刚刚过去的这届世界人形机器人大会（WRC），对整个行业来说是一场极具分水岭意义的展会。

如果说去年，大家还在拼命展示后空翻、跳舞和概念 Demo，那么今年最大的变化在于——所有浮躁的泡沫开始被挤压，行业正式进入了算 ROI、看真实出货、拼落地能力的实战阶段。

在纷繁复杂的信息流中，我希望穿透 PR 话术、看到真正的行业水位，所以我邀请了上市公司仙工智能（HKG: 6106）的联合创始人叶杨笙。叶老师深耕机器人行业已经有十四年时间，既懂底层算法与软硬件工程，又对商业化极致务实。

这期内容中，叶老师不仅给出了极高信息密度的行业“深喉观察”，还点出了一些行业不敢讨论的话题，比如：

• 破除出货量与预训练神话

• 展台 Demo 的行家鉴别指南

• 数据与底层的核心痛点

欢迎在评论区留下你对 WRC 和行业的观察，好内容需要你的更多互动。哦对了，有关仙工智能这家公司的具身战略，也欢迎前往漫谈第79 期，在仙工上市之际，我与创始人赵越的独家访谈，非常推荐～

本期嘉宾：叶杨笙（仙工智能联合创始人 社交平台账号：叶老师玩机器人）本期 Shownotes：

03:11 很多展台都要设定时展示，为什么？哪些企业展现了真正的实力？

07:44 机器人跑太快着火了：运控能力普遍大幅提升

09:31 来 WRC 不寒暄，我们只问一些关键问题：

机器人是遥操，还是真实自主？

失败之后，能自己恢复吗，还是要人工重启？

换个光线，换个物体，还认得出吗？

这个任务，非得用人形吗？

剪了几条，加速几倍，网络断了还能动吗？

你们的成功率是挑了多少次场景算出来的？

14:31 真正的头条不是任何一台机器人，是「采购日」这三个字

一组关键市场数据：2026 上半年全球人形机器人出货量突破 2.2 万台，中国厂商占全球约 97%

20:00 大胆开麦：行业落地的真实需求，可能要在订单量上除以 10

「去表演化」：静展比例大幅减少，跳舞翻跟头不被业内埋单

「去差异化」不足：300+公司涌进三个赛道、五个场景

什么赛道是百万级的需求？

25:55 具身大脑的风向：世界模型最火，但展示很少

为了攻克卡点，全栈自研是头部标配，这很正常

关节模组和嵌入式软件自研，会是趋势

内幕爆料：目前可能真正的在做预训练的具身创业公司，可能不超过 5 家

具身行业的永续公司：融了几十个亿在账上，仅靠利息就能养活研发

大脑能力目前非常同质化

探索什么样的数据真的有用 vs 范式清晰的那一天，有没有那么多机器人布好，目前是矛盾的抉择

37:57 本届 WRC 最大的场外热点：宇树上市

宇树上市，给具身行业做了很好的定价

什么是真实订单量？上市之后的界定严格得多…

王兴兴在开幕演讲中谈，目前的具身大脑为什么难以突破？——「他的定义很本质」

40:11 机器人的大脑、小脑和神经：技术发展到哪了？

神经，是传感器信号的总线

灵巧手和数据，从机器人配件，走向舞台中心

为什么行业总说，具身数据采集标准不统一？详解数据采集的秘密…

关于采集口径、标注规范、数据格式、时序组织…

仙工打算成立一家专做数据的子公司，正在开启独立融资

55:30 整个行业的技术进展的结果是由什么带来的？

强化学习、Coding、数据…都在飞跃

Agent 自进化会加速技术进展

明年，Scaling Law 会有初步显现

大部分自定义的限制场景，VLA 完全够用

「大家的起点都还非常低」

整个展会期间，最意味深长的细节…

加入听友群⬇️

在小宇宙查看该单集文稿

宇树科技正式敲钟上市了。

我曾在第 65 期节目（《除夕夜，与王兴兴的对谈》），于除夕夜春晚舞台演出之后，专访过宇树的创始人王兴兴。

那次对话的震撼一直持续至今。在我的认知里，宇树绝对不只是又一家把硬件卖到全球的成功企业。

它是一个真正能开启中国硬科技全新创新时代的范本。

宇树证明了：中国创业者能够用极致的工程创新、并将中国硬件的优势发挥到极致，从而做到引领全球；他们不需要光鲜的履历，就能让全球最顶尖的实验室基于中国团队的硬件去定义行业标准。

我们试图回到那个没有聚光灯、甚至充满偏见的起点。

我邀请了宇树的早期投资人、初心资本的管理创始人田江川，一起复盘了宇树这个项目所有的非共识。

如标题所说，早年融资上捉襟见肘，反而成了宇树最大的「幸运」；当年被顶级 VC 视作“短板”的草根背景、手搓 BP、不做视觉算法的王兴兴与宇树，最终却构筑了断代级的壁垒。

某种程度上，宇树和王兴兴实现了一次中国投资人们的集体认知升级——有关反精英主义的傲慢，与什么是真正的创新。

本期嘉宾：田江川（初心资本管理合伙人 、宇树早期投资人）本期 Shownotes：

02:25 2015 & 2025 ：投资的 vintage year

• 乔布斯的「初学者心」：持续对世界保持热爱和好奇

• 2017 年，3000 万人民币估值的宇树

• 王兴兴 2019 年的 BP

• 投资行业正不断回馈胆子大的人

• 2025 年技术变革中，话语权只掌握在少数人手里

00:07:22 2017，为何在Costa咖啡馆里错过了王兴兴？

• 「让机器人走进千家万户」的 passion 打动了我

• 电机这个路径一定是更好 scale 的，但当时我没有意识到

• 宇树是Macintosh 级别的创新

• 人才策略的三星模型—— poor 、smile and desire

•  target mass market

• 哪个年份的阿里人含金量最高？

• “两真两网”体系：真问题、真专家、认知网络和信任协同网络

00:19:31 宇树不是一家机器人企业，它是一家全球性的生态平台

• 宇树的高毛利和量产能力从哪来？

• 宇树如何站住了生态位？它的壁垒是什么？

• 宇树的「幸运」：兴兴的英语是很不好的，但是day1 他就选择做海外

• 宇树其实是一家生态平台

• 「他们还会进入科研市场吗？其实很多是不会的了。」

• 「这么多岗位是谁在做？他当时说：是我。」

00:30:05 孤独的创新者：厚积薄发的六年

• 在一个无人区创新，即便不好走，但没有那么多竞争

• 宇树和大疆相似的成长路径

• 王兴兴给市场的强压迫感：一般都会早于市场 3-6 个月，推出一款别人赶不上的产品

• 2025 年春晚，中国具身行业的分水岭

00:53:55 人才审美：极客、科技理想主义者，与清醒的野心

• 所有 10 倍的优势，都是非常了不起的信号

• “A user is a player.”

• 点亮宇宙科技之树

• RoboMaster，是培育大疆竞争对手最大的温床

• 「三非」：扶持非共识、非中庸、非主流创业者

01:15:57 具身智能布局：这个时代的船票只属于少数人

• 中国具身的红利

• ToC 端未形成 PMF 的核心原因：核心技术不到位，目前仅能提供情绪价值

• 具身领域存在类似 SaaS 的确定性机会

• 硬件赛道更离散，行业有巨大增量

• 地缘政治的最大挑战

01:36:59 MIT 的冲击与 VC 行业的残酷法则

• 管理是一门科学而非艺术

• 「裸奔做一个 CEO」

• 理解了文化差异，就能理解中美为什么会脱钩

• 天赋与勤奋：「今天你因为要出去滑雪，你就错过了字节」

• 创新的根本，就是顶级人才的流动

加入听友群⬇️：

在小宇宙查看该单集文稿

这是一个在 2026 年才正式浮出水面的具身明星项目。

墨奇智能成立于 2025 年底，半年内完成超过 10 亿元天使轮融资。创始人黄青虬是前「华为天才少年」，亲历华为智能驾驶从 0 到 1 、从第一代到第四代的完整建设，离职前，他领导 200 余人团队，时任AI 模型开发部部长，并把端到端方案推向量产。

从去年年底开始，这个项目是具身领域投资人们纷纷约见和抢注的对象。

从本科、博士到华为工作，黄青虬完整经历了机器人的小脑、大脑及系统的学习、探索和实践。其中穿插着清华火神队、汤晓鸥成立的 MMLab 以及华为自动驾驶，这些人工智能的传奇之地。

这是一期信息量很高的访谈。它能解答一个问题：为什么在 2026 年，具身浪潮已经狂飙了三年、全行业有数百家具身企业之后，这个赛道仍然有新选手的机会。

要点概览：

• 具身是马拉松，不需要弯道超车。

• 具身量产需要更严格的定义。今年能产出 5000 台靠谱机器人的公司，不会超过三家。

• 数据的质量，远远重要于数量——在一个人人都高喊「1000 万小时」「1 亿小时」数据的时刻，黄青虬认为，今天行业接触到的具身数据「质量是不够高的」，且缺乏统一的标准。

• VLA 和世界模型是一体两面，但它们都「不本质」。

视频版将在 8.4 日中午上线各大平台：b 站、微博、小红书、视频号等，欢迎前往：）

本期嘉宾： 黄青虬 （ 墨奇智能联合创始人兼 CTO ， ex 华为天才少年）本期 Shownotes：

05:36 最晚下场的「华为天才少年」，与具身爆发的节点：2026 才出发，晚了吗？

• 大模型从 chatbot 发展为 coding 、agent 成熟

• 智驾领域实现可泛化、可大规模商用的端到端一段式控制技术

• 批量具身公司出现，具身创业门槛不高？

• 「投资人可能默认我能做成」

11:34 具身是一场马拉松，不是百米冲刺：起点差几个身位，没有太大的区别

• 技术范式未收敛，所以起点不重要

• 行业热度高，人才分散浮躁——这个领域需要怎样的人才画像？

• 太多人谈弯道超车，什么是这个行业真正的基本功？硬件可靠性、算法数据模块的精度效率是「苦活累活」

19:20 路线选择：toC 一定是终点，但可以先把 toB 当跳板

• 场景选择：可泛化、可分阶段落地、能够回流高价值数据以迭代通用模型

• 具身行业的数据质量很成问题

• 好数据的三个条件

• 「具身的 Scaling Law 会比大语言模型更难 」

• 具身模型存在模型结构的矛盾，挑战很大

29:28 算法不重要？「算法是这一轮智能的核心」

• 算法架构是容易抄的，但探索过程中积累的方法、人才、组织氛围无法复刻

• 成立仅半年，月算力投入达千万级，算力投入可排行业前五

• 「这个行业的算力投入与行业热度，是不匹配的」

• 大脑的算力门槛为千卡级别，要出突破性成则果需达万卡级别

36:58 机器人兴趣：从《铁甲小宝》、《黑客帝国》，到清华火神队

• 赵明国老师的清华 508 实验室

• 「不要随大流，要有自己相信的研究方向」

• 运控古典派如何看待宇树：Sim-to-Real 最小背后，硬件一致性与参数整定

• 细节决定成败：负载系统会放大误差难以溯源

53:24 从机器人「小脑」到「大脑」：传奇 MMLab 带来的一切

• 初识 CV：恰逢 ImageNet 诞生，多模态理解一定是大势

• 商汤往事：在文津国际公寓的岁月

• 汤晓鸥强调的「黑羊文化」

• 从封闭式走向开放式的命题：重新定义系统

• 什么是具身大脑的核心？

• 通用的「特征提取」

• 什么是好的系统？

01:17:11 加入华为：「华为天才少年」、救火、与自动驾驶的四代更迭

• 「华为天才少年」打破了外界对华为的刻板印象

• 「银狐」量产救火：从没上手过激光雷达，却完成了算法修复，怎么做到的？

• 什么是可迁移的经验？如何迁移？

• 从六七人扩张到200人的管理与文化：同理心是关键，找寻一致的人

• 什么是真正的财富？地狱级的量产有更严苛的标准，刷榜没有意义

01:36:03 「VLA 和世界模型，都不够本质」

• 为什么会出现各类技术方向：具身模型动作模态稀疏、反馈少、训练慢

• VLA 和世界模型是一体两面：都是为了将模态从稀疏推向稠密

• AI 仍是一门实验科学，需要大量验证试错

• 华为自动驾驶 4.0 量产完成，我从华为「毕业」了

• 如何做技术选择？「美的东西，都是简洁的（Simple but work）」

02:00:07 量产的定义需要更严格：不能做到 7✖️24 小时运转，每一台机器人保持一致，就是原型机！

• 中国做硬件、硅谷出软件（大脑）的故事几乎不会重演：具身的数据是要从头来过的

• 「ChatGPT 的 changing point ，只是刚好出现在 OpenAI」

• 每次推倒重来，才有机会提升智能的上限

• 「我对量产的定义可能更严格」「我希望做一家靠谱的公司」

• 「今年能产 5000 台靠谱机器的公司，不会超过三家」

02:09:32 豪华团队：追求「温柔与坚定」，有趣也很重要！

• 具身很复杂，「你永远不知道会出什么幺蛾子，需要非常健康的心态去看待这些状况」

• 工程很重要，学术 taste 也很重要

• 做机器人很苦：产品和团队的调性会影响心情，心情又会影响灵感

• 乐观是一种可被习得和塑造的方法

• 「看一看表，还有二十几年——是时候开始做了」

加入听友群⬇️

在小宇宙查看该单集文稿

我们正经历从模型时代到 Agent 时代的过渡。

底层技术正在发生怎样的演变，有哪些硅谷与国内的重要 AI 趋势？为什么这是工程师最好的时代？

这期播客，我邀请了百度智能云AI 计算首席科学家王雁鹏，深入探讨 Agent Infra 这个重要的「隐秘战场」。

（本期视频版也已上线：欢迎前往 b 站、视频号、小红书等平台观看～）

本期嘉宾：王雁鹏（百度智能云 AI 计算 首席科学家）本期 Shownotes：

01:46 模型动向、AI 基建正在发生什么？

• 什么是 AI Infra？「Infra 其实就是抽象一个层次，这个层次有足够的通用性。」

• AI Infra 为什么从软件走向软硬一体？「前一代的 Infra 基本上全是软件视角，这一代 AI Infra 有一个巨大的区别：它是以 GPU 为核心构建的。」

• GPU 极大释放了算力，但是牺牲了通用性

• 从 AI Infra 到 Agent Infra ，意味着什么？「完成真实任务意味着我得有一个完整的环境，人操作的所有基础设施和软件，都要被 agent、被 AI 去用。」

04:25 Agent 从 demo 走向生产环境，还差什么？

• Agent 的三阶段 —— 从 Chat 到「完成岗位」的鸿沟

• 模型能力边界，决定 Infra 抽象层在哪里

• 新时代的数据库是什么，memory 系统长什么样，还在变化

• 模型的智力等于算力，算力等于电力

• Agent 可控、可信任：每一次执行结果不变、可重复

• 基础设施层面，需要构建一套能够快速部署、快速开发、大规模运行的系统，一个更强的推理集群

12:03 OpenClaw、Hermes 与 Agent harness 的范式变化

• 「Claude 4.5 出来时，程序员圈已经被震撼过一波」

• 「Openclaw 第一眼没什么特别，再看还是有点东西」

• harness 的三件套：loop（主循环） + tools（调用工具） + memory（记忆系统）

• loop 的通用性极强 ：「让大模型看上一步结果 → 分析问题 → 决定下一步 → check 是否达标」

• Memory 从 RAG 演进到文件系统：更通用

• Hermes 的更进一步 —— 自动净化 skills（定期反思：这个任务哪里不好、下次怎么做更好、整理成明天可用的 skill）

18:44 模型即 OS ：大家争夺的都是超级入口

• 为什么 agent 会越来越多：大模型以后会是 OS，是大脑

• 通用大脑就像天才：可以做任何事，但不会 day1 就能做任何事，中间的学习成本 + knowhow 沉淀 = 应用层的价值

• Agent 的三大支柱：长上下文冲击算力、存储、网络与 CPU 消耗

• CPU 的消耗，可以窥见 Agent 诞生了多少真实价值

• 「这仍然是巨头的游戏」

• 为什么英伟达的生态很难撼动？

36:42 Agent Infra，巨头都在布局的最吸金、最隐秘的赛道

• 智能 = 算力 = 生产资料

• 「所有巨头都会往下做垂直整合」

• Anthropic、OpenAI、Google 的 Infra 路线差异：

谷歌，最典型的垂直整合派：TPU 做了近 10 年、JAX 自研、Infra 自研、模型自研 —— 芯 、 云 、 模真正一体化

Nvidia：不再是芯片公司，而是系统公司

Anthropic（轻资产，聚焦入口派）：聚焦模型 + Claude Code 这个高价值入口；算力靠跟 AWS / Google 签协议保障，短期不用自己造芯片

• OpenAI（重资产，生态平台派）：「从 GPT Store 那时就想做 App Store 式生态」；

• 垂直整合的隐藏难点：「软件世界与硬件世界有 gap」

• 「今天定义的芯片两年半后出来时，还是不是那个模型需求？很大程度上不是」

• NV 的缝隙在推理系统

51:19中国 Infra 路径：多芯适配、开源生态

• 国内 vs 国外 Infra 的两大差异：

芯片环境不一样：国外主要在 NV 生态；国内要考虑国产芯片、要做更多多芯适配

中国的开源远远领先于美国 —— 开源意味着**模型架构透明**，做芯片的能知道往哪里走

• 百度智能云的两个押注：更高的算力与 Token 效率 + 和未来的新星走在一起

• Robin（李彦宏）提出的新指标 DAA（Daily Active Agents） —— 替代 Token 数量作为 Infra 层的牵引指标

• 「Token 数是一个会被玩坏的指标」：不能做杀鸡取卵的事

• 提升 DAA 的路径：**让开发更快** + 让运行更稳（可自动恢复、结果可 check） + 分任务价值高低（高价值多花功夫做）

• 趋势：从 Token 到 DAA ：Agent 时代需要更多衡量真实价值

• 提升 DAA 的路径：让开发更快 + 让运行更稳（可自动恢复、结果可 check） + 分任务价值高低（高价值多花功夫做）

01:00:22 为什么这是工程师更好的时代 ？

• 更大的探索空间：做 Infra 的人在 CPU 时代不会在芯片层面想工作；到 AI 时代能做很多系统层面的事；到 Agent 时代要做更不一样的系统

• 当下，整个研究范式都在工程化： 「工程化研究范式」是这一代 AI 的隐藏画像

• Transformer 架构统一之后，各家拼的其实是工程能力

• 「算法工程师」的时代结束了，「AI 系统工程师」的时代开始了

• 「今天你用工程的方法去解决更多、更广泛、更复杂的问题」

加入听友群⬇️：

在小宇宙查看该单集文稿

从语言大模型，到多模态至全模态模型，再到走向世界模型…

世界正在经历什么？

本期节目我邀请了加拿大外籍院士、智象未来 Hidream的创始人梅涛，还原视频生成模型的技术发展史。

梅涛院士是全球首篇文生视频论文的作者，也是最早探索文生视频的人。

2026 年 5 月 20 日，Google I/O 大会上，Pichai 发布了 Gemini Omni —— Google 第一个原生「any-to-any」的全模态模型：文本、图像、视频、语音都在同一个 Transformer 里原生流动，不再是几个模型拼接——这与梅涛一直以来的主张不谋而合。

与此同时，OpenAI 悄悄砍掉了 Sora 项目，更多聚焦 Coding——硅谷正在做减法。

但中国一侧的多模态战场却没有收敛，从多模态、全模态到世界模型，多模的架构层面正在发生一轮新的分化：DIT、UIT、Omni 各自赌不同的路。

梅涛，作为最懂视频模型的人之一，正是选择从底层架构下场的创业者，他致力于打造「视频界的 Anthropic」。

我们从他的中科大、微软亚研院岁月，一路聊到这场世界模型的创业之旅。梅涛的模型世界观可以用一句话精炼，那就是：

图片是入口，视频是过程，世界模型是终局。

语言、视频、具身，终将汇聚。

这期的信息量极大，但技术门槛较高，不过，其中穿插着大量生动比喻，跟随下来，也能对当下的AI 趋势进行一场深入的了解。推荐大家收听～

本期嘉宾：梅涛（加拿大工程院外籍院士、智象未来 HiDream 创始人）

本期 Shownotes：

03:35 视频领域的 Anthropic :图片是刀, 视频是过程

• 学 Anthropic 的三件事: 团队从 OpenAI 出来后极度稳定(智象核心作者从 2017 年起就没走过一个)、坚定做企业服务、通过开源建立自我逼迫的创新节奏

• 视频领域的刀是图片 : 图片是二维/三维信号的入口，今天客户在平台上创作的时间 50%-60% 花在做一张图上

• 多模的成长路径:图片模型 → 视频模型 → 全模态模型 → 世界模型

• 能不能把图片做到全球最好,是视频公司真正的分水岭：Google 的 Veo 3 之所以强，是因为 Google 本身有很好的图片模型

08:25 院士里少有的「躬身入局」：全职 20 年的工业界履历

• 中科大→微软亚研 10 年→京东探索研究院 5 年→2023 年创立智象;从没拿过第二份薪水，始终全职

• 导师张宏江的习惯：看汇报从最后一页往前翻，5 分钟就把半小时的 slides 看完

• 「用 AI 分析理解视频」的任务，跨越 6 年才完成——多模态、全模态、世界模型都是那份实习任务的延长线

• 好的 mentor 给的 assignment 都不是「当下能做出来」的,而是「你的整条职业生涯都要围绕它推进」的

• 反人性才能获得长久的正反馈，负反馈也是正反馈

• 微软亚研院的土壤：这样的 R to D 通道今天几乎绝迹

29:00 微软 R&D 分离 vs OpenAI 融合：今天模型就是产品

• 微软时代：研究员做 paper → 10 个工程师转化成产品 → 100 个工程师做产品化，大半年才能进产品线

• OpenAI 这一代：researcher 和 engineer 完全融合，R&D 之间不再有转化层

• 研究员今天为什么这么贵——因为他们直接是产品线；研究判断本身就是产品判断

• 如果你的研究和工程仍是两个团队，你比大厂慢的不是资源，而是决策速度

31:27 AI 不是足球赛而是篮球比赛：第一节快结束了

• toC 是 toB 的放大器——C 端最先感知模型能力的溢出、贡献社区反馈、做 branding

• 中国 AI 创业的三个关键词：全球化、出海、软硬件一体

• AI 的四节比赛：大模型比拼、 agent(通用+垂直)、终端流量入口/软硬件、第四节待定

• AI 时代，toB 和 toC 的边界越来越模糊：创业公司不必二选一

• 后面的迭代周期会更短：基模半年一次大迭代，Agent 可能三个月一次，终端和交互还会更快

42:15 Sam vs Dario：一号位视角 vs 单点技术执念

• Dario 是理想主义者(读社会学、历史、哲学)；Sam 是投资人出身,更现实

• 讲宏大叙事等不到爆发那天就会死

• 中国投资人的三重反射弧——需要沿途下蛋、追共识不追共识外、经历过 toC 时代所以对 toB 天花板有本能的低估——这些都改变了中国创业者能选的叙事结构：你必须在讲远期愿景的同时不断证明近期商业化

• 「长期看 Anthropic 和 OpenAI 的曲线一定会交织」

47:10 从 TGANs-C 到 UiT：做视频模型，创业公司为什么必须换架构

• 做出全球第一篇文生视频论文 TGANs-C （2017）：使用 GAN 与卷积神经网络，只能生成约 3—4 秒、48×48 像素的模糊视频，但证明了文本可以反向生成视频

• 视频生成模型经历了 GAN、Diffusion、DiT 几轮架构变化：主干网络从 CNN 换成 Transformer 后，模型才获得更强的上下文和规模化能力

• DiT 需要先把文字、图片和视频压进隐空间，再编码、解码；压缩会损失细节，也让像素级控制变得困难——字节等大厂可以在此基础上大力出奇迹，但始终有些事做不到

• 智象在探索的UiT： 尝试取消外部 VAE，让原始像素、文本 Token 和任务条件进入统一空间，直接完成跨模态交互

• 创业公司必须思考如何避开大厂的车辙，如何优化成本曲线，逼近大厂的优势

• 「架构上的领先只能持续六个月」：开源是一场持续创新考试

• 为什么视频模型目前仍然是创业公司玩得起的游戏？千卡级训练仍给创业公司留有窗口

01:17:15 像素没有统计意义：多模态还在 GPT-2 阶段

• 语言是经过人类数千年压缩的结构化知识，而视觉信号缺少公认的 Token 定义，「像素没有统计意义」

• 文本可以用 next-token prediction 自监督训练，图像和视频通常需要成对的内容与高质量描述，监督成本更高

• 视觉 Scaling Law 会出现，但不一定复刻语言模型的路径；数据、算法和算力都还没有形成统一范式

• 目前视觉不负责产生智能，而在于复刻

• 多模态消耗数据的速度仍赶不上人类产生视觉数据的速度

01:27:50 世界模型不是一个模型：三条路还没有交汇

• 杨立昆的 JEPA 路线关注 next state 与世界状态预测；李飞飞更侧重 3D 世界重建；视频生成派则希望从海量真实视频中学习物理规律

• 视频模型的数据更通用、参数体量更大，可以成为世界模型的基础底座，再向具身或交互式任务迁移

• 图片、第三人称视频、第一人称视频和具身真机数据各自覆盖不同分布，单靠真机数据很难获得足够泛化

• 生成与理解目前仍是两套路线，真正的大一统架构尚未出现。

• 世界模型现阶段更像一组不同目标、数据和训练方式的模型家族。具身、3D 和视频都只是路径，过早把它们压成一个答案，会遮住真正的架构问题

01:41:16 从微软、京东到 HiDream：创业没有标准答案，在迷雾中寻找航向

• 通用视频模型底座的商业化

• 技术创业选赛道时，「未来足够大」还不够。能否沿途形成收入、数据和产品反馈，决定团队有没有机会等到终局。

• 判断模型是否真正创新，不能只看公开榜单；模型公司会用自己的测试集和极限 Prompt 检查边界能力。

• 好的 Leadership ：清晰目标、可执行路径、利他和技术使命感

• 快速不仅指把正确路线跑快，也包括更早承认路线不对

02:08:53 通往世界模型：下一代架构可能已在萌芽

• 从多模态、全模态走向世界模型是通向 AGI 或 ASI 的必经阶段

• 当前的 Transformer 未必足以承载所有模态和交互，下一代架构可能已经在萌芽

• 让博士生和研究员持续筛论文、做小规模试错，再把有潜力的方向放大到产业级训练

• 发现下一代架构靠的不是一次灵感，而是一套持续感知机制

02:19:34 世界模型不等于具身：图片是扎马步，最大的数据量目前来自视频模型公司

• 自动驾驶、视频、3D 和机器人都有各自的世界模型叙事。

• 智象的「具身世界模型」路径：先把图片质量做高，再扩展视频长度、实时性和可交互性，最后延伸到高精度的物理世界任务。

• 「像智象这样的公司，一年都是 100 PB 级年度视频数据」：视频仍是当前最可规模化的物理世界信号

• 图片不是视频模型的过渡版本，而是最低成本的基本功测试——构图、像素控制和角色一致性做不稳，视频越长，错误只会被继续放大。

02:28:49 多模态商业化：智能未涌现，表现力先变现

• 「多模不会一家独大」

• Agent 的价值不只取决于基模，还取决于 Harness、Skills、成本控制和行业 know-how

• 多模态还没有出现语言模型式的智能涌现，却已经出现表现力涌现。商业化可以早于技术终局。

• 「Token 将来价值会越来越薄，因为它成为了一种 commodity。」

02:42:06 船票的本质：模型能力与商业化都要过关

• 一张多模态船票首先要求自研模型和公开可验证的能力；只有应用收入，也可能被下一轮模型升级吃掉。

• 模型层竞争是耐力赛，但资本耐心有限

• 2024—2025 年，一批视频创业公司批量退出牌桌

• 一级与二级市场都在寻找模型排名、对标逻辑和增长数字，但对「新型 toB」的共同要求，是不要回到私有化部署和定制研发。

02:54:55 卖铲子给具身：从世界中学习，再重构世界

• 智象与诺亦腾合作： 具身公司缺少高质量、可规模化的数据

• 把真人遥操和夹爪数据扩增为不同背景、不同手部外观的第一人称视频

• 合成数据是否「真实」并非重点，重点是它能否提升 VLA 或 World Action Model，并用轻量模型量化能力增量。

• 通用世界模型仍缺数据、架构和算力，把触觉、温度、空间、时间、语言与动作放进同一模型，可能需要今天 10—100 倍的计算资源。

• 图片是入口，视频是过程，世界模型是终局

• 「我希望能够从世界中学习，把世界进行重构。」

---

欢迎前往视频版，对照字幕获得更好的吸收。也欢迎关注公众号「卫诗婕漫谈 Light the Star」，查看访谈文字版整理。

加入听友群、关注「漫谈 Light the Star」的全网账号 👇

在小宇宙查看该单集文稿

这是一期非常生动、系统的访谈，还原了一家隐形冠军的成长史与思维方式。

作为机器人大脑第一股（仙工智能已于2026年6月24日在香港交易所主板挂牌上市），仙工把机器人的大脑「控制器」卖向全球，成为全球出货量第一。同时，它也正在探索一条反主流叙事的具身大脑道路。

这是仙工成立以来及上市后，创始人首次接受深度深度访谈。此前，这家公司作风低调，鲜有接受媒体报道。

创始人赵越身上有许多有意思的故事：读医三年后退学重考、本科期间睡实验室、曾带领团队获得三届 Robocup 全球冠军、首次创业失败……

大量成长过程中的趣事（尤其是在世界杯期间，我们聊机器人世界杯 RoboCup 聊了一个多小时），其实也与创业过程中的思考方式互文。

赵越带来一个有趣的暴论：未来所有公司都可以是机器人公司。也带来一些启示：越是纯粹的人，越有机会在专业领域获得成功。AI 时代，足够热爱的人将有更大机会获得成功。

强烈荐听这一期，希望你们喜欢：）

（本期访谈的视频版已在 视频号、微博、b 站、小红书等平台登录，欢迎前往观看～）

本期嘉宾：赵越 （仙工智能创始人）本期 Shownotes：Part 1.关于赵越：史莱姆、「卡拉米」和永远想「掀桌」的基因01:23　仙工的吉祥物，是小怪物「史莱姆」

• 「开始都叫老板，新人一周内就会喊我越哥」

• 史莱姆（仙工吉祥物），最初级但也不容小觑的小怪物！

• 从 wrong 到 right，要经历漫长的混沌

• 创业本质就是不停解决问题的过程

• 「加速开放多元的智能文明，让智能机器没有门槛」

06:26 湖南邵阳，浙大 8 年医学本科、退学，与夺冠少年

• 父母都是老师，「他们最大的贡献就是不管我」

• 浙大竺院的宽口径培养：8 年医学制，读到第五年，我退学了

• 白天紫金港，晚上玉泉——本科研究生几乎睡在实验室，不认识研究生室友

Part 2. 中国摘得 RoboCup 世界首冠：一个「小胖子」带队夺得三届冠军

15:15 从「小胖子」Picker ，到三届全球冠军

• 关于 RoboCup：2050 年击败人类世界杯冠军

• 还没有 Issac 和 Sim2Real 的年代：用 ODE 物理引擎 + CUDA 加速做仿真

• 8 毫秒决策周期、集中式控制场上 6-7 台机器人、GPU 算所有跑位与形势变化

• 2009 年开始接触强化学习，「逐条过对手的比赛日志」

• 代码里的 magic number（阈值数）：引入随机性，是最有效的策略（今天的创业同理）

• 「那个小胖子，你不要在场地上跑那么快！」

• 小卡拉米的蜕变规律：脱颖而出，往往不是因为优秀，而是因为热爱

30:14 中国首冠 & 一个「思想钢印」

• 初赛击败上一届冠军：整个场馆都震惊了

• 一个思想钢印的诞生：「你觉得是问题的、迟早有一天会找过来」

• 击败 CMU（卡耐基梅隆大学，机器人领域全球最强的实验室）：把不可预测，转化为可预测

• 「太精彩了，不像机器人在对抗，像两个教练在对抗！」

• 与 Malona 在巴黎的会面（RoboCup 发起人之一，执行委员会主席）：RoboCup 播下一片种子

• 热爱，无法伪装

Part 3. 未来，B 端不会有真正的机器人巨头出现：每一家公司都可以是机器人公司53:21 机器人金字塔：能在底层解决的，不要往上层解决

• 机器人金字塔：机械 → 电子电路 → 底软 → 通讯 → 算法 → 模型

• 端到端 vs 分层架构的技术路线分歧：未来所有大脑模型，也会是 MoE 架构

• 自上而下 vs 自下而上的两派大脑

• 快速分裂 & 快速共识：2022 年大家讲 VLA、2024 年讲世界模型、2026 年讲无本体采集——共识每年重新洗一遍

• 具身分两维度看：**新技术范式 vs 新产品形态**——可以分别独立验证、没有必要绑在一起

• 数据如何低成本、可持续地涌现？

01:06:23 暴论：「所有公司都可以是机器人公司」

• 渐进式在 B 端赢、颠覆式在 C 端赢

• 「一吨货的三种解法」

• 工具是被人创造的——让人形去搬货，就像让自动驾驶去开油车，是退步

• 数据 ≈ 模型：一个拥有足够多好数据的公司，可以立于不败之地

• 好数据的三条件：① 真实场景采集的多样性 ② 天然对齐（不用花大量成本转格式） ③ 低成本可持续产出

• 仙工的独特资产：2000 种机型 × 400 种传感，接在自家传感器上，天然对齐；客户异常时主动把 corner case 给你

• 为什么不立刻训一个通用大脑，而是训垂类模型？

• 产线没有巨头、机器人为什么一定要有标准的巨头？

• 构建事实标准，与「反者道之动」

01:22:38 从方法论焦虑，到数据坚定

• 「现在这些 BP，没有 VLA 的我都不看了」

• 问题不是方法本身、而是数据

• 自动驾驶出身的，都会强调真机数据

• 新方法研究，是一个沿途下蛋的过程

• 挖角潮有感知，核心员工几乎没走

• 无为，是不妄为

01:53:16 第一段创业的失败：富士康点醒了我们

• 第一段创业「仙知」：沿着机器人四大家族一路模仿，发现似乎不对

• 富士康点醒我们：除了控制器，没什么是我们不能做的

• 与富士康的交易：交出图纸，买你系统

• 一台机器人上难以被统一的需求：当你把它升维到软件工具链层面，都能被统一

• 第一段创业的教训：现金流危急一年多

Part 4. 仙工的具身大脑路线：不立刻去训通用大脑，掌握数据会利于不败之地

02:10:00 机器人平台化战略的诞生：脏活累活，是护城河

• 控制器就是机器人的大脑（硬件承载 + 软件规则或模型）

• 仙工如何成为机器人控制器全球第一？

• 能不做的，都不做

• 海外市场与中国市场的差异

• 我们组建了一整套严选和评测体系

• 我们不做零件的原因：中国公司太厉害了，未来第一名不会有中国以外的公司

• 脏活苦活，才是一个科技公司真正的壁垒

02:36:19 谨慎做梦：可靠性、泛化性 & 后发优势

• 战略是长期的、不可撤销的投资

• 具身的实用主义：一端要可靠性（强化学习把场景打到极致），一端要泛化性——「两端兼具，至今我没看到信服的案例」

• 每次从 0 到 100，是为下一次从 0 到 1 换筹码

• 谈具身落地的真相：「大多数应该是不及预期的」

• 仙工的具身「四象限理论」：把「新旧技术」× 「新旧产品形态」拉出四个象限

新技术 × 旧产品形态（比如叉车具身化）——做落地引领者

旧技术 × 新产品形态（人形机器人的下层运控）——做具身行业的赋能者

新技术 × 新产品形态（比如具身大脑训自己的通用模型）——当下不做，全力积累数据

旧技术 × 旧产品形态——放弃

• 关于人形：不是没价值、是这套「基于数据训模型」的范式在人形上暂时难落地

Part 5. 道德经、鲁路修与稻盛和夫：「干掉第一」、「成为第一」、「不做第一」

• 《道德经》的「空」，与不妄为

• 「功成事遂，百姓皆谓我自然」

• 稻盛和夫和毛泽东：极致唯心 + 具体唯物的辩证

• 钢炼、鲁路修、高达、进击的巨人：神漫里有着美好的世界观

• 鲁鲁修震撼了我的世界观：主角让自己变成世界最大反派、被最好的朋友一刀刺死，用自己献祭了正义

• 消消乐哲学：做到第一就要清空重来，否则容易变成那条恶龙

加入听友群⬇️：

在小宇宙查看该单集文稿

Sora 之后，Seedance、可灵等国产视频模型，做出了世界的高度——中国视频模型为何能领先全球？Seedance 的发布（最新已经是 Seedance 2.5 的发布啦），究竟是结束了视频 Agent 的战争，还是开启了它？

我和 OiiOii 创始人闹闹，一起还原了属于视频战场上的大模型及智能体之战。

（本期内容详细梳理了 Sora 之后，视频模型的发展，及视频模型训练背后的人才体系、训练方法、数据奥秘，非常值得一听，也欢迎前往各大平台-B 站-小红书-视频号等，搜索本期内容的视频版😁）

从腾讯微信、字节剪映到创立 OiiOii，闹闹特别分享了她的产品世界观——感性与理性，是一体两面。而在视频这个领域，感性如何被量化，既是科学，也是艺术。

本期嘉宾：闹闹（视频 Agent OiiOii 创始人，前字节剪映负责人）本期 Shownotes：02:01 Part 1. 闹闹的成长史：观察者、群体之外与"创造环境"

• 当一件事需要你自己去创造一个环境

• 腾讯和字节是产品观的左右脑

• 张小龙的 8 小时内部产品演讲，"他用人类外的视角在观察人类——把人性的善和弱点放在放大器里发酵，再像园丁一样修剪”

· 在字节学到数据的应用，也看到数据的滥用——明知一个实验数据怎么才能为正，就为了正而去做它，但这不代表它长期是正的

• 内容型产品的核心，是把感性的好与不好归类量化

18:27 Part 2. 视频模型路径的判断：从 Sora 2，到 Seedance

• 早期视频模型以首尾帧为主——Vidu 第一次把“多参考图"这个概念做出来

• Sora 2 验证了多参方向，开拓了模型的想象力

• “Seedance 基本是 Sora 2 的升级版”

• 什么是视频生成的最佳实践？

• “描述词要加正向和负向词，要叠加约束”

• “视频生成交互的下一步不一定是文字”

27:28 Part 3. 为什么最好的视频模型出现在字节快手这样的短视频平台？

• “视频模型不是创业公司该做的”

• 大公司的数据护城河：有过去做图形图像算法的积累，可以制定标注标准，执行到八九十分

• 可灵的前世今生：2021 年，快手 Y-tech 算法团队在视频理解上就不弱于（甚至强于）字节 AI Lab

• 两条视频模型路径：通用大底座（Seedance） vs 专业领域优先（可灵）

• 生态是分水岭：同样的算法，能不能用好这些数据，取决于过去推荐系统里有没有相关应用经验

• 中国为什么能在视频模型方面领先？

• OpenAI Sora 的失败不是技术失败，是生态失败

• 视频模型领域的护城河不是算法，是"数据标注标准 + 组织执行力"

34:15 Part 4. 模型不会被吃掉 Agent 的部分是？harness & 感性 benchmark

• 视频模型目前的不可能三角：效果、生成时间、生成成本

• 模型会往哪些确定性的方向迭代？

• 多模和语言模型有哪些本质不同？——感性可以被结构化但颗粒度更粗

• Harness 一定会进入多模和视频领域

42:33 Part 5. AI 时代的「剪映」（or not ）：第二次创业为什么是 OiiOii ？

• AI native 的产品需要新形态

• 关于创作者的物质激励 & 精神激励

• 动画是 Agent 适合进入的绝佳行业

• 模拟剧组：OiiOii 的 7 个角色、改变生产组织、抽卡降本

• 内测码 10 万人排队的原因

• Seedance 给我的冲击有哪些

• MidJourney 没被吃掉的原因

• OiiOii 的产品团队，由谁构成

57:02 Part 6. Sora 关停与 Seedance 2.0：视频 agent 战场是终结了，还是开启了？

• Sora 关停——它做错了什么？

• Seedance 2.0 是升级版的 Sora，它的弱点是什么？

• 海量视频 agent 涌现是"妄想"？——哪些套壳在骗钱？

• 怎样的产品是“纯套壳”？鉴别 Agent 的厚度…

• 视频领域不会 winners take all …

• 为什么抖音特效的参考意义极大…

• ACG （动画、短漫剧、游戏）的 Agent 机会：生产关系的改变才是更值得思考的价值空间

• 我与字节：「你要相信字节是一家非常精明的公司…」

• 如何侦查模型厂商动向？

01:32:18 Part 6.「这个时代最缺的就是谦逊」

• 模型涨价了怎么办？

• 国内 agent 调度的视频模型有？

• Seedance 最值得学的是什么？

• AI 时代顶级产品经理画像长什么样？

• AI 时代的自信与盲目

如果喜欢「漫谈」，欢迎加入我的听友群～⬇️

在小宇宙查看该单集文稿

2026 年，具身智能成为了聪明人扎堆、资本热潮近乎疯狂的行业。这条热门赛道中，智元机器人是最早的百亿俱乐部成员之一。

在人形机器人出货量狂奔的路上，智元的野心并不止于“具身本体”的军备竞赛。今年，他们做出了一个让全行业瞩目的反哺举措：将旗下的核心数据资产彻底剥离，独立孵化了全球领先的一站式物理 AI 数据服务平台——“觅蜂”。

本期嘉宾姚卯青，不仅是智元合伙人、具身业务部总裁，也兼任觅蜂的董事长兼CEO。这期播客在五月觅蜂发布会后录制，或许是有关智元战略的，最深入完整的一次访谈。

（本期视频的微博开屏页，欢迎前往微博等平台观看视频版～；也欢迎前往公众号，查看「漫谈Light the Star」访谈的文字版～）

从Waymo到蔚来再到智元，姚院亲历过自动驾驶从概念到量产的全过程，他说“今天的具身智能连GPT1都没到”，而机器人离真正涌现智能，还差一亿小时的数据。

本期嘉宾： 姚卯青（智元合伙人、通用业务部总裁， 觅蜂董事长兼 CEO）

本期 Shownotes：Part 1. 02:40 关于姚卯青：从清华电子系到南加大，从 Waymo到蔚来

• 「人间清醒」与「顺势而为」

• 清华电子系的系统训练：电路、通信、信号处理、计算机视觉、编程和算法，都是自动驾驶和具身智能的底层能力

• Google Display Ads 团队：计算机视觉、NLP 与 Transformer

• 内部转岗 Waymo：可能是当时全球最难的面试

• Waymo 的三年： Robotaxi， 从技术 demo 走向商业化运营

Part 2. 17:28 蔚来的量产课：激光雷达、车规体系和数据飞轮

• 为什么选择蔚来？ 「单平台、全标配」的产品策略，激光雷达、4K 相机和高算力硬件一体的统一底座

• 蔚来李斌：「被人骂也是被记住的一种方式」——做关键决策需要勇气

• 多模态融合感知、激光雷达感知、BEV、Occupancy Network、AEB …关于自动驾驶的种种

• 选择回国：相比 Waymo 的几百辆 Robotaxi，国内乘用车百万级保有量所带来的数据分布和 corner case 密度，是完全不同的飞轮

• 量产经验到底是什么？「不是把样机多复制几台，而是项目、研发、测试、供应链、质量、版本和数据闭环的组织能力。」

• 能迁移到机器人的是什么？异常数据回流、模型迭代和现场版本下发

Part 3. 28:31 当自动驾驶派进入具身：优势不是算法，而是底座

• 自动驾驶派进入具身智能，最大的价值是理解强电系统、供应链、质量、量产和底层软件稳定性

• 机器人和车，在电子电气架构、操作系统、中间件、传感器输入到电机控制等底层工程上高度相通。

• 车就是最简单的机器人？「有点牵强」

• 在很多低速场景中，机器人反而更有机会部署 VLA、世界模型等前沿模型

• 真正稀缺的人才，不只是刷榜或发 paper 的人，而是上手修过 bug、和硬件软件都打过仗、能把复杂系统跑稳定的人

• 具身创业的三大派，都有不可替代性

• 机器人终局架构不会只是「快慢系统」两层，可能包含： 1000Hz 底层控制、10 到 20Hz 动作规划、1 到 2Hz 阶段目标规划，以及更高层的 Agent 长程推理。

Part 4. 35:19 讲「基模」太早了，具身连 GPT 1 都没到呢！

• 「2026 年了，具身智能到底到 GPT 几了？其实 1 都没到呢」

• 「现阶段的真机数据量，和真正支撑基座模型涌现的数据规模，还差四五个数量级」

• 很多公司强调自己做「具身基模」，是借用了大语言模型时代的资本叙事

• 今天的具身更像 Transformer 和 BERT 早期，而不是 GPT-3 之后

• 数据的关键不仅是「量」，还包括信息维度、场景种类、失败样本和真实部署中的边界样本

• 多模态融合是必然趋势，视觉远远不够

• 真正的瓶颈不是算法是否足够聪明，而是真实世界数据的量、模态、场景和失败样本远远不够

Part 5. 49:59 有关智元最完整的战略揭秘：一家 AI 公司，而不只是机器人公司

• 神秘的邓泰华其人

• 智元Day 1 定位成 AI 公司，而非单纯的人形机器人公司

• 人形机器人是把 AI 带入物理世界的必要载体，但不是终点

• 「智元确实是这个行业里最有野心的公司之一」

• 智元的组织架构、融资节奏与股权激励

• 具身公司的长期价值不只在本体硬件，而在能否把「本体、数据、模型、场景」做成闭环。

• 精灵 G2 所经历的完整 IPD 流程：接近 9 个月

• 机器人行业的需求峰谷比汽车更剧烈

• 工业不相信眼泪，最终都是 ROI：「」工业客户不关心你是人形、猴形还是狗形」

• 智元的「358 战略」：从量产、商用到部署

• 具身智能最终不是单点技术竞赛，而是系统工程。

• 当技术路线逐步收敛、场景开始渗透时，先把 90% 的体系能力构建好，才可能真正承接行业机会。

Part 6. 01:55:26 VLA、世界模型和机器人数据飞轮

• 智元的 AI 研发体系：模仿学习、VLA 预训练、世界模型、强化学习后训练和数据闭环

• Google PaLM-E ：VLA 来自语言模型和多模态语言模型向物理世界的迁移

• 世界模型更像对物理规律和状态转移的数字化、神经网络化描述

• 「VLA 和世界模型都不是最终形态，未来更可能是分层架构」：前者受限于语言和动作之间的表征鸿沟，后者仍更多来自二维视频和第三人称视角

• ：语言推理、物理预测、低层控制、长程规划和数据飞轮共同工作

• 世界模型的价值在于学习液体流动、玻璃破碎、软体形变等真实物理规律

• 「后训练和失败数据非常关键」

Part 7. 02:08:49 觅蜂：具身版 Scale AI，机器人数据界的「滴滴」

• 投资人的主意：对标上一轮 AI 时代的 Scale AI ？

• 具身数据生意比传统数字世界标注难得多

• 2026 ：具身数据军备竞赛年

• 模型的差异化暂时不大，数据会是分水岭

• 打造一个公共性质的数据服务平台，一个「阳谋」：客户花钱带来数据需求，平台用数据训练模型，模型再反哺采集、预标注和质量管理效率

• 数据问题都没解决，讲基模预训练、后训练，都是空中楼阁

• 高质量数据的第一点是真实：场景和任务必须足够丰富，能够覆盖生活和生产中真正会遇到的问题

• 规范：相机曝光、画质、设备同步、轨迹重建精度、操作流程都要高标准

• 「脏数据」不是质量差的数据，而是包含失败、偏移、纠错、重新规划和最终成功的多样化数据

• 仿真数据并不天然低价值

• 关键不是流派，而是任务、场景、成功率要求和模型使用方式

• 数据的价格、产能和全球化

• Deepmind 和 Genralist：「如果数据是具身智能竞争的唯一决定变量，中国公司现在就可以宣布他们是赢家」

• As many as possible, as soon as possible（越多越好，越快越好）.

Part 8. 02:43:43 从数据标准，到 G3-G4 中间态

• 好的数据标准会逐步收敛

• 即使不同机器人硬件不统一，很多数据仍可以被抽象为通用表达，如末端执行器轨迹、二维帧序列、物理状态变化等

• 机器人行业的安全和质量准入标准，会在两到三年内伴随大规模商用逐步出现。

• 从 G1 到 G5 ，当前行业大约处在 G3 到 G4 的中间态

• 预计 2027 到 2028 年行业有希望达到 1 亿小时级数据规模

• 真正类似语言模型那种涌现能力，还需到 1 亿小时级高质量数据出现

Part 9. 02:54:42 最期待的画面：机器人第一次让人觉得「觉醒了」

• 机器人出现真正的 aha moment：不再只是从画面到动作的肌肉映射，而是能在复杂环境里自主规划、理解指令、做出响应

• 涌现时刻大概率发生在实验室，而不是工厂

• 数据会成为这一轮智能化转型关键基础设施，但它比算力更难获取

加入听友群⬇️

在小宇宙查看该单集文稿

AI 原生一代，将写下怎样的新故事。这是这一轮 AI 浪潮以来，投资人们最关心的问题。

今天的访谈嘉宾，是 00 后具身创业者，陈源培。

他曾在斯坦福李飞飞的实验室，实现了全球首次双臂长程灵巧操作，以及全球首次「用人类数据训练机器人双臂灵巧操作」。

土木工程本科出身的他，高考前一天还在打游戏，却通过 Robomaster的比赛结缘机器人，并跨界师从北大强化学习专家杨耀东，成为强化学习的前沿学者，继而进入斯坦福李飞飞的实验室，做出全球首创的成果。

相比「天才少年」叙事，这期更值得品味的，是一个一再印证，学习没有固定范式、创新没有标准答案的故事。以及开放、多元、包容和谦卑的学术品味与视野。

无论游戏、RoboMaster、科研，在源培那里都有一条共同线索：它们都像升级打怪，靠快速学习、持续探索和反馈提升能力。希望其中的思考方式，能给大家启发。

（本期视频欢迎前往 b 站、视频号、小红书、Youtube 等平台观看～）

本期嘉宾：陈源培，灵初智能联合创始人

本期 Shownotes：

02:51 从游戏到 RoboMaster：工程能力从系统里长出来

• 高考前还在打牌的 00 后：通宵打游戏，差点被选去电竞青训

• 父母最大的影响是「完全不管我」

• 大疆 RoboMaster 冠军：机械、电控、嵌入式、上位机、控制、算法…训练的是复合能力

• 深入代码底层，不会并不是一个门槛

• 机器人并不是单点算法问题，全栈系统思维是稀缺的

• 工程性的东西，更多看的是细心程度与快速学习能力

• 俄乌战争给源培的「觉醒」——突然觉得发 paper 、抠创新点，对世界没什么帮助

16:41 师从杨耀东，最早 Isaac 使用者与并行仿真

• 师从强化学习知名学者杨耀东，用强化学习做灵巧手

• 零帧起手强化学习

• OpenAI 的 Shadow Hand （2019）的解散，强化学习解魔方——酷但昂贵

• 「我是英伟达 Issac 最早的使用者」「那个版本应该绝版了」

• 「未来用 GPU 做仿真，一定是大势所趋」

• 首篇论文即震撼行业：高自由度操作可以在大规模并行仿真中训练出来

35:05 强化学习 vs 模仿学习，什么是训练直觉？

• 强化学习的峰回路转：监督学习和模仿学习的短期效果让强化学习一度被质疑；直到O1 等方向又重新证明了强化学习的价值

• 模仿学习见效快，但泛化弱；强化学习潜力大，但极吃 Know-how

• 模仿学习不是未来

• 从人手中心到物体中心：描述物体轨迹如何变化，让机器人知道大致目标，再在小范围里探索

• 奖励不需要把每个动作写死，需要留有空间任 AI 自己探索

• 真正的系统能力是「方法都告诉你了，但你调不出同样效果」

• 我训强化学习还挺厉害的：「基本上大家以前都看曲线，只有我是打开仿真，盯着机器人学习。」

43:37 进入斯坦福李飞飞实验室：从强化学习中心主义，到多元的学术视野，与技术地图

• 每条路线都有价值，未来更可能是吸收各自优点的融合过程

• 更开放的研究氛围：连接图形学、灵巧手、模仿学习、人类数据

• 师从 Karen Liu ：把机器人操作、动捕、人类数据和仿真强化学习连接起来

• 不要太 Ego，不要靠形容词证明强，让结果本身说话

• 一周可以水一篇顶会的代价是放弃自己其他可能性

• 「从斯坦福回来后，他像变了个人一样」

50:51 跳出舒适区 + 螺旋上升的具身技术史

• 具身技术发展的螺旋：抓取→ CV+模板 → 直接学轨迹（模仿）→ 人遥操太慢 → 强化学习自己探索 → 仿真效率低→ Isaac Gym 并行仿真+Sim-to-Real → Sim2Real Gap 太大→ 软体场景模仿学习反超（Diffusion Policy/ACT）→模仿学习也不够→ 后面接强化学习→世界模型起来后，又回到仿真训 RL

• 灵巧手最大的价值，不是因为它像人，而是因为它最容易吃下人类操作数据

• 与夹爪或专用末端执行器相比，五指手和人手之间的 Embodiment Gap 更小，更适合做 Human-Centric 数据采集

• 「以物体为中心」的通用表征：操作的本质是让物体沿某条轨迹发生变化，而不是复刻人的每个关节动作

• 具身 Scaling Law 的核心可能不在遥操数据，而在人类日常操作数据；

• 硬件形态本身会决定能吃下什么样的数据

• Sequential Dexterity 的祛魅：学术需要 novelty，这没太大意义

58:26 仿真派的价值和上限

• 我曾经就是个仿真派

• 仿真无法根本解决真实世界复杂交互，尤其在软体、碰撞、接触和高精度成功率方面

• 可微仿真和世界模型都试图缩小 Sim2Real Gap，但目前仍受限于算力、图形学、物理交互和数据量

• 仿真 vs 真机，谁快？仿真的场景 Scaling 能力未必比真实世界快

• 仿真可以做出很 Fancy 的 Demo，但不是当前可见的终局

• 如果世界模型足够强到生成全场景仿真，它本身也需要先吃下海量真实数据——如果做出了世界模型，那肯定先做出了好用的 VLA

• 一个研究者最重要的能力不是在舒适区里把"已经会的事"做得更深，而是逼自己跳到不熟悉的方向；这一点反人性反惰性，因为你在擅长的方向也确实有想探索的东西

01:17:02 具身 Scaling Law 会撞上硬件问题

• 具身 Scaling Law 的核心问题是数据，单靠遥操数据很难堆到足够规模

• 百万小时级别的人类中心数据，至少能让行业看到一些效果

• 「我是实用主义派」

• 与语言模型不同，具身智能会遇到硬件差异：不同手、不同本体、不同自由度都会影响数据和模型泛化

• 跨本体泛化的关键，是提取人类操作中通用的信息，再用强化学习补足机器人具体关节、力和接触细节

• 语言模型可以在统一的 token 空间里 Scaling，具身智能必须同时解决数据规模和硬件本体差异

01:22:12 创业后的路线选择：先坚定，再快速调整

• 2024 创立灵初时，市场上很少有人强调灵巧手操作和强化学习

• 择做长程灵巧操作、强化学习、人类中心数据和双手路线，对于一家创业公司，是信仰和耐心的考验

• 要去做别人做不到的事

• 当前的路线没有不能复刻的，都不够本质：但仍然保持灵活，可快速调整

• 具身创业的难点是同时平衡商业化和预研，短期场景可以做，但公司不能忘记自己到底是不是模型公司

• 「你不能有包袱，最后还是结果说话。」

01:38:04 世界模型、VLA 和算法口号的泡沫

• 灵初的具身大脑是糅合路线：硬件、采集、数据处理、模型训练和部署，形成端到端闭环

• 模型架构和口号本身不是护城河

• 广义 VLA 只要输入视觉和语言、输出动作即可

• World Action Model 也只是增加未来帧预测等辅助监督

• 单靠改模型架构、模块连接方式就带来突破性变化，我认为这几乎是不可能的

• 真正重要的是训练范式、数据规模、数据质量和完整 Infra

• 马斯克为什么不喊世界模型——世界模型本身不产生价值，真正产生价值的是它能否在具身、能源、航天或其他真实任务中解决问题

• 具身行业的泡沫：太多人说的和做的不一样，一些投资看不太懂

01:45:05 主动世界模型：从数据里选择有用信息

• 关于「主动世界模型」的思考：机器人需要主动判断哪些信息有用，哪些是噪声

• 世界感知分成客观世界规律、主动选择机制和自身 Policy 三层，其中最缺的是中间那层主动选择

• 数据 Scaling 不是无脑加数据，低信噪比数据可能损害模型能力

• 我是实用主义：脑科学、神经元结构、主动世界模型等想法都可以借鉴，但必须通过效果验证

• 具身下一阶段的底层创新：可能不是继续堆模块，而是找到类似语言模型 next-token prediction 的训练范式

02:03:15 「我的人生，绝对不可能不快乐！」——兴趣、非标与系统性思维

• 不要害怕环境、专业或起点带来的限制，去做自己真正感兴趣的事

• 机器人人才，最重要的三点：追求卓越、系统性思维、不要太 Ego

• 「再垃圾的 paper，也有你可以学习的点！」

• 「我追求的是影响力，对真实世界产生价值的影响力」

• 未被验证的人才和未被验证的路线，可能写下真正的突破

加入听友群⬇️：

在小宇宙查看该单集文稿

2026 的上半年，中国资本市场围绕具身进行了大规模的布局，将具身大脑这个赛道推向了前所未有的热度。

这期的嘉宾灵初智能，刚刚登顶了摩根士丹利最新发布的《全球人形机器人研报》，它被视作中国具身大脑阵营的核心代表之一。从灵巧操作出发，这条大脑路线直指智能的上限。

创始人王启斌是 70 后产品背景，乔治华盛顿大学博士，完整经历了"智能设备 → 移动机器人 → 具身智能”的三次范式更迭。

我们的访谈不仅涉及到大量具身行业的真实进展，也描绘了在具身这个早期行业中，从研发（R）到工程（D）到产品（P），所谓 RDP 的全流程。

2024 年，70 后王启斌，和80 后算法老兵柴晓杰、 90 后北大学者杨耀东、00 后天才少年陈源培，组成了灵初智能这支具身“7890 战队”，成为这个行业背景最豪华的团队之一。

（本期访谈的视频版已经登录 B 站、视频号、微博、小红书、Youtube 等平台，欢迎前往观看～，文字版可前往公众号「卫诗婕 漫谈 Light the Star」）

本期嘉宾：王启斌（Viktor）· 灵初智能创始人本期 Shownotes：Part 1. 00:00-08:56 让机器人「动手」，为什么是皇冠级的大脑问题？

• 灵初是谁？

被摩根士丹利视作中国大脑核心代表，灵初是谁？

Hugging Face 上 1000 小时多模态数据集下载量第一

希腊字母第 23 个 Psi（Ψ），意指强化学习，「像孩子一样在环境中交互、逐渐长大」

为什么做大脑的公司普遍估值更高？

• 什么是通用灵巧操作？为什么说人类操作数据是一座富矿？

操作的三种能力：对任务做长程语义分解（规划）、手眼协同、实时纠错
人类能力的演进顺序：行动最早（灵长类）、视觉次之（寒武纪）、语言最晚——而机器恰好相反
机器人不一定像人类那样大脑/小脑严格分开，目前没有完美的大小脑结构能拟合类人能力
夹爪很难做类人复杂操作
操作知识不具备可传承性——如何把人类经验挖出来变成可训练的数据，是具身要回答的根本问题

Part 2. 08:56-20:04 Why now：具身浪潮，周期与淘汰赛

• 2026，具身为什么更热了？

「新的浪来了」：过去几波范式不会持续这么长
why now 的底层：具身是真正回到物理世界的问题

具身的市场，只会比智驾更大：上一波公司的顶点，可能是下一代公司的起点

跑完一个 cycle 约 7 年：至少会有三轮淘汰赛

• 关于王启斌：黑莓vs苹果，一个产品老将经历的范式更迭

黑莓曾是全球唯一净利率 25%+ 的公司（另一家是苹果）

从苹果开始，ToB/ToC 没有绝对分割

什么是苹果真正的胜负手？

新世界物种对旧世界的降维打击，是如何发生的？

「站在旧世界的人不用 complain，这就是宿命。」

「当年带 Sonos 全球 CEO 见百度陆奇，是我的心结」

什么样的 ToC 产品能击穿 ToB？苹果做到了。具身领域有机会吗？

• 20:04 中美硬件之争，穿越周期的产品经理，与审美

审美的物质基础：Jony Ive 的设计传统在英国，小米设计领导人传统在德国，消费电子审美在欧洲
Sonos 和 B&O ——两种产品哲学
小米生态链/IoT 兴起（2015）后，中国消费电子工业设计的崛起&底层：从整机到核心零部件的全链路掌控 + 快速迭代

Part 3. 中美硬件之争，两代机器人公司，谁会赢？

• 「美国大脑领先、中国硬件领先」，人们只看到了轨迹的起点

为什么从泛化性居中、节拍较低的物流和服务业 toB 切入

5 年内「只做模型不做硬件」是伪命题——具身现处于软硬深度耦合阶段

落地两种形态：固定上半身、可移动+上半身——两种构型，训同一个模型

具身的数据飞轮和车完全不同——车有存量市场，具身去年头部出货才 5000 台，飞轮必须靠人类数据冷启动

• 上一代自动化机器人 vs 具身新秀派，谁会赢？

上一代移动机器人靠 SLAM（2015 前后）和基于规则的技术，深耕单一场景；当下具身解决更复杂的操作问题，用 learning base 的学习范式，人才完全不同

三个顶层问题：解决什么问题、用什么技术路线、什么样的人才；

创新者诅咒：成熟公司有自己的场景循环，可能恰恰是负担

仓储物流、无人配送领域，全是创业公司赢了（海柔、极智嘉、新石器）——阿里、美团、京东，为什么都落后了？

「原来真的是书上得来终觉浅……谁有场景谁赢，是个错误。」

Part 4. 灵初的成立：7890 战队 & 科学家创业潮

横跨中美，花半年时间找科学家： 国内能做灵巧操作的不超过 10 人

如何判断科学家是否适合一起创业？

在斯坦福李飞飞实验室的 00 后联创：强化学习，将人类数据迁移到灵巧操作的 Sim2Real

「7890 战队」：为什么具身需要的人才跨度大？跨代际和领域的融合难度？

怎样治理一个软硬数据耦合的复杂组织？

为什么「量产那套」不完全适用于具身大脑研发？

AI 时代，为什么强调「治理」而非「管理」？

硬件派 vs 模型派的路线分野：从硬件出发（做到稳定便宜规模化，特斯拉思路）vs 从模型和数据出发（用优质数据训模型，灵初思路）

Part 5. 01:01:06 具身数据的真问题，与中国的另一种叙事

• 可规模化预训练的优质数据长什么样？数据管线怎么做？

算力、数据手套与数据飞轮：灵初的真实数据方法论

什么是检验真做大脑 or 水货大脑公司的金线？

数据洞察：手的 3D 关节角精确度 > 触觉 > 2D 照片；

全模态数据，比纯第一人称视频更精确丰富

行业最大的10 万小时手部多模态数据怎么来？

数据管线 = 数据处理平台（审核、标注、处理）+ 进训练框架训模型 + 模型反馈 +抽象出数据洞察

• 具身数据乱象：已经出现一些空置的数采场

没有模型需求方牵引，数据采集一定是无序、低效、垃圾场级别的

只有真正在训模型的大脑公司，才有资格定义「需要什么数据」、才能分辨「什么是 garbage」；

「投资人最后看的是这道菜到底怎么样，他并不知道这道菜里头真正用了多少调料。」

• 具身大脑看美国？中国有机会做出好大脑吗？

中美数据成本差约 10 倍，低成本 + 多样性是中国的机会

关于派（Pi）：证明了真实数据在夹爪上能泛化，验证了真实数据路线

现在远没到具身的「ChatGPT 3.5 时刻」：非结构化环境的通用还很漫长，但「专注一个 domain 」的通用是可以做出来的
灵初的双模型架构：R 是策略模型（输入图像/语言/本体状态，生成动作）；W0 是世界模型（像真实世界仿真器，评估动作后的状态，用强化学习优化、放入约 30% 纠错失误数据），两个模型串成闭环，再回流生成新数据集
主流架构（Transformer）能不能成为绝对垄断架构，还需数据验证——Transformer 是在 GPT-3.5 之后吃掉巨量数据、加上强化学习才被验证的；具身底层架构的有效性，同样要靠足够的数据来验证

Part 6. 01:22:54 「游戏才刚刚开始，第一轮淘汰赛都还未开始。」

• 具身大脑公司，怎么做？

大模型&后训练人才：创业公司怎么和大厂抢人？

最难的事怎么解决？——「没有失败过的成功，是不可信的」

为什么拒绝把灵初定位为一家「AGI 公司」？

通用灵巧操作是技术通货：「未来我们甚至可以不做机器人」

AI 时代的产品经理有三个圈——懂技术、懂 UI（用户交互）、有商业思维

• 从 R（research），到 D（Development），到 P（Product）——如何在一个大组里快速迭代？

选场景必须同时满足两个条件：有真正商业价值的共性痛点（应用面广）、且符合数据泛化性需求

进工厂的事故责任：作为供应商有协议要负责，高节拍流水线很难，流水线下的供料等场景可跑通；

「具身这个行业早已被客户簇拥」

「曲线已开始跑但还没到真正拐点」「今年底是模型泛化性的第一个验证阶段」

基于数据量的模型迭代军备竞赛已开始，周期 3 年以上
「百万小时数据是我们最早提的，现在所有人都这么说时反而要警惕」

Part 7. 01:53:30 一个 70 后创业者的务实 & 浪漫

• 创业是冲浪还是西西弗斯：不存在"走到某阶段就彻底释放"，过程本身才最重要

• 「某天清晨阳光斜照在 logo 墙上的一瞬间」

• 真正的中年危机：40 岁时，最怕未来与自己无关

• 「我最讨厌被叫老板」

• 我强烈推荐你去读摩根·豪泽尔的《Same as Ever》

• 创始人的基因（vision/mission/经历）真正决定了公司的路径

• DeepMind 哈萨比斯押注 AlphaGo 做出世界级成果，却 miss 了大语言模型；OpenAI 以"安全/非营利"起家，最后一批人出走创立 Anthropic——同一场 AI 史诗里有各种活法

加入听友群⬇️

如果你是具身领域的专业 researcher ，欢迎添加主播微信（SJ_Jelyne）.

在小宇宙查看该单集文稿