裁剪部 发自 凹非寺量子位 | 公众号 QbitAI小黑屋 调教

具身智能趋势大热，勇于给断言的东说念主未几，高阳是一个。

他是清华大学交叉信息酌量院助理栽种，于好意思国加州大学伯克利分校得回博士学位，后于加州伯克利大学与 Pieter Abbeel 等东说念主调和完成了博士后酌量。面前主合手具身视觉与机器东说念主施行室 (Embodied Vision and Robotics，简称EVAR Lab)，专注于运用东说念主工智能工夫赋能机器东说念主，起劲于打造通用的具身智能框架，由他建议的ViLa算法被Figure AI袭取。

2024年，高阳作为纠合首创东说念主创立具身智能公司千寻智能。这家公司也被称为中国版Figure 01，1年时代快速完成三轮融资，其中种子轮+天神轮2亿。

MEET 2025智能翌日大会上，量子位邀请到高阳博士深入探讨了具身智能的发展近况与翌日，从模子架构、数据、产业落地等维度伸开深入探讨。

MEET 2025智能翌日大会是由量子位独揽的行业峰会，20余位产业代表与会酌量。线下参会不雅众1000+，线上直播不雅众320万+，得回了主流媒体的等闲真贵与报说念。

中枢不雅点

具身智能的界说，等于机器东说念主能帮咱们作念多样事。

AI和机器东说念主制造的老练，催生具身智能产业。

具身智能要缩短对东说念主工网罗数据的依赖。

面前界说具身智能L1-L5莫得真理，很长时代内王人只可停留在L2.99。

咱们抵达RobotGPT的1.0阶段，旨趣还是细目；4年后不错达到RobotGPT-3.5阶段。

但愿10年后，宇宙上10%的东说念主不错领有我方的机器东说念主。

（为更好呈现高阳的不雅点，量子位在不编削得意的基础上作念了如下梳理）

10年后10%东说念主类不错有专属机器东说念主

量子位：你如何界说具身智能？

高阳：我以为这个问题是一个相等直不雅的问题。

有一次我在作念一个对于具身智能的演讲，有一位能够60、70岁老奶奶听我讲好多，问我说什么时候机器东说念主能给她养老。

其实这个等于具身智能。

具身智能等于咱们构建一个机器东说念主，这个机器东说念主能（比如在家内部）帮咱们作念多样事情，比如帮咱们的爷爷奶奶养老。

是以我创建了千寻智能，我最大的一个生机和愿望等于在十年之后，但愿这个宇宙上10%的东说念主不错领有我方的机器东说念主。

它颖异什么，也相等直不雅。比如说我我方每天晚上回到家还是比较晚了，可能想吃点夜宵，吃完之后不想打理盘子；周末家里好多东西莫得归位小黑屋 调教，我想让一个机器东说念主帮我把这些东西归位……

这些等于所谓的具身智能，有实体机器东说念主不错帮咱们作念多样千般咱们我方不想作念或者懒得作念的一些事情，这是我领略里的具身智能。

量子位：具身智能这个意见来自于阿兰·图灵，是半个世纪以前运转界说/构想的事。本年被咱们界说为具身智能元年，或者说它发展老练了。您在产业中看到了如何的工夫/身分变化，让您以为具身智能变得老练，并让您决定运转创业？

高阳：这里独一的变量等于OpenAI讲明了预锻练（Pre-training）加上一系列Post-training的面孔，不错实在产生、至少看起来像是东说念主类智能，或者达到东说念主类智能征象相似的才略，我以为这是面前作念具身智能创业的一个最中枢的变量。

像刚才全球讲的，以前的机器东说念主王人是手写的一些法例，王人是写死的，就导致对于环境的稳妥性很差。其实我之前对机器东说念主硬件并不是终点了解，但当我确切去看的时候，看到工业机器东说念主一年的销量有几许台，我相等诧异，工业机器东说念主一年的销量全球唯独能够200万台的量级阁下。

这个量级比较于汽车、手机王人是一个相等小的量。背后的中枢制约等于机器东说念主相等难用，这仅仅一个专用的缔造，你需要有很高的工夫储备，身手把它用起来。

是以我以为是这两者之间的辨别在于，一个是智能工夫使得机器东说念主变得越来越好用，另一个是咱们在造机器东说念主这件事情上，还是走了相等远，咱们不错把机器东说念主作念到亚毫米的精度，以相等低廉的价钱。

这两方面的老练催生具身智能产业。天然这个产业面前处于相等初期的阶段，我也频频讲，这个东西其实很难，因为频频讲具身智能像是一个硅基人命的造物主，若是把具身智能作念出来了，东说念主类作为碳基人命的疏导设施任务也基本完成了。是以我以为这个东西是很耐久的事情，我至少从我我方来讲，我是把它动作一个lifetime的干事来作念。

数据仍是具身智能发展攻坚要点

量子位：您如何看昔日一年具身智能范畴的中枢证实，哪些值得在2025年要点攻坚？

高阳：我认为具身智能昔日一年比较大的冲破，除了刚刚谈过的VLA模子外，还有一些是模子如何作念预锻练。像咱们面前的面孔（包括Phi），王人是狂采了一万个小时的数据去锻练，让模子具备一些才略。

若是咱们记忆刻下悉数让东说念主印象深切的大模子，比如ChatGPT、Stable Diffusion、视频生成模子（Sora）等，它们的数据量王人是100T tokens或者几十个billion的image-text pair。

面前咱们通过东说念主工去网罗的操作数据，远远小于这个量级。是以我认为在具身智能发展经过之中，如何去更多运用互联网上的数据作念预锻练是一个相等蹙迫的事情。

对于这个问题，比如VLA其实作念的比较弱。VLA的预锻练数据中唯独图像和文本。我以为在学术界，全球有好多新奇的念念路来处治这个问题，这应该是翌日3-4年内王人能够合手续发展且相等蹙迫的事情。

△高阳酌量组建议ViLa算法

举几个具体的例子。比如我以为Google的RT-Trajectory是一个比较有代表性的责任。这个模子先容，若是只用网罗的效法学习的数据去锻练，数据量耐久不够。

它袭取一种新的纪律，用一个中间暗意来暗意机器东说念主迁移的梗概轨迹，让机器东说念主去能够follow这条轨迹。具体细节是由底层计谋告成产生。

近似这类的著作有好多，包括我我方的酌量组也作念了好多关系责任。我我方作念的是一些用物体的翌日粒子解析面孔来描摹中间层暗意。

我以为这些责任是曲常令东说念主旺盛的，因为以前全球也不错去网罗数据、也不错去锻练效法学习，然则这波大模子波浪驾临时，咱们需要弥漫多的数据。

这一年这些新的酌量责任，其实也为咱们翌日发展指明了场所。

VLA自己是一个相等好的范式，亦然翌日中枢之一。然则在VLA以外，我看到了更多缩短对东说念主类网罗数据依赖的责任，这亦然本年相等令东说念主旺盛的证实。

面前界说具身智能L1-L5莫得真理

量子位：若是咱们要定制一个机器东说念主、具身智能尺度，这个尺度应该是如何的？

高阳：制定一个尺度本意是为了促进一个行业发展，不错规画每个公司的工夫达到了如何的水平。

但我以为可能在一个特地长的时代内，岂论这个尺度是什么样，可能大多半具身智能因为客不雅工夫阻抑，只可达到或者堪称达到L2.99，或者是达到了有限场景内的L4.

是以这个尺度临了可能就形成了一个偏向宣寄语术的东西，有限时代内全球作念不到等闲场景的L4或L5的水平。

是以尺度如故要看咱们能不可处治客户的需求，这不错是曲常了了的。

比如说咱们要就业一些工场、营业、家庭场景，咱们的机器东说念主到底能不可作念到，咱们就业到这个场景的时候，downtime的概率是几许。

这些是我认为愈加明确的、愈加不错去追求的一些主义。

致使我面前以为，去界说一个具身智能的L1-L5主义也不是曲常有真理。

关节在于具身智能大脑能不可处治具体问题，比如外卖送货、比如工场装置零件，这是需要咱们探讨和追求的。

咱们还要等机器东说念主“大学毕业”

量子位：那么，咱们面前处于具身智能的什么阶段？

高阳：咱们刚刚目击了GPT从1.0到3.5、4.0再到o1的发展。GPT-1刚刚出来时，没东说念主瞧得起它，它话语不利索、莫得推理才略，跟东说念主换取很有问题。

然则在GPT-1出身时，大语言模子工夫的旨趣还是基本细目。

我认为面前咱们处于RobotGPT的1.0阶段。因为基本旨趣还是定下来，可能翌日几年全球看这个工夫也如故处于初级水平、没太猛证实，然则智能发展是一个指数高潮的弧线，是以我个东说念主以为对于具身智能大脑端，会在4年之后达到RobotGPT-3.5阶段。可能莫得那么高阶，然则还是不错看到好多令东说念主诧异的才略了。

我认为咱们距离那一天有一段时代，但也不会很远。

量子位：等RobotGPT上一个大学。

高阳：对，他才刚刚进大学，什么王人不会，需要大学毕业，实在参加每一个东说念主的家庭，从面前运转算能够需要10年时代。

天然GPT-4还是不错回话好多问题了，然则它仍然有10%的情况莫得那么可靠，是以咱们仍然需要不时进步语言模子的才略使得它能够确切深入到东说念主类坐褥生涯中的方方面面。

对于机器东说念主的模子来讲，我以为亦然相似的，咱们在作念出来3.5之后，他可能莫得那么鲁棒小黑屋 调教，资本可能有点高，咱们需要不时矫正这个工夫，是以我认为在10年之后会有10%的东说念主领有我方的机器东说念主。