作者｜Yoky，郵箱｜yokyliu@pingwest.com

大模型的發(fā)展正在遭遇瓶頸。隨著互聯(lián)網(wǎng)文本數(shù)據(jù)被大規(guī)模消耗，基于數(shù)字世界訓練的AI模型性能提升速度明顯放緩。與此同時，物理世界中蘊藏著數(shù)字世界數(shù)百倍甚至千倍的多模態(tài)數(shù)據(jù)，這些數(shù)據(jù)遠未被有效利用，成為AI發(fā)展的下一個重要方向。

在2025北京智源大會上，智源研究院發(fā)布了“悟界”系列大模型，試圖推動AI從數(shù)字世界邁向物理世界，實現(xiàn)所謂的物理AGI。這一系列包含原生多模態(tài)世界模型Emu3、腦科學多模態(tài)通用基礎模型見微Brainμ、跨本體具身大小腦協(xié)作框架RoboOS 2.0與具身大腦RoboBrain 2.0以及全原子微觀生命模型OpenComplex2，覆蓋從宏觀到微觀的物理世界認知。

然而，物理AGI面臨著實實在在的技術困境。當前具身智能陷入一個“死循環(huán)”：硬件不成熟導致數(shù)據(jù)稀缺，數(shù)據(jù)稀缺使得模型能力有限，模型能力弱又影響落地應用，最終阻礙產(chǎn)業(yè)規(guī)?；l(fā)展。如何破解這一循環(huán)？數(shù)據(jù)從何而來？跨本體泛化如何實現(xiàn)？

在智源大會前夕，硅星人與智源研究院院長王仲遠進行了深度對話，探討物理AGI從概念到現(xiàn)實需要跨越哪些關鍵門檻，以及智源的技術路徑能否為這一變革提供可行的解決方案。

打造具身智能的“安卓系統(tǒng)”

1. 從'悟道'到'悟界'的命名變化，反映了智源對大模型技術發(fā)展趨勢怎樣的判斷？這種轉(zhuǎn)變的底層邏輯是什么？

王仲遠：“悟界”的“界”，代表著對于虛實世界邊界的突破，代表對物理世界的賦能，是向物理AGI方向的邁進。

這種轉(zhuǎn)變背后有深層的技術判斷。我們堅定的認為大模型的技術還遠沒有到發(fā)展的盡頭。過往所說的“百模大戰(zhàn)”更多的是大語言模型的競爭，而大語言模型受限于互聯(lián)網(wǎng)數(shù)據(jù)的使用，基礎模型性能雖然還在提升，但提升速度不如以前。

解決大語言模型性能提升瓶頸的解法有很多。一是通過強化學習，在后訓練和推理上提升，例如O1、O3、O4、R1。二是數(shù)據(jù)合成。還有一個方向就是多模態(tài)。我們堅定的認為在全世界范圍內(nèi)，多模態(tài)數(shù)據(jù)是文字數(shù)據(jù)的百倍千倍乃至萬倍甚至更多，這些數(shù)據(jù)遠沒有被很有效利用。

在去年的智源大會上，我們已經(jīng)對大模型的技術路線進行了預判，認為會從大語言模型往多模態(tài)，尤其是原生多模態(tài)世界模型的方向發(fā)展。原生多模態(tài)世界模型本質(zhì)上是為了讓人工智能感知和理解物理世界，進而推進和物理世界的交互。

2.?原生多模態(tài)模型的本質(zhì)是構建“世界模型”么？是追求對物理規(guī)律的極致建模？還是構建具身智能的認知框架？

王仲遠：“世界模型”在世界范圍內(nèi)沒有共同的定義，有很多名稱--“空間智能”、“時空智能”等。我們將Emu3命名為“原生多模態(tài)世界模型”時，是認為它能通過單一模型捕捉世界的規(guī)律，不僅僅是物理世界的規(guī)律，還能融合豐富的多模態(tài)數(shù)據(jù)，例如人類與世界交互產(chǎn)生的腦電信號等，世界的多模態(tài)符號非常豐富，遠不止圖像、文字、聲音和視頻。智源的“原生多模態(tài)世界模型”代表的更多是人工智能對世界的探索。

“讀萬卷書，更需要行萬里路”，如果一個人從出生就沒有見過世界，即使讀到了博士，對世界的理解依然是片面的。大模型技術過往基于互聯(lián)網(wǎng)數(shù)據(jù)，尤其是互聯(lián)網(wǎng)文本數(shù)據(jù)訓練而來，固然對知識的理解很強，但對真實世界的運作規(guī)律并不理解。AI從數(shù)字世界跨向物理世界時必須突破數(shù)字世界的隔閡，最重要的隔閡和邊界是空間和時間的感知。

3.?物理世界的多模態(tài)是哪些模態(tài)？我看到見微Brainμ的模態(tài)就是收集神經(jīng)信號，未來AI是否可以突破人類的感知限制？

王仲遠：當然，“世界模型”到底包含什么，除了時間和空間，還有不同模態(tài)數(shù)據(jù)，例如腦信號數(shù)據(jù)、各種傳感器數(shù)據(jù)等，真實世界模型復雜性更高。

見微Brainμ模型，將fMRI、EEG、雙光子等神經(jīng)科學與腦醫(yī)學相關的腦信號統(tǒng)一token化，實現(xiàn)多模態(tài)腦信號與文本、圖像等模態(tài)的多向映射，。

Brainμ整合了神經(jīng)科學領域多個大型公開數(shù)據(jù)集和多個合作實驗室的高質(zhì)量神經(jīng)科學數(shù)據(jù)，完成了超過100萬單位的神經(jīng)信號預訓練。

Brainμ可同步處理多類編解碼任務，兼容多物種動物模型（包括小鼠 狨猴 獼猴）與人類數(shù)據(jù)，實現(xiàn)科學數(shù)據(jù)注釋、交互式科學結(jié)論解讀、大腦感覺信號重建及模擬刺激信號生成。。

具身智能領域會有更多的模態(tài)，比如說3D信號、時空信號等，都可以作為一種模態(tài)。各種傳感器的數(shù)據(jù)，這些都屬于物理世界的一種模態(tài)。真實的世界模型的復雜性會更強。

現(xiàn)在很多多模態(tài)模型，看到這個咖啡杯在桌子上，會描述“咖啡杯在桌上，這個咖啡杯是白色的，上面有一些文字”，但是人類看到首先有空間的認知是“咖啡杯在桌子的邊緣，很危險”?，F(xiàn)在絕大部分多模態(tài)大模型不具備這樣的判斷能力。

機器人操作時就應該從邊緣往里拿，而不是從里往外拿，因為一碰就會跌落，這個跌落就包含時間序列的預測，咖啡杯有可能掉下去甚至弄臟地板，這就是時空智能預測，是智源所探索的多模態(tài)世界模型的能力。

4.?RoboBrain 2.0在技術架構上與其他具身智能模型的本質(zhì)區(qū)別是什么？為什么選擇跨本體通用而非專用優(yōu)化的路線？

王仲遠：智源具身大腦RoboBrain能夠跨本體，目前沒有幾家公司能夠真正做到這一點，就好比IOS系統(tǒng)只能在iPhone使用，但安卓系統(tǒng)能在不同的手機上運行。智源是一家科研機構，希望構建面向不同硬件本體使用的具身大模型，這是我們的理念。

RoboBrain能夠適配各種構型的機器人，包括機械臂、輪式單臂、輪式雙臂、雙足、四足等等。RoboBrain 2.0相比于RoboBrain 1.0的基于Prompt的多機任務規(guī)劃機制和初級空間理解能力，進一步擴展了基于多本體-環(huán)境動態(tài)建模的多機協(xié)同規(guī)劃能力，可實時構建包含本體定位的場景圖（Scene Graph），并自動完成跨本體的任務規(guī)劃。

當前，具身智能的VLA模型泛化性不夠，也許能把咖啡端得很好，但并不能很好地解決其他泛化任務。具身智能或者機器人2.0時代，最重要的是能突破專有任務，達到一定的泛化性，再到未來具備更通用、跨領域的泛化性，這需要一定的發(fā)展過程。我們堅定認為，人工智能正在加速從數(shù)字世界走向物理世界，而真正的物理AGI需要的是能夠跨越不同硬件平臺的通用智能。

很多具身智能的機器人創(chuàng)業(yè)公司不具備模型研發(fā)能力，因為模型研發(fā)的成本、對人才的需求極高。智源通過開源，和更多的產(chǎn)業(yè)方合作，能夠促進整個產(chǎn)業(yè)健康有序的發(fā)展。這就是智源做跨本體通用具身模型的價值所在。

從看視頻到學技能

5.?我似乎聽到一個矛盾，您一直強調(diào)機器人模型需要泛化能力，但這需要大量數(shù)據(jù)支撐?，F(xiàn)實中具身智能數(shù)據(jù)稀缺是公認難題，智源如何解決數(shù)據(jù)量不足與泛化需求的難題？

王仲遠：具身智能目前存在循環(huán)悖論，具身能力不足限制了真機數(shù)據(jù)的采集，數(shù)據(jù)稀缺導致模型能力弱、落地難，無法進一步提升能力。破解問題的方法有很多，不同的參與方有不同的解法。比如，硬件成本越來越低，如果能夠做到幾千塊錢一臺機器人，大家買的可能性比一百萬一臺機器人的可能性大很多。

真實世界的數(shù)據(jù)很重要，但是是否足以訓練出來一個有價值的模型，這在學術界是有爭議的，仿真數(shù)據(jù)是其中一條路徑。

智源走的是大模型的路線，更多依靠的是互聯(lián)網(wǎng)數(shù)據(jù)幫助機器人學習智能。例如，今年春節(jié)，我觀察一個小女孩是怎么學習的，她刷了很多短視頻，就學會了拆糖果、撕包裝紙，把5顆藍莓串在一根牙簽上，這是沒有任何大人教給她的。她通過視頻學習到可能的技能，再通過實踐即強化學習去嘗試，可能失敗了幾次繼續(xù)嘗試，最后成功完成了任務，這就是強化學習的本質(zhì)。所以，學習海量已有的數(shù)據(jù)，再通過強化學習和少量真實世界的數(shù)據(jù)不斷訓練它的能力，不斷突破具身智能的發(fā)展上限，這和大模型發(fā)展路線不謀而合，基礎能力到一定程度后通過強化學習進一步激發(fā)它的智能。

6.?從互聯(lián)網(wǎng)視頻數(shù)據(jù)學習具身技能，實際效果如何？像您舉得例子，簡單的動作可以學會，但到復雜的行動時，模型還能通過這種路徑實現(xiàn)么？

王仲遠：現(xiàn)在具身關注點聚焦在基礎模型的推理和深度思考的能力。

具身基礎模型意味著訓練時并不會考慮那么多任務，具體落地應用時可能針對特定的任務采集數(shù)據(jù)。

當小腦技能不那么強時，可能采集幾十條、上百條數(shù)據(jù)就能使其初步具備某種程度的泛化性。當然，理想狀態(tài)下是什么數(shù)據(jù)都不用采集就具備泛化能力，但是這個周期很更長，短期內(nèi)無法實現(xiàn)。

VLA以及真正意義上端到端具身大模型需要時間沉淀。

學習海量已有的數(shù)據(jù)，再通過強化學習和少量真實世界的數(shù)據(jù)不斷訓練模型能力，有可能突破具身智能的發(fā)展瓶頸，但需要一個發(fā)展過程。

開源路線和產(chǎn)業(yè)博弈

7.?在智源大會中，智源推出SaaS平臺和MCP的產(chǎn)業(yè)價值是什么？背后呈現(xiàn)什么樣的系統(tǒng)思考？

王仲遠：跨本體具身大小腦協(xié)作框架RoboOS 2.0是全球首個具身智能Saas平臺，可實現(xiàn)無服務器一站式輕量化機器人本體部署；同時，RoboOS 2.0是全球首個支持MCP的跨本體大小腦協(xié)同框架，旨在打造具身智能領域的“應用商店”，相同型號的機器人本體可直接下載和部署不同開發(fā)者開發(fā)的小腦技能，基于RoboOS 2.0框架完成大小腦整合，小腦技能一鍵注冊無需開發(fā)適配，代碼開放量僅為原來的1/10。

相對于RoboOS 1.0，RoboOS 2.0對端到端推理鏈路進行了優(yōu)化，整體性能提升30%，全鏈路平均響應時延低至3ms以下，，端云通信效率提升了27倍；在功能層面，RoboOS 2.0新增了多本體時空記憶場景圖（Scene Graph）共享機制，支持動態(tài)環(huán)境下的實時感知與建模；同時引入多粒度任務監(jiān)控模塊，實現(xiàn)任務閉環(huán)反饋，有效提升機器人任務執(zhí)行的穩(wěn)定性與成功率。RoboOS采取的是端云協(xié)同策略，將具身大腦RoboBrain部署在云端，小腦模型部署在本體上。RoboBrain 2.0，除了7B，還有32B，模型更大，能力更強，但能夠繼續(xù)保持端云協(xié)同。當然，在一些實際場景里也需要將具身大腦部署在本體上。

8.?當前具身智能賽道上，科研機構、大廠、創(chuàng)業(yè)公司各有什么優(yōu)勢和局限？智源作為非營利科研機構，如何在這個競爭激烈的賽道中發(fā)揮獨特價值？

王仲遠：智源一直有明確的定位——做高校做不了，企業(yè)不愿意做的事情，預研和探索前沿技術路徑。

僅從探索的先進性來講，智源和國內(nèi)很多科研機構以及國際大廠并沒有大的區(qū)別，也沒有明顯的劣勢，但是智源的獨特性在于，取得了原生多模態(tài)世界模型底層架構、腦科學多模態(tài)通用基礎模型的突破等。

具身智能領域，中國獨特的優(yōu)勢在于制造業(yè)、豐富的場景、政策支持，使得產(chǎn)業(yè)加速發(fā)展。智源所做的具身大模型、多模態(tài)基礎模型，都正在促進整個產(chǎn)業(yè)更快地發(fā)展。

大語言模型相比去年發(fā)展勢頭更好，模型效果更佳，這是一個相對確定的技術路線，已經(jīng)開始轉(zhuǎn)化成產(chǎn)業(yè)、場景，這都是中國的優(yōu)勢。在一些新的方向，比如多模態(tài)、世界模型，各自有特點。

9.?未來3年具身智能最可能在哪個領域產(chǎn)生突破性的規(guī)?；瘧茫?/b>