七问具身智能：谁是下一代 AI 范式的关键变量 | 未来人工智能先锋论坛圆桌

摘要：在2025年3月29日，中关村论坛—未来人工智能先锋论坛上，智源研究院发起了一场以《具身智能，通往AGI之路？》为主题的圆桌讨论。来自银河通用、穹彻智能、乐聚、星动纪元、智源研究院等机构的多位专家学者齐聚一堂，围绕“具身智能”的发展路径、数据范式、算法突破、系

大数据文摘受权转载自智源社区

在2025年3月29日，中关村论坛—未来人工智能先锋论坛上，智源研究院发起了一场以《具身智能，通往AGI之路？》为主题的圆桌讨论。来自银河通用、穹彻智能、乐聚、星动纪元、智源研究院等机构的多位专家学者齐聚一堂，围绕“具身智能”的发展路径、数据范式、算法突破、系统架构与落地挑战等展开讨论，七问具身智能。

具身智能作为AGI探索中的关键方向，逐渐显现出技术路线上的分歧与融合：有人强调其对动态感知与物理交互的依赖，有人提出“99%合成+1%真实”的训练策略，有人认为世界模型尚未触及本体物理，有人则支持其未来的预判能力。正是在这些交锋与思辨中，具身智能的发展逻辑逐渐清晰，其对 AGI 的意义也愈发凸显。

本次论坛的嘉宾有银河通用机器人创始人、智源具身智能研究中心负责人王鹤；上海交通大学教授、穹彻智能创始人卢策吾；乐聚机器人创始人兼董事长冷晓琨；星动纪元创始人、清华大学助理教授陈建宇；智源研究院院长王仲远共同参与讨论，并由机器之心主编李亚洲进行主持。

一问路径：具身智能代表人工智能发展的高级阶段

李亚洲：为什么说“具身智能”是通向通用人工智能（AGI）的必经之路？与其他路径相比，它具有什么独特的优势？

图注：上海交通大学教授、穹彻智能创始人卢策吾

卢策吾：可从两方面理解。一是静态层面，它具备模态完备性，直接对应实体世界。图像和语言只是世界的投影，而具身智能能承载更全面丰富的信息。二是动态层面，它具备开放探索能力，能通过交互不断获取新信息，实现持续更新。因此，具身智能不仅代表了人工智能发展的高级阶段，也可能是通向 AGI 的必经之路。

陈建宇：人类本身就是AGI 的最佳例证。我们的智能不局限于语言或图像，而是基于丰富感官，能以多模态方式与现实深度交互。更重要的是，人类始终处于“感知—认知—决策—行动—反馈”的闭环中，不断优化认知与行为策略。因此，构建全面感知能力和动态闭环机制，是迈向 AGI 的关键路径。

王鹤：从数据和学习效率两个维度看，当前大模型主要依赖互联网上的文字和图像数据，但这远不能覆盖人类婴儿成长过程中所接触的真实、多模态感知信息，例如触觉、运动和环境互动等。婴儿通过主动探索和多感官交互来理解世界，其类比推理和学习效率早已超越当前的视觉-语言大模型。这种具身智能特有的学习方式，有助于加速智能体的成熟，是迈向 AGI 的重要路径。

冷晓琨：具身智能出现的核心，在于大模型具备与真实世界交互的能力。强化学习能够成功，本质上也因其能与环境进行实时互动。现实环境的细节极为丰富，例如玻璃起雾、热胀冷缩等，只有在AI 智能体能够探索真实环境时，才有机会学习掌握这些细节。过去，人形机器人缺乏清晰的发展逻辑，直到具身智能出现，才让它成为通用智能理想的载体。具身智能需要在真实世界中感知和行动，人形形态正好适配多种场景和任务。我相信，具身智能与人形机器人的结合，将持续推动智能体向通用方向演进。

王仲远：在去年的智源大会上，AGI的定义存在争议。一年过去了，尽管学界和业界持续交流，但对AGI的理解仍未统一。如果只看文本维度，当前大语言模型在理解和推理方面已接近人类，“文本领域的AGI”已初步实现。但现实世界远不止文字，还涉及图像、声音、视频与时空等多模态感知，这些对现有模型来说仍是挑战，处于探索早期。而在具身智能与环境交互感知方面，AGI 的发展更是处于起步阶段，甚至可称之为"婴儿期"。

二问数据：“99%合成数据+1%真实数据”的训练范式

李亚洲：在各位老师的分享中，多模态数据的重要性被反复强调，这确实是发展具身智能的关键要素。

请问：未来哪些模态的数据对具身智能的影响比互联网文本和图像更大？采集这些数据时的主要瓶颈是什么？

图注：智源研究院院长王仲远

王仲远：当前具身智能研究主要集中于视觉与文本模态，例如视觉语言模型（VLM）或视觉语言动作模型（VLA）。与此同时，诸如触觉、温度、力反馈以及对空间与时间的感知等模态信息却常被忽视，尚未得到充分利用。我们认为，这些模态对于未来的具身智能至关重要。

冷晓琨：我们在研发具身机器人时也面临关键问题：究竟需要采集哪些数据？虽然现有模型的数据标准看似完备，但其实际任务能力仍需验证。目前有两个核心疑问：是否需要更高层次的抽象模型？现有数据模态（如视觉、触觉等）是否足够？尤其值得注意的是，当前硬件在触觉数据采集上存在明显局限，通常只能获取基础力反馈。更根本的挑战在于：由于技术路线尚未定型，我们面临数据采集的"迭代风险"，即投入大量资源获取的数据，很可能被后续模型升级所淘汰。

王鹤：具身智能发展的关键瓶颈在于数据，主要分为真实数据和仿真合成数据两类。真实数据包括无动作标签的被动观测数据（如互联网视频）和机器人遥操作采集的交互数据。虽然互联网视频数据量庞大，但训练价值有限，因为模型需要先具备基础运动能力才能有效模仿学习。因此，银河通用主张优先使用大量合成数据进行预训练，之后再用真实机器人数据精调。

在人形机器人尚未达到自动驾驶百万量级规模的现阶段，合成数据是最具价值的数据资产。采用"99%合成数据+1%真实数据"的混合训练范式，能高效推进技术发展，在最后关键环节利用真实数据完成应用落地，是目前最行之有效的策略。

图注：星动纪元创始人、清华大学助理教授陈建宇

陈建宇：在多个模型中，视觉最重要，我为其赋予 80 分的权重。视觉信息获取方便，可来自互联网或仿真生成。其次是触觉。若要实现精细操作，必须依赖触觉数据；最后是声音。声音不仅可用于语音识别转文字，还能辅助操作过程。例如倒水时，流水声有助于控制动作。然而，目前大多数 AI 模型不具有这些反馈能力。

卢策吾：关于方法论和技术路线，目前已有诸多争议，但现阶段无需纠结优劣。不同类型的数据各有信息价值，关键在于合理分配和搭配使用。这就像配方优化，随着技术发展，自会趋于平衡。

常见的数据来源包括：

互联网数据规模大，但缺乏操作细节，多为动作表象，虽不完美，仍能提供识别线索。

仿真数据同样丰富，但在处理复杂接触和数据管理上存在挑战，尤其当识别容错率低时，使用成本高。

真机数据在缺乏力反馈时噪声大，加入反馈系统又提升成本。新兴的“伴随式操作”则通过人类替身方式，降低了采集难度与成本。

三问算法：跨本体是实现泛化的最后一步

李亚洲：自深度学习时代以来，数据始终是人工智能的重要组成部分，而核心算法同样不可或缺。

请问：在具身机器人研究中，如何定义其泛化问题？当任务规模与复杂度不断提升时，如何实现跨本体、跨场景、跨任务的泛化能力，迈向更高水平的通用性？

图注：宇树科技的春晚机器人，现场扭秧歌

王仲远：泛化能力是具身智能的核心挑战。尽管网络上机器人演示精彩纷呈，真正能现场稳定运行的团队并不多，我们是其中之一。另外，我观察到现在一个2岁的小朋友通过刷短视频自学，再通过尝试和练习掌握，自主学会了拆糖果、用牙签串蓝莓。这正体现了“预训练 + 后训练”的学习范式。我们希望未来机器人也能像人一样自主学习、积累技能，拓展更多实际应用。

王鹤：我非常认同王仲远院长关于人类学习的观察。一个2岁小朋友通过观看拆糖果的视频并获得“糖果奖励”，展现出类似多模态大模型+强化学习的能力。而具身智能领域对此仍处在早期探索阶段。在讨论任务通用性、能力泛化和跨本体迁移时，我们应意识到：人类其实也不具备真正的跨本体能力。例如，长期卧床会导致肌肉萎缩，需要康复训练才能恢复功能，这只是生理状态的变化，已说明跨本体对任何智能体都是极大挑战。因此，应先在单一本体上实现泛化，再拓展技能，最后再考虑跨本体迁移。

从产业角度看，应优先聚焦具备生产价值的基础任务，如抓取、放置、移动等。这些动作虽简单，却是工厂、零售等场景的基本组成，支持大量真实应用。

图注：银河通用机器人在操作拿取杯子和水

只要结合大模型和少量数据，让机器人在基础任务上实现较强泛化，就能显著提升生产力。这也是人形机器人走向更复杂任务与场景的前提，跨本体迁移应作为后续目标。

四问落地：从实验室到家庭与工厂，机器人需要更鲁棒性

李亚洲：当前多数实验仍局限于实验室环境，由研究人员进行精细操控。那么在家庭和工业这些实际场景中，如何大规模验证机器人的鲁棒性和稳健性？

陈建宇：要让机器人真正落地，必须建立完善的质量测试体系，涵盖多个层级。先确保硬件本体的可靠性，明确其出错概率和使用寿命。例如，对灵巧手或多关节部件要测试其老化周期和一致性。整机组装后，还需评估其动作的持续性与稳定性。

在硬件测试完成后，还要结合实际场景进行验证。机器人进入家庭或工业环境前，也需经历类似严格的评测流程。只有通过系统性的测试体系，才能确保其鲁棒性和可靠运行。

图注：乐聚机器人创始人兼董事长冷晓琨

冷晓琨：目前人形机器人行业仍处于初期阶段，尚无成熟标准。比如，若用于工业生产，需评估其“无故障运行时长”。我们内部标准是连续工作 1500 小时（约 100 天），达到这一可靠性，才能进一步考虑投资回报率（ROI）。

从技术角度看，机器人执行任务的稳定性依赖于场景状态、机器人状态和任务本身。实现真实工业应用，就必须采集并分析这些数据。当前行业多从简单应用入手，通过“相似场景”的泛化能力打基础，并在训练场中进行大量模拟训练。只有当其在预设 ROI 标准内表现足够稳定，才能胜任复杂任务，真正融入生产与生活。

李亚洲：机器人进入家庭，将面临更复杂任务，用户期望其具备通用性，方能真正“走进千家万户”。

接下来请谈谈机器人灵巧手的重要性。目前对于灵巧手的灵巧程度有哪些衡量标准？不同的传感器又有何种技术要求？

图注：全球首例机器人刮胡子，穹彻智能出品

卢策吾：我们实验室在研究灵巧手，这是一个非常有价值的方向。当前工业多用二指机械手，但其灵活性有限，灵巧手可在此基础上补充关键功能。

从学术角度看，灵巧手研究需求强烈；从产业角度则需关注稳定性、价格与必要性。若场景中二指机械手已能胜任，就无须使用更复杂的五指灵巧手。商业化需在这三方面权衡。

我常提醒学生，研究应聚焦二指无法完成的任务。许多工作仍停留在抓取层面，而这通常二指即可胜任，为何还需灵巧手？有些任务灵巧手任务，尽管看起来“酷”，却难有实际研究价值。

李亚洲：几年前，OpenAI曾发布过一张“五指机械手玩魔方”的图片。

图注：2019年，OpenAI 发布，机械手玩魔方

卢策吾：玩魔方的商业应用价值或许不大，但确实是二指机械手难以完成的任务，是很有意义的研究方向。

五问系统：具身智能中的大脑与小脑协同机制

李亚洲：王仲远老师在介绍智源研究院成果时提到“大脑”“小脑”与机器人本体的概念。请问，在构建智能“大脑”时，如何实现“大脑”与“小脑”的协同控制？又如何解决不同机器人本体与具身“大脑”间的兼容性问题？

王仲远：关于具身智能方向，目前学术界和产业界尚无统一共识：应采用分模块实现，还是端到端整合？参考自动驾驶，端到端或许是最终形态，但需依赖海量数据，而分模块方式更易落地。我们观察到，许多机器人公司正通过数据采集训练技能。如果能通过“跨本体”的大脑复用不同厂商的技能，将加速实际部署，并积累更多数据，为实现真正的具身智能打下基础。当然，合成与真实数据缺一不可。如我之前所说，这些数据将用于微调和后期训练，赋予机器人一定的泛化能力。

李亚洲：冷老师有何看法？

冷晓琨：我更倾向于分层方式。端到端虽进展快，但易造成算力浪费。人类也是分层控制，若“大脑”和“小脑”耦合不佳，会导致资源闲置或重复。产业上，各团队侧重点不同：有的关注模型，我们更关注“小脑”和硬件。这种分工导致协同困难，通用化阶段易产生冗余。核心问题是：接口规范应由模型方主导，还是硬件方主导？这关系到技术信任与主导权。因此，未来“大脑”和“小脑”都会发展，但关键在于如何高效融合团队，这既是技术问题，也是行业挑战。

六问方向：“它不是具身智能的主要力量” V.S. “我支持世界模型的研究方向”

李亚洲：当前，世界模型是研究热点。请问能否利用现有的大语言模型和多模态模型，构建具备物理预测能力的世界模型，以推动具身智能发展？其中面临哪些关键挑战？

王鹤：我对“世界模型”这一方向持保留态度。以“Sora”为例，它虽称为“世界模拟器”，实则缺乏对真实物理特性的建模。当前许多所谓世界模型主要依赖视频合成，忽略了机器人本体和物理交互的信息，如关节位置、力控参数等。如果只通过第三人称视角的视频模拟环境，而不关注机器人自身的结构和控制机制，只能算是“视觉合成”，而非真实的世界建模。

图注：Jurgen 2018年放出论文“world models”。该文章最终以 “Recurrent World Models Facilitate Policy Evolution”的title发表在NeurIPS‘18

若想通过“世界模型”推动人形机器人发展，需大量机器人在真实环境中操作并采集数据，但现实中我们缺乏足够的人形机器人来完成这一任务。即便已有这些数据，或许直接用于三维动作生成更有效，也不必依赖视频合成。问题在于：没足够的机器人，就难以获得高质量数据；没数据，又难训练出准确的世界模型，形成“鸡生蛋”的困境。因此，世界模型或视频大模型目前更适合作为辅助工具。

陈建宇：我支持世界模型的研究，并认为其对智能系统发展至关重要。人类之所以智能，不只是依靠条件反射，而是不断预测未来：看到杯子会担心它掉落，开车会预判其他车辆动作。这种预测能力让我们做出更稳健的决策，而现有大多数“感知-动作”模型正缺乏这一点，通常只是将感知直接映射为动作，类似条件反射。预测虽不必绝对准确，却足以提升决策的效率、泛化能力与适应性。我们也在研究中将世界模型融入大模型，在部分基准测试中已取得不错的成果。

七问未来：具身智能的ChatGPT时刻不远了！

李亚洲：关于世界模型与具身智能，大家看法不一。无论是视觉模型、世界模型，还是大语言模型，技术都在快速演进。我想抛出一个预测性问题：具身智能作为长期方向，各位认为它的“ChatGPT时刻”何时会到来？未来五年，相比现在又会出现哪些新机会？

卢策吾：大家看法不一。目前算力和算法仍在发展，具身智能的“ChatGPT时刻”不会突然到来，而是会在不同场景中逐步显现，每一次突破都反映模型能力的进步。我认为这是一个阶梯式演进过程，最终会在某个时点迎来拐点。虽然时间难预测，但未来一两年可能出现第一波关键进展。整体上，具身智能可能以两年为一个周期，持续推进。

从应用场景来看，物流领域的抓取操作将是最快突破的方向，根据我们的实践观察，食品精加工等标准化场景也具有较快落地潜力。此外，结构化环境中的应用同样值得关注。

陈建宇：机器人的ChatGPT时刻”取决于怎么定义。如果像ChatGPT那样通用、开放、反应灵活，那就要求机器人能在各种场景中自主完成任务并做出合理推理，这一目标至少还需三年以上。不过，未来一两年内，机器人在特定场景中实现实用落地是有希望的。

图注：银河通用机器人创始人、智源具身智能研究中心负责人王鹤

王鹤：如今，人形机器人热度很高，这条路线需要长期打磨。智能与硬件将在发展中交替成为瓶颈，相互推动。目前轮式机器人，已经可以从货架上主动取下咖啡供人使用。在此类场景中，轮式方案在成本、续航和可靠性上更具优势，不一定需要“腿”。

阻碍轮式机器人应用于便利店等复杂场景的关键在于智能水平。预计到2025年或2026年，会迎来“货架级别智能”的突破，能大规模部署十万元以上、功能可靠的轮式机器人。虽然这未必是“ChatGPT时刻”，但对行业价值却相当大。

冷晓琨：具身智能与纯软件型智能的最大区别在于对硬件的依赖。ChatGPT作为一款软件，一旦成熟可迅速推广，而机器人则受限于硬件发展的节奏，从实验室到产业化通常需要3到5年，同时还依赖软硬件的协同演进。

之前有一项数据显示，工业机器人虽然看似规模庞大，但其对GDP的贡献不足2%，关键原因在于功能专用。而具身智能与人形机器人的出现，凭借通用性，能推动机器人在更多场景中落地。在这一过程中，产业化不断成熟，智能程度不断提升，技术将逐步渗透各类场景。当然这个过程不会一蹴而就，会从较简单或垂直的场景开始，逐步深入。等到五年或十年后再回顾，会发现智能机器人已经无处不在。

王仲远：“ChatGPT时刻”其实取决于怎么定义。回顾深度学习的发展：2006年Hinton在《Science》发表论文，2012年其团队在ImageNet比赛中大幅降低错误率，引发视觉领域突破，也让深度学习受到广泛关注。此后，语音识别、语音合成等技术不断进步。2017年Transformer提出，2018年BERT模型问世，自然语言处理迎来飞跃。最终，2022年ChatGPT的出现，让大众真正感受到深度学习的巨大潜力。