出品 | 網(wǎng)易科技《態(tài)度AGI》對(duì)話

作者 | 崔玉賢

編輯 | 丁廣勝

當(dāng)ChatGPT憑借互聯(lián)網(wǎng)海量文本數(shù)據(jù)實(shí)現(xiàn)智能涌現(xiàn)時(shí)，機(jī)器人卻困于物理世界數(shù)據(jù)采集的“高成本泥潭”。

“通過真實(shí)數(shù)據(jù)的方式，在當(dāng)前階段想要啟動(dòng)具身智能的Scaling Law是沒有希望的。”跨維智能創(chuàng)始人賈奎在與網(wǎng)易科技等對(duì)話中直言道。

數(shù)據(jù)不夠用，數(shù)據(jù)不好用，具身智能的數(shù)據(jù)荒已經(jīng)成為行業(yè)的共識(shí)。針對(duì)此問題，行業(yè)逐漸形成兩大派系：真機(jī)派與仿真派。

跨維智能、英偉達(dá)、銀河通用等選擇的是仿真路線。 近日，跨維智能宣布同步開源自主研發(fā)的由EmbodiChain自動(dòng)訓(xùn)練的VLA基座模型和幾個(gè)具體任務(wù)examples的VLA模型。

據(jù)了解，EmbodiChain作為開源的、面向具身智能的“生成式數(shù)據(jù)引擎”，驗(yàn)證了一條全新的路徑：機(jī)器人可以完全依靠100% 合成數(shù)據(jù)（所謂在虛擬世界中做夢(mèng)）習(xí)得技能，并在真實(shí)世界中零樣本（Zero-Shot）完美執(zhí)行。

為什么機(jī)器人還沒有ChatGPT聰明？

“具身智能的智能與大語言模型的智能是兩種不同的智能。”賈奎一語指出兩者的根本差異。大語言模型的成功依賴于互聯(lián)網(wǎng)上無窮無盡的文本數(shù)據(jù)，遵循著著名的Scaling Law。然而，當(dāng)這一范式試圖遷移到具身智能領(lǐng)域時(shí)，卻面臨著物理世界的冷峻現(xiàn)實(shí)。

傳統(tǒng)機(jī)器人學(xué)習(xí)需要采集真實(shí)數(shù)據(jù)，這一過程存在三大痛點(diǎn)：成本高昂，采集真實(shí)數(shù)據(jù)需要人遙控機(jī)器人，耗時(shí)耗力；效率低下，物理世界無法加速，且存在安全風(fēng)險(xiǎn)；數(shù)據(jù)孤島，只有極少數(shù)巨頭公司有能力組建龐大的采集團(tuán)隊(duì)。

賈奎用無人駕駛作對(duì)比解釋了數(shù)據(jù)稀缺的深層原因：“為什么無人駕駛反倒真實(shí)數(shù)據(jù)能夠很多？因?yàn)槲覀兠刻於荚陂_著車做各種各樣的事情。而具身智能領(lǐng)域，除了工廠、物流倉里面有機(jī)械臂外，我們生活的世界里面沒有機(jī)器人?！?/p>

所以，面對(duì)這一困境，跨維智能選擇了生成式仿真的技術(shù)路徑。賈奎強(qiáng)調(diào)：“成熟的基礎(chǔ)物理仿真技術(shù)是可以達(dá)到毫米級(jí)精度的，工廠里可能要求到亞毫米級(jí)。具身智能缺的不是底層的仿真技術(shù)，而是如何將物理仿真形成的任務(wù)場(chǎng)景到各種虛擬傳感器產(chǎn)生的數(shù)據(jù)，到模型訓(xùn)練，再到本體部署，能夠高效自動(dòng)化地連接起來?！?/p>

仿真數(shù)據(jù)如何在真實(shí)世界中零樣本完美執(zhí)行？

EmbodiChain作為開源的、面向具身智能的“生成式數(shù)據(jù)引擎”，驗(yàn)證了一條全新路徑：機(jī)器人可以完全依靠100%合成數(shù)據(jù)習(xí)得技能，并在真實(shí)世界中零樣本完美執(zhí)行。

EmbodiChain的核心突破體現(xiàn)在三個(gè)“不需要”：不需要真實(shí)數(shù)據(jù)采集，證明了VLA模型可以100%使用合成數(shù)據(jù)訓(xùn)練；不需要繁瑣的人工調(diào)優(yōu)，模型在仿真中訓(xùn)練完后可直接部署到真機(jī)使用；不需要專業(yè)建模工程師，能夠根據(jù)文本描述自動(dòng)生成場(chǎng)景和任務(wù)，實(shí)現(xiàn)全流程自動(dòng)化。

賈奎特別強(qiáng)調(diào)了100%合成數(shù)據(jù)的重要性：“各個(gè)公司走的技術(shù)路線，無論是說95%的合成，5%的真實(shí)，哪怕是0.1%，這都是評(píng)判其是否真正基于生成式數(shù)據(jù)的非常關(guān)鍵的指標(biāo)。如果你的技術(shù)路徑所形成的產(chǎn)品，擺脫不了真實(shí)數(shù)據(jù)的話，那意味著任何一個(gè)場(chǎng)景、任何一個(gè)機(jī)器人都要去部署進(jìn)去任務(wù)，都要去采數(shù)據(jù)，那么成本就無法控制。”

EmbodiChain構(gòu)建了完整的“Real2Sim2Real”數(shù)據(jù)飛輪流程。Real2Sim模塊將有限的真實(shí)交互數(shù)據(jù)，借助高保真仿真與自動(dòng)化數(shù)據(jù)編輯技術(shù)，在仿真引擎中建立規(guī)?；?、多樣性豐富且可訓(xùn)練的環(huán)境和任務(wù)。Sim Data Scaling階段基于少量的“種子”場(chǎng)景，實(shí)現(xiàn)百萬級(jí)規(guī)模的高多樣性數(shù)據(jù)擴(kuò)增。Sim2Real階段則展現(xiàn)出顯著的零樣本虛實(shí)遷移能力。

據(jù)介紹，在商業(yè)化層面，跨維智能已經(jīng)建立了清晰的落地路徑。賈奎教授透露：“2025年實(shí)現(xiàn)了億級(jí)營收，從22年到24年都按照超過double的增速在增加。26年預(yù)計(jì)相比25年會(huì)有3到4倍的增長。”這一增長主要來自于公司在泛智能制造和商業(yè)服務(wù)兩大業(yè)務(wù)板塊的持續(xù)擴(kuò)張。

賈奎強(qiáng)調(diào)：“我們前期就是嚴(yán)格按照ROI的方式在做我們的產(chǎn)品，因?yàn)槟悴粐?yán)格按照ROI，東西根本就賣不出去。”公司為此設(shè)定了明確的標(biāo)準(zhǔn)：“整套系統(tǒng)的售價(jià)不能超過在這個(gè)位置上一個(gè)工人18個(gè)月的工資?！?/p>

跨維智能成立于2021年6月，是一家專注于具身智能和人形機(jī)器人的科技企業(yè)。其核心團(tuán)隊(duì)由全球Top 2%頂尖科學(xué)家賈奎領(lǐng)銜。目前公司產(chǎn)品已經(jīng)應(yīng)用于50+細(xì)分行業(yè)，落地1000+項(xiàng)目。

以下為網(wǎng)易科技等與跨維智能CEO賈奎溝通的內(nèi)容（略有刪減）：

靠真實(shí)數(shù)據(jù)集采達(dá)到ChatGPT時(shí)刻是沒有希望的

提問：機(jī)器人還沒有像ChatGPT那樣聰明，一個(gè)非常重要的原因是數(shù)據(jù)，目前具身智能領(lǐng)域在數(shù)據(jù)集采方面處于怎樣的一個(gè)狀態(tài)？

賈奎：具身智能的智能與大語言模型的智能是兩種不同的智能。這就導(dǎo)致了現(xiàn)在大語言模型的ChatGPT時(shí)刻與具身智能是不同的發(fā)展階段。前者更多的是建立在知識(shí)上的能力，具身智能學(xué)的是智能體在三維物理世界中基于感知行動(dòng)的智能。這就需要其數(shù)據(jù)從一開始就是多模態(tài)的，從視覺到力覺到觸覺、語言等，是三維的，而且需要物理精確性。

雖然我們期望大模型所帶來的scaling law能夠延伸到具身智能，但由于先天不足（不能延伸），（這也是）具身智能到現(xiàn)在一直有新的技術(shù)范式在涌現(xiàn)的根本原因。

提問：根據(jù)模型訓(xùn)練數(shù)據(jù)的不同有幾條路線，有真機(jī)數(shù)據(jù)派、仿真派、視頻學(xué)習(xí)派，跨維智能的仿真派的優(yōu)勢(shì)在哪里？仿真技術(shù)物理精度上限是在哪里？在哪些任務(wù)當(dāng)中存在盲區(qū)？

賈奎：真實(shí)數(shù)據(jù)的方式在當(dāng)前階段或者當(dāng)前條件下，基本上沒有。靠真實(shí)數(shù)據(jù)采集到達(dá)ChatGPT時(shí)刻是沒有希望的。

很大的原因是因?yàn)樯鐣?huì)上沒有大量存在的機(jī)器人在做各種事情，除了工廠、物流的機(jī)械臂外，我們生活的世界里沒有機(jī)器人。

對(duì)比一下，為什么無人駕駛反倒真實(shí)數(shù)據(jù)能夠很多的原因是，我們每天都在開著車做各種各樣的事情，把傳感器裝到車上，人開著車就可以形成數(shù)據(jù)，訓(xùn)練模型。

生成式仿真的方式，就是通過生成式AI從文本的生成到圖像的生成到視頻的生成再到3D的生成，可以建立這樣的數(shù)據(jù)技術(shù)范式，把數(shù)據(jù)采集獲取變成算力問題，這樣的話才能真正實(shí)現(xiàn)具身智能所期待的智能涌現(xiàn)，或者精確一點(diǎn)，是其所需的泛化性、通用性。

只有通過生成式AI的方式才能生成多樣的可泛化的支撐，可泛化的數(shù)據(jù)。如果還是需要真機(jī)去采的話，永遠(yuǎn)都不能實(shí)現(xiàn)。另外，即使真機(jī)去采，在這個(gè)實(shí)驗(yàn)室里集采的數(shù)據(jù)，在另外一個(gè)房間就有可能有大量的GAP。

具身智能機(jī)器人的任務(wù)本質(zhì)上在生活場(chǎng)景中基本上要求的都是毫米級(jí)的，工廠里可能要求到亞毫米級(jí)，成熟的底層物理仿真技術(shù)是可以更精確的。因此，具身智能缺的不是底層的仿真技術(shù)，而是怎么樣才能夠?qū)⑽锢矸抡嫘纬傻娜蝿?wù)場(chǎng)景到各種虛擬傳感器產(chǎn)生的數(shù)據(jù)，到模型訓(xùn)練，再到本體的部署，能夠高效自動(dòng)化的方式將鏈路連起來。

所以，這也是為什么具身智能引擎與物理仿真不是一件事情，但底層的仿真技術(shù)是足以支撐的。

提問：UMI的數(shù)據(jù)集采方式目前挺受關(guān)注的，如何看待這種技術(shù)路線？

賈奎：UMI是非常短暫的中間態(tài)，它要求人拿著夾爪去采數(shù)據(jù)，而且要求人拿夾爪跟機(jī)器人的夾爪是一模一樣的。

提問：同樣都是走仿真路線，但有些廠商在其宣傳語里會(huì)提到他們用了少部分的真機(jī)數(shù)據(jù)做強(qiáng)化學(xué)習(xí)或者說是對(duì)齊，但跨維智能為什么可以使用100%的仿真數(shù)據(jù)呢？

賈奎：我們非常強(qiáng)調(diào)最后一用公里、最后一米的事。各個(gè)公司走的技術(shù)路線，無論是說95%的合成，5%的真實(shí)；或者說99%的合成數(shù)據(jù)，1%的真實(shí)；哪怕是0.1%，這都是評(píng)判其是否真正的基于生成式數(shù)據(jù)的非常關(guān)鍵的指標(biāo)。

舉個(gè)例子，如果用生成的數(shù)據(jù)做預(yù)訓(xùn)練，最后，還用真機(jī)數(shù)據(jù)做了最后的Fine Training，那之前的東西到底起了多大作用？如果你的技術(shù)路徑所形成的產(chǎn)品，擺脫不了真實(shí)數(shù)據(jù)的話，那意味著任何一個(gè)場(chǎng)景，任何一個(gè)的機(jī)器人都要去部署進(jìn)去任務(wù)；都要去采數(shù)據(jù)，那么成本就無法控制，就無法用這種技術(shù)范式形成的產(chǎn)品去進(jìn)行競(jìng)爭(zhēng)。

2026年：人形機(jī)器人商業(yè)服務(wù)元年

提問：2026年具身智能行業(yè)發(fā)展的關(guān)鍵詞是什么？

賈奎：從技術(shù)角度講，關(guān)鍵詞是基于生成式仿真的世界模型或者簡單點(diǎn)世界模型。但我們更強(qiáng)調(diào)的是世界模型2.0，因?yàn)榧兇饣谝曨l生成的世界模型是不行的。從商業(yè)層面講，應(yīng)該是人形機(jī)器人的商業(yè)服務(wù)元年。

提問：您如何看待具身智能泡沫？

賈奎：具身智能包括人形機(jī)器人肯定不只是存在泡沫的問題。其實(shí)大家都是預(yù)期，希望它發(fā)展更快些。但當(dāng)你脫離了技術(shù)、產(chǎn)品、業(yè)務(wù)本身的發(fā)展邏輯時(shí)候，就會(huì)出現(xiàn)泡沫。

我們是在2021年底開始成立和運(yùn)行的，我們其實(shí)并不是在風(fēng)口，或者說并不是迎著風(fēng)口做的這家公司。我們從開始到現(xiàn)在，底層技術(shù)、產(chǎn)品理念，商業(yè)都是非常務(wù)實(shí)的，嚴(yán)格按照ROI來設(shè)計(jì)我們的產(chǎn)品和技術(shù)路徑的。

提問：2026年世界模型是個(gè)主線，您認(rèn)為目前世界模型處于怎樣的發(fā)展階段，什么時(shí)候會(huì)有突破？

賈奎：比較純的3D物理的世界模型，仍然受制于原生數(shù)據(jù)問題。

其實(shí)我們剛才聊文本、圖像、視頻和3D都是雞生蛋，蛋生雞的問題，沒有數(shù)據(jù)，沒有原生數(shù)據(jù)，就做不出模型，做不出生成式的模型；有了原生模型，大到一定程度，就可以產(chǎn)生多種多樣的數(shù)據(jù)。

如果用正確的技術(shù)方式去解耦的話，突破點(diǎn)其實(shí)來的不會(huì)那么晚。

嚴(yán)格遵守ROI 已實(shí)現(xiàn)億級(jí)年?duì)I收

提問：EmbodiChain是開源的，這種開源的策略和商業(yè)化變現(xiàn)之間怎么平衡，開源的生態(tài)建設(shè)對(duì)我們長期的護(hù)城河有怎樣的意義？

賈奎：EmbodiChain是我們基于生成式仿真的世界模型，或者可以通俗的叫它世界模型2.0，是非?；A(chǔ)的基建第一步。這樣的開源工作是對(duì)行業(yè)、學(xué)術(shù)的推廣，帶有一定的學(xué)術(shù)性能；另外，它也是我們構(gòu)建整個(gè)具身智能機(jī)器人生態(tài)的抓手。

從開源本身坦白來講，我們開源的更多是理念、學(xué)術(shù)、工具鏈的東西，如果真的要通過它順出一個(gè)模型到真機(jī)上，還有不少的Know-how才能達(dá)到產(chǎn)品級(jí)。

提問：跨維智能客戶還是很多樣化的，有汽車廠商、智能家電廠商等，在產(chǎn)品落地過程中，客戶關(guān)注的關(guān)鍵指標(biāo)有哪些，我們了解到制造業(yè)很關(guān)注ROI，這個(gè)有沒有可量化的數(shù)據(jù)分享？

賈奎：我們?yōu)槭裁绰涞亓诉@么多東西，是因?yàn)槲覀兎浅＞劢?。其?shí)我們做的是通用的技術(shù)和通用的產(chǎn)品，整個(gè)產(chǎn)品的能力在圍繞機(jī)器人的靈巧操作、靈巧做作業(yè)操作。不管是商業(yè)服務(wù)、工廠還是商店，其實(shí)要做的事情非常多。我們主要還是做靈巧作業(yè)之類的事情，比如柔性分揀、柔性裝配。

所以，我們前期就是嚴(yán)格按照ROI的方式在做我們的產(chǎn)品，因?yàn)槟悴粐?yán)格按照ROI東西根本就賣不出去。

我們最一開始做這些事情的時(shí)候，具身智能風(fēng)口還沒有來，因此我們要打動(dòng)客戶，就必須以高性價(jià)比來提供我們的產(chǎn)品，必須嚴(yán)格按照ROI來計(jì)算，我們提供的產(chǎn)品是否真正產(chǎn)生了價(jià)值，或者增量價(jià)值。

比如，整套系統(tǒng)的售價(jià)不能超過在這個(gè)位置上一個(gè)工人18個(gè)月的工資。

提問：2025年?duì)I收是否方便透露？

賈奎：2025年實(shí)現(xiàn)了億級(jí)營收，不是訂單，是營收。從22年、23年到24年我們基本上是按照Double的增速在增加。26年應(yīng)該會(huì)是25年的3-4倍。

提問：3-4倍的增長主要來自哪里？

賈奎：主要兩大板塊：泛智能制造和商業(yè)服務(wù)。泛智能制造我們是2倍的增速增加；商業(yè)服務(wù)是我們的第二增長曲線。商業(yè)服務(wù)其實(shí)是賣我們自己的本體包括大腦都是耦合在一起的。