今天继续《商业访谈录》的机器人专场，嘉宾是北京大学助理教授、银河通用创始人兼CTO王鹤。

王鹤毕业于清华和斯坦福大学。他给我们从“具身智能”的学术缘起开始聊起，这是一个学术流派从一个学科中萌芽到边缘再到主流渗透的全过程。

而随着ChatGPT诞生，“具身智能”这个小众概念，在过去2年成了新的资本宠儿——但一时间，也带来了新的乱象。

我们探讨了一些具身智能产业界关键问题：

1/具身智能起源于计算机视觉的学术流派，视觉、语言、智能的关系是什么？为什么VLM（视觉语言模型）的表现显著弱于LLM（大语言模型）？

2/具身智能的最大困境之一是数据采集，合成数据是正解吗？具体应该怎么做？

3/如果大模型提倡的是“智能即产品”，那么具身智能呢？王鹤的回答是“生产力即产品”。

去年底，英伟达创始人黄仁勋来华访问。答谢宴上，王鹤不仅和黄仁勋同桌，而且就在做黄仁勋旁边（挨着坐）。在节目最后，我们也聊了聊这个有趣的插曲——他提到，那晚黄仁勋吃了不少水煮肉片。

2025，我们和AI共同进步！

我们的播客节目在腾讯新闻首发，大家可以前往关注哦，这样可以第一时间获取节目信息和更多新闻资讯：）

03:00 开始的自问自答

05:58 语言不是智能的本质，而是“一次跃变”

“具身智能”和“机器人”是不同学术流派

“具身智能”起源于“计算机视觉”的研究流派

视觉有智能吗？纯视觉智能的可解释性差，是端到端的

语言不是智能的本质，不能说没有语言就没有智能

智能的本质是什么？“一种视情况对环境做出反应的能力”

语言是人类能产生这么高智能的“一次跃变”

视觉的本质是一种非常强的sensor（传感器）

25:08 具身智能的学术边缘史

具身智能最早兴起的task（任务）是，导航

加入视觉模态，强调Perception–Action Loop（感知-动作循环），成为具身智能研究流派能立起来的核心叙事

标志性事件：“具身智能是计算机视觉未来的三颗北极星之一”（李飞飞）

我和Skild创始人Deepak Pathak在Facebook人工智能实验室FAIR打过交道

41:15 我的学术之路

2016年，博士第一个项目：从人类视频里学多步的人与物体交互过程的生成（动画领域）

在Stanford博士第一年，在不喜欢的方向非常挣扎，后来换组、换方向

Stanford是高度自由的市场：你可以随时踢你老板，你老板可以随时踢你

第一篇论文憋了很久，很绝望

完全从视频中学习，学习世界模型，还没成为当下能推进具身智能的技术

我的第二个项目：位姿估计和合成数据相关

2020年李开复曾在湾区丽思卡尔顿组织brunch，观点分歧

回国坚定以家庭机器人为目标推进research，根本没有allies（盟军）

01:25:08 具身智能的软件和硬件是螺旋上升的问题

ChatGPT火了以后，很多人开始找我创业，我说创不了

所有工业机械臂在去年的全球总产值才1000亿RMB，和理想一家车企产值相当

如果采取不成熟的激进的硬件方案，对智能会是一种拖累

在这个硬件基础上，我们的方案是，做相对专用的智能和越来越通用的智能

VLM为什么显著弱于LLM？互联网视觉数据/所有人眼观测的覆盖〈〈〈互联网文字数据/人类所有说的话的覆盖（VLM数据不够，VLA的Action数据是最近两年才开始收集的）

01:44:34 我们要避免陷入以下泥潭

这一代具身智能公司相比此前机器人公司，差异在哪？

在我看来，具身智能公司如果陷入以下两个泥潭，天花板会很有限：

1、“长期漂浮”的公司；2、“算不过来账”的公司，边际成本不降

我们要做一个应用场景内的泛化（现在选择的是货架场景）

在我看来，机器人领域的头部效应很重

01:55:17 具身智能是，“生产力即产品”

雇人摇操采真实数据的成本到底有多高？一笔经济账

真实数据在我们训练数据的比重是1%，合成数据管线挑起大梁

行业内的tricky现象：把没有功能的机器人卖给别人（这是一种商业模式）

关于合成数据和Sim-to-Real（仿真到现实迁移）的常见误区

有出货量后的数据回流和数据飞轮

如果大模型是“智能即产品”，那么具身智能就是“生产力即产品”

02:13:51 资本轰炸后的人为乱象

谁在创造生产力，谁在讲故事，这是最乱的——这个源自美国

对Figure的估值400亿美元的两种逻辑

有的人胆子很大，不告诉别人我是摇操，但实际摇操

呼吁：真实展示！不要摇操！

5年内我们一定要有万台以上的应用，如果做不到这个，我们这个领域就被证伪了！

不要去搞一些砸我们行业招牌的事情！这些模式是很可怕的，是在砸这个行业的饭碗

通用机器人的到来不要想得那么快

02:25:25 一个插曲

去年黄仁勋访华为什么和黄仁勋同桌且在旁边？聊了什么？

黄仁勋能吃辣，吃了很多水煮肉片

02:28:26 最后的快问快答

【机器人专场】

逐篇讲解机器人基座模型和VLA经典论文——“人就是最智能的VLA”

【更多信息】

联络我们：微博@张小珺-Benita

更多信息欢迎关注公众号：张小珺