每經(jīng)記者｜可楊    每經(jīng)編輯｜廖丹    

11月20日下午，在智源2025具身開放日上，在多位技術(shù)負責人參與的BAAI具身模型會客廳討論中，關(guān)于具身智能未來的共識遠少于分歧。

世界模型是不是核心，具身智能是否會收斂到統(tǒng)一架構(gòu)，語言是否應該退居次要，動作模型如何設計，數(shù)據(jù)從哪里來??每一個問題都仍在探索之中。

但《每日經(jīng)濟新聞》記者注意到，另一種更深層的共識正在形成——具身智能的真正競爭不在概念，而在長期投入、真實落地與數(shù)據(jù)質(zhì)量。

未來幾十年，當機器人在真實世界中創(chuàng)造價值、積累經(jīng)驗、形成反饋時，或許才能孕育出具身智能的“ChatGPT時刻”。在此之前，這仍是一場需要耐心的長期主義競賽。

圖片來源：主辦方供圖

世界模型是萬能鑰匙？

當討論具身智能的關(guān)鍵路徑時，世界模型總是被提及，與世界模型的結(jié)合是不是未來具身智能發(fā)展的關(guān)鍵？

這個問題隨著世界模型概念的模糊化，而在業(yè)內(nèi)產(chǎn)生分歧。

北京大學助理教授、銀河通用創(chuàng)始人王鶴認為，“世界模型”一詞最早來自強化學習領(lǐng)域，指的是根據(jù)當前狀態(tài)與所采取的動作，預測下一步狀態(tài)變化的動力學模型。然而，在Sora等視頻生成模型出現(xiàn)后，世界模型概念逐漸向用視頻生成未來傾斜，這讓它與具身智能所需的能力發(fā)生了偏移。

王鶴認為，視頻生成模型并不能直接作為具身智能的通用解決方案。原因在于，機器人與人的身體差異巨大，即使訓練出一個能想象人類如何操作世界的視頻模型，也不能保證它對機器人同樣有效。即便是當下最像人的人形機器人，其動作空間、靈巧度和執(zhí)行方式都與人類存在不小差距，看起來像人做事，不等于機器人學會了做事。

但王鶴同時強調(diào)，對未來進行預測是具身智能不可缺少的一環(huán)，機器人必須能夠根據(jù)未來目標倒推當前動作，并對環(huán)境變化保持前向與后向的推理能力。因此，具身世界模型是必要的，但它必須根植于真實機器人數(shù)據(jù)，才能有真正屬于機器人的世界模型誕生。

智源研究院院長王仲遠認可世界模型對具身智能未來發(fā)展的重要性。他指出，當下業(yè)界對世界模型并無統(tǒng)一定義?！叭绻澜缒Ｐ蛢H僅指視頻生成（Video Generation），那顯然不夠?！闭嬲龑呱碇悄苡幸饬x的是能夠根據(jù)過去的時空狀態(tài)，準確預測“下一時刻狀態(tài)”，并據(jù)此規(guī)劃動作的模型，這種預測是基于前序的時空狀態(tài)和現(xiàn)場環(huán)境上下文，進而給出的精準決策。

王仲遠舉例稱，自己回答問題時，要基于前一位嘉賓的發(fā)言內(nèi)容以及現(xiàn)場環(huán)境，做出“拿起話筒”這一決策。這才是機器人需要的世界模型，不僅僅是生成幾秒鐘后的畫面，而是要基于對環(huán)境的理解，給出一個準確的步驟動作和響應。

具身智能會否收斂到統(tǒng)一架構(gòu)？

在大語言模型時代，Transformer架構(gòu)（一種基于自注意力機制的神經(jīng)網(wǎng)絡架構(gòu)）一統(tǒng)天下。具身智能領(lǐng)域是否會收斂到一個統(tǒng)一的架構(gòu)？是否會出現(xiàn)屬于機器人的“具身Transformer”？

中國科學院大學教授趙東斌給出了一種可能性。他表示，目前Transformer在具身智能領(lǐng)域的應用已經(jīng)帶來了顯著的性能提升，例如近期Physical Intelligence發(fā)布的π*0.6模型，利用強化學習獲取數(shù)據(jù)鏈，能夠在疊衣服、裝盒子等多個任務中實現(xiàn)通用。他認為，隨著技術(shù)演進，模型架構(gòu)可能會收斂到單一模型，或者呈現(xiàn)多樣化但核心統(tǒng)一的態(tài)勢。

此外，大部分嘉賓則對于技術(shù)路線的收斂持認可態(tài)度。在此基礎(chǔ)上，如果具身智能最終會收斂到一個統(tǒng)一架構(gòu)，那么這個“具身Transformer”的技術(shù)路徑在哪里？

招商局集團AI首席科學家張家興認為，當下大模型的發(fā)展邏輯難以直接遷移到具身智能?！斑^去三年形成的LLM（Large Language Model，大語言模型）與VLM（Vision-Language Model，視覺語言模型）等結(jié)構(gòu)，是以語言為中心，而語言在人類執(zhí)行動作時并不參與?！彼e例稱，人類開車時不會在大腦中不斷語言化動作指令，因此語言作為中間層的VLA架構(gòu)（視覺語言動作模型，Vision-Language-Action），其本質(zhì)與機器人需要的結(jié)構(gòu)不一致。

張家興提出，具身智能需要一個完全屬于機器人自身的智能結(jié)構(gòu)，而不是從現(xiàn)有VLA體系延展出來的產(chǎn)物。現(xiàn)階段，他認為真正的具身架構(gòu)還未出現(xiàn)，業(yè)界正在等待一個來自基礎(chǔ)大模型領(lǐng)域的突破性創(chuàng)新，類似當年Transformer論文那樣。這種創(chuàng)新將有可能弱化語言在模型中的中心地位，讓模型以行動和視覺作為驅(qū)動核心。

與張家興的視角類似，清華大學助理教授、星海圖聯(lián)合創(chuàng)始人趙行認為，視覺是世界上最通用的感知傳感器，具身智能的基礎(chǔ)模型應當遵循生物進化規(guī)律：先有運動和視覺，最后才誕生高級語言智慧。因此，理想的模型順序應該是Action First（動作優(yōu)先），然后Vision（視覺），最后Language（語言）。

趙行強調(diào)了一個關(guān)鍵差異：具身模型是一個閉環(huán)系統(tǒng)。語言模型是一問一答的開放系統(tǒng)，而具身模型需要“動作—反饋—再次動作”的實時循環(huán)，其核心是持續(xù)的環(huán)境交互。它必須從世界反饋中修正自己的策略，而不是完成一次思考后給出單一答案。

智元機器人合伙人、首席科學家羅劍嵐在此基礎(chǔ)上進一步擴展了閉環(huán)系統(tǒng)的結(jié)構(gòu)組成。他認為，未來一定會出現(xiàn)閉環(huán)一致的“具身Transformer 系統(tǒng)”，但未必是單一模型，而更可能是由視覺（V）、語言（L）、動作（A）等模塊共同構(gòu)成的系統(tǒng)?！癡LA 的趨勢是對的，但最終形態(tài)不會是今天這個樣子。”真正的質(zhì)變可能需要等到具身智能互聯(lián)網(wǎng)形成，即成千上萬臺機器人在真實場景中解決具體問題，累積海量數(shù)據(jù)后，才能催生出真正的統(tǒng)一系統(tǒng)。

在架構(gòu)探索之外，動作輸出端的不成熟也是當下具身智能無法收斂的重要原因。王鶴指出，目前行業(yè)在動作輸出上尚未收斂，存在大量基于概率匹配的方法，這類方法雖然適合處理連續(xù)變量，但為端到端的深度強化學習埋下了隱患，如何對概率模型應用策略更新是尚未解決的問題。

王鶴認為，短期內(nèi)行業(yè)需依賴仿真環(huán)境和合成數(shù)據(jù)來探索動作優(yōu)先的架構(gòu)，因為目前全球僅有約一千臺人形機器人在運行，數(shù)據(jù)量遠不足以支撐新架構(gòu)的探索?！伴L期來看，地球上人形機器人的數(shù)量必須保持長期高速增長，只有這樣，它們的能力才能同步提升，而反過來，能力的增長又會進一步推動數(shù)量增長，最終才能孕育出真正強大的模型?！?/p>

自變量創(chuàng)始人、CEO王潛則認為，是否叫Transformer并不重要，Transformer 更像蓋樓的鋼筋，真正決定樓是什么樣子的，是建筑的結(jié)構(gòu)設計。他強調(diào)，物理世界充滿了語言和圖像無法描述的精細摩擦與接觸過程，因此必須建立一個獨立于虛擬世界的、能夠描繪復雜物理過程的基礎(chǔ)模型。“可能十年后或者是五年后，可能反而是我們從物理世界中收集到的數(shù)據(jù)來做出來的多模態(tài)模型，反過來吞噬今天的一些基礎(chǔ)模型?！?/p>

突破跨域數(shù)據(jù)瓶頸一定要用真實數(shù)據(jù)嗎？

無論是否收斂到一個統(tǒng)一模型，對所有具身企業(yè)而言，一個共識正在形成：如果具身智能要走到“ChatGPT時刻”，必須先解決數(shù)據(jù)問題。

張家興團隊選擇“高質(zhì)量+低成本”的路線，以真實物理世界的探索數(shù)據(jù)為基礎(chǔ)，并通過低成本的人類采集來構(gòu)建數(shù)據(jù)金字塔的中間層，試圖以最高效的方式夯實數(shù)據(jù)地基。

趙行則提出了數(shù)據(jù)采集的三個維度：真實性、多樣性和規(guī)?；?。他強調(diào)必須以真實機器人的素材為起點，且不能局限于實驗室，必須深入真實場景。羅劍嵐同樣堅持真實數(shù)據(jù)路線，他認為，靠遙控操作采集數(shù)據(jù)只是起步，未來必須依靠大量部署在真實環(huán)境中的機器人，在自主交互中產(chǎn)生廣泛數(shù)據(jù)，形成自我反饋和提升的閉環(huán)。

王仲遠主張利用互聯(lián)網(wǎng)上的海量視頻數(shù)據(jù)作為基座模型的學習來源，這類似于人類兒童通過看視頻認識世界。在此基礎(chǔ)上，再通過真機采集的數(shù)據(jù)進行強化學習和反饋，不斷精進能力。

但亦有真實數(shù)據(jù)之外的探索路徑。

王鶴在討論中提到，全球規(guī)?；\行的人形機器人可能僅在千臺級，甚至更少，如此小的機器人人口，遠不足以支撐一個動作優(yōu)先的基礎(chǔ)模型。

王鶴認為，短期內(nèi)行業(yè)必須依賴模擬環(huán)境與合成數(shù)據(jù)，這會比受限于真實機器數(shù)量的方式發(fā)展得更快。但長期來看，只有當機器人數(shù)量進入指數(shù)級增長，數(shù)據(jù)才可能形成正反饋循環(huán)，推動模型與能力共同演進。

加速進化創(chuàng)始人、CEO程昊認為，數(shù)據(jù)瓶頸的破解是一個螺旋上升的過程。目前極速進化多使用仿真數(shù)據(jù)以求速度，目標是為了讓機器人具備落地能力，從而在真實場景中收集數(shù)據(jù)。當真實數(shù)據(jù)遇到瓶頸時，再回退到仿真環(huán)境中進行針對性訓練?！皺C器人落地創(chuàng)造價值，價值驅(qū)動規(guī)模，規(guī)模反哺模型。”

在海量數(shù)據(jù)需求之外，王潛認為，自變量什么數(shù)據(jù)都在用，只是側(cè)重點不同?；ヂ?lián)網(wǎng)數(shù)據(jù)用于學習通用常識，仿真數(shù)據(jù)用于導航和探索，而真實的物理接觸數(shù)據(jù)則是核心壁壘。

王潛提到，根本在于所有類型的數(shù)據(jù)都可以被利用，但真正的挑戰(zhàn)在于：處理好任何單一類型的數(shù)據(jù)都相當困難。這背后涉及大量核心的工程問題，也正是團隊日常工作的重點所在，同時這些難題也構(gòu)成了行業(yè)的技術(shù)壁壘。

一個清晰的現(xiàn)實浮現(xiàn)出來：具身智能的未來并非由某一種技術(shù)突破決定，而是取決于架構(gòu)創(chuàng)新、真實世界落地、機器人數(shù)量增長與高質(zhì)量動作數(shù)據(jù)積累是否能同時發(fā)生。具身智能的發(fā)展路徑比語言模型時代更復雜，也更漫長。