具身智能如何度过焦虑期？中国优势、世界模型与规模化落地——对话宋继强、王志刚、张强

《对话技术前线》是中国计算机学会技术前线项目（CCF TF）推出的视频播客栏目，这是一档面向一线工程师的前沿技术深度对话栏目，聚焦技术发展趋势与行业创新洞察，旨在以更生动、更广泛的形式传递深度技术思考。

本期为栏目的首期节目。三位嘉宾——CCF TF主席、英特尔中国研究院院长宋继强，CCF TF具身智能SIG副主席、英特尔中国研究院具身智能首席工程师、神经符号人工智能社区联合发起人王志刚，以及中国科学技术大学助理教授、原北京人形机器人创新中心首席研究员、学术委员会主任张强——共同探讨具身智能到底是什么、为什么被写入国家未来产业规划、中国如何在这场全球竞赛中占据领先。

以下为访谈节选（为方便阅读，进行了一些文本优化）

01

"从'知道'升级到'做到'"

宋继强：你们理解的具身智能是什么？

张强：具身智能在我看来，相比于典型的人工智能来说，它更多的是强调"具身"这个概念，也就是说给予一个身体。对于我们现在的理解，更多来说是给予它一个实体。那在我的理解内，或者说在我的一个框定范围内的话，只要是给予一个实际的物体，赋予人工智能，那么它的范围都应该属于具身智能。

王志刚：这两年我跟业内的同行一起在提一个神经符号具身智能的框架。我认为具身智能不应该只是在实验室里面去做一个好的数据或者是好的演示，而是在真实的物理场景里面去持续的创造价值。所以我把我的这套框架应用到一个比较典型的应用场景里面——新能源车的动力电池拆解，在螺栓拆解、切割铣削等这些关键的工艺里面去进行了产线验证，效果还是挺不错的。

我理解的具身智能，它实际上要从一个"知道"的过程升级到"做到"的过程。它需要有一个实际的实体，有一个可以交互的环境，而且可能是双向交互的，因为我要去改变这个世界，再通过他的感知、决策、执行，甚至监控和学习的过程，形成一个可以闭环的、持续行动和进化的一个智能系统。我认为这样才算作一个具身智能的定义。

02

"从幼儿园到小学，小孩也焦虑了，家长也焦虑了"

宋继强：从技术上和产业上来看，你们二位觉得现在的具身智能处于一个什么样的发展阶段？

张强：目前的具身智能应该还尚处于早期。如果把它分为预研期、发展期和成熟期的话，那目前毫无疑问肯定还是在预研期的。它首先没有大规模的一个落地应用，其次很多技术路线还不是特别的明朗。对于我们来说这个既是机会也是挑战。

可能更偏向于在2012年到2013年那个时候，大家刚发现神经网络是什么样子，知道了怎么去训练一个神经网络，但是怎么定义训练的范式、怎么构建网络的结构、怎么形成数据的闭环，这些大家都还不太清楚。属于一个有点像一个巨大的画布刚被拉开一角的状态，但确实大家已经看到机会和希望了。

王志刚：我换个角度来讲，我觉得现在具身智能实际上是正在处于从能力展示转向工程实践的一个阶段。其实前面能力展示相对来说比较简单——能走、能跳这些动作，原来机器人都能做。但是当你要去做工程，尤其是在不要预编程、可以动态变化的环境里面去做的时候，问题就变得复杂起来。

如果把它跟人去做一个类比的话，我觉得具身智能可能正处于从幼儿园到小学转换的这个阶段。

在幼儿园的时候，其实家长对孩子要求很低：健健康康的成长，能走、能说话、能跳、能动，就已经很开心了。大家会觉得，哎呀这个小孩很萌，要是能唱个歌跳个舞，那就是天才了，对吧？

但是到了小学之后，评价标准就开始不一样了，我们会给他一些任务去做，哪怕说这个任务还没有达到研究生、博士生这样的一个级别，但是我们开始有评分系统，要有优良中差。这个时候小孩也焦虑了，家长也焦虑了。那我们现在其实正处于这样转换的一个阶段，可能从前面的大家都觉得非常看好的一个阶段，大家开始冷静的去思考，去应对一些特别细致的问题了。

03

"具身智能可能最后就是会在中国实现"

宋继强：具身智能的火不光是在中国，国际上也很火，尤其是美国叫物理AI。如果把发展阶段放到全球来看，二位觉得中国和美国各自的优势是什么？

王志刚：我觉得中国其实最大的优势是说我们有最丰富的应用场景，不论是制造业也好、物流也好、还是服务行业，其实我们都有很多的这样的场景。有这个场景就意味着我们有任务可以给到机器人，就可能会产生一些数据优势、迭代优势。

但美国那边，我觉得相对来说它的理论研究或者说基础软件的研究，坦白讲还是比较领先的。它会通过它的迭代（虽然它整体迭代没这么快），通过理论上的优势，通过算法上的优势，会在leading的模型或者是一些系统的架构上会有一些优势。

张强：我觉得具身智能可能最后就是会在中国实现。中美之间在科技上一直是有竞争的，不仅仅在中美，全球各个国家之间在科技上都有竞争。那么可以更泛化一点或者说更广义一点来看的话，发达国家的优势一般都是人才优势和科技上的一些领先，基础设施和基础建设能力的优势。那对于发展中国家或者说后来去追赶的国家来说，优势一般存在制造业，存在产业链的中下游。

所以大家其实可以看到，我们在之前人工智能的很多方向上一直是在美国出了很多新的东西，当然中国也出了很多很不错的研究。但具身智能不太一样，因为它更强调的是一个系统性的能力。首先它当然要求人才的能力，它当然要求基础建设和设施的能力，包括芯片、包括整个的教育体系的培养。那同时也强调整个国家在工业上面的动员能力，整个国家在工业上面的建设、供应链体系等等相关的能力。这里面的能力是缺一不可的。目前中国在人才培养和相关的人才储备上其实已经到了一个非常高的水平。

04

"F1怎么牵引汽车工业，马拉松就怎么牵引机器人"

宋继强：亦庄连续两年举办了机器人马拉松，今年的结果尤其惊艳，不光是参赛的队伍数量和最后出来的成果都非常让人赞叹。举办这样的机器人马拉松，背后的意义是什么？对整个产业的发展有什么好处？

张强：我其实可以将大家目光往另外一个赛道拉一下，现在我们日常开的车，大家会去看一个比赛叫F1方程式赛车，也就是Formula One。其实F1在很大程度上就是引导着整个汽车工业在往前走。

在最早的时候很多老爷车的线条是流线型的，1950年到1960年大家做F1赛车时候，赛车就像一个水滴一样。那个时候我们对于空气动力学的理解是空气是阻碍汽车前进的，所以要把它做成流线型，这样阻力就越小。但是到1970年之后大家发现汽车越做越扁了，是因为那个时候为了追求在速度上更快，我们进一步研究空气动力学会发现，空气它对于汽车的下压力造成了汽车跟地面的贴合和摩擦是更强的，你可以用这个去诞生更高的速度。所以不仅要做流线型，同时还要利用阻力去形成一定的下压力，也就是我们所说的地效效应。

再到后面，我们会有12缸、20缸的发动机，再到后面会有各种各样的超级引擎和快拆件。汽车上大家现在用到的扳手，用到的整个螺丝的大小，其实都是从F1过来的。更关键的是，要有一个专业的赛事方去帮助整个汽车工业去做这样一个赛事去引导它。

马拉松背后是有详细的规则的。在哪里换电，怎么去制定自主的规则，规则的道路怎么设计。因为如果一个比赛可以依靠单一的技术去形成单点的技术突破，那么大家都会往这个赛道上去拥挤。F1其实是有非常多的限制，这个其实是非常有意思的，就是限制你的发动机缸数不能超过多少缸，因为如果不限制的话大家就会把发动机缸数无限的堆多，然后限这个车的高度不能太低，还是要有一定的车的高度，不然大家都可能会把车做成纸片一样的。同时这两年大家可以看到一个非常有意思的点，就是说因为新能源汽车对于燃油汽车是一个挑战，所以F1其实率先做了改变，一直强调的是动力回收和能量回收机制，也就是给燃油车在下一代革命或者说下一代改进的时候去提供相应的方案。

所以那我们再反过来马拉松怎么去牵引机器人。我觉得在一个目前并没有看到可以去超大规模量产和超大规模落地的情景下，比赛可以去用这些规则和相应的比赛目标去牵引一个技术方向去往前去发展。比如说机器人的耐久度，比如说机器人电池的重量和它的功耗之间的平衡，比如说快拆件。机器人因为在比赛中摔倒了，它快拆能不能支持。比如说在户外进行自主奔跑的时候，它的这个信号问题等等。这些所有的因素组成起来，我们看到了马拉松一个非常好的效果，而马拉松顺便就牵引了这些技术去做。

05

"数据飞轮转起来了，才有意义"

宋继强：国内正在建设大量的具身智能数据采集场和机器人训练场，这会不会成为中国具身智能发展的独特优势？

张强：首先说定论，我觉得这个肯定是一个中国的优势。因为对于基建来说，我相信中国应该是能远远领先于别的国家。但我同时想补充一个风险点，我们现在对具身智能的数据的理解还不够。要实现具身智能的一个模型，它需要什么样的数据，在什么场景下去实现闭环，能不能靠训练场带动模型进步，这是我们现在要去探索的点。

但重点在于行动，一定要有训练场这个行动，你才能看到这些点。我们刚才聊到Scaling的时候，其实最重要的是数据的Scaling。模型大家最后都知道别人是怎么做的，但数据的能力是一个很强的门槛。我们去做具身智能的数据训练场是非常关键的。美国的很多公司现在非常想要中国数据训练场的数据，同时他们也在美国做数据收集，但效率和成本上应该远高于中国。所以说这个事是优势，但我们需要把它转化为真正前进的一个非常大的门槛。

宋继强：从具体任务的角度来讲，未来这些训练场是否可以更通用一些，能把多个任务比较好的融合在一套训练机制里？

王志刚：我跟张老师的想法一样，谨慎乐观。乐观的是中国的动员能力和行动能力，还有产业背景——制造业、物流业都足够丰富。但要避免数据采集场变成"为采数据而采数据"，只有数据量的积累，对未来怎么推动具身智能发展，可能是没有意义的，甚至浪费资源。

现在具身智能很多因素都没有收敛——要多少模态？几个摄像头？要不要触觉？触觉密度多高？模型是VLA、VTLA还是WAM？都没定下来。这种情况下，数据采集场需要"小步快跑"——采集了数据能不能迭代沉积出一个有用的知识？然后再扩大规模，不停迭代，形成一个从数据到知识、再沉积成智能的数据飞轮。只有这个数据飞轮转起来了，才能逐步从一个任务发到多个任务、从一个场景发到更多场景。

06

"世界模型会是下一代具身智能争夺的核心"

宋继强：世界模型成为一个新的热点，有研究者说世界模型是通往通用具身智能的关键一步，但定义还没有完全统一。请二位帮我们拆解一下，世界模型到底是什么，有什么关键作用？

张强：我先抛结论——我觉得世界模型会是下一代具身智能在未来几年内争夺的一个核心，或者说是一个技术高地。

我觉得，能够去对未来在当前的一个数据规模和数据量和数据范式情况下，对未来的一个数据的变化产生一个预测，这样的模型都应该去被称为世界模型。对于具身智能来说，世界模型为什么关键？因为具身智能本质上是一个数据极度匮乏的领域。相比于自然语言处理和计算机视觉，具身智能的数据量还差得很远。如何更高效地使用数据、自动化地产生更多数据，非常关键。

王志刚：从控制论角度看，一个系统要有效控制，必须解决两个特别关键的问题——可观性和可控性。可观性就是说我要做决策的东西已经都已经足够了，我都能观测到了，我不能啥也看不见我就能准确拧到螺丝。可控性指的是我要理解我本体能够到达，能够做这件事情的。

世界模型引入之后，它要显式地预测状态会怎么改变，先把可观性解决了。后面不管用什么模型，它要去预测这个动作能不能符合预测，那就变成了动力学的可控性的问题。所以世界模型的引入实际上是在延续控制论的框架去改造具身智能系统，我非常看好它。

宋继强：通过两位的解读，我突然想到一个比喻——佛家说"一花一世界"。我们未来可能一个应用领域就需要一个自己的世界模型，这样才能把具体操作和对世界的认知做好。

07

"一千次、一万次不出错"

宋继强：如果要达到规模化的落地，您二位认为最大的挑战是什么？

王志刚：最大的挑战是让机器人可靠安全地工作。在工业里面，你根本不是期望能够做好一次，是要他能做一千次、一万次不出错。如果你以一个神经网络或者是在基于概率的方式去做的话，在没有解决幻觉的前提下，你怎么去让它可靠的、持续的工作，本身就是一个非常大的问题。

如果再泛化到跟人交互，那就更麻烦了——不是一千次一万次，是要一直不能出现安全事故。人与人之间可能会发生摩擦碰撞，我们可能会互相谅解，但是对于机器人来说，人的容忍度会很低，一旦发生某一次安全事故，很可能会对整个产业持续的发展是致命的。所以我觉得在这个发展的阶段，要关注的是可靠安全的去执行，哪怕可以走得慢一点，但是不要激进。过于激进了，一个事故，很有可能就会让整个产业的努力都会往回拉很长。

张强：这个是一个非常棘手的问题。规模化落地是实现数据收集和验证的关键。打个比方，如果这个世界上只有1000辆车，是没有办法诞生真正的自动驾驶。只有成千上万的车在路上，去实验和收集不同的数据，和实现各种的飞轮闭环，自动驾驶技术才能真正实现。

规模化其实是一个市场的问题。坦率来讲，市场是不会等你去实现规模化量产。比如说，27年我们真正实现了具身智能，然后这个时候你说我现在开始做量产能力，这个规模化可能会太慢，大家等不了那么长时间。大家会提前去铺自己量产和规模化的能力，先把产线搭起来，但中间的安全问题、一致性问题、可重复性问题可能大家看到的还不是那么多。这个需要整个行业一块去往前推进。

08

"现在做大模型的人，上学的时候都没学过这东西"

宋继强：有没有什么可以分享给有志于进入这个领域的一些年轻的从业人员，不管他现在是学生还是工程师，有什么建议？

张强：我在香港科技大学读书的时候，有一个同学他就问老师，这个大模型我应该怎么去学。这个老师回答也特别有意思：现在做大模型的人，他在上学的时候都不是学大模型的，因为他上学的时候就没有这个东西。他都是在自己不同的学科里面把基础课做好，然后真正在做大模型的过程中，再去进一步的学习和应用。

那基础课比如说计算机科学、人工智能基础这些课，当我们学好了之后，其实要结合自己真的去做的这个领域。具身智能其实还是有非常多的子领域要去做的，运动控制、大脑小脑，机器人等等。当你要去真正做这个细分领域的时候，你可以去把自身之前学习到的知识再进一步的巩固，和学习新的、融会新的知识，这样应该是一个比较好的状态。

其实每一个子目录都有非常优秀的开源项目，大家要利用好。包括我们中国计算机学会的很多开源社区的平台，包括我们在互联网上现在有很多开源代码和开源课程的平台，都是能找到非常优秀的课程的。

王志刚：我觉得对于入行者的话，可能要选择一个可以长期投入的方向。因为现在这种智能，包括具身智能，迭代也快，再加上媒体的这种宣传力度也大，就变成说可能原来的技术是5年抛的，现在变成3年抛、2年抛，我觉得都快变成季抛了。就是你的那些模型，你的那个开源项目，一个季度可能就有一个超过它的这样的一个过程。所以，自己要有一个方向，要选择一个可以长期去做的方向。