智在无界卢宗青：人形机器人已站上产线，大脑却还在“0.x阶段”

发布时间：2026-07-28来源：腾讯科技

智在无界创始人卢宗青，图片经由AI生成

文丨李海伦

编辑丨徐青阳

2026世界人工智能大会（WAIC）上，人形机器人明显“进化”了。行业讨论的重点，已经从会不会走、会不会跳，转向能不能真正进入工厂干活。

量产、订单、连续作业和场景落地等成为谈论行业发展的高频词，机器人走向规模产业化，似乎已经近在咫尺。

不过，BeingBeyond智在无界创始人卢宗青给出了一个谨慎的判断：“谈到人形机器人距离走向工厂和实际生产还有多远，实话实说，仍然还有一段距离”。

这与行业中不断升温的商业叙事形成了反差。

过去一段时间，全球头部的人形机器人厂商通过各种形式展示机器人在工厂抓取、搬运和装配，试图证明人形机器人已经开始进入真实生产。

但卢宗青认为，这些场景中真正稳定运行的，可能仍然是“传统工业自动化方案”。

“从本质上看，有些机器人只是机械臂从单臂变成双臂，设备采用了更接近人的构型，但控制方法却没有发生根本变化。”卢宗青说。

在他看来，机器人能够在一个固定工位上，围绕某个SKU连续重复一项任务，这与具身模型能够适应不断变化的工序和环境，走向工业化生产，是两个不同阶段。前者可以通过工程化实现，后者依赖模型真正具备泛化能力，这正是当前行业尚未解决的问题。

卢宗青所在的智在无界，聚焦在具身基础模型的研究和探索上。7月28日，智在无界发布了全球“首个隐式触觉世界动作模型”Being-H0.8。相较于前代 Being-H0.7 ，H0.8首次将触觉模态系统性地引入隐式世界模型架构，并尝试将大规模人类视频与触觉数据共同用于模型预训练。

这里的“隐式世界动作模型”，试图解决机器人背后更底层的问题：让模型从大规模人类视频中学习动作，理解不同动作会如何改变物体和环境，并在隐空间中形成对动作后果的预测能力。通俗理解，就是让机器人逐渐建立类似“直觉”的判断，在面对具体任务时知道下一步该怎么做，并将这种能力迁移到不同机器人本体和任务中。

为了让机器人学会干活，目前行业正在探索不同路线：有的通过遥操作和真机数据“手把手教学”；Google DeepMind等推动VLA模型，把视觉、语言和动作放进同一个系统；斯坦福教授李飞飞等科学家则从世界模型和空间智能出发，让模型理解并预测物理世界的变化。

图灵奖得主杨立昆（Yann LeCun)推动的JEPA路线同样采用隐式预测，重点关注在潜在空间中预测世界状态的变化，学习可用于决策的通用表征，并进一步指导动作规划和选择。智在无界的思路更聚焦人形机器人，将世界变化与全身动作放在一起建模，并转化为具体控制。

卢宗青表示，具身智能最终也会出现类似大语言模型的统一基础模型。今天的VLA、世界模型和世界动作模型，都还只是通向最终训练范式的阶段性路线。

那么，在走向统一基础模型的过程中，模型架构、机器人本体、数据和训练方式等关键变量将如何演进？我们与卢宗青进行了一次深度对话。

机器人已经进厂，模型却还没过关

问：2026上半年，我们看到一部分的人形机器人已经走进工厂，并且展示了长时间的连续作业。这种呈现形式，与机器人真正可以稳定运行于生产线之间的状态，还存在哪些差距？目前是否已经具备了产业化落地能力？

卢宗青：在我看来，目前不少被展示为“走进工厂作业”的人形机器人，很多方案只是把传统工业机械臂或协作机械臂，换成了人形机器人的双臂构型，任务执行仍主要依赖传统控制方法。过去是一条机械臂，现在变成两条手臂，但底层技术路线并没有发生根本变化。

因此，这类展示更多说明人形构型可以被工程化调通，还不足以证明具身模型已经具备产业落地能力。

问：从展示走向真实生产，中间最难跨越的环节是什么？

卢宗青：需要解决的问题很多，其中最关键的是泛化能力。

具身智能进入工业场景，本质上是为了替代一部分人的劳动。传统制造业中，适合固定流程的工序大多已经实现自动化；目前仍然需要人工完成的环节，往往要求具备一定的泛化能力。例如，每天处理的SKU不同，具体任务也会随之变化。

要真正替代这些劳动，模型必须具备相应的泛化能力。传统CV和控制方法的泛化能力比较有限，因此直播展示通常只能针对某个工位、某个SKU或某道工序，完成一项具体任务。

问：人形机器人的双臂构型被认为更具通用性，但工厂真正需要的是能够灵活适配不同任务的设备。你如何看待机器人做人形构型的必要性？

卢宗青：如果把“双臂加一个头”的构型称为人形机器人，它可能具有更强的通用性。人的双臂安装位置与这种构型相似，而传统机械臂通常固定在台面上。

这种构型更加通用没有问题，但构型通用，并不意味着模型已经能够通用地驱动双臂机器人完成各种任务。现阶段难以实现大规模落地，主要还是因为模型能力尚未达到真正可用的水平。

问：从目前的实际应用效果来看，哪些任务或者场景真正需要人形机器人这种构型？哪些任务使用机械臂、轮式双臂机器人或其他专用设备就可以完成？

卢宗青：轮式双臂机器人可以理解为移动底盘加双臂机器人，这类形态可以适用的场景比较多。双足人形机器人则有所不同。

轮式机器人在固定场景中的导航问题，可以通过工程化手段较好地解决，最主要的难题仍然是操作模型。这也是Being-H系列模型重点解决的问题：如何驱动机器人完成灵巧操作。

如果讨论真正的生产落地，以我们刚刚发布的Being-M0.7为例，就是用于驱动双足人形机器人完成全身移动操作的模型。但实话实说，它距离实际生产应用还有一段距离。

总的来说，双足人形机器人产业化落地还需要较长时间。首先需要解决操作问题，再叠加移动和移动操作能力。目前操作问题本身还没有完全解决，更不用说移动操作。

机器人的“隐藏大脑”，“隐”在哪里

问：智在无界强在探索的是一种“隐式世界动作模型”。与常见的视觉模型以及基于视频生成的显式世界模型相比，这条技术路线最核心的差异是什么？

卢宗青：显式世界模型通常以视频生成模型为基础，再通过后训练加入动作，最终生成后续视频或视觉轨迹。

隐式的世界动作模型主要有两个差异：

第一，我们在预训练阶段同时预测后续状态和动作，并在隐空间中完成预测。相较于基于像素预测的视频生成模型，这种方式消耗的计算资源更少。

第二，我们从预训练阶段就加入动作，让模型根据动作预测下一个状态，从而更好地理解物理世界。

简单来说，在大规模数据上进行隐式世界动作模型预训练，有机会比基于视频生成的显式世界模型获得更好的物理理解和交互能力。

问：很多视频世界模型的计算过程同样发生在“隐空间”中。既然两者都会使用隐空间，你们与这些模型的本质区别体现在哪里？

卢宗青：主要取决于两点。

第一，监督信号最终来自像素，还是来自模型构造的隐状态。一些隐式表征模型的监督信号来自隐状态；视频生成模型或显式世界模型的最终监督信号，通常仍然来自像素。

第二，也是我一直强调的动作。我们的模型在预训练阶段就包含动作，而视频生成模型在基础训练阶段通常没有动作信息。

人类理解物理世界，不只依赖观看，也依赖自身动作与物体发生交互，并观察动作如何改变环境。如果模型只有视觉信息，没有动作信息，就很难真正理解行动与物理变化之间的关系。

这是两类模型最重要的差别。

问：当前不少具身模型仍然以语言模型或视频生成模型为基础，再通过后训练加入动作信息。你们为什么强调从预训练阶段就引入人类动作、物理交互和触觉信息？

卢宗青：世界模型有很多类别，这里只讨论面向具身智能的世界模型。

不论是具身基础模型或者世界动作模型，最终会逐渐走向预训练范式。

过去，专门针对机器人的预训练模型比较少，更多做法是把语言模型或视频生成模型拿过来，再通过后训练加入动作信息。

以Being-H0.7为例，我们正在探索如何把人类数据和人类动作融入预训练，让模型在预训练阶段就建立对物理世界及其交互方式的理解。

并且，触觉对操作任务非常重要，我们会把它作为关键模态加入预训练。比如Being-H0.8将触觉模态系统性地引入隐式世界模型架构，我们尝试将大规模人类视频与触觉数据共同用于模型预训练。这样让模型在预训练阶段就建立视觉、动作与触觉之间的关联。

问：人类视频能够记录视觉信息和动作过程，却很难直接记录力、触觉、物体形变以及操作失败后的反馈。你们如何从视频中提取或构造这些信息？目前使用的数据主要由哪些部分构成，又如何完成筛选和质量评估？

卢宗青：我们的技术路线主要依赖大规模的人类第一人称视频。目前，我们大约拥有50万小时数据，其中一部分来自开源数据。

我们会从中筛选第一人称视频，并补充文本、接触信息和人手动作等标注；另一部分数据来自数据合作公司。

对于预训练，我们不会过度限定场景，因为预训练数据需要覆盖尽可能广泛的环境和任务。

在接收新数据时，我们有一套方法评估这些数据与已有数据之间的相关性和重复率，以判断是否采用。相比大量重复数据，我们更希望获得分布更广、能够覆盖更多场景的新数据。

问：人类的身体结构、驱动方式和自由度，与机器人本体存在较大差异。从模型“看懂人类如何行动”，到把这些能力迁移到机器人上，中间还需要解决哪些动作表示和控制问题？

卢宗青：两者的差别确实很大。机器人由电机驱动，人类则依靠肌肉运动。

但对于Being-H和Being-M这两类模型来说，并不需要记录人类每一个关节如何运动，我们也无法从普通视频中完整获得这些信息。

操作模型主要关注末端位置。现阶段的机器人控制大多也是基于末端位置，因此只需要记录手腕位置以及手指动作。

全身运动模型Being-M则会增加几个关键点：除了双手末端位置，还会记录头部和双脚的位置。

通过这些关键点，可以构建一套统一的动作表示，既能够表示人形机器人的动作，也能够表示人的姿态。在这一层面实现人与机器人动作的对齐，而不需要逐个关节进行学习。

问：从实际任务表现来看，这种训练方式会带来哪些直接变化和不同的差异化表现？

卢宗青：基于大规模人类视频数据，我们的模型能够更好地理解物理世界、物理规律和物体属性，也更容易判断运动物体的轨迹。例如，面对一个被抛出的球，模型能够预测它接下来可能落在哪里。

“看不见的大脑”，如何证明自己理解了世界

问：显式视频模型可以通过生成的未来画面，直观判断模型的预测是否合理；隐式模型的中间状态则难以直接观察。你们如何验证模型是否真正理解了场景、动作和物理变化之间的关系？又如何识别模型可能出现的理解偏差？

卢宗青：这是隐式世界模型目前面临的最大难题。

视频生成类世界模型可以通过视觉结果，直观判断模型生成得是否正确，但隐式模型的中间结果无法被直接观察，只能被间接验证，无法直接观察其内部形成的世界状态。

我们会通过一些任务进行间接检测。例如，验证 latent state（隐性状态）中包含了哪些信息。可以使用linear probing（线性探测）等方法，将隐表征连接到下游任务上，再通过下游任务的表现，判断其中是否包含未来状态、动作因果关系等信息。

问：在具体评测中，如何验证模型的试错能力和任务成功率？除了仿真和真机任务的最终成功率，还会关注哪些中间指标？

卢宗青：模型训练完成后，我们会通过一套benchmark进行验证，包括仿真测试和真机测试。从效果层面来看，最直接的指标就是任务完成成功率。

此外，还需要验证 latent state中是否包含我们希望模型学习到的信息。这与前面提到的间接验证方法相同，也是非常重要的一部分。

问：从当前阶段走向真正规模化应用，具身基础模型还需要跨过哪些关键临界点？哪一类突破最有可能像ChatGPT的出现一样，引发模型能力的显著跃迁，并推动新一轮产业变化？

卢宗青：要实现大规模应用，首先必须在模型层面取得突破。如果仍然使用现有VLA或世界模型直接做落地，很难形成大规模应用。

模型突破主要有两个维度。

第一是数据。我们现在有超过50万小时的数据，但肯定还不够，需要继续扩大人类视频数据的规模。具身智能的数据路线基本已经明确：很难生成比真实人类活动更加丰富的数据，因此必须充分利用人类数据。如何积累千万小时级的第一人称视频，是我们的主要目标之一。

第二是模型训练方式。无论是VLA、World Action Model，还是我们提出的Latent World Action Model（隐式的世界动作模型），都更像通向最终训练范式的阶段性节点，还不是终点。

具身基础模型应该形成自己的训练方式，但目前这种学习范式还没有收敛。

以Being-H系列为例，从0.5、0.7到0.8，本质上仍然处于“0.x阶段”。当数据、训练和部署的基础设施搭建完成后，我们才会进一步探索真正有效的学习方式，并在模型侧实现突破。

总体来看，具身智能的大规模落地依赖模型能力的突破；模型突破则需要数据规模和学习范式同时发生较大变化。数据路线已经相对明确，模型学习方式则远未收敛。

问：在当前可用视频数据量级有限的情况下，模型能力的提升主要依赖继续扩大数据规模，还是更依赖学习范式、训练目标和特征提取方式的优化？

卢宗青：几十万到100万小时的数据，已经可以用于模型预训练。我们一方面需要继续增加数据，另一方面需要探索学习范式，并据此确定数据应该如何进行标注。这是一套闭环：持续积累数据，探索能够让模型理解物理交互的学习方式，再根据学习方式建立相应的数据处理和标注体系。

问：随着行业开始扩大第一人称视频和真机数据的规模，数据成本是否已经成为具身模型研发的主要难题？

卢宗青：单纯获取视频的成本并不算高。随着人类视频数据供给增加，成本还会继续下降。

真正稀缺的不是所谓的“高质量视频”，而是能够被定义和加工成高质量训练数据的视频。

视频本身是否优质，与它能否被用于训练并不是一回事。对于Being-H模型来说，普通视频同样可以使用，关键在于如何标注。标注方式决定了模型能够获得什么样的监督信号。

因此，如何把 raw video（原始视频）转化为可训练的数据，需要由模型公司来定义。例如，需要补充文本、动作、深度、接触等信息；哪些信息有效、哪些信息无效，最终取决于模型采用什么样的训练范式。只有进一步确定学习方式，才能知道应该如何构造真正有效的数据。

从模型突破，具身智能如何完成落地

问：进入智能体时代，越来越多软件能力开始被封装成Skill，并由上层智能体统一调用。未来的具身智能体，是否也可以把抓取、装配、打乒乓球等机械操作能力封装成Skill，再由一个具身基础模型统一调度，并适配到不同机器人本体上？

卢宗青：Skill形式当然可以实现。例如，打网球、打乒乓球，都可以被做成Skill。

其实在语言模型出现之前，编辑图片、处理Word文档等工具能力就已经存在；机器人通过传统控制方法完成某项任务，也可以被视为一种Skill。

当前真正缺少的是具身基础模型。只有具身基础模型建立起来，才有可能像大语言模型调度软件工具一样，构建能够统一调用机器人Skill的具身智能体。

问：今年具身智能行业的参与者明显增加，不同厂商分别从数据、模型、本体和场景切入。要判断一家公司是否真正具备本体泛化能力，应当重点关注哪些指标？不同类型的公司未来又可能形成怎样的分化？

卢宗青：首先看数据。

过去，行业依次讨论过仿真数据和真机数据；今年，更多公司开始讨论第一人称视频。大约在2023年年底，我就判断，具身智能的数据路线最终会收敛到大规模的人类数据。

我们接触的一些数据公司，过去主要采集真机数据，现在也在转向人类视频采集。很多大厂和创业公司都会采购这类数据，因此数据公司能够形成一定的现金流。

本体公司的商业化选择则更多。例如，宇树可以面向科研、教育和展演等市场，其他公司也可以采用不同的路径。

真正希望进入工厂的公司，短期内可能仍然需要依赖传统工程化方案，而不能完全依靠模型。

关键还是看各个行业的真实需求。例如，物流分拣的需求很大，只要能够通过工程化方式把任务完成，就存在商业化机会，不一定非要由模型完成。

与此同时，国家也在推动央企、国企开放应用场景，为本体公司和模型公司提供落地机会。对于当前行业来说，商业化非常重要。

问：智在无界目前的商业化路径是什么？主要选择哪些场景落地？

卢宗青：我们主要通过模型赋能本体公司和集成商，包括提供模型授权和后训练等服务，帮助客户完成具体场景的落地。在场景选择上，我们更倾向于真正需要模型能力、无法单纯依靠传统自动化手段解决的问题。

问：从具身大模型产品的实际采购和合作需求来看，客户最关注哪些能力？是模型的泛化能力、下游适配所需的数据量，还是任务成功率和部署成本？

卢宗青：客户最关注的是，预训练模型需要多少真机数据才能适配下游任务，以及模型的泛化能力究竟有多强。例如，对于一个简单的下游任务，如果只需要采集几十条真机数据，就能让模型完成适配，客户会非常看重。

我们此前进行过多组实验。在相同测试条件下，与目前可对比的开源模型相比，Being-H完成相应任务所需的数据量更少，约为其他模型的几分之一，部分任务甚至可以降至十分之一。