Vol.216 产业观察41｜具身"不够卷"、世界模型和机器人大脑：再访逐际动力张巍

【主持人】过去这两年，机器人——尤其是具身智能机器人行业——在中美，尤其是在国内，经历了天翻地覆的变化，持续保持了两年的热度。今天我们有机会把张巍老师作为逐际动力的创始人和CEO，又重新请回来。他除了是美国归国的学者之外，现在也是南方科大的教授，同时也是国内外机器人领域在研究方面著名的学者。这一次请他回来，和我们一起回顾具身智能机器人在过去两年和未来的状况。张老师，先从公司创始人和CEO的角度，过去这两年你有什么感受？

【嘉宾】这显然是极其特殊的机器人的两年。对整个行业来讲，我觉得是天翻地覆的变化。作为初创企业，为了应对这些变化，肯定有更多自身的变化。我整个的感受就是不断地迭代和变化。

【主持人】确实，过去这两年机器人叫做"没有最热，只有更热"——大家都觉得已经很热了，结果还有更热的事情出现，还有更多新的变化出现。热当然有很多好处，带来融资、带来关注度，带来不管是政府、行业还是民间对这件事的热情等等。但除了这些好处之外，在这么热的两年里，焦虑和困惑主要是什么？

【嘉宾】先说行业的变化。大家认为具身智能这个赛道很卷，但我觉得不卷，我真觉得还不够多人进来。

【主持人】你说不卷，是因为大家还没有同质化，还是因为大家在同一个问题上还没有收敛到相似的解决方案、来拼效率？

【嘉宾】因为大家总是带着互联网思维——聚焦某一个垂直赛道，追求规模，认为只有做到第一才能活下来——带着这个问题去看这个赛道，所以总在问谁能留在牌桌上、谁会赢。但具身智能整个这个赛道，我个人觉得，不能简单类比为某一类垂直公司，它应该整体类比于互联网。互联网可以有美团、有阿里、有腾讯，还有很多公司；在垂直领域可以有58同城，可以有非常多的玩家。所以说，这里的机会是非常大的。

【嘉宾】所以每个人只要好好干，我觉得都能活下来，不存在一个卷的问题。

要这么说的话，我觉得它更像是新能源车。因为从2014年以来的新能源车，大家开始的时候质疑的是新能源车本身行不行，后来又质疑造车新势力行不行。当然我们时间过得快一点，到10年后的今天，在这种硬件相关的载体里边——当然它也加上了自动驾驶技术——最终至少在阶段性上，大家都有一个生存之力。不管它是造车新势力，还是传统企业重新开始的新能源之路，还是原来做不同类型的车转型到新能源上的，比如说赛力斯就是这种转过来加上华为的，比如说上汽，大家一路认为不看好，但是上汽在去年开始看起来已经转过来了，就是把核心车型转成了自有品牌，把燃油车转成了新能源车，这个占比显著提高，甚至超过一半。大家都各自开出了各自的春天。

【主持人】你觉得机器人最终会更像这样？当然它也带来了残酷的现实，就是每年流行的新能源车的牌子和产品都不太一样。

【嘉宾】我觉得具身智能比新能源车这个赛道大特别多。我不好说一个具体数字，但是非常大。新能源车本质上也是一个从0到1完成这件事基本就行了，满足出行，而且面对的是2C端的，这里会有很多家存在，然后还有一些传统车企。你要看车这个形态的话，它可以发展的还有商务车、商用车、卡车、运输车，还有你要看移动底盘的话还有物流，广义上都是车，所以从这一个形态来讲，它可以衍生服务很多东西。具身智能比这个的广度还要广。

所以我们聚焦在新能源满足出行2C领域里边，我觉得是一个相对垂直的赛道，这里边可能会有一些玩家跑出用户的迭代。而具身智能比这一个单一的使用目标要多非常多，它可以渗透到各行各业。所以具身智能这个东西，放在车里边，无人驾驶他们也管，第一个落地的具身智能……

【主持人】所以这里边大家可以发挥的空间，我觉得是巨大的。我觉得现在还没有说大家收敛到一个具体的目标，然后在这个目标下用户也是一样，大家去卷性价比、卷价格，还没到那一步，因为现在功能都还没有完全实现。所以我整体来讲，这个空间我觉得是非常大的。

那我们聊两个具体的、可能会有些困扰的问题来问问看。第一个问题是说，今天大家有个融资竞赛，就是要融到多少多少估值以上、融到多少多少钱以上。因为您是比较早进这个行业进行创业的——虽然可以讲宇树更早，而且那是10年前了——但您也是在这件事热起来之前就进了这个行业。那么今天在大家开展这个融资竞赛的过程当中，这会造成焦虑和困扰吗？

【嘉宾】会被干扰，但不太会是焦虑和困扰。因为我们在这件事情上还是有自己的原则和立场。融资上PR这块，我们相对保守。我们坚信你的价值和你的估值应该成一定的比例，这才是一个健康的发展趋势。为什么我们现在也要去做很多融资？本质上我觉得未来在这个行业发展中，资金和资本化是一个重要的能力，它不是可有可无的，是要持续投入的这么一个赛道，且以后规模化量产和交付的过程中需要大量的资金。所以从这个意义上来讲，融资是必要的。但也不是说想不清楚干什么，先拿一大堆钱融进来再说，这不是我们的目的。

【主持人】那我们再换一个角度。我印象中大概一年以前，在机器人到底为什么是人形、机器人将来干什么这些问题上，大家也是众说纷纭的。那个时候你还提到，从逐际动力所要努力实现的机器人技术方向，和当时大家所卷的场景里边，还是说不让它去工厂打工——我不知道要不要去工厂打工——这件事从今天的技术和公司变化来看，角度会发生一些变化吗？跟一年以前相比？

【嘉宾】分两个方面来说——

【嘉宾】有的是我们个人的选择问题，有的是我们对行业的判断，我觉得这个并不是一致的。

我们先说个人选择问题。我是抛出个口号，应该是在上次咱们聊之后——我说"人形不进工厂"。不是所有机器人不进，我觉得一定要有机器人服务于工业，这个是没有问题的，而且机器人一定会在工业里发展。但我觉得两条腿的人形，我们公司是不把它定位成在工厂里的效率工具，我们不把它这么认为。我们有个 Slogan，叫"Serve People, Not Process"——我们的人形机器人是服务于人，而不是服务于生产流程的。因为它本质上不会是性价比最高、效率极致优化的产物，它不适合在工厂。工厂是给机器设计的，我们的人形是在给人设计的环境里为人提供服务，这是我们定位上的差别。这个并不是个对错的选择。但是很多形态的机器人，包括一些在操作侧、触觉侧的新型操作方式，是适合在工厂落地的。我觉得工厂还是有很多比较枯燥、复杂、危险、有害的场景，是需要被具身智能这个技术所改进的，我们也不排斥。但人形两条腿的，我们觉得没必要进工厂，这也是我们这样去选择的。

【主持人】明白了。我们在这个问题上多拆开来问一个问题。我们一直讲具身智能，具身就是长得跟人像。它最后的功能性毕竟可以分成：一体性的，就是胳膊加腿的；更偏腿的；和更偏胳膊的，也就是更偏操作的；和更偏运动，或者叫走来走去、跑来跑去的——因为奥运会刚刚举行完，那肯定主要是偏跑来跑去的。我不知道，从今天的角度来看，对机器人的关注热度和技术应用延伸再往下，不同的上肢与下肢能力，更有可能会在一段时间内分开迭代和应用，还是更有可能混在一起来迭代和应用？当然，我们讲的是在应用上，先不讲技术问题。

【嘉宾】首先，具身智能它本质上落脚在"智能"，然后形态是能承载这些智能的一个终端载体。那到底需要什么样的形态？刚才你提到的有人形，还有把人形切一半——我管它叫轮椅型机器人，就是上半身坐在轮椅上的那种。那你还有只有下半身的四足狗……

【嘉宾】我们做两类产品。第一类是通用的人形——两条腿、两个胳膊，我们只把这种叫"人形"，其他的我们都叫"专积"（某种程度上的专积）。

那为什么需要人形？我现在有一个公式。这个公式是：maximized number of tasks over form factor——就是说，你能服务的人类任务种类最多的，它是唯一的最优解。你想服务多种任务的话，一个最优的单一形态就是它。

换一个更容易理解的角度来说：它能在人的环境里，做最多原来人可以做、想做或能做的事情。单一形态能服务最多任务的，就是它。其实我算了大概三四个类型的任务，就必须是这个样子，没有别的解。

比如说今天在楼下，让我上来——就这件事情。我看下面的地形，还有门这个关键节点，我现在已经形成职业病了，我就看了一下，觉得这好像必须是人形。如果你下去取个快递，还得放在货架上，你整个发现这个构形必须是这样，没有任何其他的解，所以它是个最优解。

但这个最优解，它的 objective function——我们叫 reward，或者 cost function——是什么呢？是任务的种类。这是最大泛化性的单一形态。

还有其他种类的机器人，双臂也好、单臂也好，我管这类叫：在某一种任务设定下去 maximize 某一种效率，它有各种不同适合自己的形态。比如四足在某种情况下可能是最好的，或者单臂是最好的，或者双臂是最好的，都有可能。

这些形态我们也有一类产品，现在叫"创"系列。它本质上，我管它叫——不是单一形态，而是"基柱"，它是通过一套 SKU、通过组合的方式，可以达到甚至任意的形态，覆盖一个最大的单一形态空间。

【主持人】在展开技术话题之前，我再问一个融资热点问题。作为投资人来观察的话，最开始大家投机器人的时候，最受争议、最先开始讲的是具身，然后是具身智能机器人。再往后，最近大家都在讲，在智能机器人当中，要做、要完成、要突破、要实现智能的过程中，需要做成一个叫"世界模型"的东西。这是最近半年以来最热的机器人新故事。所有今天的机器人公司，至少在跟投资人讲的时候，都必须带上这个词。甚至很多跟机器人不是很相关行业的，在讲的时候也要把这个词放在自己商业计划书的一部分里，比如说"我是将来世界模型当中情绪的部分""我是将来情感的部分""我是将来记忆的部分"，大概大家都在泛用这个词。

从机器人这个行业来看，从具身、具身智能加上本体，然后大家分成感知、操作、运动、全身控制，反正这一路这些词都是曾经热过的词汇，然后今天来到了"世界模型"。我不知道从机器人从业者的角度，和创业公司CEO的角度，怎么看这个词？

【嘉宾】总体来说，我觉得世界模型是一个大家值得期待、靠数据scaling来寻求突破的新方向。但目前我觉得它还处于一个相对比较初期的状态，很多定义都还相对比较模糊。我先说一下我对它的理解，然后再说一下我为什么觉得它这么热。

首先我们谈到"世界模型"这四个字的时候，有一件要做的事，就是对这四个字做一个区分。世界模型的本质就是一个模型，"世界"这个词只是修饰"模型"的修饰词。所以从本质意义上来讲，我们从小到大接触过的所有物理的、非物理的模型，它都是某种意义上的世界模型，只是"世界"的大小、它的开放程度，以及我们潜在能够观测到的物理变量不同而已。既然它是个模型……

【嘉宾】世界模型基本上就是根据当前世界或者系统的状态，也就是 State，以及我们潜在能够影响世界的行动 Action，来预测未来一段时间世界的状态，以及状态所对应的输出，叫观测，叫 Observation。

具身领域里面的世界模型，由于数据的原因，Observation 目前我觉得还是以视觉为主，其他模态的信息还相对很少。一般都是预测：你要完成某项任务，这个机器人自己观测到的视频信息。所以它天然跟视频生成模型的基础是相关的。

但大家发现，只预测未来的视频——未来世界发生改变后观测到的视频——是不够的，那你完成不了任务。所以现在大家逐渐关注，也有一个新的词叫 World Action Model，也就是这个模型要同时预测未来完成任务的视频，以及视频所对应的行动 Action，这样它就能作为原来 VLA Policy 的一个升级。

【主持人】虽然我花了很多时间——因为我们也投了一些世界模型相关的项目——作为一个技术外行来看，我觉得这个世界模型的定义，大家在各自脑海中的理解差别其实非常巨大。

【嘉宾】是的。技术层面我觉得倒不是什么重大突破，本质上大家还是看到传统意义上 VLA 在数据 Scaling 方面还是有局限性的，世界模型给大家看到了新的数据 Scaling 的希望。技术层面它就是传统意义 VLA 方式的一个拓展——当然有些人觉得 VLA 的定义可以更广一点。传统意义上的 VLA 就是用 VLM 来做 backbone，现在 World Action Model 就是把 backbone 换成视频生成模型或相关技术。

这样我们在训练机器人操作的过程中，就可以利用带有时序信息的视频数据，相比于单纯的静态视觉信息，这种时序信息能更好地表达我们所在世界的物理规律。所以大家对它能够理解背后世界运行规律这方面还是有一定期待的。

同时，作为潜在 Scaling 或泛化的一个来源，视频数据肯定比真机数据更容易 Scale、更容易采集。所以大家现在会看到非常多的公司在采集人类操作的视频数据，尤其是第一视角的视频数据。不光是因为容易采集，同时我们也知道互联网上有很多历史视频数据，大家也希望都能把它们用起来，等等原因。

【嘉宾】这应该不算是什么重大突破，不然也不会有这么多人都会做。我们的足迹大概是在24年中期，也就是大概两年前，我们开始探索用视频数据做操作模型的预训练。我们大概在25年发布了一个叫VGM的东西，就是Video Generative Motion，它就是一个典型的World Model。去年我们还有一个很有趣、也不错的，和Cornell合作的一篇论文，叫GVF Tape，是一个非常有趣的、数据量要求不高的World Model，只是当时我没用这个词，因为当时NVIDIA还没造出"World Model"这个词来。

【主持人】我自己花了不少时间，以我的能力稍微把这个事情搞清楚了一些。我只问一个跟世界模型有关的问题。因为它里边有，就像刚才讲到的，非常多不同的分支。在分支过程当中，当然有的是不同类型的数据，来所谓达到世界模型的模型变化或者叫进化的过程。这里边还有另外一类，他们是在模型当中加入或引入了不同的、对物理世界进行预测和表达的数学公式，或者我们叫物理公式也可以。就是用来通过人类过去对物理世界当中非常多物理量——当然我们最容易知道的、从小大家都被折磨的物理量就是所谓重力——不管它是流体的、柔体的、摩擦的、温度的，当然可能也包括电的、质量的、磁的等等，各种各样有非常多。大家把这些中的一部分加入了模型里面，不管它是作为一个整体的部分还是一个分立的部分，来作为模型演进的方向之一。就是刚才我们讲的世界模型中的一个小分支，就是加入表达物理量的数学公式这件事。从您的角度怎么看，加这些物理量的数学公式有没有用？

【嘉宾】我觉得这个问题目前是无法证伪的，也是容易引起争论的。从我个人的角度，我觉得首先我们要有统一的一个原则去看这件事：加这些所有的东西，本质上都是在加数据。物理公式和我们训练的神经网络一样，它都是一些数据的压缩。我们认为牛顿定律也是所有运动数据的一个压缩和表征。那你把牛顿定律加进来，或者把牛顿定律对应的数学公式加进来，本质上是把运动数据以最简约的方式加了进来。

【嘉宾】以这种统一的数据观来看这件事的话，相对比较清晰，那就是两件事。第一点，我加这些物理规律的数学公式，是不是带来新的数据的增量，或者更本质一点，信息的增量——就是我们对这个世界的理解的信息量，在你加入之后有没有增加。第二件事就是说，它可能增加了——不增加我们就不干这事了——它可能增加，但我是不是能够很好地运用到这个增量？这本质上是一个 alignment、对齐的问题，就是之前这些其他数据的表征，和我现在世界模型的这个表征，它能不能很好地对齐。如果对不齐的话，那可能会起反作用。

总体来讲，我觉得从第一性原理来看，加入这些物理规律的数学公式，肯定是带来新的信息的，尤其是新的模态的信息。因为我们人类在这么多年抽象物理规律的过程中，积累了大量非视觉的——电的测量、磁的测量、力的测量——这样一些模态的信息。所以加入它们，本质上是把所有这些信息的表征都给加进来了，所以是有帮助的，是一个增量。

但是我觉得最关键的问题就是，它原则上是有增量，大家也说为什么愿意试试它，但本质上你很难用它——这些表征很难跟我们世界模型的数据进行对齐，这个是最难的。所以大部分你会看到，大家用这些物理公式，本质上还是把它做了一个仿真，去生成更多的、容易跟视觉、跟我们观测到的数据对齐的这样的数据，本质上是做仿真、生成数据，再用这些数据来 tune 世界模型。但是我想说，这种对齐还是挺难的，整个 sim-to-real 这件事，就是在做这样的一个对齐。总体来说就是有用，但是想很好地用起来，能够把这些物理规律跟世界模型进行对齐，这件事是非常有挑战的，没有想象的那么容易。

【嘉宾】当然，这个现象在背后是同源的。就是因为今天的数据，尤其是带有刚才提到那些物理量的数据，历史上几乎没有。所以导致的结果是：做数据，在不同方式和成本下的采集和加工，里边含两个部分——采集是硬件，或者含硬件的部分；加工的概念是，再把它加工成大家想要的、含不同状态和物理量的这些数据。不管创业公司在其中哪一个部分，还是两个部分都做，这类公司也变得无比火热。最少叫"数据采集相关的创业公司"。

【主持人】我不知道，就这件事，作为一个需要数据和迭代模型的具身智能机器人公司来看，是怎么看的？

【嘉宾】生产具身模型，我认为跟制造业没什么区别。数据本质上是个原材料工业，训练是一条产线，生产出来的就是模型。模型本质上是数据经过采集、处理、训练，最后沉淀出来的一种表达方式。我把那叫产线——产线源头就是一些数据，还需要经过预处理，经过各种来料的处理和检测，然后最终训练，训练完了以后给你一个模型。所以从这个角度来看，这些各种模态信息、原材料提供的丰富程度非常重要。

【主持人】回到一个偏方向和技术讨论的大角度来看，这些不同类型的数据，最终会更使得机器人在之后的一到两年，去更垂直和受限——"受限"的概念就是有些边界条件，在特定场景下，使得机器人在更垂直的方向里更快应用落地——还是想要使得机器人在更不受限的、或者叫泛化的场景下，更快地进行模型的升级和迭代？当然这两件事可能同时存在，但我的意思是说，今天这些数据的样子，是要使得在之后一年到一年半里边，更偏前者还是更偏后者？

【嘉宾】我觉得两个是同时进展的。而且就取决于——您刚才说的数据都包括哪些？这个大家做什么的都有，就是数据今天怎么做……

【嘉宾】所以我有一个不一样的观察。我们提到的，就是说在具身模型落地的过程中，无论是VLA、还是VA、还是世界模型，大家去寻这个model的时候，我觉得具身的落地不能跟大模型那种先通用、再专用、再应用、再落地的模式一样，不能是先通用再落地的模式，我觉得是不适合的。至少这是我之前的判断，现在我们也是践行这个方向。

它由于什么呢？由于各个技能和各个任务之间的数据的相关度，数据的需求是非常不一样的。听众可能会稍微在这儿不好具象地想象一下，比如说我们举个具体例子，为什么A和B的数据是非常不好相关和通用的。就语言数据，它是个通用的模态，就是你写律师信还是写个文案，这些数据对于整个通用性的模型都有帮助。但我要开车，这个数据和我包鸡蛋，这两个放在一起训练，现在都不知道反而是有问题的。所以在跨技能之间的数据pipeline，你不了解数据之间的关系的前提下，期待堆数据来产生涌现，是一个刻舟求剑的方式，在我看来。

所以我们觉得，是需要通用模型的能力，但这个能力是慢慢涨出来的。我管它叫"通用模型与场景数据的飞轮"。它是在有一定通用模型基础之后，然后你在垂直领域尽量地去收集数据，甚至去落地，落地产生的数据就会反补通用模型，通用模型的能力是这么涨上来的，而不是先要特别通用，然后再去落地。我们个人的说法，我叫"通用与场景数据的飞轮"，我们现在的基本战略也是践行这个方向。

【主持人】好，我们拿这个问题再多问一个，从普通人角度能提的简单或者重要的逻辑问题：如果最终按照飞轮来迭代，它变成了一个更通用的机器人通用模型，在实现这个的时候，听起来它要能够具备的能力，远超过——听起来至少远超过……

【主持人】或者叫预测下一个字词，这远超过语言模型所需要的能力。因为语言模型的能力，就是从概率上预测下一个字词。如果说机器人有了通用模型，我的问题是：我们普通人是不是可以理解为，这个模型会比今天的语言模型还要大非常多倍？而不是今天几千亿参数的概率模型？

【嘉宾】好问题。如果是那么通用的一个模型，那就会非常大。

【主持人】对。

【嘉宾】但我不认同会有一个这么通用的东西。我觉得它是一个技能。因为如果它这么通用，变成这么大的模型，将来在机器人身上用的时候，虽然可能也会时过境迁，但最大的麻烦是——按照今天大家对大模型的使用来看，它身上堆的芯片数量和功耗，也就是为了干一件事消耗的能源，以及为了干一件事所需要放在它身体里的计算资源，要运行这么大的一个模型，还要有实时性。因为你不能包一个饺子，包第一个的时候就想两秒钟，包第二个又想两秒钟，等包完，我应该已经不太饿了。所以它还要求快，还要求实时，这样的话就很难妥协了。但也许那个时候芯片也能进步，也许那个时候可控核聚变也能有，随身可以带一个极小的可控核聚变装置——当然这都是科幻小说了。但听起来，会有这样的问题和障碍。

【主持人】所以如果不是这样的话，回到刚才那个问题，它会是别的什么解决方案和可能的发展方向？

【嘉宾】我始终觉得是技能。技能只能被定义——开车是个技能，我可以不会开车，但我是有脑子的；包饺子也可以是个技能，这个技能需要单独的训练数据，我不会的时候需要去学。它不需要一个通用的、什么都干的模型，它需要各种对你场景落地有帮助的技能。我还真不知道自动驾驶现在的模型大概是多大规模，我没有准确的数字。就是一个一个技能，在当下落地的是各种类型的技能，它的预训练和后训练以及落地的过程，我觉得现在是看到一些希望的。现在大家看不到的是，这个技能创造的商业价值，和创造这个技能所需要的数据成本，还有点打不平，或者说大家还没找到这个打平点的某一个垂直领域的案例。

【嘉宾】我始终是这么看的。自动驾驶大概也是这样，它就是一个继续生长的技能，它不是一个大脑，它就是人脑的部分——一个技能。你会开车，不代表你会爆击战。

【主持人】对，是的，当然。

【嘉宾】但是具身智能发展到今天，最近行业里也有很多口水战。口水战来自于：第一，要不要L3——有一派说不要L3，直接从L2到L4，但是这里面有很多问题，包括监管问题、责任和权力确认问题等等，而且它是对成功率要求超级高的一个技能。

除此之外，这个话题隐含的另外一件事，跟刚才我们讨论的是一样的——就是今天自动驾驶也碰见了一些小的瓶颈，也回到了这样一个状态：连自动驾驶，也开始重新把刚才我们讨论的"世界模型"这个热点词汇，变成了自动驾驶技术进步中一个非常重要的词汇。就是自动驾驶领域今天也开始讲世界模型了。当然原因是因为也碰见了一些技术进步上的不同挑战，当然也有可能跟数据有关。从我们看到的现象来看，自动驾驶也终于作为技能之一，走到了需要应用"世界模型"这个热词的这一步。

你看，自动驾驶所需要的世界模型，和具身机器人所需要的世界模型，这两个世界模型不一定是一样的——至少大家对它满意程度、达到要求的世界模型，应该是不一样的。当然你可以说大而全的全都有。

我作为外行来看待，今天"世界模型"这个词热起来，隐含的一个大家想要解决、但还不能完全解决的问题，是：我们怎么能够在看到的情况下——当然也包括其他感官——能够对世界有一个意义上的理解，虽然不一定是语义上的。我们并不是像机器看一样。当然这是从人类视角出发的——比如拿自动驾驶来说，它完全不需要识别"这是一瓶水放在桌上"，它只需要识别"这一大堆东西是个固定物体、不会移动"就可以了。它不需要管它是什么，也不需要管它是刚性的还是柔性的、或者弹性的，它都不管。它只需要管：桌上的这些摆设、凳子、桌子、桌子脚——这些都不重要，重要的是它们是一堆不移动的、放在那里的物体。

【嘉宾】占地面积和体积的物体就可以了，它并不需要去理解这个到底是什么。当然，今天也许自动驾驶也开始重拾"世界模型"这个热词，是因为它也到了想要、或者需要去理解的阶段。我们对机器人的预期更高一些，所以把这些模型放在机器人这里，就变成了：一方面是因为数据不够了，我们怎么才能够解决这个问题，或者怎么才能够更好地利用更少的数据来解决问题；另外一个问题是，我猜测从普通人的角度，现在我们也想让机器人像我们一样，在语义层面能够理解这个世界——就是这个东西到底是什么。因为我们理解这个东西是什么，就比如说像您刚才讲的包鸡蛋，我现在理解它是个熟鸡蛋还是个生鸡蛋，有时候我们也会混淆，我才能再往下去知道"包"这个技能怎么才能够学会和实现。但如果我知道它是个铁做的鸡蛋，哪怕它长得像鸡蛋，我大概也不会去尝试拼命包它。理解"是什么"，或者叫从语义层面理解物理世界——我本来想回避这个话题，但我说一下我的理解：就是对整个你所关注的世界的一个建模。建模的本质是能表示我对这个世界未来怎么发生——尤其是跟我现在对它产生的 action 相关的、能演绎的发生——能很好地建模。在数学里边，在我看来它就是个 MDP，就完事了。然后你可能是 partially observable，你只能 observe 这些像素，你可能有这些新的模态，你可以 observe 触觉，大概例子多少。但是我通过我的 observation，我希望能够不断地建模，还原这个世界的物理规律。我能预测我这么去做，这个世界会这么演绎。所以这非常取决于你 observe 什么，以及你的世界里包括哪些——比如我现在眼前这一个杯子，还是两个杯子，这些都是它们之间的作用，这些都是整个 process 需要 capture 的。它 capture 多少？它不一定要 capture 分子的运动——在我们的世界里，如果我把所有的分子都弄出来，我才知道真正的温度分布。所以所有的模型本质上都是对这些微观东西的一个抽象，它本质就是看能不能很好地 predict 未来。这两个东西本质上，我通过 observation 能够还原它之间的物理规律，我就认为是一个合格的世界模型——我是有比较严格的定义的。

【主持人】现在这五花八门的，大家定义比较多，所以我们不讲白盒的事。好，它如果到了微观层面，每个粒子都能被知道和预测的话，它不就变成了拉普拉斯妖的事情？

【嘉宾】对，就是这个世界，它本质上——我们说的物理规律都是有局限的，都是有局限。就是你能观测到的，只要它跟那个 align with your observation 就可以了，它能跟你的观测是 align 的，你就觉得眼见为实，其实也不一定。我想物理规律主要是个降维表达。

【主持人】对，就是一个降维表达，大规模描述语言的降维表达。

【嘉宾】对，它就是个模型。这个世界有多大——你说我要一个世界模型，把咱这桌子都描述清楚，它需要的东西还蛮多的，要不然就不会有牛顿和爱因斯坦不同观测层面的体系了。

【主持人】但我们回过头来讲，这块有一个小问题。就是在刚才的解释里边，当然我猜很多人也持这个观点——从人的角度，我们尽量希望机器它像我们一样。所以从你刚才描述的角度来看，你觉得机器在今天模型进化和迭代的时候，它不需要经过语义这一层？

【嘉宾】它的语义跟人的语义不一定是一样的。它有自己的表达——语言是我们自己抽象出来的，我们也听不懂猫怎么叫，对吧，它们有自己的语义。就是咱们要允许 AI 有自己的语义表达。所以从某种程度上，它可能是用它理解的、它某种的表达方式来表示所有的客观规律，但可能跟咱那个语义不一定是完全一样的。

【主持人】就是这样，我把它还是变成结论——它不一定需要经过我们意义上的 semantic 这一层。

【嘉宾】不需要。我觉得它就是 whatever，它能 predict future 就可以了。

【主持人】回到刚才那个问题，今天更时髦也更混乱的一个词，是"机器人大脑"。因为至少有一部分，尤其是高估值的企业，像你们这样等等，大家都必须说自己要做的事情是机器人大脑。但是这里边定义太多样化了，所以我不知道从你的角度怎么看这个词。

【嘉宾】首先我现在有比较明确的对它的一些理解，当然这个理解也在不断迭代。

【嘉宾】第一个跟大部分人不一样的是，我不觉得模型是大脑，模型不是大脑。第二个，大脑也不是模型，大脑是个操作系统，这是我的定义。为什么我们会有 Cos Agentic OS——大脑是一个操作系统，它不光是要管理记忆、存储、思考，它是个 agent，我认为它是个 Agentic 的 OS。然后它要调用各种模型，包括 VLM，还有一些 VLA 的各种模型，才能去完成一个任务，它要调用很多工具。所以我们不觉得通过对数据——比如说我们操作的数据——是可以训练一个技能，然后就输出一个大脑。大脑本质上是一个在模型能力之上的操作系统，我们是这么看的。

【主持人】我觉得普通听众听起来会有点混淆，或者有点迷惑。那大脑是一个大模型层上的……

【嘉宾】不不不，我们这么说：LLaMA 可以认为是一个大脑，但是 LLaMA 是基于大语言模型的，它的能力也取决于你用的哪个模型，对吧。以前我们讲这个是非常混淆的，大家甚至也来非议。现在 LLaMA 出来，我好说了——前人也说了嘛，大模型不是大脑，LLaMA 是大脑。我们也是这么认为的：Agentic OS 是一个脑，脑是一个操作系统，各种模型是脑用来思考、去完成任务的各种工具和技能。

当然很多人对"技能"这个词的理解是相对比较狭义的，像机器人拿放、拧瓶盖等等这些原子动作技能。我这里所提的技能，其实可以非常广。举个例子，整个自动驾驶——虽然我们现在还没实现，但如果实现以后——那个模型所对应的就是一个技能。这个模型跟人的脑又不是完全等价的：一个人可以很聪明、非常优秀，但就是没掌握驾驶这个技能，这也是没问题的。所以脑的本质还是在模型之上的一个操作系统。

【主持人】这对大部分人来讲可能有点反直觉。大部分人认为模型是大脑，LLaMA 是操作能力或者叫操作能力的延伸，从你刚才的解释正好反过来。因为今天我觉得这里面有一个……

【嘉宾】我们对所谓"大脑"这件事，除了大家在各自描述商业模式的时候提到的不同使用场景之外，可能今天最大的一个麻烦是：人对大脑的理解还比较初级。我们自己的大脑——就是从人的角度来看，因为人认为自己是最厉害、最发达、和其他动物最不同的——今天我们对这个脑是怎么work的，当然大家都能讲出各自的理解，但我们真正意义上对脑比较好的认知，包括记忆、技能的完善、模型的修改，或者叫对认知层面的不停加深，就像我们说的"读万卷书行万里路"。

别的都不敢说，我们对机器人大脑有一个非常清晰的架构理解，现在比较清晰了，这也是最近一年左右逐渐收敛和成熟的。我们大概是三层架构，跟别人也不太一样。

【主持人】老师，讲讲？

【嘉宾】底层是小脑基础模型，小脑管运动，更偏运动。它就是动，它只管动，你可以认为它是个"僵尸"，它没有脑，你让它怎么动它就怎么动，它能完成你要的动作。这一点对传统机械臂来讲比较简单，传统方法就能做；在人形机器人上，你需要一些AI的能力，这就需要基础模型。

在上一层，我们叫 Humanova，它是一个高阶技能层，它必须把运动跟环境和任务结合起来——任务相关、环境感知相关——我能把眼睛看到的和我能指挥的运动结合起来，把这件事完成。这个我们叫中间的 VLA 技能层。

再上一层，我们叫 ZenticOS，就是刚才我说的，它是以大模型为引擎的整个 Zentic 系统。你可以把它想成——为什么我们叫它"脑"，我们认为它是脑——为什么叫 ZenticOS？你可以想象一个场景：一个人躺在病床上，瘫痪了，但非常 smart……

【嘉宾】它有脑，那就是迫近了。不，躺在病床上，做不了，什么也动不了，它就能想。这有人有没有脑？它有脑，但它会不会动？它一动也不会动。它是有脑的，但是我要赋予它一个技能的话，我就要打通那个经络了，它就可以去拿一个水杯了。这也是赋予它一个VLA的能力，OK，或者是技能。模型是给了我这个脑，我的脑就在那——你就想到一个病人躺在病床，那个脑，它应该是什么？我觉得就是个OS。

或者说，我们再举一个例子：说我现在要去到楼下买杯咖啡上来，这一件事情的话，我要思考，我要决策，我要看你现在有没有时间，我要做这个决策，我要出去，那我就会起身，我调用我开门的技能，我会调用定位导航，我出门了以后我还要用一下GPS，我不能再去一个模型把GPS也塞进去。所以这些整个的组合思考，我觉得就是上层我们的栈体OS需要做的工作。它的smartness、它的成熟度，取决于大模型的进展。我们认为脑它最核心的，还是语言模型的东西，因为语言是思考最本质的东西，对我们人类的思考，是通过语言来完成的。

【主持人】可能这么说，就稍微反问一下：假定是一个智人，但是它没有进入人类社会、没有学语言，在这种情况下——或者它天生聋哑——它不够smart？

【嘉宾】对，它有技能，它有肌肉级的能力，它可以完成一些技能。我们先定义它是个智人，它是不是个能超过一般普通动物所做的直觉反应以上事情的人？我们现在AI进化的方式和技术格局里面，大语言模型是起到了推理思考这个作用的。你说没有语言，是不是有一种其他的隐性binding来去做这些事？肯定也有。

【嘉宾】只不过我们没有这些数据，因为这些数据通过人类、通过语言互联网，把这个思考的逻辑通过语言的表达把它沉淀成数据了，所以才去训练这么个东西。所以它既是语言，又不是语言，因为它是人类思考过程的一个表征。

所以你说智人也好，其他动物肯定也有它自己的那些符号系统，它也有一个我们认为的System 2，可能那个System 2不够强，是这个逻辑。但现在当下的技术范式下，我们觉得它是以大语言模型为基础的思考框架，当下是这样的。

那这里边有另外一个问题，就是今天我们的大语言模型本质上也是个概率模型，这句话是对的。当然你可以说人在思考的时候它可能也是个概率模型，没问题。但是概率模型本质上——又回到刚才我们的问题——比如说我们拿大语言模型对词的预测来看，或者说对写一段话、写一篇作文、或者对理解来看，因为它是个概率预测过程，所以我们并不能讲它是个语义理解过程。这句话应该是正确的。它是个概率预测的模型，这句话道理上并不必然包含它其实是真的理解了这些内容。

【主持人】什么是理解？好问题。

【嘉宾】理解又回到语义层面的问题了。它是真的理解语义的意思吗？它的理解跟咱们所谓的理解，不一定是同一种理解。

【主持人】对，但它又是从我们的理解里投射出来、或者说完成学习的。

【嘉宾】对，所以你要把理解作为一个抽象定义的话，它只要能predict跟你下一个所做的事情是类似的或者是一致的，那就叫理解。如果我们可以把它做一个抽象的定义，它就已经理解了。所以理解是很难定义清楚的——咱俩对这件事的理解，取决于我们对这件事情所衍生的东西的判断和决策。我觉得这里边最大的差别，可能是人想要的理解……当然这个认知是可以无穷延伸的，我们定义的理解——

【嘉宾】其实是用特别少的感官数据，就达到了对事情的抽象。但是今天的语言模型，因为它是个概率模型，所以它要用超级无敌多的数据来完成预测（predict）。

【主持人】没问题。

【嘉宾】我们做一个假设，做一些这种形式上的假设。我们有个黑箱子放在这儿，怎么叫这两个东西对一件事情的理解是一致的？那就是关于这件事情，所有的 prompt，我们俩的数据，我们对它的判断，什么是可能是一致的就行。我们都不一定非得要求它对这件事的理解，沉淀出那个符号上是一致的。我觉得只要接受这个，我觉得它就理解了；如果不接受这个，那它就没理解。因为它一定跟我们的方式——存储和它的 encoding，跟我们的 encoding——肯定不一样。

【主持人】这个没问题。就像大家跟不同的人说同一句话，大家各自在对这句话的理解上也是不完全一样的。

【嘉宾】没问题。所以我们今天讲的是，大家对一个东西能做同一个上下文的响应或者描述——我们和机器，我们和大语言模型。但我刚才的问题只是在讲，人类所谓的理解或者叫智能，更多的是用极其少的数据，就完成了对一个未知事物的理解过程。从概率模型上来看，它需要超级无敌多、尽可能各种——虽然不能叫穷尽，但是尽可能多的变化，以及数据的各种不同维度的分布，才能更好地从概率上预测下一个。它需要的数据，比我们需要去理解一件事情的数据要多得多。

【主持人】我不知道它要的数据比我们多不多，因为我们其实进化了很久——

【嘉宾】一亿七千万年，差不多。

【主持人】没那么多吧。

【嘉宾】对，没关系，包括原人、包括猴这些东西。你的大脑进化自物理世界，这些数据是沉淀了这么久的，然后我们一代代传下去，传给我们的小孩，就通过一个 pre-trained 的模型传下来。他们出生的时候，大脑就是一个 pre-trained 的模型传给他们的。所以你要都这么算下来，这个神经网络历史上积累的数据有多少？

【主持人】我不太知道跟大模型比是怎么个比法，因为我们每天咱俩现在这么聊，这数据量也很大。

【嘉宾】对，但我猜从所需要的语言数据来看，加上你所说的沉淀，它需要的语言数据——我不确定。因为这是穷尽了互联网上大量时间能穷尽的公开数据，这应该是一个个体能接受到的信息比我们还多。它是整个人类的幽灵，虽然它仍然会有一些挑战，但没关系。反正概率模型的特点，就是你得把尽可能多的概率事件都给过它，它才能抽象出高维的关系，或者叫能抽象出模型。

【主持人】从刚才听起来，逐际现在的产品大概就分成了软硬两层。我的理解是：硬的那层，就是可以多用并专用的，就是既可以当胳膊又可以当腿的同一套部件，然后同时有个搭载了整体功能的人形——或者我们叫既有胳膊又有腿还有个人样——这是两个硬件。然后软的部分分成两个：一个是刚才讲到的更像大脑的 Agentic OS，就是调度使用模型和技能的这一层，是个叫 Causa 的 system；然后另外一个，更多的是所谓下面的那一层，不管是你们做的、别人做的和大家都在做的，比如说用新的和原来的数据来训练的一些技能，以及在这个技能基础上的一个——不管是不是 VLA，或者是以 VLA 为主的一个——技能的强化学习过程，或者是技能的迅速获得加迅速收敛过程。我们提供的产品软件，大概就是技能和 OS 那两个，中间用 VLA 来训练的过程，反正你们也有、市场上也有、开源的也有，大家也都有，大家还做不同的研究。然后硬的就是专用的和人形的这两个，当然它们可以用不同组合，把软硬合在一块。听起来公司的产品的样子，或者叫技术产品类别，大概是这样的一个组合。

【嘉宾】对，我们就分人形和非人形这两个产品线。但我觉得产品本身是软硬一体的，取决于你服务的用户来讲，它是软硬一体的。人形的话，我们觉得——

【嘉宾】它不是光卖个硬件，它还有软件的一些服务，是软硬一体的东西，去服务你的用户。取决于你的用户是谁，它的软硬系统的搭配会不太一样。"创"本质上是服务创新的，服务POC落地的，就像做一个Maker Market。

因为它既是两条腿，它能探索所有的巡检、物流、Mobility这些场景，尤其是跨台阶的——这是其他平台不具备的能力。所以我们觉得可以引入内部新的一些应用在上面长出来。

还有，我们现在"创"这个产品是有双臂的，我们自己要做成市面上最好用的双臂。坦白讲，我们觉得现在市面上还没有特别好用的双臂。所以它的负载能力、各方面的易用性也比较好。它特别适合——不光是做创新科研——我觉得所有企业想去做场景落地，你不需要重新再造一个机器人，你就可以用它去做。我们还开源了我们训练模型的方式，然后你去场景里采集数据，做一些垂直Vertical领域的落地。我们还帮他们落地——你愿意用我们的，不用自己造也行。

其实落地最关键的是早期的POC、PMF，原理验证的时间是最长的。如果这个时间花了很长，你可能就错失了落地的最核心关键时期。所以最好是用已有的硬件平台和已有的技术栈，去做这种POC验证。验证通过了，你可以自己再去生产，我们不管。所以我们服务的本质是创新和POC，应该这么理解。

【主持人】你觉得软的那部分——从OS开始的那三层也好，或者不同的一些应用也好，或者不同的一些技术栈也好——作为公司能提供的产品，就是除了公司自己用之外别人也能用的，你觉得是哪几个？

【嘉宾】这就要分用户了。我们一般不用软硬来定义产品，我们还是用用户的种类来定义产品。刚才说的"创"是服务创新、聚焦场景落地的基础平台，你基本上所有的落地场景都可以用"创"去尝试。

【嘉宾】这里边我们提供的硬件平台，同时我们最近开源了一个东西，没跟风叔说过，叫 Flex VLA Engine。我们没有把 VLA 模型开源，因为我觉得模型当前是用不起来的——开源对融资有帮助，但开源模型本质上，模型参数可能也有限。我们不如把训练 VLA 模型和整个架构开源，所以我不说叫模型，我们叫模型的生产线，我们把产线开源。因为我觉得最终落地的数据和模型，是属于落地垂直场景那个人的，他们需要有数据，他们需要的就是我们的硬件平台和开源架构，他们自己去采集这个数据。所以这块我们是提供这样的服务。

从人形的角度来讲，我们笃定人形终局，我们是 Serve People，Not Process，我们不进工厂，所以我们是笃定从商业家庭服务角度去演进的。那它的落地就相对有争议。我们始终坚持的就是，它是一个统一的本体，它不改变硬件构型，能够不断以叠加 App 的方式来增加它的功能属性。当它功能足够多的时候，大家就不会怀疑它的价值了。只不过现在大家看到它只能比划、只能跳翻跟头，觉得价值有限，但这是它基本的能力，这是当前的一个 App。你可以认为，科研是一个 App，表演是一个 App，它上台主持也是个 App，它能导览又是个 App，它接下来能够去拿水、拿快递，就是新的 App。当这些 App 多到一定程度的时候，基本上什么都能干，它就可以产生商业的闭环了。所以就是以这个方式去演进。

【主持人】作为投资人，我稍微好奇一下，这个行业当然仍然在非常热的阶段，因为还是有不同的声音——主要是数据和模型碰到了一些原来的天花板，所以大家这个时候就有一些新的开创性的想法，不管它叫世界模型，还是叫其他跟数据有关的事。但是我的理解是，一个行业不管怎么样，不管它多热、热多久，最后总得有一个比较长的时间段落实到应用本身，就是回到产生商业价值这件事。当然今天已经有一些商业价值……

【主持人】但我其实想问的是，从可见的范围之中，你觉得它的商业和商用价值——当然跑去表演这些——会在什么地方开始呈现和开始兑现？

【嘉宾·张巍】这就是我们觉得，这块它是一个新的形式的产品，人型机器人，它商业价值的展开也是有点非公式的，要不然我觉得也没创业企业什么事了。坦白讲，我觉得它是逐渐有应用的。当前的表演，我觉得是一个应用，现在我们客户是拿它可以赚钱的，它是被用起来了，而不是只有 sell in，它是有 sell out。

【主持人】对，这个事是重要的。

【嘉宾·张巍】下一个，我感觉是"动口不动手"的。你看表演替代，它也替代人，它替代了演员，而演员是很值钱的。所以你不要总想象它去干活、替那些工人，其实它替代"动口不动手"、替代聪明人的价值是更大的——就是商业服务、导览导购，所有的这些领域它都是可以的。所以它是一个装着语言能力的、可移动的顾问，有一定的情绪价值，有新的一些体验价值，在前期是挺重要的——是一个极其聪明的人。

【主持人】对，但它不改变物理世界，它只交互。

【嘉宾·张巍】对，只交互，这是第一步。我分三个阶段：一个叫无交互，一个叫弱交互，一个叫强交互。无交互就是自己比划，就是表演，你按一下它跑个循环；弱交互是有语言和动作协同地跟你交互，动口不动手。你先去看什么能被替掉——站在那儿，基本不用干什么体力活，但是动口、天天不动手，这种形态是早期形态。

【主持人】那基本就是我们这种工作了。反正 AI 的变革，本质上是替掉了脑力劳动。

【嘉宾·张巍】对，当然，就是 mediocre 的脑力劳动。

【主持人】对，当然，像您这种是替不掉的。

【嘉宾·张巍】我们也属于动口不动手。

【嘉宾】所以迟到要被弱交互干掉。那强交互就是最后要强交互。强交互就是看——我就说技能的数据的获取方式，它是不是有一类的技能，是可以数据预训练链和后训练链整个的数据成本，和它创造上一个技能打平。就找这个方向就行了，我们也是抱着开放态度去找。这种你预训练链也得会，后训练链也得会，但你要摸索商业方向，单一技能下它能打平就可以。

【主持人】那你现在自动驾驶都还没有完全打平？

【嘉宾】没有。

【主持人】对吧。但是这个领域非常多，我觉得出入差异很大。因为我们之前讨论过这个问题，其实有很多相对新的事情，它的落地方式确实不完全跟大家预测的一样。就是从刚才拿表演举例——我原来最大的经验和教训，就是投资行业的人更熟悉。在2015到2017年的时候，投资行业非常积极，或者说较为激进地投了一堆无人机企业。因为那时候大家刚开始，第一次很火，所以大家都觉得无人机会很火，因为那时候它的天花板看起来非常高。后来大家觉得无人机很火之后投了一批，后来发现无人机没法用。结果后来无人机第一个能批量应用的，就是无人机做表演。当然中国那时候正好后来开始禁那个烟花爆竹什么之类的。

【嘉宾】在大疆那个拍摄之前吗？

【主持人】在大疆的拍摄之后。那拍摄还是更早的一个单一技能。

【嘉宾】对，但拍摄那个时候，大家认为它是摄图专业领域的，就是那时候还没有到普通C端用户，十年前、十一年前。所以当时我们还有这样一个无人机企业，他跑来讲的时候，他就说让他们去做无人机表演，那时候都是小机队了。然后我还觉得这不是个事，结果后来这公司就靠这个还活下来了，然后还活大了一点。今天大家反正习以为常，无人机表演就是个事了。

【主持人】我觉得这个时代只是算怎么替人，ROI这个……我觉得增加一个体验的维度，是非常有价值的一件事。

【嘉宾】对，我的意思就是这个，这个体验很关键。而你要只做表演，我觉得确实上限是有限的。但如果像我说的，它是众多应用场景的前一步，我觉得它是 make sense 的。但它是这样的，就是说你如果今天拿无人机来看，它是个很有意思的事情——我们只拿无人机来打比方——就是它在开始不好找到大规模商用，那时候什么电力巡检什么之类的，因为续航各种各样的问题，没有被广泛接受。

【嘉宾】第一个确实真的被广泛接受的，除了刚才我们讲的专业用途的拍摄之外，就是表演。然后表演变得很大了之后，带来了几个能力——当然第一个有非控的问题，第二个有协同问题，因为后来就从几十个变成几千甚至上万个。然后第三个问题，是通过这个批量的商业模式，把成本又打下来，各种各样的成本都打下来。然后各种各样的成本打下来之后，加上一个行动原车，又把传感器的成本再打下来一遍，然后随着模型的演进，把控制系统再迭代了一步。所以再往下的时候，它就可以去到小臂和偏消费者化的东西了。

那你用同样的逻辑，再往下演绎无人机的话，比如说今天，随着越来越多跟机器人有关的所谓世界模型的事情，或者对物理世界的预测，以及包括自动驾驶的技术发展和成本进一步下降，无人机最终确实能 2C 了。2C 的概念就是，今天大家操控无人机，像我们公司出去玩，就有一两个同事会带，如果是出国的话——因为国内现在不让飞得多——还是需要有一点点专业操作能力。但是将来肯定就不太需要了。你直接想象一下，或者你拿个 3D 模型，直接在里边自己用手画个圈，拿电脑画个圈，它就按着那条路径飞一遍给你拍下来；或者它就直接智能地跟着你，并且完全避障——这些肯定都可以实现，那就完全 2C 了。

但是跟刚才讲的过程一样，本来在十二年前大家就这么想象了，只不过这个事可能比大家当年想象的要多花个也许十几年的时间，等到软件硬件都迭代到这里。机器人大概多多少少也会差不多按照这个逻辑来进化。

对，反正人形机器人我们是不进工厂的，我们最终往家庭走，我觉得这也是最大的、最期待的、也是最适合的方向——因为家里的任务，你要知道你一周洗不了几件衣服，它本质是个多样型任务，所以这样是比较好的。然后商场、酒店、各种公司，这些商业上的领域也是它最前沿的阵地。然后根据这个商业目标，我们构建 Zentia OS，我们构建我们对 Humanoid 应该怎么做的理解，然后我们去构建底层的——我们叫全身运控的基础模型，Foundation Model。

【主持人】这要强调一下，你说基础运控的 Foundation Model，这件事——

【嘉宾】对，现在大家看到人形机器人可以翻个五连跟头，这种是一个 Policy，就是一个技能，它是一个设计好的动作的 Replay。当然也要训练，这是 Replay。但你要让人形机器人真正能干活，脑能指挥到身体，这件事情是需要基础的。它不能说我看到这个杯子想这么抓，然后要回去训练一个礼拜才会这么抓，那是不行的。所以要实时让它生成这个动作，这个需要的不是预先编好的动作，而是要什么动作就能完成什么动作。这个基础底层的能力，我们还是投入了很多时间、精力和数据去做。我觉得对人形机器人来讲还是很重要的，大家现在看到的大部分都是一个 Policy 在 Play。

所以这个 Foundation Model 更多的是跟运动控制有关的，就是小脑的基础能力——执行你要我做的动作，你要什么动作，我就能给你执行出来什么动作。这个对于普通人更容易理解的类比，就相当于小朋友在成长过程当中，大概2到5岁之间学的那些东西，专门的词叫大小动作，比如抓取、爬行，这种叫感统协调训练，也叫感知统一训练，再细分下来叫大小动作协调等等。那个阶段大概就相当于在训练人——按你的说法，就是训练小朋友那个时候的基础 Foundation Model。

它跟语言的 Foundation Model 也是差不多的道理。你早期的基本对话是预先安排好的，你问"你好"，我回答"你好"，这种是预先安排的，这不是 Foundation Model。大模型出来之后，你能真正对话了，本质上你给它任何一个输入，它都能产生你想要的回复。运动的逻辑也是一样，你给我一个参考轨迹，可以认为它是一个 Prompt，那我能够完成这个动作。这个底层能力对于上层 VLM 的构建和最终完成那些任务，我觉得是比较重要的。

【主持人】同意，要不然人也不会有这个过程和步骤。那我们回过头来，把技术的问题先跳开，讲点别的。第一个是从投资人视角来看，比较有挑战性的问题——

【主持人】第一件事是说，现在估值高的这些机器人公司，都在准备以不同形式筹划进入资本市场，不管是A股还是港股。当然你们也在其中之列。但是从投资人视角，我说它比较挑战的事情是：通常如果是一个很大的热潮的话，它都是以这个热潮的标志性公司上市——或将上市、或商业上市——作为这一轮热度的终点。不管是拿Facebook举例，或者阿里巴巴在07年也行。就是从这个意义上来看，这些智能机器人公司，假定在今年底明年，也包括你们，开始陆续登陆这些资本市场，是这一轮热潮的顶点的话，会怎么办？

【嘉宾】这个行业可能不太一样，跟其他行业。它可能也不完全跟互联网企业类比，但可能刚才跟你举的例子来讲，它更像互联网企业——上市的时候，比如微软李上市的时候，它并不是一个行业成熟的时候，它反而就跌下来，然后等基础稍微好一点，大家能接受的时候，那个资本市场的存在，让再上市的公司，是有一个资金聚集的效应，它能踩到这个浪。

【主持人】或者我们这么问好了：今天大家都在，除了角逐融资规模和估值之外，大家也在角逐上市的进程。假定我们认为，某一个时间点，这个行业今天的热度不像今天这样，降了50%甚至更多，那作为一个该行业的公司，会怎么办？具身智能机器人这个行业，假定热度突然一下掉下去了？

【嘉宾】那各个行业都一样的打法。我觉得具身有个好处，我管的就是——它的下线要比大模型的下线更高，上线也比大模型的上线更高。这么一个行业，它的上线想象力也大——你去做一个真正能通用的人形机器人，这个上线我觉得不比一个模型公司小。第二点就是说，它也不像模型公司那样，你一旦模型没跟上，你就彻底飞了。它总能找到垂直领域里去用。所以我觉得这里面，做好本分、遵循真正的商业逻辑、带有一些技术突破的公司，是都能跑出来的。当前那个阶段，我个人是相对乐观的——下线也高，上线也高，因为现在我觉得大家的投入还没有到那么高。

【主持人】等到这个行业冷下去的时候，我们再来做一次，可以再来回顾一下。就像上一次做的时候，其实只是刚开始变热一小点、一部分的时候。那接下来的问题就是，作为一个既在国外有科研经历、在国内也从事过科研一段时间——我们全世界叫老师吧——作为一个从国外回来做科研、在国内也做科研的老师，进入创业这个行业，在整个角色的转换，以及包括对一个公司从小变大的过程当中，所经历的所有这些过程，有什么感受、经验和教训？

【嘉宾】那特别多，全是坑。我有一个总结，之前跟别人说过，我觉得教授创业需要经过五个蜕变：从学术到技术，从技术到工程，从工程到产品，从产品到商业化，他也要经过这几个变化。最早期的教授，他本质上是以学术为荣的。学术的问题是什么？他本质是一个 idea、一个想法为交，就是我有新的 idea，这就很高兴，发个 paper，以发 paper 为荣，这是学术阶段。然后再一个技术阶段，就是把 idea 能呈现为一个技术的展示，以这个为荣，这是第二个阶段。从技术到工程，就是说把一个技术稳定可靠地实现，以这个稳定可靠为荣，这个最后可能跟 demo 就没关系了，就是稳定性、可靠性。然后从工程到产品，就是说从可靠地实现一个技术，到一个能够满足用户价值的产品出现。但也有可能是产品卖得越多，你赔得越多，产品还不一定是整个商业格局的关键，最关键还要商业化。所以你一定要经历这几个阶段的变化。至少我个人来讲，是经历了几次蜕变，要否定自己、否定自己、再否定自己。最新的概念是，从转换的过程来看，是我原来这么想，要完全改，还是我原来想法里……

【嘉宾】要加非常重要的一个新的权重，是加新的维度，升维。原来那个维度太小了。在创业这件事上，学术是不重要的，技术也没有那么重要。我觉得最终商业是重要的——为了你的商业目标，你需要什么样的技术，你得有这个能力。当下这个阶段，就像我刚才说的，找场景这块，既要懂商业设计，也要懂技术，或者对技术未来的预判要相对准，你才能在未来的一个焦点上找到一个交叉。因为它不是成熟落地的商业化，所以它要对技术的轨迹曲线有个预测，然后在某些维度上找到这个交叉，这是需要一些技术判断力的。

【主持人】那这不就是我们在投资上常说的——一种是拿着锤子找钉子，一种是大概为一个……当然你这个是将要为一个合适的钉子，把锤子变成最适合砸它的样子？

【嘉宾】对。当下最大的锤子是 AI，在 AI 的范式下会激活很多可能性。所以你要本质上找到一些可能性，用这个技术的趋势和技术的 power，去解决这个可能的商业价值。回到刚才，我经过几个蜕变，蜕变的过程中我最大的坑，我觉得是对组织的理解——从同一个科研范式转向一个市场范式的变化。我再补充一下，每个变化不是自我的否定，而是对你选人用人和整个组织，它都要跟着迭代。你只关注技术的时候，你选的人、用的人和组织的方式，和你关心工程、关心量产都不一样。所以这个变化，还不是我自己变了就行，你还得有能力驾驭整个组织进行这个变化。你早期选的那些人，和后期需要的人都不太一样。

【主持人】难道不应该是一直永远持续在变化的事吗？

【嘉宾】我觉得当你的维度足够全面了以后，它就不会有特别大的变化。为什么有的成功创业者再创业成功概率很大——比如雷军如果再创业，成功概率很大——因为他这个维度已经比较丰富，已经训练过了。对，已经丰富了，我觉得比较极致的……

【嘉宾】学术和技术创业的人，是缺很多维度的。这些维度也不是说看书就能补上的，跟别人聊也不会立刻就有，你得有 grounding，得有 data，得自己有手感。它需要真机数据，只靠绑定真实数据的预训练链路，基本上没办法完全成形这个模型。就跟人看书是一样的，但你不能说完全没帮助，还是有一定帮助，只是最终还是要有真机数据。

回过头来讲，其实就提到了第二个问题——公司管理。公司管理主要是对人的管理和制度的形成，以及到底用什么样的方式来激励和管理一个团队。在公司里和在大学里肯定是不一样的：大学管一个研究团队，或者管一些博士生、博士后、硕士生等等；而在公司里，是管一些在不同方向、不同职能上有不同技能和能力的人。

从刚才那个维度来看，这也是五个坑、五个变化。组织我觉得是最核心的能力，组织能力反映了你对这件事的认知，以及对这件事相关的人的认知。如果你只是搞科研，你只要了解什么人适合干科研、怎么激发他做科研，然后给他好的问题就结束了。但如果你要做好一个商业，你需要对所有的商业环节有相对清晰的理解，这是前提。同时你还要对人性有了解，对人有理解。组织的本质在我看来，就是人和事的一个匹配，就像我们选神经网络的架构一样，有各种不同范式的架构来做这个匹配。所以你对事理解不对、对人理解不对，这个匹配也大概率是错的。这中间的变化，就是你对事的认知会影响你对整个组织的看法，选人的方式也都会跟着变。这些我自己觉得挺有意思的。

当然，说"有意思"是完成之后比较容易回头这么说，过程中一般都是有点折腾和痛苦的。就像在我们可见的成长的差不多四年里边，大概经历了一些不同的组织结构和人员的变动，有经验也有教训。

【主持人】我们只能是坐在边上看了。这些亲身经历者在这些变化背后，或者在这些变化的过程当中，有什么不断自己在变化成长，或者自己得到的经验和教训？

【嘉宾】其实我们早期还是挖了挺多高管的。在很早期换过之后，后来你会发现，成长就是说不要把自己看得太高。

【嘉宾】人员的选择是个双向选择，就是说大家觉得不合适，要及时地说出来，把这些事情做好，我觉得会比较好。我现在是比较坦然的。最近他们还说什么张立离职，这是去年的事了。我们去年中的时候就谈好了，然后他可能重心放在北京，逐渐地淡化管理，但我们相互还是比较认可，非常 peaceful，交接和过渡都很好，他也当了一段时间的顾问。所以现在这事都早就发生了，也没对我们有什么大的影响。

因为在早期，我有更早的一些人是有这些问题，当时是非常痛苦。第一次经历，第二次经历就比较痛苦，不好意思说出来，尤其是面子上过不去，不好意思谈这个事。后来就比较坦然了。反而觉得人才没有说好坏，我觉得都是合适不合适的问题，适合当时公司的战略和匹配，这些比较关键。因为"合适"，既有一个互相的需求和能力问题，其实还有个时间跨度问题——合适通常不一定是一辈子，也有可能是这一年或者这两年，尤其是 AI 变化这么多。

聊到这我可以多聊，我觉得非常多的思考，还挺有意思的。我们希望组织变得有活力，多招一些年轻人，多招 AI 原生的一些人。然后我们对怎么定义"年轻"——我打引号——是有自己的一套理解的，不一定非得是年龄。大家拼命地说得是00后、90后、AI 原生的，我们觉得有 80%、90% 是有道理的，但还是存在像我们这种年龄虽然大、但是有少年心——叫少年气也行——没有暮气，对未来有热情、保持开放，就这几个点可以定义"年轻"。

【主持人】听起来更多的是心态和思维这两件事。

【嘉宾】我觉得有一点不会错的，确实是——人年轻的时候，很多东西是自然的，它的开放度，因为它没有那么多经验去固守，然后想象力很大。我后来发现最关键的一个点是：开放心态的人其实蛮多的，有激情的人蛮多的，但经验和智力，对一个相对年纪大一点的人……

【嘉宾·张巍】他的限制其实在于成就感。有可能他以前管过几百亿的盘子，让他做个一百万的事，他找不到那个成就感。但年轻人没干过这事，反而很有动力。这件事情是年轻人特别独有的，也是很难找到的——尤其经历过很多事之后，他就觉得"我也不 care 这玩意"，所以你很难让他有那种正向激励的成就感。

所以我们可以把年龄放开来看，我们所谓的"年轻"加引号，它包括开放性、包括经历，以及他的成就感来源——是可以因为小事而高兴的。

【主持人】对，我觉得这是关于"年轻"最大的一个体会。我插开这个话题，问一个别的事。因为我们也投了非常多学术背景相关的创业，我觉得从教授这个角度出来做公司的创始人，在最开始的阶段——这个阶段长短不一，有可能是半年一年，有可能是两三年甚至更长——教授出来的创业者，容易出现一个现象，就是他会像解一个科研问题一样来看待公司的事。我们观察到的一个普遍共性是，他容易相对理想化地希望所有事情——包括人和职能——都能像解题一样尽量一步到位。就是我因为缺了一个具备 A 技能的人，最好就能找一个完全符合 A 的人放进去，从此这件事就 carefree 了、高枕无忧了。

【嘉宾·张巍】我也经历过，我现在偶尔在某些不懂的方面还是会有这种想法——这种叫做"wishful thinking"，你希望找到一个人之后就不用管了。其实你是要躬身入局的。

【主持人】对。在这个里面，你这一点还算好一些。我觉得还有另外一个小挑战，是有些教授创业的时候，他更希望一上来就找一个 CEO——这是更不容易的一件事。

【嘉宾·张巍】我觉得这跟教授自己的定位是相关的。他如果就想做一个技术输出者、早期的贡献者，去找一个职业经理人，这可能也——我不知道是不是 work，但没准也行。但如果他是大股东，过早地找一个职业经理人，在你的 business 还没有完成从零到一、整个商业模式都在摸索的时候，这是比较有挑战的。

【嘉宾】或者说，其实从某种意义上，大家即便是要找个CEO，也应该先找一个CEO。就拿你那个正循环来讲，最少要有个可以观察、调整、配合和上升的，或者像下降的空间。它要顶到头了，就变成这件事没有变化余地。因为但凡你把一个CEO降职了，这CEO肯定也待不下去，那CEO在这里也没有别的职位了，它就只剩"合适"这一个选项。但万一不管什么方面有一点不合适，这就没有任何调整空间。且不说什么信任如何建立等等这些问题，就是在一个高速发展、未完成从零到一探索的领域，塞到第一大股东它就是CEO——你管它自己不叫，它也是。它在旁边叫其他人CEO，它本质上是个自欺欺人的事，在我看来。如果是个成熟业务，我就开一个奶茶店，那无所谓，找个成熟店长。

【嘉宾】我其实刚才想解释的是，其实解释起来时间很长。优秀的这些科研工作者，他更希望在每一个重要问题，或者我们叫岗位上，都是个一步到位、从此高枕无忧的选择。可是我不知道你是不是能同意，或者说是不是经历了这个事——事实上大部分情况下，能相对既称职又起作用的这个人选，是一个过程当中慢慢展现，或者叫变化，或者叫筛选出来的。就是它是慢慢变成那样的，不是第一天一步到位就成为那样的。当然也有，我觉得从现象来讲是这样，发生的大部分情况下是这样。

【主持人】是的。

【嘉宾】但这个的本质，我认为是创始人，或者说岗位对事情的认知的问题。如果他非常清楚做成这件事需要ABCDE，然后每一件事上的人需要具备哪些能力，然后他都能非常清楚地搞明白，我觉得他选对人、能把它干成的概率也是有的。因为一般我们讲创业的事，不管是从哪一个角度，哪怕是成熟创业者出来再创业，他基本上应该除去少数人之外，大部分人不会去重做一遍自己已经完全做成过的事。就是他总是要做一些不同的、他想做的、他没有做过、他觉得他能做成的事。那这里边总有——最少我们讲创业相关的事是，不管你再思维缜密、周全和成熟，他总有最少三四十%的事情……

【嘉宾】是你的想象，或者叫预测出来的事情，而不是你做过的事情。所以那部分总是有探索的，总是需要去尝试和付出代价。

【主持人】OK，我听上去好受一点。

【嘉宾】对，事实上就是这样。即便他是一路从商业过来的——我们讲，有做得不错的CEO，是从小开始，比如说不像我们一样在好的大学里受教育，甚至受国外教育这样的，他可能也举了更多从社会上成长起来的经历。我们应该讲，他的社会经历肯定远丰富于我们这样的人。并且，因为小时候混社会，难免出现的问题是：所有可能被人骗的方式，都被人骗过一遍以上了——因为你小，经历的人多、事情杂、人也杂。理论上应该讲，他在刚才我们讲的概率模型里，就是在能尝试、试错的范围里，应该都试过一遍错了。但是即便是这样，他做熟悉的事情，总有不熟悉的过程。因为最起码，即便再做一遍一模一样的，比如说你做成了，也有新的因素——你的环境也不一样，竞争也不一样，仍然会有这样的问题。我觉得这几乎是一个不可避免的问题。

只不过，我觉得从学者的角度来讲，因为他是一个更偏解题思路的人，就是更偏向：你提出一个问题，我就要找一个正确的、必然的答案，并且不能被同行质疑。这个思路训练出来的人，更容易想一步到位，或者更容易希望——就按你说的叫 Wishful Thinking——他更容易希望找一个一步到位、就此高枕无忧的答案出来。

我总结是：人总会在自己不懂的领域里被魅惑，是最容易被魅惑的。魅惑就是被一些其他的因素驱使，特别希望这个事别人能解决——其实就是因为你不懂，你懂了就不会被魅惑的。学者之所以容易被魅惑，所谓追求一步到位，被一些东西蛊惑去做一些选择，本质是他对整个商业里边缺失的维度比较多。

【主持人】怎么看？有可能？

【主持人】也有一些成熟的企业家，他特别容易在技术和学术上被魅惑，特别被魅惑。他就是用技术崇拜的感觉，其实懂的人会发现是不work的。所以人会在自己最不擅长的领域里头最容易被骗，或者说人老师在最既不擅长、又不想暴露不擅长的地方找一个完美的答案。但最后证明说，最少即使不擅长，也需要先了解、做了判断，才会有及格的答案，先不讲完美的答案。

【嘉宾】对，所以这挺有意思的。

【主持人】好，那最后作为结尾部分，我不知道，作为一个经历了五年创业CEO，和十五年以上研究学者身份，在五年里经历了行业特别不热和融资寒冬——这不是跟你行业有关，这是跟中国一级市场有关的一个阶段——又经历了行业最热的、最少是两年的时间，回过头去看这五年，有什么特别印象深刻，或者说今天最想描述的感受，和再回顾起来的这些经历？

【嘉宾】自己需要学的东西还是蛮多的。这五年我觉得还是有挺大变化的。每升一维，或者增加一个维度——我不觉得完全升上去了——增加一个维度都是一个急速的、痛苦的过程。痛苦完了会有一个享受，还没等你消化完了，新的挑战又来了，你发现自己还是差，还是有些没考虑清楚，或者认知偏差的地方。这是一个最快速度——我觉得是自我的一个修行——最快速度了解自己的缺陷，然后在商业上迅速补充、学习的这么一个迭代过程。整体来讲，你要每分每秒都感觉挺有挑战、有压力，但同时整个回过头看，是有成就感的，大概是这样一个状态。