每經記者：可楊 每經編輯：廖丹
11月20日下午，在智源2025具身開放日上，在多位技術負責人參與的BAAI具身模型會客廳討論中，關於具身智能未來的共識遠少於分歧。
世界模型是不是核心，具身智能是否會收斂到統一架構，語言是否應該退居次要，動作模型如何設計，數據從哪裡來⋯⋯每一個問題都仍在探索之中。
但《每日經濟新聞》記者注意到，另一種更深層的共識正在形成——具身智能的真正競爭不在概念，而在長期投入、真實落地與數據質量。
未來幾十年，當機器人在真實世界中創造價值、積累經驗、形成反饋時，或許才能孕育出具身智能的「ChatGPT時刻」。在此之前，這仍是一場需要耐心的長期主義競賽。
圖片來源：主辦方供圖
世界模型是萬能鑰匙？
當討論具身智能的關鍵路徑時，世界模型總是被提及，與世界模型的結合是不是未來具身智能發展的關鍵？
這個問題隨著世界模型概念的模糊化，而在業內產生分歧。
北京大學助理教授、銀河通用創始人王鶴認為，「世界模型」一詞最早來自強化學習領域，指的是根據當前狀態與所採取的動作，預測下一步狀態變化的動力學模型。然而，在Sora等視頻生成模型出現後，世界模型概念逐漸向用視頻生成未來傾斜，這讓它與具身智能所需的能力發生了偏移。
王鶴認為，視頻生成模型並不能直接作為具身智能的通用解決方案。原因在於，機器人與人的身體差異巨大，即使訓練出一個能想像人類如何操作世界的視頻模型，也不能保證它對機器人同樣有效。即便是當下最像人的人形機器人，其動作空間、靈巧度和執行方式都與人類存在不小差距，看起來像人做事，不等於機器人學會了做事。
但王鶴同時強調，對未來進行預測是具身智能不可缺少的一環，機器人必須能夠根據未來目標倒推當前動作，並對環境變化保持前向與後向的推理能力。因此，具身世界模型是必要的，但它必須根植於真實機器人數據，才能有真正屬於機器人的世界模型誕生。
智源研究院院長王仲遠認可世界模型對具身智能未來發展的重要性。他指出，當下業界對世界模型並無統一定義。「如果世界模型僅僅指視頻生成（Video Generation），那顯然不夠。」真正對具身智能有意義的是能夠根據過去的時空狀態，準確預測「下一時刻狀態」，並據此規划動作的模型，這種預測是基於前序的時空狀態和現場環境上下文，進而給出的精準決策。
王仲遠舉例稱，自己回答問題時，要基於前一位嘉賓的發言內容以及現場環境，做出「拿起話筒」這一決策。這才是機器人需要的世界模型，不僅僅是生成幾秒鐘後的畫面，而是要基於對環境的理解，給出一個準確的步驟動作和響應。
具身智能會否收斂到統一架構？
在大語言模型時代，Transformer架構（一種基於自注意力機制的神經網路架構）一統天下。具身智能領域是否會收斂到一個統一的架構？是否會出現屬於機器人的「具身Transformer」？
中國科學院大學教授趙東斌給出了一種可能性。他表示，目前Transformer在具身智能領域的應用已經帶來了顯著的性能提升，例如近期Physical Intelligence發布的π*0.6模型，利用強化學習獲取數據鏈，能夠在疊衣服、裝盒子等多個任務中實現通用。他認為，隨著技術演進，模型架構可能會收斂到單一模型，或者呈現多樣化但核心統一的態勢。
此外，大部分嘉賓則對於技術路線的收斂持認可態度。在此基礎上，如果具身智能最終會收斂到一個統一架構，那麼這個「具身Transformer」的技術路徑在哪裡？
招商局集團AI首席科學家張家興認為，當下大模型的發展邏輯難以直接遷移到具身智能。「過去三年形成的LLM（Large Language Model，大語言模型）與VLM（Vision-Language Model，視覺語言模型）等結構，是以語言為中心，而語言在人類執行動作時並不參與。」他舉例稱，人類開車時不會在大腦中不斷語言化動作指令，因此語言作為中間層的VLA架構（視覺語言動作模型，Vision-Language-Action），其本質與機器人需要的結構不一致。
張家興提出，具身智能需要一個完全屬於機器人自身的智能結構，而不是從現有VLA體系延展出來的產物。現階段，他認為真正的具身架構還未出現，業界正在等待一個來自基礎大模型領域的突破性創新，類似當年Transformer論文那樣。這種創新將有可能弱化語言在模型中的中心地位，讓模型以行動和視覺作為驅動核心。
與張家興的視角類似，清華大學助理教授、星海圖聯合創始人趙行認為，視覺是世界上最通用的感知感測器，具身智能的基礎模型應當遵循生物進化規律：先有運動和視覺，最後才誕生高級語言智慧。因此，理想的模型順序應該是Action First（動作優先），然後Vision（視覺），最後Language（語言）。
趙行強調了一個關鍵差異：具身模型是一個閉環系統。語言模型是一問一答的開放系統，而具身模型需要「動作—反饋—再次動作」的實時循環，其核心是持續的環境交互。它必須從世界反饋中修正自己的策略，而不是完成一次思考後給出單一答案。
智元機器人合伙人、首席科學家羅劍嵐在此基礎上進一步擴展了閉環系統的結構組成。他認為，未來一定會出現閉環一致的「具身Transformer 系統」，但未必是單一模型，而更可能是由視覺（V）、語言（L）、動作（A）等模塊共同構成的系統。「VLA 的趨勢是對的，但最終形態不會是今天這個樣子。」真正的質變可能需要等到具身智能互聯網形成，即成千上萬台機器人在真實場景中解決具體問題，累積海量數據後，才能催生出真正的統一系統。
在架構探索之外，動作輸出端的不成熟也是當下具身智能無法收斂的重要原因。王鶴指出，目前行業在動作輸出上尚未收斂，存在大量基於概率匹配的方法，這類方法雖然適合處理連續變數，但為端到端的深度強化學習埋下了隱患，如何對概率模型應用策略更新是尚未解決的問題。
王鶴認為，短期內行業需依賴模擬環境和合成數據來探索動作優先的架構，因為目前全球僅有約一千台人形機器人在運行，數據量遠不足以支撐新架構的探索。「長期來看，地球上人形機器人的數量必須保持長期高速增長，只有這樣，它們的能力才能同步提升，而反過來，能力的增長又會進一步推動數量增長，最終才能孕育出真正強大的模型。」
自變數創始人、CEO王潛則認為，是否叫Transformer並不重要，Transformer 更像蓋樓的鋼筋，真正決定樓是什麼樣子的，是建築的結構設計。他強調，物理世界充滿了語言和圖像無法描述的精細摩擦與接觸過程，因此必須建立一個獨立於虛擬世界的、能夠描繪複雜物理過程的基礎模型。「可能十年後或者是五年後，可能反而是我們從物理世界中收集到的數據來做出來的多模態模型，反過來吞噬今天的一些基礎模型。」
突破跨域數據瓶頸一定要用真實數據嗎？
無論是否收斂到一個統一模型，對所有具身企業而言，一個共識正在形成：如果具身智能要走到「ChatGPT時刻」，必須先解決數據問題。
張家興團隊選擇「高質量+低成本」的路線，以真實物理世界的探索數據為基礎，並通過低成本的人類採集來構建數據金字塔的中間層，試圖以最高效的方式夯實數據地基。
趙行則提出了數據採集的三個維度：真實性、多樣性和規模化。他強調必須以真實機器人的素材為起點，且不能局限於實驗室，必須深入真實場景。羅劍嵐同樣堅持真實數據路線，他認為，靠遙控操作採集數據只是起步，未來必須依靠大量部署在真實環境中的機器人，在自主交互中產生廣泛數據，形成自我反饋和提升的閉環。
王仲遠主張利用互聯網上的海量視頻數據作為基座模型的學習來源，這類似於人類兒童通過看視頻認識世界。在此基礎上，再通過真機採集的數據進行強化學習和反饋，不斷精進能力。
但亦有真實數據之外的探索路徑。
王鶴在討論中提到，全球規模化運行的人形機器人可能僅在千台級，甚至更少，如此小的機器人人口，遠不足以支撐一個動作優先的基礎模型。
王鶴認為，短期內行業必須依賴模擬環境與合成數據，這會比受限於真實機器數量的方式發展得更快。但長期來看，只有當機器人數量進入指數級增長，數據才可能形成正反饋循環，推動模型與能力共同演進。
加速進化創始人、CEO程昊認為，數據瓶頸的破解是一個螺旋上升的過程。目前極速進化多使用模擬數據以求速度，目標是為了讓機器人具備落地能力，從而在真實場景中收集數據。當真實數據遇到瓶頸時，再回退到模擬環境中進行針對性訓練。「機器人落地創造價值，價值驅動規模，規模反哺模型。」
在海量數據需求之外，王潛認為，自變數什麼數據都在用，只是側重點不同。互聯網數據用於學習通用常識，模擬數據用於導航和探索，而真實的物理接觸數據則是核心壁壘。
王潛提到，根本在於所有類型的數據都可以被利用，但真正的挑戰在於：處理好任何單一類型的數據都相當困難。這背後涉及大量核心的工程問題，也正是團隊日常工作的重點所在，同時這些難題也構成了行業的技術壁壘。
一個清晰的現實浮現出來：具身智能的未來並非由某一種技術突破決定，而是取決於架構創新、真實世界落地、機器人數量增長與高質量動作數據積累是否能同時發生。具身智能的發展路徑比語言模型時代更複雜，也更漫長。
每日經濟新聞
