圖來(lái)自魔搭社區(qū)

極佳視界在具身行業(yè)一直是個(gè)獨(dú)特的存在。

無(wú)論是脫胎于華為的智元機(jī)器人，還是當(dāng)紅炸子雞宇樹(shù)科技，圍繞的還是本體、數(shù)據(jù)采集和感知檢測(cè)等生態(tài)，算法研究較少。華為一位具身智能研究員說(shuō)，“大家都在賣鏟子，只有極佳在挖金礦”。

至少半年前，在具身領(lǐng)域挖金礦并不被視為一門好生意。當(dāng)宇樹(shù)機(jī)器人在春晚上依靠扭秧歌一炮而紅，智元機(jī)器人量產(chǎn)機(jī)穩(wěn)步走進(jìn)工業(yè)場(chǎng)景時(shí)，外界很少會(huì)關(guān)注一個(gè)每年發(fā)布至少數(shù)十篇論文，試圖參透機(jī)器人大腦在物理世界運(yùn)行規(guī)律的公司。

在之前的各種具身智能榜單中，極佳視界鮮有露出。但是在車圈，極佳視界又無(wú)人不曉。理想、小鵬、小米、比亞迪、大眾、奔馳等頭部車企幾乎都是它的客戶，“在自動(dòng)駕駛世界模型領(lǐng)域，幾無(wú)對(duì)手�！睒O佳視界的聯(lián)合創(chuàng)始人兼首席科學(xué)家朱政說(shuō)。

車廠掌握絕對(duì)話語(yǔ)權(quán)的產(chǎn)業(yè)體系下，自動(dòng)駕駛只是極佳視界商業(yè)化落地的過(guò)渡場(chǎng)景。真正值得挖掘的金礦，是極佳視界所錨定的物理世界“OpenAI”——具身智能。

先行者總會(huì)率先得到犒賞。過(guò)去三年，極佳在迭代的數(shù)千個(gè)模型里不斷探索邊界，到2026年春節(jié)，模型測(cè)試結(jié)果中浮現(xiàn)出新范式：在完成多任務(wù)或few shot訓(xùn)練上，VLA更像是大語(yǔ)言模型早期的BERT模型，無(wú)法Scaling(規(guī)�；瘮U(kuò)展，通俗理解就是大力出奇跡)，世界模型才是下一代的“ChatGPT”。

極佳視界早在2023年成立時(shí)就瞄準(zhǔn)世界模型，國(guó)內(nèi)外幾乎沒(méi)有任何可對(duì)照的坐標(biāo)。這家公司團(tuán)隊(duì)組成，實(shí)際上也符合中國(guó)投資圈的典型審美——?jiǎng)?chuàng)業(yè)團(tuán)隊(duì)出自明星公司，有自己的技術(shù)堅(jiān)持和量產(chǎn)經(jīng)驗(yàn)，核心成員紐帶緊密，分工默契。

創(chuàng)始人、CEO黃冠和朱政同出自清華大學(xué)自動(dòng)化系，也是國(guó)內(nèi)最早做機(jī)器人視覺(jué)感知業(yè)務(wù)的大牛級(jí)人物。黃冠是自動(dòng)駕駛芯片公司地平線早期視覺(jué)感知技術(shù)的核心人員，也是一位連續(xù)創(chuàng)業(yè)者。朱政角色更像是技術(shù)舵手，連續(xù)四年入選斯坦福大學(xué)的“全球前2%頂尖科學(xué)家榜單”，今年3月還被阿里魔搭社區(qū)評(píng)選為EAI具身先鋒人物TOP20。

另一位創(chuàng)始人孫韶言曾任阿里云總監(jiān)、地平線數(shù)據(jù)閉環(huán)產(chǎn)品線總經(jīng)理，副總裁毛繼明曾是百度Apollo仿真技術(shù)負(fù)責(zé)人。

去年10月，極佳視界獲得華為哈勃的投資，此后估值便一路飆升。據(jù)了解，僅2026年前三個(gè)月，極佳視界已連續(xù)完成三輪融資，估值較此前翻升三倍，迅速躋身百億獨(dú)角獸行列。

以下是《白鯨實(shí)驗(yàn)室》和朱政的對(duì)話，為了文本閱讀方便，我們做了精簡(jiǎn)處理。

01

VLA模型的Scaling失效了

白鯨實(shí)驗(yàn)室：從去年十月開(kāi)始，你們的融資節(jié)奏很快，基本上一個(gè)月封閉一輪。我了解到你們今年3個(gè)月估值已經(jīng)翻了3倍，現(xiàn)在也躋身百億估值獨(dú)角獸。投資人到底在為什么敘事激動(dòng)？

朱政：具身領(lǐng)域的世界模型，比語(yǔ)言模型整體發(fā)展節(jié)奏上要晚幾年，但發(fā)展邏輯大致相似。從資本角度上看，隨著國(guó)內(nèi)上市的智譜、MiniMax市值上漲到2000-4000億人民幣，資本看好世界模型再造個(gè)千億市值的公司。

從技術(shù)上看，世界模型來(lái)到了拐點(diǎn)時(shí)刻�，F(xiàn)在流行的VLA模型（vision—language- action），不管自動(dòng)駕駛還是具身領(lǐng)域，更像是早期的BERT模型（谷歌2018年推出的，在ChatGPT走紅之前，BERT是NLP時(shí)代最具標(biāo)志性的模型），大家意識(shí)到世界模型才是接下來(lái)的GPT，即將迎來(lái)新一輪的爆發(fā)，這兩年增速會(huì)非�？�。

我們做過(guò)很多實(shí)驗(yàn)發(fā)現(xiàn)，VLA在數(shù)據(jù)Scaling上面比較低效。

世界模型更容易實(shí)現(xiàn)Scaling，我們給世界模型加到數(shù)十萬(wàn)小時(shí)的數(shù)據(jù)，在一些簡(jiǎn)單的多任務(wù)的表現(xiàn)上，有80、90%成功率，已經(jīng)超過(guò)VLA的60、70%。這是我們最近一個(gè)最重要的發(fā)現(xiàn)。

白鯨實(shí)驗(yàn)室：這個(gè)是共識(shí)嗎？

朱政：可能有同行已經(jīng)發(fā)現(xiàn)了，但還沒(méi)人對(duì)外講。

在對(duì)比實(shí)驗(yàn)中，當(dāng)把VLA預(yù)訓(xùn)練的數(shù)據(jù)，從一萬(wàn)小時(shí)加到數(shù)十萬(wàn)小時(shí)，Scaling效果比較緩慢�，F(xiàn)在VLA，需要針對(duì)單一的業(yè)務(wù)場(chǎng)景收集非常多的訓(xùn)練數(shù)據(jù)，做后訓(xùn)練。

比如為了學(xué)會(huì)沖咖啡、疊衣服、倒水，會(huì)給它單一業(yè)務(wù)的數(shù)據(jù)做后訓(xùn)練。這樣成功率會(huì)比較高，基本上接近百分百。但這樣的模型沒(méi)有泛化能力，一個(gè)模型只能干一件事，換個(gè)任務(wù)，需要再重新后訓(xùn)練。

第二，VLA模型沒(méi)有zero shot、few shot或者one shot能力。當(dāng)針對(duì)一些特殊場(chǎng)景，模型后訓(xùn)練數(shù)據(jù)只有一條或者幾條時(shí)，模型也能迅速學(xué)會(huì)這個(gè)場(chǎng)景技能。世界模型在這方面很有潛力，只要給出幾條數(shù)據(jù)，就能有不錯(cuò)的表現(xiàn)。

這個(gè)春節(jié)前后，我們基本上斷定，世界模型會(huì)代替VLA。

白鯨實(shí)驗(yàn)室：業(yè)內(nèi)很多人包括宇樹(shù)的王興興就曾質(zhì)疑VLA表現(xiàn)不好，不過(guò)后來(lái)遭到理想汽車自動(dòng)駕駛研發(fā)副總裁郎咸朋（現(xiàn)已離職）的反駁，他說(shuō)VLA就是自動(dòng)駕駛最好的模型方案，也是通往下一代機(jī)器人系統(tǒng)的通用架構(gòu)，世界模型只是VLA的“考場(chǎng)”。你怎么看？

朱政：自動(dòng)駕駛場(chǎng)景下的VLA和世界模型的差別，跟具身不一樣。因?yàn)樽詣?dòng)駕駛行業(yè)有海量的數(shù)據(jù)訓(xùn)VLA，而且自動(dòng)駕駛的任務(wù)多是單一任務(wù)，VLA模型可以完成的很好。

而具身場(chǎng)景下，機(jī)器人完成的通常是多任務(wù)，以及泛化場(chǎng)景，我認(rèn)為世界模型更有優(yōu)勢(shì)。

從第一性原理上看，VLA本質(zhì)是多模態(tài)模型，它的預(yù)訓(xùn)練范式就是圖文對(duì)的匹配，把所有輸入映射成語(yǔ)言，導(dǎo)出action。語(yǔ)言對(duì)action幫助不大。一個(gè)最直接的例子是許多動(dòng)物也沒(méi)有自己的語(yǔ)言系統(tǒng)，但也不妨礙它的運(yùn)動(dòng)能力。

只不過(guò)現(xiàn)在語(yǔ)言模型、多模態(tài)模型比較發(fā)達(dá)，現(xiàn)在市場(chǎng)通用做法是繼承多模態(tài)模型的訓(xùn)練權(quán)重，再利用機(jī)器人數(shù)據(jù)訓(xùn)練action能力，我們認(rèn)為這個(gè)方式上限有限，用視頻生成方式，也就是世界模型訓(xùn)練可以實(shí)現(xiàn)更好的效果。

白鯨實(shí)驗(yàn)室：聽(tīng)起來(lái)這個(gè)結(jié)論得出并不難，為什么大家之前不敢下這個(gè)判斷？

朱政：現(xiàn)在大部分VLA，是通過(guò)后訓(xùn)練做單一任務(wù)。增加預(yù)訓(xùn)練數(shù)據(jù)的同時(shí)，再通過(guò)后訓(xùn)練，確實(shí)能讓單一任務(wù)的成功率往上提。大家對(duì)VLA關(guān)注點(diǎn)還停留在單一任務(wù)的完成上，很少有人去嘗試多任務(wù)和few shot的訓(xùn)練，在多任務(wù)和few shot的訓(xùn)練上，很多人很快會(huì)發(fā)現(xiàn)問(wèn)題。

白鯨實(shí)驗(yàn)室：你們覺(jué)得在資本市場(chǎng)上受歡迎，是因?yàn)閿?shù)據(jù)的嘗試？

朱政：不只是數(shù)據(jù)，最重要的還是模型架構(gòu)。如果沒(méi)人研究出GPT模型，都用BERT模型。數(shù)據(jù)再多，也無(wú)法Scaling，這是VLA模型和世界模型最本質(zhì)的差別。

白鯨實(shí)驗(yàn)室：小鵬汽車今年3月推出第二代VLA，去掉中間的language轉(zhuǎn)譯，被視為探索物理模型的新范式。你們?cè)趺蠢斫夂蛥^(qū)分VLA和世界模型？

朱政：小鵬汽車的第二代VLA已經(jīng)接近世界模型了。VLA和世界模型的區(qū)別還是基模不同，VLA的基模是VLM，由LLM衍生出的視覺(jué)模型。本質(zhì)上是它更傾向于看見(jiàn)畫(huà)面，理解成語(yǔ)言然后映射動(dòng)作。

而世界模型的基模是視頻生成模型，是基于一段視頻或者狀態(tài)，預(yù)測(cè)和推演下一個(gè)畫(huà)面。

白鯨實(shí)驗(yàn)室：2025年的風(fēng)口是VLA ，今年開(kāi)始轉(zhuǎn)向世界模型，但目前世界模型技術(shù)路線分歧還挺大的，你覺(jué)得現(xiàn)在過(guò)于炒作了嗎？

朱政：世界模型的概念其實(shí)很早就出現(xiàn)了。上個(gè)世紀(jì)說(shuō)的世界模型，主要是說(shuō)機(jī)器人本體對(duì)外部世界的建模，類比人在自然界的生存，需要對(duì)世界怎么演進(jìn)有基本的認(rèn)識(shí)和判斷，機(jī)器人也需要對(duì)世界的基本認(rèn)識(shí)，做出預(yù)測(cè)和研判。

從應(yīng)用場(chǎng)景上看，很多產(chǎn)品也可以稱之為世界模型。有時(shí)候，SORA也自稱為世界模型。圖靈獎(jiǎng)得主Yann Lecun做的是對(duì)隱空間的預(yù)測(cè)，也稱為世界模型，李飛飛做單圖可以生成3D世界，人可以在里面自由漫游，因?yàn)榘A(yù)測(cè)能力，她也稱之為世界模型。

上面提到的這幾個(gè)世界模型還是通用場(chǎng)景，我們主要關(guān)注還是自動(dòng)駕駛和具身領(lǐng)域的世界模型，確實(shí)世界模型比較有潛力，所以覺(jué)得大家關(guān)注屬于正常。

白鯨實(shí)驗(yàn)室：?jiǎn)栆粋�(gè)略顯套路的問(wèn)題，在技術(shù)轉(zhuǎn)身中，更加堅(jiān)定的是什么？

朱政：更加堅(jiān)定的是，世界模型才是最后的出路。無(wú)論自動(dòng)駕駛還是具身領(lǐng)域，當(dāng)前世界模型比較成熟的應(yīng)用都是在一線的生成數(shù)據(jù)，各種數(shù)據(jù)的泛化。

我們推進(jìn)世界模型，主要做兩塊，一是Action world model，在世界模型上疊加各種x condition后，跟強(qiáng)化學(xué)習(xí)結(jié)合起來(lái)，作為強(qiáng)化學(xué)習(xí)的一個(gè)閉環(huán)模擬器。

大家都知道強(qiáng)化學(xué)習(xí)對(duì)具身或自動(dòng)駕駛是非常重要的，之前做的更偏向真機(jī)強(qiáng)化學(xué)習(xí)，效率比較低，也比較危險(xiǎn)。世界模型和真機(jī)強(qiáng)化學(xué)習(xí)結(jié)合起來(lái)，可以為強(qiáng)化學(xué)習(xí)提升 Scaling效率，也可以拿世界模型來(lái)做evaluator，代替真機(jī)的評(píng)測(cè)。這個(gè)世界模型主要是服務(wù)VLA，因?yàn)檫@部分工業(yè)場(chǎng)景或泛服務(wù)場(chǎng)景最先落地還是VLA。

第二個(gè)就是大家講的WAM(World Action Model）。用世界模型直接出動(dòng)作代替掉VLA。這個(gè)主要是面向家庭場(chǎng)景。

白鯨實(shí)驗(yàn)室：所以第一個(gè)模型相當(dāng)于是第二個(gè)模型的過(guò)渡嗎？

朱政：對(duì)，第一個(gè)既是過(guò)渡，也是終局，因?yàn)榉抡嫫骱苤匾?/p>

白鯨實(shí)驗(yàn)室：有沒(méi)有逐漸祛魅的？

朱政：就是VLA的上限確實(shí)容易飽和。

02

要做物理世界的OpenAI

白鯨實(shí)驗(yàn)室： 2023年6月，當(dāng)時(shí)生成式AI還沒(méi)有爆發(fā)，你們當(dāng)時(shí)就all in世界模型，是看到什么具體信號(hào)嗎？

朱政：22年底，ChatGPT出來(lái)后，我們?cè)囉眠^(guò)很多次，認(rèn)為這會(huì)徹底改變所有的游戲規(guī)則。我們是做視覺(jué)出身的，當(dāng)時(shí)就想著如何利用ChatGPT的技術(shù)思路，做一個(gè)視覺(jué)版的GPT。

白鯨實(shí)驗(yàn)室：你們做融資的同學(xué)也提到，你們想要成為物理世界的OpenAI，這給我的印象你們確實(shí)是一個(gè)野心很大的團(tuán)隊(duì)。

朱政：是的，我可以非常直白的說(shuō)，24年估值還只有十億時(shí)，我們就有這種目標(biāo)。當(dāng)時(shí)為了對(duì)標(biāo)大語(yǔ)言模型的OpenAI，我們當(dāng)時(shí)定的目標(biāo)是千億估值。

到今天還是這個(gè)目標(biāo)，雖然現(xiàn)在估值到了100億，還遠(yuǎn)未實(shí)現(xiàn)目標(biāo)。MiniMax 、智譜現(xiàn)在市值2000-4000億人民幣，我們認(rèn)為自己是可以和它們對(duì)標(biāo)的。

白鯨實(shí)驗(yàn)室：今年以來(lái)，好多都在轉(zhuǎn)向世界模型。怎么判斷你們研究的是GPT，其他的人不是GPT呢？

朱政：23年，無(wú)論業(yè)界還是學(xué)術(shù)界，都很少探索世界模型時(shí)，我們就開(kāi)始做世界模型，當(dāng)時(shí)落地比較成熟的是自動(dòng)駕駛。為了做好世界模型，同時(shí)也做了許多VLA模型。

白鯨實(shí)驗(yàn)室：你覺(jué)得你們最先跑出來(lái)的優(yōu)勢(shì)是什么？

朱政：我覺(jué)得最重要的因素是我們做的比別人久，踩的坑也多。因?yàn)槟Ｐ褪切枰罅坑?xùn)練，沒(méi)人敢說(shuō)一次訓(xùn)練就成功。很可能99%的模型都是失敗的。只有剩下的1%的模型才能提供正確的方向，校正模型路線。這對(duì)團(tuán)隊(duì)要求很高，也是非常細(xì)致的功夫，是需要經(jīng)驗(yàn)積累的。

白鯨實(shí)驗(yàn)室：你們做過(guò)多少次實(shí)驗(yàn)？

朱政：算上VLA模型和世界模型，我們訓(xùn)練了幾千個(gè)模型。（成立不到3年，這樣算下來(lái)每天至少要訓(xùn)練出一個(gè)模型）

白鯨實(shí)驗(yàn)室：創(chuàng)業(yè)以來(lái)，有讓你始料未及的嗎？

朱政：我想想，我們剛開(kāi)始時(shí)還是受自動(dòng)駕駛的影響比較大，沒(méi)想到具身智能行業(yè)會(huì)這么火。

自動(dòng)駕駛其實(shí)是我們的一個(gè)舒適區(qū)。我們非常了解車企，需要什么樣的數(shù)據(jù)和閉環(huán)仿真器，交流無(wú)障礙。公司營(yíng)收每年大概有幾千萬(wàn)，當(dāng)時(shí)的產(chǎn)品線、技術(shù)比較收斂，交付的也快。

當(dāng)我們幾乎和所有頭部車企合作后，發(fā)現(xiàn)自動(dòng)駕駛是存量生意，具身智能可能是是未來(lái)更有想象力的一件事情。24年下半年開(kāi)始把重心傾斜到具身智能。

但具身對(duì)我們來(lái)講，確實(shí)是一個(gè)全新的市場(chǎng)，和傳統(tǒng)車企不一樣。當(dāng)時(shí)的具身行業(yè)只有本體制造商，如宇樹(shù)、眾擎、星動(dòng)紀(jì)元，本身也都是創(chuàng)業(yè)公司，機(jī)器人也沒(méi)像汽車成為標(biāo)準(zhǔn)產(chǎn)品，即使到現(xiàn)在機(jī)器人還沒(méi)有量產(chǎn)，部分處在半量產(chǎn)的階段。

大腦可能更明顯。行業(yè)此前主要做小腦比較多，擅長(zhǎng)運(yùn)動(dòng)控制，類似翻跟頭、跳舞、跑步等動(dòng)作。大腦還處在一個(gè)初步探索的早期階段，我們其實(shí)也是從零開(kāi)始做，同時(shí)做VLA和世界模型，中間踩了很多坑。

白鯨實(shí)驗(yàn)室：踩了很多的坑，是指什么？

朱政：我覺(jué)得最大的坑是一開(kāi)始沒(méi)有做本體，采用一腦多型的戰(zhàn)術(shù)，即用一個(gè)大腦去適配所有的本體。

一開(kāi)始，我們幾乎嘗試了市面上的所有機(jī)器人本體，采集數(shù)據(jù)，訓(xùn)練模型，后來(lái)我發(fā)現(xiàn)這個(gè)戰(zhàn)術(shù)實(shí)在太激進(jìn)了，純粹是給自己添堵。一方面訓(xùn)練VLA或世界模型其實(shí)離不開(kāi)本體，因?yàn)槟阈枰帽倔w采集數(shù)據(jù)。

另一方面，還有一個(gè)很現(xiàn)實(shí)的問(wèn)題，市面上的本體雖然會(huì)開(kāi)放各種API接口，但各種底層的設(shè)計(jì)是不會(huì)對(duì)外開(kāi)放的，底層的很多設(shè)計(jì)，即使覺(jué)得不合理，也只能接受。

我們最后決定，收斂到一腦一型，自己造本體，用自研本體采集數(shù)據(jù)，再將訓(xùn)出來(lái)的模型部署在自研本體上。這樣可以給用戶最好的體驗(yàn)。

白鯨實(shí)驗(yàn)室：當(dāng)時(shí)這個(gè)階段用了多久？

朱政：我們大概折騰了將近半年的時(shí)間吧。

白鯨實(shí)驗(yàn)室：當(dāng)時(shí)業(yè)內(nèi)在這方面還沒(méi)有形成共識(shí)？

朱政：我覺(jué)得每個(gè)行業(yè)都會(huì)存在類似的問(wèn)題。行業(yè)剛興起時(shí)，大家都會(huì)抱以極大的熱情解決終極問(wèn)題，即一腦多型的問(wèn)題，希望自己的算法可以跑在任意一臺(tái)本體上，不依賴于特定的本體。

就像安卓系統(tǒng)一樣，可以跑在不同的手機(jī)平臺(tái)上。做技術(shù)的人容易過(guò)度的樂(lè)觀，覺(jué)得技術(shù)可以改變一切，一上來(lái)就解決最終極的問(wèn)題。很快，人會(huì)冷靜下來(lái)。

白鯨實(shí)驗(yàn)室：在晚點(diǎn)的報(bào)道中，2025年賈鵬從理想出來(lái)創(chuàng)辦至簡(jiǎn)具身公司時(shí)，理想汽車CEO對(duì)他說(shuō)，第一個(gè)做的大概率會(huì)死，但做成的會(huì)屬于第一批的人。你們算是國(guó)內(nèi)最早開(kāi)始做世界模型的，會(huì)有這種壓力嗎？

朱政：完全沒(méi)有，因?yàn)閰⒖颊Z(yǔ)言模型、多模態(tài)模型的進(jìn)展，我覺(jué)得市場(chǎng)會(huì)獎(jiǎng)勵(lì)先行者的。

白鯨實(shí)驗(yàn)室：會(huì)擔(dān)心出現(xiàn)大語(yǔ)言模型里的“DeepSeek效應(yīng)”嗎？

朱政：DeepSeek R1出來(lái)后，語(yǔ)言模型六小虎，大概分成兩派。第一派就是放棄做基模，轉(zhuǎn)向其他的垂直領(lǐng)域。另外一派是迎難而上，他們相信DeepSeek能干出來(lái)，自己也能干出來(lái)。我們屬于后者。

白鯨實(shí)驗(yàn)室：你們更想成為大語(yǔ)言模型第一梯隊(duì)里的誰(shuí)？Kimi、智譜還是MiniMax？

朱政：語(yǔ)言模型可能會(huì)分化比較嚴(yán)重，有的模型比較適合做coding，有的模型可能比較適合做agent，有的模型各項(xiàng)能力比較綜合。

現(xiàn)在具身基模還沒(méi)到談?wù)撨@一步的時(shí)候。它現(xiàn)在最大的問(wèn)題是還沒(méi)有出現(xiàn)涌現(xiàn)能力，它的泛化能力還沒(méi)有辦法達(dá)到人們的基本要求�，F(xiàn)在談這事還比較遙遠(yuǎn)。

所以未來(lái)大家的具身基模會(huì)更有自己的特性。有的具身基模做菜做特別好吃，法餐、中餐八大菜系都會(huì)做。有的機(jī)器人擅長(zhǎng)打掃房間、做家務(wù)活。有的特別適合做養(yǎng)老陪護(hù)、照顧老人。我判斷可能在2028年會(huì)有一個(gè)初步的答案。

03

把數(shù)據(jù)統(tǒng)一起來(lái)訓(xùn)練模型

白鯨實(shí)驗(yàn)室：去年十月，我和智元機(jī)器人姚卯青院長(zhǎng)聊時(shí)，他提到行業(yè)大部分用的還是真機(jī)數(shù)據(jù)，占到9成以上，仿真數(shù)據(jù)占比非常小。這個(gè)比例有變化嗎？

朱政：目前大家對(duì)于真機(jī)數(shù)據(jù)占比還沒(méi)有統(tǒng)一的結(jié)論。針對(duì)不同場(chǎng)景，比例是可以動(dòng)態(tài)變化的。

有些泛化性要求特別高的，比如說(shuō)光照變化，那就需要更多的仿真數(shù)據(jù)來(lái)模擬光照的變化。有些場(chǎng)景不需要那么多泛化數(shù)據(jù)，真機(jī)數(shù)據(jù)直接訓(xùn)就可以。

白鯨實(shí)驗(yàn)室：我記得你們?nèi)ツ臧l(fā)布模型GigaBrain-0時(shí)提到，仿真數(shù)據(jù)占到九成，泛化能力會(huì)提升很多。

朱政：當(dāng)時(shí)真機(jī)數(shù)據(jù)積累的比較少，整個(gè)數(shù)據(jù)只有幾千小時(shí)。我們使用真機(jī)數(shù)據(jù)只占了10%，其余9成是世界模型生成數(shù)據(jù)。我們最新版本GigaBrain-0.5，因?yàn)槲覀兎e累的真機(jī)數(shù)據(jù)有幾萬(wàn)個(gè)小時(shí)，占比提升到40%，世界模型數(shù)據(jù)占比60%。

白鯨實(shí)驗(yàn)室：世界模型生成的訓(xùn)練數(shù)據(jù)和采集的真機(jī)數(shù)據(jù)相比，在模型的泛化能力上差異有多大？

朱政：這個(gè)主要看測(cè)試集怎么定義。

假如你的測(cè)試集上的任務(wù)訓(xùn)練的都是真機(jī)數(shù)據(jù)沒(méi)有見(jiàn)過(guò)的任務(wù)，比如某些泛化要求比較高的場(chǎng)景，疊衣服，顏色、紋理、光照頻繁變化，世界模型數(shù)據(jù)對(duì)提升泛化性肯定更好。

白鯨實(shí)驗(yàn)室：去年11月Generalist發(fā)布了一個(gè)具身模型，它當(dāng)時(shí)用了27萬(wàn)小時(shí)，你們做的基�，F(xiàn)在GigaBrain-0.5才用幾萬(wàn)小時(shí)。是不是和國(guó)外具身模型差距很大？

朱政：我覺(jué)得VLA模型不存在這個(gè)問(wèn)題。就像剛才講的，我們其實(shí)給VLA增加很多數(shù)據(jù)，但是發(fā)現(xiàn)它比較低效。更多數(shù)據(jù)訓(xùn)世界模型才更合理。

白鯨實(shí)驗(yàn)室：現(xiàn)在許多數(shù)據(jù)，既有遙操作數(shù)據(jù)，去年UMI數(shù)據(jù)也很火，你們主要使用的是哪類數(shù)據(jù)？

朱政：上面提到的幾十萬(wàn)小時(shí)數(shù)據(jù)主要是真機(jī)數(shù)據(jù)。現(xiàn)在市場(chǎng)上對(duì)數(shù)據(jù)的注意力轉(zhuǎn)移很快。去年因?yàn)槭躍unday影響，大家對(duì)UMI數(shù)據(jù)關(guān)注度很高，最近英偉達(dá)發(fā)布的研究帶火了Ego數(shù)據(jù)（人類作為第一視角搜集到的視頻）。

我們對(duì)各種數(shù)據(jù)都持開(kāi)放態(tài)度，期望能統(tǒng)一遙操數(shù)據(jù)、UMI數(shù)據(jù)、世界模型數(shù)據(jù)、互聯(lián)網(wǎng)數(shù)據(jù)和Ego數(shù)據(jù)，訓(xùn)練世界模型。

白鯨實(shí)驗(yàn)室：統(tǒng)一的難度是什么？

朱政：每種數(shù)據(jù)定義的空間、數(shù)據(jù)格式都不一樣，重點(diǎn)是重定向。比如你把UMI數(shù)據(jù)、Ego數(shù)據(jù)，全都映射到機(jī)械臂上，機(jī)械臂、手腕怎么映射。想讓這些數(shù)據(jù)互補(bǔ)，統(tǒng)一起來(lái)非常困難�，F(xiàn)在我們正在嘗試解決這個(gè)問(wèn)題。

我們不可能什么數(shù)據(jù)火了，就迅速轉(zhuǎn)向這個(gè)數(shù)據(jù)，其他數(shù)據(jù)就完全不用了。我們認(rèn)為把這些數(shù)據(jù)統(tǒng)一起來(lái)，是最好的方式。

04

六邊形戰(zhàn)士更容易成功

白鯨實(shí)驗(yàn)室：你們深入一個(gè)全新的領(lǐng)域，既做VLA又做世界模型。你有過(guò)公司不夠聚焦的時(shí)刻嗎？

朱政：沒(méi)有，我反而覺(jué)得這是優(yōu)點(diǎn)。我們同時(shí)做世界模型和VLA，會(huì)對(duì)兩者的邊界和上限有更清楚的理解，我覺(jué)得這是一種非常好的狀態(tài)。

我們鼓勵(lì)研究員有好奇心和求知欲，沒(méi)有大公司的條條框框約束。實(shí)際上很多創(chuàng)新都是自下而上驅(qū)動(dòng)的，一些VLA和世界模型的原型，甚至是一些非常年輕的剛畢業(yè)同學(xué)，實(shí)習(xí)生完成的，大家完全是憑著自身對(duì)技術(shù)的理解和興趣。

白鯨實(shí)驗(yàn)室：世界模型，在具身領(lǐng)域，離真正實(shí)現(xiàn)物理交互還有多遠(yuǎn)？

朱政：現(xiàn)在模型對(duì)于物理規(guī)律的理解，還處在一個(gè)比較初步的階段。它現(xiàn)在能初步理解物理世界的基本規(guī)律，比如摩擦力等等。但是說(shuō)更深層次的因果推理和反事實(shí)，還是比較困難。

白鯨實(shí)驗(yàn)室：這有多遠(yuǎn)？

朱政：我對(duì)這個(gè)事比較樂(lè)觀。用不了十年，我覺(jué)得還是近兩年的事。

白鯨實(shí)驗(yàn)室：你們?cè)趺炊x具身基座模型到了GPT3時(shí)刻？

朱政：其實(shí)我們內(nèi)部建了一個(gè)測(cè)試集，覆蓋幾十種場(chǎng)景，數(shù)百種任務(wù)。我們覺(jué)得GPT3時(shí)刻，至少應(yīng)該在幾百種任務(wù)上完成度上達(dá)到95%成功率。這些場(chǎng)景非常綜合，包括工業(yè)場(chǎng)景，服務(wù)場(chǎng)景，市面上能見(jiàn)到的各種demo，能想象到的場(chǎng)景基本上都有。

白鯨實(shí)驗(yàn)室：目前成功率能達(dá)到多少？

朱政：世界模型還沒(méi)有全量任務(wù)測(cè)過(guò)。我們挑部分比較典型的代表性任務(wù)測(cè)試，VLA大概可以做到百分之六七十，世界模型可以做到百分之八九十。

白鯨實(shí)驗(yàn)室：這個(gè)測(cè)評(píng)集會(huì)開(kāi)源嗎？

朱政：后續(xù)會(huì)考慮的。

白鯨實(shí)驗(yàn)室：上個(gè)月，你入選魔搭社區(qū)的EAI Pioneer 20，這些先鋒人物被稱為中國(guó)具身智能中國(guó)坐標(biāo)的刻畫(huà)者。魔搭社區(qū)正在搭建具身智能的開(kāi)源社區(qū)，你們之間具體如何合作？

朱政：我們的具身基模開(kāi)源，主要使用者還是國(guó)內(nèi)用戶，如果只是放在Hugging Face上很不方便，我們會(huì)同步放在阿里云的魔搭社區(qū)上。

開(kāi)源是一件對(duì)行業(yè)有益的事情，也能促進(jìn)社區(qū)的發(fā)展，通過(guò)開(kāi)源吸引更多開(kāi)發(fā)者參與，要遠(yuǎn)超過(guò)單一公司力量。我們通過(guò)把模型包括GigaBrain-0、GigaWorld-Policy等都開(kāi)源，上傳到像魔搭社區(qū)的開(kāi)源社區(qū)網(wǎng)站上，帶來(lái)的效果令人驚喜。很多開(kāi)發(fā)者在使用模型的過(guò)程中提供了一些不錯(cuò)的改進(jìn)方法，都被我們吸收進(jìn)代碼庫(kù)了。

白鯨實(shí)驗(yàn)室：今年以來(lái)，我看具身賽道分化出兩類創(chuàng)業(yè)者。一類要做六邊形戰(zhàn)士，全棧布局。一類是更聚焦和收縮。你怎么看這種分化？哪一種更容易成功？

朱政：我覺(jué)得做六邊形戰(zhàn)士還是很有必要的。因?yàn)楝F(xiàn)在很多事都還沒(méi)有收斂的地步，至少要充分探索。我們始終覺(jué)得基模機(jī)會(huì)是最大的，而要做基模，本體、場(chǎng)景和數(shù)據(jù)都很重要。

白鯨實(shí)驗(yàn)室：你們做融資的同學(xué)也提到到2028年人型機(jī)器人將迎來(lái)一個(gè)重要的拐點(diǎn)，業(yè)內(nèi)判斷可能要更久。

朱政：對(duì)，我們認(rèn)為2028年是判斷人形機(jī)器人能否初步進(jìn)入家庭的重要節(jié)點(diǎn)。

因?yàn)楝F(xiàn)在模型泛化性能，剛才講的one shot、few shot能力還不夠，沒(méi)有辦法適應(yīng)家庭的非結(jié)構(gòu)化場(chǎng)景。但是進(jìn)展非�？�，我們因此判斷，2028年前，就是具身基模單一模型做多任務(wù)，以及few shot都可以實(shí)現(xiàn)。

撰寫(xiě)｜劉培

編輯｜八尺