" 做通往物理 AGI 难而正确的事情。"

我在 6 月报道过的 LiberAI 今日宣布完成新一轮数亿元 Pre-A+ 轮融资，投资方包括 360 战投、国开金融、创新工场、CMC 资本、彬复资本等，老股东红杉中国自天使轮连续追加四轮。三个月内，LiberAI 已获得红杉中国、真格基金、美团龙珠、顺为资本等顶级机构的连续押注。上半年，世界模型赛道上新公司层出不穷，大有 " 乱花渐欲迷人眼 " 的意思。进入下半年，资金将向头部项目聚拢，只讲故事怕是已经不行，还得拿出扎实的业务进展来。上回，《独家 | 顶级 VC 连投三轮，00 后清华特奖得主又融数亿》介绍过刘松铭的创业历程和 LiberAI 在技术路线上的选择——模型上重注原生多模态的预训练，同时构建自己的数采和硬件体系。这次，我着重跟他聊了聊预训练、人类数据与灵巧手这件事的重要性以及自研人类数据手套的进展。这位 00 后创始人相信，预训练是智能产生的根源，世界模型本质上是多模态模型的延伸，关键在于引入物理模态后怎么把多模态的方法论落实。具体到人类数据，他认为文本、视频、物理三个模态必须在隐空间对齐，才能解决灵巧手在高维空间上的采样与决策难题。谈及进展和规划，刘松铭透露，LiberAI 在高自由度灵巧手上从模型训练到部署的整个环节都已经跑通，自研的人类数据手套也已进入量产阶段。到今年年底，公司会着力推进两件事：其一，是把人类数据这件事彻底跑通，跑出人类数据的预训练 Scaling Law，在泛化性上实现涌现，由此可以不再依赖仿真和真机数据，让人类数据成为最核心的支柱。

" 做夹爪，你早期 100 小时、1000 小时就能出不错的 demo，每一步都能用。我们做灵巧手，在复现人类智能之前会有一段‘沉默期’，风险确实更高。但一旦爬上去，你能链接所有人类数据和互联网视频，upside 巨大。" 这是刘松铭的 bet。其二，在模型架构上，LiberAI 想做兼具 agent 能力的世界模型。这不再是单点任务的模型，而是能做推理的模型，如同 "physical 版的 Claude" 一样，在真实世界中进行任务规划、推理、执行与纠错。夹爪还是灵巧手具身行业兴起两三年了，在数据采集的方式和模型的技术路线上，分歧和非共识却一直都在。Generalist AI 在 7 月刚刚公布了模型的一项新能力——同一个预训练模型可以驱动五花八门的末端执行器，除了常见的夹爪，还有电动螺丝刀和打蛋器这类专用工具。跨本体的能力令人惊艳，不过它明确表示不看好五指灵巧手路线，认为机器人的手不会长得像人手。" 五指手只是工具箱里的一件，把机器人限制在这一种形态是想象力的失败。"Generalist AI 在博客文章里表达了鲜明的态度。在末端执行器的选择上，刘松铭有着截然不同的看法。他认为，只要把人类智能完整蒸馏出来，这种智能天然具备适应不同本体的能力。和 Generalist AI 恰恰相反，LiberAI 没做过任何夹爪，而是聚焦在灵巧手算法和人类数据的采集与预训练上。数据采集时，到底是 " 让人模仿机器人 " 还是 " 让机器人模仿人 "，在刘松铭看来是个哲学层面的问题。前者对应的是用遥操、UMI 夹爪和外骨骼等方式收集数据，后者对应的是用数采手套收集人类数据。" 有一种思路是让人去模仿机器人，认为这样收集出来的数据才能从人迁移到机器人上。但我们的思路恰恰相反：让人尽可能保持人的特性，追求无感采集。这样做的代价是人与机器人之间短期内的 gap 可能会变大，但优势在于天花板更高，运维成本低，更容易 scale up。" 刘松铭这样分析选择里的取舍。当然，从算法实现上来说，夹爪和灵巧手完全不是同一个层级的难度。举例来说，夹爪只有一个自由度，状态空间是离散的 0 和 1，控制简单、算法难度小，短期就能出 demo。LiberAI 部署的灵巧手有 20 个自由度，观测、数据采样、底层 Infra 和一些细节的控制上都更困难。可部署于高自由度灵巧手的模型研发是公认的难啃的硬骨头，但在刘松铭眼中很有意义。" 这就像在爬雪山，如果你接受这种难度，一旦登顶，优势巨大，能链接所有人类智能。夹爪路线我们最早已经验证过，从夹爪泛化到灵巧手很难，但我们的模型从灵巧手迁移到夹爪很容易，终局我们也更坚信目前选择的人类数据与灵巧手路线。" 支撑这一判断的逻辑是：既然终极目标是让机器人具备人类级别的通用操作能力，那么人类数据就是不可替代的 " 石油 "。人类数据天然产生于灵巧操作之中，夹爪数据再多，也无法和人类视频完成对齐，难以 scale up 到通用智能。" 不可能三角 " 和数据金字塔为了实现这一目标，LiberAI 主要做了三方面的工作：一是数据基建与工程算法，包括整个数据 pipeline 的搭建——如何清洗数据、逐帧切割互联网视频、从中检测出手部并优化手部检测算子的速度，从而快速切分出手部数据。整个链路要执行得快，切分边界也要清晰，比如喝水动作中，何时抓杯子、何时拧瓶盖，都要能从视频中准确识别并切分。目前这套 data infra 和数据管线已完全体系化，自动化率在 90% 以上，基本通过 API 和自研微调模型完成自动打标，而且管线本身是 agent 在监控和优化，会越标越聪明。二是模型本身的训练。关键在于提升模型能力，使其能在复杂空间上高效采样。文本、视频、灵巧手动作，这三个模态需要对齐到同一个隐空间中采样，才能提升对手部的感知、采样和控制效率。LiberAI 团队已经做了大量 human data 和多模态训练，将它们对齐到统一空间。要让这条路线跑通，还要攻克数采手套的 " 不可能三角 "：高精度、可穿戴性、抗电磁干扰且抗遮挡。刘松铭介绍，LiberAI 自研人类数据手套已攻克以上不可能三角，进入量产阶段及规模化 in the wild 采集阶段。每家具身公司都有自己的数据 recipe，如今数据类型已经大体上收敛到互联网视频、真机遥操、UMI、人类数据等几种，但不同企业的配比仍有差异。在 LiberAI 的数据金字塔里，第一视角和第三视角的互联网人类视频数据占据绝对塔基，比手套数据大 1-2 个数量级；手套数据次之，比真机数据大 1-2 个数量级；真机数据最少。这家公司的愿景是，人类数据可以成为最重要的支柱，不用再高度依赖成本高且规模受限的真机数据。这是一个看上去颇为激进的赌注。要知道，去年行业里的主流说法仍是通过遥操采集真机数据。这家公司也正在尝试将数据采集团队与 agent 系统深度结合在一起。比如，当模型推理发现 " 叠衣服强、收垃圾弱 "，agent 会自动发布任务，调度更多人去采收垃圾数据。用 AI 管理 AI 的数据，听上去很酷，这是 AI for AI 时代全新的组织思路。灵巧手和数采之外，我们还聊了聊行业竞争和企业文化，以下是我们的部分对话内容。刘燕秋：灵巧手这么难，行业里不少人选择放弃五指，去做二指或夹爪。你为什么坚持一定要做五指灵巧手的算法？刘松铭：这是一个短期和长期的问题。做夹爪，你早期 100 小时、1000 小时就能出不错的 demo，每一步都能用。我们做灵巧手，在复现人类智能之前会有一段 " 沉默期 "，风险确实更高。但一旦爬上去，你能链接所有人类数据和互联网视频，upside 巨大。从第一性原理来看，我们更愿意追求难而正确的事情。刘燕秋：你说的 " 杀死真机后训练 " 是什么意思？刘松铭：我们前面说，一方面是拥有足够的人类智能；另一方面，自研本体，可以设计得更接近人本身。目标是不需要采真机数据，直接做迁移，从而根本上克服真机数据成本高、难以规模化的问题。目前我们仿人本体已启动量产，硬件的 OS 系统是用 agent 的方式来做。之前硬件坏了，需要人去排查，现在用 agent 帮你做这部分工作，它可以自行排查哪里损坏，甚至帮你做客服，使用更加便捷。我们现在把这一套都让 agent 接进来，随着它见到的各种错误、交互越来越多，它会越来越聪明。刘燕秋：这个思路听上去挺 AI native 的。刘松铭：对，我们也是用新的思路来做，用 AI 的思路在做硬件。前面提到的数据管线是一个 agent，本身是个生命体，会去监控 pipeline 里面出现了什么问题。因为我们现在 90% 的自动化率，总会有些 agent 覆盖不到。它能自己去总结和概括覆盖不到的问题是什么，再去迭代它自己的模型和算法。我觉得这是 AI for AI 的思路，把它自己做成一个 self-improvement 的 system。包括数采环节，一方面跟外包商合作，另一方面整个管理系统 agent 化。任务的下发、核实、简单的沟通和客服，都用 agent 来做。数据采完之后去训模型，模型再推理，它会去看模型推理的整个效果，然后反过来去改发布的任务。比如说你发现模型叠衣服非常厉害，收垃圾比较差，那么它就会去发布任务，让更多的人去采收垃圾的数据。刘燕秋：作为新一代的具身公司，怎么看更早成立的公司？如果出现新的技术和数采路线，更早成立的具身公司不一定有先发优势？刘松铭：假设你采了五万、十万小时的夹爪数据，现在要做灵巧手，这些数据怎么办呢？再比如，你进家庭采遥操数据，要搭运营体系、货拉拉调度，还要维修工程师跟着。假如现在不采遥操了，那个体系还要不要？确实存在一些现实的问题。很多体量更大的公司内部同时跑多条路线，难以押注在某一条，这恰恰是不自信。初创公司必须 focus 和快速迭代，创始人一天就 24 小时，同时开几条路线，可能哪条都赶不上。刘燕秋：那你不担心 all in 这一条路线万一赌错了？刘松铭：第一，这是基于第一性原理的推导，最早我做的具身基础模型预训练 papar 及无本体数据 scaling 效果验证了我们的能力，我也看到了过往路线的局限性；第二，我们也在持续逐步验证，在过程里更坚信我目前选择的道路，我从去年年中就坚持押注的这条道路，而如今也在逐步脱离非共识。刘燕秋：但先发者毕竟有技术和数据积累，完全无法融合到新路径里吗？刘松铭：知行合一非常关键。历史路径依赖强，招的人可能存在匹配性问题。很多公司从其他领域招人，但我们发现最 match 的人要么是很年轻的具身研究者，要么是做视频、做多模态的。组织大了，不匹配的背景会成为包袱影响迭代速度。一批先发者目前主要任务也许更多是冲刺上市，第一性角度的目标和我们不一致。我们的赌注是去冲刺 AGI 的到来，更加纯粹，更加专注，轻装上阵，快速迭代，斜率更陡峭。刘燕秋：你赌一到两年时间内有突破，依据是什么呢？刘松铭：依据是我们觉得现在已经解决了数据的问题，剩下大模型的发展会非常快。从原理上来说，这个问题还是个多模态的问题。既然是个多模态的问题，就有多模态的解法，而且多模态已经被证明在很多领域内都成功，这个领域也不例外。刘燕秋：现在和国外的顶尖具身公司相比，你们的差距和跨度是什么？刘松铭：我觉得模型上差距不大，因为我们最新的还没有发，我们自己看到的涌现，已经是跟硅谷同一个起跑线，大家是并肩赛跑。国内理应硬件上更领先，但因为种种原因，很多还停留在遥操的时代。刘燕秋：你是 00 后，投资人会不会关注你的管理能力？刘松铭：投资人问了很多跟文化、管理有关的问题。我的回答核心是三点：利益、信息、价值观。利益上，公司是个同心圆，以愿景和业务为核心，从 CEO 到高管再到基层，分配要 fair，每个人都从公司的发展中获益。信息上，我们高度 align，我自己也会写 memo 内部分享思考。我觉得写作比语言沟通更深刻、不带情绪。价值观上，我们推崇谦逊、有同理心，考察候选人是否足够开放，愿意放下 ego 与他人协作。我们始终 one team，one goal，反对山头文化。我们不会刻意筛掉没有光鲜履历的人，更看重是否有 direct evidence，来证明具备工程化能力。这也是我们企业文化里很核心的一部分。