对话智元首席科学家：把具身智能过度类比大模型，是对它最大的误读

发布时间：2025-04-05 23:51

来源：36氪

必要的泡沫。

文｜于丽丽

封面来源｜IC Photo

当下的具身智能赛道正陷入某种奇观。

一边是朱啸虎这样的投资人高调逃离泡沫，一边是这个在去年年末就被很多投资人预判为“下注窗口期已结束”的方向，屡屡被高额融资激活。

这其中，除一些新入局的智驾背景公司之外，还包括去年估值就大幅飙升的一些公司。腾讯最新押注的智元机器人，就是最受瞩目的之一。而这也是腾讯投资在具身智能领域的首次押注。

早在2023年，这家由原华为计算产品线总裁邓泰华和“华为天才少年”稚晖君等人创建的公司，就创立过成立仅1月即完成3亿天使轮融资的记录。非但如此，它还在之后几个月内，估值快速抵达10亿美金，成为全球最快跻身独角兽的一家具身智能公司。

在中国头部几家具身智能公司中，智元无疑是最高举高打的一家。市面也从不缺少它的声音。

继3月发布首个通用具身基座大模型后，智元又宣布与具身智能公司 Physical Intelligence（Pi）达成合作关系。牵线人恰是昨天宣布加入智元的首席科学家：罗剑岚。

据了解，罗剑岚曾在Google X、Google DeepMind从事研究工作。在伯克利人工智能实验室（BAIR）做博士后期间，他曾是深度强化学习领域重要人物，Pi创始人之一的Sergey Levine 教授团队的核心成员。

关于自己为什么加入智元，以及外部对于具身智能赛道的诸多误读，罗剑岚和几家媒体一起做了分享。以下是其中部分问题的摘录，经暗涌编辑整合。

笑到最后的

一定是软硬件一体的全栈路线

提问1：因为朱啸虎的逃离，现在很多人觉得具身智能已有大量泡沫。

罗剑岚：泡沫本质上也意味着关注度和资源，是提前下注。大笔资源，一涌而上，到了某个点，发现预期达不到，就开始往下降，可能过一阵再开始往上升，这是非常正常的。

每一次技术范式的转移都会经历这种阶段，像自动驾驶也如此。自2016年Waymo始，自动驾驶到现在才真正看到可以商用、落地的曙光。具身智能，是一件更复杂、系统的事，决定了它需要更长时间技术积淀，而不是靠算力或模型堆叠就能突破。

提问2：具身智能的火热，最关键变量是大模型吗？

罗剑岚：把具身过度类比大模型范式，是外部关于这个行业最大的误读。

两者有相似之处，大模型有些技术也可以迁移到具身和机器人上，但不能简单的划等号。

比如，像大模型LLM有百分之五六十的准确率就可以用。因为你有人的大脑，ChatGPT让你去喝农药，你不会喝，因为你可以自己判断。但在机器人身上，这个准确率一点用都没有。

想象一下你的家庭机器人每三个小时，把你家的茶几上的杯子摔一次，把你的手机往窗户上丢一次，或者送咖啡的机器人每20分钟把咖啡随意泼一次。就像智驾，跟十年之前相比，完全两个物种，成功率已经很高，但大家还是会要更高。因为每一个类似的失败动作，都会有一个物理世界的后果。

所以用大模型的周期去类比具身，是低估了作业智能和行动智能的独特挑战。

提问3：随着不同阶段的演进，大模型代表的软件部分和涉及制造的硬件部分，重要性会有哪些变化？

罗剑岚：软件和硬件同等重要。目前软件没有收敛到点，硬件也没有收敛到点，关于两者如何集成，目前行业也没有共识。

提问4：在软件和硬件上，目前最关键的卡点分别是什么？

罗剑岚：软件方面，大模型虽然强，但还没有长时间memory ，在跨任务尝试，分层控制和实时反馈上，都是难题。用不用仿真，需要多少真实数据，多少合成数据，都没有定论。包括用不用RL，因为RL在真实世界用的话，样本效率、训练稳定性、还有泛化能力，都是挑战。

硬件像一些高性能的硬件平台，成本还是很高，有些传感器反馈不够精细，像触觉传感器就没有到一个成熟状态，还有可靠性，都有很大提升空间。

目前也有很多本体，方案，包括执行器。我觉得后面不会是一个本体解决所有问题，而是根据不同行业，有几个相对标准化的本体，有一个方案。

提问5：数据问题好像是争议最大的，但这也很像一个蛋生鸡，鸡生蛋难题。

罗剑岚：对，看起来像头尾在循环。没有数据，没到一定程度，也很难把机器人部署到真实世界。

但你设想下，如果1000台机器人在星巴克，24小时乘以7的时间里，打咖啡送咖啡，一个月传回来的数据，也能超过现在我们见过的机器人数据集的scale。

而且机器人和汽车还有一个区别，汽车如果没有100%的把握，你很难拿到真实世界去，因为车的安全性各方面太严格。

但机器人可以先从一些封闭、半封闭空间开始，有百分之七八十可能性就可以转起来，这样就可以把更多数据传回来，来improve这个系统。

提问6：自动驾驶早期也有过很多关于数据问题的讨论。

罗剑岚：自动驾驶2016年刚开始时，也因为数据匮乏，有过很多争论。但现在是数据太多了，特斯拉去年公开的路上数据是500亿英里，数据中心都已经装不下了，所以我们应该担心的不是有没有多少数据，而是应该做哪些算法设计，把数据更好衔接起来。所以，那些掌握产品和生态，有能力自己去部署机器人的具身智能公司，先发优势会很大。

提问7：在你看来，软硬一体的全栈路线是必要的吗？有的公司就只想做好本体部分。

罗剑岚：自动驾驶早年，也有专做大脑的，但现在主机厂都开始做自动驾驶。十年前，无人机很火时，中美出现一大堆无人机公司。美国公司说不做硬件，记得当时好像英特尔在美国开了20多个实验室，就做这个无人机导航线这些东西，当然这也因为美国没有制造业，没有产业链，所以只能做大脑，但现在这些，你都记不住了，因为他们都已不存在。我们现在记住的名字是：DJI（大疆)。

虽然只做大脑也可以跟硬件结合一起，但我认为一定是软硬件一起迭代的全栈路线，会笑到最后。

如果机器人真的实现manipulation

这就是AGI

提问8：智元已经有CTO稚晖君，包括智元机器人研究院执行院长姚卯青也是技术背景。你们之间存在汇报关系吗，会如何分工？

罗剑岚：我们内部是一个比较扁平、高度协作的团队。稚晖君在系统工程方面有一些深厚的积累，姚院长在战略方向上会把控全局，我会更多的负责一些算法路线的推动，还有一些外部技术生态的融合。

我们之间是平行互补关系，更强调的是共识驱动，项目导向。

提问9：这次，智元选择和PI（Physical Intelligence）合作，是基于什么背景？

罗剑岚：首先是智元与PI在理念上有很多契合,都强调真实数据的重要性，都从实际出发推动具身智能落地，这个是合作的大背景。

此外，它是由具身智能领域的先驱Sergey Levine和Chelsea Finn等教授创立的，是目前国际上做具身智能最好的公司之一。

提问10：在具身智能创业公司里，智元也一直在用一种生态打法做公司，很像在用大公司方法运作创业公司，这是有意为之的吗？

罗剑岚：我们觉得具身智能的复杂性，远超单一公司所能承担的。所以我们强调开放协同。一方面帮助一些外部公司实现他们的一些迭代，另一方面，也把他们的能力引入到我们的生态体系内。

提问11：为什么在具身领域，还没有出现类似OpenAI这种引领型的明星公司？

罗剑岚：因为这个行业还没有收敛到非常确定性的一些技术方案，所以还不存在哪家遥遥领先，具有很强的话语权。

提问12：现在大家看到很多关于机器人的demo视频，很酷炫，但终究还都是人类在遥控，怎样才能实现自主决策？

罗剑岚：自主决策和遥控的差别，就类似你以为是和ChatGPT对话，但其实是背后还有另一个人在另一台电脑上打字，完完全全是两回事。

本质是机器人对不确定性的分析和建模，然后换成可执行的动作链。对机器人来说，位置变了一下，颜色变了一下，就跟它记到的东西不一样了。这套感知、预测、生成机制的泛化能力，是最关键的技术。

提问13：最近具身智能厂商都愿意拿来秀肌肉的技能展示，很多都集中在执行长周期、复杂任务，每家技能点也不太一样。你是怎么定义长周期和复杂任务的？

罗剑岚：长周期是一个比较主观的词，我们可能更关注的是一个任务，先后存在的一些比较复杂的依赖关系，和它的泛化能力，而不是某种绝对条件下，一分钟是长周期，小于一分钟是短周期。

至于复杂任务，至少在manipulation（操控）上，宇树可能更多是一些local motion(局部运动）这些东西。而manipulation上有一些没有解决的问题。比如机器手和外界有接触后，会产生非常复杂的物理现象、物理模型。然后是在多模态、高维度的视觉输入下，怎么完成一些比较灵巧的任务，同时达到非常高的成功率。

这个是manipulation50年以来的，最关键的challenge，我们现在会尝试做一些这类的工作。

提问14：manipulation，机器人操控问题，也是当下关注非常高的部分。

罗剑岚：如果机器人真的实现了manipulation，就是 AGI。是比LLM更高级的智能。如果人类文明是零到十，LLM 最多算三，而如果把manipulation实现了，最少得有七到八吧。