一場需要耐心的長期主義競賽 具身智能業內激辯三大核心問題

每經記者｜可楊    每經編輯｜廖丹    

11月20日下午，在智源2025具身開放日上，在多位技術負責人參與的BAAI具身模型會客廳討論中，關于具身智能未來的共識遠少于分歧。

世界模型是不是核心，具身智能是否會收斂到統一架構，語言是否應該退居次要，動作模型如何設計，數據從哪里來??每一個問題都仍在探索之中。

但《每日經濟新聞》記者注意到，另一種更深層的共識正在形成——具身智能的真正競爭不在概念，而在長期投入、真實落地與數據質量。

未來幾十年，當機器人在真實世界中創造價值、積累經驗、形成反饋時，或許才能孕育出具身智能的“ChatGPT時刻”。在此之前，這仍是一場需要耐心的長期主義競賽。

圖片來源：主辦方供圖

世界模型是萬能鑰匙？

當討論具身智能的關鍵路徑時，世界模型總是被提及，與世界模型的結合是不是未來具身智能發展的關鍵？

這個問題隨著世界模型概念的模糊化，而在業內產生分歧。

北京大學助理教授、銀河通用創始人王鶴認為，“世界模型”一詞最早來自強化學習領域，指的是根據當前狀態與所采取的動作，預測下一步狀態變化的動力學模型。然而，在Sora等視頻生成模型出現后，世界模型概念逐漸向用視頻生成未來傾斜，這讓它與具身智能所需的能力發生了偏移。

王鶴認為，視頻生成模型并不能直接作為具身智能的通用解決方案。原因在于，機器人與人的身體差異巨大，即使訓練出一個能想象人類如何操作世界的視頻模型，也不能保證它對機器人同樣有效。即便是當下最像人的人形機器人，其動作空間、靈巧度和執行方式都與人類存在不小差距，看起來像人做事，不等于機器人學會了做事。

但王鶴同時強調，對未來進行預測是具身智能不可缺少的一環，機器人必須能夠根據未來目標倒推當前動作，并對環境變化保持前向與后向的推理能力。因此，具身世界模型是必要的，但它必須根植于真實機器人數據，才能有真正屬于機器人的世界模型誕生。

智源研究院院長王仲遠認可世界模型對具身智能未來發展的重要性。他指出，當下業界對世界模型并無統一定義。“如果世界模型僅僅指視頻生成（Video Generation），那顯然不夠。”真正對具身智能有意義的是能夠根據過去的時空狀態，準確預測“下一時刻狀態”，并據此規劃動作的模型，這種預測是基于前序的時空狀態和現場環境上下文，進而給出的精準決策。

王仲遠舉例稱，自己回答問題時，要基于前一位嘉賓的發言內容以及現場環境，做出“拿起話筒”這一決策。這才是機器人需要的世界模型，不僅僅是生成幾秒鐘后的畫面，而是要基于對環境的理解，給出一個準確的步驟動作和響應。

具身智能會否收斂到統一架構？

在大語言模型時代，Transformer架構（一種基于自注意力機制的神經網絡架構）一統天下。具身智能領域是否會收斂到一個統一的架構？是否會出現屬于機器人的“具身Transformer”？

中國科學院大學教授趙東斌給出了一種可能性。他表示，目前Transformer在具身智能領域的應用已經帶來了顯著的性能提升，例如近期Physical Intelligence發布的π*0.6模型，利用強化學習獲取數據鏈，能夠在疊衣服、裝盒子等多個任務中實現通用。他認為，隨著技術演進，模型架構可能會收斂到單一模型，或者呈現多樣化但核心統一的態勢。

此外，大部分嘉賓則對于技術路線的收斂持認可態度。在此基礎上，如果具身智能最終會收斂到一個統一架構，那么這個“具身Transformer”的技術路徑在哪里？

招商局集團AI首席科學家張家興認為，當下大模型的發展邏輯難以直接遷移到具身智能。“過去三年形成的LLM（Large Language Model，大語言模型）與VLM（Vision-Language Model，視覺語言模型）等結構，是以語言為中心，而語言在人類執行動作時并不參與。”他舉例稱，人類開車時不會在大腦中不斷語言化動作指令，因此語言作為中間層的VLA架構（視覺語言動作模型，Vision-Language-Action），其本質與機器人需要的結構不一致。

張家興提出，具身智能需要一個完全屬于機器人自身的智能結構，而不是從現有VLA體系延展出來的產物。現階段，他認為真正的具身架構還未出現，業界正在等待一個來自基礎大模型領域的突破性創新，類似當年Transformer論文那樣。這種創新將有可能弱化語言在模型中的中心地位，讓模型以行動和視覺作為驅動核心。

與張家興的視角類似，清華大學助理教授、星海圖聯合創始人趙行認為，視覺是世界上最通用的感知傳感器，具身智能的基礎模型應當遵循生物進化規律：先有運動和視覺，最后才誕生高級語言智慧。因此，理想的模型順序應該是Action First（動作優先），然后Vision（視覺），最后Language（語言）。

趙行強調了一個關鍵差異：具身模型是一個閉環系統。語言模型是一問一答的開放系統，而具身模型需要“動作—反饋—再次動作”的實時循環，其核心是持續的環境交互。它必須從世界反饋中修正自己的策略，而不是完成一次思考后給出單一答案。

智元機器人合伙人、首席科學家羅劍嵐在此基礎上進一步擴展了閉環系統的結構組成。他認為，未來一定會出現閉環一致的“具身Transformer 系統”，但未必是單一模型，而更可能是由視覺（V）、語言（L）、動作（A）等模塊共同構成的系統。“VLA 的趨勢是對的，但最終形態不會是今天這個樣子。”真正的質變可能需要等到具身智能互聯網形成，即成千上萬臺機器人在真實場景中解決具體問題，累積海量數據后，才能催生出真正的統一系統。

在架構探索之外，動作輸出端的不成熟也是當下具身智能無法收斂的重要原因。王鶴指出，目前行業在動作輸出上尚未收斂，存在大量基于概率匹配的方法，這類方法雖然適合處理連續變量，但為端到端的深度強化學習埋下了隱患，如何對概率模型應用策略更新是尚未解決的問題。

王鶴認為，短期內行業需依賴仿真環境和合成數據來探索動作優先的架構，因為目前全球僅有約一千臺人形機器人在運行，數據量遠不足以支撐新架構的探索。“長期來看，地球上人形機器人的數量必須保持長期高速增長，只有這樣，它們的能力才能同步提升，而反過來，能力的增長又會進一步推動數量增長，最終才能孕育出真正強大的模型。”

自變量創始人、CEO王潛則認為，是否叫Transformer并不重要，Transformer 更像蓋樓的鋼筋，真正決定樓是什么樣子的，是建筑的結構設計。他強調，物理世界充滿了語言和圖像無法描述的精細摩擦與接觸過程，因此必須建立一個獨立于虛擬世界的、能夠描繪復雜物理過程的基礎模型。“可能十年后或者是五年后，可能反而是我們從物理世界中收集到的數據來做出來的多模態模型，反過來吞噬今天的一些基礎模型。”

突破跨域數據瓶頸一定要用真實數據嗎？

無論是否收斂到一個統一模型，對所有具身企業而言，一個共識正在形成：如果具身智能要走到“ChatGPT時刻”，必須先解決數據問題。

張家興團隊選擇“高質量+低成本”的路線，以真實物理世界的探索數據為基礎，并通過低成本的人類采集來構建數據金字塔的中間層，試圖以最高效的方式夯實數據地基。

趙行則提出了數據采集的三個維度：真實性、多樣性和規模化。他強調必須以真實機器人的素材為起點，且不能局限于實驗室，必須深入真實場景。羅劍嵐同樣堅持真實數據路線，他認為，靠遙控操作采集數據只是起步，未來必須依靠大量部署在真實環境中的機器人，在自主交互中產生廣泛數據，形成自我反饋和提升的閉環。

王仲遠主張利用互聯網上的海量視頻數據作為基座模型的學習來源，這類似于人類兒童通過看視頻認識世界。在此基礎上，再通過真機采集的數據進行強化學習和反饋，不斷精進能力。

但亦有真實數據之外的探索路徑。

王鶴在討論中提到，全球規模化運行的人形機器人可能僅在千臺級，甚至更少，如此小的機器人人口，遠不足以支撐一個動作優先的基礎模型。

王鶴認為，短期內行業必須依賴模擬環境與合成數據，這會比受限于真實機器數量的方式發展得更快。但長期來看，只有當機器人數量進入指數級增長，數據才可能形成正反饋循環，推動模型與能力共同演進。

加速進化創始人、CEO程昊認為，數據瓶頸的破解是一個螺旋上升的過程。目前極速進化多使用仿真數據以求速度，目標是為了讓機器人具備落地能力，從而在真實場景中收集數據。當真實數據遇到瓶頸時，再回退到仿真環境中進行針對性訓練。“機器人落地創造價值，價值驅動規模，規模反哺模型。”

在海量數據需求之外，王潛認為，自變量什么數據都在用，只是側重點不同。互聯網數據用于學習通用常識，仿真數據用于導航和探索，而真實的物理接觸數據則是核心壁壘。

王潛提到，根本在于所有類型的數據都可以被利用，但真正的挑戰在于：處理好任何單一類型的數據都相當困難。這背后涉及大量核心的工程問題，也正是團隊日常工作的重點所在，同時這些難題也構成了行業的技術壁壘。

一個清晰的現實浮現出來：具身智能的未來并非由某一種技術突破決定，而是取決于架構創新、真實世界落地、機器人數量增長與高質量動作數據積累是否能同時發生。具身智能的發展路徑比語言模型時代更復雜，也更漫長。