独家专访北大卢宗青：如何用50万小时人类视频，训练机器人“大脑”｜甲子光年

不做本体，智在无界用50万小时人类视频训练具身基础模型。

作者｜周悦

编辑｜王博

具身智能公司究竟应该软硬一体，还是把机器人本体交给合作伙伴，专门训练机器人的“大脑”？

行业里很多明星公司选择了软硬一体，原因很简单，模型最终要在真实机器人上完成闭环，做本体更容易获得真机数据、协调软硬件迭代，也更方便进入具体场景。

不过也有一些公司选择只做模型，希望用“具身大脑”适配不同形态的机器人。

卢宗青有些执拗地选择了后者，坚持“只做模型、不做机器人本体”。

作为北京大学计算机学院长聘副教授、智源学者，卢宗青在2025年5月创办了具身智能公司智在无界（BeingBeyond）。创业初期，卢宗青几乎每见一位投资人，都要回答一个问题：“你们为什么不做本体？”

到了今年，这个问题几乎消失了。“现在不问了，再也不问了。”卢宗青告诉「甲子光年」。

外界态度的变化，某种程度上印证了卢宗青创业之初的判断：具身智能仍然缺少一颗能够跨本体、跨场景迁移的通用“大脑”。而这一判断，并非始于机器人。

在进入具身智能行业之前，卢宗青研究的是数字世界里的通用Agent。2023年，他曾尝试让多模态大模型在开放世界游戏《荒野大镖客2》中理解环境、执行任务，但模型在任务理解和动作完成上都很有限。

他由此意识到，模型交互能力不足，根本瓶颈在于缺乏对视觉和空间的理解。当时不少Agent framework，在他看来更像是在基础模型能力不足时做的“缝缝补补”。

“最本质的问题还是基模不行。”卢宗青说。

转向具身模型后，卢宗青开始用人类视频做预训练，从中学习人手动作和人—物交互。

到了2026年，智在无界逐渐收敛至Being-H和Being-M两条模型线。H系列聚焦手部和末端操作，M系列则处理人形机器人的全身移动操作。

近期，智在无界接连发布两款模型。隐式世界动作模型Being-M0.7将能力从桌面操作扩展到全身移动操作；隐式触觉世界动作模型Being-H0.8则把预训练使用的人类视频从20万小时扩大到超过50万小时，并首次在预训练阶段加入人手与物体的接触信息。

今年7月初，「甲子光年」第一次走进位于北京鼎好大厦的智在无界办公室，我们问卢宗青，办公室里的哪个区域最能代表这家公司。

他没有提及某个Demo，而是指向了两块Dashboard：一块记录数据进度，显示已经拿到多少人类视频，多少正在传输，多少还在对接；另一块留给模型，显示训练进展。

“你会每天盯着吗？”我们问。

“那倒不会。”卢宗青说，“每天盯着进度，团队可能受不了。”

从数千小时到超过50万小时，从人类视频的数据处理、标注和传输，到模型预训练、后训练、评测和真机部署，这些工作共同构成了卢宗青反复强调的具身智能Infra。

我们的疑问是：一家不做机器人本体的具身模型公司，能否把50万小时人类视频，真正转化成机器人稳定、可迁移的操作能力？

于是，围绕Being-M0.7、Being-H0.8、人类视频与具身基础模型的下一阶段的判断等话题，「甲子光年」在7月两次专访北京大学计算机学院长聘副教授、智源学者、智在无界创始人卢宗青，智在无界大模型后训练负责人张万鹏也参与了部分技术问题的回答。

专访内容由「甲子光年」整理编辑，在不改变原意的基础上有所删改。

北京大学计算机学院长聘副教授、智源学者、智在无界创始人卢宗青，图片来源：智在无界

1.从Agent探索到一家模型公司

甲子光年：很多人不知道，你最初研究的是数字世界里的通用Agent，后来才做具身基础模型研究，这两者之间有什么关联？

卢宗青：我们早期做的很多Agent Framework，本质上都是在没有强大基模的情况下，做一些缝缝补补的解决方案。

现在的多模态模型肯定比当时好，但我仍然觉得，它解决不了本质的问题。因为Agent要和环境交互，一方面要在视觉层面理解环境，另一方面要预测动作，以及动作会带来什么后果。

我们后来研究具身基础模型，也是希望做一个既能理解、又能和物理世界交互的基础模型。机器人是一个很重要的载体。因为只要和物理世界交互，就一定会受到动作的限制。

我们最后发现，最本质的问题还是基模不行。发现了一个问题，就着手去解决这个问题。我觉得这是做科研的一贯思路。

甲子光年：你有高校和研究机构的身份，什么时候你觉得应该成立一家公司来解决这个问题？

卢宗青：做公司的想法是慢慢形成的，没有一个突变的时间点。大概是2024年下半年，这个想法逐渐明确。

真的要做数据、做基础模型，从根本上解决这个问题，需要大量资源，不管是数据、计算资源，还是人才。

甲子光年：之前有媒体称你是“死磕机器人大脑的北大副教授”，还挺形象的。那么，经过这一年多的发展，你觉得现在外界对于智在无界这家公司还有什么误解吗？

卢宗青：现在外界对我们的误解主要是觉得我们是一个科研团队。

我们确实有很强的科研和研发能力，所以大家看到老师、学生的背景，看到论文，就容易这样理解。

但我们从一开始做人类视频数据，就已经在搭完整的数据管线，包括数据处理、对齐、标注、评测、传输。因为数据量很大，整个工程的难度也很高。

除此之外，我们还有模型训练的Infra，以及设备侧算力部署的Infra。我们的模型可以部署在设备侧的算力上，不是只能跑在云端。

这些能力外界感知不到，所以经常会被忽略。

过去一年，团队成长得非常快。最早大家更擅长写论文，到现在已经具备了这些Infra能力，我也低估了团队的成长。

公司最终产出的不是科研论文，公司要产出的是模型。目标不一样，就会改变做事的方式，也会让大家成长得更快。

甲子光年：智在无界成立到现在也有一年多时间，发展进度是在你预期之内的吗？

卢宗青：整体来说，进度符合我的预期。

因为从2023年年底，我提出用人类视频做预训练开始，我们其实就一直在积累。这个方向怎么说呢，它和语言模型不太一样。

我们处理的主要是视频，但又不同于视频生成模型——视频生成模型更多依赖文本标注，我们的视频里还涉及动作。所以从模型训练的角度看，它本身就是一种新的范式。

过去一年，团队做了很多以前没有人系统探索过的工作，没有现成经验可以照搬，只能靠自己的实践，把整套基础设施一点点搭起来。

甲子光年：你之前说，智在无界和其他公司的出发点不太一样。当时指的是什么？

卢宗青：应该是做模型这件事。那个时间点（2024年下半年），我们这种单纯做模型比较少见。

我每天都被投资人问：“你们为什么不做本体？”每个投资人来都会问一遍。

现在倒不问了，再也不问了。

甲子光年：现在为什么不问了？

卢宗青：在中国的商业环境里，有的投资人会觉得，你不做本体，最后很难卖，也很难商业化。

很多公司都是软硬一体、全栈在做，而我们一直是在模型侧。

经过一年，大家越来越认识到了这一点，本体需要好的“大脑”。必须要有具身基础模型，也就是我们在做的事情。

否则你可以通过强化学习训练一个策略，让机器人跳舞，但除了跳舞，它就没有别的能力。

甲子光年：从创业起步到现在，你有没有比较困顿或者迷茫的时刻？

卢宗青：你说技术迭代层面吗？技术迭代层面，我们一直都比较清晰。

甲子光年：作为创业者呢？

卢宗青：创业的话是有。比如开始做一些自己不擅长的事情，跟投资人打交道，跟客户打交道。

甲子光年：跟投资人打交道，你觉得自己不擅长的是什么？

卢宗青：我不擅长的事情是投其所好。

每个投资人的taste都不一样。但就像我一直在强调的，我们公司的目标很明确，知道自己要做什么。

市场上不管是投资机构还是投资人，真正能和我们同行的其实并不多。

甲子光年：你们做的是基础模型，预训练时不区分具体行业。那现在的模型已经可以直接进入家庭、工厂等不同场景了吗？

卢宗青：对于一家做具身基础模型的公司来说，训练基础模型时需要更多样的数据，所以预训练肯定不能限定在某一个场景、某一个行业。

但真正做应用的时候——实话实说，我们现在的模型还不能直接投进去——还是要针对具体场景做后训练。到了后训练阶段，才会区分到底是什么场景。

现阶段更准确的状态是，有一个预训练模型以后，可以在一些垂类场景里快速做后训练，完成特定任务。

长期的目标当然是面向所有场景，让机器人像语言模型一样完成各种事情。但现在还没有到那个阶段。

2.从视频里恢复“接触”

甲子光年：为什么最新发布的模型叫H0.8？在什么情况下，下一代模型才会达到H1？

卢宗青：H从0到0.8，其实是在健全整个体系。

从数据Infra到预训练Infra，再到部署——不能说端侧，应该说设备端GPU的部署——然后到真机，还包括评测，都在这个过程中逐渐补齐。

模态上，从视觉、语言、动作，再到触觉；同时还要适配不同本体。到H0.8，基本健全了所有这些环节和模态。

H0.8也预示着我们接下来要进入1.0阶段。下一代模型会在这些基础上采用一种全新的训练范式。

这是我们认为真正有可能训练出通用具身基础模型的一种训练范式。但具体怎样训练，现在还不能透露。

从公司层面看，从数据、模型训练、后训练到真机部署的链路和团队逐渐完整，也意味着公司进入了一个新的阶段。这两件事是相辅相成的。

智在无界Being-H系列模型迭代路线图，图片来源：智在无界

甲子光年：H0.8最值得关注的变化之一，是把触觉加入预训练。今年WAIC上有人质疑，人类视频缺少力、摩擦和控制信号，规模再大也未必适合训练机器人。你认为这是数据处理能够解决的问题，还是人类视频本身存在能力上限？

卢宗青：这其实就是H0.8在解决的问题。

对于H0.8，我们会标注视频中人手和物体的接触。这些接触信息可以作为触觉信息，融入模型预训练。

H0.8也是我们第一次在具身模型预训练时，就融入触觉。我们通过人—物交互模型，标出人手和物体的接触面。

有了这个信息，模型在预训练阶段就增加了触觉这个模态，可以更好地完成与触觉相关的任务。

甲子光年：为什么你们觉得，从H0.7走到H0.8，最需要补上的是触觉？除了触觉，数据量和数据质量也有很大提升，能排出关键顺序吗？

卢宗青：触觉一直是我们研究的一个方向，不是到H0.8才意识到它的重要性。

如果看我们的研究网站，会发现过去一年，甚至更长时间，我们一直在研究触觉。H0.8只是在预训练阶段，第一次补齐了触觉这个模态。

至于哪个更关键，我们不太会这样区分。

H0.8是在进一步补齐整个模型，不管是从多模态层面，还是从数据量去考虑。

过去三个月，我们接触了很多数据供应商，把数据从20万小时Scale up到超过50万小时。这在行业里已经是非常大的数据量。

在大量数据的基础上，再融入触觉标注，模型会获得更通用、更有泛化性的操作能力。这两点是相辅相成的，不能简单切开。

甲子光年：TactoHand从视频中预测的触觉，具体包括什么？接触位置、压力、摩擦和滑动都会包含吗？

张万鹏：我们重点关注两个方面。

一方面是Contact（接触），这是最主要的；另一方面是Proximity（接触距离），它能提供手和物体间临近接触和接触之后的连续变化信息。

模型可以通过这两个关键信息，再结合视觉形变和语言标注等辅助信息，学习不同的接触模式。比如这是法向力还是切向力，是正在摩擦，还是正在按压，模型都可以推断学习到这些模式，而无需在数据层面依赖摩擦力等难以获取的信号做显式标注。

甲子光年：所以它和我们通常理解的真实触觉，还是不一样的。哪些能力是现在做不到的？

卢宗青：预训练模型首先解决的是接不接触，就是有没有挨住。

之前在预训练的时候，这部分信息是缺失的。现在把它补进来，在能力上已经是一个从0到1的提升。

你刚才提到力的大小，是另外一个从1到10或者到100的提升。这更依赖后训练：真正有触觉传感器，可以感知力的大小，再通过后训练补充到模型里。

另外，人在操作时，其实也不知道接触力到底有多大，对吧？更多是感知一个范围。

所以我觉得，有没有这个模态非常重要。至于力是1还是10，和有没有接触相比，是次要一些的东西。当然，不是说这部分信息不用，而是在后训练阶段通过触觉传感器补充。

甲子光年：从具体任务看，有没有一些任务是H0.7经常失败，但H0.8能够更稳定完成的？

卢宗青：我们没有在某一个特定任务上，专门去验证H0.7和H0.8的区别。

现在看到的更多是，我们的真机任务里，有一些确实需要触觉才能完成。

比如夹薯片，在之前的纯视觉方案里，模型可能会直接夹碎；加入触觉以后，我们观察到机器人可以从袋子里夹出一片完整的薯片。

张万鹏：纯视觉方案在手和物体即将接触的时候，其实很难区分临界点。

上一时刻还没有接触，下一时刻已经接触上了，视觉上几乎观察不出区别。过去的模型在临近接触时往往会犹豫不决，很容易因为这个临界状态导致任务失败。

另一个问题是视觉遮挡。比如从背包里取一个物体，主流的视觉方案不能清楚地观察到背包里复杂的遮挡关系。但凭借触觉，即使完全不看背包，机器人也可以把物品抓出来。

这个任务几乎只有靠触觉才能做到。

甲子光年：人类视频产生的是模型推测的“伪触觉”，机器人部署时回传的则是不同传感器的真实读数。这两种信号会不会冲突？怎么进入同一个表征空间？

卢宗青：这个其实比较简单。

预训练时，可以认为是0和1，后训练时，就不再只是两个二值信号，而是从没有接触到真实力值的连续变化。

在训练层面，这个差异可以在模型输入和输出层面解决。

甲子光年：这里说的输入和输出层面，具体指什么？

张万鹏：我们设计了一个金字塔式的触觉编码器，以及一个统一接口。

它可以把连续值、二值接触和不同传感器的数据，统一表征成一种触觉模态输入。模型接收到的是统一表征，而不是各种定义不一的原始数据。

金字塔式的触觉编码器，图片来源：智在无界

甲子光年：如果不同灵巧手的触觉硬件并不一致，也能够统一吗？

卢宗青：可以。不同触觉传感器的原理不一样，但最终体现在模型层面，就是阵列上某个点的六维力。

如果传感器只有一个接触点，就是这个点上的六维力。至于它是霍尔方案、电容方案，还是视触觉，对我们来说并不重要。

我们用到的，是这个点上的切向力和法向力。人的皮肤可以理解成更密集的阵列，所以能感知到更细粒度的触觉。

甲子光年：TactoHand怎么验证预测的触觉是准确的？

卢宗青：在预训练层面，接触预测本身就是一个训练目标，可以通过Loss判断模型对于数据预测得好不好。

对于下游任务，模型训练完以后再做后训练，就要看真机任务或者仿真任务的成功率。

一方面，训练时可以验证模型对于接触预测的有效性。我们有对应标注，虽然是伪标签，但做过清洗，所以可以判断预测得准不准确。

如果是下游任务，就要看能不能完成与触觉有关的任务，以及任务成功率。

3.五十万小时之后，模型究竟学到了什么？

甲子光年：这次加入触觉模态，团队遇到的最大难点是什么？

卢宗青：过程中会遇到各种各样的问题。但如果说最大的问题，我觉得反而不是怎么解决触觉模态，而是怎么构建50万小时的数据。

市面上没有团队处理过这么大规模的具身预训练数据，起码国内据我所知没有。

从20万小时到50万小时，包括数据标注、判断和整个数据Infra，我们需要建立一套面向大规模第一人称视频的数据处理管线。

甲子光年：数据规模扩大以后，这套管线和过去有什么不同？解决了哪些难点？

卢宗青：数据量大了以后，之前任何一个小问题都会被放大很多倍。

过去处理数据时一个很小的问题，可能导致最后得到的数据不能拿来训练。如何在50万小时数据中标出高质量数据，这个流程随着数据规模增加，难度也会倍增。

数据怎么管理、怎么存储；拿到新的数据以后，它和已有数据有没有重合，是不是相似数据；有没有人拿公开数据又卖给我们——这些都需要处理。

所以最大的难点不是某一个单点难题，而是如何系统地管理整个数据管线，让系统高效运行、持续产出高质量数据。

它卡在每一个环节，而不是某一个单点。

甲子光年：原始视频进入训练前还要经过严格筛选。什么样的数据才会被你们定义为高质量数据？

张万鹏：高质量数据应该没有严重遮挡，手部动作有清晰标注。把恢复的手重新渲染以后，它和真实手的重合度应该很高。

另外，和物体的接触位置要能够准确标出来。还要有场景和任务的多样性，而不是少量任务的重复记录。

在训练过程中，不一定每个维度都是越多越好。有的维度需要足够多样，有的维度需要足够高质量。

不同来源的数据会以不同配比、不同权重，进入训练管线的不同阶段。

卢宗青：简单总结，就是我们有一套自己的评价体系，决定哪个阶段需要哪个维度的数据，以及不同数据以什么比例参与训练。不是原始数据有多少，就全部以同样的方式用进去。

50万小时人类视频数据，图片来源：智在无界

甲子光年：现在行业经常讨论谁的数据更多、谁就会领先。现阶段，你认为数据量和数据质量哪个更关键？

卢宗青：这两个不太能分开说。

比如我有1000万小时数据，但全是某一个工厂的工人在做同一个任务，这些数据没有任何价值。

我们是具身基础模型公司，希望看到的数据有足够大的多样性和覆盖性，要覆盖各种任务、各种场景。在这个基础上，再扩大数据规模。

甲子光年：大家都用“小时数”讨论数据规模。你认为，未来“小时数”还是合理的单位吗？还是应该统计有效动作片段、接触事件，甚至动作Token？

卢宗青：我们所说的50万小时数据，里面都是蕴含人手动作的数据。

它不是统计其他无关的视频，而是人手动作，以及人和物体接触、交互的数据量。

甲子光年：从最初数千小时到1万、20万，再到50万小时，模型能力有怎样提升，是否出现了此前没有的新能力？

卢宗青：随着数据量增加，数据多样性、场景、任务，以及同一场景里的不同动作，都会以数量级增加。

有了这些信息，模型学习动作和结果之间关系的能力会大幅提升。这也是我们扩大数据规模最主要的原因。

从实验结果看，我们也观察到，随着数据量增加，模型开始出现零样本泛化能力。

甲子光年：除了数据规模，训练范式本身起到了什么作用？以我的理解，智在无界和英伟达的路线有一些相似。英伟达一边将FLARE式的隐式模型嵌入GR00T策略模型，也在探索DreamDojo这类显式生成世界模型。智在无界未来会同时探索两条路线，还是更倾向于隐式路线？

卢宗青：首先，我们不会两条技术路线都走。

另外，H0.7、H0.8和FLARE并不一样。H0.7和H0.8在预训练阶段就带有Action Prediction，这是非常重要的一点，也是我们认为模型能够学习因果关系的一个重要原因。

对于FLARE或者JEPA这样的模型，预训练时没有动作相关信息。虽然大家都叫Latent World-Action Model，但这是最大的区别。

我们从预训练阶段开始，就是带着动作进行训练。

甲子光年：未来是否会探索显式生成路线？

卢宗青：不会。但具体什么路线就不太能说了，可以期待一下。

甲子光年：你刚才提到，数据规模增加以后，模型能够学习动作和结果之间的关系。你所说的“理解动作带来的后果”，具体指什么？能不能用拿杯子的场景解释一下？

卢宗青：这个很容易理解。比如你拿着一个杯子，然后松开手，物体就掉下去了。模型能不能理解这件事，能不能知道松手以后杯子会掉下去？

这就是现在World Action Model要解决的问题。World Action Model本质上是在同时学习一个策略，以及接下来状态的预测。

甲子光年：拿杯子这个例子，我问过很多模型公司，他们都说自己的模型能够理解：手松开，杯子就会掉下去。我想知道，怎么判断模型是真理解，还是假理解？

张万鹏：可以从训练范式解释。

手一张开，水杯会掉下去，很多公司会说模型能理解这件事，但它们理解的可能更多是一种相关性。

模型甚至可能理解成，是水杯掉下去导致手张开，因为它看到的是两个事件先后出现。

但人知道，因果关系是我先做了张开手的动作，这个动作导致水杯掉下去。

作为一个世界动作模型，需要见过动作，以及动作导致的后果，联合学习这条因果链。我们希望它学习的是“手张开导致杯子掉落”这条因果链，而不只是两个事件前后出现的相关性。

甲子光年：所以你们目前主要是从训练范式上解释，为什么它更接近学习动作和后果之间的因果关系？

张万鹏：对，我们的建模和训练范式可以支持模型完成更复杂的决策。

尤其是加入触觉以后，模型可以借助灵敏的触觉信号，识别事件的临界变化点，准确理解动作发生的前因后果。

卢宗青：我补充一下关于让模型学到的是因果性而非相关性的这一点。我们认为，除了训练范式以外，能够保证模型学习到因果性的更底层支撑是一定要有大量、多样的数据，才能覆盖各种因果事实，进一步才由模型架构和训练范式来支撑这件事情。

智在无界训练范式，图片来源：智在无界

4.不做本体，能力怎样落地？

甲子光年：有人告诉我们，触觉世界模型最难的不是预测接触，而是把预测映射到策略，再通过一只灵巧手形成真实闭环。所以他们向下做了自己的灵巧手。智在无界只做模型，没有一款灵巧手作为硬件载体，触觉能力怎么通过产品、硬件或者具体任务验证？

卢宗青：我们的模型可以适配不同的末端执行器，不管是灵巧手还是夹爪，都可以在不同末端执行器上验证，不一定必须是我们自己的手。

另外，我觉得还有一个更基本的问题。对于一个夹爪来说，它完成任务的动作其实非常简单。就是把末端执行器移动过去，张开、合住，然后完成抓取。

但为什么现在的模型，连这么简单的动作都不能泛化地完成各种任务？

动作本身没有那么复杂。关键还是模型能不能理解物理世界，能不能理解一个动作带来的后果，理解当前的物理环境。有了这个能力，再泛化地完成基于夹爪的任务，我觉得会更容易一些。

而不是说，只要把触觉融入策略，形成一个闭环。

怎么说呢，我不应该评判别人。我觉得我刚才说的这个问题，可能更重要一些。

甲子光年：模型换到灵巧手或者平行夹爪时，还需要真机数据或者演示数据吗？还是更换末端以后，模型就能直接执行？

卢宗青：如果是一款模型没有见过、自由度也没有见过的灵巧手，肯定还是需要一些真机数据，但需要的量会比较少。

这其实是H0.5解决的跨本体能力。通过小量数据，可以快速适配没有见过的末端执行器。

甲子光年：前不久发布的M系列已经包含手部动作，为什么还需要独立的H系列？两者有什么区别？

卢宗青：手部能力可以迁移到M模型，这是毋庸置疑的。

但现在看到的M模型，手部操作能力其实非常弱，更多是抓取与放置（Pick and Place）任务。

M不强调手部的灵巧操作，它强调的是移动操作：如何协调上下半身，像人一样完成移动中的操作。

它的难点不在于手怎样完成灵巧操作，而在于如何利用人类全身数据驱动人形机器人。

随着H模型成熟，操作能力会无缝迁移到M模型上。但M有自己Unique的问题，就是如何协调全身完成移动操作。

甲子光年：智在无界原来有VL、H、M和W等不同模型，最终会收束成统一的端到端模型吗？

卢宗青：长期会变成一个端到端模型。

现在H已经结合了很多VL的能力，M模型里也有W的一部分能力。

刚成立时，我们做的是四件事。逐渐地，VL和H基本收敛到Being-H系列，M和W收敛到Being-M系列。

甲子光年：也就是说，现在最主要的是H和M两条模型线。它们未来会在哪里交汇？

卢宗青：这两个模型里，重点还是Being-H。

Being-H离商业化最近。真的把灵巧操作做好，有无穷的商业化场景。

Being-M更多类似于一种预研性质的模型。将来Being-H成熟以后，可以把它接到双足人形机器人上，完成带有双足移动的操作。

甲子光年：既然H模型离商业化最近，目前你们有哪些明确的商业化路径？

卢宗青：一方面，我们会通过授权的方式，把模型提供给一些本体公司，这是比较确定的商业化路径。

落地方面，我们也在和一些跨国企业合作概念验证项目。

甲子光年：具体是什么行业和场景？

卢宗青：不能透露，因为签了谅解备忘录，现在只能说是工业场景里的一些操作类任务。

甲子光年：具身基础模型可能还需要三到五年才能初步实现。整体商业化的方向是不是主要通过替代人的劳动、计算ROI？

卢宗青：我觉得落地场景会比较多。通用模型这个目标可能很大，但对于某一个细分领域、某一个具体场景来说，没有那么难。

而且商业化不一定就是代替人的劳动，然后和人去算ROI。商业化有很多其他形式。比如机器人跳舞，它本身也可以是一种商业化。

甲子光年：所以机器人商业化不一定最终都走向替代人？

卢宗青：对。大家很容易陷入一个误区，觉得机器人就是要替代人。

其实机器人能做的事情，可能人本身并不能做。它不一定只是替代人，也可能超越人的能力。

甲子光年：这也是BeingBeyond里“Beyond”的意思？

卢宗青：对。

甲子光年：现在已经有很多厂商量产和部署真实机器人。未来，机器人自己的经验和回流数据，会不会比人类视频更重要？这会改变你们未来的产品和规划边界吗？

卢宗青：现在很多垂直领域落地，机器人完成的仍然只是一个任务。

就像我之前说的，如果只是一个任务，1000万小时、1亿小时的数据意义不大。

而且目前工厂里落地的一些方案，更多是人形机器人的构型，加上CV和自动化方法实现。

在真实落地场景中真正使用具身基础模型的，我认为目前还没有。

甲子光年：大家都在解具身基础模型这道题。怎么保证你们的解题思路是对的，或者会比别人更快？

卢宗青：更快的不存在。

长期目标是很明确的，就是希望机器人能像语言模型一样，在不同场景里完成不同任务。但这个目标如何实现，其实是一个未知数。

它有点像强化学习里的稀疏奖励。完成任务或者没有完成，只有0和1的奖励，中间任何步骤都没有奖励。

在这种情况下，你只能在整个环境或者Solution Space里不断探索。其实整个行业都在沿着不同的技术方向探索。

我们只能说，过往的经验证明，我们在一些技术路线的选择上比较有前瞻性。但探索本身就意味着，有些选择也可能不完全正确，需要不断调整。

（封面图来源：AI生成；文中配图均来自：智在无界）