你怎么定义AGI？AGI是必须要身体的吗？Physical AI它的特点还是跟数字世界不太一样。首先它的输入输出是sensing action，它最重要的使命是改变世界的状态。那么它在世界里头它就一定要存在大量的交互。你会发现所有AI到了下半场，它都是在大量交互中产生数据。你没有身体，你就无法获得这个世界的交互。如果说我们以前叫什么tangents are all you need什么之类的，那Physical AI我觉得毫无疑问action is all you need。你要知道人有种说法叫小脑反应，这个小脑反应其实就是人在做任何一件事情刚开始是没有小脑反应的，你做的足够熟练了以后你才会有小脑反应。那么这些小脑反应这些小动作恰恰是对于大量他可学习的动作一个消化，所以说我们在学习这个动作的时候其实恰恰是蒸馏了人类很多非常好的技巧，这是非常有帮助的。所以其实我们最不经意的小动作是最宝贵的。红杉播客，技术开拓者与产业领航员的交流场域。这里是红杉中国出品的播客新栏目《The Prompt》，关于 AI 与技术范式变迁的系列漫谈。本期，踏实智航创始人兼 CEO 陈一轮与红杉公园展开对谈，从自动驾驶走到通用机器人，重新回答具身智能到底是不是一个真正的大赛道。在这。在这场对谈中，我们将听到陈毅伦系统复盘他对机器人的几个核心判断：为什么机器人必须从一开始就走端到端路线？为什么遥操作不是通向大模型的终局？为什么触觉决定了最后一厘米的成败？以及具身智能的商业化为什么要从线束这样的具体场景切入？更重。更重要的是，这不只是一场关于技术路线的讨论，它也指向一个更大的问题：如果AGI真要走入现实世界，改变现实世界，它就必须拥有身体。Action is all you need。
红杉HongShan
陈一轮，您先给我们简单介绍一下自己。
陈一轮
大家好，我叫陈一轮，是他日之行的创始人、CEO。我刚刚从上一个十年的自动驾驶赛道回来，去清华教了两年书。之后，我们想挑战一个更大的领域，就是通用机器人。
2025 年 2 月 5 日，我和几个合伙人一起创办了这家公司。我们认为，这一代机器人终于让我们看到了通用机器人的可能性，所以希望通过一步步的努力，让具身智能充分走入人的日常生活和工作，比较大地改变大家的生活，让它成为一个比自动驾驶大一个数量级的赛道。
红杉HongShan
感谢。今天这个对谈我非常期待。现在国内可能有 150 家甚至更多的具身智能公司，可以说是百花齐放。所以今天我们特意准备了一些问题，希望通过这场对谈，把行业现在发展到哪儿了，以及我们怎么通向 GPT 时刻等大家关心的话题聊清楚。
首先还是回到您个人。您之前在自动驾驶领域做了很多年，担任过 CTO，后来又出来到清华做了一年教授。在这一年的时间里，您是在等待一个什么样的时机吗？这一年您做了哪些准备，等待的时机又是什么？
陈一轮
1. 机器人是更大赛道
这一年其实是在做一个比较大的判断：机器人到底是不是一个大赛道。
我们从上学到工作，一直致力于做各种各样的机器人。机器人在之前很长一段时间内，大家认为是一个高度碎片化的赛道。你可以看到各种各样形态的机器人，以及各种各样具有特殊功能的机器人。
当时，比如我曾经选择做无人机、无人车，是因为在那个时候，把所有各种各样的机器人加起来，你会发现它们的影响力和体量都没有一个无人车大。所以自动驾驶在某种意义上，在那个时代会被认为是整个机器人学里最大的一个应用领域。
但事实上，如果把整个机器人能够做的事情拿出来加一下，它的体量是非常大的。所以它到底是一个碎片化的赛道，还是一个可以被通用化的巨大赛道，这件事情实际上在 2022 年的时候已经有了一些迹象。但作为一个创业行为来说，还是需要把里面的判断和路径认真考虑清楚。
红杉HongShan
陈一轮，您在自动驾驶也好、机器人也好，以及整个具身智能领域，已经有可能有 20 年的经历了，加上读博士，以及很长的学术和科研生涯，到现在又去做公司、做产业。
有没有一些事情，是您曾经深信不疑，后来却发现好像不是这样？哪些是您曾经相信一定会发生，但今天好像还没有发生的事情？
陈一轮
这些事情其实一直有很多。我昨天还专门想了一下这件事，觉得让我感受比较大的转变是：上学的时候，你会发现自己想提出一个特别了不起的方法，拿出一个非常了不起的结果。
但很多时候我发现，其实顺序是反过来的。因为你想获得一个非常了不起的结果，所以它倒逼你去想各种各样的思路和方法。而且这个方法往往不是一个“憋大招”的过程，不是说我一开始认定，只要把这一点解决好就可以了。它是一个探索的过程。
就像证明一条特别难的数学定理，你需要用一步步的引理把它引过去，然后在这个探索过程中不断摸索，以终为始地把它做好。这是我在各种各样的过程中感受到的。
拿人工智能来说，我刚开始先从企业界，后来又回到学校。从企业回到学校以后，我发现了一个特别大的风格上的变迁，这也代表两个完全不一样的维度。
2. 数据决定网络架构
人工智能是一个典型的算法加数据。在企业里，大家更看重数据。我们在做大型自动驾驶端到端网络的时候，会发现数据的断档会带来整个产品的质变，甚至会带来企业两个产品之间断代式的领先。
但在同一代数据面前，网络结构、算法或者具体细节，其实没有那么重要。可是回到学校以后，你会发现大家的思路是：我要先有一个非常了不起的方法，然后把所有数据都拉齐，用一模一样的数据来比较差别。
所以这一个相当于是供给侧，一个是需求侧。我觉得从反向牵引出发，可能会更有效，类似于神经网络的反向传播。
红杉HongShan
明白。所以您现在又回到工业界、回到创业公司，是因为您觉得算法和模型可能已经到了大家看得比较清楚的阶段，数据又重新变成最重要的事情了吗？
陈一轮
对，我觉得数据一直都是最重要的。AI 最重要的就是数据。
我一直不变的观点是，特别是在工业界做产品、大量考量以后，我发现数据的分布和数据的类型，决定了网络的架构。为什么我们会看到 AI 现在有各种各样不一样的网络结构，没有统一的结构？背后的原因就是它的数据特别不一样。
红杉HongShan
3. 泡沫缺少真实出口
具身智能毫无疑问是一个大家都感受到泡沫的领域。投资人感受到泡沫，创业者也感受到泡沫，好像很多钱都被虹吸到了具身智能这个领域。
从您看来，这个泡沫体现在哪些地方？哪些地方您觉得确实被高估了？又有哪些地方是被低估的？
陈一轮
我想从另外一个角度来诠释这个说法。很多时候大家会说，高估一年的变化，低估三到五年的变化。
但从另一个角度来说，为什么会出现这样的情况？因为还是有过多的精力被聚焦在方法、供给和技术上，而没有很多精力聚焦在它究竟解决什么问题、究竟有什么用上。
在这个过程中，因为没有一个非常好的目标导向来牵引，所以大家会经历一个百花齐放的过程。但在这个百花齐放的过程中，确实每年都会看到不一样的东西，整个行业的水平线一直在被拉高。
你会明显发现，回头看上一年，第一年往往会觉得整个行业的技术进步速度，超过了此前很多年加起来的总和。每年都有这样的特点。
但它究竟在解决什么问题、创造了什么价值，现在不是特别多人愿意去谈论。所以你会发现，资源和人才不断涌进来，但它的出口现在还比较窄。
红杉HongShan
出口的问题我们待会儿再聊商业化。我还想把您一路以来的想法演进理顺一下。
您之前在做自动驾驶，现在又在做机器人。从您看来，这两者是一样的吗？自动驾驶可能是一个更受约束的环境，有车道、红绿灯，环境相对封闭；机器人可能更开放，处在不一样的物理世界和空间里，空间也可能更复杂。
从您的角度看，这个转变的底层逻辑或者本质是一样的，还是不一样的？
陈一轮
4. 机器人必须 AI Native
这是个特别好的问题。我从两方面讲：它们肯定是一样且不一样的。
如果从 AI 的角度去做自动驾驶和机器人，它们是一模一样的。但最大的区别在于，自动驾驶可以不用 AI 的方式来做，可是通用意义上的机器人没有办法不用 AI。这是最大的区别。
自动驾驶的问题，在一定程度上可以被封闭在一个封闭世界里。基本上我们当时认为，只要把人、车、路、灯这几件事情建模好就可以了。
但它真正的难点在于，整个世界是高度动态化的。你在驾驶的时候，会改变所有其他车辆的驾驶行为，而这些驾驶行为之间的过程是高度未知的。所以自动驾驶一直在纠结这件事。
它前面的各种方法，如果路面上没有车、没有人，早就解决了；如果路边所有的车都是自动驾驶车，也早就解决了。就是因为人车混行，它解决不了；就是因为要处理高度动态、不确定的世界，所以一路演进到了 AI 驱动的方法。
从这个角度来说，它和具身智能是一样的。但具身智能也有一个问题：它没有自动驾驶类似的“祝福”，也就是说，在 AI 还没有 ready 的时候，自动驾驶还可以先上路。
具身智能大概不能这样，所以它倒逼你一上来就必须用非常 AI-native 的方法去做所有事情。
红杉HongShan
非常清晰。也就是说，自动驾驶一路从 rule-based 发展到 AI 驱动，而现在机器人问题可能必须用 AI-native 的方式来解决。
接下来我们聊一下 robotics 要怎么解决 robotics。它的数据和范式应该是什么？刚才您也提到，必须用 AI 的方式来解决机器人问题。
在数据上，我记得 2023 年、2024 年我们刚开始投资具身智能、投资机器人的时候，还有很多不一样的数据类型，比如 ALOHA 遥操作、UMI，那个时候可能还没有 ego-centric data。可能您是国内最早提出要用 ego-centric 数据来做机器人的团队之一。
当时您看到了什么，觉得我们必须要用人类数据，或者说人类第一视角的数据来做机器人？
陈一轮
这也是一个反向的判断。
遥操作这种方式的数据，为什么大家愿意用？因为它真实，而且确实能 work。它的问题在于，采集效率太低，很多场景没有办法渗透，而且成本代价太高。
所以对于数据的判断，是一个反过来的思考过程。如果我们认为具身智能是一个大赛道，存在一个大的 AI，那么它就值得拥有一个基础模型。
这个基础模型的能力是什么样的？它可能会是一个非常高级的能力，至少要比自动驾驶的能力复杂 10 倍。
自动驾驶当时要达到产品级 release，大概需要多少数据支撑？需要 100 万个小时的数据，而且是大家精心压缩、提炼之后的 100 万个小时数据。
那么对于机器人来说，如果我们认为具身智能是一个更了不起的模型，自动驾驶只是它的一个子模型，那么它可能至少需要高一个数量级，也就是 1,000 万小时精华后的数据。
你就会知道，按照遥操作的方式，这件事情永远没有办法发生。所以当时我的判断是，靠遥操作、teleoperation 这种方式，和大家当时的想法可能相反：它适合做垂直领域的小模型，适合在一个任务上不断精耕，可能也不需要那么多任务。
但如果想做真正意义上的具身智能大模型，这种数据获取方式一定是一条死胡同。
红杉HongShan
1,000 万小时够吗？您现在还是这个判断吗？
陈一轮
我现在还是这个判断。我觉得可能够，因为数据规模不断往上走，也会有边际效应递减。
从 1,000 万小时再往 1 亿小时增加，一定会有提升，但那时候提升最大的 scaling 就已经不只是数据了，它会进入第二重 scaling 曲线。
但这仍然是一个非常大的数字。很多观众可能不知道，1,000 万小时意味着什么。现在数据最多的公司可能也就是几十万小时。要到 1,000 万小时，需要多长时间？
陈一轮
其实还好，关键是一定要找到一种数据 scale 的方式。
我观察过以前所有的大型网络，它们都以能够 scale 数据为基础。它们都找到了一种非常能够产生大量数据的方式。
比如大语言模型，文本数据、coding 数据、互联网数据，本身就积累了很多。自动驾驶则是因为人每天都在开车，你只需要让人开车，同时把数据记录下来。
这种“你做行动、它记录”的方式，往往是一种非常好的方式。机器人在这方面其实有一个得天独厚的优势，它恰恰具备这样的条件：你工作、你生活，我记录你。只要这个记录过程足够友好，它就可以瞬间产生大量数据。
红杉HongShan
顺着这个问题再问一下：如果我们都用 human data，用人类第一视角的数据，会不会把机器人的能力锁死在人类的能力上？
因为我们从小看英雄片，好像还有不止两只手的英雄、千手观音，以及很多异形的英雄。那这会是一个问题吗？
陈一轮
我觉得这和怎么样去做学习、做算法有关。
一般来说，我们可能简单地说，神经网络里有两种学习方式：一种是模仿学习，一种是强化学习。
它就好比一个老师和一个学生。模仿学习就是老师把每个解题步骤写下来，你必须按照老师的解题步骤去做。这样一来，作为学生，我很难超越老师。
但学生怎么超越老师？还有另外一种方式：老师不再给你提供解题过程，只告诉你有没有做对、有没有做错，以及你的边界在哪里。
所以好的大型 AI，都是这两个阶段。第一个阶段，老师提供一个很好的先验。毕竟学生和老师之间还有很大差距，所以学生可以迅速缩短这个差距。
到了第二个阶段，老师已经从指导员退化成了裁判员。作为裁判员，它只是客观地评价你做得够不够好。这个时候，学生就完全有希望超过老师。
机器人和人之间的关系也是这样。第一阶段，机器人几乎什么都不懂，处在一个非常早期的状态，它可以通过人类数据获得大量先验。
当你有了大量先验以后，它就可以在大量数据中获得你的边界、获得环境，以及获得其他信息。这就是第二个阶段。
红杉HongShan
如果把机器人比作小孩，您觉得它现在大概相当于几岁？
陈一轮
我觉得现在类似于早期的大语言模型状态，还没有形成一个物种，但已经展现出了非常强大的学习能力。
其实现在机器人的特点是，我之前看过的所有 AI 都有这样的能力：它和我们设想的“一开始全能通识，然后再进入专业化”的成长路径不太一样。它是反过来的。
它先迅速证明自己有能力，迅速专业化。然后你会发现，这种专业化的方式其实是可以 scale 的。接着它会形成多点的专业化，再把水平面抬高，让这些能力彼此连接起来。
红杉HongShan
现在不管产业界还是学术界，大家一直在讨论，或者说很多 researcher 一直在争论一个问题：LLM 有 next-token prediction 的范式。它的 next token 到底应该是什么？
只有像 LLM 一样找到了 next token，在机器人领域找到了它的 next token 是什么，我们可能才能进入 scaling law。您觉得我们现在找到了吗？
陈一轮
我觉得是有的。
对于大语言模型，我们可以从机器人视角去理解它。首先，我们处理的任何事情都有一个状态。接下来，你需要进行状态推演，需要知道做了一件事情之后，状态会发生什么变化。
然后，你还需要知道要把它做成什么样的动作，才能达到一个什么样的状态，才能让结果令人满意。简单来说，就是机器人里的 state、action、reward 这三件事。
如果从大模型的角度来说，它的状态是什么？所有上下文加起来，再加上文本，这就是它此刻的状态。它不断 predict next token，就是不断预测下一时刻的状态会是什么样子。
怎么判断这件事情是好的？比如用它来做 coding，代码通过了编译、通过了 test，它就获得了正向反馈。
所以从这个角度理解，现在整个大语言模型，不管是 coding，还是解一些非常难的题目，仍然在这个框架范畴内。
机器人面临的问题是，它的数据本质和语言数据不一样。语言是离散的 text，所以用 token 去记录非常自然。但机器人或者 physical AI 记录的数据，都是 sensor 和 action。
Sensor 是高度连续的东西，所以不再会有一个个离散 token 的概念。但事实上，它背后表征的东西都是一样的：你的世界是怎么被改变的，你的 world state、你的 world 被怎样 change。Change 背后是什么？是你的 action。
红杉HongShan
您怎么看现在“世界模型”这个词？
陈一轮
这个词很有意思。我们在创业之前，最开始给自己起的名字叫 AI World Engine。为什么叫这个？因为当时我们想到，两年以后，World Model 这个词可能会被用烂，所以我们不想用它。
世界模型本身是一个很中立的词，而且是一个很古老的词。可能 20 年前的机器人课本上就能看到这个东西。
重点在于它里面装了什么。所以为什么现在 World Model 或者 World Action Model 这么火？我认为还是刚才说的，大家过度关注于方法。
但方法是用来解决问题的。最终，所有方法都会变成一个 baseline。
红杉HongShan
最后一个关于数据的问题。最近我听泰然的播客，他讲到“不经意的数据”可能是最重要的。
比如人可能会用肘关抽屉、用脚开门。这些动作并不是刻意采集的，而是人非常不经意地做出来的，可能恰恰体现了人的 intelligence。
你们现在做数据采集，怎么保证能够采集到这些“不经意的数据”？
陈一轮
我挺赞同的。我们现在即使在一些专业任务上，也非常重视这种人的不经意数据。
人在做任何事情的时候，会有很多小动作，非常多的小动作。比如让人把钥匙插到孔里，你会发现他不是像传统机器那样对准了再插进去，而是随手放过去，靠边贴一下，不行再试，不行再试，会做各种各样的小动作。
但我们发现，人的这些小动作其实非常有帮助，会极大地提升整个任务最后的鲁棒性。背后的原因也很简单：人有一种说法叫“小脑反应”。
小脑反应其实是说，一个人在刚开始做任何事情的时候，还没有小脑反应。等你做得足够熟练以后，才会形成小脑反应。
这些小脑反应和小动作，恰恰是对大量可学习动作的消化。所以我们在学习这些动作的时候，恰恰提炼了人类很多非常好的技巧，这非常有帮助。
所以其实我们最不经意的小动作，是最宝贵的。
红杉HongShan
这些就是某种智慧，是已经被提炼出来的智慧，非常有意思。
除了数据之外，接下来我们谈一下全栈和系统。我记得当时我们去看他的时候，陈一轮给了我们一个非常 strong 的 opinion：我们都要 in-house，我们是全栈，我们是一个系统工程。
为什么做机器人一定要所有事情都 in-house、都做全栈？
陈一轮
5. 全栈系统加速迭代
我们自己认为，做一件事情最重要的是高速迭代。至少在一个行业的早期，最重要的就是高速迭代速度。
对于机器人和具身智能来说，所有迭代都需要围绕 AI 的这一条环线。AI 这条环线可以串起很多颗珠子。如果这些珠子都是 in-house 的，整个迭代速度会非常顺畅；如果珠子在外部，你会发现过程中总会遇到各种各样的阻力。
但我们也不是说所有事情都自己做。已经形成标准、适合产业合作的东西，我们会放到外部。但在行业早期，往往最有价值的恰恰是那些还没有形成标准的部分。
红杉HongShan
我发现你们几乎什么都自己做。本体自己做，手自己做，手套也自己做。有什么是自己不做的？
陈一轮
传感器不做。比如 camera 不做，芯片不做，结构件不做。虽然关节是自己设计的，但电机和 gear，也就是减速器，我们不做。
真正用心做的是这条环路。为什么要做数据采集？因为需要很多 sensor。手套这种数据采集方式，就是我们 AI 的输入，所以这一块要自己做。
执行也非常重要。执行和采集之间天然存在 gap，我们要把这个 gap 尽量缩小，所以最核心的执行部分会自己做。大概是这个意思。
红杉HongShan
这听起来是一套非常紧耦合的系统。从采集，到数据清洗，再到训练、deploy policy，是一件非常紧耦合的事情。
这让我想到我们几年前投资自动驾驶时，情况非常不一样。那个时候做访谈，还要看 perception、planning、action，这三个部分是分开的，也有三个 head 分别负责这些事情。
但好像今天具身智能不再是这样的分工。为什么？以后还会出现这样的分工吗？
陈一轮
我觉得不太会了。
以前我管理自动驾驶团队的时候，团队非常大。Perception 可能有 200 个工程师，planning 可能有 300 个工程师。那个时候，大家还是用之前软件工程的方式来解决问题，我们叫 divide and conquer。
但 AI 的解法不一样。更多时候是先把问题定义好，以端到端的方式定义好，然后想这个问题需要什么数据去滋养它，产生什么样的问题，怎么样闭环。它同样是一个环路，但这个环路里面所有人的接触都会非常紧耦合。
比如说，一个 AI 工程师理论上最应该操心的就是数据，因为数据才是他的源代码，模型只是编译出来的结果。
如果用上一代软件来类比，上一代软件里代码是所有产出，最后生成一个二进制文件。这一代则是数据才是源代码，模型是编译出来的结果。大家做的，是一套非常大型的工程编译系统。这就是 AI 要做的事情。
所以所有人都需要在里面密切耦合。
红杉HongShan
这是不是就是真正的 AI-native 组织？
陈一轮
对。真正的 AI-native 组织，大家看到的网络或者性能，只是浮在水面上的很小一角，它真正的能力全在水面以下，是巨大的能力。
AI 本身是一个模型，是一个函数，有输入、有输出，中间放着模型。它不是按照原来的部门来分配的。
红杉HongShan
所以组织形态也会不一样。
陈一轮
组织形态一定是不一样的，这才是它先进的地方。
我多说几句。我之前管理过一个可能是当时整个中国区最大的自动驾驶团队，大概 1,500 人。为什么我在里面一定要坚定地推动所有事情端到端？
因为我们发现，大型软件工程就是分而治之，分开再合并。在合并的过程中会有很大的问题。
比如所有软件都要不断迭代。发现一个问题之后，怎么把这个问题传播出去？实际上是通过人与人之间传播，通过组织博弈传播。随着人数增长，它会有上限。
但 AI 是一种自动化的问题传播和消减机制，所以它可以用一个小团队做很大的事情。当然，它里面的方法也要正确。
红杉HongShan
这也解释了为什么你们都要 in-house、要全栈、要做系统。因为这本身就是一个系统，你们实际上是在设计一个系统。
关于系统，我还有最后一个问题，就是模态。机器人有太多模态了。现在可能用到的是视觉模态，也有一些力传感，但力传感还不够，可能还没有涉及触觉。
对您来说，未来机器人必须具备的模态是什么？哪些又只是 good to have？
陈一轮
我觉得必要模态就两个：一个是视觉，一个是触觉。我是触觉的坚定拥护者。
你知道机器人和自动驾驶最大的区别是什么吗？机器人是接触系统，自动驾驶是非接触系统。自动驾驶可以不用管接触这件事情，但机器人是接触系统。
而且机器人所有的失败，往往会在最后 1 厘米失败，而不是在 1 厘米之外失败。所以视触觉是非常重要的事情。
对人来说也是这样。如果我们讲世界模型，人其实有两个世界模型，它们合二为一：一个是正常世界的世界模型，一个是盲人心中的世界模型。
你会发现，盲人心中也有一个很强的世界模型。他知道这个东西是圆的，也知道这个东西是尖锐的。所以这两个世界模型是密切结合的状态。
什么样的传感器是好的？我们的定义是：丰富且准确。这就是好的传感器。
比如在自动驾驶时代，我会认为毫米波雷达不是一个好传感器。为什么？因为它稀疏，而且有噪声。
触觉传感器现在可能还没有发展到一个很好的状态，但凡是符合“丰富且准确”的传感器，都是好传感器。
红杉HongShan
那您会用什么样的触觉传感器？
陈一轮
我现在的判断非常明确，就是指尖或者掌尖传感器。我是触觉传感器的坚定拥护者，我们也在做很大努力推动这件事情。
因为触觉传感器本质上还是视觉传感器。
红杉HongShan
我一直觉得，如果要做好机器人，可能需要对神经科学有一定研究。刚才您讲到盲人心中的世界模型是什么样子，这可能需要对脑科学、神经科学有一定研究才能理解。
陈一轮
我还真看了很多 neuroscience 的书。它确实是这样：盲人心目中的触觉，最后会跟视觉汇聚到同一个额叶上。
红杉HongShan
这非常有意思。不过这个话题今天就不展开了，可以展开很长时间。
我们回到刚才讲的出口问题。刚才我们聊了数据、全栈，也聊了公司怎么把这套系统做出来。接下来不得不面对一个问题：机器人具身智能的商业出口在哪里？它到底哪儿有用？可以被用在什么地方？
我记得第一次见你们时，你们就非常明确地告诉我们，要做线束。为什么这么明确？你们的出口一定是线束吗，还是可能会有很多个出口？
陈一轮
6. 真实场景决定行业胜负
如果大家都认为具身智能是一个巨大的赛道——我觉得现在这是行业共识——它最后会收敛成一个 physical AGI，那么对于这个终点，大家不会有太大异议。
但这就像试图证明哥德巴赫猜想。这个猜想被提出来没有问题，问题是你怎么去证明它。不同的数学家会有不一样的路径，会提出不一样的引理，一步步把它引向终点。
所以路径是比较重要的。
对我们来说，首先，我们知道过去很多年的机器人一直处在高度碎片化的时代。所以我们不想再去解决碎片化的需求，而是想解决具体的需求。
我们把它叫作 million-scale application。至少这个问题本身的范围要达到大概百万级别。当时我们的判断是，它应该是一个 Robotaxi 级别的市场，因为 Robotaxi 在中国差不多有 200 万辆车的规模。
第二，你解决它的路径一定要充分数据驱动，而且可以一棒传一棒。
我们当时大概识别了 3 个左右的 million-scale 场景。线束是最适合做第一个开胃菜的场景。
红杉HongShan
另外两个可以讲吗？
陈一伦
另外两个等我们酝酿完了以后再讲。
红杉HongShan
这是一个挺反直觉的选择。线束并不是大家熟悉的场景，甚至可能不是一个非常 sexy 的场景。大家可能会先选择一些容易 demo，或者容易让人觉得“还挺 sexy”的场景。
但你们好像做了一个非常非共识的选择。
陈一伦
Sexy 这件事也要看是针对哪些受众。在线束行业的用户眼里，它其实非常头疼，也非常 sexy。
好的场景要满足一个条件：机器人发展了这么多年，能够遗留下来的场景，其实大家每个人能想到的，往往不是它真正遗留下来的场景。
真实场景恰恰是非常头疼、非常难，但具有极高价值的场景。
红杉HongShan
您觉得，解决线束这个场景的问题需要多少年？
陈一伦
这个比较快。
线束的主要问题，是涉及大量柔软、精密的操作。同时，制造业的应用是一把双刃剑。好处是你可以瞬间获得大量数据，也会有一个相对 in-house 的环境。
问题是，它对节拍、可靠性、质量等方面都有非常严格的要求。但这些本来也是机器人走向真正应用的必经之路。
我们从去年到今年做了大概 14 个月。我觉得再给我大概 14 个月，这个问题就可以得到彻底解决。
事实上，今年已经开始小批量产业化了。所以这件事情我们还是比较有信心的，只要有正确的方法论，就可以落地。
红杉HongShan
可以落地。
我们聊了数据、系统和落地，再回头看一下整个行业。
中美两边相比，中国的具身智能公司看上去远多于美国。美国可能有我们熟知的 pi、figure、scale 等公司，但确实没有中国这么多公司。
从您看来，中美的真实差距到底有多大？
陈一伦
我觉得现在在具身智能时代，中美是在错位竞争。
我也反思过这个问题：为什么具身智能相对于自动驾驶或者大语言模型来说，竞争格局会不太一样？
很大的原因是，在之前几个领域里，首先是美国率先产生了标杆式的工作。产生标杆式的工作以后，目标就会明确，中国就会采取跟随的方式。
但在具身智能领域，美国事实上还没有产生标杆式的工作。因为没有美国先产生标杆式的工作，大家就处在一个百花齐放的状态。
第二，具身智能的 AI 环路比之前的 AI 环路更长。它要经过数据、场景、硬件，再到 AI，整个环路非常长。
美国在这里面存在一些结构性的缺失。比如在美国，很多场景已经不存在了。在数据之前，它需要整个传感器系统和采集系统来支持，但这方面没有人帮它做。他们最近其实有很多人来到中国。
美国擅长的是算力、AI 人才，以及相对比较宽容的创业氛围，这些是他们的优势。
在这样的结构性优势之下，你会发现两边的阵营区分得很有意思：几乎所有美国团队从去年到今年都在非常认真地投入 AI，中国团队则是在整个产业链上都很活跃。
红杉HongShan
所以谁会赢？
陈一伦
我觉得还是中国队会赢。
具身智能和自动驾驶早期的发展有点像。大语言模型是一个被祝福的领域，它的数据一直客观存在，你只需要想办法把它用起来。
自动驾驶早年发展非常慢，是因为没有数据，必须自己去挖掘数据。直到现在，各个车企之间的数据还是闭源的。
具身智能也是这样。要启动 AI 这个巨大的飞轮，就一定要把数据挖掘起来。但挖掘数据恰恰是美国团队现在不擅长做的事情。
所以他们可能会寄希望于一些 YouTube 数据或者其他数据，但事实上，最捷径的往往是真实有效的数据。
红杉HongShan
我记得可能在 2016 年的时候，我们看自动驾驶，大家都说 2020 年自动驾驶就会满地跑，全部落地。我记得当时“2020 年”对我来说是一个 magic number，我觉得 2020 年的世界就会改变。
今天我们又好像听到，2030 年机器人就会满地跑。现在我感觉 2030 年好像又是一个 magic number。
但回头看，2020 年的事情并没有完全发生，直到今天自动驾驶可能也还没有完全满地跑。如果机器人到 2030 年也没有发生，您觉得可能是哪些地方出错了？或者说，我们哪些预判稍微乐观了一些？
陈一伦
首先我更正一下，我觉得自动驾驶其实已经是满地跑的状态。
像我之前做的华为那套系统，我们楼道里至少有 3 个邻居在用。我们小区里很多人用的，都是我以前做的那套系统。
Robotaxi 的技术本质上，如果看美国团队的情况，已经是 OK 的，而且正在迅速 expanding。只是 Robotaxi 在中国还有一些政策方面的考虑。
回到机器人来说，它还没有满地跑，我觉得原因非常明确，还是在出口上：它有没有真正把问题解决好。
它的技术在接下来的 5 年，或者到 2030 年，毫无疑问每年都会飞速迭代。这一点我觉得可以做出判断。
只要它能够把各行各业的问题解决好，它就会满地跑。
红杉HongShan
好的，那非常期待它们满地跑。
回到 AGI 的问题。大家经常会把“你觉得 AGI 什么时候会来”当成一个打招呼的问题。
我们现在看到 LLM，或者说 coding 领域，大家已经非常乐观，甚至有人已经觉得这个 Derek 可能觉得 coding 的 AGI 可能已经来了，对吧？就今年可能就就来了。
从您看来，您怎么定义 AGI？AGI 必须要有身体吗？这也回到我们今天的题目。
陈一伦
我觉得这是个特别好的问题。
我以前特别喜欢看 Dario 或者 Ilya 他们讲这件事。你会发现，在他们的视角里，很少提 General，反而喜欢提 Super Intelligence。
我自己的从业经历也是这样的。你很可能会发现，AI 的智力提升和判断方式，和人类不一样。它往往会在一些领域上迅速超过人类，然后再把这些能力连接起来。
DARPA 一直说，AI 是 “a country of genius in data center”。它说的是一个国家，每个 genius 实际上都是一个单点的超级专家。
这其实反而是 AI 的舒适区。如果你在一些非常有影响力的领域，让一些大个头的单点 AI 能力远远超出人类，这件事情其实是极其乐观的。这就是 AI 作为机器非常擅长做的事情。
回到 physical AI，它的特点和数字世界不太一样。首先，它的输入输出是 sensing 和 action，它最重要的使命是改变世界的状态。
语言模型最重要的使命，是改变 text 的状态，或者 token 的状态。Physical AI 最重要的使命，是改变世界的状态。
所以它在这个世界里，就一定要存在大量交互。这是非常关键的一件事情。没有身体，你就无法获得这个世界的交互。
你会发现，所有 AI 到了下半场，都是在大量交互中产生数据。
为什么大家会选择 coding 作为一个开胃菜？因为 coding 很容易生成一个 sandbox。你可以在里面和它交互、verify 它，大量试错。
这就是 coding 能做的事情。Physical AI 其实也需要这样的东西。
所以我几乎可以认为，如果我们以前说的是 “Attention Is All You Need”，那么对于 physical AI，我觉得毫无疑问是 “Action Is All You Need”。
红杉HongShan
这句话非常棒。
我其实挺喜欢一个比喻：现在的 LLM 相当于一个人出生下来就被关在一个黑屋子里，只有一台电脑。他这一辈子可能能够获得的 intelligence 是非常有限的。
所以如果是 “Action Is All You Need”，它就需要走出这个黑屋子，进入真实世界。它获取的智能，某种程度上会和黑屋子里的完全不一样。
陈一伦
完全不一样。
它最终会变成一个外部世界对它自己的脑网络形成的印象，而这个印象是通过不断的 action、state 交互和迭代，彼此探索出来的。
红杉HongShan
所以这就是您定义的 general intelligence，对吧？最终的 AGI 可能一定要靠 action，一定要有身体。
非常棒。谢谢陈博。Thank you。