ)言和圖像無(wú)法描述的精細(xì)摩擦與接觸過(guò)程，因此必須建立一個(gè)獨(dú)立于虛擬世界的、能夠描繪復(fù)雜物理過(guò)程的基礎(chǔ)模型。“可能十年后或者是五年后，可能反而是我們從物理世界中收集到的數(shù)據(jù)來(lái)做出來(lái)的多模態(tài)模型，反過(guò)來(lái)吞噬今天的一些基礎(chǔ)模型。”

突破跨域數(shù)據(jù)瓶頸一定要用真實(shí)數(shù)據(jù)嗎？

無(wú)論是否收斂到一個(gè)統(tǒng)一模型，對(duì)所有具身企業(yè)而言，一個(gè)共識(shí)正在形成：如果具身智能要走到“ChatGPT時(shí)刻”，必須先解決數(shù)據(jù)問(wèn)題。

張家興團(tuán)隊(duì)選擇“高質(zhì)量+低成本”的路線，以真實(shí)物理世界的探索數(shù)據(jù)為基礎(chǔ)，并通過(guò)低成本的人類(lèi)采集來(lái)構(gòu)建數(shù)據(jù)金字塔的中間層，試圖以最高效的方式夯實(shí)數(shù)據(jù)地基。

趙行則提出了數(shù)據(jù)采集的三個(gè)維度：真實(shí)性、多樣性和規(guī)?；?。他強(qiáng)調(diào)必須以真實(shí)機(jī)器人的素材為起點(diǎn)，且不能局限于實(shí)驗(yàn)室，必須深入真實(shí)場(chǎng)景。羅劍嵐同樣堅(jiān)持真實(shí)數(shù)據(jù)路線，他認(rèn)為，靠遙控操作采集數(shù)據(jù)只是起步，未來(lái)必須依靠大量部署在真實(shí)環(huán)境中的機(jī)器人，在自主交互中產(chǎn)生廣泛數(shù)據(jù)，形成自我反饋和提升的閉環(huán)。

王仲遠(yuǎn)主張利用互聯(lián)網(wǎng)上的海量視頻數(shù)據(jù)作為基座模型的學(xué)習(xí)來(lái)源，這類(lèi)似于人類(lèi)兒童通過(guò)看視頻認(rèn)識(shí)世界。在此基礎(chǔ)上，再通過(guò)真機(jī)采集的數(shù)據(jù)進(jìn)行強(qiáng)化學(xué)習(xí)和反饋，不斷精進(jìn)能力。

但亦有真實(shí)數(shù)據(jù)之外的探索路徑。

王鶴在討論中提到，全球規(guī)模化運(yùn)行的人形機(jī)器人可能僅在千臺(tái)級(jí)，甚至更少，如此小的機(jī)器人人口，遠(yuǎn)不足以支撐一個(gè)動(dòng)作優(yōu)先的基礎(chǔ)模型。

王鶴認(rèn)為，短期內(nèi)行業(yè)必須依賴模擬環(huán)境與合成數(shù)據(jù)，這會(huì)比受限于真實(shí)機(jī)器數(shù)量的方式發(fā)展得更快。但長(zhǎng)期來(lái)看，只有當(dāng)機(jī)器人數(shù)量進(jìn)入指數(shù)級(jí)增長(zhǎng)，數(shù)據(jù)才可能形成正反饋循環(huán)，推動(dòng)模型與能力共同演進(jìn)。

加速進(jìn)化創(chuàng)始人、CEO程昊認(rèn)為，數(shù)據(jù)瓶頸的破解是一個(gè)螺旋上升的過(guò)程。目前極速進(jìn)化多使用仿真數(shù)據(jù)以求速度，目標(biāo)是為了讓機(jī)器人具備落地能力，從而在真實(shí)場(chǎng)景中收集數(shù)據(jù)。當(dāng)真實(shí)數(shù)據(jù)遇到瓶頸時(shí)，再回退到仿真環(huán)境中進(jìn)行針對(duì)性訓(xùn)練?！皺C(jī)器人落地創(chuàng)造價(jià)值，價(jià)值驅(qū)動(dòng)規(guī)模，規(guī)模反哺模型?！?/p>

在海量數(shù)據(jù)需求之外，王潛認(rèn)為，自變量什么數(shù)據(jù)都在用，只是側(cè)重點(diǎn)不同?；ヂ?lián)網(wǎng)數(shù)據(jù)用于學(xué)習(xí)通用常識(shí)，仿真數(shù)據(jù)用于導(dǎo)航和探索，而真實(shí)的物理接觸數(shù)據(jù)則是核心壁壘。

王潛提到，根本在于所有類(lèi)型的數(shù)據(jù)都可以被利用，但真正的挑戰(zhàn)在于：處理好任何單一類(lèi)型的數(shù)據(jù)都相當(dāng)困難。這背后涉及大量核心的工程問(wèn)題，也正是團(tuán)隊(duì)日常工作的重點(diǎn)所在，同時(shí)這些難題也構(gòu)成了行業(yè)的技術(shù)壁壘。

一個(gè)清晰的現(xiàn)實(shí)浮現(xiàn)出來(lái)：具身智能的未來(lái)并非由某一種技術(shù)突破決定，而是取決于架構(gòu)創(chuàng)新、真實(shí)世界落地、機(jī)器人數(shù)量增長(zhǎng)與高質(zhì)量動(dòng)作數(shù)據(jù)積累是否能同時(shí)發(fā)生。具身智能的發(fā)展路徑比語(yǔ)言模型時(shí)代更復(fù)雜，也更漫長(zhǎng)。