具身智能是通往AGI的必經(jīng)之路。

作者｜劉楊楠

編輯｜王博

“你認為具身智能是通往AGI（通用人工智能）的必經(jīng)之路嗎？3、2、1——請舉牌！”

話音剛落，臺上的八位行業(yè)頂尖專家毫不猶豫，齊刷刷舉牌——全場一致同意。

這不僅是一次簡單的共識，更是當前AI浪潮轉(zhuǎn)向物理世界的一個縮影。隨著大模型在虛擬世界的潛力被不斷挖掘，如何讓智能擁有身體，能夠理解、決策并改變真實的物理環(huán)境，已成為全球科技競爭的下一個前沿。

具身智能，正從機器人產(chǎn)業(yè)的專屬，演進為構(gòu)建下一代通用AI的基石。

在11月20日舉辦的智源具身OpenDay上，甲子光年創(chuàng)始人、CEO張一甲主持的這場BAAI具身模型會客廳，正是一次對這一前沿領域的集中叩問。她與八位來自產(chǎn)業(yè)界與學術界的核心踐行者展開對話，他們代表了推動具身智能落地的關鍵力量：

• 招商局集團AI首席科學家 張家興

• 清華大學助理教授、星海圖聯(lián)合創(chuàng)始人 趙行

• 智元機器人合伙人、首席科學家，上海創(chuàng)智學院導師 羅劍嵐

• 智源研究院院長 王仲遠

• 北京大學助理教授、銀河通用創(chuàng)始人及首席技術官 王鶴

• 加速進化創(chuàng)始人&CEO 程昊

• 自變量創(chuàng)始人&CEO 王潛

• 中國科學院大學教授 趙冬斌

在這場深度討論中，共識是清晰的——具身智能是通往AGI的必經(jīng)之路。

但非共識是存在的，挑戰(zhàn)也是現(xiàn)實的。宏偉的愿景之下，是數(shù)據(jù)、模型與機器人本體之間相互掣肘的現(xiàn)實困境。全行業(yè)都在共同摸索：如何找到一條高效、低成本的道路，打破枷鎖，讓智能真正“身”“心”合一。

本文為“BAAI具身模型會客廳”對話實錄，經(jīng)「甲子光年」整理編輯，在不改變原意的基礎上略有刪改。

1.世界模型是實現(xiàn)具身智能的關鍵嗎？

張一甲：今年世界模型概念很熱，和世界模型的結(jié)合是實現(xiàn)具身智能的關鍵嗎？

王鶴：我目前持中立態(tài)度。因為它其實取決于我們?nèi)绾味x“世界模型”。在強化學習里，世界模型最早是指根據(jù)當前狀態(tài)和我采取的動作，來預測下一步狀態(tài)的變化。但這一概念經(jīng)過Sora等視頻生成模型的不斷演變，如今已經(jīng)變得越來越模糊了。

今天我們常常希望用人類的視頻數(shù)據(jù)去訓練模型，再教機器人像人一樣去“想象”人類的行為并照著做。但這并不完全成立。原因在于，機器人的本體，比如輪式、雙臂結(jié)構(gòu)，都和人類身體存在很大差異。即便是最像人的人形機器人，在操作的靈巧度、手臂活動范圍等方面，與真人動作仍有明顯差距。因此，即使機器人能像人一樣“聯(lián)想”，這類數(shù)據(jù)也不一定對我們的具身智能有實質(zhì)幫助。

不過從長遠來看，具身機器人和人類一樣，都需要具備一種對未來狀態(tài)的預測和預判能力，都需要根據(jù)我想要達成的目標，反向推導現(xiàn)在該執(zhí)行什么動作——既有前向推理，也有反向規(guī)劃。所以我認為，世界模型作為一種對未來預測的機制，是不可或缺的。只不過，它的訓練數(shù)據(jù)中必須包含更多機器人本身的數(shù)據(jù)，才能真正學出一個屬于機器人自己的世界模型。

王仲遠：我是認同的。目前世界模型的定義確實還沒有形成完全的共識。如果世界模型僅僅指視頻生成，那它雖然可能對具身智能有一定作用，但未必是后者必須依賴的基座。

而我們所理解的世界模型，更多是指“下一個狀態(tài)預測”，也就是基于先前的時空狀態(tài)，去預測下一個時空狀態(tài)。

舉個例子，剛才我要回答時，需要基于一甲提出的問題、王鶴老師的回應，來決定我如何回應、是否要拿起話筒，這本身就是一個決策過程。我們所認知的世界模型，需要基于已有的時空狀態(tài)，理解現(xiàn)場的環(huán)境與上下文，進而給出下一步的行動與響應，這才是核心。

張一甲：Transformer這類統(tǒng)一架構(gòu)催生了ChatGPT這樣的爆款應用。你們認為具身智能未來也會收斂到某一種統(tǒng)一架構(gòu)之下嗎？換句話說，具身智能是否需要自己的“Transformer”？

（現(xiàn)場舉牌，除了趙冬斌，其他嘉賓都認為“會收斂到某一種統(tǒng)一架構(gòu)之下”）

趙冬斌：我持觀望態(tài)度。目前來看，具身模型的訓練方法比較多樣化。除了模型架構(gòu)本身的探索之外，我們也通過預訓練、后訓練以及思維鏈推理等方式來持續(xù)提升模型性能，在制作咖啡、擺放碟子、整理盒子、折疊衣物等中多個任務上展現(xiàn)出通用能力。隨著技術不斷發(fā)展，未來有可能會出現(xiàn)一個收斂的單一模型，但也可能繼續(xù)保持模型多樣化的路徑。兩者皆有可能。

張一甲：最有可能成為那個“Transformer”的技術路徑會是什么？

張家興：就像人類智能的演進過程：我們是先有動作能力，再發(fā)展出視覺，最后才誕生語言。而今天的VLA結(jié)構(gòu)，恰恰是在視覺和動作之間插入了一個語言模塊，這其實并不符合我們?nèi)祟愒趯嶋H操作中的本質(zhì)邏輯。比如當我們開車時，可以一邊說話一邊駕駛，這說明視覺（Vision）和動作（Action）之間本身就有直接通路，并不一定需要語言（Language）的全程參與。

因此，我們應該思考構(gòu)建一個完全面向具身智能的、獨立的系統(tǒng)架構(gòu)，而不必非得從當前以語言模型為核心的技術體系中脫胎。

張一甲：你心目中那個理想的“具身智能Transformer”，目前出現(xiàn)了嗎？

張家興：目前還沒有真正出現(xiàn)。實際上，我們確實仍在期待大模型領域能帶來一些根本性的創(chuàng)新。目前硅谷的一些頂尖團隊正在探索新型多模態(tài)大模型架構(gòu)，在這些架構(gòu)中，語言（L）將不再占據(jù)那么核心的位置。這是一個重要的方向。

坦白說，目前確實是大模型團隊在率先進行這類探索，而他們的方向恰好與我們具身智能所追求的目標不謀而合。本質(zhì)上，我們期待的是大模型領域能夠?qū)崿F(xiàn)一次范式轉(zhuǎn)換：從過去三年一直堅持的“l(fā)anguage first”，轉(zhuǎn)向“vision first”或“vision-action first”。

趙行：我非常同意這個觀點。我們確實需要一個與大語言模型平行的基礎模型，它更有可能是一個“大型行動模型”（Large Action Model）。這個模型首先應建立在視覺基礎上，因為視覺是世界上最通用的感知信息來源；隨后再融入語言能力。這與生物進化的規(guī)律高度吻合——世界上先出現(xiàn)能夠運動的生物，隨后它們演化出視覺，最終才誕生像人類這樣的高級智能生命。

因此，我們期待的是一種“行動優(yōu)先、視覺隨后、語言最后”的模型構(gòu)建路徑。這個模型與大語言模型有一個關鍵區(qū)別，它必須是一個閉環(huán)系統(tǒng)。大語言模型更多是開環(huán)的——用戶提問，模型給出回答，若答案正確，流程就結(jié)束了，中間的處理過程完全在模型內(nèi)部完成。

但具身智能不同。它不是經(jīng)過一番思考后執(zhí)行單一動作，而是每執(zhí)行一個動作，就立即獲得來自世界的反饋，隨即調(diào)整自身行為，并繼續(xù)執(zhí)行下一步。因此，我希望未來具身智能的“基礎行動模型”是一個能夠與環(huán)境實時交互、持續(xù)調(diào)整的閉環(huán)模型。

羅劍嵐：目前還沒有出現(xiàn)一個能夠統(tǒng)一所有智能形態(tài)的“大一統(tǒng)模型”。智能問題更可能被一個完整系統(tǒng)所解決，而非依賴單一模型。這個系統(tǒng)包括幾個核心要素。除了VLA，系統(tǒng)中還需要一個世界模型，能夠進行反思、預測，并在隱空間中進行推演和想象。當然，也離不開強化學習。這些組件整合在一起，形成一個真正的閉環(huán)系統(tǒng)，數(shù)據(jù)在其中流動，推動系統(tǒng)不斷自我提升。

王仲遠：首先，智源研究院肯定相信，從終極狀態(tài)來看，一定要有一個相對統(tǒng)一架構(gòu)的模型，來解決預訓練、世界模型等各種問題。這也是我們在布局像多模態(tài)世界模型的一個很重要原因。

當然，這種模型所需要的數(shù)據(jù)量顯然是非常非常大的，甚至不一定三年、五年就一定能夠完全實現(xiàn)。它可能需要等到更多機器人真正落地，開始解決很具體的問題，累積起足夠的數(shù)據(jù)量，出現(xiàn)“具身智能的互聯(lián)網(wǎng)”之后，有了這樣的數(shù)據(jù)基礎，才有可能出現(xiàn)更好的大一統(tǒng)模型。

從架構(gòu)上來講，我們正在探索一系列具有潛力的大一統(tǒng)架構(gòu)，當然未來是否會出現(xiàn)別的架構(gòu)，我們也樂見其成。所以從長期來看，我相信這是一個我們必須突破、必須解決的關鍵問題。

王鶴：關于“具身Transformer”這個問題，其實它更偏向架構(gòu)層面。

具身智能的復雜性在于，人類擁有視覺、聽覺、觸覺等多種感知方式，就像我們常說的“眼耳口鼻舌”。從注意力機制的角度，所有這些感知信號理論上都可以被token化并輸入Transformer。目前主要的瓶頸在于輸出部分還不夠理想，動作的生成與響應還不夠自然。

因此，如果我們能逐步解決輸出層面的問題，從架構(gòu)上講，是有可能形成一個統(tǒng)一范式的。但相比之下，數(shù)據(jù)問題以及與之對應的學習范式，才是更長期、更根本的挑戰(zhàn)。

目前我們的數(shù)據(jù)還遠遠不夠。無論是視頻生成模型還是對話模型，本質(zhì)上都依賴海量的互聯(lián)網(wǎng)數(shù)據(jù)。而今天我們?nèi)粝胙邪l(fā)出一個“行動優(yōu)先”的模型，面臨的核心問題是：全球可能僅有約一千臺、甚至更少的人形機器人處于前沿場景中運行。如此少的數(shù)量，遠不足以支撐我們探索出一個成熟的“行動優(yōu)先”架構(gòu)與模型。

因此我的看法是：短期內(nèi)，我們更需要依靠仿真模擬與合成數(shù)據(jù)來推進探索，這比受限于少量真實數(shù)據(jù)會走得更快；而從長期來看，地球上的“人形機器人口”必須實現(xiàn)持續(xù)高速增長。當然，這也與其能力提升相輔相成。只有當這個“人口基數(shù)”足夠大時，才有可能孕育出真正強大的大模型。

程昊：過去一年多來，幾乎所有人形機器人的運動控制都在朝著同一個方向努力：只要獲取到人體各種運動軌跡數(shù)據(jù)，機器人就能夠復現(xiàn)執(zhí)行。相應地，我們也希望能有一個具身模型，可以基于任務需求與環(huán)境狀態(tài)，實時輸出未來數(shù)十幀內(nèi)機器人該如何動作，就像在腦海中生成一段動畫，機器人隨之執(zhí)行，并自主判斷是該拿起鏟子、杯子，還是去開門。一旦這樣的模型跑通，具身智能的落地就會順利很多，但目前來看，這樣的模型尚未出現(xiàn)。

我們之所以特別關注世界模型，核心原因之一就是“預測”能力——既要預測“我打算做什么”，也要預測“外部環(huán)境會發(fā)生什么”。當然，團隊內(nèi)部也認為這個目標挑戰(zhàn)很大、路徑較長，因此我們也在考慮分階段推進：先通過分層方法構(gòu)建一些智能體（agent），在相對簡單的場景中實現(xiàn)落地，比如拿快遞、搬箱子這類任務，而像做飯就是一件非常非常難的事情。

這樣做的好處是，一旦在真實場景中部署，就能采集到大量機器人實際運行數(shù)據(jù)。正如剛才王鶴老師所說，一旦機器人真正落地創(chuàng)造價值，大家就會有意愿、有資源去部署更多機器人，形成“機器人公民”規(guī)模的擴大。這些數(shù)據(jù)回流后，將反哺整個具身智能大模型的研發(fā)。

王潛：“Transformer”這個說法可能稍微有些誤導性，因為它本質(zhì)上是一種架構(gòu)。事實上，如今在語言模型中也不一定全都采用Transformer。由于超長序列處理等需求，很多團隊已經(jīng)開始轉(zhuǎn)向類似狀態(tài)空間模型（State Space Model）等其他架構(gòu)。所以，語言模型領域也未必都是Transformer。

當然，我理解這個問題的實質(zhì)是：我們是否會形成一整套完整的方法論與模型體系，就像當年GPT那樣成為基礎模型范式？從這個角度看，我認為這樣的體系是可能出現(xiàn)的。至于它具體采用哪種架構(gòu)形式——是決策型、自回歸、狀態(tài)空間還是其他注意力變體——其實并沒有那么重要。就像建造一棟大樓，Transformer可能只是其中的磚塊或鋼筋，我們可以替換為其他材料，而不影響整體功能。更重要的是設計整座建筑的結(jié)構(gòu)、外觀與功能，并通入水電、完成內(nèi)裝，最終才能成為真正可用的建筑。

從語言模型的發(fā)展中，我們可以汲取幾點重要經(jīng)驗：

第一是數(shù)據(jù)規(guī)模的重要性。這一點剛才多位老師都提到了。但大家對“數(shù)據(jù)規(guī)模”可能存在一些誤解，第一反應往往是“大力出奇跡”。確實，我們需要海量數(shù)據(jù)，但光有數(shù)量是不夠的。就像家興老師和仲遠老師在大語言模型時代的實踐所證明的：單純堆數(shù)據(jù)未必能帶來理想結(jié)果，反而是更高效、更高質(zhì)量的數(shù)據(jù)才能實現(xiàn)突破。這也是為什么我們堅持以物理世界真實數(shù)據(jù)為主——我們相信數(shù)據(jù)質(zhì)量優(yōu)先于數(shù)據(jù)總量，這能在數(shù)據(jù)效率上帶來數(shù)量級的提升。

第二是通用模型（通才模型）的價值。這正是我開場時提到的：我們正在構(gòu)建的是一個平行于虛擬世界的、屬于物理世界的基礎模型。根本原因在于虛擬世界與物理世界的基本屬性，或者說“統(tǒng)一性原理”，差異太大。

核心差異在于，物理世界中存在大量的接觸、摩擦、碰撞等高度隨機的過程，這些過程通常難以用語言完整描述，也難以通過圖像準確表達。盡管目前已有一些利用圖像進行描述的嘗試，但在我看來，這些嘗試效果有限，因為它們難以捕捉其中涉及的大量精細物理現(xiàn)象。

正因如此，我們認為在當前階段，這方面仍存在不少障礙。最主要的原因在于，我們對這些物理過程的認知與建模方法仍不成熟，對其內(nèi)在機制的理解尚不完善。因此，我們最終仍需要一個平行且獨立于虛擬世界的物理模型，來精確刻畫這些細致而復雜的物理過程。

這樣一個模型究竟應該具備哪些功能？它當然要能控制機器人，這一點毋庸置疑。但與此同時，它還應具備更多元的輸出能力。在我們看來，世界模型、VLA等概念之爭意義有限，因為從我們的實踐來看，所有這些能力都被集成在同一個模型中：它既能輸出動作指令，也能生成視頻；既能做隱藏狀態(tài)的預測，也能完成三維重建，甚至輸出體積信息等任意形式的內(nèi)容。

我們將其視為一個“物理世界的基礎模型”，背后的邏輯是什么？這源于我們從語言模型發(fā)展中獲得的啟示：為什么一定要做通用模型？關鍵在于，通用模型學習到的內(nèi)容與專用模型完全不同。它捕捉的是所有任務之間的交集，可稱為“共同結(jié)構(gòu)”、常識，或是本質(zhì)規(guī)律。

因此，從語言模型中我們能夠習得邏輯推理能力、常識認知等關鍵要素——這些確實是語言模型帶給我們的核心價值。但回到現(xiàn)實問題：我們是否應該直接繼承現(xiàn)有的多模態(tài)模型作為主干，將其作為基礎來推進具身智能領域的工作？

對此我的看法可能與主流觀點相左。我認為在不久的將來，或許不用十年，甚至五年內(nèi)，真正主導的多模態(tài)模型，反而會是由具身智能推動發(fā)展的那類模型。當前僅依靠從物理世界采集數(shù)據(jù)構(gòu)建的模型路徑可能難以走通，而基于具身智能發(fā)展的多模態(tài)體系，反而很可能反過來主導甚至取代我們今天所見的多模態(tài)范式。

這是一個符合發(fā)展規(guī)律的大趨勢，也呼應了人類認知世界的基本方式。人類在學習理解物理世界這類“不靠堆數(shù)據(jù)”的領域時，其實并不需要海量樣本。從進化歷程來看，我們實際經(jīng)歷過的交互場景遠不如今天AI模型訓練的數(shù)據(jù)規(guī)模，卻依然能構(gòu)建出強大的認知系統(tǒng)。

這其中最關鍵的一點在于“動作”帶來的改變。行動本身是一個關鍵信號，它能幫助我們篩選出哪些信息是真正重要的。此外，正如剛才其他嘉賓提到的“交互感知”或“主動感知”，我們通過與環(huán)境的實時互動，能夠從時間和因果維度更深入地把握物理世界的運行規(guī)律。

這也就引回到我們今天討論的核心：什么才是真正的基礎模型？或者說，具身智能領域的“Transformer”應該是什么？當然，我仍堅持之前的看法，Transformer這個比喻并不十分貼切，它終究只是一種架構(gòu)組件，就像磚塊或鋼筋，完全可以被更合適的結(jié)構(gòu)所替代。

趙冬斌：確實，當前我們對于模型規(guī)模的定義可能不是一成不變的。未來的大模型也不一定非要依賴海量數(shù)據(jù)，就像人類學習一樣，也許只需少量樣本就能掌握，而不是單純依靠海量數(shù)據(jù)和算法堆砌。所以對于未來的發(fā)展方向，我個人還持觀望態(tài)度。

從模型架構(gòu)的角度來看，我們討論的重點往往在于輸入和輸出。在具身智能領域，輸入模態(tài)遠比互聯(lián)網(wǎng)大模型豐富，不僅有文字和視覺，還包括力矩、觸覺等物理交互信號，這些都需要被處理，也必然會影響模型的架構(gòu)設計。

至于輸出方面，剛才多位嘉賓也提到了多種實現(xiàn)路徑，例如混合專家模型（MoE）、多模態(tài)生成等。有些場景可能并不需要復雜輸出。目前整個業(yè)界發(fā)展非常迅速，從學界角度來看，依然處于百花齊放的狀態(tài)。具體到機器人控制，如果場景相對簡單，或許一個狀態(tài)空間模型就足夠應對了。

2.數(shù)據(jù)的解法

張一甲：面對數(shù)據(jù)這種“既重要又難搞”的情況，你們各自采取了什么樣的應對策略？目前實際在做的有哪些工作？

張家興：第一，我們堅信要從真實物理世界中采集數(shù)據(jù)，這最為關鍵。第二，在整個數(shù)字金字塔的構(gòu)建中，我們希望通過最低成本的方式，直接以人自身作為本體來采集數(shù)據(jù)，這樣成本最低，也最容易實現(xiàn)規(guī)模效應。這些數(shù)據(jù)主要用于人工智能領域。我們的目標，是構(gòu)建一個質(zhì)量最高、成本最低的數(shù)據(jù)金字塔。

趙行：我們同樣以真實數(shù)據(jù)為基礎，主要從三個層面入手。首先，是保證數(shù)據(jù)的真實性，因此我們用真實機器人素材作為起點。其次，我們注重多樣性，這意味著數(shù)據(jù)采集不局限于自有工廠，而是深入各類真實場景。最后，我們再追求數(shù)量，通過優(yōu)化方法（如從依賴機器人轉(zhuǎn)變?yōu)闊o機器人方案）來降低采集成本、擴大規(guī)模。

羅劍嵐：我們也是堅持真實數(shù)據(jù)，并且非常重視數(shù)據(jù)質(zhì)量。有兩點我們想突出一下：第一，我們會去真實場景里采集，而不只是在數(shù)據(jù)工廠。第二，未來整個數(shù)據(jù)生態(tài)的構(gòu)建和運轉(zhuǎn)，將主要依靠機器人自主產(chǎn)生數(shù)據(jù)。具體來說，就是把大量機器人部署到真實場景中，讓它們與環(huán)境交互，從而產(chǎn)生范圍極廣、非常多樣化的數(shù)據(jù)。然后利用這些數(shù)據(jù)，我們可以去獲取更多的機器人，這樣就形成了一個完整的正向反饋。

王仲遠：我們還是堅持從海量的視頻數(shù)據(jù)中去進行基座模型的學習。因為視頻數(shù)據(jù)既能夠海量獲得，又能模擬真實世界。然后，我們通過真機采集的數(shù)據(jù)做半自動處理，再通過強化學習做反饋，來不斷提升它的能力。這套邏輯其實跟現(xiàn)在很多小朋友刷手機認識世界是一個原理：他們通過視頻學習這個世界，再通過真實的交互體驗來提升技能。

王鶴：在座各位中，我可能是很強調(diào)仿真的。這并不是說我們故意要用仿真去替代真實世界的數(shù)據(jù)，而是我們發(fā)現(xiàn)，很多底層的控制都是通過大量的強化學習獲得的，而這在真實世界里進行非常困難。比如，我們今天看到的所有人形機器人的足式行走、跳舞，包括各種復雜的身體控制，全都是通過仿真器習得的。真實數(shù)據(jù)在其中的作用，一是提取人類的行為形態(tài)（比如舞蹈），二是在真實世界進行少量的微調(diào)。

我們最近與清華大學合作的靈巧手工作也印證了這點。至今為止，所有真正的手內(nèi)操作都是通過模仿學習實現(xiàn)的，而不是遙控。因為當你不清楚靈巧手的手指是否碰到物體、受力如何時，連遙操作都無法進行。

所以，仿真的意義并非否定真實世界，而是這些豐富的物理交互可以從仿真開始。它能提供一個很好的基礎控制器，使我們在真實世界里能把“數(shù)據(jù)飛輪”轉(zhuǎn)起來。這就是合成數(shù)據(jù)的使命。

程昊：我們現(xiàn)在實際上用仿真數(shù)據(jù)確實比較多，因為它比較快。但我們用仿真數(shù)據(jù)訓練的一個目標，是讓機器人接下來能獲得更多真實數(shù)據(jù)，有了真實數(shù)據(jù)，整體能力才能再提升。

這很可能是一個螺旋上升的過程：落地后獲得真實數(shù)據(jù)，會發(fā)現(xiàn)很多“corner case”搞不定，而真實世界又采不到那么多，那就可能又得回頭大量用仿真數(shù)據(jù)。

所以我們的大思路是，一定要讓機器人落地后能獲得真實數(shù)據(jù)。我們堅信最終這些數(shù)據(jù)都得用上，大概率是一種融合的狀態(tài)。視頻數(shù)據(jù)長遠看肯定是最多的，只不過現(xiàn)在它的訓練效果還不那么理想?？傊膫€階段哪個數(shù)據(jù)好用，我們就先用哪個。

張一甲：這可能不是應不應該的問題，而是能不能做到的問題。

王潛：我們是什么數(shù)據(jù)都用，但用的地方有側(cè)重點。就像我剛才說的，不同數(shù)據(jù)本身的分布差異是很大的。

比如，我們用大量的互聯(lián)網(wǎng)數(shù)據(jù)，基本上每晚能爬的都會爬一遍。這部分主要用來做知識鏈，學習一些常識，這是大家現(xiàn)在普遍都在做的基礎工作。

再比如，我們仿真也做，但可能不會用它來做接觸式的抓取這類任務，而是用來做智能體的決策、推理。那種物理抓取的遷移學習，主要還是以物理世界的真實數(shù)據(jù)為主。

所以，所有數(shù)據(jù)本質(zhì)上都可以用起來，但說實話，把任何一種數(shù)據(jù)用好都挺難的，里面涉及大量核心的工程問題，這才是我們?nèi)粘９ぷ骱妥⒁饬Φ闹攸c。數(shù)據(jù)肯定是多多益善，我們能從各種各樣的數(shù)據(jù)里都學到東西。

趙冬斌：我想，自動駕駛應該是具身智能一個非常重要的落地例子。從它的經(jīng)驗來看，把車賣給C端用戶后，每個司機每天開車就把數(shù)據(jù)收回來了，這個真實數(shù)據(jù)的反饋閉環(huán)用得非常好。

我其實一直在想，我們其他的機器人什么時候也能這樣？比如把服務機器人賣到旅館，讓它在無人環(huán)境下打掃衛(wèi)生、疊被子。這樣就能持續(xù)回收數(shù)據(jù)，出了問題可以遠程接管，這些接管數(shù)據(jù)也非常重要。

再比如一個廚房機器人，如果能根據(jù)菜單做各種菜，隨著部署規(guī)模上去，數(shù)據(jù)量自然就起來了。我們期待的就是這種數(shù)據(jù)自然而然涌現(xiàn)的時刻。

3.決策的“第一性原理”

張一甲：具身智能這個問題，真是越聊越覺得比我們想象中更復雜。就好像各位嘉賓在一個復雜的森林里，從不同的地點出發(fā)。我們不知道這個森林有多少物種，也不知道它的全貌，但我們知道大概會有寶藏。至于寶藏什么樣、在哪里，都需要我們?nèi)ッ?。在面對這么多開放和復雜的問題時，你們做決策的“第一性原理”是什么？

張家興：我認同去年圖靈獎得主的理念——讓機器自己去發(fā)現(xiàn)，讓機器自己去探索。

趙行：星海圖創(chuàng)立時就有一句格言：“In scaling law we trust.” 我們相信，數(shù)據(jù)的規(guī)?；瘜⒎聪蝌?qū)動模型的進化與智能的實現(xiàn)。

羅劍嵐：我們堅持做正確的事，正所謂“風物長宜放眼量”。很多事情短期看是負擔，長期看卻會產(chǎn)生巨大價值。

王仲遠：人類如何學習，機器人就可以如何學習。

王鶴：我們始終致力于讓“數(shù)據(jù)飛輪”轉(zhuǎn)起來。即便當前所做的，未必是外界眼中最炫酷的事情。

程昊：我們決策時始終關注一件事：它能否真正落地。只要方向?qū)β涞赜袔椭覀兙蜁七M。

王潛：我們的金標準是：能否長期為客戶與消費者創(chuàng)造真實價值。

張一甲：具身智能領域，大家是在“戴著鐐銬起舞”，它很吸睛，但也很花錢。如果你手里有100億元來推進具身智能發(fā)展，這筆錢你會怎么花？

趙冬斌：這是錢的問題，給他們來回答（笑）。

王潛：我首先把市場上能吸納的好人才都吸納過來，這是第一位的。那其次肯定是算力和數(shù)據(jù)啊。

王鶴：100億其實并不重要，重要的是你怎么能夠用你的事業(yè)和你堅定的進步，吸引到人才加入。我們不希望大家為了錢每天睜開眼睛，而是為了一個未來人與機器人共生的世界。

程昊：首先，100億不夠。如果我只有100億的話，我肯定不會自己埋頭落地，而是找更多的朋友一起，比如投到智源研究院，吸引全球的研究人才，讓他們可以心無旁騖地去搞比較長期的技術突破。

王仲遠：我特別喜歡程昊總的這個回答。100個億其實也就聽起來很多，實際上也不多，也就10億多美元。GPT-3真的要開始訓練的時候，微軟投資的規(guī)模也就是這個量級，這正是一個關鍵研究周期所需要的。

羅劍嵐：我會去構(gòu)建世界上最大的能夠自我進化、自我閉環(huán)的數(shù)據(jù)系統(tǒng)。100億可以說很多，也可以說不多，但關鍵是，第一個投入百億去做這件事的個人或機構(gòu)，現(xiàn)在還不存在。

趙行：我也會去構(gòu)建一個最大的“data engine（數(shù)據(jù)引擎）”，目標是把物理世界的信息全部數(shù)字化下來。

張家興：我是希望能夠設計出屬于我們自己的、具身智能的“黃金式模型”，然后進行大規(guī)模預訓練，讓能力真的能夠scale up上去，找到我們最正確的那條路徑。

（封面圖來源：智源研究院）