具身四强直面GPT-6：纯大模型难破物理壁垒

Koji杨远骋

大模型厂商欠缺高频硬实时控制与物理接触数据，无法对具身智能形成降维打击，而盲目堆砌物理数据量也将面临边际效益递减。

AI-assisted summary of 【十字路口】当具身智能走到十字路口｜和苏度、蚂蚁灵波、自变量、破壳：四种一线判断【视频播客】 — original source. Check the original for full context.

Source published: 2026-09-15

Detailed notes

## Background 本期视频由主持人 Koji 杨远骋于 2026 年 9 月 13 日发布在 YouTube 频道【十字路口】，记录了「2026 Inclusion 外滩大会」主会场的一场圆桌对谈。视频汇集了苏度科技韩铮、蚂蚁灵波沈宇军、自变量机器人王潜以及破壳机器人许华哲四位一线创业者与学者，聚焦具身智能的技术路线分歧、GPT-6 Astra 带来的冲击以及产业落地的商业化指标与终局推演。

## TL;DR 四位嘉宾围绕仿真与真机数据路线展开激烈辩论，探讨了 Real-to-Sim 规模化与物理传感器微观噪声等底层瓶颈。针对 GPT-6 Astra 的跨界震动，讨论指出其在语义和空间泛化上表现出众，但在富接触的物理交互上依然存在短板，大模型难以凭空形成降维打击，软硬件一体与端侧毫秒级闭环控制仍是专有具身的核心壁垒。嘉宾们进一步提出大模型与具身策略的分层协同架构，并一致认为具身智能提供的连续感知流与物理直觉不仅是 AGI 闭环递归自我进化（RSI）的关键拼图，更将在三年内加速迎来通用化落地。

## Atmosphere & style 整场对谈节奏紧凑、直击痛点，抛弃了客套与空泛的行业公关辞令，展现出少见的技术路线交锋与认知碰撞。四位嘉宾兼具创业者的务实与顶尖科研者的严谨，面对 Astra 带来的行业恐慌与资本泡沫，冷静拆解第一性原理与工程深坑。现场氛围既有对通用大模型简单套用物理世界论调的犀利针砭，又充满对打通物质世界闭环、实现具身通用化突破的笃定与行业雄心。

## Key takeaways - [04:00](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=240s) 仿真与真机数据之争的核心在于规模化效率与物理保真度的权衡：仿真能突破预训练数据量瓶颈，而真机数据的不可替代性在于传感器内生噪声、温漂及微观接触力学难以在仿真中标准化低成本复刻（Real-to-Sim 瓶颈）。 - [08:18](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=498s) 智能的本体存在于数据和评测体系中，模型本质是训练时的蒸馏器与部署时的容器；跨领域智能从不会自然外溢，通用大模型不会仅凭语言与代码优势自动获得物理控制能力。 - [08:18](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=498s) GPT-6 Astra 等通用大模型对具身赛道并非降维打击，大模型厂商深耕具身同样必须攻克数据收发基础设施、硬件评测闭环及端侧毫秒级硬实时推理等深水区工程。 - [14:48](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=888s) 具身任务可拆解为语义、空间与物理三大泛化维度；当前前沿大模型已具备惊艳的语义与空间泛化力，但富接触力学（Contact-rich）的物理交互与受力控制仍是专用具身模型坚守的最后阵地。 - [14:48](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=888s) 具身落地主流架构趋向分层协同：由上层通用大模型思维链（COT）提供高阶常识判断与任务调度，下层专用具身 Policy 执行高频连续闭环力控与基础动作技能。 - [19:08](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=1148s) 具身智能连续永续的流式输入计算范式，将打破大语言模型传统的回合制对话机制，其沉淀的物理接触与动态环境语料反过来会成为通用大模型升级情感与常识底座的养料。 - [24:48](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=1488s) 判断具身智能跨越泡沫期的核心指标包括：免高昂后训练过拟合下的高成功率泛化、依赖新技术而非传统自动化为客户带来正向 ROI，以及基础模型可用性从 50% 跃迁至 99.9%。 - [31:16](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=1876s) 当前中国供应链的具身即战力被高估，散落在汽车与传统工业机器人领域的成熟零部件，在小型化、超高精细度与高可靠性上与具身要求存在断层，需长期联合打磨。 - [31:16](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=1876s) “模型决定一切论”与直接照搬纯数字大模型套路被严重高估，具身商业化必须依靠机械、电控与算法高度协同的复杂软硬件系统工程能力。 - [36:20](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=2180s) 具身智能是 AGI 不可或缺的拼图，单纯依靠爬取文本、代码或生成视频无法获得由真实物质世界交互沉淀出的“物理直觉”。 - [38:33](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=2313s) 缺乏具身智能去打通芯片晶圆制造、机房扩建与电网架设等物理实体供应链，AI 依赖纯软件层面的递归自我进化（RSI）便无法真正实现物质闭环。 - [41:25](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=2485s) 盲目攀比物理数据采集小时数被严重高估，边际效应递减明显；相反，无需繁琐后训练的通用具身智能在三年内实现场景落地的进化速度被外界低估。

## Detailed walkthrough ### [00:00](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=0s) 数据之争：坚守仿真还是重注真机？

论坛开篇即直奔主题。主持人 Koji 杨远骋指出，2026 年的具身智能正站在一个充满路线级分歧的十字路口，今天主要探讨数据之争、智能之争与场景之争。关于数据，业内形成了明确分化：有人坚定押注仿真（Simulation），有人坚信必须死磕真机数据。

苏度科技联合创始人兼 CEO 韩铮率先阐述了对仿真的押注逻辑。他澄清道，苏度并非完全排斥真实世界数据，而是早在 2015、2016 年就开始涉足机器人仿真器与合成数据，至今经历了两轮技术周期。科研与商业化的大规模落地完全是两码事： - 科研环境下，研究人员用开源仿真器（如早期的 SAPIEN、ManiSkill）或英伟达 Isaac 做做实验、刷刷算法即可，遇到瓶颈往往不知如何大规模迁移到基础模型，或者仅把仿真器当成传统控制算法换机器学习时的辅助补水工具。 - 但要针对基础模型的强化学习（RL）系统做大规模预训练的数据生成与训练，现有开源网格仿真器在苏度内部看来都有明显局限。

因此，苏度科技在 2024 年后坚决构建了一套完全自主重构的闭源数据管线与仿真器管线。该系统在去年年底（11、12 月）实现突破，并在今年 4 月放出了成果展示：在面对物体、复杂环境、光线交织的无约束条件下，抓取、放置以及特定组装等操作技能几乎能达到 100% 的成功率。韩铮强调，真实世界的数据采集核心痛点是“效率太慢，质量也受限”，纯靠真机数据根本无法支撑预训练所需量级，因此“仿真在行业里是绕不过去的”。这一判断也正在被海外同行验证，近期美国数家具身同行大幅加码仿真能力建设，甚至清华苏老师（苏昊）课题组尚未毕业的学生也被硅谷具身公司直接挖去担任仿真团队核心负责人。

蚂蚁灵波科技首席科学家沈宇军随后阐明了真实数据阵营的底层哲学。他首先澄清，灵波内部并不机械地非黑即白，而是认为不同数据在不同阶段扮演不同角色：例如在下游单项具体任务（或自动驾驶特定任务）中，仿真数据确实极具价值。但灵波坚持在预训练阶段主要依赖互联网数据和真实物理世界采集的数据，核心立足于“机器人与物理世界交互的第一性原理”： 1. **输入通道的不可替代性**：机器人一旦脱离纯数字虚拟环境，身上所有的感知与观测只能来自于传感器（Camera、触觉、力觉等），不可能像大语言模型那样通过无噪声的键盘文本输入。 2. **传感器的内生缺陷**：现实中不存在完美的传感器，硬件在物理世界中注定存在噪声、温漂、频偏与延迟。 3. **规模化瓶颈的反转（Real-to-Sim vs Sim-to-Real）**：业内过去把焦点都放在 Sim-to-Real（仿真到真实）的 Gap 上，但沈宇军认为，更致命且更隐蔽的瓶颈是 **Real-to-Sim** 的规模化。如果要指望预训练赋予机器人通用泛化能力，我们能否把真实世界的各种传感器噪声、微观物理细节成规模、低成本地完整搬进仿真器？如果这一步无法实现标准化、规模化，只谈缩小 Sim-to-Real 的 Gap 就没有本质意义。

沈宇军以触觉传感器为例展开剖析：目前视觉仿真相对成熟，但触觉领域很多硬件公司提供的仿真环境极其简陋。灵波实测发现，真实触觉传感器采集到的信号，与仿真器生成的信号相比几乎是“千差万别”——传感器的采样频率、幅值特性、个体硬件间的一致性差异等底层物理微观特性，在仿真器中几乎不可能做到工业级的完美复刻。因此，物理世界那些极度繁琐的“不完美”，恰恰是仿真器跨不过去、真机数据无可替代的根本价值所在。

---

[08:18](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=498s) 智能之争：GPT-6 Astra 是降维打击还是同场竞技？

近期最具震动性的行业事件，莫过于 OpenAI 发布 GPT-6 Astra，社交媒体上迅速涌现出大量直接调用 Astra 端到端驱动机械臂、灵巧手完成复杂动作的演示视频。这引发了行业内外的剧烈恐慌：通用语言大模型是否正在对专有具身智能模型形成“降维打击”？

自变量机器人创始人兼 CEO 王潜对此给出了极其冷静且直击本质的技术拆解。他直言，Astra 能驱动机械臂“一点都不奇怪”，因为从去年年初开始，OpenAI、Anthropic 等模型大厂就在疯狂采购机器人轨迹数据，甚至自己建立了小规模的数据采集工厂招募机器人专业人才，Astra 本质上就是一个吃饱了海量机器人动作数据的顶级多模态模型。

王潜抛出了一个被一线大模型工程师公认的“正论”底层视角： > “今天智能的本体是存在于数据里面的，当然一部分是存在于 evaluation（评测）里面；至于模型呢，更多的是一个蒸馏器和一个容器——在训练的时候它是一个蒸馏器，在部署的时候它是一个容器。”

在构建前沿 AI 系统时，模型架构本身的作用已经被压缩得极小。通用语言模型的每一代跃迁，除了规模放大带来的 Infra 红利，核心驱动力是团队花费了绝大多数时间去“造数据、挑数据、验证数据与标注数据”。他复盘了 AI 突破的演化脉络： - **Coding** 最先被彻底解决，是因为代码最容易合成、最容易低成本闭环验证（运行通过即可）； - **数学** 紧随其后被攻克，同样得益于形式化逻辑的可验证性； - **3D 与视频生成** 随后爆发，虽然验证难度加大，但标注相对直观。

```mermaid flowchart TD accTitle: 具身智能壁垒对比 accDescr: 对比通用大模型与专用具身模型在数据基础设施、物理世界交互与实时推理部署上的差异。

subgraph FrontierLab["通用大模型路线 (OpenAI / Anthropic)"] A["多模态通用底座 (如 GPT-6 Astra)"] B["数据工厂 / 外部采购真实轨迹"] C["重型网络架构，云端高延迟推理"] A --> B B --> C end

subgraph EmbodiedStartup["专用具身智能路线 (自变量等)"] D["具身专有架构"] E["软硬件一体评测 + 物理世界/仿真数据 Infra"] F["轻量高效、硬实时动作推理 (Policy)"] D --> E E --> F end

G["降维打击假说不成立的底层物理限制"] C -.->|"瓶颈: 无法满足机器人高频低延迟闭环控制"| G E ===|"真实壁垒: 必须下场碰硬件、收数据与搭验证"| B ```

基于这一逻辑，王潜给出了两点关键判断： 1. **大模型厂商并没有免死金牌**：OpenAI 或 Anthropic 如果要深耕具身，它们同样必须搭建专门的数据收发基础设施、搭建软硬件验证体系、构建基于世界模型的仿真环境，甚至不可避免地要下场碰硬件。这些具身工程上的深坑，不会因为基础大模型的语言参数优势而自动消失。届时，他们也只是一家“普通的具身智能公司”。 2. **领域间通用智能不会凭空自动泛化**：大众最担忧的是大模型在其他领域（文本、代码、视频）的智能能否直接“泛化”并降维渗透进具身。但王潜指出，这种跨领域白送的能力在模型历史上从未发生过：Coding 的突破不是靠对话模型自然外溢，而是靠海量代码训练；最近千禧年难题 Navier-Stokes（NS）方程的数值解析取得进展，也不是 Coding 自然外溢给数学，恰恰相反，在预训练中直接混入代码和数学数据常常会造成能力“打架”，工程上往往需要分别训练 Coding Expert 和 Math Expert 再通过后期合并（如 DPO/MoE 等手段）。视频生成模型无论做得多逼真，也从未自然转化为机械臂的轨迹控制优势。

王潜总结道，Astra 的出现其实给了具身赛道巨大的信心启示：**预训练（Pre-training）在具身领域不仅行得通，而且是巨大的正向加分项（bonus）**。未来具身创业公司与 OpenAI 的终局区别不在能力天花板，而在工程形态：通用大模型受限于体积，无法在机器人端侧以硬实时的频率完成毫秒级推理控制，产业界终究需要专注于物理交互的专用具身模型。只要具身公司坚定推进预训练并把全套数据与评测 Infra 筑高，在终局上限和进化速度上绝不会逊色于大模型巨头。

---

[14:48](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=888s) 物理世界的“最后阵地”：做麻婆豆腐与 Astra 的能力边界

针对具身机器人的具体操作表现，破壳机器人创始人、清华大学助理教授许华哲分享了实测一手体验。近期破壳展示了双臂机器人精准制作川菜“麻婆豆腐”的复杂演示。在 GPT-6 Astra 发布当天，破壳团队第一时间对 Astra 进行了机器人维度的极限性能测试。

许华哲把具身任务拆解为三大核心泛化维度： - **语义泛化（Semantic Generalization）** - **空间泛化（Spatial Generalization）** - **物理泛化（Physical Generalization）**

实测结果显示，Astra 在前两个维度表现惊艳，但在物理接触上暴露出极大的局限： - **极强的语义与空间理解**：桌面上的物体不论真假、不论类目，给 Astra 一个自然语言 prompt 它全都能认出，并稳定导航定位至目标位置。 - **颠覆传统的抓取表现**：以往的 VLM（视觉语言模型）控制机械臂，往往只是晃晃悠悠移动到目标附近乱动；而 Astra 能够抓起极度考验细粒度抓取的极小物体。例如将一根细筷子平放在光滑桌面上，机器人通常需要用手指在桌面上压紧打滑借力才能抠起，Astra 居然成功抓起；团队进一步增加三维空间难度，命令它“将筷子立起来插进狭窄的杯子里”，Astra 也流畅完成。 - **物理交互（Contact-Rich）彻底失效——物理泛化是最后阵地**：当任务涉及到真正的物理交互力控制时，Astra 便迅速崩溃。例如要求用筷子去“挑开”一个受阻遮挡物，或是进行双臂折叠纸盒、叠衣服等富接触力学（Contact-rich）的柔性任务，Astra 均无法完成。它在复杂任务中仅能偶尔实现“筷子放进杯子”以及一次将物体从一只手倒手给另一只手的 Hand-over 操作。

许华哲认为，制作麻婆豆腐这种极度复杂的接触密集型烹饪任务，正是 Astra 这类云端纯视觉大模型无法企及的深水区。面对这一格局，破壳提出的破局思路是“大模型 Harness 与具身模型协同分层”： - **协同架构**：将负责底层干活的专用具身 Policy 模型，接入类似于 OpenAI Codex 形式的推理环境中（如通过 Harness 框架挂载）。 - **实战案例（真假菠萝抓取困境）**：在菜市场抓水果的训练中，由于真水果极易腐烂，实验室早期经常使用塑料/高密度泡沫模型进行数据采集。但这导致了极度有害的负面数据——抓泡沫水果时，机械手只需死命加大下压力抠住边缘就能拎起；但如果真机去抓一颗沉重带刺的真实菠萝，直接抓身体必然打滑或捏烂，正确的物理策略是揪住顶部的绿缨子。纯具身模型缺乏判断物体本质属性的常识，必须依靠上层大模型（如 Astra）的思维链（COT）提供语义反馈：“抓取反馈显示它不是泡沫而是真菠萝，立刻切换抓取策略去提叶子”。

```mermaid flowchart TD accTitle: 大模型与具身策略的分层协同系统 accDescr: 上层通用大模型负责高阶语义与常识推理，下层专有具身模型负责高频硬实时的动力学控制。

subgraph CloudLayer["上层云端大模型 (如 Astra / 千问)"] A["多模态环境与语义识别"] --> B["思维链 (COT) 与任务拆解"] B --> C["异常判断与常识调度 (如: 真假菠萝材质推断)"] end

subgraph EmbodiedLayer["底层专用具身 Policy (端侧硬实时运行)"] D["多模态传感器高频连续输入 (触觉 / 关节力矩 / 视觉)"] E["高鲁棒性基础动作技能池 (Skill: 抓 / 放 / 扭 / 挑)"] F["闭环力控与毫秒级轨迹跟踪"] D --> E E --> F end

C -->|"下发离散目标指令与动态反馈修正"| E F -.->|"上报物理接触异常状态与阻抗变化"| C ```

沈宇军高度认同这种分层体系，并提出了一个更加激进的设想：**具身智能不仅不会被云端大模型吞并，未来反而会反哺并重构大模型的基础演化路径**。 - **流式无休止输入的计算范式**：当前数字世界的 LLM 本质上是“轮次式对话（Turn-based Dialogue）”，系统在回答用户时无法实时打断并响应新的连续流；但机器人在真实物理世界中运作时，身上的传感器输入是永不间断、高频涌入的，推理执行绝不可被打断，必须随着新输入的物理扰动在毫秒级内动态更正。具身模型最终会作为云端高级大脑的一个“专用物理工具”，并演化出自己独有的训练与控制范式。 - **反哺通用大模型的情感与常识底座**：人类现实中的交流是多模态、强上下文关联的（例如察觉到室外下雨会自然改变话题，看到对方脸色突变会立即闭嘴咽回原计划的话）。躲在屏幕背后的 LLM 缺乏物理维度的真实感知。当未来机器人走入千家万户，其传感器沉淀的物理温度、天气、触觉、环境动态等海量全模态世界语料，将成为大模型大厂升级通用智能的关键下一代养料，让 AI 从冷冰冰的问答工具蜕变为真正具有共情与主动感知能力的实体。

韩铮也回顾了苏度科技去年底的端到端系统架构设计。苏度在当时的公开演示中，就是利用通义千问模型做上层的高阶环境理解和抽像指令 Reasoning 拆解，生成一系列操作逻辑步；下层则完全依托稳定可靠的基础动作 Skill 来闭环执行。他指出，具身公司与大模型对接的前提，是**底层基础操作技能（Skill）必须同时具备高成功率与高泛化性**，否则上层规划再花哨，底层稍有物理扰动就彻底崩盘。

---

[24:48](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=1488s) 场景之争与终局推演：跨越泡沫的真实指标与五年审视

在第三个环节中，主持人将锋芒转向商业落地。具身智能当下融资炽热、Demo 满天飞，但外界对其缺乏持续造血能力的质疑声不绝于耳。三位 CEO 分别定义了“具身智能跨越泡沫期、真正步入产业化”的核心指标：

王潜以物流行业为例强调，自变量已经在某些传统自动化无法应对的非标场景中跑通了验证，具身机器人的 ROI 首次超越了人工。过早强行铺商业化可能会损害底座研发，但随着基础能力跨过临界点，商业化造血能力与通用模型的演进目前已经形成相互哺育的良性飞轮。

在对话的收尾阶段，主持人抛出经典之问：“站在五年后的今天回头看，具身领域现在有哪些东西被严重高估了？又有哪些被低估了？”

- **苏度科技韩铮**： - **最被高估的是“中国供应链的即战力”**：行业总觉得国内供应链品类全、选择多，但现有的成熟元器件（传感器、精密执行器）大多散落在汽车工业和传统工业机器人领域。直接拿来做精细的具身智能机器人时，其工程成熟度、小型化、高可靠性与大工业制造的标准相比依然有明显断层，必须经历相当长周期的联合打磨。 - **被低估的是“模块化基础技能在特定大类任务上的快速穿透力”**：虽然实现全任务 99.9% 成功率遥遥无期，但在未来 1-2 年内，依托高可靠技能池与上层模型结合，业内很快能看到某一通用大类（如特定组装、抓取装配）横扫各行各业，解决难度比外界预想的要更乐观。

- **蚂蚁灵波沈宇军**： - **最被低估的是“复杂系统工程的能力”**：外界普遍患上了“模型决定一切论”，把能否落地、成本高低全部甩锅给模型性能。但在真实的商业落地中，考量的是极其繁琐的综合逻辑：客户为了降本是否真的需要整机人型？是否双臂固定机台就足够？整个机械、电控、算法复合系统的鲁棒性如何协同？这些模型之外的深层系统工程复杂度被严重轻视了。 - **最被高估的是“纯搬数字世界套路训练具身模型的技术路径”**：沈宇军直言，行业内充斥着盲目乐观——要么臆想数字世界大模型会瞬间降维接管一切，要么以为依样画葫芦地在真实世界堆叠一波数据、按原本语言模型的套路硬训一遍就能跑通具身模型。这种把物理世界复杂交互简单等同于数字世界文本预测的思路，很可能从底层假设开始就是不成立的。

[35:00](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=2100s) 训练范式被高估：数字世界交互 vs 物理世界 7×24 小时在线推理

在探讨具身智能与通用大语言模型的分野时，核心分歧在于两者的技术路线是否会最终收敛。数字世界的模型交互往往是回合制、问答式的，用户发出指令，模型响应完毕便归于静默；但具身智能完全不同，机器人必须一边在物理环境中干活一边保持推理，这两件事绝对无法割裂互斥。现实中不可能出现“机器人干活时为了推理就把外界声音与传感器输入全屏蔽掉、不再接收任何新信号”的荒谬场景。

这种出发点的根本差异，决定了具身智能必然演化出一套独有的全新训练范式。它必须能够支持对物理世界高频信息展开 7×24 小时、甚至全年无休的持续感知与流式处理。因此，市面上那些简单将大模型训练技巧生搬硬套到具身领域的做法可能被严重高估了——具身智能的模型训练并没有那么多神话般的“魔法”，而是必须应对物理世界连续交互带来的特有难题，倒逼出大语言模型之外全新的底层训练技术。

```mermaid flowchart LR accTitle: 对话式大模型与具身智能在计算范式上的对比 accDescr: 对比传统大语言模型的单次调用模式与具身智能在物理世界中的持续交互推理模式。

subgraph LLM["传统对话大模型范式"] A["单次输入/指令"] --> B["静态离线推理"] B --> C["输出回答并休眠"] end

subgraph Embodied["具身智能运行范式"] D["7x24 连续感知流"] --> E["边干活边实时推理"] E --> F["执行物理动作交互"] F -. "环境反馈动态循环".-> D end ```

---

[36:20](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=2180s) 具身智能的真正价值：不可替代的物理直觉与 AGI 拼图

回顾过去，大家普遍以为具身智能只是 AGI 的一个常规子集，但公众很可能低估了它在智能本质上的极端重要性与深层潜力。接续前面关于 GPT-6 Astra 的讨论，具身交互产生的数据之所以无可替代，是因为它蕴含着无法从其他任何符号中剥离出来的物理世界智慧：复杂的物理接触、力学动态过程、各种传感器不可避免的随机噪声，以及客观现实固有的一定程度的不可控性。这些东西既不能通过单纯看视频、扒 3D 几何，更不可能只靠爬取纯代码与文本来完全掌握。

在基础科学探索的脉络中，人类的创新源泉往往分立于两套无法彼此完全弥补的支柱：一套是逻辑推理与数学的深度搜索能力，另一套则是源自对真实物质世界感知的“物理直觉”。在解决现实难题时，有些任务依赖数学逻辑推演更敏捷，而有些难题唯有依托物理直觉才能破局。因此，要构建货真价实的 AGI，物理交互的智能拼图绝对无法绕开。无论未来是把这些能力整合进单一巨型模型，还是做成不同层级的模块系统，关键在于这类能力必须从真实世界或高精度仿真中提取，并注入到 AI 整体系统之中。

- **多模态符号的局限**：视频与代码无法还原真实接触中的应变、形变、打滑与非线性传感器噪声。 - **科学探索的双轮驱动**：逻辑搜索（数学路径）与物质洞察（物理直觉路径）相互独立且缺一不可。

---

[38:33](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=2313s) 没有具身智能，AI 无法完成闭环的递归自我进化（RSI）

当前硅谷与国内对递归自我进化（RSI, Recursive Self-Improvement）的狂热与担忧并存，但单凭纯语言模型在现实物理法则下根本无法完成自给自足的闭环。纯文本或多模态 Agent 或许可以修改自己的训练代码、优化网络流程调度与算法架构，但 Scaling Law 的实质是硬件支撑——模型既不能自己搬砖铺设钢筋混凝土来扩张数据中心，也无法直接在晶圆厂里精密调试机台参数以造出更多的先进芯片与提供海量电力。当前制约算力膨胀的物理瓶颈，依然需要血肉之躯在现实世界中去解决。

倘若没有具身智能去打通物质层面的“自我增殖”与“硬件重造”，数字世界的 RSI 就是无源之水。即便开个极端玩笑：如果 Anthropic 今天裁撤所有人类工程师、全面由代码 Agent 接管模型迭代，虽然进度会因缺乏人类高质量审美把关而放慢，但下一代纯软体模型大概率还是能磨出来；但如果把半导体代工厂的人类工程师全撤掉且没有具身机器人接手，整个芯片制造体系会立即停摆。唯有当具身机器人能在无人介入的情况下维持晶圆制造、电网架设与机房扩建，硅基摆脱碳基的真正意义上的闭环才可能成真。

展望未来五年，生产力形态将发生质的跃迁。如今写一个 APP 已不再需要庞大的工程团队协同经年累月，个人调用一队 Agent 额度几个小时便可完成；五年后在具身智能与通用大语言模型的配合下，涉及上千人协同与复杂供应链的工业重器——比如制造一架民航客机——也许能变得像今天生成一个 APP 般敏捷高效。生产全流程闭环的同时，也意味着技术与伦理的交织：面对大语言模型巨头们饱受诟病的道德水平，中国具身智能企业更应把物理数据反哺进底座模型，开辟出属于自己的通用大模型之路。

---

[41:25](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=2485s) 盲目追求数据量被高估，三年内具身迎来通用化落地

关于未来产业预判的压轴交锋上，许华哲直言当前行业最严重被高估的方向，就是对“物理数据量”的盲目堆砌与数字攀比。行业里充斥着“我有 100 万小时”、“某某已经买了几百万小时数据、不买就掉队”的焦虑营销。然而从产业真实训练结果来看，一些号称吃掉了海量物理数据的模型，其实际泛化与执行表现并没有出现超越预期的飞跃，甚至并不比用几万小时高质量数据打磨出的模型表现得更好。离开数据多样性与训练范式突破，单纯追逐体量堆砌正在面临显著的边际效益递减。

与之相对，整体具身智能模型的通用落地进展则被外界严重低估了。大众普遍悲观地认为具身智能要走向通用服务至少需要 5 到 10 年，但真实的演进速度远比公众预期更快——乐观预计三年之内，具身智能便有望在诸多实际场景中提供无需大量繁复后训练、真正具备通用泛化能力的服务，而不是仅仅拘泥于固定点位的脆弱示范。当造飞机的物理重工业壁垒在具身与 AI 的协同下被加速击穿，具身智能的发展将很快跨过泡沫期，迎来落地现实的质变时刻。

## Notable quotes > [00:00](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=0s) 效率太慢，质量也受限 — 韩铮

> [00:00](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=0s) 仿真在行业里是绕不过去的 — 韩铮

> [08:18](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=498s) 今天智能的本体是存在于数据里面的，当然一部分是存在于 evaluation（评测）里面；至于模型呢，更多的是一个蒸馏器和一个容器——在训练的时候它是一个蒸馏器，在部署的时候它是一个容器。 — 王潜

> [08:18](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=498s) 预训练（Pre-training）在具身领域不仅行得通，而且是巨大的正向加分项（bonus） — 王潜

> [14:48](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=888s) 抓取反馈显示它不是泡沫而是真菠萝，立刻切换抓取策略去提叶子 — 许华哲

> [14:48](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=888s) 具身智能不仅不会被云端大模型吞并，未来反而会反哺并重构大模型的基础演化路径 — 沈宇军

> [24:48](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=1488s) 最被高估的是“中国供应链的即战力” — 韩铮

> [24:48](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=1488s) 被低估的是“模块化基础技能在特定大类任务上的快速穿透力” — 韩铮

> [24:48](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=1488s) 最被低估的是“复杂系统工程的能力” — 沈宇军

> [24:48](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=1488s) 最被高估的是“纯搬数字世界套路训练具身模型的技术路径” — 沈宇军

> [41:25](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=2485s) 我有 100 万小时 — 许华哲

> [41:25](https://www.youtube.com/watch?v=MLMbfXZZ2P0&t=2485s) 某某已经买了几百万小时数据、不买就掉队 — 许华哲

## Mentioned Koji杨远骋, 韩铮, 沈宇军, 王潜, 许华哲, 苏昊, 苏度科技, 蚂蚁灵波科技, 自变量机器人, 破壳机器人, 清华大学, OpenAI, Anthropic, 英伟达, GPT-6 Astra, 通义千问, Codex, Isaac, SAPIEN, ManiSkill, 2026 Inclusion 外滩大会

## Video description ➤ 这是一次少见的、没有收敛的、关于具身路线级分歧的公开讨论。

2026 年的具身智能，已经不缺热度。缺的是有人把分歧摆上台面。数据从哪儿来？模型怎么做？落地在哪里？

我们讨论了当下最热门的话题：GPT-6 Astra 的能力边界在哪里？如果 OpenAI、Anthropic 要做具身，会形成降维打击吗？

这期播客是「2026 Inclusion 外滩大会」主会场圆桌的现场，由我（Koji）主持，参与讨论的四位嘉宾是：

- 韩铮：苏度科技联合创始人兼 CEO - 沈宇军：蚂蚁灵波科技首席科学家 - 王潜：自变量机器人创始人兼 CEO - 许华哲：破壳机器人创始人、清华大学交叉信息研究院助理教授

透过这场对话，你会了解到：1）不同路线的核心假设和风险；2）判断哪些指标是领先指标；3）Astra 带给具身的冲击和启发，与创业公司护城河；4）具身智能商业化短期 vs 长期逻辑；5）被高估/低估的领域，可能对应投资机会或风险。 00:27 仿真还是真机数据？ 04:00 真实数据为何不可替代？ 08:18 GPT-6 会降维打击具身吗？ 15:00 会做麻婆豆腐，模型就更好？ 19:08 具身会反过来改变大模型吗？ 24:48 什么指标能让具身跨过泡沫？ 29:11 后训练还是基础模型跃迁？ 31:16 五年后，什么被高估？ 38:33 没有具身，AI 能完成 RSI 吗？ 41:25 数据越多，模型就越好？

[Source](https://www.youtube.com/watch?v=MLMbfXZZ2P0)

中文简报

具身四强直面GPT-6：纯大模型难破物理壁垒大模型厂商欠缺高频硬实时控制与物理接触数据，无法对具身智能形成降维打击，而盲目堆砌物理数据量也将面临边际效益递减。四位嘉宾围绕仿真与真机数据路线展开激烈辩论，探讨了 Real-to-Sim 规模化与物理传感器微观噪声等底层瓶颈。针对 GPT-6 Astra 的跨界震动，讨论指出其在语义和空间泛化上表现出众，但在富接触的物理交互上依然存在短板，大模型难以凭空形成降维打击，软硬件一体与端侧毫秒级闭环控制仍是专有具身的核心壁垒。嘉宾们进一步提出大模型与具身策略的分层协同架构，并一致认为具身智能提供的连续感知流与物理直觉不仅是 AGI 闭环递归自我进化（RSI）的关键拼图，更将在三年内加速迎来通用化落地。仿真与真机数据之争的核心在于规模化效率与物理保真度的权衡：仿真能突破预训练数据量瓶颈，而真机数据的不可替代性在于传感器内生噪声、温漂及微观接触力学难以在仿真中标准化低成本复刻（Real-to-Sim 瓶颈）。 (4:00) 智能的本体存在于数据和评测体系中，模型本质是训练时的蒸馏器与部署时的容器；跨领域智能从不会自然外溢，通用大模型不会仅凭语言与代码优势自动获得物理控制能力。 (8:18) GPT-6 Astra 等通用大模型对具身赛道并非降维打击，大模型厂商深耕具身同样必须攻克数据收发基础设施、硬件评测闭环及端侧毫秒级硬实时推理等深水区工程。 (8:18) 具身任务可拆解为语义、空间与物理三大泛化维度；当前前沿大模型已具备惊艳的语义与空间泛化力，但富接触力学（Contact-rich）的物理交互与受力控制仍是专用具身模型坚守的最后阵地。 (14:48) 具身落地主流架构趋向分层协同：由上层通用大模型思维链（COT）提供高阶常识判断与任务调度，下层专用具身 Policy 执行高频连续闭环力控与基础动作技能。 (14:48)

Reading summary

一线具身智能从业者认为，物理世界交互具备传感器噪声、高频流式推理与富接触力学等特有属性，并非云端通用大语言模型能够轻易降维替代；行业的落地破局依赖高可靠基础技能池与复杂系统工程，而非单纯堆砌数据体量或套用数字世界经验。预训练数据之争：仿真管线与真机物理噪声 (0:00) 围绕预训练数据来源，业内存在鲜明路线分歧。苏度科技韩铮主张仿真路线不可替代，指出科研开源仿真器存在局限，苏度通过自主重构闭源数据与仿真器管线，在复杂无约束环境下使抓取、放置与组装技能达到近100%成功率，并指出纯靠真机采集效率与质量受限。蚂蚁灵波沈宇军则坚持预训练以真实物理数据为主，强调硬件在现实中不可避免地存在温漂、频偏、延迟等传感器噪声，且从真实世界向仿真器低成本搬迁物理特性的“Real-to-Sim”规模化难度远被低估；以触觉传感器为例，仿真信号与真机实测差异巨大，真实世界的微观物理细节正是仿真难以复刻的壁垒。 Astra能力边界与分层协同控制架构 (8:18) 针对GPT-6 Astra端到端驱动机械臂引发的冲击，自变量机器人王潜分析认为，模型本质是数据的蒸馏器与部署容器，Astra的表现源于大厂预先采购的海量机器人轨迹，但由于其无法在端侧满足硬实时毫秒级控制，且不同领域智能不会自动跨界泛化，通用大模型进军具身同样必须下场建设数据与硬件评测体系。破壳机器人许华哲通过极限实测指出，Astra在语义与空间泛化上表现突出，能完成抓取细筷子并立插进杯等动作，但在涉及力控的富接触任务（如用筷子挑开障碍物、制作麻婆豆腐等）中迅速失效。对此，破壳与苏度均提出分层架构：上层依托通用大模型进行思维链（COT）推理与常识判断（例如识别真假菠萝材质以调整抓取策略），底层则由专用具身策略模型在高频输入下维持高成功率、闭环的毫秒级力控。持续流式计算范式与物质级递归进化 (35:00) 在计算范式上，沈宇军指出传统大模型属于单次调用、回合制的数字问答，而具身智能必须在物理世界中支持7×24小时在线边干活边推理，面临不可中断的连续流式感知处理，简单套用语言模型的训练套路从底层假设起便可能不成立。与此同时，物理交互沉淀的接触力学与微观噪声构成了无法被文本或视频替代的“物理直觉”，是完善AGI不可或缺的一环。在关于递归自我进化（RSI）的讨论中，与会者指出纯软件Agent或许能优化算法架构，但算力扩张与芯片制造仍受限于物理法则。倘若没有具身机器人打通半导体晶圆制造、机房扩建与电网架设等实体劳作，数字智能的闭环进化便无法在现实中自给自足。跨越商业泡沫：避开体量内卷与系统工程考验 (24:48) 关于商业化临界点，韩铮提出需在免于场景过拟合的前提下保持高成功率与泛化性；王潜认为核心指标是具身技术依靠超越人工的ROI赢得客户自发复购；许华哲则主张基础模型必须跨过从50%到99.9%的可用性台阶。对于行业认知偏差，许华哲指出业内对数百万小时物理数据量的盲目堆砌存在严重边际效益递减，沈宇军亦强调“模型决定一切论”低估了整机形态、机械与电控协同的复杂系统工程难度，韩铮则提醒国内工业成熟供应链向高精具身机器人迁移仍有明显断层。展望未来演进，许华哲与韩铮均对落地节奏表达了审慎乐观，预期在未来1至3年内，业内有望依托高可靠的基础技能池横扫特定大类非标任务，具身智能走向通用化落地的速度或快于外界预估。四位一线嘉宾展现出对物理交互特异性与端侧控制壁垒的高度共识，否定了纯通用大模型对具身领域的即时降维打击。然而，如何在不牺牲泛化能力的前提下解决富接触物理操作的极端成功率，以及如何让精密硬件与系统工程真正承接模型演进，仍是具身智能跨越产业泡沫必须解答的核心命题。

Source quotes

[0:00] 韩铮: 效率太慢，质量也受限 [0:00] 韩铮: 仿真在行业里是绕不过去的 [8:18] 王潜: 今天智能的本体是存在于数据里面的，当然一部分是存在于 evaluation（评测）里面；至于模型呢，更多的是一个蒸馏器和一个容器——在训练的时候它是一个蒸馏器，在部署的时候它是一个容器。 [8:18] 王潜: 预训练（Pre-training）在具身领域不仅行得通，而且是巨大的正向加分项（bonus） [14:48] 许华哲: 抓取反馈显示它不是泡沫而是真菠萝，立刻切换抓取策略去提叶子 [14:48] 沈宇军: 具身智能不仅不会被云端大模型吞并，未来反而会反哺并重构大模型的基础演化路径 [24:48] 韩铮: 最被高估的是“中国供应链的即战力” [24:48] 韩铮: 被低估的是“模块化基础技能在特定大类任务上的快速穿透力” [24:48] 沈宇军: 最被低估的是“复杂系统工程的能力” [24:48] 沈宇军: 最被高估的是“纯搬数字世界套路训练具身模型的技术路径” [41:25] 许华哲: 我有 100 万小时 [41:25] 许华哲: 某某已经买了几百万小时数据、不买就掉队

Original transcript

[0:00] 我们今天直奔主题然后我们今天会聊三个话题一个是数据之争,一个是智能之争,一个是场景之争。为什么都是各种之争呢?就是因为感觉在2026年,我们正处在一个十字路口,有非常多的没有收敛的路径在等着大家去探索。所以我们第一个问题想请教韩征总因为我们今天在数据方面,有人会认为要BET仿真,然后也有这个公司或者也有研究员在坚定的要BET真机。从您的角度看你们在坚定的压注仿真,当初的压注是因为看到了哪些信号?然后到今天你们有没有看到一些新的增强的信号?我首先讲一下就是我们是这个坚信要使用仿真但是同时呢还有后面一句话就是我们也坚信这个真实界的数据的话也是非常有用的啊并不是说纯粹用仿真但我们其实出发点的话也比较朴素从最早可能在15年16年开始做这个机器人的仿真器合成数据的这条路直到这个我们自己开始成立公司搞商业化版本的时候其实是经历过两轮那么仿真包括机翼模型的强化学习的这条路在仿真器里边能够去进行大规模的强化学习这条路本身呢我觉得科研和这个真正商业化的话是不太一样的科研的话其实你可以用一些比如我们放出来的开源的项目和数据算法当中的话去做一些实验但大家通常呢就会试一下之后的话不知道接下来再怎么去大规模的去修改到一个基础模型所以大家一般就会停到那个位置上或者大家使用仿真的时候会在比如说这个偏传统的一些的控制方法里面的话再换成一些这个技术学习方法的时候会用仿真器去做一些数据的补充等等但真正大规模做大规模预训练基础模型的强化学学系统做大规模的预训练的数据生成和训练的话实际上现在市面上不管是我们之前的这些开源的网织器CBMM skill 还是因为打到ISAC 在我们自己内部看的话还是有一定的局限性所以我们在24年之后就是坚定的做了一个大规模的完全重构的B原的数据包括数据管线然后包括放电器管线到去年年底我们大概在11月份12月份的时候也是在今天4月份放出来的一个结果就是让大家看到对于物体和环境包括光线等等当中组合在一起的强化化下的比如说某些技能的操作比如像抓啊包括后面我们放出来的一些这个比如说像放置啊包括一些组装类的任务的话的确是可以在这个物体和环境几乎没有限制的情况之下的话几乎能达到百分之百的成功率但是我们也坚信就是说包括其他的路线的探索方式最终大家还是会有一些上下分层然后包括一些配合的方法我觉得各自都在探索不秧的路径但数据方面的话我们还是坚持这个观点就是光靠真实世界的数据收集主要是效率比较慢质量有的时候也比较受限所以仿真是绕不过去的我觉得这也是最近一段时间比如说在美国的我们的一些的同行他们自己也开始加强仿真器的能力我们苏老师的一个学生其实也还是没有毕业最近也加入了美国的一家公司然后担任他房轮器的核心的负责人我觉得这也是给业内有一些信号吧虽然各自使用的方法不太一样对好的,谢谢,接下来有请沈宇君沈总,林波在数据路线上是非常明确的选了真实的数据,对,在您的角度来看,真实数据有些方面是不可替代的,就是仿真是怎么都做不到的。相比仿真的数据,它提供的就是最大的价值是什么其实也不能说是不是坚确的选择了这个真实数据数据这个事情我们是这么看在凌波内部我们从来不觉得说哪一种数据是一定要选或者一定不要选的就是可能不同的数据在不同的阶段能起到不同的作用我们会认为在预训练阶段就是可能比如说说互联网的数据以及真实的物理世界采集的数据可能就是作用更大一点刚刚韩老师也说如果我们说回归到做一个某一个具体任务尤其是仿真其实在自动驾驶意义就比较大嘛如果我们回归到具体的某一个任务本身的时候仿真数据还是有价值的这一点我们没有说仿真坚决不行这是先澄清一个事情但是同时为什么我们会 [5:00] 比较坚持的说从就是预测的阶段的部分的数据更多的从这个真实场景来呢呃因为呃是是这样啊就是我觉得机器人它处在就是我们设想一下机器人如果有一天真的能够在这个现实世界中干活它可能跟现在数字世界很多模型的工作方式是不一样的因为它一定是基于它身上的传感器这是它唯一的所有的观测一定只能来自于它身上的传感器我们不可能说给机器人一个键盘然后给它打字输入或者是等等的但是真实世界的传感器一定是有误差的这个是物理条件限制的就我们没有见过特别完美的一个传感器对那在这种情况下机器人一定只能依赖他身上的传感器当做输入然后做事情这是我们觉得机器人最后落地的时候一定会面临的这个事情那么在基于这个如果我们从第一线原理说从从这个最后的目标出发的话我觉得仿真现在可能一个呃存在的可能一个问题啊呃就是当然大家讲的比较多的都是sim to real这个gap但我觉得可能更多的反而是real to sim这个部分的规模化换句话说我们能不能够把传感器的噪声或者说一些更底层的东西真的很好地搬到防震器里以及这个搬进去的事情是可不可规模化复制的如果它不可以的话我觉得它解决单一的问题是可以的但如果我们预训练肯定是希望解决更通用的能力那在这个方面我们可以说如果 Real to Sim 这一步不可规模化的话我觉得可能我们只谈SIM2RAL这个GAP的逐渐的变小可能就是价值不大这是我们的一个看法对所以更底层的一个判断就是您刚刚也问就是说我们觉得哪些数据的能力是一定是来自于真实数据就是替代不了的我觉得可能就是因为机器人必须要在物理世界中工作而物理世界很多东西的不完美是不好仿的比如说举一个具体的例子什么样的不完美是在仿真器里面确实非常难做到的比如说我就是当时现在大家可能讲的比较多的像视觉摄像头什么可能比较发达假如说我们未来有一天希望机器人在工作的过程中也能依赖一些触觉的信息大家可以知道触觉信号当然现在有很多做触觉传染器的公司他们也提供一些关于触觉的仿真的东西但是你会发现我们测过很多真实超想器拿到的信号跟它仿出来的就是基本上千差万别吧不管是你的这个整个信号的这个频率啊包括你的浮值啊超想器之间的一致性啊等等很多问题其实是很难就是真的说搬到一个防针器里面然后让它做一个非常完美的复刻好的谢谢我们接下来再聊一聊智能之争因为最近这个礼拜有一个非常重要的发布是GPT6的Astra然后相信大家也都看到了社交媒体上大量的视频是用Astra去直接控制机械币去完成各种各样的任务甚至我看到一个说法就是IG智能要被通用的语言大模型降维打击了我不知道王前总王总您看到那些视频的时候你的感受是什么就我们要被降维打击了吗最近确实是行业里面最火的话题啊今天早上我还看到一个用这个Astra去控制灵敲手的一个视频我觉得首先我们得知道一件事情啊就是说在这个版本的模型里面其实是迅进了大量的机器人数据的从去年年初开始,OpenAI,包括Anthorpik,大量的在采购机群的数据,以及他们自己也有小规模的数据工厂,再去采集机群的数据,他们也去招了很多机群的人。所以我觉得这个其实不是一个什么特别奇怪的事情,它本来就是一个非常好的多模式的模型。如果里面再加了很多的机器人数据的话能够做这种事情好像真的不是什么特别奇怪的事情我其实一直以来有一个暴论哈但是我觉得也不是暴论在大模型一线的这个同事们应该都能够认可我这个理论是个正论就是其实今天智能的本体是存在于数据里面的当然一部分是存在于evaluation里面至于模型呢可能更多的是一个蒸馏器和一个容器就是在训练的时候它是一个蒸馏器,在部署的时候它是一个容器今天我们要去做出来一个前沿的AI系统其实模型在里面的作用已经变得极其的小了大家看到现在每一个版本语言模型的提升一大部分是因为模型的规模在变大所以这个更多的是infl更大的其实是因为越来越好的数据所以其实我们大部分的时间,我指的是语言模型,大部分的时间是花在怎么样去造出去。 [10:00] 怎么样去挑出去怎么样去验证数据怎么样去标注数据画在这些东西上面并且恰恰是这些东西推进了最终我们这个AI系统结果的发展所以我们看到为什么coding这个东西先被解决因为coding确实是最容易被制造也最容易被验证的一种数据紧接着是数学现在又包括了3D也包括了视频的生成虽然3D和视频生成不太容易被验证但是它相对容易被标注所以我们看到基本上是这么一个过程,那所以问题其实变成了说如果是OpenAI或者Azopic要做巨生的话,那它是否需要依赖和我们一样的数据的基础设施,验证的基础设施,以及其他的infra?需要从现实世界里面收数据或者做反转器包括做一部分世界模型的反转器是否需要在现实世界里面去做evaluation是否要碰硬件如果他还是要做这些事情的话那么我认为其实他只是另外一个直升智能公司而已因为这些难度并不会因为他在基础模型上的优势而降低所以反而是我觉得聚生智能的公司可能会有实质上的优势也就是说它智能的天花板以及发展速度并不会有一个明显的提升这是第一点,第二点我也知道大家在担心什么,大家实质上在担心的是是否有可能基础模型通过其他领域的通用智能泛化到聚身智能上面这个我觉得才是大家所提到降维打击的一个最大的隐含的一个担忧我觉得这个事情其实可能性也不大因为第一点在这个语言模型的历史上从来没有发生过这种事情我们看到coding的成功并不是因为对话做得好而是因为在预训练里面加了非常大量的coding数据实质上是因为coding的数据基础设施以及验证的基础设施变得更加的完善了那同理最近ns方程被解其实我们看到数学并没有因为coding的成功自然的就变得更成功反而是我们在训练的过程当中其实是会发现coding和数学的能力通常是会打架的如果在预训练的时候把这两个都夹进去效果是不好更多的现在是说先选一个coding的expert再选一个math的expert然后再用OPD等等其他的方式把它们合在一起所以在语言模型体上其实并没有发生过类似的事情啊包括比如说最近的3D也是一样啊然后包括比如说这个一些其他的领域像这个computer user反过头来在聚身相关的领域里面我觉得历史上也没有发生过其他的事情大家看到今天的视频生存模型已经做得非常非常的优秀了但是它并没有直接的转化为在动作层面上在机器人控制的层面上天然的优势这个问题并没有得到解决所以我的看法是说这件事情是不是有可能会发生呢这个我觉得可能性确实非常的小但反过头来对我们可能会有一些启示啊就是预训练确实是work的啊很多人都会说说你做了大量的预讯链是吧摘了大量的通用出去啊它是不是一种反而会有害的做法或者是反而是一种这个可能会影响模型的效果但是我觉得在Astro上我们看到它至少会是一个bonus我觉得它至少不应该是一个坏事情当然我也知道今天在行业内做运训练的比如说陈老师肯定还是加了很多的通用数据我觉得我们应该坚定的把这条路走下去所以到最后很有可能会发生的一件事情就是说我们和Anthorpeak或者是OpenAI唯一的差距就是他们是把这些数据把这一套的这个Infra融入在了通用的大模型里面语言模型里面但是我们只是在做一个这一个行业专用的一个模型但是但是反过头来通用的大模型这个语言模型它是没有办法在机器人上以一个合理的速度来去做推理合理的速度来去做部署这个相应的来说我们确实是需要一个单纯的巨身的模型来干这件事情可能确实才是一个更高效率的一个做法但是最后这两种做法它的这个上线天花板以及发展速度并不会有非常明显的区别只要我们还坚持的在走预训练这条道路以及坚持的在把这个所有的包括数据然后包括验证在内的infra做的足够的好所以基本上这就是我的这个看法好谢谢非常全面然后接下来也想和华哲聊一聊就我看到最近咱们破壳是发了一个麻婆豆腐的这个机器人做麻婆豆腐的视频嗯然后在您看来这个嗯比如说用 Astra他是不是也可以完成这样的任务然后 [15:00] 如果是的话你会怎么看就是机器人完全一个特定任务今天到底能说明什么以及我们应该用什么样别的指标去说我们的模型真的已经变得更好了而不是今天做了马泊豆腐明天也可能可以炒一个火锅底料就这种特定任务的提升我觉得Astra确实是一个非常惊艳的东西我们内部在它出来的当天我们就能用得上的当天我们就立刻做了一些测试然后我们的感受是如果把巨身的任务看成里面需要语意的泛化然后需要空间的泛化加上需要物理的泛化这三个点的话物理做的相对是很弱的啊语意和空间做的是相对很强的简单来说就是我们给Astra一个prompt他全认识桌面上的东西无论是真的假的无论是任何类别他全认识他一定会往那个对的地方去走第二呢原来这种VRM模型或者是大模型基本上就走到那儿然后在那儿开始乱动然后就就结束了但Astral很独特一点是他能抓起来而且能抓起来非常难抓的东西比如说一根筷子放在桌面上这种小的物体其实一直对机器人来说你得顶到桌子甚至得在桌子上打打滑然后才能抓起来的Astra现在也是能抓起来然后我们就测到这的时候我们说那它会不会旋转不太行那我们就说那你尝试把这个筷子立起来插到一个杯子里然后发现也可以所以它在整个这个三维空间不光是二维空间效果都很好但是当我们让它去做一些带物理接触的这种复杂任务的时候比如说用这个筷子挑开一个什么东西这个时候它就开始不太行了那这也是巨身机器人公司我觉得是最后的阵地这个物理变化啊包括我们也拿它尝试了像什么叠盒子叠衣服这种啊巨神公司很喜欢做的事情这个Astra都是做不了的啊所以我们看到所有的啊极复杂的任务那刚咱们聊到麻婆豆腐嘛麻婆豆腐肯定是这里面最复杂之一了啊所以我们看到Astra其实能做的还是啊相对来说空间语意上面的这些巨神任务啊然后最复杂的这个contact reach任务他能做的一个是把这个筷子放杯子里另一个是他可以hand over就是把一个东西拿起来递到另一只手上然后再放到另一侧这个是我们当然也测了很多次有一两次成功了然后这是我们看到的关于Astra,我们的一个思路或者一个想法是,我觉得未来这些东西应该是串在一起的,有点像刚才孟迪老师主旨演讲里面聊到的,我应该是把我的巨身模型也接到Codex里面,或者接到一个Harness的环境里面,为什么要这样做呢?一方面我的巨身模型是通用的干活儿。但是里面有一些harness需要很强的这种语意能力比如说一个很典型的我们抓水果嘛抓水果但是因为你拿去菜市场买水果的话会腐烂所以呢一般最开始都是拿玩具水果泡沫的对吧但这个时候其实这些数据非常有害有害的原因是泡沫的水果你可以靠加大力然后抠着一点点就可以揪起来但你真的搞一个菠萝你是无论如何都不能那么抓起来了所以这个时候你要求你的模型是去抓一下然后发现它是泡沫的那我就原来那种抓法发现它是真菠萝那我得想办法揪它上面那个绿叶子不能再去抓它那个胖的身体了对吧这个过程大多数巨身模型是没有这个能力的所以像Astra可以给你一个反馈是说OK我在这个地方有一些COT然后说OK抓了以后我知道是什么类型的真波罗还是假波罗然后去做所以我觉得整个最后应该是大模型跟巨身模型再到物理世界应该是连接在一起的一个完整系统才能真正把这个事情解决OK所以是一个要彼此配合的一个未来是的然后在这个宇军总在您看来就是比如说Astra他现在涌现的这种能力你觉得是我们今天所谓的巨升的Skilling Law的某种信号吗这个问题我觉得我跟华车的观点差不太多可能稍微再激进一点我甚至感觉可能巨星慢慢会影响大模型的这个或者说云端这个模型的这个一些一些发展路径我先说一下我的看法我们还是回到机器人的最后巨身的模型的工作方式他还是要步到机器人上机器人做的事情它是要真的是依赖一个身上的所有的传染器这些传感器是要源源不断的拿到输入的哪怕机器人在做操作的时候它的传感器依然要拿到输入这件事情可能跟现在数字世界的很多模型这种就是轮式对话的方式它不太一样就是可能就比如说你问他一个问题然后他回答你回答你的时候其实你很难说继续问他问题 [20:00] 或者什么之类的对但是机器人必须要在这样一个方式下工作就是他要拿到源源不断的输入这个东西是不可以被打断的哪怕他自己在推理的过程中输入还是在进来你可能要基于这个进来的新的输入随时改变你的推理这是我们觉得巨身的模型或者说步道机器人身上那个模型应该解决的问题我觉得他要解决的问题跟刚刚夏华智说的可能云端的或者说Astra这种大的原模型也好就是更高层的模型解决的问题不一样对所以说可能我认为巨身模型最后会成为就更高级的那个模型它使用的一个工具这是其中一方面只是说从工具层面来讲它可能需要有自己去联的范式因为它要面对那个场景就是源源不断的输入然后输出Policy这是这是我的一个观点但是为什么我说可能反过来从这个巨深的这个场景可能会给更高级的这种这个所谓的这种能交互式的这种Astrad一样的模型我觉得能提供一些更多的他之后发展的方向呢我举个例子啊就是人与人之间的对话啊是很多模态的它不是只有语言跟视觉这种多谋态都到了一个什么样的范围比如说我跟一个人聊天现在外面突然下雨了我可能看到下雨了会改变我跟这个人聊天的方式或者我跟一个人聊天我看到这个人脸色可能有点不好我可能接下来要说的话很多我就不说我就马上换一句但这个事情我觉得是现在可能所有的云端的这种数字世界的模型还没有考虑到的事情因为他不需要他更多是都藏在屏幕后面然后大家只需要通过视觉跟语言交流就好了但我觉得机器人之后如果真的要跟人对话的话他所能囊括的信息量应该是非常多的而且很多信息一定是来自于现实世界中传感器给它的对就是我们会观察天气我们会感测温度这些东西都会影响我最后模型的输出结果对所以我觉得可能慢慢的如果真的机器人能够逐渐的走入我们的生活中然后带来更多跟物理世界跟现实生活更多的数据之后这些数据有可能成为更高级的现在的所有大元模型或者说大模型公司的他们新的预料他们可以基于这个去让他们的东西变得更智能它不再是一个冷冰冰的躲在后面的一个智能体而是可以跟人一样感受周围的环境然后根据一些变化随时去调整他给你对话的方式就像上一轮有一个老师也建议的说他能不能主动去推荐我而不是只回答我的问题对我觉得反而我看到GPT6现在的就是能做到这种水平我觉得是个好事情对刚才三位普遍都是非常乐观的就看到的其实都是机会和启发然后在这个问题上我不知道大家还有没有一些补充就是说韩征老师有没有一些补充对我觉得大家其实挺有意思的其实跟我刚才讲的一个观点也越来越接近就是上下会分层就是上层的抽象理解的话会分层但如果是像 physical intelligence 以前的这种做法我一直实际上一个观点啊就是从几年以前就这么讲我觉得 physical intelligence 最大的对手实际上是 OpenAI 啊但是最近的话还有 Ansorbic 啊这个最近的话Demind的另外的一个robotics的研究员也刚刚加入了Anthorpec我一直是这样的一个观点但是呢还有一点就是上层的模型比如说像这个openAI也好然后包括像cosmos其实他也做了一些尝试和底层的这些的技能我觉得最近大家其实开始越来越重新提这个词就是机器人的它基础这个skill但是同样的话底层的这个技能的放化性和高成功率的话一定要跟上层模型的话要有同样同等水平啊就是你不能成功率不高然后呢有一些放化性这是上下当中的话去衔接的时候是非常致命的一个问题所以大家在想就是巨生的公司和这个上层模型机接的时候的话一定要解决这个问题就是有高成功率下也有泛化型其实去年底的我们做的那个演示可能没有跟大家讲的一点我们当时就是通过语言交互跟千问模型对于周边的环境和物体当中的话理解包括你给它一个抽样指令它最终会拆成一些resoning生成的一些操作步骤但是他一定要靠对环境和物体极其可靠稳定的这样的底层操作去完成他的整个的这个动作的training才可以所以这个理念我觉得今年特别在Astro出现之后的话就重新被大家拿到前台来我觉得也是一个大的趋势对好谢谢我们进到今天第三部分,我们聊一下场景之争,因为最近外界还是对整个巨神行业有一些比较现实的质疑,这个质疑更多是在商业化上面,大家会说demo很多,融资也非常的火热,但是真正规模复制并且持续让客户付费的场景 [25:00] 到底在哪里?所以下一个问题想提给三位在巨声公司的CEO如果咱们只看某一个指标的话,你们觉得什么样的指标是最能够证明巨星已经跨过了泡沫的质疑真正进入产业阶段这个指标它不一定是今天的指标也可能是未来我们在等待一个什么样的指标这个问题每位先来还是我先来对其实我就顺着我刚才那个观点我觉得科研和商用化对机器人的要求跟之前的工业机器人和自动化的话一模一样就是高成功率的话是绝大多数任务的一个前提就是它可商用化就是很多的任务比如大家现在在试的可能偶尔能找到比如100个任务里边的话大概有1-5个当中的话可能大家对于成功率的要求可能能到80% 也可以允许或者是你有二次去纠正的机会但是剩下的90几个任务的话几乎第一次包括你去快速纠错的时候的话几乎要达到百分之百的成功率对所以呢在这个前提之下我们跟自动化设备的区别的话就是还要对于物体和环境有一定的泛滑性而且不能靠大量的后训练的成本的话去弥补啊否则的话就是每来一个场景就要做大量的过拟盒啊其实刚才前面的主旨嘉宾当中的话也提到了这点所以当走到商业化对我们最大一点的考验首先是从算法上你的高成功率下面的话还要有一些方块性是一定要的当然后面大家遇到同样的挑战也是设备的可靠性怎么去做服务我觉得这些的话也都是绕不过去的好谢谢有请我往前走如果非得说一个指标的话那就是客户能够可持续的付钱并且这个付钱越来越多这个肯定是最终极的一个判断标准但也是一个最现实的一个判断标准因为其实现在大家在做商业化的时候很多时候并不是能够让客户可持续付钱的一个付钱方式这个可能是在某一个特定历史阶段然后这个特定的方式来去做一个历史阶段对吧这个比如说比较传统的自动化然后比较传统的上一代的这个机器人的方式那我觉得这个事情呢这个虽然可持续但是也谈不上多么的可持续因为它的天花板相对来讲已经比较的这个明确了所以我觉得大家还是应该就是真正想想本代的机器人比上代的机器人强在什么地方以及他能够给客户提供什么样真实的价值我觉得这个事情呢现在已经开始实现了比如说像最近我们在物流场景里面确实已经做到了以前传统的机器人做不到的一些事情并且超过了人类的RI的水平所以我觉得像这种真正意义上能够落地能够持续产生生产力的东西可能才是最重要的另外一个方面就是作为一个公司这个公司是一定要赚钱有了钱之后你才能去做更大的模型有了钱之后你才能持续的来去发展AI的最前沿所以我们看到原模型公司也是类似的经历它在最一开始的时候其实完全是不赚钱的但是当它到了某个阶段真的可以有一些用处的时候这个开始积极的商业化那它的商业化和它的这个前沿的推进其实是一个互相促进的一个过程所以我是觉得说可能某种意义上过早的商业化是有害的但是也许我们已经过了那个时间段了就现在开始进入到一个这个互相飞轮可以这个相互促进的一个一个阶段所以就是回到刚才的这个问题啊如果说有一个指标的话可持续的为新技术肤浅为前沿的技术肤浅好谢谢好华泽我觉得巨森的商业化是有好多类我觉得一类是换算,但我觉得第二个,我们这一波的巨神智能的另外一个商业化指标,我觉得跟大模型,语言大模型的相似度我觉得这个事情短期内虽然你可能看不到经济收益但我觉得这个事情是一个节约式的商业花啊就是为什么大模型 [30:00] 体感会好一点因为如果GPT有50%的成功率输出一个答案的话我只要跟他对话几轮我就大概率可以拿到一个好的结果我会觉得他真有用但是机器人如果是以50%的成功率去完成一件事的话你有50%概率会把一个杯子撤掉所以大家会觉得真没用所以这是大家为什么感觉巨神智能为什么用起来没那么好用但我觉得即使是这样我们仍然要始至不渝的追求聚身智能的大模型化因为这个50%是面对所有任务面对全世界的任何事情的50%所以我们要等他从50%到60%到70%一直到99.9%的时候那个商业化我觉得才是这一波巨神智能真正意义上的商业化当然前面的落地的后训练的我觉得当然短期内能看到很多的可能现金流或者是营收但是我们真正期待的还是基础模型一瞬间达到一个某个阶段然后它开始吃掉物理世界的很多东西有意思然后最后一个问题就是我们大家都知道有一句话叫做人们总是在科技领域会去高估未来两年的变化但又低估未来十年的变化所以想请教四位分享一下假如我们不是两年也不是十年我们比如说站在五年之后的今天回头看此刻,你们会觉得哪些东西在居生领域被低估了?又有什么东西在居生领域被高估了?我先讲什么被高估了,我觉得最被高估的一点就是中国的供应链的先进程度我觉得就是选择多啊但是对于聚身智能现在需要的这个供应链啊能够满足我们实际上去在迭代的时候它的成熟程度的话我觉得可能还是有一点的工作都要做第一是我们要有一些的数量去支持第二其实供应链里面有很多的这些包括刚才大家沈总提到的像传感器然后包括像关键组件可能散落在一些成熟的行业里面比如像汽车的供应链包括其他的工业机器人的供应链但实际上到巨身里面我觉得现在的供应链的水平的话距离大工业制造水平的话还是有一定的差距和距离但我觉得在中国是肯定可以被解决的接下来对我觉得被低估的我也回应这个这个华人老师刚才讲的这个要达到99.9%然后呢中间呢能不能有一些非后训练过拟合的方法这个时间的话有可能很长但我们觉得这个难度大家不用太悲观这个对于一些稳定可靠的技能的出现和上层大家在做的各种各样的上层模型的组合的话我觉得会在接下来一到两年里边会大家看到一些某一大类的任务在各个行业里面非常长得非常类似的其实都可以会很快的会被处理掉但是的确是如果是99.9%的任务啊这个都能做的话那的确是需要很长的时间好谢谢那沈宇军沈总对我是这么看这个问题我觉得可能现在第一个的事情可能是巨森我觉得是一个复杂的系统工程然后我觉得可能很多就大家还是低估了这个系统的能力就是说大家可能会现在把很多东西包括乐地包括解体的成本啊等等这些东西都跟模型的性能挂钩但其实不是的就是同样是假如说坐落地因为回到商家肯定是看成本我到底是不是一定要用这款机器人我到底是不是要用完整的机器人我是不是只用双臂就可以做一个事情因为最后回归的是成本包括你整个系统的鲁邦性对吧然后以及模型只是其中一环但是大家好像基本上不谈这个事情好像把所有的现在的技术能不能落地都归价到模型能力好坏上但其实不是的真的要落地我们可能要综合考虑整个的商业逻辑对我觉得这个可能是大家低估的一件事情但我觉得高估的一件事情我自己看我觉得可能我们现在有点高估了训练模型的技术就是因为我听到很多行业的声音好像是巨声要么就是被现在的数字世界的模型可能是他们降维打击我们要么就是重新复刻一遍他们的路好像攒一波物理世界的数据按照之前的训练方式就可以训出一个巨神的模型我觉得这个可能在我看来就是一个不太成立的事情我认为巨星可能会走跟数字世界相同的模式 [35:00] 跟不会走相同的技术路线因为我还是觉得是最后的应用场景决定了模型的不一样还是说就是数字世界是那种对话式的但是巨神一定是这个机器人他要一边工作一边推理这两个事情是不能互斥的你不能说我在做机器你让机器人干活的时候他就完全屏蔽掉外面的声音我现在不能再给任何书了这件事情就不存在那既然是从出发点就不一样的话我认为巨神一定会有自己的新的训练范式而这种范式是可以支持对物理世界的信息的持续处理的就可能7x24小时甚至于可能30x24全年无休的在处理数据对我觉得这个可能跟现在的模型那种就是你用一用然后你不用的时候你就关掉它这可能不太一样对所以我觉得可能在训练的技巧上有可能是被高估的是所以会不一样同时可能技巧也被高估了就他没有那么的像魔法对我觉得可能巨森会就因为巨森的一些特定场景带来的提出的挑战可能会带来一些数字世界或者说语言模型之外的一些训练技术嗯对 ok 好谢谢那往前走如果说低估的话我觉得大家在五年之后回过头来看应该会感觉我们是低估了巨生的这个重要性和潜力啊虽然大家今天已经认为巨神是一个重要的东西,是一个非常重要的AGI组成部分,但我觉得大家可能还是并没有完全真正理解这件事情。接着刚才Astra的问题说,刚才提到为什么数据很重要,因为确实它是包含了一部分其他的方式无法获得的智能的能力的刚才薛老师也提到说这种复杂的物理交互这个各种物理过程然后这个薛老师也提到说各种各样的传感器的噪声然后包括这个物理世界本质的一些不可控的这些东西其实我们确实是没有办法通过比如说视频比如说3D这个更不用提是这个code的这些方式来去获得所以其实因为我以前研究物理我们会发现大量的创新或者说大量的这个想法很多时候是来自于所谓的物理直觉当然还有另外一条路就是逻辑推理对吧这个所谓的数学的这个深度搜索的这个能力所以人类在过往的过程当中其实整个科学的研究过程确实发现这两个事情是某种意义上没有办法互相弥补的可能做某些事情确实数据这套数学方式更快一点,另外一些东西可能确实是物理这套数学方式更快一点。所以我们要去构建一个真正意义上的AGI的话,我觉得这个部分肯定是没有办法去避开的当然你也许可以把它训练到同一个模型里面也许可以训练到不同的模型里面去做分层我觉得这个是小问题但是更主要的问题是说这部分的能力我们确实是要从真实世界或者仿真或者是其他的方式中获得并且把它注入到AI系统里面去在应用的层面我觉得大家也是有点低估居神的重要性了最近其实不管是在硅谷还是在国内我看见了大家对所谓的RSI就是迭代自我进化的这件事情狂热和恐惧都在但是我现在的看法是说以目前的语言模型的能力其实是不足以实现完整的RSI的其中缺了一个最重要的环节就是物质上的重制造或者说自我增值是没有办法靠语言模型来去实现的他可以去修改自己的训练方式它可以修改很多训练当中的流程但是本质上我们需要去走skin up需要更多的算力需要更多的芯片需要更多的电力这个东西原木性也没法做所以我们现在会看到在美国数据中心的建设已经成为了本质上的阻碍啊那还是叫人来去做干净混凝土还是叫人去调这个半导体工厂里的参数但是如果放在五年之后我相信大家都会意识到一件事情巨生智能实际上是在不远的将来可以干这件事情的所以到那一天的话我觉得真正意义上的RSI才到来所以在数字世界里面我觉得可能现在走的比大家这个在物理世界里面走的有点快太多了其实我经常开一个玩笑说如果Anthorpic在今天开始把所有的员工都干掉全都用Agent来去开发下一代模型它会减慢多少呢肯定会减慢这个因为现在人的test还是很重要但是你说它就开发不出来下一代模型了吗我觉得也不是它肯定还是能开发出来下一代模型如果搬到体肤工厂里面没有的人全靠AI来做的话这个肯定是不行的所以我相信如果五年之后大家应该能看到一种场面啊就是在今天比如说我们要去做一个APP其实已经不需要像 [40:00] 而且那样搞一个很大的团队是吧然后这个大家非常大的这个协同花很长的时间比如说花一年的时间来做一个APP可能一个人只要你的额度够啊这个开一队agent可能几个小时的时间就能把它做出来也许五年之后我们能看到一个未来就是现在我们要去造一架飞机我可能还是需要1000个人非常大的供应链很多的工厂但是也许五年之后我们可以看到在巨神智能的辅助下当然也是在这个通用的语言模型的辅助之下比如说我们造一架飞机也可以像今天做一个APP这样的简单所以整个的这个生产的全流程就可以都避缓掉人类的经济实现真正意义上的这种就是某种意义上的这个这个所谓的规机脱离探机的这一天当然我也不知道这个未来是好是坏啊这个特别是在这个这个语言模型公司的道德水平如此之地下的这个道德水平如此之低下的这个金钱啊所以反过头来我也是觉得说刚才这个沈老师说的很好就是巨神智能公司其实也应该把这个数据放到语言模型里面去也许有朝一日啊这个我们还是要这个走出中国的一条这个这个AI发展之路我觉得巨神可能是其中很重要的一个起点或者很重要的一个部分也许之后我们每一家公司都会去用一个自己的语言模型这个也说不定啊很有意思嗯好那最后华哲来压个轴嗯我觉得被高估的挺明显的是一个大家对数据量的追求现在市面上第一有人说我有100万有人说我有几百万小时的数据然后还有人说谁谁谁已经买了多少多少数据你不买你就落后了啊我觉得其实目前市面上也看到了一些训出来的模型真的用非常大体量的数据其实没有训出来特别超越预期或者是比几万小时训出来模型更好所以我觉得单纯盲目追求量这件事严重被高估了然后被低估的我觉得是整体智能模型的进展因为这或者叫巨身智能模型的进展因为大家一提说巨身智能解决通用的事情可能要是5年10年在我的视角里面我觉得就是三年内然后巨神智能就可以在这个很多地方开始服务而且是那种通用的服务不是说我在这后训练好的服务对哇哦对我觉得这个听完之后感觉还是非常振奋非常乐观的哈大家描绘了一个很有意思的未来甚至这个像王前提到哎呦会不会未来造飞机像造APP一样简单哇很有意思好那今天谢谢四位嘉宾也谢谢在座各位的时间好那我们这场论坛到此为止谢谢