这两年，具身智能行业刚刚收敛本体构型，又开始新一轮竞赛。本轮竞赛，VLA（视觉-语言-动作）和世界模型路径并行，正在竞争下一代具身智能模型技术路径主导权。


近日，在由联想控股微空间、联想之星及融科资讯中心共同发起的“科技有「联想」”首场沙龙“硅基进化论”上，多数人就行业最终会走向分工达成共识。谁也不愿意在分工到来之前，先被挤下牌桌。


从长跑角度看，宇泛智能科技股份有限公司（下称：宇泛智能）CFO戴恺认为，机器人行业还没跑出多远，“如果100分属于通用机器人，目前我们可能连合格都没到，最多四五十分。每往前走5到10分，都会经历一波大洗牌。”


6月30日，“科技有「联想」”首场沙龙“硅基进化论”。主办方供图


具身智能这一年竞争的核心是融资和场景落地


“这一年的主线是融资和场景落地能力。”戴恺说。


具身智能是资本密集型行业，招人和研发投入都需要大量资金。戴恺坦言，目前具身智能初创企业招人很难，200万年薪级别的人才必须跟大厂抢。


场景落地应用目前还是早期阶段。中国科学院自动化博士、优宝特智能机器人（下称：优宝特）创始人范永表示，目前大家都在相对封闭的结构化工业场景拓展应用，包括分拣、物流转运、数据采集等，这类场景相对简单容易些。“一些更复杂的、特殊的或比较危险的场景可能是下一步场景开发的方向。而商场、医院、餐饮等商业服务场景短期内难以落地，因为技术条件和成熟度都还不够。”


交付现实则更复杂。目前行业的共识是，有了量产能力还不够，能否真正应用于现实场景更重要。


范永提到，优宝特目前正在设计生产的一致性，包括流水线产线建设、按时交付以及交付后的客服服务。


什么样的公司会在这轮洗牌中倒下？范永认为可能是没有核心技术、真实落地场景能力、资金的公司。


戴恺认为，在行业洗牌过程中，技术变迁速度和公司能否跟上速度是核心变量。宇泛智能选择只在两个场景里做全栈，但也有侧重。最核心的挑战还是在大脑层面，主要投入空间感知和决策算法，“大脑层面做好了对小脑和本体也有很好的效果。”


从资本的角度看，投资人现在看重底层的模型能力。联想之星合伙人高天垚强调，这并不代表其他能力不重要，“整个产业生态是类似于螺旋式上升的结构，拥有跨领域能力支撑的公司能够最终胜出。”


模型路线未收敛，数据规模欠火候


具身智能需要大规模数据，这是行业共识。但对于使用什么样的数据、需要多少量级的数据、具身智能模型的技术路径在哪，行业依旧存在分歧。


智在无界合伙人郑思鹏认为，从去年到今年最大的转变是行业意识到人类视频数据的重要性。“几个月之前，在仿真数据、真机数据和人类视频数据构成的数据金字塔中，行业还主要关注真机数据。真机数据适配VLA模型的监督学习范式。但是行业逐渐发现，监督学习得到的模型泛化能力差。我们拥有的真机数据只占机器人整个可行空间很小的一部分，但预训练希望数据能把可行动作空间所有的点均匀填满。对具身智能来说，真机数据缺失导致我们无法做到这一点，这也是大家逐渐关注人类视频数据重要性的原因。”


“人类数据会百分之百留存下来，并成为其中一种模态。”云松鼠智能创始人黄骏达表示，但目前在操作层面，纯人类数据还不能很好地用起来，存在许多开放式问题。


无问智科创始人刘盛翔认为，第一人称视角数据，也就是人类数据最有可能Scale up（纵向扩展）。但只采集人类数据时，它与整个物理世界分布有偏差，因此需要仿真合成数据进行有效结合，才能构成支撑具身智能的大规模数据需求。


幂特科技联合创始人、CTO王志成则提出了一个非共识：目前可能需要通过再购买额外设备的数据采集范式，都是一种过渡状态。“我们需要让普通设备拍到的人类视频也可以为具身智能做贡献，例如智能手机、监控相机或其他普通人类唾手可得的设备。”


多少量级数据才足够？郑思鹏基于Meta的V -JEPA2.1、智在无界的Being-H0.7的效果给出参考：要出现明显拐点，数据小时数规模可能要达到100万小时以上，用预训练Token数量来衡量，大概是10T左右的规模，“这样的数据能够训练出一个百亿参数的多模态模型。”


押注模型是多数厂商共识，但技术路径还未收敛。


刘盛翔更倾向于世界模型这条技术路线可能会持续出现突破，并且VLA的技术路径要结合场景来看，不是完全不可用，甚至可能世界模型融合VLA会成为突破的方向。“参照自动驾驶来看，每2至3年，行业都会出现新范式。自动驾驶由端到端到VLA，再到VAM（视频动作模型），下一阶段可能是WAM（世界动作模型），然后继续向前。”


黄骏达则认为，技术范式会继续迭代，甚至世界模型内部的技术参数也可能会迭代，模型可以朝向的方向是端到端，“哪个可以用就用哪个，并且VLA和世界模型不是排斥的，例如π0.7，目前也有人在做这个方向的研究。”


王志成则表示，物理世界符合统一规律，所有技术路径都在朝着这一方向逐步统一。“无论是VLA还是世界模型，都在以各种维度拟合物理世界。”


郑思鹏进一步指出，世界模型正处在从监督学习到自监督学习或半监督学习演变的过程，“如果未来想要把数据做Scaling，肯定要顺着这个方向走”。而对于显式、隐式等范式之争，他则认为，训练一个显式世界模型成本很高，以英伟达Cosmos这一显式模型为例，仅50小时的训练数据，就需要4000小时GPU算力来训练，而隐式模型可能只需要50小时，两者之间大概是80倍的差距。“如果显式模型扩展到20万小时，训一次模型可能需要几千万甚至上亿的GPU算力。”


新京报贝壳财经记者 韦英姿 编辑 陈莉 校对 柳宝庆