人形机器人，一定要像人吗？｜对话蚂蚁灵波CEO朱兴

今天下午外滩大会，我参加了蚂蚁灵波主办的“基座之上”论坛，非常硬核，关注度也颇高。

在CEO圆桌活动上，主持人问到，目前所有的具身机器人是应该直接下场干活，还是应该再练练内功再出来干活？

蚂蚁灵波科技CEO朱兴斩钉截铁地表示：我觉得哪怕打“学徒工”，（机器人）也该干活了。

“我觉得大家前面谈了很多数据也好，包括模型泛化能力所处的阶段，总体就是一个童年状态，大家这么关注数据，无非就是想如何搞到更多的数据，在实验室里面灌进去，让它冷启动。如果不这么做，具身智能的学习不完整。”朱兴进一步解释称。

这是我今天听到具身智能圈最狠的一句大实话。

事实上，当前的具身智能模型的性能如同2岁的孩子，但整个人形机器人和具身智能行业都面临商业化难题，尤其要在工业、家庭场景获得收入，才能转起来“商业飞轮”。

过去两个月，我看到具身智能行业新的现象是，具身智能越来越热，做家庭和陪伴场景的具身智能企业越来越多，做世界模型和具身的公司多如牛毛，大家都认为数采多少小时无意义，而高质量数据才是具身原生大脑的核心。

宇树前两天开源全新一代通用人形机器人具身基座模型UnifoLM-WLA-1.0，以及GPT-6 Astra对于具身智能和3D建模的一些场景，也让大众关注到具身智能技术新的变化。

这些都证明了一件事：具身原生大脑是行业未来发展的新趋势。

这次有三个圆桌，第一场包括蚂蚁灵波首席科学家沈宇军，第三场是CEO圆桌，包括朱兴，乐聚机器人联合创始人兼CEO 常琳，大晓机器人董事长王晓刚，地瓜机器人CEO王丛，傅利叶创始人兼CEO顾捷，青心意创始人兼CEO牛腾昇。

大家畅聊了关于数据、模型、商业化落地等具身智能行业核心以及重要问题，重新讨论了通用大脑、数据飞轮等。

在演讲结尾，大量观众都打算上前加嘉宾的微信，这可以看出，行业关注度颇高。

此外，我们还在今天上午专访朱兴总，深入了解蚂蚁灵波对于当前行业以及行业发展的一些新看法，而整个采访中金句频出，值得再次了解为何“本体看宇树，大脑看灵波”的根本原因。

下面请enjoy：

减少焦虑讨论，未来3-5年数据将不会稀缺

当一套模型在物理世界稳定跑起来，核心底层能力是什么？

对此，蚂蚁灵波首席科学家沈宇军给出了三个关键词：通用性、泛化性和纠错能力。

在沈宇军看来，行业把具身想得过于简单，试图沿用数字世界的模型路线。灵波更关注三个环节：从原始传感器信号中提取有效的信息表示，将不同模态的信息对齐融合，再据此产生动作策略。

要把感受到的信息理解好、结合好，才能决定怎么行动。

沈宇军认为，现在市场存在一些引发焦虑而讨论的声音，如行业到底需要多少数据才能智能涌现等，但是，这主要是与之前大家经历过从数据世界的路径依赖有关系，之前自动驾驶赛道大家没人讨论过这件事。

“因为自动驾驶是数据过剩的时代，没有人会问自动驾驶数据够不够，或者你觉得到什么时候自动驾驶已经成了？哪怕自动驾驶每天还在继续积累更多的数据，但自动驾驶没有真的成了。所以我觉得减少这种讨论，更多的应该是做一些这个行业到底需要什么？比如从模型产品到落地这个过程中，怎么跨过这个门槛等。”沈宇军表示。

沈宇军进一步称，后训练堆数据到底要堆多少，很少有人公开讲，其实本质就是成本。大家都只谈数据量、数据类型，没人谈数据质量或数据分布，谈质量也只是空泛地说"希望数据质量好"，到底哪条指标达到了才算好？谈分布都说要尽可能均衡，但哪个维度需要均衡？

“更本质的问题是：模型已经能在一个场景落地，采了500条数据成功率是90%，那怎么采下一条数据，让它从90%变成90.5%？这个问题好像很少有人提及。未来两、三年，顶多五年，数据一定会像自动驾驶一样过剩，那时候不会有人再讨论量的问题，所以更值得讨论的是这些更底层、对行业更有实际价值的东西。”沈宇军指出。

此外，在沈宇军看来，具身智能行业需要公平的评测。如果缺少公平的评测机构，各家可能建立自己的测试集，而这些测试集又会牵引研发方向。而蚂蚁灵波内部更关注商业落地。

据沈宇军介绍，团队会让合作伙伴使用模型，观察为了落地需要付出多少成本，并以迭代能否降低成本衡量进展。

“我自己一直有一个目标，当然这个连我们的CEO都不知道，就是如何评判我们的模型能做得比较好，真的有一天然后把我们的机器人带上我们自己的模型，假如说今天就是这个会场，就给它通上电，反正至少保证它能源不会消失的，会场跟所有的人接触，只要能待满一整天就好了。这个中间哪怕别人让它做事情做失败做成功都可以，但是只要待满一整天不要出问题。”沈宇军称。

具身机器人如何大范围落地？

第三场是具身智能的场景突围与协同进化，核心还是在问几家具身智能公司CEO，具身智能和人形机器人如何更好的落地实现“商业飞轮”。

首先就是机器人走进家庭，还有哪些门槛，应该怎么走？

正如开头所言，朱兴认为现在机器人一定需要干活。

常琳和王晓刚也认为，该进入场景了。

“我认为机器人就要从真实的场景中学习，所以场景落地干活非常重要。”王晓刚表示。

常琳则把场景分成生产和生活两类。他判断，真正进入家庭可能还需要五年左右，当前做得较好的是工厂里的拿放，尤其是拿取动作。

王丛把研究进展和应用进展分开来看。他认为，大脑泛化研究仍处于早期，但部分端侧应用已经可以落地。

顾捷（Alex）则指出，傅利叶的机器人早已在医院工作，只是当时还没有具身这个词。他举了康复训练中的例子，引导患者辨认、拿取物品，以及辅助患者进行手部运动等训练。更重要的是，医院和患者关心安全、稳定性和回报率。

在顾捷看来，人形本体和模型可以改善交互载体，但最终仍要回答这些实际需求。机器人的手可以帮人类做训练，相当于帮大脑神经做训练。这个里面场景其实有很多有意思的跟人互动，也需要模型驱动的场景比较有意思。

牛腾昇则强调，模型进化需要大量真实数据，现阶段要找到合适的产品定义，让机器人先工作，再持续迭代。

“我觉得可能更重要的点，是我们在这个阶段怎么找到一个特别合适的产品定义，让它去干活。”牛腾昇表示。

此外，顾捷还判断，预计未来三到五年，封闭、可控、有操作员的企业端场景仍会是主流。

当然，对于家庭环境场景，顾捷认为其存在非结构化，机器人需要现场学习、持续记忆和持续进化，模型与本体的结合也还没有迎来真正的突破。

“泛化能力一旦到位，家庭场景和日常的 ToB 应用，本质上区别就不大了。就像一个人，在家能做事，在工作岗位上也能做事，这两者的界限，往后会越来越模糊。接下来三到五年，每家企业还是应该在自己擅长、聚焦的场景里，把场景彻底打透。

什么叫打透？举个例子，在康养场景里，你做到了前面的 99%，但最后一步还是需要人，还需要投入大量人力，那就还没打透。真正打透，是让机器人把从简单流程到完整过程的整条链路全部跑起来。比如在康复场景里，训练全程由机器人陪着患者做。再比如，某个外部场景如果能在完整的时间段内被真正打透，企业就能在这个场景里活下来，再慢慢长出更多技能，最终走向真正的家庭。”顾捷表示。

顾捷强调，目前模型和机器人结合的能力是在加速的过程，但到底还需要三年还是五年，现在没人能准确回答。

具身智能的大人桌已经有“四家”了

9月10日，蚂蚁灵波科技宣布开放三款模型：LingBot-World 2.0 Small（1.3B）、LingBot-World 2.0 Bidirectional 和LingBot-World 2.0 Causal Pretrain。本次开源的LingBot-World 2.0 Small采用1.3B参数规模，面向消费级单卡GPU设计，可在单卡上实现实时生成。

对此，朱兴对智能纪元AGI表示，这次Small这么小的模型技术开源，主要是让开发者了解如何训练一个单向因果的能力，而不是双向的因果关系。而这个训练技术本身也是有门槛的，

“我们比较早地想给开源社区贡献一部分技术，让相关的开发者、学术界有一些帮助。”朱兴称。

而会后1个多小时交流中，整理出约1.8万字内容，朱兴金句频出。

在朱兴看来，具身智能最终的本质，还是要回到商业价值和技术价值当中。

我摘录其中6个非常精彩的亮点QA问答，试图还原真实的灵波和具身智能产业未来发展，下文在不改变原意下有一定润色和修正：

问：GPT-6发布之后，一种认为OpenAI公司要做具身智能的话，难度也不会降低，对具身智能这帮人没什么威胁。还有一种说法，说这种公司的Infra和具身是通的，给具身留下的时间很短，只有1-2年的窗口。对于这个问题怎么看？

朱兴：我可以打一个比方，如果今天OpenAI或者Anthropic下场做自动驾驶，能短时间颠覆特斯拉吗？

大模型厂商在哪些方面是有优势的？比如训练技术，Anthropic和OpenAI从训练能力高于特斯拉，但对于自动驾驶和更核心的壁垒，说白了还是数据。什么是好的数据，数据的knowhow，数据的管线，这可能是更壁垒性的东西。

最近讲的关于GPT-6的演示，它是有价值的，本质可以提升机器人特定阶段的研发效率，这是一个工具，对具身的研发来说是一个好的工具支持，但解决的不是根本问题，玩到最后还是数据。

问：具身智能讲的智能复用率，可能要跨场景、跨本体。但我理解的另一种智能复用率，是在做世界模型的公司身上，它们不只做具身，还做游戏、影视、文娱，世界模型对它们的用处很大。我在想，这类公司会不会为了蹭具身的概念，最后技术路线也一路走到具身这里来？您怎么看这个现象？

朱兴：现在有些词概念确实很泛。你刚才讲的具身世界模型，跟数字世界模型，客观讲也不是一回事，但底层是相通的 —— 都是基于视频生成路线，用的是视频生成的原理，是从这个流派长出来的。不过，数字世界和物理世界的差别很大。

我挑今年世界模型来说，你提到的可灵、万相、Sora，都是非常优秀的数字世界模型，但它们核心满足的是数字世界用户的需求：内容要丰富、好看、创新，特效和画质要好。而且对数字世界来说，只要效果好，延迟是可以接受的。机器人需要什么？机器人不需要好看，也不需要特效，它需要的是合理，是否符合物理规律，因为最终要演化成 action，去控制机器人。比如我现在想喝这瓶矿泉水，它在天空中跳个舞落到我手上，肯定好看，但不符合物理规律，没有意义。机器人第一在乎的就是是否符合物理规律，那种好看的反而不需要。第二，机器人需要高性能、实时，因为它在物理世界里是不断输入输出的，不可能等你帮它生成一个很好的故事，这不现实。

在这个点上，灵波有一个非常坚决的坚持。前段时间，我们向业界一起发布了首个面向具身的视频生成基座——LingBot-Video，并基于它训练了 LingBot-VA 2.0。本质上，我们的 1.0 系列也是基于数字世界的通用视频生成模型（代表性的就是Wan）做微调，把它硬调成适合机器人的。

但这样做有两个问题：一是上限不高；二是调到最后，反而会破坏原模型已有的先验和知识，副作用就是泛化性降低。走到后期，我们真的撞到南墙了，所以在很早期就启动了更原生的研发。

我们的视频在训练时加入了大量机器人真实数据。大家特别喜欢问某个世界模型好不好，但你要看它满足的是什么需求 —— 它在满足用户需求方面做得很好。可非要让它去控机器人，那是强人所难，特别像要求一个男人生孩子一样。

问：很多具身行业人士，会用具身和大语言模型赛道的发展阶段作对比，有些人会提出“ChatGPT时刻”，您觉得在具身赛道里面有这样的时刻吗？

朱兴：我觉得会有这个时刻，但我判断不了。技术的爆发，本来就很难预期。另外，ChatGPT 更重要的其实是 Chat，不是 GPT，不 Chat 也不行。这跟具身智能下一步的发展很像，哪怕是在 To B 应用里，也需要推到一定的规模，这是非常关键的，得先把闭环转起来。所以在我看来，Chat 是比 GPT 更重要。

问：具身演进可以从人类本身的进化，或者人类大脑本身有哪些借鉴，还有哪些是没法借鉴的？

朱兴：人太高阶了，你没必要非要学这个东西，你也学不了，比如人的皮肤，包括人的整个脉冲神经网络的工作原理，人这么多神经元工作，保持这么低的能耗，这些东西都是非常高阶的。

包括人还有更高阶的智能，人还有安全相关的，人怕死，大部分人对死亡有恐惧，这本身就是非常高阶的智能，它可以影响你非常多的行为。

第二，我觉得机器人没必要替代人，长得像人、什么都要像，没必要。我们更多是看具身智能作为一个新的技术，在社会里面创造什么样的价值，商业价值、社会价值等等。过去比较火的词是“第一性原理”，“第一性”就是人形机器人必须更像人，我不觉得是一个科学的方法。

问：从场景选择来看，有没有更多的demo和实际场景？

朱兴：我们更在意的是跟生态合作伙伴一起，去做一些实实在在的落地。

当然，今天我要让它做一个很炫的事情，那也是一个demo，无非就是部署在真实场景的demo，或者我让团队搞两个月，我可以让四个机器人打“掼蛋”，我可以给你展示非常多的技术，高精度的技术、触觉的技术等等，但没太大意义。

我们更多还是在说，真实的应用落地、数据的产生，在过程中，把模型的迭代能够循环，让模型更多知道还有哪些不足，要提升什么东西，这是我们比较看重的东西。

此外，今天也不是产业不想去搞那些既可以规模化应用、又更酷炫的一些Demo演示，而是做不了，模型能力还没到那一步，或者成本的约束还没到那一步，产业还没到那一步。

问：现在市场上具身公司非常多，还有新公司在不断冒出来，投资人的钱在这里可能形成了巨大的风口。在您看来，市场需要这么多具身智能公司吗？大家在押注什么？我们怎么评判未来的市场潜力？哪些特质和路线的公司最终能活下来？

朱兴：灵波能不能长期活下去也是一个问题，我觉得一个行业的发展过程中，阶段性受到过多关注，其实也不是坏事。

回到灵波的角度，我们还是行稳致远长期去做，也会比较早地选择一些投入更大、风险更高的路线，因为这个路线是要长期发展的，上限是更高的，我们希望灵波能穿越几个周期。

第二，行业未来的发展肯定需要很多产业方去协同，比如在硬件、数据、智能、场景等层面，大家要有很好的生态配合起来。

第三，从产业格局来说，回到基座公司或者基模的角度，确实不需要太多家。大家可以看一下大模型，从轰轰烈烈的“百模大战”到现在比较收敛，四五家坐上了“大人”那桌，国内再想上桌也挺难了，旁边看看可以，吆喝两嗓子可以，具身也会走向几家为主，未来一定是收敛的格局。

在这种情况下，反而对具身智能产业更高效，对行业整体效率更高，但具身今天可能是“百模大战”才刚刚开始。

问：很多数采工厂包含重复性训练，无效数据也很多，所以多少万、多少百万小时的训练数据，是好的数据飞轮模式吗？

朱兴：作为模型的一方来说，你是有义务作为数据需求方的，你得定义出来我需要什么样的数据，需要什么样的质量，不能把这件事情赖到数采厂里，这需要良性发展。

你把模型做得好，可能关键的门槛之一，本身就是模型厂商的责任，你不能怪数据供应商，而是你是否能把这个想得很清楚，尤其是数采需要带一点泛化性，这些反而是数采厂要做好的事情。

我知道整个行业比较着急，老喜欢谈千万小时、亿小时，这是没有答案的。从数据的角度来讲，比量更重要的其他维度多了去了，刚才讲分布，这是非常关键的。分布肯定比简单的量更重要，比如质量是不是更好，这有可能是更重要的。

我知道大家特别想大力出奇迹，感觉要怼到多少小时，这个智能就“涌现”了，就迎来具身智能新时代了，但这个东西其实不太简单。