具身智能的确定性技术还没出现，世界模型可能也不是答案。

    作者丨邓哲敏

    编辑丨齐铖湧

25 年 6 月，卢宗青在智源大会上提出一个判断：人类视频，是具身智能唯一可以 scale up 的数据路径。

彼时，行业的注意力集中在机器人本体、素材场搭建、数据飞轮上，没有多少模型公司把目光投向第一视角人类视频。卢宗青不一样，他不仅提出这个判断，而且按这个方向积累数据，到现在已经积累了超过  50 万小时。

卢宗青是北京大学计算机学院长聘副教授，长期担任 ICML、NeurIPS、ICLR 高级领域主席，也是国内隐空间路线最早的系统性推进者。

2025 年，他创立了 BeingBeyond 智在无界，走的是一条与主流视频生成路线截然不同的技术路径——隐空间世界动作模型（Latent World-Action Model）：不生成画面，直接在 embedding space 里联合预测机器人下一步做什么、世界将如何响应。

这条路线训练成本是视频生成路线的约 1%，推理速度足以支撑实时控制，但有一个缺点——没有画面，不好展示。在具身智能融资热、demo 竞赛激烈的当下，这是一个需要定力才能坚持的选择。

不过卢宗青本人并不把这当成笃定的押注。

他在采访中说了一句话，让人意外：具身基础模型的确定性技术尚未出现，世界模型可能都不是。

他的逻辑是，GPT 能堆出来，是因为先有了 Transformer 和 Next Token Prediction，有了确定性范式，堆数据才有意义。具身现在还没到那一步，"我们现在连确定性技术是什么都不知道。"

这不是自谦，是判断。

26 年 7 月 28 日，BeingBeyond 正式发布 Being-H0.8 ——全球首个隐式触觉世界动作模型。Being-H0.8  首次将触觉模态引入大规模模型预训练，并将视觉、触觉、动作以及未来状态变化统一到同一隐空间（latent space）。这使机器人不仅能够理解 " 看到了什么、做了什么、接触到了什么 "，还能够进一步理解 " 世界因此发生了怎样的变化 "，从而形成对物理交互过程更加完整的认知与预测能力。

围绕技术路线的选择、数据的真实价值、行业分工如何形成，以及通用具身基础模型究竟还有多远的路要走，AI 科技评论（雷峰网 ( 公众号：雷峰网 ) 公众号）与卢宗青展开了对话，以下为未经改变原意的编辑整理：

01

从北大到创业：

纸上的东西不会自己变成产品

▎ AI 科技评论（雷峰网公众号）：你是北大教授，做了多年学术，又出来做具身创业。今年我们看到很多高校老师出来创业，李一鸣、赵昊，包括您，感觉学术界出来的人今年特别多。你当时是怎么做这个决定的？

卢宗青：也不算突然转变。我本来就在研究具身相关的方向，只是到了某个节点，觉得这件事不能只停留在发论文。学术研究可以验证一个方向是否可行，但你判断完了，纸上的东西不会自己变成产品。

具身尤其如此，它需要真机去验证，需要真实场景去跑，需要在真实的物理世界里一遍遍失败再调整，这些事情在学校里做不了。创业是让研究落地的方式，不是切换赛道。

▎ AI 科技评论：我们观察到，今年出来创业的学者，有一部分明显有一种 " 不融就来不及了 " 的紧迫感，尤其是自动驾驶背景出来的人，对产业节奏特别敏感。你会有这种焦虑吗？

卢宗青：大家的目标不一样。对于我们来讲，我们的目标就是做模型，build up 具身的 foundation model。在学校的资源很难满足这件事，不管是算力、人员，还是产业生态，这些在学校里都很难。出来是因为想把这件事真正做成，而不是因为怕来不及。

当然，现在国内的资本市场，大部分其实比较短线。你看那些 Club Deal 的融资，前几轮基本不对外，头部机构来回倒，把估值炒到 5 亿美元，然后接盘侠来。他们相不相信具身、相不相信通用世界模型，我觉得他们也不一定真的相信。我们在筛选投资人，希望找到志同道合的、真正长期主义的机构。

▎ AI 科技评论：你提到 " 筛选投资人 "，这听起来有点奢侈。现在各家都在拼命抢钱，你反而在挑？

卢宗青：  如果你做的事情需要三到五年才能见真章，那你的钱也必须匹配这个周期。短期热钱进来，反而会扭曲你的技术决策。

02

隐空间 vs 像素：

一场成本差了 100 倍的赛跑

▎ AI 科技评论：最近我们跑了不少具身公司，发现一个有趣的现象——大家嘴上都说自己在做 " 世界模型 "，但路线差异很大。能不能先帮我们把这个概念厘清？

卢宗青：（笑）世界模型本来就是个没有收敛的概念，脱离语境来谈，它就是一个模糊的词。

世界模型，它不是一个模型，最终要落在某一个领域里面。语言领域，语言模型就是世界模型，这在学术上已经被证明过—— 2024 年 ICLR 的 best paper，MIT 的一篇论文。李飞飞团队做的 3D 生成，在那个场景下它也是世界模型。视频生成模型也说自己是世界模型。没有一个模型，现在能同时输出文本、生成 3D 空间、生成视频、还能控制机器人。

对于具身来讲，我们要控制输入输出动作，那具身基础模型就是具身领域的世界模型。我们在做的，就是这个范畴里的事。

▎ AI 科技评论：在具身这个范畴里，路线分歧还是很大。李飞飞有她自己的分法，英伟达的 Cosmos 又是另一套框架。你怎么理解具身内部的技术路线划分？

卢宗青：从 backbone 来分，大体两类。一类基于视频生成模型，在原有能力上做后训练，生成视频的同时输出 action；另一类不生成画面，直接在 embedding space 里预测接下来的状态和动作。

李飞飞的分法不太一样，她更多从用途角度划——生成 3D 空间的渲染类，做 simulation 的交互类，还有一类就是控制机器人的，英伟达的 Cosmos Policy 就是这个方向。

各人分法不同，但对于我们来讲，更关心的是 backbone 选什么，因为它决定了训练成本、部署速度，以及最终能不能跑在真机上。

▎ AI 科技评论：我们看视频生成路线的 demo 确实更震撼，更容易讲故事，但强如阿里 Wan 也传出团队解散消息，这是一条很难的路吗？

卢宗青：视频生成路线有两个问题。

第一，训练成本极高。预测每一个 pixel，大型视频生成模型的预训练可能需要几万张卡、几个月，整体成本达到几个亿。阿里 Wan 团队遇到了问题，那个模型停在 2.2，撑不下去了。

第二，真机跑不起来。机器人需要实时决策，推理速度要极快。你得判断球的飞行轨迹、实时输出抓取动作，画面还没生成完，时机已经过了。

我们这条路线（隐空间）有两个优势是可以量化的。

一是训练成本，假设数据量和参数量相同，仅算力层面， latent space 预测的成本大概是像素空间生成模型的 1%，差了两个数量级。

二是更容易学到物理规律，监督信号定义在 pixel 层面，模型会被拉着去预测画面；在 embedding space 里，你也不知道那个空间到底是什么，反而有机会学到更本质的物理关系和因果关系。

▎ AI 科技评论：可隐空间没有画面，不好展示。在现在这个融资热、Demo 竞赛激烈的当下，你们是不是吃了大亏？

卢宗青：  演示和落地是两回事。一个接不住球的机器人，画面再好看也没用。隐空间确实不好展示，没有画面可以给别人看，这是现实，我们也接受。

但换个角度，离产业近、目标明确，这是投资人更看重的东西。目标明确意味着你知道自己在解决什么问题，而不是用漂亮的视频去掩盖模型在物理交互上的无能。

▎ AI 科技评论：你觉得现在行业里那些炫目的操作视频，有多少是 " 应试 "？

卢宗青：  你看到的可能是上千次里最好的一次。这不是秘密。

03

数据这件事，比所有人都早两年

▎ AI 科技评论：说到数据，现在行业有一种很流行的观点：谁攒下来的数据多，谁就有优势。我们最近采了一圈，发现大家都在自建数采中心，搭采集流水线，你当时是怎么判断人类第一视角视频这条路的？

卢宗青：这个判断  2023 年 11 月我就提了。（深度机智于 2025 年 5 月注册，是国内因为做人类第一视角数据而被广泛报道的公司，卢宗青的判断比他们早了将近两年。）

逻辑其实不复杂。机器人本体采集的数据，天然有两个问题：量上不去，多样性不够。你在一个数采场里能 set up 多少种场景？Simulation 也一样，你得让工程师把环境一个个构建出来，多样性极差。训练一个通用的基础模型，最重要的数据属性是多样性。那当时就看—— simulator、真机数据、人类视频，只有人类在日常生活里完成各种任务的第一视角视频，是三点同时满足的：多样性高、数据量大、容易 scale up。就那么几种数据，没得选。

▎ AI 科技评论：现在攒了多少数据？我们之前看到说是 20 万小时。

卢宗青： ( 智在无界在 7 月 28 日发布了最新的 Being-H0.8 ) 现在已经超过   50 万小时。这不是堆时长，每一个小时都是按多样性和质量标准筛出来的。重复数据对我们来讲没有意义。市场上存量数据能到 100 万小时的公司都很少，有人说 1000 万小时，那是目标，不是现有。

▎ AI 科技评论：很多本体公司讲 " 数据飞轮 "，先把设备铺到用户家里，一边用一边采，用量产驱动数据积累。比如让用户戴着采集设备做家务。你觉得靠谱吗？

卢宗青：  这件事最大的优势方是平台公司，不是创业公司。

如果是一个创业公司去干，它会 overfit 自己的本体，数据仅仅耦合自己的构型，能积累多少？短时间之内不可能 scale up。我们希望看到的数据是足够通用、diverse 的，不仅仅针对某一种构型。这个事情，从头到尾做完，不是一个创业公司该去揽的活儿。

▎ AI 科技评论：所以你认为现在所谓的 " 数据飞轮 "，对大部分初创公司来说是个伪命题？

卢宗青：  对于想走通用基础模型路线的公司来说，是的。如果你只是想 overfit 几个场景卖本体，那没问题。但如果你想通向 AGI，仅靠自家本体的闭环数据，天花板是看得见的。

▎ AI 科技评论：你们 50 万小时和别人自建数采场采的数据，差距到底在哪里？

卢宗青：你要训练一个通用的基础模型，要见过各种各样的场景，操作各种各样的物品，完成各种各样的任务。建立一个数采场，能 set up 的场景有多少？

Build up 这 50 万小时，需要一个强大的数据基础设施——标注、筛选、数据对齐、评测、数据管理，这些都需要花时间，是有门槛、有壁垒的。而且外界可能感知不到，这也是我们的模型能够快速迭代——从 0.5、0.7 到现在推进 0.8 ——的最主要因素之一。智在无界已完成从数据管线、模型预训练、后训练、评测到端侧部署的全栈基础设施建设。这套体系能够推动规模化数据持续沉淀、模型能力持续进化，并让机器人不断走向开放、复杂的真实物理世界。

04

" 什么是确定性技术？我们现在还不知道 "

▎ AI 科技评论：我们观察到，很多公司都是先采真机数据、做 SFT，快速做出一个场景能用的模型，然后拿去卖本体公司。一些量级很大的公司也在这么干。你怎么看这条路？

卢宗青：天花板太低。后训练这件事，大家的能力其实差不多。200 亿估值的公司和初创公司，单场景表现拉不开差距。真正的差距在预训练模型。好的预训练模型可以把下游真机数据需求降低一个数量级，可以快速适配不同场景，可以通向终极目标。Being-H0.5 可以适配双足人形、双臂、机械臂、夹爪、灵巧手，在一种构型上采集数据微调后，完全不同构型的机器人也能做出类似动作。这是预训练模型的价值，是后训练堆不出来的。

▎ AI 科技评论：说到本体，各家对灵巧手的看法差异很大。有人认为 Sharpa 做得好，但 5 万美元一只；有些产品便宜，能力又被诟病。你怎么看灵巧手这个市场现在的状态？

卢宗青：这是产品选择的问题。5 万美元的手，你只能卖给有钱的科研机构，一般高校怎么可能花 30 万买一只手？市场非常非常小。几千块的手，量是更大，但大家说的量产降本逻辑——比如激光雷达那条路——那是要有大量的真实需求拉动的。

大量的需求现在卡在哪里？卡在具身的模型侧。光有一只手，没有模型驱动，什么都干不了。在模型没有突破之前，靠量降本是不可能的。

▎ AI 科技评论：那你们自己怎么定位？做四足、人形，还是什么方向？

卢宗青：不做四足，专注操作类——人形机器人、机械臂、灵巧手。我们现在和地瓜机器人合作做端侧世界模型的部署，本体公司是我们的客户。

我在年初就判断，具身一定会形成产业链分工，不可能由一家公司把所有事情都做完。链条太长，技术没有收敛，模型没收敛，硬件也没收敛。专业的公司做专业的事，整个行业才能更快发展。

▎ AI 科技评论：我们注意到一个现象，现在很多机器人公司也在做研究，比如往顶会塞论文？

卢宗青：  用论文来吸引人才无可厚非。我们在 RSS、ICML 这些会议上都有大量的论文，但我们不会为了发论文而做研究。但核心工作不能都停留在 paper 上，模型在真机上跑很重要。

▎ AI 科技评论：你怎么定义自己在世界模型领域的生态位？

卢宗青：  我们应该是国内最早系统性推进隐空间世界动作模型路线的团队。但这个领域变化太快了，今天的 " 最早押注者 "，明天可能就是落伍者。保持敬畏吧。

▎ AI 科技评论：你对行业整体节奏怎么判断？

卢宗青：两到三年，行业会看到真正商业化的落地。不是为了冲业绩收入、为了上市讲故事的那种，是能算 ROI、真的产生商业价值的场景。三到五年，能不能做出类似 GPT 3.5 阶段的具身基础模型，在不同形态、不同场景下完成各种任务，不需要大量场景适配。这个 milestone 才能带来真正的家庭机器人，商业价值比前一阶段大得多。

▎ AI 科技评论：5 年目标，最关键的赛点在哪里？我们听很多人说数据、说算法，各说各的。你真实的判断是什么？

卢宗青：不能脱离数据说模型，也不能脱离模型说数据。GPT 之所以能堆出来，是因为先有了 Transformer，有了 Next Token Prediction。有了确定性的技术范式，堆数据才有意义。没有这两个，光堆那么多数据也没用。

具身智能是同样的逻辑。问题在于，我们现在连确定性技术是什么都不知道。我们现在说的这些，包括世界模型，可能都不是。所以未来三到五年，不只是积累数据，训练方法和算法本身也需要比较大的突破。

▎ AI 科技评论：你给模型命名 H0.7、H0.8，心里有一个 1.0 吗？

卢宗青：（笑）有。1.0 代表的是一个真正完善、通用的具身基础模型。这是一个探索性的过程，路还没走完。但是 Being-H0.8 代表着一个重要节点，不仅是从视觉到触觉，从观察世界到理解交互的模型能力进化，更预示着一个同时具备视觉理解、触觉交互、动作生成、世界预测、跨本体泛化的具身基础模型即将诞生。我们正在迈向全新的1.0时代。接下来，智在无界将以前所未有的训练范式，加速通用具身基础模型的到来。

上车，带你看遍全球 AI 顶会精华

可独家畅览：

专家演讲 PPT

大会报告全文

热门论文解读

学术新星访谈

扫描上方二维码

或点击「阅读原文」关注专区。

雷峰网原创文章，未经授权禁止转载。详情见转载须知。