文｜富充

編輯｜蘇建勛

具身智能正在等待自己的“ChatGPT時刻”。但關(guān)于這個時刻的具體定義，業(yè)內(nèi)還充滿非共識。

近日，原力靈機的技術(shù)開放日圓桌論壇上，5位AI界的一線產(chǎn)、學(xué)、研從業(yè)者把這個問題攤開，各自發(fā)表了見解。他們分別是：

清華大學(xué)電子工程系長聘教授汪玉

北京智源人工智能研究院院長王仲遠

階躍星辰創(chuàng)始人&CEO 姜大昕

星海圖創(chuàng)始人&CEO 高繼揚

原力靈機聯(lián)合創(chuàng)始人&CEO 唐文斌

階躍星辰創(chuàng)始人&CEO姜大昕首先提出“ChatGPT時刻”的定義標(biāo)準(zhǔn)，是“零樣本泛化”——即使給出從未見過的指令，AI也能回答問題完成任務(wù)——這正是大語言模型所展現(xiàn)的能力。

但姜大昕旋即指出，因為具身智能的泛化要涉及場景、任務(wù)、操作物體等更多維度，所以機器人要達到這個標(biāo)準(zhǔn)還十分困難。

作為機器人創(chuàng)企的CEO，高繼揚進一步解釋了具身智能商業(yè)化落地的難點：大語言模型可以“模型即產(chǎn)品”，終端是手機電腦、渠道是互聯(lián)網(wǎng)傳播；具身智能卻必須穿過更長的產(chǎn)業(yè)鏈——整機、供應(yīng)鏈、真機數(shù)據(jù)、線下交付，缺一不可。

基于以上種種待解決的問題，原力靈機聯(lián)合創(chuàng)始人&CEO 唐文斌，給出了一個眼下更可抵達的“具身智能ChatGPT時刻”：先在一個限定場景，閉環(huán)解決其中所有的問題，且算過來ROI的賬。

他的理由很簡單，ChatGPT時刻讓人們看到語言模型作為工具的可用性；要產(chǎn)生這種變化，具身智能也得從玩具和研究項目，變身為一個有用的事物。

也因此，這場圓桌就“具身智能眼下的發(fā)展方向”達成了初步共識：在追求更強泛化之前，先把一個垂類場景跑通，讓機器人在實際干活中滾出真機數(shù)據(jù)飛輪，再用數(shù)據(jù)反哺模型與系統(tǒng)迭代。

這個思路，也解釋了本次圓桌論壇主辦方原力靈機的路徑選擇：在數(shù)據(jù)飛輪轉(zhuǎn)動之前，要現(xiàn)有能評測真機效果的統(tǒng)一標(biāo)尺，因此在發(fā)布自家模型與本體之前，原力靈機先聯(lián)合HuggingFace推出真機評測Benchmark“RoboChallenge”。

原力靈機成立于2025年3月，創(chuàng)始人唐文斌為原曠視科技聯(lián)創(chuàng)，公司主創(chuàng)團隊中還包括多位前曠視科技核心成員。成立不到一年，原力靈機已累計融資近10億元，股東中包括阿里巴巴、蔚來資本、聯(lián)想創(chuàng)投等機構(gòu)。

2月10日，這家受到資本市場青睞的創(chuàng)企“交卷”成立以來首個模型DM0，以2.4B參數(shù)量登頂RoboChallenge榜首。當(dāng)然，質(zhì)疑也隨之而來——“發(fā)起評測的人，是否也能當(dāng)選手”？對于先于模型發(fā)布Benchmark的考量、真機評測的重要性，以及業(yè)內(nèi)的發(fā)問，唐文斌在圓桌論壇上也一一做出回應(yīng)。

以下為本次圓桌對話內(nèi)容，經(jīng)作者整理：

△圓桌論壇嘉賓，圖片：原力靈機

主持人：從全球的范圍來看，我們的具身智能的模型有哪些主流的技術(shù)路線，我們現(xiàn)在處在一個什么樣的階段？

王仲遠：在具身智能火熱的背后，我看到蠻多隱憂。雖然硬件本身的進步很快，但是在連續(xù)穩(wěn)定工作、安全性、電池等等方面，還有一系列的問題要解決。

在模型方面，雖然過去一年發(fā)布過一系列的具身模型，但我們覺得還遠沒有到具身的ChatGPT時刻。尤其當(dāng)具身智能模型和硬件，在真機部署之后，我們發(fā)現(xiàn)離真正希望的大規(guī)模應(yīng)用還是有比較大的Gap。

目前，具身模型的技術(shù)路線仍然整體處于發(fā)展中，大家經(jīng)常討論的有分模塊式的比如VLM加控制，或者端到端的VLA，包括現(xiàn)在在研究上非常火熱的世界模型等。但這些我認為都還遠沒有到可以非常自豪地說具身智能已經(jīng)得到徹底突破的階段。

所以很有可能我們接下來會看到的情況是，通過VLA+強化學(xué)習(xí)，把一個一個場景解決好。先干起活，在真機中積累更多的數(shù)據(jù)，形成數(shù)據(jù)的閉環(huán)，最后再來解決泛化性的問題。

汪玉：我做硬件多一點，包括算力、框架、邊緣、基礎(chǔ)設(shè)施。從我的角度來看，現(xiàn)在的機器人應(yīng)用，雖然已經(jīng)有很大進步，但還是局限在一個工作臺上?；旧险嬉汛笮∧X配合起來完成一個再稍微長一點的任務(wù)，稍微跨多個模態(tài)之后（就比較難了）。

我們組里會討論到底具身干活得干到什么程度，比如說收拾屋子的任務(wù)，這不只是疊一個衣服，而是（機器人）要去看整個屋子的狀態(tài)，琢磨應(yīng)該收拾成什么樣，然后開始一點點去干。干到最后把整個屋子收拾干凈了，這是一個很難的問題。

當(dāng)然模型肯定需要有突破，但我也在琢磨，如果完成這么復(fù)雜的任務(wù)情況下，屋子本身會不會也要發(fā)生變化。我是硬件出身，因此有時候會想在建這個屋子的時候，建筑是不是應(yīng)該要適配到有機器人的未來生活，畢竟原來只適配人的生活。就跟車路協(xié)同一樣，我們也可以有幫助機器人的基礎(chǔ)設(shè)施。

主持人：汪老師講的是我們下一代住宅標(biāo)準(zhǔn)也許要把機器人維度加進去。既然談到了基礎(chǔ)設(shè)施層面，汪老師怎么看現(xiàn)在具身智能領(lǐng)域里，國內(nèi)和硅谷的優(yōu)劣勢？

汪玉：美國在模型、數(shù)據(jù)等層面，更早地開始做了一些事情，有了一些應(yīng)用上的投入和突破。但是真的到落地這個層面，我還是堅信中國可以很快地跟上，特別是現(xiàn)在中國在具身這個維度已經(jīng)有比美國更強的投入了。

有很多人說具身是泡沫，我個人是覺得好不容易有一個方向，中國投入的強度比美國大，我覺得這可能是好事。因為中國的整個產(chǎn)業(yè)鏈、供應(yīng)鏈?zhǔn)峭暾?。如果把?yīng)用開放得再多一點，在模型和應(yīng)用層面的投入再加大，是有可能比美國在具身領(lǐng)域有更快的突破。

此外，中國現(xiàn)在我覺得學(xué)術(shù)界和產(chǎn)業(yè)界的聯(lián)動慢慢變多了，就像我自己坐在這里。其實是產(chǎn)業(yè)界碰到的問題后，回頭會跟研究機構(gòu)再形成聯(lián)動，而不是老師們坐在屋子里面看論文做研究。這樣的聯(lián)動線，我個人覺得這一點是和美國慢慢一致了，就是產(chǎn)學(xué)研在一起去推動具身這個方向。

主持人：觀察到一個現(xiàn)象，前兩天被譽為美國春晚的“超級碗”，上面有很多LLM（的宣傳）。但是我們國家的春晚，要上臺基本都是機器人。仲遠院長對這個話題有沒有想要表達的？

王仲遠：我分享聽到的兩個小故事吧。

第一個是一位投資人告訴我的小故事，美國那邊的具身智能投資人，經(jīng)常會看創(chuàng)業(yè)團隊里面有沒有華人，美國投資人認為有華人才能確保這家創(chuàng)企搞的具身智能有可能成功。

另外一個小故事，是我們自己在做具身智能模型迭代的時候，一個很痛苦的點在于硬件會經(jīng)常損壞。硬件損壞了之后，一來一回，經(jīng)常一修就得兩個禮拜。但是我們聽說美國那邊的機器人硬件一壞得修三個月，瞬間我們的心態(tài)就平衡很多。

所以一方面可以看到中國確實在制造業(yè)上有優(yōu)勢，這是我們做具身智能方面的一個優(yōu)勢。另外，整個行業(yè)依然處在早期，大家都處在快速發(fā)展和迭代的階段，所以遠沒有到分出誰優(yōu)誰劣。

主持人：聊過了美國具身創(chuàng)業(yè)的“含華量”指標(biāo)。從整個AI行業(yè)來看，很重要的里程碑叫“ChatGPT時刻”。所以大家認為“具身智能的ChatGPT時刻”是怎樣的？階躍星辰的姜大昕總，您對于“ChatGPT時刻”應(yīng)該有更深的感悟和體悟？

姜大昕：先說怎么定義“ChatGPT時刻”，我覺得最具標(biāo)志性的就是“零樣本”。零樣本地去做泛化，給它任何一條指令，即使以前沒有見過，AI可以回答出問題。這是和原來的自然語言處理是完全不一樣的，也是為什么“ChatGPT時刻”讓大家覺得非常興奮。

但如果對比自然語言和具身只能，我覺得“具身智能的ChatGPT時刻”會更加困難一些。

首先，從問題的定義本身，具身的泛化我覺得可以從不同維度去定義。泛化的維度不一樣，導(dǎo)致對于“具身智能的ChatGPT時刻”這件事情，不同人之間會存在非共識。

第一個維度是場景的泛化，比如，它是封閉場景、半封閉場景還是全開放場景；第二個維度是任務(wù)，導(dǎo)航任務(wù)、抓取任務(wù)還是家務(wù)；第三個維度是目標(biāo)的泛化，即使是一個簡單的抓取動作，抓取的對象也分為鋼鐵、柔性。

其次，我覺得從技術(shù)角度來看，具身智能牽扯到計算機視覺，但在一些非常根本性的問題上，大家沒有形成一個共識。比如，視覺究竟怎么編碼，怎么做自監(jiān)督的預(yù)訓(xùn)練，比如說在3D空間里面怎么做推理，我覺得這些事情可能未來還是需要一些突破，然后才能夠到ChatGPT時刻。

主持人：對于“具身智能的ChatGPT時刻”而言，定義是很關(guān)鍵的，所以做具體具身智能的兩位嘉賓，怎么定義具身智能的ChatGPT時刻？

高繼揚：我覺得這個問題特別值得討論。我覺得我們可能有一個更底層的問題，就是具身智能和語言模型這兩個產(chǎn)業(yè)，雖然底層都是來源于AI技術(shù)的創(chuàng)新突破，但是具體到產(chǎn)業(yè)里面去看，二者還挺不一樣的。

具身智能從技術(shù)的產(chǎn)生到產(chǎn)品的規(guī)劃，再到商業(yè)落地，鏈條更長。整體涉及到上下游的零部件供應(yīng)鏈和數(shù)據(jù)，而且具身智能的數(shù)據(jù)之前是沒有的。然后要做算法。再之后，還會發(fā)現(xiàn)渠道和終端跟大語言模型也不一樣，大語言模型的終端是手機、電腦，渠道是社交媒體的傳播。

所以你會發(fā)現(xiàn)在整個產(chǎn)業(yè)鏈條里面，大語言模型最稀缺、也是唯一缺的一環(huán)就是模型本身。所以模型即產(chǎn)品，模型好了，整個商業(yè)化、產(chǎn)業(yè)化的鏈條都開始具備了。

而具身智能，在剛才說的這幾環(huán)里面，供應(yīng)鏈、零部件都很不成熟。沒有整機，也就沒有好的真機數(shù)據(jù)。具身智能的終端就是機器人本身，這也涉及到要做線下渠道。

回到剛才的問題，對于“具身智能的ChatGPT時刻”定義，我認為如果從業(yè)務(wù)產(chǎn)線的角度來說，應(yīng)該是我們真的看到了它在某些限定范圍內(nèi)具備商業(yè)價值的這么一個時刻。

2026年我覺得會是發(fā)生變化的一年，因為整機和供應(yīng)鏈經(jīng)過過去兩年的準(zhǔn)備，發(fā)生了很多變化。數(shù)據(jù)我們也有很多，在模型、算法層面、后訓(xùn)練上的強化學(xué)習(xí)，預(yù)訓(xùn)練上的VLA以及最近的World Model（世界模型）引入，都給我們整個預(yù)訓(xùn)練的泛化性和后訓(xùn)練的成功率提了很多新的變化。

所以我覺得今年是應(yīng)用要閉環(huán)的一年。去年2025年上半年，我們明顯看到智能的發(fā)展有所起步，2025年下半年智能明顯加速，關(guān)鍵指標(biāo)我們可以參考開源社區(qū)里的開源模型數(shù)量。

2026年會是智能爆發(fā)的一年，爆發(fā)的結(jié)果一定在某些應(yīng)用領(lǐng)域形成應(yīng)用的外溢，而且同時配合了供應(yīng)鏈和整機。尤其是中國，顯著比美國強得多，周期剛才提到了快5到10倍，成本低5到10倍。

唐文斌：我覺得姜大昕講的“ChatGPT時刻”要求蠻高的，這已經(jīng)是AGI時刻了。今天我們想想ChatGPT給我們帶來最大的震撼是什么，我們曾經(jīng)把它當(dāng)成一個玩具，但是在那一刻，我們認為它是一個工具，它變成一個可用的東西。

所以我心中“具身智能ChatGPT時刻”的定義，是它變得有用、可信賴的時刻。這還是回到我們公司的使命想去做的事情。

我們對有用的定義非常簡單，它可以在限定場景，但要真正閉環(huán)解決所有的問題，要能夠在ROI上面算明白，算明白ROI才能使得它能夠被批量化應(yīng)用。

滿足這樣一個有用的定義情況下，我們才真正把一個玩具，或者說一個研究項目變成了一個工具，這個時候我認為就是“具身智能的ChatGPT”時刻。我覺得現(xiàn)在模型的能力進展確實非常大，所以這并不是很遠。

當(dāng)然ChatGPT時刻之后，還有DeepSeek時刻，也就是說它什么時候能夠出圈。今天具身智能機器人可以在倉庫、工廠里打螺絲，但我覺得老百姓并不能感知到，也許DeepSeek時刻可能是說全民都有感覺。今天如何能夠從工業(yè)物流走向商用、走向To C，這個時刻還要再晚一些，但我覺得也不會太遠。

主持人：在曠視時期，原力靈機的主創(chuàng)團隊經(jīng)歷了AI的1.0時代，現(xiàn)在到了具身智能的時期，你們并不是在一開始放出一個模型，而是先把RoboChallenge這樣一個Benchmark放出來。所以是怎么思考這個問題的？

唐文斌：模型是一個產(chǎn)物，它的結(jié)果，模型、算法、架構(gòu)、數(shù)據(jù)都在變化。當(dāng)下其實整個技術(shù)架構(gòu)是非常缺失的，不管是數(shù)據(jù)，還是仲遠院長講到的好用的硬件，以及評測標(biāo)準(zhǔn)。

今天的整個具身智能行業(yè)，我們所有做算法的人都知道，如果你不知道怎么評測它，你肯定沒有辦法讓它進步。今天，我們能用的評測標(biāo)準(zhǔn)可能有LIBERO、SimplerEnv、RoboTwin，它們的規(guī)模很小。很多Benchmark都已經(jīng)被差不多刷爆了，但99點幾分是代表當(dāng)前真實的能力嗎？顯然不是。

所以我們覺得非常需要來自物理世界、基于物理世界真實的、大規(guī)模的、真機的評測，才能夠引導(dǎo)我們能夠更好向前。

原力靈機內(nèi)部花了很多力氣在我們的具身框架Dexbotic上做整個基礎(chǔ)設(shè)施的建設(shè)，是希望把一些東西放出來，能對行業(yè)做一些貢獻。我們雖然是RoboChallenge的發(fā)起方，但是包括仲遠院長、高繼揚、清華汪老師等等，大家都一起在做這個測評，是希望行業(yè)里的更多人加入一起推動這個評測。

主持人：今天在座的嘉賓也有多位是RoboChallenge的合作方。星海圖作為第一批加入的企業(yè)，給RoboChallenge捐贈了硬件，這個思考是什么？

高繼揚：但是真正面向應(yīng)用的、落地的具身評測標(biāo)準(zhǔn)，一定是需要真機的。

我覺得ChatGTP或者語言模型的整個發(fā)展，完全是商業(yè)需求拉動的，Agentic、Coding、ChatBot這三大垂類有巨量的需求在拉動。

我們回頭看具身智能，未來也會形成垂類的概念，垂類一定是來自真實需求，這些真實需求要落到真機的評測里面，才能夠給我們做研發(fā)的企業(yè)，還有包括未來的需求方形成比較公允迭代的環(huán)境。

很多時候AI還是實驗科學(xué)，它有一定的原理、數(shù)學(xué)做支撐，但最終很多事還是要試出來?！霸嚒本鸵蟹答仯答伨鸵性u測。決定一個公司，一個組織，包括AI和其他的，很重要的一個指標(biāo)就是它的迭代效率，所以我們想盡一切辦法提高這個迭代效率，反饋的質(zhì)量，這是為什么當(dāng)時師兄提到說想做RoboChallenge時，我特別認可、特別支持。

因為我們在公司內(nèi)部有自己的一套Benchmark，大家可能10個場景不斷去迭代。我覺得我們也應(yīng)該能夠有一套整個行業(yè)、整個業(yè)界，都能夠普適的標(biāo)準(zhǔn)，甚至可以讓學(xué)界參與進來，能夠更好把產(chǎn)業(yè)界和學(xué)術(shù)界聯(lián)動起來。

主持人：RoboChallenge有非常強的重要性，但是一開始出現(xiàn)的形式稍微有點怪。像是成績好的學(xué)生，自己出了測試題，然后自己去考試。汪老師怎么評價學(xué)生的這種行為？（編者注：此處指原力靈機既是Benchmark評測標(biāo)準(zhǔn)的發(fā)起方，自己也作為企業(yè)參與評測并取得了較好成績）

汪玉：我覺得未來學(xué)習(xí)的模式可能會變，不一定是老師教的，可能學(xué)生就是自己學(xué)的。這也是我們最近跟學(xué)校里面的同事在討論，未來大學(xué)的發(fā)展可能真的不是老師教課，老師可能就是來考個試，但是考題的靈感可以來自于學(xué)生們，這個沒有任何問題。

回過頭說，其實現(xiàn)在北京做了一個很好的事情，就是做亦莊的機器人比賽，我們有兩會一賽，有馬拉松、機器人大會和運動會。原來更多考驗本體能力，現(xiàn)在慢慢再加一些跟智能相關(guān)的檢測。

但是這樣的方式往往是低頻的，每年可能就那么一次、兩次。所以能不能做一個平時可以隨時去測的真機測試，并且以相對公允的環(huán)境、試驗場景，這個我還是非常喜歡的一種方式。

把這種高頻的、線上的，或者說不管在什么地方都可以做這件事情，成為現(xiàn)實，我覺得這個能力還是非常值得繼續(xù)推進的。

現(xiàn)在其實有十幾位“好學(xué)生”（參與方）一起去共建這樣一個RoboChallenge的平臺，這個平臺每個人內(nèi)心都是公益的邏輯，在這樣一個環(huán)境里面去競賽。

什么時候能夠以一個更加公益的形態(tài)呈現(xiàn)，可能也是我們可以繼續(xù)商議的。本來公益組織的建設(shè)就需要很多時間。但是從發(fā)起到高頻次真實世界的評測，到大家一起貢獻所有不同的場景，包括產(chǎn)業(yè)界、做機器人的、學(xué)術(shù)界一起定義這些場景，再往后怎么做一個全開源的生態(tài)。這一套起來以后對于整個行業(yè)是一個巨大的推動，所以我覺得這事還是非常值得去繼續(xù)努力的。

唐文斌：我想插個話，確實我們在探討這樣一個事情，因為我們在這次DM0模型發(fā)布的時候，我們自己內(nèi)部有一個小糾結(jié)。因為RoboChallenge是我們和Hugginface一起發(fā)布的，雖然有很多同行的參與，但畢竟我們還是發(fā)起方。所以，原力靈機自己到底應(yīng)不應(yīng)該提交自己發(fā)的模型，到底應(yīng)不應(yīng)該放這個成績，我們內(nèi)部糾結(jié)了一陣子，展開了很激烈的討論，有不同的意見。

汪玉：OpenAI自己也有Benchmark，他們測完以后自己也發(fā)結(jié)果，這個我覺得不矛盾。

唐文斌：因為OpenAI也是這么干的，我們自己心里也淡然了。這次我們對團隊提的要求開源一定要做的非常徹底，我們要保證大家下載了我們的code、DM0模型、Dexbotic（開發(fā)框架），直接去RoboChallenge提交就能拿到現(xiàn)在的分，這是我們在這個事情上這是一個很公開的事情，大家大大方方做就好了。

主持人：我們最后再來說一些預(yù)言性的問題。面向2026年，在具身智能領(lǐng)域，大家最期待看到的情況，或者能解決的任務(wù)，會是什么？

汪玉：還是從電子系角度來說，我真的希望能形成一套云邊端配合的體系，能夠改變建筑，去構(gòu)建面向機器和人共生環(huán)境的基礎(chǔ)設(shè)施。這套方案我覺得今年可能有一個雛形出來，大家再一塊去討論。

王仲遠：雖然我對硬件、模型都有很多的期待，但可能我對2026年最期待的反而是在標(biāo)準(zhǔn)上。

因為我覺得現(xiàn)在不管是硬件的標(biāo)準(zhǔn)、數(shù)據(jù)的標(biāo)準(zhǔn)，包括模型輸出的標(biāo)準(zhǔn)，整個生態(tài)非常碎片化，所以我蠻期待2026年在標(biāo)準(zhǔn)上能夠有一些突破，它有可能極大促進整個產(chǎn)業(yè)的發(fā)展。

因為智源一起參與了RoboChallenge，我印象很深，當(dāng)時和文斌交流的時候也說到數(shù)據(jù)大家各采各的數(shù)據(jù)，連格式、代碼很多都是不一致的，所以這就直接導(dǎo)致了很多時候模型也很難被重復(fù)驗證，坦白說我們嘗試下載和驗證近期國內(nèi)外發(fā)的很多的模型，最后我們部署起來都很挺費勁的，這里面有很多東西就是因為大家的標(biāo)準(zhǔn)沒有統(tǒng)一。

2026年的時候，智源因為也在人形和具身的標(biāo)委會里，很大概率我們會牽頭做具身智能的標(biāo)準(zhǔn)。

姜大昕：剛才聽了文斌的分享很受啟發(fā)，如果真的在任何場景、任何任務(wù)、任何目標(biāo)上能夠?qū)崿F(xiàn)零樣本的泛化，那就是“AGI時刻”了。

2026年我最期待原力靈機和階躍星辰能夠合作，實現(xiàn)文斌所說的ChatGPT時刻：能用、可靠的完成任務(wù)。

文斌如果覺得這個任務(wù)沒有足夠的挑戰(zhàn)，那咱們上半年實現(xiàn)ChatGPT時刻，下半年實現(xiàn)DeepSeek時刻。

高繼揚：我覺得還是期待2026年真的能夠在生產(chǎn)力端看到一條明確的增長路徑。然后，在兩年之內(nèi)能夠有單一場景，形成比如上萬臺這樣的出貨，我覺得這是整個行業(yè)都迫切需要的。

唐文斌：我的目標(biāo)比高繼揚小一點，我希望看到在一個場景，有一千臺持續(xù)運行。

這里面我想說一下持續(xù)運行是最關(guān)鍵的事情，而且不要場景很多，不是靠加法做起來的，一個場景里面一千臺持續(xù)運行，某種程度上就是我們今天已經(jīng)走通了一個場景的規(guī)?；拈]環(huán)，我覺得2026年有機會。

封面來源｜AI生成