对话智元首席科学家：把具身智能过度类比大模型

摘要：必要的泡沫。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。

必要的泡沫。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。现在是具身智能入局

最佳时间点

提问15：实现机器人AGI这件事中，什么是你最感兴趣的？罗剑岚：怎么让这个系统有更强的自主学习能力、泛化能力。2016年，谷歌发出第一篇深度机器人学习的paper后，用这些基于learning的机器人，真正被部署到现实世界的，一台都没有，但当下会不一样。我们在智元新成立的具身智能研究中心，不是单纯的科研机构，也不是单纯的工程化落地机构。它是一个中间态的，希望它能打通从基础科学到技术落地的链路。提问16：受大模型的影响，在具身智能领域，强化学习也开始成为潮流。罗剑岚：现在大家都在开始看这个方向，因为我们有了 DeepSeek R1，有了GPTo1。有50年历史的机器人领域，虽然很多教授做了先驱性的工作，解决了一系列这些控制的稳定性等，但过去十年，我有个观察，就是这个领域的进步总是来自于别的领域，比如CV或者 NLP。现在有几波人在做具身智能，一些是做CV的，一些是基于learning的，还有一些做核心机器人，大家视角都会不一样。提问17：现在陆续很多大厂、产业方，包括消费电子公司也都在入局具身智能，你觉得像智元这样的创业公司有何独特优势？罗剑岚：很多人下场，其实是一个积极信号，说明关注越来越多。作为下一代的智能终端，机器人天然就是消费电子公司的关注点，他们在用户体验、产品化，成本控制、供应链整合都有非常强的积累。像智元这种团队，优势更多在于对行业底层逻辑的理解。他们可能会更垂直,更精致，我们可能会更擅长智能，最终两个方向也会聚合。提问18：你觉得具身智能当下处于何种周期，还是入局的好时机点吗？罗剑岚：从2016年看，我觉得具身已走过大概十年的探索期，刚开始它叫机器人学习。我觉得现在是一个非常exciting的时间。几年时间内，我们会在一些特定场景里看到一些成功。其实，现在全世界，有500万台机器人被部署在真实世界里，但它们都是盲的机器人，操作靠绝对的定位，做的是重复性的编程和工作。而随着智能的提升，我们已经进入机器人的应用窗口期了。虽然那些理想型的，全能机器人可能十年甚至更久才能到来，但在特定场景下具备使用价值，且有持续学习能力的机器人会提前到来。所以现在是入局，还有突破的最佳时间点。

来源：小夭看天下

标签：模型科学家智能 pi 罗剑

本文地址：http://news.43b.com.cn/a/1108308.html

免责声明：本站系转载，并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与本站联系，我们将在第一时间删除内容!