出品｜虎嗅科技组
作者｜陈伊凡
播客整理｜刘煊琦
编辑｜苗正卿
头图｜AI生成
"AI原生100"是虎嗅科技组推出针对AI原生创新栏目，这是本系列的第「69」篇文章。点击这段文字或扫描二维码收听"虎嗅AI 100"完整播客内容。
卢策吾大概是世界上第一个让机器人拿刀片给自己刮胡子的人。
他身上的标签不少：具身智能公司穹彻智能的联合创始人兼CEO，上海交通大学人工智能学院副院长，中文世界"无本体采集"的提出者。机器人顶会最佳论文的榜上，也常有他的名字。
2014年，他去斯坦福大学人工智能实验室做博士后，师从李飞飞；2023年，他牵头撰写并确立了"具身智能"的中文标准术语定义，由中国计算机学会发布，这个领域第一次有了规范的中文概念；同年11月，穹彻智能从非夕科技孵化成立，他出任CEO兼首席科学家。
这份履历，足以让他对行业下判断。可在数字和结论面前，他显得保守，甚至"吝啬"：不给"拍脑袋"的答案，凡事要拿实验说话。
他是从冷清里走出来的。2021年，卢策吾办了一场具身智能论坛，到场的只有7个人，讲到一半又走了三四个；隔壁计算机视觉的会场，坐着几百人。四年后，这条赛道吸走了整个风投业最热的钱。
穹彻成立的2023年，恰是行业的转折点。那年2月智元成立，7月谷歌把大模型直接接到机器人的动作输出上、发布RT-2，VLA路线由此起步，8月宇树推出首款通用人形机器人H1，11月穹彻成立。此后资本涌入，全球具身智能赛道的融资额，2023年约27.78亿美元，2025年突破100亿美元。穹彻两年多做了七轮融资，红杉、阿里先后入场，金额在行业中属中等偏上。
"整个行业的所有从业人员肯定都是这波热潮的受益者。"卢策吾说。但穹彻算不上其中受益最大的那一个。
在我们这场交流里，他口中"数据"出现了69次，其次是模型、场景、落地。他判断，Scaling Law会长期奏效，数据因此越来越关键。他提出了一个很具象的说法，数据的斜率。
斜率说的是模型消化数据的效率：同样两个小时，能真正吃进多少有信息量的数据，这才是分水岭。单纯堆几万小时，意义不大。只要斜率一直往上抬，泛化的临界点会自己到来。
斜率的快慢，取决于数据从哪里来、质量够不够高。穹彻智能做"无本体采集"：采集员戴着设备在真实场景里自然操作，不必碰机器人，数据可以在线分发，规模因此能往上抬。代价是设备要求极高，夹爪、穿戴设备差一点，数据就废一点。今年8月，穹彻发布具身世界动作模型Noe-0，从预训练到后训练全程使用无本体数据，没有一条来自遥操作。数据由一只叫RoboPocket的可穿戴设备采集，已覆盖超过五十多个城市，累计超二十万小时。
常被追问的另一个问题，是关于"世界模型"。这个词近两年被反复提起，却始终没有一个收敛的定义，卢策吾对定义之争兴趣不大：叫不叫世界模型不要紧，能不能预测未来才要紧，因为只有能预测，才谈得上泛化。这仍然来自于他从斯坦福实验室学到的第一性原理。
衡量这套模型，他只看两个数：有多少任务能靠后训练做到99%的鲁棒性、够商用；以及做到99%要花多少后训练成本。两个数一起好转，说明泛化和鲁棒性在变强，也直接决定商业化能铺多大。他理想中的生意，是部署的边际成本一路向下：过去的机器人生意像打井，一个坑一个坑地挖；现在是铺好一张水管网，接上场景、装个计费表就行。
在斯坦福，导师李飞飞问过他一个问题：人工智能最根本的问题是什么？他说，终极的智能不该被锁在数字世界里，应该有手有脚，能干活，能理解和体验真实的物理世界，让智能在真实世界里高速进化。这是通向通用智能（AGI）的重要路径之一。李飞飞说，那叫具身智能，一条非常难走的路。
十几年过去，路还是难走，只是不再冷清。卢策吾的回答因此显得保守，甚至不合时宜，却最接近行业的本质与真相。
以下是虎嗅精选的访谈，进行了不改变原意的改编：
叫不叫世界模型并不重要，关键是对世界底层机理的认知
虎嗅：以2023年穹彻成立为起点回看这三年，行业的技术路线、争议、泡沫、投融资都在快速迭代。你认为过去哪些判断需要修正或推翻，哪些一直延续到现在？
卢策吾：从2023年成立至今，有部分核心观点一直没有变化。成立时我们就看到了通用智能在机器人上落地的可能性，当时大量相关企业集中成立，核心逻辑是大模型技术向物理世界落地具备必然性，我们也预判相关技术发展速度会很快，基于第一性原理的判断三年来没有出现大的变动。
有部分内容的实际发展节奏和最初预判有差异，比如模型架构的迭代速度、数据规模的扩展速度都非常快。
虎嗅：商业化落地的情况和速度，和你三年前的预判相比呢？
卢策吾：三年前我没有预判到具体年份的落地节点，目前整体进展和预判差不多。
当前模型已经到了在部分场景中推进产品与市场匹配验证，模型能力提升后自然会走向 落地，落地领域先从模式相对简单的结构化场景起步，再逐步延伸到非结构化场景，这个顺序也和之前的预判基本一致。唯一没有预测到的是资本在这个赛道的爆火程度，这一点比较出乎意料。
虎嗅：前几年大家喊VLA，最近讲世界模型，但世界模型的定义一直没有收敛。你怎么理解它？最关键的是什么？
卢策吾：对它要承担的功能，行业是有共识的：能预测未来、预测未来状态，能还原物理世界的知识。分歧在定义，而定义没那么重要，重要的是使用者要什么。做视频生成、三维重建的，关心像素是否清晰；对于以机器人动作为目标的模型，显式、高保真的视觉重建并非首要目标，更关键的是能否理解与任务相关的世界状态，并准确、鲁棒地执行动作；关心理解世界之后能不能把动作做对。
穹彻的世界模型，核心是理解世界、理解物理规律。显性重建不是必须的，也可以是隐性的。我们更在意能不能准确、鲁棒地预测下一帧的每一个动作，对高精度、高清晰的显性重建没有执念。所以叫不叫世界模型并不关键，关键是对世界底层机理有认知，能预测未来状态，才谈得上泛化。
虎嗅：显性重建和隐性重建是什么区别，能不能举一个例子？
卢策吾：显性重建就是预测下一帧内容。用在视频生成、游戏、室内装修、城市建模这些场景，要求视觉效果符合人的预期。机器人没有这类要求，会做取舍，把能力放在行为理解上。行为理解的底层也需要隐性认知世界的状态，只是不必把每个细节都做精，就像人做动作不需要在脑中精准还原每个像素，在该精细的地方精细就够了。这样取舍之后，模型架构、算力、数据分布都能往核心需求上倾斜，效果反而比追求全能更好。
虎嗅：你提过具身智能的"技能光谱"。它长什么样子，对落地意味着什么？现在走到了百分之几？
卢策吾：之所以叫技能光谱而不是技能级，是因为技能是连续函数，我们说的技能名称只是人类给出的映射；技能光谱本质是用通用方式表示所有可能技能的通用技能能力空间，很难用文字明确界定其具体内容。
关于目前具身智能在技能光谱里完成了多少，很难给出具体数值，随便给出数字属于拍脑袋的判断。
虎嗅：你现在和全球具身智能最前沿的这一批人联系多吗？大家的关注点主要是什么？
卢策吾：一直有紧密的联系和交流，目前全球前沿研究者的观点非常一致，核心关注三个方向：一是无本体数据采集量起来之后，如何在数据技术和模型技术上实现规模化，也就是scaling law相关的问题；二是具身模型的评估问题，如何实现模型好坏的规模化定量评估，把评估转化为实在的指标，这也是行业长期的难点；三是围绕如何实现模型的规模化，让scaling law真正在具身模型上落地。
2、大家往往只关注数据量，忽略数据增量的斜率
虎嗅：落地最大的卡点是数据。对具身大脑来说，多大的参数算够？多大的参数要配多少数据？有定论了吗？
卢策吾：这些都需要靠实验和论证得出，没法拍脑袋确定。我感觉参数规模可能还需要往更大走，模型泛化能力越强，需要的参数规模就越大。
虎嗅：对于穹彻的模型，你最看重的一个内部指标是什么？
卢策吾：我们的模型有两个核心特点：一是全链路无本体采集，能大幅提升动作灵巧性；二是一直以力为核心，能够兼容力模型，把之前的力模型整合到一体。从更通用的层面来说，核心考核的是模型的泛化性和鲁棒性，最硬核的考核指标是部署成本，具体包含两个维度：一是有多少比例的任务能通过后训练做到99%的鲁棒性、达到商用可用程度；二是把任务做到99%鲁棒性需要的后训练成本。能做到99%鲁棒性的任务越多、后训练成本越低，就证明模型的泛化性和鲁棒性越强。
虎嗅：为什么是这两个指标？
卢策吾：这个指标和商业规模化落地直接挂钩：过去落地一个任务需要整支团队，后续逐步发展到一个工程师就能落地、普通人就能落地，最终到一句话就能完成部署时，就达到了家用的最低成本要求。无论是To B还是To C落地，都是模型能力逐步提升、部署成本逐步下降的一脉相承的过程；如果落地需要依赖数量有限的专业人员，就不可能实现规模化。
虎嗅：具身智能的数据scaling law到底要走多远才能出现像GPT-3.5那样的泛化能力？未来有没有可能出现不需要堆数据的新架构？
卢策吾：我觉得不大可能出现不需要scaling的架构，世界上没有免费的午餐。智能本质是对世界信息的编码，必须输入足够的信息量，区别只在于编码效率的高低。大家讨论scaling law往往只关注数据量，忽略了数据增量的斜率，也就是模型消化数据的效率。
目前我们的模型从零学习一个技能只需要较短时间内，学习效率还有很大提升空间。
关于什么时候能达到GPT-3.5级别的泛化，我不做具体的时间预判。从我们内部实验来看，scaling law的趋势已经非常明确，目前内部的数据吞吐量在持续提升，更关键的是数据增长、模型消化数据的斜率也在不断提高。
我更关注两个核心指标：一是单位成本、单位时间内有效数据的扩张速度，核心是数据携带的信息量；二是模型消化单位数据的效率提升速度。只要这两个指标保持加速度提升，自然会快速到达泛化的临界点，也希望业界更多关注这两个维度，而不是执着于猜测具体时间点。
虎嗅：你们在训练模型的过程中，什么时候出现了让你比较满意的斜率？
卢策吾：我们之前做过持续加数据的对照实验，把数据量和模型效果的曲线画出来后，发现已经出现了小幅的指数增长趋势，当时内部非常兴奋，这是第一个让我们开心的节点。
第二个兴奋点，是我们不断调整训练框架、训练方式、训练配方的过程中，发现模型消化数据的斜率还在持续增大。特别是2026年，这种趋势越来越明显。
我们一直在搭建整套包含数据、模型、评估的基础飞轮系统，只有这套系统跑通，才能实现单位时间内高效证明或证伪一个想法。行业里聪明人很多，想法差距不会太大，核心竞争力就在于迭代速度。
所以我们花了很长时间搭建即时数据系统：一行指令下发，第二天就能回收采集到的数据，不需要花几周时间协调人员、安排采集；训练系统实现了全链路无本体采集，在UMI上训练后可以快速评估效果。
我们的思路是先铺好高铁轨道，而不是先在泥泞路上开车，前者看起来启动慢，但长期来看加速度更高，是长期决胜的关键。
虎嗅：现在行业里训具身大脑对于数据量有很多说法，多少算够？
卢策吾：单纯用小时数衡量数据量的指标太单一、粗暴，不同数据的一小时价值是完全不一样的，核心要看数据质量和数据多样性。比如在工厂某个固定工位录100万小时数据，本质和单条数据的信息量没有区别，核心要关注数据的有效信息量，后续可能会出现衡量数据有效信息量的全新指标。
虎嗅：什么样的数据在你看来是信息密度很高的？
卢策吾：核心是多样性。首先，我提到过技能光谱的概念，所有动作都是技能光谱的排列组合，数据的技能分布要足够广，覆盖足够多的技能类型，才能支撑通用能力；其次，数据覆盖的技能要和技能本身的复杂度匹配，复杂度高的技能对应的数据量要足够，复杂度低的技能不需要过多数据；另外，技能和物体是紧耦合的，比如拧这个动作对应的是水龙头、瓶盖这类物体，不可能适配所有物品，所以物体的多样性也要足够。至于背景、环境这类因素也有影响，但重要性相对没那么高。
未来的智能操作末端不一定是仿生灵巧手
虎嗅：以最新的模型为例，技术难点和壁垒是什么？
卢策吾：难点在数据侧和全链路无本体采集两方面。数据侧要做数据质量、数据分布的管控和数据管线建设，这本质是AI问题，不只是管理和体力活：需要一套智能的在线系统，完成数据清洗、标注、标签管理、分布控制，还要靠类APP的产品和采集人员沟通。这份工作看起来不够前沿，却非常重要，甚至是决定性的。
第二点是无本体采集。我们从预训练到后训练全环节都用无本体数据，前后数据类型一致，gap更小，还能解决遥操作灵巧性不足的问题，人用UMI设备采集的数据灵巧性更好。但技术难度很高，UMI设备末端虽有一致性，运动轨迹、运动模式、初始坐标系却都有差异，我们做了很多突破才攻克，目前行业里很多团队还做不到。
虎嗅：真实数据、仿真、遥操和第一视角人类数据等，数据的配比大概是什么样子？为什么这样配比？
卢策吾：数据配比是动态的，没有固定值，后续会持续调整，没法把话说死，最核心的是要保证足够快的实验效率，提升单位时间内证明和证伪结论的速度，这比固定配方更重要，同时效果也和训练策略、模型层构造有很大关系。
当前这个版本的世界模型，大部分数据以UMI为主，UMI相关的设备和夹爪是联合设计的，同时兼顾了机械动力有效性、舒适性和可规模化，兼具视频对下一时刻视觉的预测能力、行为复现能力，能较好落地动作；同时也混入了一定量的第一视角（ego）数据来提升泛化性，目前阶段UMI数据的作用更大，纯UMI数据的行为和真机差距过大，第一视角数据可以有效增强泛化性。我们的思路是一代一代迭代模型，先把行为能力做实，再去扩大泛化性，就能打下很好的基础。
虎嗅：全链路无本体数据采集，优势在哪里？挑战又在哪里？
卢策吾：这种采集方式可以解决集中采集不可规模化、数据不够真实的问题，还能实现在线分发，能大幅提升预训练数据采集规模与效率。后训练中使用无本体数据又可以保持与预训练中的数据行为一致性。这种方式要实现高鲁棒性的高水平效果，有两个核心要求：一是夹爪和穿戴设备必须联合设计，最好运动模式完全一致，要一体化兼顾舒适性和机械有效性；二是要把控很多细节问题，比如数据同步出现一点偏差就会带来大量噪声，还有相机、网络的稳定性这类容易被忽略的问题，会大幅影响数据质量、成品率和产量。
虎嗅：把人的动作迁移到机器人上，触感、压力、身体结构、速度都不同。最难标注和恢复的是哪类信息？
卢策吾：力的测量是最重要的，力的反馈非常关键，它既是输入也是输出；触觉更多只是测量层面的内容，当然也有办法推测力反馈，但不是最直接的方式。
这个问题本质是平衡和节奏的问题。触觉、力觉相关的工作我们也在做，但它涉及整体数据采集成本的问题：如果投入成本太高，很多相关能力可以在中训练阶段添加，更精密的内容可以在后训练阶段添加。预训练、中训练、后训练的内容排布，要结合成本来调配，因为成本决定了规模化能力和稳定度。
从终局来看当然相关数据采集越全越好，但当下这是成本和规模化的决策问题。除此之外还有传感器稳定性的问题，如果传感器不稳定，采集到的都是噪声，或者传感器需要频繁更换，管理成本太高也没法实现规模化。
随着相关硬件成本下降、稳定性提升，原本在后训练、中训练添加的力觉、触觉相关内容，最终会逐步放到预训练阶段。
虎嗅：穹彻不光做具身大脑，也做数采硬件，这个逻辑是什么？是为了降低数据收集成本，还是为了更适配模型，又或者这本身是商业化的一部分，会对外售卖？
卢策吾：我们是国内少数自己做数采硬件、自己做分发系统、再做模型的团队，是枪弹一体的模式。这里面有两点核心原因：第一，数据和模型本来是一体化的，如果不能掌握数据，模型能力就会被限制；要训练好的模型，最好能从模型的需求出发明确需要什么样的数据。第二，模型迭代很多时候拼的是整套链路的效率，因为算法迭代有很多需要尝试的点，没法保证一次就做对，自己掌控全链路，单位时间的开发效率会更高。
虎嗅：现在大家数据采集的时候选的都是三指夹爪，为什么没有选择五指这种更接近人手的灵巧手呢？
卢策吾：任何选择都要权衡收益和代价。灵巧手目前最核心的卡点就是数据采集：要训出好的灵巧手，穿戴设备得和末端完全匹配，才能避免信息损耗，但适配灵巧手的外骨骼厚重、舒适性差，很难规模采集；数据手套精度不足，视觉动捕又不够准。三指夹爪是当下很好的平衡点：绝大多数高经济价值的工作三指都能完成，成本、稳定性、可规模采集性都远优于灵巧手，而灵巧手带来的能力增益并不明显，综合收益不高。
另外，未来的智能操作末端不一定是仿生灵巧手，最终形态由经济价值驱动，可能是适配不同需求的智能灵巧末端。现在积累的三指技术和数据也不浪费，灵巧操作的本质是对世界、对任务的理解。我们做过实验，用两指训练的模型做预训练，切到灵巧手能很快上手，因为机械参数变化带来的信息量更新，远小于对世界和任务的理解，模型框架、预训练主干都能大量复用。
穹彻现在重点搭数据闭环、训练闭环，攒复利能力。将来哪怕换末端，只要有分发回收数据的能力和可复用的训练框架，就能快速迭代，踩中每个阶段的规模化节点。
把部署成本从一支团队压到一句话，这门生意才成立
虎嗅：穹彻选择了药店和酒店的场景，这个场景的选择是出于什么考虑？
卢策吾：选择落地场景时，除了看自身模型能力是否达标，还要考虑场景落地的可行性，这不是纯技术问题，还包括回款等商业因素，要筛选有经济价值且有意义的场景，匹配对应的模型能力再推进。
如果模型能力达不到就硬做特定场景，成本会非常高，容易做成很重的集成项目，而且会出现解决不完的边角问题，需要不断打补丁，很难彻底解决。这也考验两点：一是模型能力的上升速度能不能跟上扩张速度，能力半径能不能持续扩大；二是能不能准确评估自身能力匹配的场景。按照这个逻辑推进，未来才有服务千行万业的可能性。
虎嗅：商业模式怎么想的？为什么先选药房，跑通了吗？
卢策吾：药房场景是面向B端的场景，我们实现了长时间的产业常态化运营，而且不需要改造门店，商业账能够算过来。这个场景对AI能力要求更高，更强的AI能力才能实现更好的经济性；如果AI能力不足就只能靠改造门店来落地，我们选的是难但具备商业化潜力的路线。
虎嗅：未来理想持久的商业模式是什么样的？
卢策吾：药房场景只是我们技术实现常态化商业化的一个案例，更核心的是模型能力带来的商业逻辑变化。
上一轮机器人公司落地场景需要靠整支团队堆人力、加规则打补丁，规则之间会互相冲突，存在明显的能力天花板，而且落地边际成本很高，一家公司往往只能做一两个项目，很难规模化。
但模型驱动的机器人逻辑完全不同：一是能力天花板更高，数据驱动的模型可以随着数据迭代持续提升能力，过去靠规则做不了的难任务现在有了落地的可能；二是落地边际成本会持续降低，从最初需要一整支团队服务一个场景，到后来只需要一个工程师，再到普通人就能操作，最终甚至可以靠指令完成部署，具备规模化的可能。
我们的思考逻辑是，看到场景先判断能不能用非模型的办法解决，如果可以就不涉足。当前大量场景是传统非模型方案无法解决的，这就是我们的广阔市场。我们的任务扩张是通过一套统一产品交付，相当于交付通用"武器"，任何人拿着这套工具都能打通对应场景，带宽足够大，能实现场景拓展的加速度，这类场景正是上一波自动化无法解决的。
本文来自虎嗅，原文链接：https://www.huxiu.com/article/4900467.html?f=wyxwapp
热门跟贴