對話智元首席科學家：把具身智慧過度類比大模型，是對它最大的誤讀

必要的泡沫。

文｜於麗麗

來源｜暗湧Waves（ID：waves36kr）

封面來源｜IC Photo

當下的具身智慧賽道正陷入某種奇觀。

一邊是朱嘯虎這樣的投資人高調逃離泡沫，一邊是這個在去年年末就被很多投資人預判為“下注視窗期已結束”的方向，屢屢被高額融資啟用。

這其中，除一些新入局的智駕背景公司之外，還包括去年估值就大幅飆升的一些公司。騰訊最新押注的智元機器人，就是最受矚目的之一。而這也是騰訊投資在具身智慧領域的首次押注。

早在2023年，這家由原華為計算產品線總裁鄧泰華和“華為天才少年”稚暉君等人建立的公司，就創立過成立僅1月即完成3億天使輪融資的記錄。非但如此，它還在之後幾個月內，估值快速抵達10億美金，成為全球最快躋身獨角獸的一傢俱身智慧公司。

在中國頭部幾家具身智慧公司中，智元無疑是最高舉高打的一家。市面也從不缺少它的聲音。

繼3月釋出首個通用具身基座大模型後，智元又宣佈與具身智慧公司 Physical Intelligence（Pi）達成合作關係。牽線人恰是昨天宣佈加入智元的首席科學家：羅劍嵐。

據瞭解，羅劍嵐曾在Google X、Google DeepMind從事研究工作。在伯克利人工智慧實驗室（BAIR）做博士後期間，他曾是深度強化學習領域重要人物，Pi創始人之一的Sergey Levine 教授團隊的核心成員。

關於自己為什麼加入智元，以及外部對於具身智慧賽道的諸多誤讀，羅劍嵐和幾家媒體一起做了分享。以下是其中部分問題的摘錄，經暗湧編輯整合。

笑到最後的

一定是軟硬體一體的全棧路線

提問1：因為朱嘯虎的逃離，現在很多人覺得具身智慧已有大量泡沫。

羅劍嵐：泡沫本質上也意味著關注度和資源，是提前下注。大筆資源，一湧而上，到了某個點，發現預期達不到，就開始往下降，可能過一陣再開始往上升，這是非常正常的。

每一次技術正規化的轉移都會經歷這種階段，像自動駕駛也如此。自2016年Waymo始，自動駕駛到現在才真正看到可以商用、落地的曙光。具身智慧，是一件更復雜、系統的事，決定了它需要更長時間技術積澱，而不是靠算力或模型堆疊就能突破。

提問2：具身智慧的火熱，最關鍵變數是大模型嗎？

羅劍嵐：把具身過度類比大模型範式，是外部關於這個行業最大的誤讀。

兩者有相似之處，大模型有些技術也可以遷移到具身和機器人上，但不能簡單的劃等號。

比如，像大模型LLM有百分之五六十的準確率就可以用。因為你有人的大腦，ChatGPT讓你去喝農藥，你不會喝，因為你可以自己判斷。但在機器人身上，這個準確率一點用都沒有。

想象一下你的家庭機器人每三個小時，把你家的茶几上的杯子摔一次，把你的手機往窗戶上丟一次，或者送咖啡的機器人每20分鐘把咖啡隨意潑一次。就像智駕，跟十年之前相比，完全兩個物種，成功率已經很高，但大家還是會要更高。因為每一個類似的失敗動作，都會有一個物理世界的後果。

所以用大模型的週期去類比具身，是低估了作業智慧和行動智慧的獨特挑戰。

提問3：隨著不同階段的演進，大模型代表的軟體部分和涉及製造的硬體部分，重要性會有哪些變化？

羅劍嵐：軟體和硬體同等重要。目前軟體沒有收斂到點，硬體也沒有收斂到點，關於兩者如何整合，目前行業也沒有共識。

提問4：在軟體和硬體上，目前最關鍵的卡點分別是什麼？

羅劍嵐：軟體方面，大模型雖然強，但還沒有長時間memory ，在跨任務嘗試，分層控制和即時反饋上，都是難題。用不用模擬，需要多少真實資料，多少合成數據，都沒有定論。包括用不用RL，因為RL在真實世界用的話，樣本效率、訓練穩定性、還有泛化能力，都是挑戰。

硬體像一些高效能的硬體平臺，成本還是很高，有些感測器反饋不夠精細，像觸覺感測器就沒有到一個成熟狀態，還有可靠性，都有很大提升空間。

目前也有很多本體，方案，包括執行器。我覺得後面不會是一個本體解決所有問題，而是根據不同行業，有幾個相對標準化的本體，有一個方案。

提問5：資料問題好像是爭議最大的，但這也很像一個蛋生雞，雞生蛋難題。

羅劍嵐：對，看起來像頭尾在迴圈。沒有資料，沒到一定程度，也很難把機器人部署到真實世界。

但你設想下，如果1000臺機器人在星巴克，24小時乘以7的時間裡，打咖啡送咖啡，一個月傳回來的資料，也能超過現在我們見過的機器人資料集的scale。

而且機器人和汽車還有一個區別，汽車如果沒有100%的把握，你很難拿到真實世界去，因為車的安全性各方面太嚴格。

但機器人可以先從一些封閉、半封閉空間開始，有百分之七八十可能性就可以轉起來，這樣就可以把更多資料傳回來，來improve這個系統。

提問6：自動駕駛早期也有過很多關於資料問題的討論。

羅劍嵐：自動駕駛2016年剛開始時，也因為資料匱乏，有過很多爭論。但現在是資料太多了，特斯拉去年公開的路上資料是500億英里，資料中心都已經裝不下了，所以我們應該擔心的不是有沒有多少資料，而是應該做哪些演算法設計，把資料更好銜接起來。所以，那些掌握產品和生態，有能力自己去部署機器人的具身智慧公司，先發優勢會很大。

提問7：在你看來，軟硬一體的全棧路線是必要的嗎？有的公司就只想做好本體部分。

羅劍嵐：自動駕駛早年，也有專做大腦的，但現在主機廠都開始做自動駕駛。十年前，無人機很火時，中美出現一大堆無人機公司。美國公司說不做硬體，記得當時好像英特爾在美國開了20多個實驗室，就做這個無人機導航線這些東西，當然這也因為美國沒有製造業，沒有產業鏈，所以只能做大腦，但現在這些，你都記不住了，因為他們都已不存在。我們現在記住的名字是：DJI（大疆)。

雖然只做大腦也可以跟硬體結合一起，但我認為一定是軟硬體一起迭代的全棧路線，會笑到最後。

如果機器人真的實現manipulation

這就是AGI

提問8：智元已經有CTO稚暉君，包括智元機器人研究院執行院長姚卯青也是技術背景。你們之間存在彙報關係嗎，會如何分工？

羅劍嵐：我們內部是一個比較扁平、高度協作的團隊。稚暉君在系統工程方面有一些深厚的積累，姚院長在戰略方向上會把控全域性，我會更多的負責一些演算法路線的推動，還有一些外部技術生態的融合。

我們之間是平行互補關係，更強調的是共識驅動，專案導向。

提問9：這次，智元選擇和PI（Physical Intelligence）合作，是基於什麼背景？

羅劍嵐：首先是智元與PI在理念上有很多契合,都強調真實資料的重要性，都從實際出發推動具身智慧落地，這個是合作的大背景。

此外，它是由具身智慧領域的先驅Sergey Levine和Chelsea Finn等教授創立的，是目前國際上做具身智慧最好的公司之一。

提問10：在具身智慧創業公司裡，智元也一直在用一種生態打法做公司，很像在用大公司方法運作創業公司，這是有意為之的嗎？

羅劍嵐：我們覺得具身智慧的複雜性，遠超單一公司所能承擔的。所以我們強調開放協同。一方面幫助一些外部公司實現他們的一些迭代，另一方面，也把他們的能力引入到我們的生態體系內。

提問11：為什麼在具身領域，還沒有出現類似OpenAI這種引領型的明星公司？

羅劍嵐：因為這個行業還沒有收斂到非常確定性的一些技術方案，所以還不存在哪家遙遙領先，具有很強的話語權。

提問12：現在大家看到很多關於機器人的demo影片，很酷炫，但終究還都是人類在遙控，怎樣才能實現自主決策？

羅劍嵐：自主決策和遙控的差別，就類似你以為是和ChatGPT對話，但其實是背後還有另一個人在另一臺電腦上打字，完完全全是兩回事。

本質是機器人對不確定性的分析和建模，然後換成可執行的動作鏈。對機器人來說，位置變了一下，顏色變了一下，就跟它記到的東西不一樣了。這套感知、預測、生成機制的泛化能力，是最關鍵的技術。

提問13：最近具身智慧廠商都願意拿來秀肌肉的技能展示，很多都集中在執行長週期、複雜任務，每家技能點也不太一樣。你是怎麼定義長週期和複雜任務的？

羅劍嵐：長週期是一個比較主觀的詞，我們可能更關注的是一個任務，先後存在的一些比較複雜的依賴關係，和它的泛化能力，而不是某種絕對條件下，一分鐘是長週期，小於一分鐘是短週期。

至於複雜任務，至少在manipulation（操控）上，宇樹可能更多是一些local motion(區域性運動）這些東西。而manipulation上有一些沒有解決的問題。比如機器手和外界有接觸後，會產生非常複雜的物理現象、物理模型。然後是在多模態、高維度的視覺輸入下，怎麼完成一些比較靈巧的任務，同時達到非常高的成功率。

這個是manipulation50年以來的，最關鍵的challenge，我們現在會嘗試做一些這類的工作。

提問14：manipulation，機器人操控問題，也是當下關注非常高的部分。

羅劍嵐：如果機器人真的實現了manipulation，就是 AGI。是比LLM更高階的智慧。如果人類文明是零到十，LLM 最多算三，而如果把manipulation實現了，最少得有七到八吧。