在我们上集节目中，我访谈了 Physical Intelligence (Pi) 研究科学家柯丽一鸣。Pi 是一家在硅谷做机器人大脑的备受瞩目的实验室。业内人士把它们比作机器人的 OpenAI。

今天我邀请的是一位在本土探索原生具身基模的公司，是由蚂蚁集团孵化的子公司蚂蚁灵波，目前刚发布第二代具身基础模型。

我与首席科学家沈宇军聊了聊，如何从预训练开始训一个机器人模型？瓶颈是什么？机器人的 GPT-1 moment 在哪里？—— 大家也能从中感受一些中美思路的融合与差异。

接下来，就是我对沈宇军的访谈。

人工智能学生的一段迷茫与辗转

从字节跳动到蚂蚁研究院

蚂蚁成立子公司蚂蚁灵波做具身智能始末

为什么决定从大脑开始？

通用意味着跨本体、跨场景、跨任务

24 年底成立以后，25 年、26 年 bet 了什么？

25 年：从真实传感器出发解决问题

26 年：既然没办法 push 数字世界修改模型，基于物理世界的需求重做一遍

预训练准备数据核心是：1、你要下发什么样的任务，2、拿到数据以后怎么处理更干净

这次发布的 6 个模型和他们的关系（Depth、Vision、VLA、Video、World、VA 2.0）

但更本质的智能我们还没解决：把和人的交互考虑进去

做具身大脑之后，处理位置随机问题的能力强了很多

机器人泛化性的迹象到底出现了吗？

具身智能还没有到 GPT-1 时刻，因为没有看到比较好的做数据 scale up 的方式

当具身数据和互联网数据能达到相同量级，可能才到 GPT-1 时刻，我预计明年中

发完第一代模型我们就意识到，强行在数字模型上魔改不 work

硅谷两家机器人大脑公司 ：Physical Intelligence 强调 zero shot，Generalist 强调后训练

随着灵巧手的成熟，真机遥操作和 UMI（Universal Manipulation Interface，通用操作接口）

两条数据采集路线可能变化

细数 2024-2026 年具身智能全行业的发展与速度

行业发展不及预期的仍是数据，需要百万小时起步的数据量

为什么不做本体？本体很难通用，如果场景选不准，本体设计有问题

现在大脑的开发落后于本体，未来大脑和本体一定交替上升

这一代的硬件不一定能够迭代去适应下一代的模型，尤其是传感器

接下来的几代机器人基座模型会如何迭代？

下过的 “赌注”？

蚂蚁如何管理蚂蚁灵波？

最好的预期和最坏的预期？

最终的产业格局？也许贴近大语言模型的格局

你对人形机器人有执念吗？ 没有！

当下的核心任务只有一个：智能不够！

我的老师汤晓鸥

我们的播客在小宇宙、Apple Podcast、Spotify 等全音频平台播出；

我们的视频播客在Bilibili、小红书、视频号、抖音等全视频平台播出；

如果你想服用文字版，请搜索我们工作室的公众号：语言即世界 language is world。

DISCLAIMER: 本内容不作为投资建议。

CONTACT: xiaojunzhang@lisw.ai

Jump into the new world-and explore with us!😉