當(dāng)算力比數(shù)據(jù)更貴、商業(yè)場景率先閉環(huán)、Scaling Law在機器人領(lǐng)域被驗證，具身智能的ChatGPT時刻就會到來。

2025年12月3日，「甲?光年」在北京萬達(dá)文華酒店圓滿舉辦“轟然成勢，萬象歸?”2025甲子引力年終盛典。

在具?智能技術(shù)專場圓桌對話中，伯牙智能創(chuàng)始?兼CEO劉欣作為主持人，對話原力無限資深研究科學(xué)家陳佳玉、極佳科技聯(lián)合創(chuàng)始?兼首席科學(xué)家朱政、千尋智能聯(lián)席?席科學(xué)家解浚源、星源智聯(lián)合創(chuàng)始?何嘉偉，圍繞具?智能模型展開深入探討。

在當(dāng)下具?智能?臨數(shù)據(jù)稀缺、模型不成熟、商業(yè)化場景待開發(fā)的三重挑戰(zhàn)下，ChatGPT時刻的定義、技術(shù)路線的選擇、數(shù)據(jù)?輪的建設(shè)成為行業(yè)關(guān)鍵議題。從VLA與世界模型的技術(shù)分歧，到軟硬解耦與?腦多型的實踐爭議，從商業(yè)服務(wù)、工業(yè)、家庭三大場景的落地優(yōu)先級，到資本熱潮下的冷靜思考，嘉賓們?實戰(zhàn)案例揭示了具?智能產(chǎn)業(yè)的突破路徑。

對于未來的產(chǎn)業(yè)格局，嘉賓們普遍認(rèn)為，無論是技術(shù)路線選擇、場景切入策略還是團隊建設(shè)模式，唯有具備長期技術(shù)積累、明確方向聚焦、構(gòu)建完整數(shù)據(jù)閉環(huán)，才能真正迎來具?智能的ChatGPT時刻。

以下為本場圓桌的文字實錄，經(jīng)「甲子光年」編輯，在不改變原意的基礎(chǔ)上略有刪改。

1.ChatGPT時刻的定義：

技術(shù)突破還是應(yīng)用爆發(fā)？

劉欣（主持人）：大家下午好，非常榮幸能夠作為這一場圓桌的主持。先有請各位嘉賓簡單的介紹一下自己所在的公司，以及自己所負(fù)責(zé)的業(yè)務(wù)。

伯牙智能創(chuàng)始?兼CEO 劉欣

陳佳玉：我是在原力無限機器人擔(dān)任資深研究科學(xué)家的陳佳玉，同時是香港大學(xué)數(shù)據(jù)系統(tǒng)工程系的助理教授。我所負(fù)責(zé)的內(nèi)容是robotbrain的開發(fā)，具體路線就是VLA和世界模型。

原力無限資深研究科學(xué)家 陳佳玉

朱政：我們公司主要從事的是具身大腦以及世界模型的研發(fā)。最近推出的兩款產(chǎn)品，一款是GigaBrain，是具身VLA的大模型。一款是GigaWorld，是世界模型的平臺。我在公司主要負(fù)責(zé)基礎(chǔ)模型的開發(fā)，以及前瞻預(yù)研。

極佳科技聯(lián)合創(chuàng)始人兼?席科學(xué)家 朱政

解浚源：我是來自千尋智能的解浚源，在公司負(fù)責(zé)AI部門，我們是全棧自研的具身智能公司，做自研的輪式底盤的人形本體，還做VLA基礎(chǔ)模型。

千尋智能聯(lián)席?席科學(xué)家、具身智能部負(fù)責(zé)人 解浚源

何嘉偉：我是星源智機器人聯(lián)合創(chuàng)始人何嘉偉，負(fù)責(zé)靈巧操作大模型及大小腦聯(lián)合落地板塊。星源智聚焦具身大腦賽道，打造跨本體高泛化通用大腦，以全棧式具身技術(shù) + 端側(cè)算力平臺實現(xiàn)軟硬一體交付，賦能千行百業(yè)智能化升級。

星源智聯(lián)合創(chuàng)始?、靈巧操作大模型負(fù)責(zé)人 何嘉偉

劉欣（主持人）：今天的主題關(guān)鍵字叫ChatGPT時刻，對于語言模型來說，本身是技術(shù)突破、用戶體驗的躍遷，還有商業(yè)模式的驗證三重共振，對于各位嘉賓看來，具身智能的ChatGPT時刻，它應(yīng)該具備哪些特征？到底是一些技術(shù)上的突破，還是某一個killerApp的到來？

陳佳玉：ChatGPT剛出來時服務(wù)器宕機、限制使?次數(shù)，說明具?智能的ChatGPT時刻?先要在真實世界中得到驗證且效果很好，達(dá)到供不應(yīng)求的狀態(tài)。由于具?智能挑戰(zhàn)更?，發(fā)展會分三個階段：

1.單場景、單任務(wù)的穩(wěn)定執(zhí)?（如雙臂機器?疊?服）

2.單場景、多任務(wù)的穩(wěn)定執(zhí)?（可能是ChatGPT時刻）

3.多場景、多任務(wù)的穩(wěn)定執(zhí)?

朱政：具?智能與數(shù)字世界的語?模型打法不同，因為它要頻繁與物理世界交互。具?智能在談?wù)撊拢?/p>

1.智能化?平（大腦、小腦）

2.場景（ToB的工廠、物流，ToC的家庭）

3.本體（物理載體）

距離ChatGPT時刻，最?瓶頸還是智能化?平。雖然通?性已經(jīng)很好，但與專有模型相?還有很?差距。

解浚源：ChatGPT時刻需要破圈效果，讓外行人在頭15-30分鐘覺得“這東西真的快要有點用了"。比如機器?在開放場景??較泛化地完成初級體力勞動，不是擺拍?是真實隨機場景，速度不要比人慢太多。

何嘉偉：ChatGPT最讓人意外的是智能涌現(xiàn)和zero-shot能力。具身智能需解決用戶提出的未訓(xùn)練/相近任務(wù)的零樣本問題，才能達(dá)到ChatGPT時刻。

2.世界模型與VLA：技術(shù)路線之爭

劉欣（主持人）：下一個問題給到朱總，極佳科技全力押注世界模型，背后的理論是物理AI，世界模型是它的終極形態(tài)，現(xiàn)在有很多團隊，或者說從資本市場特別火，大家其實都在用VLA，直接端到端的訓(xùn)練，請您闡述一下，世界模型比VLA本質(zhì)的優(yōu)勢到底在哪里？是不是真的能夠解決數(shù)據(jù)瓶頸和泛化難題？

朱政：世界模型分三個階段。

第?階段是為VLA提供訓(xùn)練數(shù)據(jù)。VLA?語?作為媒介統(tǒng)?不同任務(wù)，解決了通?性問題，但還沒解決泛化性問題（對顏?、紋理、光照、視?、桌??度等的泛化）。泛化性主要靠數(shù)據(jù)解決，但真機數(shù)據(jù)很難涵蓋物理世界的各種變化。世界模型可以極?降低真機數(shù)據(jù)采集成本、解決泛化性問題；

第?階段是?持強化學(xué)習(xí)后訓(xùn)練。有監(jiān)督學(xué)習(xí)只能達(dá)到?類標(biāo)注的平均?平，只有強化學(xué)習(xí)才能讓單?任務(wù)成功率達(dá)到99%以上。傳統(tǒng)的強化學(xué)習(xí)?法有兩種：

?在模擬器?做（但模擬器不夠真實）

?真機+人類在環(huán)強化學(xué)習(xí)（需要配?、很危險）

世界模型可以提供更接近真實世界的模擬環(huán)境，來訓(xùn)練強化學(xué)習(xí)。

第三階段是VLA吸收世界模型理念，演進為WA模型（World-ActionModel），同時預(yù)測未來狀態(tài)（視頻、3D重建）和未來動作，這應(yīng)該是VLA智能化模型的終極路線。

3.軟硬解耦：?腦多型的可能與挑戰(zhàn)

劉欣（主持人）：另外一個話題是現(xiàn)在關(guān)于大腦，可以看到有兩派，一派想做“一腦多型”，一個大腦解決跨本體的問題，還有一種觀點是只有軟件硬件充分融合，才能發(fā)揮出硬件的最佳性能。原力無限也提出了“一腦多型”的戰(zhàn)略，想問陳總，你們在這方面是怎么考慮的？是不是會有硬件軟件解耦帶來的負(fù)面影響？

陳佳玉：需要澄清，軟硬解耦并不是完全解耦：

首先，在運控算法層，必須針對特定硬件做特定開發(fā)；

其次，在?腦層級，理解世界、形成泛化知識、場景規(guī)劃，不應(yīng)該受本體限制；

關(guān)于部署性能也要分開看：是直接把通??腦部署到新場景，還是把通??腦作為預(yù)訓(xùn)練模型，在特定場景做持續(xù)更新和適配。

因此，在大腦層級不區(qū)分本體，在運控層級做本體適配，這是?較好的范式。

劉欣（主持人）：請星源智何總補充一下，咱們也是做通用的具身大腦，我們怎么去應(yīng)答有一些人其實對泛化能力是持一個懷疑態(tài)度的？我們在做跨越本體的時候，本身對于硬件的一些選擇會有哪方面注意的點呢？

何嘉偉：星源智采用大小腦分層模式：

大腦層負(fù)責(zé)空間感知、上層任務(wù)規(guī)劃調(diào)度、對下層小腦監(jiān)控與糾錯等，與本體相對?關(guān)，可以通過?規(guī)模視頻、圖像、?本訓(xùn)練獲得泛化能?；

小腦層則與硬件相關(guān)：

大腦側(cè)的難點是對3D空間的理解，針對不同傳感器形態(tài)、內(nèi)外參、激光雷達(dá)掃描模式等傳統(tǒng)3D感知模型難以全面適配。我們的大腦?模型結(jié)合本體感知、2D3D融合、世界模型等方式實現(xiàn)了跨本體3D空間的理解的泛化。

小腦側(cè)，我們在探索?規(guī)?？绫倔w數(shù)據(jù)集，實驗發(fā)現(xiàn)當(dāng)任務(wù)、采集?式、機械臂和末端形態(tài)?夠豐富時，VLA模型也能實現(xiàn)?定的跨本體泛化能?。

4.數(shù)據(jù)飛輪：從稀缺到規(guī)?；?/strong>

劉欣（主持人）：今天數(shù)據(jù)是大家的高度共識，這個階段它非常重要，從需求量來說，它的供應(yīng)嚴(yán)重不足，采集成本很高。前一場有嘉賓說如果給我100億我會構(gòu)建最大的數(shù)據(jù)飛輪，謝博士也曾經(jīng)講過一句話，說仿真數(shù)據(jù)是偽數(shù)據(jù)驅(qū)動，本身是研發(fā)人力驅(qū)動。我想請問一下解總，千尋找如何解決真實數(shù)據(jù)的獲取難題呢？

解浚源：?前數(shù)據(jù)規(guī)模?主要是因為以前沒有好好做過。涉及物理世界、制造業(yè)、組織?規(guī)模?員，有各種細(xì)節(jié)。但當(dāng)你把細(xì)節(jié)打磨好、規(guī)?；螅杀究梢约眲∠陆怠拖?搓跑?要?百萬，但規(guī)模化?產(chǎn)?百萬輛后每輛只需??萬。

數(shù)據(jù)采集也?樣，數(shù)采設(shè)備、團隊組織形式打磨好后成本會?幅下降。我們認(rèn)為到明年年底，頭部?家會有??萬到?百萬?時量級的數(shù)據(jù)，屆時算?會?數(shù)據(jù)貴。

劉欣（主持人）：正好引入下一個想討論的話題，今天很多涌到具身賽道的都有汽車的背景，或者是自動駕駛的一些研發(fā)的經(jīng)驗，我想請各位嘉賓來講一講，尤其是朱總，之前自動駕駛的哪些技術(shù)和方法今天是能夠復(fù)用的？又有哪些可能存在的陷阱呢？

朱政：?動駕駛與具?機器?有兩點類似首先是數(shù)據(jù)層?，都需要海量數(shù)據(jù)；

其次是模型層?，都在向VLA收斂，加?語?后可以做到通?。未來都可能演進到WA模型（預(yù)測未來動作+未來狀態(tài)）。學(xué)術(shù)界已有?作把?動駕駛導(dǎo)航、L4物流小車導(dǎo)航、機器?移動統(tǒng)?為Foundationmodel，?統(tǒng)?數(shù)據(jù)集訓(xùn)練。

但是也有不同，不同點在于對物理規(guī)律的要求：

自動駕駛主要是交通流模型，很少發(fā)?接觸，物理規(guī)律由交通流和博弈模型建?；

具?智能對剛體、流體、柔體的物理規(guī)律要求更?，因為要頻繁與被接觸物體交互

雖然操作任務(wù)還沒統(tǒng)?進來，但未來隨著Foundationmodel出現(xiàn)，?動駕駛與具?智能在模型層?會越來越收斂。

5.商業(yè)化落地：場景選擇的優(yōu)先級

劉欣（主持人）：我們下來談一談應(yīng)用場景，像原力無限選擇的是充電機器人做切入，千尋瞄準(zhǔn)的是工業(yè)、商業(yè)等靈巧操作，星源智做的是通用場景。請各位來分享一下，你們覺得具身智能最快實現(xiàn)商業(yè)閉環(huán)的場景是哪些？我們第一個看到的這種10億級美金的應(yīng)用可能會是什么樣的場景？你們的公司又為什么選擇了今天的這個細(xì)分的切入點呢？

陳佳玉：如果我們考慮三個場景，工業(yè)、家庭和商業(yè)，我認(rèn)為最先會有新的商業(yè)閉環(huán)的應(yīng)該是商業(yè)服務(wù)場景。

我們可以先做一下排除法，?業(yè)場景對效率要求?常?，替代?動化設(shè)備的效率?檻很硬；家庭場景涉及安全性和成本問題，挑戰(zhàn)很?；商業(yè)服務(wù)場景對安全性和效率的要求都不太?。

一個比較具體的例子就是美國的Robotics，他們做的是雙臂機器人去疊紙巾，由于他們這個可以長時間的運行，并且效率非常高，很多人愿意為他們買單，比如說美國很多飯店或者是洗衣房都會買他們的機器人，這就是很好的一個商業(yè)服務(wù)的范式。

另外，商業(yè)服務(wù)場景還有酒店用的清潔型的機器人，它雖然說也是類似家庭場景，但是它干活時沒有人，就不涉及到安全性的問題。而且由于酒店大部分房間也都是制式的、半結(jié)構(gòu)化的，也有利于數(shù)據(jù)的規(guī)模化采集。

劉欣（主持人）：解總，千尋這邊是怎么思考這個問題的？

解浚源：其實我比較同意他的觀點，家庭的話我覺得肯定是最后的，就是它有安全、隱私、場景過于靈活多變等各種各樣的問題。工業(yè)和商業(yè)，工業(yè)以現(xiàn)在的技術(shù)條件是有可行性的一個場景，但是它確實也面臨著效率、場景碎片化、數(shù)據(jù)采集難度大等問題。所以現(xiàn)在能實現(xiàn)一些小批量的落地，去驗證一下整個落地的流程和鏈路，但是比較難起量。

商業(yè)應(yīng)該是在中期能真正起量、實現(xiàn)大批量落地的場景，包括剛才陳總提到的酒店的清潔場景。這些場景主要的好處就是效率不是最關(guān)鍵的，安全性也能保障。

劉欣（主持人）：何總這邊是怎么考慮的？

何嘉偉：我們希望能夠把“大腦”部署到不同的場景里面去，我們當(dāng)時發(fā)現(xiàn)物流?業(yè)有痛點——搬運和??物流較成熟,但裝卸環(huán)節(jié)（把貨物從地?搬到卡?或從卡?卸到地?）是傳統(tǒng)?動化叉?沒解決的場景。所以我們和中力發(fā)布了具身裝卸技術(shù)，9?中旬開始做，10?底實現(xiàn)了基礎(chǔ)Demo的具?裝卸場景，我們用RoboBrain Pro具??腦實現(xiàn)了對這個場景的較好覆蓋。

我們的邏輯是：根據(jù)“?腦”能?找到有商業(yè)潛?的場景去部署，通過這些數(shù)據(jù)迭代?腦模型，實現(xiàn)數(shù)據(jù)?輪。

6.資本熱潮下的冷思考：

Demo、泡沫與技術(shù)沉淀

劉欣（主持人）：今年整個具身賽道確實非?；?，一方面我們看到非常多酷炫的表演，大家所在的公司也都融到了非常多的錢，想請每個嘉賓都講一講，在今天這個熱潮中，如何避免為了資本、為了融資去把公司帶偏？

陳佳玉：要保持平衡，就選?個?較細(xì)分的賽道或?較確定的場景，圍繞場景做?量研發(fā)和深度?作——既能提?成功率，?保證技術(shù)真正有?，?不是跟著潮流?。

另?個重要點是對技術(shù)路線要有批判性態(tài)度。VLA和世界模型本質(zhì)都是copy?語?模型的路?（數(shù)據(jù)+Transformer+算?）。???要快速驗證這個技術(shù)路線，另???要批判性地思考替代路線，同時做?些嘗試作為backup。深度嘗試+快速驗證兩??都得有。

朱政：我們2022年底融資時講世界模型故事，當(dāng)時投資?都不懂世界模型，問“為什么要做物理AI?不做語?模型”。隨著這兩年的科普，今年年初已有投資?要求布局?家世界模型公司。很多時候我們做的事情和講的故事并不與資本市場?致。

業(yè)務(wù)層?，我們講三件事有排序：先智能化，再場景，最后本體。今年下半年很多投資者要求我們盡快開拓場景，但我們認(rèn)為在智能化?平?jīng)]有明顯提升的情況下開拓場景，很難達(dá)到ROI平衡、商業(yè)化閉環(huán)。所以我們?前堅持做算法（智能化?平提升），準(zhǔn)備明年晚些時候再考慮商業(yè)場景應(yīng)?。

解浚源：今年?家主要展?Demo，Demo背后展?的是?類能?。?如我們疊?服場景體現(xiàn)的是：柔性可變形物體?程操作、動作流暢柔順、時事動作（?類似?的動作甩?下甩平，?不是慢慢在桌?上攤平的準(zhǔn)靜態(tài)）。

但做完?個能?證明后，沒有必要在同?層級上橫向擴展好多Demo。有些?在同樣事情做了好多遍，有點低?平重復(fù)，這是被資本市場帶偏的現(xiàn)象，對本質(zhì)猛烈進化沒有幫助。

我們疊?服Demo做完后（達(dá)到除π以外全世界最先進?平），就放著了，沒有?遍遍重新做。我們現(xiàn)在最主要做的是驗證ScalingLaw——深度學(xué)習(xí)發(fā)展反復(fù)證明，不能Scaling的?法沒有前途。VLA是機器?領(lǐng)域第?次驗證了ScalingLaw可?性的路線，所以我們現(xiàn)在最重要的事是在技術(shù)基礎(chǔ)上迅速Scaling，到年底要做到?現(xiàn)在多?兩個數(shù)量級的Scaling。

何嘉偉：對我們星源智來說，Show Demo和做產(chǎn)品不沖突。我們產(chǎn)品定義是帶有具??腦域控制器的整套解決?案。具??腦能不斷Show新能?，這種具身大腦進化能賦能下游落地。

同時我們發(fā)現(xiàn)具??腦域控制器的概念還是偏早期，現(xiàn)在很多公司還?主機+wifi與機器?通信，或?上?代JetsonOrin域控制器。在不斷迭代?腦和域控制器部署?態(tài)的過程中，實際能帶來很多商業(yè)化落地項?產(chǎn)出，包括具體可執(zhí)?的Demo。

7.團隊建設(shè)：多學(xué)科協(xié)同與人才吸引

劉欣（主持人）：大家都融到錢了，緊接著該搶人才了，請所有嘉賓分享一下，你們所在的公司，對于人才團隊的構(gòu)建是怎么考慮的，機器人分為“軟”和“硬”，現(xiàn)在有很多來自偏科研背景的人進來，我們的人才比例里面，偏學(xué)術(shù)背景的和偏傳統(tǒng)工程背景的比重大概是怎么樣的？大家有沒有自己這方面的見解？

陳佳玉：我們公司大概有三個團隊的人，分別做本體、數(shù)據(jù)和算法，因為我們認(rèn)為，這是物理AI的三個核心部分。我所帶領(lǐng)的是做大腦算法團隊，約為10個人，整體偏學(xué)術(shù)，就是要探索前沿技術(shù)，比如基于VLA的知識學(xué)習(xí)，以及能夠捕捉到因果的世界模型。

我們也有商業(yè)化團隊，探索出了已經(jīng)商業(yè)化的產(chǎn)品，比如智能充電機器人、智能咖啡機器人等。因為數(shù)據(jù)團隊和本體團隊偏?程，要結(jié)合具體商業(yè)需求（場景需求+任務(wù)需求）來。

吸引?才最重要的是三個點：有共同的愿景、有?較清晰的路線、有很好的商業(yè)化成果。

朱政：公司現(xiàn)在大概有100人左右，因為是創(chuàng)業(yè)初期，絕大多數(shù)是研發(fā)人員，可能占到80%左右。

這些人里主要是兩塊背景：一塊是計算機視覺出身的背景；一塊是機器人robotics的背景，可能計算機視覺出身的背景會比較偏算法偏軟一些，Robotics可能會偏機械、工程本體一些。

但是內(nèi)部并沒有劃分算法部門和硬件本體部門，我們是放在同一個研發(fā)部門里。其實大家會在一起工作，因為在大模型的背景下，不管robotics背景的人，還是計算機視覺出身背景的人，其實大家的目標(biāo)是一致的：讓世界模型到VLA、到強化學(xué)習(xí)的整條鏈路在本體上打通。

同時，語?模型、具?智能是?前?才密度最?的兩個?業(yè)，這兩個領(lǐng)域本?對?才有天然吸引?。

解浚源：背景沒有那么重要，各?各業(yè)都有各種各樣的?。最重要的是找腳踏實地的、聰明并且愿意腳踏實地做事的?，從各個?業(yè)都能找到。

在公司發(fā)展早期，優(yōu)秀的?會吸引優(yōu)秀的人；在中后期，做出好的東西、好的技術(shù)會吸引優(yōu)秀的?。

何嘉偉：公司是智能研究院孵化的，所以技術(shù)積累是依托于智源研究院的一些研究成果，包括北京大學(xué)的研究團隊，我們在研究方面還是非常前沿的。

在工程這一側(cè)我們也非常重視，因為整個產(chǎn)品包括域控和大腦，所以工程化主要就是做一些嵌入式開發(fā)，以及包括算法的研發(fā)，還有一些部署方面的工程化。

對于吸引人才，一是希望能夠吸引志同道合的人，二是因為我們的研究相對比較前沿，也希望有相關(guān)領(lǐng)域的科學(xué)家加入到團隊當(dāng)中來。

劉欣（主持人）：我們星源智是智源研究院孵化的具身智能企業(yè)，有一定的技術(shù)積累是依托于智源研究院及包括北京大學(xué)的研究團隊，所以我們在技術(shù)方面是非常前沿的。

在工程這一側(cè)我們也非常重視，因為整個產(chǎn)品包括域控和大腦，所以工程化主要就是做一些嵌入式開發(fā)，以及包括算法的研發(fā)，還有一些部署方面的工程化。

對于吸引人才，一是希望能夠吸引志同道合的人，二是希望有相關(guān)領(lǐng)域的科學(xué)家加入到團隊當(dāng)中來。

陳佳玉：五年后希望機器?能：替代?類做擦玻璃、核設(shè)施及能源運維等的危險工作，同時也希望機器人能進?家庭，解放家務(wù)勞動時間，讓?們更好與家?相處。

我們算法團隊集中做家居場景，第?階段讓機器?在有?在的動態(tài)場景?很好完成多任務(wù)，形成多場景數(shù)據(jù)分類后再部署到更多場景。

我們公司扮演的角色，特別是我所在的算法團隊，首先集中做的場景就是家居，想讓機器人能在有人在的動態(tài)場景里，很好的完成多任務(wù)，可能第一階段就是讓他去完成一個固定家庭的多任務(wù)，形成多場景的數(shù)據(jù)分類之后，再把它的部署到場景里，大概的路線是這樣的。

如果用一個詞總結(jié)就是方向，具身智能很火，但具身智能的發(fā)展路線沒有收斂，也不知道什么方向會帶我們實現(xiàn)ChatGPT時刻；另外是應(yīng)用方向，大家也存在爭執(zhí)，大家也不知道到底是應(yīng)用到工業(yè)、商業(yè)還是家庭，所以用方向這個詞比較貼切。

最后再補充一點，大家現(xiàn)在都認(rèn)為VLA和世界模型是收斂的路線，但是我們認(rèn)為VLA和世界模型只是Agent知識庫的一部分，如果用學(xué)術(shù)一點的話講，應(yīng)該包含實體、實體間的relation，和持續(xù)抽象。持續(xù)抽象又包含“dynamics（動態(tài)）的實際抽象”和“策略的實際抽象”，世界模型可能只是dynamics的持續(xù)抽象，也就是它可能只是我們需要知識庫的一部分。

也就是說，我們的具身智能方向還沒有確定，技術(shù)還沒有收斂，還有更多需要做的事情。

朱政：?常贊同陳總觀點。?語?模型替代了很多重復(fù)的腦??作，主要是?領(lǐng)使?。具?智能最?的?處是把?類從危險、重復(fù)以及?苦的體?勞動中解放出來，讓?類有更多時間去休息、娛樂，追求??更多的價值，?不是限于重復(fù)的家庭勞動、危險的體?勞動、或不得不花費?量時間處理的事務(wù)。

這是具?智能在未來五年給我們最?的希望，與語?模型的側(cè)重點不?樣。當(dāng)然也有可能是語?模型結(jié)合具?智能，會解決更多的事情。

如果用一個詞來總結(jié)，我認(rèn)為是聚焦，因為語言模型能夠成功，是因為這些比較大的公司足夠聚焦。

解浚源：我的觀點可能跟前兩位差不多，在當(dāng)今世界，AI在吟詩作畫、寫文章、寫代碼，人在洗碗、疊衣服，我們希望糾正這件事。

何嘉偉：我認(rèn)為真正具身智能的ChatGPT時刻意味著，對?個家庭來說，能夠多?個家庭成員；對?個??或商業(yè)場景來說：就是多?份?產(chǎn)?。

用一個詞總結(jié)是閉環(huán)，包括從研究到工程，再到部署的整個鏈路閉環(huán)，也包括從軟件到硬件、從算法到算力，再到本體的整個閉環(huán)。

（封面圖及文中配圖來源：2025甲子引力年終盛典）