出品 |

作者 | 梁昌均

編輯 | 楊錦

作為中國最早布局大模型研發的科研機構，6月6日，北京智源研究院發布“悟界”系列大模型。

這包括原生多模態世界模型Emu3、跨本體具身大小腦協作框架RoboOS 2.0與具身大腦RoboBrain 2.0、全球首個腦科學多模態通用基礎模型見微Brainμ以及全原子微觀生命模型OpenComplex2。

“大模型技術還遠沒有到發展的盡頭，提升瓶頸的解法有很多，包括強化學習，利用合成數據和多模態數據等。”在會前兩小時的溝通會中，王仲遠對等媒體表示。

從“悟道”到“悟界”，在王仲遠看來是水到渠成的一件事，AI正加速從數字世界進入物理世界，“這一切構成的世界模型，是實現物理AGI的重要發展路徑”。

“物理世界的多模態大模型，技術路線還沒有收斂。”他表示，最合適多模態模型的技術線還沒有真正找到，而智源也在做新的架構探索。

王仲遠強調，智源會堅定去做高校做不到、企業不愿做的事情，尤其是全新的技術路線、技術方法和科學原理的探索。“當成功之后，我們會通過開源，或孵化的方式交給企業來做。”

作為AI走向物理世界的重要方面，如何提升機器人智能水平已成業界焦點。此次智源就推出了跨本體具身大小腦協作框架RoboOS2.0，以及具身大腦RoboBrain 2.0。

“現在的具身智能大模型，還處在很早期的GPT-1、GPT-2的階段，技術路線還沒有達成共識，離真正的產業大規模落地也還有很長距離。”

對于具身智能大模型的發展趨勢，王仲遠認為，未來5到10年，大小腦融合模型可能會成熟，但絕不是今天，主要原因在于數據受限。

目前，業內不同團隊采取不同方式解決數據短缺問題，包括采集真實世界數據，或生成仿真數據進行模型訓練。

“真實數據肯定很重要，但是不是足以訓練出有價值的模型，現在有爭議。”他提到，有企業是依靠仿真數據，而智源則采用了和大模型吻合的技術路線。

不過，他也坦誠地說，無法判斷哪種路線會跑通，智源的探索也只是對技術路線的一種判斷。

面對人形機器人熱潮，王仲遠認為，現在它的硬件也不成熟，模型也不成熟。“所以一方面有買家秀，買了機器人之后發現啥也干不了；一方面有賣家秀，感覺機器人無所不能。”

不過，他堅定長期看好雙足人形機器人的發展方向。談及車企對人形機器人的布局，王仲遠表示，不同產業方參與是好事，但現在還處在早期，“具身智能的小組賽還沒結束，遠沒到淘汰賽”。

對于具身智能機器人的應用前景，王仲遠認為，首先會在特定場景，尤其是相對封閉的場景落地，如在工廠完成相對固定、重復、枯燥甚至危險的的任務，這會是具身智能第一波真正的紅利。

以下是此次對話精編：

一、AI應該走向物理世界，多模態技術路線還沒有收斂

媒體：從悟道到悟界，是否意味著大模型已經進入新的發展階段？

王仲遠：我們推出悟界大模型，是水到渠成。過往大模型發展，基本還處在數字世界，還有很多發展空間。這塊交給產業界做就行，o4、o5，還是R1、R2，會繼續發展，并能構建出更多應用。

我們堅定認為，一方面要不斷通過強化學習去提升推理能力，更重要的是AI應該走向物理世界。

媒體：智源提出原生多模態大模型，原生怎么理解？跟已有多模態大模型區別是什么？

王仲遠：原生是指從一開始就把各種多模態的數據，包括文字、圖像、聲音，乃至腦信號等各種都放進去訓練。各種模態數據越來越多，怎么從中找到最有用的，需要探索清楚這樣的技術路線。

現在多模態太過寬泛，造成很大困惑，多模態好像很強了，怎么你們還在做？此多模態非彼多模態。我們的多模態大模型是為了推動AI從數字世界走向物理世界，物理世界的多模態現在還沒完全解決，我們會堅定去做。

媒體：智源做多模態還是Transformer 架構嗎，還是有更多創新？

王仲遠：我們往世界模型發展的時候，在做統一架構的模型，它不僅僅能理解靜態的多模態數據，甚至還能夠對時空進行理解，這是我們所追求的世界模型和多模態的能力。

Transformer依然是一個非常好的架構，能夠去兼容不同模態，并能比較容易去scale up訓練多的數據。我們也在探索不同架構，對基礎架構做更新，但還處在非常早期的前沿探索。

媒體：您認為多模態大模型處于什么階段，能大規模落地嗎？

王仲遠：現在多模態技術路線還沒有收斂，文生圖、文生視頻走的是Transformer+Diffusion的技術路線，比較確定，能力不斷提升，在某些特定場景已落地。能否非常普世和廣泛落地，需要一段時間。

媒體：AI從數字世界走向物理世界最大的技術壁壘是什么？智源在這方面的考慮是什么？

王仲遠：物理世界的多模態大模型，技術壁壘在多模態模型本身，因為技術路線還沒有收斂。我們的理念是堅定去做高校做不到、企業不愿做的事情，尤其是全新的技術路線、技術方法和科學原理的探索。當成功之后，我們會通過開源，或孵化的方式交給企業來做，去做出產品。

二、具身智能還未迎來GPT-3時刻，技術路線或與大模型類似

媒體：現在具身大模型，如果類比AI大模型，處于哪個發展階段？

王仲遠：現在的具身智能大模型，還處在很早期的GPT-1、GPT-2的階段。GPT-3之前，業內對大模型也沒有共識。現在具身智能，是用仿真數據，還是真實數據，是大小腦融合，還是協作，都沒有共識，離真正的產業大規模落地也還有很長距離。

媒體：智源所做的跨本體的具身大腦難度在哪？現在行業有哪些探索？

王仲遠：大腦跨本體相對容易，其最重要的是感知理解世界，跟世界交互，然后去做規劃，指令拆解。跨本體的小腦，坦白來講我們還沒有完全將技術路徑跑通。

有些創業公司，把不同硬件采集下來的數據應用在模型的訓練上，希望能夠去學到更加泛化的能力，目前看起來有一定效果，但還沒有成為行業廣泛共識。

媒體：現在很多人認為機器人大小腦會融合，但也有很多人說不應該融合，您怎么看？

王仲遠：融合的統一模型是我們所追求的，可能5到10年，大小腦融合模型有可能成熟，但絕不是今天。原因就是數據受限，現在具身智能的數據量不足以支持大小腦模型的訓練。

我們認為具身智能或機器人2.0時代，最重要的就是突破專有任務，達到一定的泛化性，具備跨領域的能力，這跟AI第三次浪潮中深度學習的發展路徑相似。現在很多所謂的VLA模型，不具備泛化性，這需要時間的沉淀。

媒體：您提到泛化能力，但現在數據非常稀缺，這個問題怎么解決？

王仲遠：硬件公司最好還要降低成本。如果機器人是幾百塊錢，買的可能性就大，數據采集量，包括模型提升速度也會大幅提升。

真實世界的數據肯定很重要，但是不是足以訓練出一個有價值的模型，現在有爭議。我們孵化的銀河通用，王鶴老師的理念是用仿真數據。

智源認為，從已有的海量數據學習，再通過少量的真實世界數據去強化學習，有可能突破具身智能。這跟大模型發展的技術路線吻合，即具身智能或物理世界的AGI可能會是類似的技術路線。

媒體：仿真數據和真實數據，有無優劣之分？采集真實數據成本高，費時費力，有意義嗎？

王仲遠：這沒有明確說法，現階段沒有收斂或沒有共識，智源所走的技術路線也只是我們對技術路線的一種可能判斷。

我們認為采集真實數據有價值，更多做強化學習的使用，數據量不需要那么多。智源做跨本體的具身大腦，將來可能是融合模型，希望能夠突破硬件構型，包括數據類型，使得這些數據真正有效集成起來，這樣采集的數據才不會被浪費。

媒體：具身智能可以復制自動駕駛的數據積累模式或經驗嗎？

王仲遠：具身智能在數據采集路徑上，很難簡單復制自動駕駛，而且相比自動駕駛，具身智能機器人的操作空間、涵蓋范圍和復雜性更大。

三、人形機器人成熟周期會更慢，行業小組賽還沒結束

媒體：張鈸院士說人形機器人走的是錯誤的道路，您看好人形機器人嗎？

王仲遠：長期來看，人形機器人是一個很好的發展方向，機器人會成為人類社會的一個基礎設施，雙足人形機器人，長遠看會更容易融入。

這不代表其它構型就沒有用武之地，各種構型機器人，未來都會共存。但人形機器人成熟周期會比其它構型機器人慢。現在人形機器人才剛剛會走會跑，能不能走得穩、跑得穩，還在努力中。

媒體：此前王興興說現在人形機器人缺少的不是控制運動能力，而是智力，您怎么看？

王仲遠：我們認為（人形機器人）硬件也不成熟，模型也不成熟。所以大家會看到，一方面有買家秀，買了機器人之后發現啥也干不了；一方面有賣家秀，感覺機器人無所不能。

在具身智能發展過程中，我們期待探索出一條獨特的路徑。這有兩種可能性，一種是將數字世界的智能能力帶出數字世界，邁向物理世界；另一種就是讓機器人做得足夠便宜，這樣很多小型機器人就會能走進千家萬戶，但大型的人形機器人，周期一定要更長。

媒體：很多車企也在進軍人形機器人，車企在未來的競爭格局里面會占據什么位置？

王仲遠：車企有很強的制造能力和供應鏈優勢，也有很好的落地場景。但這種優勢能不能變成最終的競爭優勢，能否幫他們在競爭中取得成功，不一定。具身智能和自動駕駛還是有很大區別，同時，現在還處在早期，具身智能的小組賽還沒結束，遠沒到淘汰賽。

媒體：未來三年，具身智能機器人最可能在哪個領域規模化落地？

王仲遠：首先會在特定場景里落地，尤其是相對封閉的場景，比如工廠環境，完成相對固定、重復、枯燥甚至危險的的任務，這會是最快的落地場景。

這些場景只需滿足幾個條件，第一硬件成本能夠支撐在它的生命周期里ROI大于1，并且這種場景是人類不愿意干的，不用擔心會替代掉人類工作，這會是具身智能第一波真正的紅利。