
具身智能赛道重心转移
过去半年,国内具身智能赛道经历了一场静悄悄的重心转移,聚光灯从硬件本体的“自由度竞赛”,逐渐移向决定机器人智能上限的深水区。然而,当行业反复讨论“机器人能否通过暴力堆数据复刻大语言模型 Scaling Law”时,上海创智学院副教授、智元机器人首席科学家罗剑岚给出了不同判断:具身智能不能简单照搬大语言模型的发展路径。
罗剑岚的独特判断与经历
罗剑岚的表达风格极具辨识度,他习惯在中英文专业术语之间快速切换,逻辑推进密集,很少给出模糊的折中答案。他更倾向于直接指出问题本身,认为当前具身智能的核心矛盾,不是某一个环节的单独突破,而是这些环节能否在真实部署中形成闭环。这种判断来自他横跨学术研究与产业落地的经历,他曾是伯克利博士,师从具身智能领域奠基性人物 Sergey Levine(谢尔盖·列文),毕业后曾任 Google X 与 DeepMind 研究科学家,14 个月前回国并加入创智学院和「智元机器人」。
具身智能预训练现状与问题
罗剑岚认为,目前行业里相当一部分所谓“具身基础模型”的训练方式,并不是真正意义上的预训练,更接近中训练(Mid - training)或微调(Fine - tuning)。原因是当前高质量真机交互数据仍然稀缺,尤其是覆盖多场景、多任务、多本体,并且包含失败、纠错和长尾交互的数据,远不足以支撑类似大语言模型那样的大规模预训练。这也造成了行业里不少团队会选择在已有开源模型底座之上,叠加高质量遥操数据,在特定任务上进行对齐或微调,但这种路径并不等同于真正意义上的具身基础模型预训练,模型在离线数据上的 Loss(损失)曲线变好,更多说明它更好地拟合了已有数据,至于能否迁移到新的物理场景、处理长尾扰动和失败恢复,仍需要通过真实部署来验证。(作者注:Loss 是“模型每次猜错了多少的分数”,Loss 曲线就是把这分数按时间画出来。Loss 曲线往下走,通常表明模型在训练数据上拟合得更好;但在机器人领域,它并不必然等同于真实场景中的部署成功率提升。)
具身智能不能盲目照搬 GPT 式 Scaling Law
在大语言模型中,预训练 Loss 与模型能力之间存在相对稳定、可预测的统计关系,但在机器人领域,离线 Loss 下降并不必然对应真实部署成功率提升。具身智能真正的突破不只是堆参数或堆数据,而是应该部署一个闭环,直到机器人部署规模扩大后,新场景适配成本能够持续下降,数据回流能够稳定提升模型能力,这才是物理世界中的“Scaling Law 时刻”。回国后罗剑岚的核心任务正是构建一个可规模化演进的具身智能闭环,他将这一年的工作重点凝练为三个技术支点。
三个技术支点助力具身智能闭环
首先是 SOP(可扩展在线后训练),它面向大规模机器人在线后训练所需的基础设施问题,包括低延迟数据回流、云端计算、训练调度和模型更新,其价值在于验证机器人数据能否从部署现场高效进入训练闭环。其次是 LWD(部署中学习),它试图打破过去“训练—部署”的割裂状态,让机器人在真实场景中持续进化,当机器人遇到未见过的情况时,系统能够通过真实交互不断积累数据,并将这些经验转化为后续模型改进。最后是近期由上海创智学院和「智元机器人」联合发布的 τ0 - WM 世界模型,它不把视频生成当作最终目的,而是把视频预测作为学习物理动力学、评估动作后果的一种手段,希望成为一个动作条件的物理推演器,帮助系统选择更可靠的动作。
具身智能决胜点在于形成闭环
在罗剑岚看来,具身智能真正的决胜点不是硬件,更不是数据、模型、Infra 单点能力的强弱,而是它们能不能彼此形成闭环,就像木桶的不同木板,任何一个关键环节短板过短,系统能力都难以真正释放。“谁能率先在便利店、商超、仓储等半结构化场景中,跑通‘部署—数据—迭代’的数据飞轮,谁就真正具备了大规模商业化的可能性”,而关键的时间节点或许正是未来的 12 到 18 个月。
采访实录:具身智能相关问题探讨
真正的具身预训练,门槛比想象中更高
硬氪询问罗剑岚为何认为现在国内具身智能行业里真正做基础模型训练的团队很少,罗剑岚类比大语言模型的发展阶段,认为现在机器人领域有能力做具身基础模型预训练的团队很少,大家做的更多是 fine - tuning(微调)或“中训练”(Mid - training),甚至很多中训练也不算夯实,很多所谓“机器人基础模型”还没有真正进入大规模、异构、真实交互数据驱动的预训练阶段。行业里有说法“paper 上,PI(Physical Intelligence)从来没赢过;现实里,PI 从来没输过”,反映了机器人模型不能只看论文指标,最终要看真实世界里的部署效果。回顾 LLM 的路径,真正的机器人基础模型预训练也应该吸纳广泛数据,只不过机器人领域的数据是真实世界中的交互等。硬氪还询问了预训练、中训练、后训练在数据和架构上的区别,罗剑岚表示这是训练的三个阶段,核心差异是数据和训练算法,预训练用极广泛的数据,中训练用高质量的机器人遥操示范数据,后训练针对特定能力做优化。对于接下来国内公司在补齐预训练和后训练时可能遇到的挑战,罗剑岚认为核心是数据和真实场景部署问题,整套系统环环相扣,真实世界的数据必须作为底座。对于很多公司说的机器人的“GPT 时刻”,罗剑岚反对盲目对标 GPT 式的 Scaling Law,认为当前行业在高质量、真实交互、可用于闭环部署的机器人数据规模上远远不足,且行业对机器人数据的计量口径不统一,大语言模型的 Scaling Law 在具身智能领域并不自动成立,具身智能的金标准是真实场景的部署效能,遗憾的是学界与业界至今无法精确计算数据飞轮开始转动的临界点对应的数据量级。
机器人需要一个闭环
硬氪询问罗剑岚回国后观察到的国内外具身智能机器人业态最大的差别,罗剑岚认为机器人是全栈系统,需要硬件、模型、智能,也需要靠真实部署形成数据闭环,国内的优势是产业链等,应该结合优势快速跑通闭环,而不是只卷本体。对于回国后做的 LWD、SOP 等研究成果的作用及完整闭环的组成部分,罗剑岚从底层往上介绍,最底层是大量部署的机器人硬件,即 Fleet learning(机器人集群协同学习),再往上是基础设施层,SOP 是这个 Infra 的概念验证,再往上是算法层,包括预训练和后训练,LWD 解决的是机器人后训练、自我进化问题。整体闭环逻辑是真实部署是智能继续演化的起点,能形成正向飞轮。理想中的数据飞轮效果是越部署越强的正向循环,在半结构化场景中,随着部署数量增加,新场景适配成本会下降。打通这个闭环的意义在于现在硬件基本够用,真正的短板在于数据闭环,一旦有人在半开放场景中跑通商业闭环,资本和产业资源就会集中,创业公司有速度优势,未来 12 到 18 个月,若有团队能在半结构化场景中跑通正向循环,会建立先发优势。
世界模型不是生成视频,而是预测动作后果
硬氪询问罗剑岚对世界模型的理解,他更关注动作条件的预测模型,核心是能在不真正执行动作的情况下,评估动作对未来世界状态的影响,并举例说明。对于世界模型技术路线不收敛的原因,罗剑岚认为是定义过宽,很多人口中的世界模型更接近视频预测模型,而机器人真正需要的是能评估动作对世界状态影响的模型。他们借用世界模型这个工具的目标是预测动力学,提升规划准确性。对于行业里“VLA 已死”的声音,罗剑岚认为语言在 VLA 中不可或缺,它是复杂任务拆解等最自然的接口,直接断言“VLA 已死”过于极端,现阶段数据量还远不足以否定 VLA 的价值,未来真正的突破在于 VLA 与世界模型的融合。对于是否不需要那么多数据也能实现泛化,罗剑岚认为数据重要和需要多少数据是两回事,现在没人能证明哪种假设是对的,只能一边做一边验证。对于第一视角数据是过渡方案还是长期重要组成部分,罗剑岚表示要看底座模型,若基于现有模型,第一视角数据有用,若从 0 开始训练具身基础模型,核心还是真机部署数据,现在机器人领域处于数据荒漠阶段,小数据规模下的结论到大数据阶段可能不成立,就像自动驾驶初期,等真机部署数据足够多之后,各种替代数据方案的价值会被重新评估。



被折叠的 条评论
为什么被折叠?



