当具身智能走到十字路口｜对谈苏度、蚂蚁灵波、自变量、破壳：四种一线判断

那我们今天直奔主题。今天我们会聊 3 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“之争”？因为感觉在 2026 年，我们正处在一个十字路口，有非常多尚未收敛的路径等着大家去探索。

所以第一个问题想请教韩铮总。在数据方面，有人会认为要押注仿真，也有公司或者研究员坚定地要押注真机。从您的角度看，你们坚定地押注仿真，当初是因为看到了哪些信号？到今天，你们有没有看到一些新的、增强的信号？

1. 仿真与真实数据并行

我首先讲一下，我们是坚信要使用仿真的，但同时还有后面一句话：我们也坚信真实世界的数据非常有用，并不是说纯粹使用仿真。

我们的出发点其实也比较朴素。最早可能在 2015 年、2016 年开始做机器人的仿真器和合成数据这条路，直到我们自己成立公司、开始做商业化版本，其实经历过两轮。仿真，包括基于模型的强化学习，在仿真器里进行大规模强化学习，这条路本身，我觉得科研和真正商业化是不太一样的。

科研的话，你可以用一些比如我们放出来的开源项目、数据和算法去做实验。但大家通常试一下之后，就不知道接下来怎么大规模地修改到一个基础模型，所以一般都会停在那个位置上。或者大家使用仿真的时候，会在一些偏传统的控制方法里，在换成机器学习方法的时候，用仿真器去做一些数据补充。

但真正大规模地做预训练，基于模型的强化学习去进行大规模预训练的数据生成和训练，实际上现在市面上不管是我们之前的开源仿真器、CBMS、Skill，还是英伟达的 Isaac，在我们自己内部看来，还是有一定的局限性。

所以从 2024 年之后，我们坚定地做了一个大规模、完全重构的闭源数据体系，包括数据管线，也包括仿真器管线。到去年年底，也就是 11 月、12 月左右，我们已经有了一个结果，并在今年 4 月份放出来，让大家看到，对于物体和环境，包括光线等因素组合在一起的强化学习任务，比如某些技能的操作，像抓取，以及后来放出来的放置、组装类任务，的确可以在物体和环境几乎没有限制的情况下，达到接近 100% 的成功率。

但我们也坚信，包括其他路线的探索方式，最终大家还是会有一些上下分层，以及相互配合的方法。我觉得大家各自都在探索不一样的路径。

在数据方面，我们还是坚持这个观点：光靠真实世界的数据收集，主要是效率比较慢，质量有时候也比较受限，所以仿真是绕不过去的。我觉得这也是最近一段时间，美国的一些同行开始加强仿真器能力的原因。苏老师的一位学生其实还没有毕业，最近也加入了一家美国公司，担任其仿真器的核心负责人。我觉得这也给业内传递了一些信号，虽然大家使用的方法不太一样。

好的，谢谢。接下来有请沈宇军总。凌波在数据路线上非常明确，选择了真实数据。从您的角度来看，真实数据哪些方面是不可替代的，是仿真怎么都做不到的？相比仿真的数据，它提供的最大价值是什么？

2. 真实数据保留物理不完美

其实也不能说我们是不是坚决选择了真实数据。数据这个事情，我们是这么看的：在凌波内部，我们从来不觉得哪一种数据是一定要选，或者一定不要选。不同的数据在不同阶段，可能会起到不同的作用。

我们会认为，在预训练阶段，比如互联网数据，以及从真实物理世界采集的数据，可能作用更大一点。但如果回到某一个具体任务，尤其是仿真在自动驾驶里的意义比较大，那么回到具体任务本身时，仿真数据还是有价值的。我们没有说仿真坚决不行，这一点先澄清一下。

但为什么我们会比较坚持，在预训练阶段更多地使用来自真实场景的数据？因为我们设想一下，如果机器人有一天真的能够在现实世界中工作，它可能跟现在数字世界里很多模型的工作方式不一样。它一定是基于身上的传感器，所有观测都只能来自它身上的传感器。

我们不可能给机器人一个键盘，然后通过打字给它输入信息。但真实世界的传感器一定是有误差的，这是物理条件的限制。我们没有见过特别完美的传感器。在这种情况下，机器人一定只能依赖身上的传感器作为输入，然后做事情。这是我们觉得机器人最后落地时一定会面临的事情。

基于这个判断，如果我们从第一性原理、从最后的目标出发，我觉得仿真现在可能存在的一个问题，当然大家讲得比较多的是 sim-to-real gap，但我觉得更重要的反而是 real-to-sim 这一步能不能规模化。换句话说，我们能不能把传感器噪声或者一些更底层的东西，真正很好地搬到仿真器里，以及这件事能不能规模化复制？

如果它不可以，解决单一问题是可以的，但如果预训练希望解决更通用的能力，那么 real-to-sim 这一步如果不可规模化，我觉得我们只谈 sim-to-real gap 逐渐变小，价值可能就不大。这是我们的一个看法。

所以更底层的判断就是，哪些数据的能力一定来自真实数据、无法替代？我觉得可能是因为机器人必须在物理世界中工作，而物理世界很多东西的不完美是不好仿真的。

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，当然现在大家讲得比较多的视觉摄像头，可能已经比较发达。假如未来有一天，我们希望机器人在工作的过程中也能依赖一些触觉信息，大家可以知道，触觉信号——现在有很多做触觉传感器的公司，也提供一些触觉仿真的东西——但你会发现，我们测过很多真实传感器拿到的信号，跟仿出来的基本上千差万别。

不管是信号的频率、幅值，还是传感器之间的一致性，很多问题都很难真正搬到仿真器里面，让它做到非常完美的复刻。

3. 通用模型挑战具身智能

好的，谢谢。接下来我们再聊一聊智能之争。最近这个礼拜有一个非常重要的发布，是 GPT-6 的 Astra，相信大家也都看到了，社交媒体上有大量视频是用 Astra 直接控制机械臂去完成各种各样的任务。

甚至我看到一种说法：具身智能要被通用的语言大模型降维打击了。我想问王潜总，您看到那些视频时是什么感受？我们要被降维打击了吗？

最近确实是行业里最火的话题。今天早上我还看到一个用 Astra 控制灵巧手的视频。

我觉得首先得知道一件事情：在这个版本的模型里面，其实训练进去了大量机器人数据。从去年年初开始，OpenAI 包括 Anthropic，其实都在大量采购机器人数据，也有自己的小规模数据工厂去采集机器人数据，同时还招了很多具身领域的人。

所以我觉得这不是什么特别奇怪的事情。它本来就是一个非常好的多模态模型，如果里面再加了很多机器人数据，那它能够做这种事情，确实不是什么特别奇怪的事情。

我一直以来有一个所谓的悖论，但我觉得它也不是悖论。一线做大模型的同事应该都能认可我的这个理论：智能的本体是存在于数据里面的。当然，一部分存在于 evaluation 里面。至于模型，可能更多是一个蒸馏器和一个容器：训练的时候它是一个蒸馏器，部署的时候它是一个容器。

今天我们要做出一个前沿的 AI 系统，模型在里面的作用已经变得极其小了。大家看到现在每一个版本的语言模型提升，一部分是因为模型规模变大，但更多的是因为数据越来越好。

所以我们大部分时间——我指的是语言模型——都花在怎么样造数据、挑数据、验证数据、标注数据上面。而恰恰是这些东西，推动了最终 AI 系统结果的发展。

我们可以看到，为什么 coding 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 3D，也包括视频生成。虽然 3D 和视频生成不太容易被验证，但是相对容易被标注，所以基本上是这么一个过程。

问题就变成了：如果 OpenAI 或者 Anthropic 要做具身智能，它是否需要依赖和我们一样的数据基础设施、验证基础设施以及其他 infra？它是否需要从现实世界里收集数据，或者做仿真器，包括做一部分世界模型的仿真器？它是否需要在现实世界里做 evaluation，是否需要碰硬件？

如果它还是要做这些事情，那么我认为它只是另外一家具身智能公司而已，因为这些难度并不会因为它在基础模型上的优势而降低。反而我觉得，具身智能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，并不会因此有明显提升。这是第一点。

第二点，我也知道大家在担心什么。大家实质上担心的是，基础模型有没有可能通过其他领域的通用智能，泛化到具身智能上。这才是大家所说“降维打击”背后最大的隐含担忧。

我觉得这件事的可能性也不大。第一，在语言模型的历史上，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，而是因为预训练里加入了大量 coding 数据，本质上是因为 coding 的数据基础设施以及验证基础设施变得更加完善了。

同理，最近 Navier–Stokes 方程被解，我们看到数学并没有因为 coding 的成功而自然变得更成功。反而在训练过程中会发现，coding 和数学的能力通常会互相打架。如果在预训练时把这两者都加进去，效果并不好。所以现在大家更多是先训练一个 coding expert，再训练一个 math expert，然后再用 o1 等其他方式把它们合在一起。

所以在语言模型体系上，其实并没有发生过类似的事情。最近的 3D 也是一样，包括 computer use 等其他领域。

反过头来看具身相关的领域，我觉得历史上也没有发生过类似的事情。今天的视频生成模型已经做得非常优秀了，但它并没有直接转化为在动作层面、机器人控制层面的天然优势，这个问题并没有得到解决。

所以我的看法是，这件事情是不是有可能发生？我觉得可能性确实非常小。但反过来，它对我们可能会有一些启示：预训练确实是有效的。

很多人会说，你做了大量预训练、加入了大量通用数据，是不是反而会有害，或者会影响模型效果？但我觉得从 Astra 上我们至少看到，它会是一个 bonus，至少不应该是一件坏事。

我也知道今天行业内做预训练的，比如沈老师，肯定也加入了很多通用数据。我觉得我们应该坚定地把这条路走下去。

最后很有可能会发生的一件事情是，我们和 Anthropic 或者 OpenAI 唯一的差距，是他们把这些数据和这一套 infra 融入了通用大模型、语言模型里面，而我们只是在做一个行业专用模型。

但反过来，通用大模型、语言模型没有办法在机器人上以合理的速度进行推理和部署。相应地，我们确实需要一个单纯的具身模型来做这件事情，这可能是更高效的做法。

不过最后这两种做法的上限、天花板以及发展速度，并不会有非常明显的区别。只要我们还坚持走预训练这条路，坚持把包括数据和验证在内的 infra 做得足够好，基本上这就是我的看法。

好，谢谢，非常全面。接下来也想和华哲聊一聊。我看到最近破壳发布了一个机器人做麻婆豆腐的视频。在您看来，比如用 Astra，它是不是也可以完成这样的任务？

如果可以，您会怎么看机器人完成一个特定任务这件事？今天到底能说明什么？我们应该用什么样的其他指标去判断模型真的变得更好了，而不是今天做了麻婆豆腐，明天也可能炒一个火锅底料——这种特定任务上的提升？

4. Astra 尚未突破物理世界

我觉得 Astra 确实是一个非常惊艳的东西。我们在它出来、当天就能用之后，立刻做了一些测试。我们的感受是，如果把具身任务拆成需要语义泛化、空间泛化和物理泛化这 3 个点，那么它在物理方面相对较弱，但语义和空间方面相对很强。

简单来说，我们给 Astra 一个 prompt，它全都认识。桌面上的东西，无论是真的还是假的、无论是什么类别，它都认识，而且一定会往正确的地方走。

第二，原来这类 VLM 或者大模型，基本上走到那里之后，就开始乱动，然后结束了。但 Astra 很独特的一点是，它能抓起来，而且能抓起非常难抓的东西。

比如一根筷子放在桌面上，这种小物体一直以来对机器人来说都很难抓，你得顶到桌子，甚至得在桌子上打滑，然后才能把它抓起来。Astra 现在也能抓起来。

测到这里时，我们又想，它会不会旋转不太行？于是我们让它尝试把筷子立起来、插到一个杯子里，发现也可以。所以在整个三维空间里，它不光是二维空间，效果都很好。

但是当我们让它去做一些带物理接触的复杂任务时，比如用筷子挑开某个东西，这个时候它就开始不太行了。这也是具身机器人公司的最后阵地：怎么样理解物理变化。

我们也拿它尝试了叠盒子、叠衣服这些具身公司很喜欢做的事情，这些 Astra 都做不了。所以我们看到，所有极其复杂的任务——刚才聊到麻婆豆腐，麻婆豆腐肯定是其中最复杂的任务之一——Astra 目前能做的，还是相对偏空间和语义的具身任务。

最复杂的 contact-rich 任务，它能做的，一个是把筷子放进杯子里，另一个是 hand over，也就是把一个东西拿起来，递到另一只手上，再放到另一侧。这个我们当然也测了很多次，有一两次成功了。这就是我们目前看到的情况。

关于 Astra，我们的一个思路是，未来这些东西应该串在一起。就像刚才孟迪老师的主旨演讲里聊到的，我应该把具身模型接到 Codex 里面，或者接到一个 Harness 环境里面。

为什么要这样做？一方面，具身模型是通用地干活，但其中有一些环节需要很强的语义能力。

比如一个很典型的任务是抓水果。因为水果拿到菜市场去卖会腐烂，所以一开始通常会用玩具水果、泡沫水果，对吧？但这类数据其实非常有害。泡沫水果可以靠加大力气、抠住一点点把它揪起来，但如果真的换成一个菠萝，无论如何都不能那样抓。

这时候，模型需要先抓一下，发现它是泡沫的，就可以使用原来的抓法；如果发现它是真菠萝，就得想办法抓住上面的绿叶子，不能再去抓它胖胖的身体。

大多数具身模型没有这个能力，而 Astra 可以给你一个反馈，说我在这个地方有一些 CoT。它抓住之后，知道这是真菠萝还是假菠萝，然后再采取下一步动作。

所以我觉得，最终应该是大模型、具身模型和物理世界连接在一起，形成一个完整系统，才能真正把这个事情解决。

所以未来是要彼此配合的。

是的。

宇军总，在您看来，Astra 现在涌现出来的这种能力，是不是我们今天所谓具身智能 scaling law 的某种信号？

5. 具身模型重塑云端智能

这个问题我跟华哲的观点差不太多，可能稍微再激进一点。我甚至感觉，具身智能慢慢会影响大模型，或者说云端模型的一些发展路径。

我们还是回到机器人最后的具身模型的工作方式。它最终还是要部署到机器人上，机器人做事情，真的要依赖身上的所有传感器。这些传感器要源源不断地拿到输入，哪怕机器人在做操作的时候，传感器依然要持续获得输入。

这件事情可能跟现在数字世界里很多模型的轮次对话方式不太一样。比如你问它一个问题，它回答你，但它回答的时候，你很难继续问它问题，或者做其他事情。

但机器人必须以另一种方式工作：它要拿到源源不断的输入，这个过程不可以被打断。哪怕它自己在推理，输入还是会持续进来，它可能要基于新的输入，随时改变自己的推理。

这是我们觉得具身模型，或者说部署到机器人上的模型，应该解决的问题。我觉得它要解决的问题，跟刚才华哲说的云端模型，或者 Astra 这样的更高层模型，要解决的问题不一样。

所以我认为，具身模型最后可能会成为更高级模型所使用的一个工具。这是其中一方面。只是从工具层面来讲，它可能需要自己的一套训练范式，因为它要面对源源不断的输入，然后输出 policy。这是我的一个观点。

但为什么我说，具身场景可能反过来给更高级的、可交互的、像 Astra 一样的模型，提供更多发展方向？

我举个例子。人与人之间的对话是很多模态的，它不只是语言和视觉。比如我跟一个人聊天时，外面突然下雨了，我看到下雨，可能会改变跟这个人聊天的方式。或者我跟一个人聊天，看到对方脸色不太好，接下来要说的话可能就不说了，马上换一句。

但我觉得这是现在所有云端、数字世界的模型还没有考虑到的事情，因为它不需要考虑这些。它更多是藏在屏幕后面，大家只需要通过视觉和语言交流就好了。

但我觉得，机器人以后如果真的要跟人对话，它所能囊括的信息量应该非常多，而且很多信息一定来自现实世界中的传感器。我们会观察天气、感测温度，这些东西都会影响模型最后的输出结果。

所以我觉得，如果机器人逐渐走入我们的生活，带来更多关于物理世界和现实生活的数据，这些数据有可能成为更高级的大语言模型或者大模型公司的新语料。他们可以基于这些数据，让自己的东西变得更智能，不再是一个冷冰冰地躲在后面的智能体，而是可以像人一样感受周围环境，根据变化随时调整跟你对话的方式。

就像上一轮有一位老师建议的，它能不能主动推荐，而不是只回答我的问题。我反而觉得，GPT-6 现在能做到这样的水平，是一件好事。

刚才 3 位的观点普遍都非常乐观，看到的其实都是机会和启发。在这个问题上，韩铮老师有没有什么补充？

6. 上下模型需要可靠衔接

我觉得大家其实挺有意思的，这跟我刚才讲的一个观点也越来越接近，就是上下会分层，上层的抽象理解会分层。

如果是像 Physical Intelligence 以前的这种做法，我一直持这样的观点，从几年前就这么讲：我觉得 Physical Intelligence 最大的对手实际上是 OpenAI，最近还包括 Anthropic。最近 DeepMind 的另一位机器人研究员也刚刚加入了 Anthropic。

但还有一点，上层模型，比如 OpenAI，或者 Cosmos，其实也做了一些尝试，去和底层技能结合。我觉得最近大家开始越来越重新提到机器人的基础 skill。

同样，底层技能的泛化性和高成功率，一定要跟上层模型达到同等水平。你不能成功率不高，只是有一些泛化性，这在上下层衔接时是非常致命的问题。

所以大家在考虑具身公司和上层模型连接时，一定要解决这个问题：既要有高成功率，也要有泛化性。

其实去年年底我们做的那个演示，可能有一点没有跟大家讲。当时我们通过语言交互连接千问模型，让它理解周边的环境和物体。你给它一个抽象指令，它最终会拆成一些 reasoning，生成一系列操作步骤。

但这些步骤一定要依靠对环境和物体极其可靠、稳定的底层操作，才能完成整个动作的执行。这个理念我觉得今年特别是在 Astra 出现之后，又重新被大家拿到了前台，我觉得这也是一个大的趋势。

7. 商业化需要持续付费

好，谢谢。现在进入今天的第三部分，我们聊一下场景之争。

最近外界对整个具身行业还有一些比较现实的质疑，更多是在商业化上。大家会说，demo 很多，融资也非常火热，但真正能够规模复制，并且持续让客户付费的场景到底在哪里？

所以下一个问题想提给 3 位具身公司的 CEO：如果只看某一个指标，你们觉得什么样的指标最能够证明具身智能已经跨过了泡沫的质疑，真正进入产业阶段？这个指标不一定是今天的指标，也可能是未来我们正在等待的某个指标。

这位先来？

还是我先来。

其实我就顺着刚才那个观点。我觉得科研和商业化对机器人的要求，跟以前的工业机器人和自动化一模一样。高成功率是绝大多数任务实现商业化的前提。

很多现在大家在尝试的任务，可能偶尔能找到：100 个任务里，大概有 1 到 5 个任务，大家对成功率的要求可能可以到 80%，也可以允许有一两次纠正的机会。

但剩下的 90 多个任务，几乎每一次执行，包括快速纠错，都要达到接近 100% 的成功率。

在这个前提之下，我们和自动化设备的区别是，还要对物体和环境有一定的泛化性，而且不能靠大量后训练成本去弥补，否则每来一个场景，就要做大量过拟合。

刚才前面的主旨嘉宾也提到了这一点。所以走到商业化，对我们最大的考验，首先是算法上高成功率之下还要有泛化性，这一点是一定要有的。

当然，后面大家还会遇到同样的挑战，包括设备可靠性、怎么提供服务。我觉得这些也都是绕不过去的。

好，谢谢。王潜总。

如果非得说一个指标，那就是客户能够持续付钱，并且付钱越来越多。这肯定是最终极、也是最现实的判断标准。

因为现在大家做商业化的时候，很多时候并不是让客户持续付钱的方式。可能是在某个特定历史阶段，用某种特定方式来做；也有一些可能是沿用了上一个历史阶段的方式，比如比较传统的自动化，或者上一代机器人的方式。

我觉得这种方式虽然可能可持续，但也谈不上多么可持续，因为它的天花板相对来说已经比较明确了。所以大家还是应该真正想一想，这一代机器人比上一代机器人强在什么地方，以及它能够给客户提供什么真实价值。

我觉得这件事现在已经开始实现了。比如最近我们在物流场景里，确实已经做到了一些以前传统机器人做不到的事情，并且超过了人类的效率水平。

所以这种真正能够落地、持续产生生产力的东西，可能才是最重要的。

另外一个方面，作为一家公司，公司一定要赚钱。有了钱之后，才能做更大的模型，才能持续发展 AI 的最前沿。

语言模型公司也是类似的经历。最开始的时候，它其实完全不赚钱，但到了某个阶段，真的可以有一些用途之后，就开始积极商业化。它的商业化和前沿能力的推进，其实是相互促进的过程。

所以我觉得，某种意义上，过早的商业化是有害的。但也许我们已经过了那个时间段，现在开始进入一个互相促进、形成飞轮的阶段。

所以回答刚才的问题，如果说有一个指标，那就是客户确实可以持续地为新技术、为前沿技术付钱。

好，谢谢。华哲。

我觉得具身智能的商业化有好多类。一类是后训练类，就是我跟某一个品牌、某一个工厂，在它里面做一个闭环。

比如说，假设我在家门口开了一个小吃摊，做关东煮，机器人能够把这个事情完全搞定。那核心指标就是，我要花多少个小时，能够把这个事情稳定地部署落地，并且我能开多少个小吃摊。

这其实很简单，跟传统机器人上一代的部署逻辑是一样的，就是看效率和 ROI 的换算。

但我觉得，这一波具身智能另外一个商业化指标，是它跟大模型、跟语言大模型的相似度。我觉得这件事短期内可能看不到经济收益，但它是一个阶跃式的商业化。

为什么大家对大模型的体感会好一点？因为如果 GPT 以 50% 的成功率输出一个答案，我只要跟它对话几轮，大概率就可以拿到一个好的结果，就会觉得它真的有用。

但机器人如果以 50% 的成功率去完成一件事，你有 50% 的概率会把一个杯子摔碎。所以大家会觉得它真的没用。这也是为什么大家会觉得，具身智能用起来没有那么好用。

但即使这样，我们仍然要矢志不渝地追求具身智能的大模型化。因为这个 50% 是面对所有任务、面对全世界任何事情的 50%。我们要等它从 50% 到 60%、70%，一直到 99.9%，那时候的商业化，我觉得才是这一波具身智能真正意义上的商业化。

当然，前面那些落地的后训练项目，短期内可以看到很多现金流或者营收。但我们真正期待的，还是基础模型一旦达到某个阶段，然后开始吃掉物理世界里的很多东西。

8. 五年后的高估与低估

有意思。最后一个问题，我们都知道一句话：人们总是在科技领域高估未来两年的变化，却低估未来 10 年的变化。

所以想请教 4 位分享一下：假如我们不是站在两年后，也不是站在 10 年后，而是站在 5 年之后的今天回头看此刻，你们会觉得哪些东西在具身领域被低估了，又有什么东西被高估了？

我先讲什么被高估了。我觉得最被高估的一点，就是中国供应链的先进程度。

我觉得中国的供应链选择很多，但对于具身智能现在需要的供应链，能不能满足我们实际迭代时的需求，它的成熟程度可能还需要做一些工作。

第一，我们需要有一定的数量来支持。第二，供应链里有很多东西，包括刚才沈总提到的传感器，以及关键组件，可能散落在一些成熟行业里，比如汽车供应链，或者其他工业机器人的供应链。

但实际上放到具身智能里，我觉得现在供应链的水平，距离大工业制造水平还有一定差距。不过我觉得，这在中国接下来肯定可以被解决。

我觉得被低估的，是刚才华哲老师提到的，要达到 99.9% 的成功率。中间能不能有一些非后训练、非过拟合的方法？这个时间可能会比较长，但我们觉得大家不用太悲观。

对于一些稳定、可靠的技能，以及上层各种模型的组合，我觉得接下来一到两年，大家会看到某一大类任务在各个行业里非常相似，很多事情其实很快就可以被处理掉。

但如果是 99.9% 的任务都能做，那的确还是需要很长时间。

谢谢。沈宇军总。

我是这么看这个问题的。我觉得现在可能被低估的，是具身智能是一个复杂的系统工程。大家可能还是低估了系统本身的能力。

很多时候，大家会把落地成本、解决问题的成本等，都跟模型性能挂钩，但其实不是这样。

比如同样是做落地，商家最终肯定会看成本：我到底是不是一定要用这款机器人？是不是一定要用完整的机器人？还是只用双臂就可以完成一件事情？

最后回归的还是成本，包括整个系统的鲁棒性。模型只是其中一环，但大家好像基本不谈这个事情，仿佛现在技术能不能落地，全部取决于模型能力的好坏。

但真正要落地，我们肯定要综合考虑整个商业逻辑。我觉得这可能是大家低估的一件事情。

我觉得被高估的，是训练模型的技术。因为我听到很多行业声音，好像具身智能要么会被数字世界的模型降维打击，要么就是重新复刻一遍它们的路线，积累一批物理世界数据，按照之前的训练方式，就可以训练出一个具身模型。

在我看来，这件事情不太成立。我认为具身智能可能会走跟数字世界相同的模式，但一定不会走相同的技术路线，因为最后是应用场景决定模型的差异。

数字世界是对话式的，但具身智能一定是机器人一边工作，一边推理。这两件事不能互斥。你不能说机器人在干活时，就完全屏蔽外面的声音，不能再接收任何输入，这件事情不存在。

既然出发点就不一样，我认为具身智能一定会有自己的新训练范式，而且这种范式要支持对物理世界信息的持续处理，可能是 7×24 小时，甚至是 30×24 小时，全年无休地处理数据。

这可能跟现在的模型不太一样。现在的模型是你用一用，不用的时候就关掉它。具身模型可能不是这样。

所以我觉得，训练技巧可能有些被高估了，它没有那么像魔法。但具身智能因为特定场景带来的挑战，可能会推动数字世界或者语言模型之外的一些训练技术。

好，谢谢。

如果说被低估的，我觉得大家 5 年之后回过头来看，应该会意识到我们低估了具身智能的重要性和潜力。

虽然大家今天已经很认可具身智能是一个重要的东西，是 AGI 的一个非常重要的组成部分，但我觉得大家可能还没有真正理解这件事情。

接着刚才 Astra 的问题来说，为什么数据很重要？因为它确实包含了一部分其他方式无法获得的智能能力。

刚才许老师也提到复杂的物理交互，各种物理过程；沈老师也提到各种传感器噪声，以及物理世界本质上的不可控因素。这些东西，我们确实没有办法通过视频、3D，更不用说代码的方式获得。

我以前研究物理，会发现大量创新，或者大量想法，很多时候来自所谓的物理直觉。当然还有另外一条路，就是逻辑推理，所谓数学上的深度搜索能力。

人类过去的科学研究过程确实发现，这两件事情在某种意义上没有办法互相弥补。做某些事情时，数学这套思维方式可能更快；另外一些事情，物理这套思维方式可能更快。

所以要构建一个真正意义上的 AGI，我觉得这部分肯定没有办法避开。你可以把它训练到同一个模型里，也可以训练到不同模型里做分层，这些是小问题。更重要的是，这部分能力确实要从真实世界、仿真或者其他方式中获得，并注入 AI 系统。

在应用层面，我觉得大家也有点低估了具身智能的重要性。最近不管是在硅谷还是国内，我都看到大家对所谓 RSI，也就是递归自我改进，产生了非常大的 FOMO 情绪，狂热和恐惧都在。

但我现在的看法是，以目前语言模型的能力，还不足以实现完整的 RSI，因为其中缺少一个最重要的环节，就是物质上的再制造，或者说自我增殖。这个事情没有办法靠语言模型实现。

它可以修改自己的训练方式，可以修改训练流程，但本质上我们需要 scale up，需要更多算力、更多芯片、更多电力。这些事情语言模型也做不了。

所以我们现在会看到，美国数据中心的建设已经成为本质上的阻碍。还是需要人去做钢筋混凝土，还是需要人去调半导体工厂里的参数。

但如果放在 5 年之后，我相信大家都会意识到一件事：具身智能实际上是在不远的将来可以做这些事情的。到那一天，我觉得真正意义上的 ASI 才会到来。

所以在数字世界里面，我觉得现在走得比大家在物理世界里走得快太多了。

我经常开一个玩笑：如果 Anthropic 从今天开始把所有员工都裁掉，全都用 agent 去开发下一代模型，会减慢多少？肯定会减慢，因为现在人的 taste 还是很重要。但你说它就开发不出下一代模型了吗？我觉得也不是，它肯定还是能开发出来。

但如果半导体工厂里面没有人，全靠 AI 去做，那肯定是不行的。

我相信 5 年之后大家可能会看到这样一种场面：今天我们要做一个 app，已经不需要像 5 年前那样组建一个很大的团队，进行非常复杂的协同，花很长时间，比如一年，去做一个 app。可能一个人只要额度足够，开一堆 agent，几个小时就能把它做出来。

也许 5 年之后，我们能看到一个未来：现在要造一架飞机，可能还需要 1000 个人、非常大的供应链和很多工厂；但也许 5 年之后，在具身智能的辅助下，当然也是在通用语言模型的辅助下，造一架飞机也可以像今天做一个 app 一样简单。

这样整个生产流程就可以闭环，人类的经济实现真正意义上的某种硅基脱离碳基。

当然，我也不知道这个未来是好是坏。特别是在语言模型公司的道德水平如此之低的今天——我指的是美国的语言模型公司——我也觉得，正如沈老师刚才说的，具身智能公司应该把数据放到语言模型里面。

也许有朝一日，我们还是要走出一条中国的 AI 发展之路。我觉得具身智能可能是其中非常重要的起点，或者非常重要的一部分。也许之后每家公司都会训练自己的语言模型，这也说不定。

很有意思。好，最后请华哲来压轴。

我觉得被高估得挺明显的是大家对数据量的追求。

现在市面上，有人说自己有 100 万小时数据，有人说有几百万小时数据，还有人说谁谁谁已经买了多少数据，你不买就落后了。

但其实目前市面上也看到了一些训练出来的模型，使用非常大体量的数据，并没有训练出特别超出预期的结果，也不一定比用几万小时数据训练出来的模型更好。

所以单纯盲目追求数据量，这件事情被严重高估了。

被低估的，我觉得是整体智能模型的进展，或者叫具身智能模型的进展。大家一提到具身智能解决通用问题，可能会说要 5 年、10 年，但在我的视角里，我觉得 3 年内，具身智能就可以在很多地方开始提供服务，而且是通用的服务，不是针对某个场景后训练好的服务。

听完之后还是非常振奋，也非常乐观。大家描绘了一个很有意思的未来，甚至像王潜提到的，未来造飞机可能会像造 app 一样简单。

好，今天谢谢 4 位嘉宾，也谢谢在座各位的时间。我们这场论坛到此为止，谢谢大家。