具身智能不缺路线，缺的是“空间感”。
编按：
“身体力行”，古已有之。《淮南子·氾论训》有“圣人以身体之”，《礼记·中庸》亦言“力行近乎仁”。古人所重，不只在“知”，更在知之后的“行”——以身体感知世界，在行动中验证认知。
两千多年后，这四个字在具身智能时代有了新的现实含义：具（身），让智能拥有进入物理世界的载体；智能（体），赋予机器感知、理解与决策的能力；创新（力），推动技术突破瓶颈、建立壁垒；执（行），让这些能力最终转化为产品、交付与真实价值。
值此之际，《融资中国》推出“身体力行”具身智能专刊，将目光投向一批正在产业深处生长的未来独角兽。我们试图记录的，是一场从“知”到“行”的跨越，也是新一代机器人企业从技术走向产业的成长之路。
过去两年，世界模型、VLA、端到端、分层大小脑等技术路线并行演进，具身智能行业对技术终局尚未形成共识。但在中科第五纪青年首席科学家、中国科学院自动化所研究员黄岩看来，这些路线本质上并不互斥，未来大概率会相互融合。相比为技术路线贴标签，他更关注一个关键问题：模型能否真正“看懂”三维空间。
在他看来，眼下不少具身模型的通病是丢了空间信息：输入是二维甚至三维的视觉信息，输出也是三维动作，可模型内部处理时却把这些信息硬压成了一维表征，中间大量与空间结构相关的信息就此丢失。找不回这部分信息，后面往往要靠堆数据硬学回来。
围绕这个判断，中科第五纪团队推出了采用创新架构的FAM系列超少样本具身操作模型，用三维空间热力图重新建模空间结构，减少空间信息在中间表征中的损失。FAM系列模型学习新任务所需的数据量约为传统方案的1%，仅需3至5条真机演示数据即可完成部署，基础任务成功率近97%。
技术之外，黄岩也谈到了具身大脑的边界问题，中科第五纪目前既做大脑，也做本体，走的是“软硬一体”路线。在他看来，自研本体有助于模型更快进入真实场景，完成技术验证和项目交付；而具身大脑的长期价值，仍要由跨本体、跨任务和跨场景的迁移能力检验：“最终决定一个大脑公司价值的，不是它绑定了多少自有机器人，而是它能不能把同一套智能迁移到更多机器人、更多场景里。”
以下为采访实录，以飨读者：
《本刊》：世界模型、VLA、端到端、分层大小脑等路线的差异究竟在哪里？
黄岩：VLA是一种视觉、语言到动作的建模范式；世界模型强调对未来状态的预测；端到端强调从输入到输出尽量减少人工模块；大小脑则更多是一种系统架构，把高层认知和底层控制分开。所以它们并不完全互斥，未来很可能会相互融合。比如一个VLA模型也可以引入世界模型能力，也可以放在大小脑架构的“大脑”层。
我个人更关注最终模型是不是具备足够强的3D空间理解能力。因为操作任务对位置、姿态、接触关系的要求非常高。未来无论叫什么名字，我觉得都可能逐渐以更强的3D基础模型为backbone打造新一代具身模型。
《本刊》：机器人需要一个“超级大脑”，还是多个专用模型协同？
黄岩：短期内，多个模型协作会更现实。语言理解、任务规划可以允许更复杂的推理，但底层动作控制要求非常高的实时性。如果全部交给一个超大模型，目前在计算效率、延迟和稳定性上都会有比较大压力。
长期来看，我更倾向于“功能分层，认知统一”的大一统具身模型。当然，构建这种模型的挑战性比较大，比较现实的路径是构建一套高度协同的具身智能系统。
《本刊》：从语言理解到动作执行，中间最容易发生信息损失的是哪一步？
黄岩：目前，视角空间信息的损失比较常见。例如大部分模型的输入往往是二维甚至三维的视觉信息，输出也是三维的动作，但在模型内部处理时，却被强行压缩成了一维的表征，在这个压缩过程中，大量与空间结构紧密相关的信息被丢掉了。
为了找回丢失的三维空间信息，我们通过创新模型架构推出了FAM系列超少样本具身操作模型，利用三维空间热力图来更好地建模空间结构信息，有效提高了模型对真实物理空间的理解和数据利用效率。
如果空间信息在模型中间已经大量损失，后面就只能依靠更多数据把这些关系重新学回来；如果架构本身能够把关键空间结构保留下来，同样的数据就能够支撑更强的操作能力。
《本刊》：机器人需要多强的推理能力，才能进入真实工业和商业环境？
黄岩：工业机器人未必需要非常强的语义推理，但需要具备稳定的状态判断、结果预测和异常修正能力。
比如一个抓取任务，模型需要判断当前物体状态、抓取是否可行、执行以后物体是否稳定，以及过程中是否存在碰撞风险。这些其实都属于非语义物理层面的推理。所以我认为，机器人进入工业环境的关键，不是把语言推理能力无限做强，而是提高物理预测的准确性、稳定性和实时性。对工业任务来说，这几个指标可能更直接。
《本刊》：泛化究竟应该如何定义：换物体、换任务、换场景，还是换本体之后仍然能够工作？
黄岩：我觉得这几个都属于泛化，只是对应不同层级。换物体更多是视觉和操作泛化；换任务考验模型能不能快速学习新的动作关系；换场景意味着视觉、空间、环境分布都发生变化；跨本体则更难，同样一个大脑，放到轮式机器人、人形机器人等本体上，要看它能不能重新理解自己的尺寸、运动方式和能力边界，然后完成任务。
可以说，跨本体是更高层次的泛化
《本刊》：未来具身大脑会掌握在整机企业手里，还是形成类似操作系统、基础模型一样的独立平台公司？
黄岩：这个问题现在还很难直接下结论，关键还是看跨本体能力能发展到什么程度。未来机器人本体一定是高度多样化的。人形机器人只是其中一种形态，还会有轮式机器人、四足，包括大量面向工业和商业场景的定制本体都会长期存在。未来真正有价值的具身大脑，应该像今天的基础模型或者操作系统一样，可以适配不同硬件、不同任务、不同场景。
当然，本体企业一定会做自己的智能能力。大脑公司也一定需要懂本体。最终决定一个大脑公司价值的，不是它绑定了多少自有机器人，而是它能不能把同一套智能迁移到更多机器人、更多场景里。我们是做具身大脑的公司，但也会有本体，软硬一体是为了把大脑真正做好、把真实场景跑通，但长期来看，我们希望的是，让同一个大脑能够适配越来越多的本体。
（头图人物：中科第五纪青年首席科学家、中科院自动化所研究员黄岩）
热门跟贴