对话智源王仲远：人形机器人硬件和模型都不成熟，才会有买家秀和卖家秀的落差

出品 |

作者 | 梁昌均

编辑 | 杨锦

作为中国最早布局大模型研发的科研机构，6月6日，北京智源研究院发布“悟界”系列大模型。

这包括原生多模态世界模型Emu3、跨本体具身大小脑协作框架RoboOS 2.0与具身大脑RoboBrain 2.0、全球首个脑科学多模态通用基础模型见微Brainμ以及全原子微观生命模型OpenComplex2。

“大模型技术还远没有到发展的尽头，提升瓶颈的解法有很多，包括强化学习，利用合成数据和多模态数据等。”在会前两小时的沟通会中，王仲远对等媒体表示。

从“悟道”到“悟界”，在王仲远看来是水到渠成的一件事，AI正加速从数字世界进入物理世界，“这一切构成的世界模型，是实现物理AGI的重要发展路径”。

“物理世界的多模态大模型，技术路线还没有收敛。”他表示，最合适多模态模型的技术线还没有真正找到，而智源也在做新的架构探索。

王仲远强调，智源会坚定去做高校做不到、企业不愿做的事情，尤其是全新的技术路线、技术方法和科学原理的探索。“当成功之后，我们会通过开源，或孵化的方式交给企业来做。”

作为AI走向物理世界的重要方面，如何提升机器人智能水平已成业界焦点。此次智源就推出了跨本体具身大小脑协作框架RoboOS2.0，以及具身大脑RoboBrain 2.0。

“现在的具身智能大模型，还处在很早期的GPT-1、GPT-2的阶段，技术路线还没有达成共识，离真正的产业大规模落地也还有很长距离。”

对于具身智能大模型的发展趋势，王仲远认为，未来5到10年，大小脑融合模型可能会成熟，但绝不是今天，主要原因在于数据受限。

aspcms.cn

目前，业内不同团队采取不同方式解决数据短缺问题，包括采集真实世界数据，或生成仿真数据进行模型训练。

“真实数据肯定很重要，但是不是足以训练出有价值的模型，现在有争议。”他提到，有企业是依靠仿真数据，而智源则采用了和大模型吻合的技术路线。

不过，他也坦诚地说，无法判断哪种路线会跑通，智源的探索也只是对技术路线的一种判断。

面对人形机器人热潮，王仲远认为，现在它的硬件也不成熟，模型也不成熟。“所以一方面有买家秀，买了机器人之后发现啥也干不了；一方面有卖家秀，感觉机器人无所不能。”

不过，他坚定长期看好双足人形机器人的发展方向。谈及车企对人形机器人的布局，王仲远表示，不同产业方参与是好事，但现在还处在早期，“具身智能的小组赛还没结束，远没到淘汰赛”。

对于具身智能机器人的应用前景，王仲远认为，首先会在特定场景，尤其是相对封闭的场景落地，如在工厂完成相对固定、重复、枯燥甚至危险的的任务，这会是具身智能第一波真正的红利。

以下是此次对话精编：

️一、AI应该走向物理世界，多模态技术路线还没有收敛

️媒体：从悟道到悟界，是否意味着大模型已经进入新的发展阶段？

王仲远：我们推出悟界大模型，是水到渠成。过往大模型发展，基本还处在数字世界，还有很多发展空间。这块交给产业界做就行，o4、o5，还是R1、R2，会继续发展，并能构建出更多应用。

我们坚定认为，一方面要不断通过强化学习去提升推理能力，更重要的是AI应该走向物理世界。

️媒体：智源提出原生多模态大模型，原生怎么理解？跟已有多模态大模型区别是什么？

王仲远：原生是指从一开始就把各种多模态的数据，包括文字、图像、声音，乃至脑信号等各种都放进去训练。各种模态数据越来越多，怎么从中找到最有用的，需要探索清楚这样的技术路线。

现在多模态太过宽泛，造成很大困惑，多模态好像很强了，怎么你们还在做？此多模态非彼多模态。我们的多模态大模型是为了推动AI从数字世界走向物理世界，物理世界的多模态现在还没完全解决，我们会坚定去做。

️媒体：智源做多模态还是Transformer 架构吗，还是有更多创新？

王仲远：我们往世界模型发展的时候，在做统一架构的模型，它不仅仅能理解静态的多模态数据，甚至还能够对时空进行理解，这是我们所追求的世界模型和多模态的能力。

Transformer依然是一个非常好的架构，能够去兼容不同模态，并能比较容易去scale up训练多的数据。我们也在探索不同架构，对基础架构做更新，但还处在非常早期的前沿探索。

️媒体：您认为多模态大模型处于什么阶段，能大规模落地吗？

王仲远：现在多模态技术路线还没有收敛，文生图、文生视频走的是Transformer+Diffusion的技术路线，比较确定，能力不断提升，在某些特定场景已落地。能否非常普世和广泛落地，需要一段时间。

️媒体：AI从数字世界走向物理世界最大的技术壁垒是什么？智源在这方面的考虑是什么？

王仲远：物理世界的多模态大模型，技术壁垒在多模态模型本身，因为技术路线还没有收敛。我们的理念是坚定去做高校做不到、企业不愿做的事情，尤其是全新的技术路线、技术方法和科学原理的探索。当成功之后，我们会通过开源，或孵化的方式交给企业来做，去做出产品。

️二、具身智能还未迎来GPT-3时刻，技术路线或与大模型类似

️媒体：现在具身大模型，如果类比AI大模型，处于哪个发展阶段？

王仲远：现在的具身智能大模型，还处在很早期的GPT-1、GPT-2的阶段。GPT-3之前，业内对大模型也没有共识。现在具身智能，是用仿真数据，还是真实数据，是大小脑融合，还是协作，都没有共识，离真正的产业大规模落地也还有很长距离。

️媒体：智源所做的跨本体的具身大脑难度在哪？现在行业有哪些探索？

王仲远：大脑跨本体相对容易，其最重要的是感知理解世界，跟世界交互，然后去做规划，指令拆解。跨本体的小脑，坦白来讲我们还没有完全将技术路径跑通。

有些创业公司，把不同硬件采集下来的数据应用在模型的训练上，希望能够去学到更加泛化的能力，目前看起来有一定效果，但还没有成为行业广泛共识。

️媒体：现在很多人认为机器人大小脑会融合，但也有很多人说不应该融合，您怎么看？

王仲远：融合的统一模型是我们所追求的，可能5到10年，大小脑融合模型有可能成熟，但绝不是今天。原因就是数据受限，现在具身智能的数据量不足以支持大小脑模型的训练。

我们认为具身智能或机器人2.0时代，最重要的就是突破专有任务，达到一定的泛化性，具备跨领域的能力，这跟AI第三次浪潮中深度学习的发展路径相似。现在很多所谓的VLA模型，不具备泛化性，这需要时间的沉淀。

️媒体：您提到泛化能力，但现在数据非常稀缺，这个问题怎么解决？

王仲远：硬件公司最好还要降低成本。如果机器人是几百块钱，买的可能性就大，数据采集量，包括模型提升速度也会大幅提升。

真实世界的数据肯定很重要，但是不是足以训练出一个有价值的模型，现在有争议。我们孵化的银河通用，王鹤老师的理念是用仿真数据。

智源认为，从已有的海量数据学习，再通过少量的真实世界数据去强化学习，有可能突破具身智能。这跟大模型发展的技术路线吻合，即具身智能或物理世界的AGI可能会是类似的技术路线。

️媒体：仿真数据和真实数据，有无优劣之分？采集真实数据成本高，费时费力，有意义吗？

王仲远：这没有明确说法，现阶段没有收敛或没有共识，智源所走的技术路线也只是我们对技术路线的一种可能判断。

我们认为采集真实数据有价值，更多做强化学习的使用，数据量不需要那么多。智源做跨本体的具身大脑，将来可能是融合模型，希望能够突破硬件构型，包括数据类型，使得这些数据真正有效集成起来，这样采集的数据才不会被浪费。

️媒体：具身智能可以复制自动驾驶的数据积累模式或经验吗？

王仲远：具身智能在数据采集路径上，很难简单复制自动驾驶，而且相比自动驾驶，具身智能机器人的操作空间、涵盖范围和复杂性更大。

️三、人形机器人成熟周期会更慢，行业小组赛还没结束

️媒体：张钹院士说人形机器人走的是错误的道路，您看好人形机器人吗？

王仲远：长期来看，人形机器人是一个很好的发展方向，机器人会成为人类社会的一个基础设施，双足人形机器人，长远看会更容易融入。

这不代表其它构型就没有用武之地，各种构型机器人，未来都会共存。但人形机器人成熟周期会比其它构型机器人慢。现在人形机器人才刚刚会走会跑，能不能走得稳、跑得稳，还在努力中。

️媒体：此前王兴兴说现在人形机器人缺少的不是控制运动能力，而是智力，您怎么看？

王仲远：我们认为（人形机器人）硬件也不成熟，模型也不成熟。所以大家会看到，一方面有买家秀，买了机器人之后发现啥也干不了；一方面有卖家秀，感觉机器人无所不能。

在具身智能发展过程中，我们期待探索出一条独特的路径。这有两种可能性，一种是将数字世界的智能能力带出数字世界，迈向物理世界；另一种就是让机器人做得足够便宜，这样很多小型机器人就会能走进千家万户，但大型的人形机器人，周期一定要更长。

️媒体：很多车企也在进军人形机器人，车企在未来的竞争格局里面会占据什么位置？

王仲远：车企有很强的制造能力和供应链优势，也有很好的落地场景。但这种优势能不能变成最终的竞争优势，能否帮他们在竞争中取得成功，不一定。具身智能和自动驾驶还是有很大区别，同时，现在还处在早期，具身智能的小组赛还没结束，远没到淘汰赛。

️媒体：未来三年，具身智能机器人最可能在哪个领域规模化落地？

王仲远：首先会在特定场景里落地，尤其是相对封闭的场景，比如工厂环境，完成相对固定、重复、枯燥甚至危险的的任务，这会是最快的落地场景。

这些场景只需满足几个条件，第一硬件成本能够支撑在它的生命周期里ROI大于1，并且这种场景是人类不愿意干的，不用担心会替代掉人类工作，这会是具身智能第一波真正的红利。