社区

具身智能是通往AGI的必经之路。

作者｜刘杨楠

编辑｜王博

“你认为具身智能是通往AGI（通用人工智能）的必经之路吗？3、2、1——请举牌！”

话音刚落，台上的八位行业顶尖专家毫不犹豫，齐刷刷举牌——全场一致同意。

这不仅是一次简单的共识，更是当前AI浪潮转向物理世界的一个缩影。随着大模型在虚拟世界的潜力被不断挖掘，如何让智能拥有身体，能够理解、决策并改变真实的物理环境，已成为全球科技竞争的下一个前沿。

具身智能，正从机器人产业的专属，演进为构建下一代通用AI的基石。

在11月20日举办的智源具身OpenDay上，甲子光年创始人、CEO张一甲主持的这场BAAI具身模型会客厅，正是一次对这一前沿领域的集中叩问。她与八位来自产业界与学术界的核心践行者展开对话，他们代表了推动具身智能落地的关键力量：

• 招商局集团AI首席科学家 张家兴

• 清华大学助理教授、星海图联合创始人 赵行

• 智元机器人合伙人、首席科学家，上海创智学院导师 罗剑岚

• 智源研究院院长 王仲远

• 北京大学助理教授、银河通用创始人及首席技术官 王鹤

• 加速进化创始人&CEO 程昊

• 自变量创始人&CEO 王潜

• 中国科学院大学教授 赵冬斌

在这场深度讨论中，共识是清晰的——具身智能是通往AGI的必经之路。

但非共识是存在的，挑战也是现实的。宏伟的愿景之下，是数据、模型与机器人本体之间相互掣肘的现实困境。全行业都在共同摸索：如何找到一条高效、低成本的道路，打破枷锁，让智能真正“身”“心”合一。

本文为“BAAI具身模型会客厅”对话实录，经“甲子光年”整理编辑，在不改变原意的基础上略有删改。

1.世界模型是实现具身智能的关键吗？

张一甲：今年世界模型概念很热，和世界模型的结合是实现具身智能的关键吗？

王鹤：我目前持中立态度。因为它其实取决于我们如何定义“世界模型”。在强化学习里，世界模型最早是指根据当前状态和我采取的动作，来预测下一步状态的变化。但这一概念经过Sora等视频生成模型的不断演变，如今已经变得越来越模糊了。

今天我们常常希望用人类的视频数据去训练模型，再教机器人像人一样去“想象”人类的行为并照着做。但这并不完全成立。原因在于，机器人的本体，比如轮式、双臂结构，都和人类身体存在很大差异。即便是最像人的人形机器人，在操作的灵巧度、手臂活动范围等方面，与真人动作仍有明显差距。因此，即使机器人能像人一样“联想”，这类数据也不一定对我们的具身智能有实质帮助。

不过从长远来看，具身机器人和人类一样，都需要具备一种对未来状态的预测和预判能力，都需要根据我想要达成的目标，反向推导现在该执行什么动作——既有前向推理，也有反向规划。所以我认为，世界模型作为一种对未来预测的机制，是不可或缺的。只不过，它的训练数据中必须包含更多机器人本身的数据，才能真正学出一个属于机器人自己的世界模型。

王仲远：我是认同的。目前世界模型的定义确实还没有形成完全的共识。如果世界模型仅仅指视频生成，那它虽然可能对具身智能有一定作用，但未必是后者必须依赖的基座。

而我们所理解的世界模型，更多是指“下一个状态预测”，也就是基于先前的时空状态，去预测下一个时空状态。

举个例子，刚才我要回答时，需要基于一甲提出的问题、王鹤老师的回应，来决定我如何回应、是否要拿起话筒，这本身就是一个决策过程。我们所认知的世界模型，需要基于已有的时空状态，理解现场的环境与上下文，进而给出下一步的行动与响应，这才是核心。

张一甲：Transformer这类统一架构催生了ChatGPT这样的爆款应用。你们认为具身智能未来也会收敛到某一种统一架构之下吗？换句话说，具身智能是否需要自己的“Transformer”？

（现场举牌，除了赵冬斌，其他嘉宾都认为“会收敛到某一种统一架构之下”）

赵冬斌：我持观望态度。目前来看，具身模型的训练方法比较多样化。除了模型架构本身的探索之外，我们也通过预训练、后训练以及思维链推理等方式来持续提升模型性能，在制作咖啡、摆放碟子、整理盒子、折叠衣物等中多个任务上展现出通用能力。随着技术不断发展，未来有可能会出现一个收敛的单一模型，但也可能继续保持模型多样化的路径。两者皆有可能。

张一甲：最有可能成为那个“Transformer”的技术路径会是什么？

张家兴：就像人类智能的演进过程：我们是先有动作能力，再发展出视觉，最后才诞生语言。而今天的VLA结构，恰恰是在视觉和动作之间插入了一个语言模块，这其实并不符合我们人类在实际操作中的本质逻辑。比如当我们开车时，可以一边说话一边驾驶，这说明视觉（Vision）和动作（Action）之间本身就有直接通路，并不一定需要语言（Language）的全程参与。

因此，我们应该思考构建一个完全面向具身智能的、独立的系统架构，而不必非得从当前以语言模型为核心的技术体系中脱胎。

张一甲：你心目中那个理想的“具身智能Transformer”，目前出现了吗？

张家兴：目前还没有真正出现。实际上，我们确实仍在期待大模型领域能带来一些根本性的创新。目前硅谷的一些顶尖团队正在探索新型多模态大模型架构，在这些架构中，语言（L）将不再占据那么核心的位置。这是一个重要的方向。

坦白说，目前确实是大模型团队在率先进行这类探索，而他们的方向恰好与我们具身智能所追求的目标不谋而合。本质上，我们期待的是大模型领域能够实现一次范式转换：从过去三年一直坚持的“language first”，转向“vision first”或“vision-action first”。

赵行：我非常同意这个观点。我们确实需要一个与大语言模型平行的基础模型，它更有可能是一个“大型行动模型”（Large Action Model）。这个模型首先应建立在视觉基础上，因为视觉是世界上最通用的感知信息来源；随后再融入语言能力。这与生物进化的规律高度吻合——世界上先出现能够运动的生物，随后它们演化出视觉，最终才诞生像人类这样的高级智能生命。

因此，我们期待的是一种“行动优先、视觉随后、语言最后”的模型构建路径。这个模型与大语言模型有一个关键区别，它必须是一个闭环系统。大语言模型更多是开环的——用户提问，模型给出回答，若答案正确，流程就结束了，中间的处理过程完全在模型内部完成。

但具身智能不同。它不是经过一番思考后执行单一动作，而是每执行一个动作，就立即获得来自世界的反馈，随即调整自身行为，并继续执行下一步。因此，我希望未来具身智能的“基础行动模型”是一个能够与环境实时交互、持续调整的闭环模型。

罗剑岚：目前还没有出现一个能够统一所有智能形态的“大一统模型”。智能问题更可能被一个完整系统所解决，而非依赖单一模型。这个系统包括几个核心要素。除了VLA，系统中还需要一个世界模型，能够进行反思、预测，并在隐空间中进行推演和想象。当然，也离不开强化学习。这些组件整合在一起，形成一个真正的闭环系统，数据在其中流动，推动系统不断自我提升。

王仲远：首先，智源研究院肯定相信，从终极状态来看，一定要有一个相对统一架构的模型，来解决预训练、世界模型等各种问题。这也是我们在布局像多模态世界模型的一个很重要原因。

当然，这种模型所需要的数据量显然是非常非常大的，甚至不一定三年、五年就一定能够完全实现。它可能需要等到更多机器人真正落地，开始解决很具体的问题，累积起足够的数据量，出现“具身智能的互联网”之后，有了这样的数据基础，才有可能出现更好的大一统模型。

从架构上来讲，我们正在探索一系列具有潜力的大一统架构，当然未来是否会出现别的架构，我们也乐见其成。所以从长期来看，我相信这是一个我们必须突破、必须解决的关键问题。

王鹤：关于“具身Transformer”这个问题，其实它更偏向架构层面。

具身智能的复杂性在于，人类拥有视觉、听觉、触觉等多种感知方式，就像我们常说的“眼耳口鼻舌”。从注意力机制的角度，所有这些感知信号理论上都可以被token化并输入Transformer。目前主要的瓶颈在于输出部分还不够理想，动作的生成与响应还不够自然。

因此，如果我们能逐步解决输出层面的问题，从架构上讲，是有可能形成一个统一范式的。但相比之下，数据问题以及与之对应的学习范式，才是更长期、更根本的挑战。

目前我们的数据还远远不够。无论是视频生成模型还是对话模型，本质上都依赖海量的互联网数据。而今天我们若想研发出一个“行动优先”的模型，面临的核心问题是：全球可能仅有约一千台、甚至更少的人形机器人处于前沿场景中运行。如此少的数量，远不足以支撑我们探索出一个成熟的“行动优先”架构与模型。

因此我的看法是：短期内，我们更需要依靠仿真模拟与合成数据来推进探索，这比受限于少量真实数据会走得更快；而从长期来看，地球上的“人形机器人口”必须实现持续高速增长。当然，这也与其能力提升相辅相成。只有当这个“人口基数”足够大时，才有可能孕育出真正强大的大模型。

程昊：过去一年多来，几乎所有人形机器人的运动控制都在朝着同一个方向努力：只要获取到人体各种运动轨迹数据，机器人就能够复现执行。相应地，我们也希望能有一个具身模型，可以基于任务需求与环境状态，实时输出未来数十帧内机器人该如何动作，就像在脑海中生成一段动画，机器人随之执行，并自主判断是该拿起铲子、杯子，还是去开门。一旦这样的模型跑通，具身智能的落地就会顺利很多，但目前来看，这样的模型尚未出现。

我们之所以特别关注世界模型，核心原因之一就是“预测”能力——既要预测“我打算做什么”，也要预测“外部环境会发生什么”。当然，团队内部也认为这个目标挑战很大、路径较长，因此我们也在考虑分阶段推进：先通过分层方法构建一些智能体（agent），在相对简单的场景中实现落地，比如拿快递、搬箱子这类任务，而像做饭就是一件非常非常难的事情。

这样做的好处是，一旦在真实场景中部署，就能采集到大量机器人实际运行数据。正如刚才王鹤老师所说，一旦机器人真正落地创造价值，大家就会有意愿、有资源去部署更多机器人，形成“机器人公民”规模的扩大。这些数据回流后，将反哺整个具身智能大模型的研发。

王潜：“Transformer”这个说法可能稍微有些误导性，因为它本质上是一种架构。事实上，如今在语言模型中也不一定全都采用Transformer。由于超长序列处理等需求，很多团队已经开始转向类似状态空间模型（State Space Model）等其他架构。所以，语言模型领域也未必都是Transformer。

当然，我理解这个问题的实质是：我们是否会形成一整套完整的方法论与模型体系，就像当年GPT那样成为基础模型范式？从这个角度看，我认为这样的体系是可能出现的。至于它具体采用哪种架构形式——是决策型、自回归、状态空间还是其他注意力变体——其实并没有那么重要。就像建造一栋大楼，Transformer可能只是其中的砖块或钢筋，我们可以替换为其他材料，而不影响整体功能。更重要的是设计整座建筑的结构、外观与功能，并通入水电、完成内装，最终才能成为真正可用的建筑。

从语言模型的发展中，我们可以汲取几点重要经验：

第一是数据规模的重要性。这一点刚才多位老师都提到了。但大家对“数据规模”可能存在一些误解，第一反应往往是“大力出奇迹”。确实，我们需要海量数据，但光有数量是不够的。就像家兴老师和仲远老师在大语言模型时代的实践所证明的：单纯堆数据未必能带来理想结果，反而是更高效、更高质量的数据才能实现突破。这也是为什么我们坚持以物理世界真实数据为主——我们相信数据质量优先于数据总量，这能在数据效率上带来数量级的提升。

第二是通用模型（通才模型）的价值。这正是我开场时提到的：我们正在构建的是一个平行于虚拟世界的、属于物理世界的基础模型。根本原因在于虚拟世界与物理世界的基本属性，或者说“统一性原理”，差异太大。

核心差异在于，物理世界中存在大量的接触、摩擦、碰撞等高度随机的过程，这些过程通常难以用语言完整描述，也难以通过图像准确表达。尽管目前已有一些利用图像进行描述的尝试，但在我看来，这些尝试效果有限，因为它们难以捕捉其中涉及的大量精细物理现象。

正因如此，我们认为在当前阶段，这方面仍存在不少障碍。最主要的原因在于，我们对这些物理过程的认知与建模方法仍不成熟，对其内在机制的理解尚不完善。因此，我们最终仍需要一个平行且独立于虚拟世界的物理模型，来精确刻画这些细致而复杂的物理过程。

这样一个模型究竟应该具备哪些功能？它当然要能控制机器人，这一点毋庸置疑。但与此同时，它还应具备更多元的输出能力。在我们看来，世界模型、VLA等概念之争意义有限，因为从我们的实践来看，所有这些能力都被集成在同一个模型中：它既能输出动作指令，也能生成视频；既能做隐藏状态的预测，也能完成三维重建，甚至输出体积信息等任意形式的内容。

我们将其视为一个“物理世界的基础模型”，背后的逻辑是什么？这源于我们从语言模型发展中获得的启示：为什么一定要做通用模型？关键在于，通用模型学习到的内容与专用模型完全不同。它捕捉的是所有任务之间的交集，可称为“共同结构”、常识，或是本质规律。

因此，从语言模型中我们能够习得逻辑推理能力、常识认知等关键要素——这些确实是语言模型带给我们的核心价值。但回到现实问题：我们是否应该直接继承现有的多模态模型作为主干，将其作为基础来推进具身智能领域的工作？

对此我的看法可能与主流观点相左。我认为在不久的将来，或许不用十年，甚至五年内，真正主导的多模态模型，反而会是由具身智能推动发展的那类模型。当前仅依靠从物理世界采集数据构建的模型路径可能难以走通，而基于具身智能发展的多模态体系，反而很可能反过来主导甚至取代我们今天所见的多模态范式。

这是一个符合发展规律的大趋势，也呼应了人类认知世界的基本方式。人类在学习理解物理世界这类“不靠堆数据”的领域时，其实并不需要海量样本。从进化历程来看，我们实际经历过的交互场景远不如今天AI模型训练的数据规模，却依然能构建出强大的认知系统。

这其中最关键的一点在于“动作”带来的改变。行动本身是一个关键信号，它能帮助我们筛选出哪些信息是真正重要的。此外，正如刚才其他嘉宾提到的“交互感知”或“主动感知”，我们通过与环境的实时互动，能够从时间和因果维度更深入地把握物理世界的运行规律。

这也就引回到我们今天讨论的核心：什么才是真正的基础模型？或者说，具身智能领域的“Transformer”应该是什么？当然，我仍坚持之前的看法，Transformer这个比喻并不十分贴切，它终究只是一种架构组件，就像砖块或钢筋，完全可以被更合适的结构所替代。

赵冬斌：确实，当前我们对于模型规模的定义可能不是一成不变的。未来的大模型也不一定非要依赖海量数据，就像人类学习一样，也许只需少量样本就能掌握，而不是单纯依靠海量数据和算法堆砌。所以对于未来的发展方向，我个人还持观望态度。

从模型架构的角度来看，我们讨论的重点往往在于输入和输出。在具身智能领域，输入模态远比互联网大模型丰富，不仅有文字和视觉，还包括力矩、触觉等物理交互信号，这些都需要被处理，也必然会影响模型的架构设计。

至于输出方面，刚才多位嘉宾也提到了多种实现路径，例如混合专家模型（MoE）、多模态生成等。有些场景可能并不需要复杂输出。目前整个业界发展非常迅速，从学界角度来看，依然处于百花齐放的状态。具体到机器人控制，如果场景相对简单，或许一个状态空间模型就足够应对了。

2.数据的解法

张一甲：面对数据这种“既重要又难搞”的情况，你们各自采取了什么样的应对策略？目前实际在做的有哪些工作？

张家兴：第一，我们坚信要从真实物理世界中采集数据，这最为关键。第二，在整个数字金字塔的构建中，我们希望通过最低成本的方式，直接以人自身作为本体来采集数据，这样成本最低，也最容易实现规模效应。这些数据主要用于人工智能领域。我们的目标，是构建一个质量最高、成本最低的数据金字塔。

赵行：我们同样以真实数据为基础，主要从三个层面入手。首先，是保证数据的真实性，因此我们用真实机器人素材作为起点。其次，我们注重多样性，这意味着数据采集不局限于自有工厂，而是深入各类真实场景。最后，我们再追求数量，通过优化方法（如从依赖机器人转变为无机器人方案）来降低采集成本、扩大规模。

罗剑岚：我们也是坚持真实数据，并且非常重视数据质量。有两点我们想突出一下：第一，我们会去真实场景里采集，而不只是在数据工厂。第二，未来整个数据生态的构建和运转，将主要依靠机器人自主产生数据。具体来说，就是把大量机器人部署到真实场景中，让它们与环境交互，从而产生范围极广、非常多样化的数据。然后利用这些数据，我们可以去获取更多的机器人，这样就形成了一个完整的正向反馈。

王仲远：我们还是坚持从海量的视频数据中去进行基座模型的学习。因为视频数据既能够海量获得，又能模拟真实世界。然后，我们通过真机采集的数据做半自动处理，再通过强化学习做反馈，来不断提升它的能力。这套逻辑其实跟现在很多小朋友刷手机认识世界是一个原理：他们通过视频学习这个世界，再通过真实的交互体验来提升技能。

王鹤：在座各位中，我可能是很强调仿真的。这并不是说我们故意要用仿真去替代真实世界的数据，而是我们发现，很多底层的控制都是通过大量的强化学习获得的，而这在真实世界里进行非常困难。比如，我们今天看到的所有人形机器人的足式行走、跳舞，包括各种复杂的身体控制，全都是通过仿真器习得的。真实数据在其中的作用，一是提取人类的行为形态（比如舞蹈），二是在真实世界进行少量的微调。

我们最近与清华大学合作的灵巧手工作也印证了这点。至今为止，所有真正的手内操作都是通过模仿学习实现的，而不是遥控。因为当你不清楚灵巧手的手指是否碰到物体、受力如何时，连遥操作都无法进行。

所以，仿真的意义并非否定真实世界，而是这些丰富的物理交互可以从仿真开始。它能提供一个很好的基础控制器，使我们在真实世界里能把“数据飞轮”转起来。这就是合成数据的使命。

程昊：我们现在实际上用仿真数据确实比较多，因为它比较快。但我们用仿真数据训练的一个目标，是让机器人接下来能获得更多真实数据，有了真实数据，整体能力才能再提升。

这很可能是一个螺旋上升的过程：落地后获得真实数据，会发现很多“corner case”搞不定，而真实世界又采不到那么多，那就可能又得回头大量用仿真数据。

所以我们的大思路是，一定要让机器人落地后能获得真实数据。我们坚信最终这些数据都得用上，大概率是一种融合的状态。视频数据长远看肯定是最多的，只不过现在它的训练效果还不那么理想。总之，哪个阶段哪个数据好用，我们就先用哪个。

张一甲：这可能不是应不应该的问题，而是能不能做到的问题。

王潜：我们是什么数据都用，但用的地方有侧重点。就像我刚才说的，不同数据本身的分布差异是很大的。

比如，我们用大量的互联网数据，基本上每晚能爬的都会爬一遍。这部分主要用来做知识链，学习一些常识，这是大家现在普遍都在做的基础工作。

再比如，我们仿真也做，但可能不会用它来做接触式的抓取这类任务，而是用来做智能体的决策、推理。那种物理抓取的迁移学习，主要还是以物理世界的真实数据为主。

所以，所有数据本质上都可以用起来，但说实话，把任何一种数据用好都挺难的，里面涉及大量核心的工程问题，这才是我们日常工作和注意力的重点。数据肯定是多多益善，我们能从各种各样的数据里都学到东西。

赵冬斌：我想，自动驾驶应该是具身智能一个非常重要的落地例子。从它的经验来看，把车卖给C端用户后，每个司机每天开车就把数据收回来了，这个真实数据的反馈闭环用得非常好。

我其实一直在想，我们其他的机器人什么时候也能这样？比如把服务机器人卖到旅馆，让它在无人环境下打扫卫生、叠被子。这样就能持续回收数据，出了问题可以远程接管，这些接管数据也非常重要。

再比如一个厨房机器人，如果能根据菜单做各种菜，随着部署规模上去，数据量自然就起来了。我们期待的就是这种数据自然而然涌现的时刻。

3.决策的“第一性原理”

张一甲：具身智能这个问题，真是越聊越觉得比我们想象中更复杂。就好像各位嘉宾在一个复杂的森林里，从不同的地点出发。我们不知道这个森林有多少物种，也不知道它的全貌，但我们知道大概会有宝藏。至于宝藏什么样、在哪里，都需要我们去摸索。在面对这么多开放和复杂的问题时，你们做决策的“第一性原理”是什么？

张家兴：我认同去年图灵奖得主的理念——让机器自己去发现，让机器自己去探索。

赵行：星海图创立时就有一句格言：“In scaling law we trust.” 我们相信，数据的规模化将反向驱动模型的进化与智能的实现。

罗剑岚：我们坚持做正确的事，正所谓“风物长宜放眼量”。很多事情短期看是负担，长期看却会产生巨大价值。

王仲远：人类如何学习，机器人就可以如何学习。

王鹤：我们始终致力于让“数据飞轮”转起来。即便当前所做的，未必是外界眼中最炫酷的事情。

程昊：我们决策时始终关注一件事：它能否真正落地。只要方向对落地有帮助，我们就会推进。

王潜：我们的金标准是：能否长期为客户与消费者创造真实价值。

张一甲：具身智能领域，大家是在“戴着镣铐起舞”，它很吸睛，但也很花钱。如果你手里有100亿元来推进具身智能发展，这笔钱你会怎么花？

赵冬斌：这是钱的问题，给他们来回答（笑）。

王潜：我首先把市场上能吸纳的好人才都吸纳过来，这是第一位的。那其次肯定是算力和数据啊。

王鹤：100亿其实并不重要，重要的是你怎么能够用你的事业和你坚定的进步，吸引到人才加入。我们不希望大家为了钱每天睁开眼睛，而是为了一个未来人与机器人共生的世界。

程昊：首先，100亿不够。如果我只有100亿的话，我肯定不会自己埋头落地，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，让他们可以心无旁骛地去搞比较长期的技术突破。

王仲远：我特别喜欢程昊总的这个回答。100个亿其实也就听起来很多，实际上也不多，也就10亿多美元。GPT-3真的要开始训练的时候，微软投资的规模也就是这个量级，这正是一个关键研究周期所需要的。

罗剑岚：我会去构建世界上最大的能够自我进化、自我闭环的数据系统。100亿可以说很多，也可以说不多，但关键是，第一个投入百亿去做这件事的个人或机构，现在还不存在。

赵行：我也会去构建一个最大的“data engine（数据引擎）”，目标是把物理世界的信息全部数字化下来。

张家兴：我是希望能够设计出属于我们自己的、具身智能的“黄金式模型”，然后进行大规模预训练，让能力真的能够scale up上去，找到我们最正确的那条路径。

（封面图来源：智源研究院）

END.