過去一年，具身智能領(lǐng)域反復(fù)被問到一個(gè)問題：它到底只是多模態(tài)模型的一個(gè)應(yīng)用，還是一種全新的基礎(chǔ)模型？

對此，自變量機(jī)器人創(chuàng)始人兼CEO王潛表示：

• 具身智能模型是物理世界的基礎(chǔ)模型，獨(dú)立于、平行于語言模型、多模態(tài)模型等虛擬世界的模型。

這一判斷背后，首先是對物理世界與虛擬世界本質(zhì)差異的重新認(rèn)識。

語言模型和多模態(tài)模型所面對的，是高度可復(fù)現(xiàn)、低隨機(jī)性的符號世界；而機(jī)器人所處的物理世界，則充滿連續(xù)性、隨機(jī)性、不完全可觀測性以及大量與力、接觸和時(shí)序強(qiáng)相關(guān)的過程。

沿用以語言和視覺為中心建立起來的建模范式，本身就存在結(jié)構(gòu)性的錯(cuò)位。

也正因?yàn)槿绱?，自變量機(jī)器人在實(shí)踐中選擇了一條更長期的路線：不把具身智能當(dāng)作應(yīng)用層問題，而是從模型架構(gòu)、數(shù)據(jù)范式、推理方式乃至硬件形態(tài)上，系統(tǒng)性地重做一套“物理世界的智能底座”。

為了完整體現(xiàn)王潛的思考，在不改變原意的基礎(chǔ)上，量子位對演講內(nèi)容進(jìn)行了編輯整理，希望能給你帶來更多啟發(fā)。

MEET2026智能未來大會是由量子位主辦的行業(yè)峰會，近30位產(chǎn)業(yè)代表與會討論。線下參會觀眾近1500人，線上直播觀眾350萬+，獲得了主流媒體的廣泛關(guān)注與報(bào)道。

核心觀點(diǎn)梳理

• 最近具身智能領(lǐng)域有一個(gè)爭論：具身智能究竟應(yīng)被視為應(yīng)用，還是應(yīng)當(dāng)被定位為獨(dú)立的基礎(chǔ)模型？我們非常明確地認(rèn)為，具身智能模型獨(dú)立或平行于虛擬世界中的語言、多模態(tài)模型，是一種專門面向物理世界的基礎(chǔ)模型。
• 物理世界的特性與虛擬世界差異巨大，尤其是物理事件存在高度隨機(jī)性。
• 現(xiàn)有的模型架構(gòu)、訓(xùn)練方法和數(shù)據(jù)能力，很難對高度隨機(jī)性的現(xiàn)象做出充分準(zhǔn)確的刻畫。
• 如果以未來十年為尺度，具身智能基礎(chǔ)模型甚至有可能反過來吞噬現(xiàn)有多模態(tài)模型的生存空間。
• 要構(gòu)建一個(gè)統(tǒng)一的基礎(chǔ)模型，它自然應(yīng)是完全端到端的。這一點(diǎn)在當(dāng)下某種程度上已經(jīng)成為行業(yè)共識。

以下為王潛演講全文：

具身智能模型是平行于語言模型的獨(dú)立基礎(chǔ)模型

大家好，最近具身智能領(lǐng)域存在一個(gè)爭論：究竟要把具身智能看成是一個(gè)AI應(yīng)用，還是一個(gè)獨(dú)立的基礎(chǔ)模型？

很多人會疑惑，今天所有的具身智能模型仍然是在一個(gè)多模態(tài)模型的基礎(chǔ)上加上Action的部分，做后訓(xùn)練的微調(diào)，少部分有預(yù)訓(xùn)練，也只涉及到視覺，沒有涉及到語言。

這種情況下，是不是能稱之為是一個(gè)獨(dú)立、專門服務(wù)于物理世界的基礎(chǔ)模型？可能有些爭議。

作為一線從業(yè)者，我們還是非常明確地認(rèn)為，我們在做的具身智能模型的確就是一個(gè)完全獨(dú)立于或者平行于虛擬世界中的語言模型、多模態(tài)模型的另外一個(gè)專門為物理世界使用的基礎(chǔ)模型。

這件事情真的這么重要嗎？它的確非常重要。

我們在實(shí)際使用過程中，確實(shí)碰到了以往的架構(gòu)所解決不了的問題。

另外，當(dāng)視角轉(zhuǎn)變過來，將具身智能看作是一個(gè)獨(dú)立的基礎(chǔ)模型時(shí)。我們會發(fā)現(xiàn)對于模型架構(gòu)、數(shù)據(jù)、包括后續(xù)產(chǎn)品的商業(yè)化，整個(gè)視角都會發(fā)生巨大的變化。

這也是今天雖然還是使用多模態(tài)的模型去做backbone，在其上做后訓(xùn)練，做微調(diào)，我們?nèi)匀贿€是很堅(jiān)定地認(rèn)為在做的是一個(gè)基礎(chǔ)模型的最核心原因。

為什么需要一個(gè)單獨(dú)的基礎(chǔ)模型

為什么我們需要一個(gè)單獨(dú)的基礎(chǔ)模型，原因非常簡單：

物理世界的特性和虛擬世界差異太大了，在物理世界中最常見的一個(gè)問題就是隨機(jī)性，用相同的角度、相同的力度推一個(gè)相同的杯子，可能十次會停在十個(gè)不同的地方。

這在虛擬世界幾乎是不會發(fā)生的，如果內(nèi)存狀態(tài)一樣，跑十次代碼，十次基本是相同的結(jié)果。

當(dāng)然不排除有什么宇宙射線把它的比特翻轉(zhuǎn)，這個(gè)情況是極少數(shù)發(fā)生的。

所有物理世界發(fā)生的事情都具有高度隨機(jī)的特性?，F(xiàn)有的模型架構(gòu)、訓(xùn)練方法、數(shù)據(jù)，很難精確描述高度隨機(jī)性的現(xiàn)象。

盡管今天所有的具身模型還是建立在語言和多模態(tài)模型，或者視覺模型的基礎(chǔ)上，但語言和視覺本質(zhì)上并不是特別好的一個(gè)用來描述動作、描述物理過程的工具。

一個(gè)非常明顯的現(xiàn)象是，語言只能描述一些長序列的事情，比如發(fā)生時(shí)間在10秒鐘以上的事情，如果描述一些精細(xì)的操作，如怎么炒菜還是不太現(xiàn)實(shí)的。

圖像比語言精度好很多，但同樣會面臨很多問題，比如工具使用、遮擋。

大量涉及力的過程、接觸的過程，沒有辦法靠語言和圖像去做。

這就提出了一個(gè)根本性的問題：現(xiàn)有的模型是建立在語言和視覺模型的基礎(chǔ)上，這樣到底對不對？

很明顯是不正確的。實(shí)際上我們需要某種意義上完全另起爐灶，把它重新訓(xùn)練成一個(gè)專門供物理世界使用的基礎(chǔ)模型。

剛才我提到的這些，本質(zhì)上都是一個(gè)問題，即物理世界的復(fù)雜性本質(zhì)上不同于虛擬世界，所被壓縮出來的世界的結(jié)構(gòu)和虛擬世界有很大不同。

多模態(tài)模型的未來

當(dāng)轉(zhuǎn)變這一思路后，會給模型架構(gòu)帶來很多不一樣的視角和觀點(diǎn)。

其中一個(gè)非常重要，在感知和決策的層面上，之前都是沿用在虛擬世界中學(xué)習(xí)的結(jié)構(gòu)。

這會帶來一個(gè)實(shí)質(zhì)性的問題，也是在今天多模態(tài)領(lǐng)域存在的一個(gè)實(shí)質(zhì)性問題，就是人類在物理世界中學(xué)習(xí)和感知的方式和在虛擬世界中完全不同。

在虛擬世界中學(xué)習(xí)，比如怎么樣判定一只狗是一只狗，而不是一只貓，需要在一萬張圖片里抽取出共同的Feature，看到一個(gè)新的圖片時(shí)將這個(gè)Feature去匹配，這是統(tǒng)計(jì)學(xué)習(xí)到今天最常用的范式。

實(shí)際上，我們在日常生活中碰到一只狗，不是這么去學(xué)的，也不需要一萬張狗的圖片，只需要看到一只狗，讓它轉(zhuǎn)一圈，在這個(gè)過程中，便獲得了一個(gè)帶有因果性、時(shí)序信息的連續(xù)觀察流。

同時(shí)，因?yàn)橛锌臻g位置信息，大致上能夠感受得到狗的三維結(jié)構(gòu)。

除此之外，我們還可以主動和狗互動，比如和它握握手，進(jìn)而獲得了一個(gè)和觀察策略相關(guān)的觀察結(jié)果，叫做Interactive Perception，過程叫做Active Perception。

在這個(gè)過程中，其實(shí)和在虛擬世界的學(xué)習(xí)方式產(chǎn)生了大量根本性的不同，這應(yīng)該是多模態(tài)模型未來重要的發(fā)展方向。

如果還是堅(jiān)持之前靜態(tài)的、固定的數(shù)據(jù)的學(xué)習(xí)方式，是做不到像人類一樣高效率，實(shí)現(xiàn)節(jié)省數(shù)據(jù)和算力的學(xué)習(xí)結(jié)果。

如果以十年為周期，具身智能的基礎(chǔ)模型很可能會反過來吞噬現(xiàn)有的多模態(tài)模型的生存空間。

當(dāng)前模型架構(gòu)的trade off

既然要做統(tǒng)一的基礎(chǔ)模型，自然是完全端到端，這在今天已經(jīng)逐漸達(dá)成共識。那沒有形成共識的是什么？

要做快慢系統(tǒng)，是因?yàn)榻y(tǒng)一模型的推理速度會變得比較慢。

我個(gè)人的看法是，這是在目前的模型架構(gòu)下所采用的一種Trade off（權(quán)衡）的形式。

要根本解決模型的問題，還是需要把它當(dāng)成另外一個(gè)完全不同于已有模型，專門需要考慮端側(cè)部署和推理，在設(shè)計(jì)時(shí)就要考慮這些問題的模型，這也是自變量探索的結(jié)果。

剛才這個(gè)視頻，在這種高度復(fù)雜的任務(wù)上，自變量已經(jīng)很好地實(shí)現(xiàn)了非?？斓乃俣龋疫@個(gè)速度是要超過人類當(dāng)時(shí)給它做訓(xùn)練，收集數(shù)據(jù)時(shí)的速度。

【此處無法插入視頻，遺憾……可到量子位公眾號查看～】

完全1倍速記錄，比遙操作的速度快很多，同時(shí)能維持非常好的準(zhǔn)確率和最終效果，這個(gè)任務(wù)難度也非常高。

另外一個(gè)問題就是機(jī)器人本體泛化問題，某種意義上也是因?yàn)檫€在沿用過往的模型架構(gòu)做機(jī)器人。

這個(gè)視頻是自變量實(shí)現(xiàn)的非常典型的跨本體泛化任務(wù)，我們從夾爪的模型上遷移到高自由度靈巧手上，15個(gè)主動自由度，一共20個(gè)自由度的高自由度靈巧手，只用了非常少量的樣本，這說明模型本質(zhì)上已經(jīng)學(xué)會了一些基礎(chǔ)的物理規(guī)律，物體的基本屬性，一些基本的動作模式。

【此處無法插入視頻，遺憾……可到量子位公眾號查看～】

這一模型可能在當(dāng)時(shí)的時(shí)間點(diǎn)上是最領(lǐng)先的，也可能是唯一一個(gè)用端到端的VLA模型驅(qū)動高自由度靈巧手的例子。

另外我們希望具身模型不止是生成動作去控制機(jī)器人，還期望它是一個(gè)世界模型，這樣就可以用生成出來的未來世界的狀態(tài)做各種各樣的事情，也希望它是Spatial intelligence，這樣就可以利用三維結(jié)構(gòu)。

也希望它仍然延續(xù)了VLA的語言能力，實(shí)際上自變量今天做的就是把所有的能力都放在同一個(gè)模型上，讓它擁有語言能力、世界模型的能力，視頻生成的能力、三維重現(xiàn)的能力。

在這基礎(chǔ)上，今天的一些爭論點(diǎn)可能并不是十分合理，很多人認(rèn)為VLA和世界模型是不是互相替代的關(guān)系，或者是兩個(gè)不同的技術(shù)分支。

在剛才的架構(gòu)里，這些只是同一個(gè)模型不同的輸出而已，是在同一個(gè)物理世界基礎(chǔ)模型的框架下所做的不同努力，這就是一定要把具身智能模型單獨(dú)分離出來，作為一個(gè)新的范式最重要的原因之一。

順便打打廣告，自變量自研的WALL-OSS，也是目前領(lǐng)先的開源物理世界基礎(chǔ)模型，具備VLA模型控制機(jī)器人的能力。

同時(shí)也具備非常好的泛化和智能跟隨的能力，同時(shí)能夠做Subtask的區(qū)分，從而構(gòu)建長序列的思維鏈，解決非常復(fù)雜和長序列的問題。

具身智能的Scaling Law

剛才提到了改變視角對于模型架構(gòu)的變化，另一方面，改變視角對于數(shù)據(jù)的看法也更本質(zhì)。

過去在大模型領(lǐng)域，Scaling Law是核心考慮的事情，其中數(shù)據(jù)的Scaling Law普遍被稱為在機(jī)器人上最困難的事。

雖然都是要做更多、更好的數(shù)據(jù)，是否需要用虛擬數(shù)據(jù)、合成數(shù)據(jù)，還是要在真實(shí)數(shù)據(jù)里挖掘一些動作等，還是可以有更好的方法實(shí)現(xiàn)。

受限于時(shí)間，自變量也做了大量工作，我們認(rèn)為現(xiàn)實(shí)世界的數(shù)據(jù)應(yīng)該是最主要的來源。

我們從以往的大模型的學(xué)習(xí)中獲得了一個(gè)重要的insight，就是訓(xùn)練還是要分階段，所以數(shù)據(jù)也是要分階段的，需要有預(yù)訓(xùn)練的數(shù)據(jù)，也需要有后訓(xùn)練的數(shù)據(jù)。

更重要的，我們發(fā)現(xiàn)了第三個(gè)Scaling Law，在后訓(xùn)練之后還可以在推理時(shí)做拓展，在推理時(shí)用CoT的方式、用其他推理的拓展方式，讓模型表現(xiàn)變得更加好。

剛才有其他嘉賓提到了這個(gè)范式天然非常適合于具身智能、機(jī)器人。

我們在物理世界中是一個(gè)持續(xù)學(xué)習(xí)的過程，不會把所有的數(shù)據(jù)上傳到云上，形成一個(gè)完全的批次，反過來再下載到端側(cè)上，我們還是希望端側(cè)上每收集到的一個(gè)新數(shù)據(jù)能夠?qū)崟r(shí)更新，在整個(gè)生命歷程里都能夠有體驗(yàn)學(xué)習(xí)的過程。

這應(yīng)該是一個(gè)本質(zhì)上優(yōu)于以往集中式批次式訓(xùn)練的方法，當(dāng)然這帶來了很多額外的難度。

在體系架構(gòu)上，在System上，在硬件上都會有相應(yīng)的調(diào)整。但如果不把具身智能看作是一個(gè)獨(dú)立的基礎(chǔ)模型，獨(dú)立的發(fā)展方向，一定還是會受制于以往在其他模態(tài)的模型里面所碰到的一些問題。

讓AI來定義硬件

一個(gè)全新的學(xué)習(xí)范式，自然需要改造在物理世界中的硬件載體，在具身智能中非常核心的一點(diǎn)是，一定要讓AI定義硬件，而不是先去制造一個(gè)完美的硬件，然后再在上面做AI的模型。

自變量堅(jiān)持軟硬一體同步發(fā)展，目前已經(jīng)實(shí)現(xiàn)了兩款全自研的輪式底盤人形機(jī)器人，以及高自由度的靈巧手，現(xiàn)在也已經(jīng)開始向市場銷售。

最后想說一件事情，大家普遍意義上還是有點(diǎn)低估了具身智能的發(fā)展和影響，普遍還是認(rèn)為在AI領(lǐng)域語言、數(shù)學(xué)、代碼這些領(lǐng)域要比具身智能有本質(zhì)的重要性。

但這一觀點(diǎn)有一個(gè)隱藏的Hypothesis，以前都會說有一個(gè)所謂的奇點(diǎn)，超過這個(gè)奇點(diǎn)時(shí)，一個(gè)很聰明的AGI能夠發(fā)明一個(gè)更聰明的AGI，所以人類被徹底拋在后面。

但這個(gè)假設(shè)今天是不對的，我們怎么樣發(fā)明一個(gè)真正聰明的AGI，甚至超越人類的ASI，是需要更多的算力，更多的芯片，更多的電力，更多的能源，更多的數(shù)據(jù)，所有這些東西都是從物理世界中來的。

怎么樣在物理世界中獲取更多的資源，其實(shí)在第一次工業(yè)革命時(shí)就有一個(gè)概念：所謂的機(jī)器制造機(jī)器，一臺能夠制造十臺，十臺制造一百臺。

這樣有一個(gè)指數(shù)級的增長，但今天我們并沒有看到指數(shù)級增長發(fā)生在現(xiàn)實(shí)世界，模型在物理世界中并沒有帶來有虛擬世界這么巨大的影響，核心的一個(gè)卡點(diǎn)就是人手的勞動。

一切商品，一切服務(wù)都不能脫離人手的勞動這一步，這使得沒有任何一個(gè)東西可以100%的依靠機(jī)器自動的做出來，除了芯片。

如果具身智能實(shí)現(xiàn)的話，萬事萬物都可以走向類似于芯片摩爾定律的發(fā)展規(guī)律。

在這個(gè)過程中，自然而然帶來了更多的芯片，更多的電力，更多的數(shù)據(jù)，我們可以做一個(gè)更加聰明的ASI，從此走向一個(gè)真正意義上通用智能的未來。

我們還是認(rèn)為具身智能具有本質(zhì)性的重要性，同時(shí)也應(yīng)該是一個(gè)獨(dú)立于、平行于已有的虛擬世界模型的另外一個(gè)物理世界基礎(chǔ)模型。