具身智能是通往AGI的必經之路。

作者｜劉楊楠

編輯｜王博

“你認為具身智能是通往AGI（通用人工智能）的必經之路嗎？3、2、1——請舉牌！”

話音剛落，臺上的八位行業頂尖專家毫不猶豫，齊刷刷舉牌——全場一致同意。

這不僅是一次簡單的共識，更是當前AI浪潮轉向物理世界的一個縮影。隨著大模型在虛擬世界的潛力被不斷挖掘，如何讓智能擁有身體，能夠理解、決策并改變真實的物理環境，已成為全球科技競爭的下一個前沿。

具身智能，正從機器人產業的專屬，演進為構建下一代通用AI的基石。

在11月20日舉辦的智源具身OpenDay上，甲子光年創始人、CEO張一甲主持的這場BAAI具身模型會客廳，正是一次對這一前沿領域的集中叩問。她與八位來自產業界與學術界的核心踐行者展開對話，他們代表了推動具身智能落地的關鍵力量：

• 招商局集團AI首席科學家 張家興

• 清華大學助理教授、星海圖聯合創始人 趙行

• 智元機器人合伙人、首席科學家，上海創智學院導師 羅劍嵐

• 智源研究院院長 王仲遠

• 北京大學助理教授、銀河通用創始人及首席技術官 王鶴

• 加速進化創始人&CEO 程昊

• 自變量創始人&CEO 王潛

• 中國科學院大學教授 趙冬斌

在這場深度討論中，共識是清晰的——具身智能是通往AGI的必經之路。

但非共識是存在的，挑戰也是現實的。宏偉的愿景之下，是數據、模型與機器人本體之間相互掣肘的現實困境。全行業都在共同摸索：如何找到一條高效、低成本的道路，打破枷鎖，讓智能真正“身”“心”合一。

本文為“BAAI具身模型會客廳”對話實錄，經「甲子光年」整理編輯，在不改變原意的基礎上略有刪改。

1.世界模型是實現具身智能的關鍵嗎？

張一甲：今年世界模型概念很熱，和世界模型的結合是實現具身智能的關鍵嗎？

王鶴：我目前持中立態度。因為它其實取決于我們如何定義“世界模型”。在強化學習里，世界模型最早是指根據當前狀態和我采取的動作，來預測下一步狀態的變化。但這一概念經過Sora等視頻生成模型的不斷演變，如今已經變得越來越模糊了。

今天我們常常希望用人類的視頻數據去訓練模型，再教機器人像人一樣去“想象”人類的行為并照著做。但這并不完全成立。原因在于，機器人的本體，比如輪式、雙臂結構，都和人類身體存在很大差異。即便是最像人的人形機器人，在操作的靈巧度、手臂活動范圍等方面，與真人動作仍有明顯差距。因此，即使機器人能像人一樣“聯想”，這類數據也不一定對我們的具身智能有實質幫助。

不過從長遠來看，具身機器人和人類一樣，都需要具備一種對未來狀態的預測和預判能力，都需要根據我想要達成的目標，反向推導現在該執行什么動作——既有前向推理，也有反向規劃。所以我認為，世界模型作為一種對未來預測的機制，是不可或缺的。只不過，它的訓練數據中必須包含更多機器人本身的數據，才能真正學出一個屬于機器人自己的世界模型。

王仲遠：我是認同的。目前世界模型的定義確實還沒有形成完全的共識。如果世界模型僅僅指視頻生成，那它雖然可能對具身智能有一定作用，但未必是后者必須依賴的基座。

而我們所理解的世界模型，更多是指“下一個狀態預測”，也就是基于先前的時空狀態，去預測下一個時空狀態。

舉個例子，剛才我要回答時，需要基于一甲提出的問題、王鶴老師的回應，來決定我如何回應、是否要拿起話筒，這本身就是一個決策過程。我們所認知的世界模型，需要基于已有的時空狀態，理解現場的環境與上下文，進而給出下一步的行動與響應，這才是核心。

張一甲：Transformer這類統一架構催生了ChatGPT這樣的爆款應用。你們認為具身智能未來也會收斂到某一種統一架構之下嗎？換句話說，具身智能是否需要自己的“Transformer”？

（現場舉牌，除了趙冬斌，其他嘉賓都認為“會收斂到某一種統一架構之下”）

趙冬斌：我持觀望態度。目前來看，具身模型的訓練方法比較多樣化。除了模型架構本身的探索之外，我們也通過預訓練、后訓練以及思維鏈推理等方式來持續提升模型性能，在制作咖啡、擺放碟子、整理盒子、折疊衣物等中多個任務上展現出通用能力。隨著技術不斷發展，未來有可能會出現一個收斂的單一模型，但也可能繼續保持模型多樣化的路徑。兩者皆有可能。

張一甲：最有可能成為那個“Transformer”的技術路徑會是什么？

張家興：就像人類智能的演進過程：我們是先有動作能力，再發展出視覺，最后才誕生語言。而今天的VLA結構，恰恰是在視覺和動作之間插入了一個語言模塊，這其實并不符合我們人類在實際操作中的本質邏輯。比如當我們開車時，可以一邊說話一邊駕駛，這說明視覺（Vision）和動作（Action）之間本身就有直接通路，并不一定需要語言（Language）的全程參與。

因此，我們應該思考構建一個完全面向具身智能的、獨立的系統架構，而不必非得從當前以語言模型為核心的技術體系中脫胎。

張一甲：你心目中那個理想的“具身智能Transformer”，目前出現了嗎？

張家興：目前還沒有真正出現。實際上，我們確實仍在期待大模型領域能帶來一些根本性的創新。目前硅谷的一些頂尖團隊正在探索新型多模態大模型架構，在這些架構中，語言（L）將不再占據那么核心的位置。這是一個重要的方向。

坦白說，目前確實是大模型團隊在率先進行這類探索，而他們的方向恰好與我們具身智能所追求的目標不謀而合。本質上，我們期待的是大模型領域能夠實現一次范式轉換：從過去三年一直堅持的“language first”，轉向“vision first”或“vision-action first”。

趙行：我非常同意這個觀點。我們確實需要一個與大語言模型平行的基礎模型，它更有可能是一個“大型行動模型”（Large Action Model）。這個模型首先應建立在視覺基礎上，因為視覺是世界上最通用的感知信息來源；隨后再融入語言能力。這與生物進化的規律高度吻合——世界上先出現能夠運動的生物，隨后它們演化出視覺，最終才誕生像人類這樣的高級智能生命。

因此，我們期待的是一種“行動優先、視覺隨后、語言最后”的模型構建路徑。這個模型與大語言模型有一個關鍵區別，它必須是一個閉環系統。大語言模型更多是開環的——用戶提問，模型給出回答，若答案正確，流程就結束了，中間的處理過程完全在模型內部完成。

但具身智能不同。它不是經過一番思考后執行單一動作，而是每執行一個動作，就立即獲得來自世界的反饋，隨即調整自身行為，并繼續執行下一步。因此，我希望未來具身智能的“基礎行動模型”是一個能夠與環境實時交互、持續調整的閉環模型。

羅劍嵐：目前還沒有出現一個能夠統一所有智能形態的“大一統模型”。智能問題更可能被一個完整系統所解決，而非依賴單一模型。這個系統包括幾個核心要素。除了VLA，系統中還需要一個世界模型，能夠進行反思、預測，并在隱空間中進行推演和想象。當然，也離不開強化學習。這些組件整合在一起，形成一個真正的閉環系統，數據在其中流動，推動系統不斷自我提升。

王仲遠：首先，智源研究院肯定相信，從終極狀態來看，一定要有一個相對統一架構的模型，來解決預訓練、世界模型等各種問題。這也是我們在布局像多模態世界模型的一個很重要原因。

當然，這種模型所需要的數據量顯然是非常非常大的，甚至不一定三年、五年就一定能夠完全實現。它可能需要等到更多機器人真正落地，開始解決很具體的問題，累積起足夠的數據量，出現“具身智能的互聯網”之后，有了這樣的數據基礎，才有可能出現更好的大一統模型。

從架構上來講，我們正在探索一系列具有潛力的大一統架構，當然未來是否會出現別的架構，我們也樂見其成。所以從長期來看，我相信這是一個我們必須突破、必須解決的關鍵問題。

王鶴：關于“具身Transformer”這個問題，其實它更偏向架構層面。

具身智能的復雜性在于，人類擁有視覺、聽覺、觸覺等多種感知方式，就像我們常說的“眼耳口鼻舌”。從注意力機制的角度，所有這些感知信號理論上都可以被token化并輸入Transformer。目前主要的瓶頸在于輸出部分還不夠理想，動作的生成與響應還不夠自然。

因此，如果我們能逐步解決輸出層面的問題，從架構上講，是有可能形成一個統一范式的。但相比之下，數據問題以及與之對應的學習范式，才是更長期、更根本的挑戰。

目前我們的數據還遠遠不夠。無論是視頻生成模型還是對話模型，本質上都依賴海量的互聯網數據。而今天我們若想研發出一個“行動優先”的模型，面臨的核心問題是：全球可能僅有約一千臺、甚至更少的人形機器人處于前沿場景中運行。如此少的數量，遠不足以支撐我們探索出一個成熟的“行動優先”架構與模型。

因此我的看法是：短期內，我們更需要依靠仿真模擬與合成數據來推進探索，這比受限于少量真實數據會走得更快；而從長期來看，地球上的“人形機器人口”必須實現持續高速增長。當然，這也與其能力提升相輔相成。只有當這個“人口基數”足夠大時，才有可能孕育出真正強大的大模型。

程昊：過去一年多來，幾乎所有人形機器人的運動控制都在朝著同一個方向努力：只要獲取到人體各種運動軌跡數據，機器人就能夠復現執行。相應地，我們也希望能有一個具身模型，可以基于任務需求與環境狀態，實時輸出未來數十幀內機器人該如何動作，就像在腦海中生成一段動畫，機器人隨之執行，并自主判斷是該拿起鏟子、杯子，還是去開門。一旦這樣的模型跑通，具身智能的落地就會順利很多，但目前來看，這樣的模型尚未出現。

我們之所以特別關注世界模型，核心原因之一就是“預測”能力——既要預測“我打算做什么”，也要預測“外部環境會發生什么”。當然，團隊內部也認為這個目標挑戰很大、路徑較長，因此我們也在考慮分階段推進：先通過分層方法構建一些智能體（agent），在相對簡單的場景中實現落地，比如拿快遞、搬箱子這類任務，而像做飯就是一件非常非常難的事情。

這樣做的好處是，一旦在真實場景中部署，就能采集到大量機器人實際運行數據。正如剛才王鶴老師所說，一旦機器人真正落地創造價值，大家就會有意愿、有資源去部署更多機器人，形成“機器人公民”規模的擴大。這些數據回流后，將反哺整個具身智能大模型的研發。

王潛：“Transformer”這個說法可能稍微有些誤導性，因為它本質上是一種架構。事實上，如今在語言模型中也不一定全都采用Transformer。由于超長序列處理等需求，很多團隊已經開始轉向類似狀態空間模型（State Space Model）等其他架構。所以，語言模型領域也未必都是Transformer。

當然，我理解這個問題的實質是：我們是否會形成一整套完整的方法論與模型體系，就像當年GPT那樣成為基礎模型范式？從這個角度看，我認為這樣的體系是可能出現的。至于它具體采用哪種架構形式——是決策型、自回歸、狀態空間還是其他注意力變體——其實并沒有那么重要。就像建造一棟大樓，Transformer可能只是其中的磚塊或鋼筋，我們可以替換為其他材料，而不影響整體功能。更重要的是設計整座建筑的結構、外觀與功能，并通入水電、完成內裝，最終才能成為真正可用的建筑。

從語言模型的發展中，我們可以汲取幾點重要經驗：

第一是數據規模的重要性。這一點剛才多位老師都提到了。但大家對“數據規模”可能存在一些誤解，第一反應往往是“大力出奇跡”。確實，我們需要海量數據，但光有數量是不夠的。就像家興老師和仲遠老師在大語言模型時代的實踐所證明的：單純堆數據未必能帶來理想結果，反而是更高效、更高質量的數據才能實現突破。這也是為什么我們堅持以物理世界真實數據為主——我們相信數據質量優先于數據總量，這能在數據效率上帶來數量級的提升。

第二是通用模型（通才模型）的價值。這正是我開場時提到的：我們正在構建的是一個平行于虛擬世界的、屬于物理世界的基礎模型。根本原因在于虛擬世界與物理世界的基本屬性，或者說“統一性原理”，差異太大。

核心差異在于，物理世界中存在大量的接觸、摩擦、碰撞等高度隨機的過程，這些過程通常難以用語言完整描述，也難以通過圖像準確表達。盡管目前已有一些利用圖像進行描述的嘗試，但在我看來，這些嘗試效果有限，因為它們難以捕捉其中涉及的大量精細物理現象。

正因如此，我們認為在當前階段，這方面仍存在不少障礙。最主要的原因在于，我們對這些物理過程的認知與建模方法仍不成熟，對其內在機制的理解尚不完善。因此，我們最終仍需要一個平行且獨立于虛擬世界的物理模型，來精確刻畫這些細致而復雜的物理過程。

這樣一個模型究竟應該具備哪些功能？它當然要能控制機器人，這一點毋庸置疑。但與此同時，它還應具備更多元的輸出能力。在我們看來，世界模型、VLA等概念之爭意義有限，因為從我們的實踐來看，所有這些能力都被集成在同一個模型中：它既能輸出動作指令，也能生成視頻；既能做隱藏狀態的預測，也能完成三維重建，甚至輸出體積信息等任意形式的內容。

我們將其視為一個“物理世界的基礎模型”，背后的邏輯是什么？這源于我們從語言模型發展中獲得的啟示：為什么一定要做通用模型？關鍵在于，通用模型學習到的內容與專用模型完全不同。它捕捉的是所有任務之間的交集，可稱為“共同結構”、常識，或是本質規律。

因此，從語言模型中我們能夠習得邏輯推理能力、常識認知等關鍵要素——這些確實是語言模型帶給我們的核心價值。但回到現實問題：我們是否應該直接繼承現有的多模態模型作為主干，將其作為基礎來推進具身智能領域的工作？

對此我的看法可能與主流觀點相左。我認為在不久的將來，或許不用十年，甚至五年內，真正主導的多模態模型，反而會是由具身智能推動發展的那類模型。當前僅依靠從物理世界采集數據構建的模型路徑可能難以走通，而基于具身智能發展的多模態體系，反而很可能反過來主導甚至取代我們今天所見的多模態范式。

這是一個符合發展規律的大趨勢，也呼應了人類認知世界的基本方式。人類在學習理解物理世界這類“不靠堆數據”的領域時，其實并不需要海量樣本。從進化歷程來看，我們實際經歷過的交互場景遠不如今天AI模型訓練的數據規模，卻依然能構建出強大的認知系統。

這其中最關鍵的一點在于“動作”帶來的改變。行動本身是一個關鍵信號，它能幫助我們篩選出哪些信息是真正重要的。此外，正如剛才其他嘉賓提到的“交互感知”或“主動感知”，我們通過與環境的實時互動，能夠從時間和因果維度更深入地把握物理世界的運行規律。

這也就引回到我們今天討論的核心：什么才是真正的基礎模型？或者說，具身智能領域的“Transformer”應該是什么？當然，我仍堅持之前的看法，Transformer這個比喻并不十分貼切，它終究只是一種架構組件，就像磚塊或鋼筋，完全可以被更合適的結構所替代。

趙冬斌：確實，當前我們對于模型規模的定義可能不是一成不變的。未來的大模型也不一定非要依賴海量數據，就像人類學習一樣，也許只需少量樣本就能掌握，而不是單純依靠海量數據和算法堆砌。所以對于未來的發展方向，我個人還持觀望態度。

從模型架構的角度來看，我們討論的重點往往在于輸入和輸出。在具身智能領域，輸入模態遠比互聯網大模型豐富，不僅有文字和視覺，還包括力矩、觸覺等物理交互信號，這些都需要被處理，也必然會影響模型的架構設計。

至于輸出方面，剛才多位嘉賓也提到了多種實現路徑，例如混合專家模型（MoE）、多模態生成等。有些場景可能并不需要復雜輸出。目前整個業界發展非常迅速，從學界角度來看，依然處于百花齊放的狀態。具體到機器人控制，如果場景相對簡單，或許一個狀態空間模型就足夠應對了。

2.數據的解法

張一甲：面對數據這種“既重要又難搞”的情況，你們各自采取了什么樣的應對策略？目前實際在做的有哪些工作？

張家興：第一，我們堅信要從真實物理世界中采集數據，這最為關鍵。第二，在整個數字金字塔的構建中，我們希望通過最低成本的方式，直接以人自身作為本體來采集數據，這樣成本最低，也最容易實現規模效應。這些數據主要用于人工智能領域。我們的目標，是構建一個質量最高、成本最低的數據金字塔。

趙行：我們同樣以真實數據為基礎，主要從三個層面入手。首先，是保證數據的真實性，因此我們用真實機器人素材作為起點。其次，我們注重多樣性，這意味著數據采集不局限于自有工廠，而是深入各類真實場景。最后，我們再追求數量，通過優化方法（如從依賴機器人轉變為無機器人方案）來降低采集成本、擴大規模。

羅劍嵐：我們也是堅持真實數據，并且非常重視數據質量。有兩點我們想突出一下：第一，我們會去真實場景里采集，而不只是在數據工廠。第二，未來整個數據生態的構建和運轉，將主要依靠機器人自主產生數據。具體來說，就是把大量機器人部署到真實場景中，讓它們與環境交互，從而產生范圍極廣、非常多樣化的數據。然后利用這些數據，我們可以去獲取更多的機器人，這樣就形成了一個完整的正向反饋。

王仲遠：我們還是堅持從海量的視頻數據中去進行基座模型的學習。因為視頻數據既能夠海量獲得，又能模擬真實世界。然后，我們通過真機采集的數據做半自動處理，再通過強化學習做反饋，來不斷提升它的能力。這套邏輯其實跟現在很多小朋友刷手機認識世界是一個原理：他們通過視頻學習這個世界，再通過真實的交互體驗來提升技能。

王鶴：在座各位中，我可能是很強調仿真的。這并不是說我們故意要用仿真去替代真實世界的數據，而是我們發現，很多底層的控制都是通過大量的強化學習獲得的，而這在真實世界里進行非常困難。比如，我們今天看到的所有人形機器人的足式行走、跳舞，包括各種復雜的身體控制，全都是通過仿真器習得的。真實數據在其中的作用，一是提取人類的行為形態（比如舞蹈），二是在真實世界進行少量的微調。

我們最近與清華大學合作的靈巧手工作也印證了這點。至今為止，所有真正的手內操作都是通過模仿學習實現的，而不是遙控。因為當你不清楚靈巧手的手指是否碰到物體、受力如何時，連遙操作都無法進行。

所以，仿真的意義并非否定真實世界，而是這些豐富的物理交互可以從仿真開始。它能提供一個很好的基礎控制器，使我們在真實世界里能把“數據飛輪”轉起來。這就是合成數據的使命。

程昊：我們現在實際上用仿真數據確實比較多，因為它比較快。但我們用仿真數據訓練的一個目標，是讓機器人接下來能獲得更多真實數據，有了真實數據，整體能力才能再提升。

這很可能是一個螺旋上升的過程：落地后獲得真實數據，會發現很多“corner case”搞不定，而真實世界又采不到那么多，那就可能又得回頭大量用仿真數據。

所以我們的大思路是，一定要讓機器人落地后能獲得真實數據。我們堅信最終這些數據都得用上，大概率是一種融合的狀態。視頻數據長遠看肯定是最多的，只不過現在它的訓練效果還不那么理想。總之，哪個階段哪個數據好用，我們就先用哪個。

張一甲：這可能不是應不應該的問題，而是能不能做到的問題。

王潛：我們是什么數據都用，但用的地方有側重點。就像我剛才說的，不同數據本身的分布差異是很大的。

比如，我們用大量的互聯網數據，基本上每晚能爬的都會爬一遍。這部分主要用來做知識鏈，學習一些常識，這是大家現在普遍都在做的基礎工作。

再比如，我們仿真也做，但可能不會用它來做接觸式的抓取這類任務，而是用來做智能體的決策、推理。那種物理抓取的遷移學習，主要還是以物理世界的真實數據為主。

所以，所有數據本質上都可以用起來，但說實話，把任何一種數據用好都挺難的，里面涉及大量核心的工程問題，這才是我們日常工作和注意力的重點。數據肯定是多多益善，我們能從各種各樣的數據里都學到東西。

趙冬斌：我想，自動駕駛應該是具身智能一個非常重要的落地例子。從它的經驗來看，把車賣給C端用戶后，每個司機每天開車就把數據收回來了，這個真實數據的反饋閉環用得非常好。

我其實一直在想，我們其他的機器人什么時候也能這樣？比如把服務機器人賣到旅館，讓它在無人環境下打掃衛生、疊被子。這樣就能持續回收數據，出了問題可以遠程接管，這些接管數據也非常重要。

再比如一個廚房機器人，如果能根據菜單做各種菜，隨著部署規模上去，數據量自然就起來了。我們期待的就是這種數據自然而然涌現的時刻。

3.決策的“第一性原理”

張一甲：具身智能這個問題，真是越聊越覺得比我們想象中更復雜。就好像各位嘉賓在一個復雜的森林里，從不同的地點出發。我們不知道這個森林有多少物種，也不知道它的全貌，但我們知道大概會有寶藏。至于寶藏什么樣、在哪里，都需要我們去摸索。在面對這么多開放和復雜的問題時，你們做決策的“第一性原理”是什么？

張家興：我認同去年圖靈獎得主的理念——讓機器自己去發現，讓機器自己去探索。

趙行：星海圖創立時就有一句格言：“In scaling law we trust.” 我們相信，數據的規模化將反向驅動模型的進化與智能的實現。

羅劍嵐：我們堅持做正確的事，正所謂“風物長宜放眼量”。很多事情短期看是負擔，長期看卻會產生巨大價值。

王仲遠：人類如何學習，機器人就可以如何學習。

王鶴：我們始終致力于讓“數據飛輪”轉起來。即便當前所做的，未必是外界眼中最炫酷的事情。

程昊：我們決策時始終關注一件事：它能否真正落地。只要方向對落地有幫助，我們就會推進。

王潛：我們的金標準是：能否長期為客戶與消費者創造真實價值。

張一甲：具身智能領域，大家是在“戴著鐐銬起舞”，它很吸睛，但也很花錢。如果你手里有100億元來推進具身智能發展，這筆錢你會怎么花？

趙冬斌：這是錢的問題，給他們來回答（笑）。

王潛：我首先把市場上能吸納的好人才都吸納過來，這是第一位的。那其次肯定是算力和數據啊。

王鶴：100億其實并不重要，重要的是你怎么能夠用你的事業和你堅定的進步，吸引到人才加入。我們不希望大家為了錢每天睜開眼睛，而是為了一個未來人與機器人共生的世界。

程昊：首先，100億不夠。如果我只有100億的話，我肯定不會自己埋頭落地，而是找更多的朋友一起，比如投到智源研究院，吸引全球的研究人才，讓他們可以心無旁騖地去搞比較長期的技術突破。

王仲遠：我特別喜歡程昊總的這個回答。100個億其實也就聽起來很多，實際上也不多，也就10億多美元。GPT-3真的要開始訓練的時候，微軟投資的規模也就是這個量級，這正是一個關鍵研究周期所需要的。

羅劍嵐：我會去構建世界上最大的能夠自我進化、自我閉環的數據系統。100億可以說很多，也可以說不多，但關鍵是，第一個投入百億去做這件事的個人或機構，現在還不存在。

趙行：我也會去構建一個最大的“data engine（數據引擎）”，目標是把物理世界的信息全部數字化下來。

張家興：我是希望能夠設計出屬于我們自己的、具身智能的“黃金式模型”，然后進行大規模預訓練，讓能力真的能夠scale up上去，找到我們最正確的那條路徑。

（封面圖來源：智源研究院）