出品｜搜狐科技

作者｜梁昌均

編輯｜楊 錦

面對洶涌的具身智能熱潮，商湯也打算入局了。

在今年的WAIC期間，這家公司宣布推出具身智能平臺“悟能”，定位具身大腦，其以具身世界模型為核心引擎，可以為機器人、智能設(shè)備等智能終端提供賦能。

商湯CEO徐立提到，過去十年，AI從感知智能邁向生成智能，現(xiàn)在迎來具身智能?！皬母兄澜绲礁玫乩斫馐澜?，才能生成世界，最后和現(xiàn)實的硬件交互來改變世界。”

這背后是商湯對大模型技術(shù)的演化路徑的判斷。從最初以計算機視覺起家，到入局大語言模型、多模態(tài)模型，再到此次布局具身模型，商湯不斷拓展自身技術(shù)邊界。

“從達到AGI的角度來說，要讓智能走出數(shù)字空間，實現(xiàn)和數(shù)字空間跟物理空間的連接?！鄙虦?lián)合創(chuàng)始人、首席科學(xué)家林達華對搜狐科技表示。

自去年以來，具身智能和人形機器人熱潮翻涌，吸引了不少玩家進入。正如林達華所說，具身智能市場正在快速成長，商湯希望去捕捉這個機會。

不過，具身智能也面臨不少挑戰(zhàn)，業(yè)內(nèi)關(guān)注焦點在于數(shù)據(jù)，并形成了真機派和仿真派的兩種路線。

在林達華看來，僅靠真機獲取數(shù)據(jù)會有物理瓶頸，不是快速迭代的路徑。他認可的做法是在強大的多模態(tài)基座上，用少量真機數(shù)據(jù)去做牽引，從而形成更好的能力。

目前，商湯與傅利葉智能、松應(yīng)科技、歸墟機器人等企業(yè)達成合作，并通過旗下的國香資本投資了宇樹科技、銀河通用、眾擎機器人等十多家具身智能企業(yè)。

除發(fā)布具身智能平臺，商湯在WAIC期間還更新了日日新V6.5大模型，其多模態(tài)推理與交互性能大幅提升，成本降至最初的30%，智能體能力也有所升級。

林達華認為，語言模型是大模型通向AGI比較容易切入的第一步，但最終要通向AGI，多模態(tài)是必經(jīng)之路，而接下來要把多模態(tài)的融合從理解層面，延伸到思考層面。

“下一步最重要的突破點是泛化性，就是推理的性能能不能從單一領(lǐng)域，拓展到廣泛的生產(chǎn)、工作和生活領(lǐng)域。如果做到，我覺得距AGI就靠近了一大步?！?/p>

另一個需要突破的則是模型的空間理解能力。林達華提到，Gemini 2.5等國際頂尖的多模態(tài)模型，空間感特別弱。如果這塊不突破，未來會成為具身智能落地的重要障礙。

談及今年爆火的智能體（Agent），林達華認為，Agent是AI落地很重要甚至是很終極的一種形態(tài)，但現(xiàn)在很多號稱具備Agent能力的模型，在真正落地時還是有比較大的距離。

“Agent最終要走通的關(guān)鍵是，基礎(chǔ)模型的能力要有比較強的指令跟隨、意圖反思、編程推理等能力，最終一定是圍繞打穿場景去迭代，否則Agent的價值不能落地?！?/p>

以下是對話精編：

具身智能市場正在快速成長

不能只依賴真機數(shù)據(jù)

媒體：商湯發(fā)布具身智能平臺，定位具身大腦，現(xiàn)在布局是出于什么考慮？

林達華：AGI在我們看來有三個重要的發(fā)展階段，第一是語言跟多模態(tài)融合，第二是多模態(tài)思考，這兩個階段都是在數(shù)字空間去進行信息處理和判斷。

從達到AGI的角度來說，要讓智能走出數(shù)字空間，實現(xiàn)和數(shù)字空間跟物理空間的連接。打破這個邊界，才能最終到達智能的AGI彼岸。

商湯做了多年的計算機視覺，做了多模態(tài)模型，做智能駕駛也積累了很多如何讓模型去做規(guī)劃、控制的技術(shù)體系，這些能夠讓智能體去理解空間、進行規(guī)劃和行動控制。

我們這次會提出具身智能平臺，就是想讓這些能力以平臺化的方式去支持智能的發(fā)展。具身智能市場正在快速成長，商湯也希望從商業(yè)的角度去捕捉這個機會。

媒體：您怎么看具身智能的技術(shù)挑戰(zhàn)？業(yè)內(nèi)說的比較多的是數(shù)據(jù)，不同企業(yè)做法也不同，商湯是如何考慮的？

林達華：大模型所需的海量數(shù)據(jù)可以從互聯(lián)網(wǎng)獲得，并能通過深加工等提升質(zhì)量去做訓(xùn)練。具身數(shù)據(jù)好像得通過操作才能獲得，但受限于機器人個數(shù)，操作很慢，吞吐非常低。

因此，通過真機操作去獲取數(shù)據(jù)，會有物理瓶頸。所以，這要真正做好，不能只依賴真機操作的數(shù)據(jù)，數(shù)量級差得太遠，不是在當(dāng)前階段快速迭代的路徑。

所以只能用真機操作的數(shù)據(jù)作為種子，去校正模型，就是先通過大量互聯(lián)網(wǎng)數(shù)據(jù)，形成強大的多模態(tài)基座，然后再用少量真機操作數(shù)據(jù)去做牽引，才能形成好的能力。

這也是為什么我們要做世界模型，這種結(jié)合很大程度上可以解決數(shù)據(jù)問題，商湯已把世界模型用于訓(xùn)練自動駕駛，把這個事走通。

媒體：商湯做具身智能主要定位大腦，未來會考慮做本體或者是和小腦的結(jié)合嗎？

林達華：我覺得未來有很多可能性，會在跟客戶和生態(tài)接觸的過程中，逐漸豐富和完善我們的技術(shù)體系。但是具體做哪些，我們會隨著時間不斷地調(diào)整我們的判斷，與時俱進。

媒體：大模型和具身智能的研發(fā)都需要較長投入，商湯如何平衡短期回報和長期布局？

林達華：最重要的是研發(fā)跟最終的商業(yè)愿景要對齊。研發(fā)大模型就是點科技樹，不同的年份點不同的點，如Kimi早期會點長文本，商湯會把多模態(tài)作為主軸。

這種選擇跟我們對模型最終產(chǎn)生閉環(huán)價值，需要突破哪些關(guān)鍵點的判斷有關(guān)系。為什么商湯沒有做奧賽金牌，因為沒法商業(yè)落地，我們不會走這個路徑。

具身智能跟基礎(chǔ)模型，不是完全去分資源的概念，具身智能、世界模型就建立在我們的積累的多模態(tài)基礎(chǔ)之上，這會使得我們在具身智能本身的額外投入沒有想象中那么大。

多模態(tài)是AGI的必經(jīng)之路

泛化性和空間理解能力是突破點

媒體：現(xiàn)在國內(nèi)外模型的競爭還是非常激烈，您怎么看大模型的演化趨勢？

林達華：AI本質(zhì)是要構(gòu)建一種智能。真正的智能是什么呢？就像人是一個智能體一樣，能跟真實的世界進行自主的交互，這是智能的終極目標。但它細分會有很多的維度，比如要做感知、做推理、做判斷、做決策等。

為什么語言模型會成為這一波大模型打響的第一槍？因為人類幾千年積累的豐富知識，是以語言的方式為主存在的，但語言并不是整個世界的本身。

所以從智能本質(zhì)來說，需要對各種模態(tài)的信息進行跨模態(tài)的關(guān)聯(lián)，才能完成對世界的理解和建模。從某種意義上，語言模型是大模型通向AGI比較容易切入的第一步，但最終要通向AGI，多模態(tài)的能力不可缺少。

媒體：現(xiàn)在統(tǒng)一的大模型似乎還沒有，GPT-5還沒發(fā)，多模態(tài)會往更加融合的方向去走嗎？

林達華：多模態(tài)發(fā)展最早是計算機視覺，是上一個時代的浪潮。到了23年、24年，多模態(tài)模型最初的架構(gòu)是語言模型，再接上視覺編碼器，把視覺信號跟語言合并處理。

這種架構(gòu)天花板比較低，融合也比較淺。直到2024年年底，像Gemini模型，比較早提出所謂的原生多模態(tài)的概念，這個天花板更高。現(xiàn)在往下去走，就是要把多模態(tài)的融合從理解層面，延伸到思考層面。

當(dāng)有效進行融合訓(xùn)練之后，一個多模態(tài)模型能夠在純語言的任務(wù)上表現(xiàn)地比一個純語言模型更好。當(dāng)能做到這一步的時候，單獨的語言模型就不再是必要的。所以商湯從日日新6.0開始，到這次發(fā)布的日日新6.5，沒有單獨的語言模型，全部都是多模態(tài)模型。

據(jù)我了解，現(xiàn)在國內(nèi)廠商，可能在今年下半年，陸陸續(xù)續(xù)也會開始這么走。比如字節(jié)跳動今年開源的一些模型，也是這條路徑。

媒體：去年就有Scaling law撞墻的談?wù)摚瑥募夹g(shù)上來說，AGI是不是真的遇到了瓶頸，需要在哪些方面去突破？

林達華：最近有個消息，谷歌在IMO上面拿到金牌。如果只是拿金牌，這個事情意義有限。就像AlphaGo，下圍棋打敗了世界冠軍，都是在一個非常狹窄的領(lǐng)域做到了突破。

現(xiàn)在所有的推理模型，能力強主要體現(xiàn)在做數(shù)學(xué)題、編程上。下一步最重要的突破點是泛化性，就是推理性能能不能從單科、單一領(lǐng)域，拓展到廣泛的生產(chǎn)、工作和生活領(lǐng)域，做到跟人一樣能夠自由去推理的水平。如果做到這一點，我覺得距AGI就靠近了一大步。

第二個，我覺得很重要的是空間理解能力。我們內(nèi)部研究，包括Gemini 2.5等國際頂尖的多模態(tài)模型，空間感特別弱。這不突破的話，未來會成為具身智能落地的重要障礙。

媒體：今年被稱為是Agent爆發(fā)的一年，您覺得Agent哪些領(lǐng)域最具代表性，還需要解決哪些關(guān)鍵的問題？

林達華：我覺得Agent是AI落地很重要甚至是很終極的一種形態(tài)，要做成依賴非常強的推理能力、反思能力、規(guī)劃能力、決策能力，這些都是大模型需要提供的基礎(chǔ)能力。

為什么2023年大家不怎么談Agent，到了今年才說Agent是元年？因為那會的大模型能力還沒有到這個水平，今年達到了，能支撐真正的Agent起來。

但我呼吁大家要保持一個更加客觀的態(tài)度，很多模型說具備Agent的能力，在相關(guān)評測榜單上面分數(shù)也很高，但真正落地的時候，還是有比較大的距離。

我覺得Agent最終要走通的關(guān)鍵是，基礎(chǔ)模型的能力要有比較強的指令跟隨、意圖反思、編程推理等等能力，最終一定是圍繞打穿場景去迭代，否則Agent的價值不能落地。

運營編輯 |曹倩審核｜孟莎莎