王潜想要的具身大脑，数字世界根本给不了

发布时间：2026-08-21来源：腾讯科技

自变量创始人、CEO 王潜。图片经由AI生成

文｜苏扬

编辑｜徐青阳

“具身智能”从实验室走向产线与家庭，是2026年的世界机器人大会（WRC）上被反复提及的话题。

一个明显的对比是：去年与会者还在热衷于讨论硬件、全身运动控制这些“身体”的话题，今年几乎所有人都在谈论“大脑”、谈论大模型。

在自变量创始人兼CEO王潜看来，这是一件好事——但当模型该长什么样、在整个人工智能版图里占据什么位置，业界仍有不同的看法。

王潜在《构建物理世界基础模型》的主题演讲中提到，具身智能需要的不是把语言模型或多模态模型“搬”到物理世界，而是一个平行于数字世界基础模型的、专门服务于物理世界的“基础模型”。“就像大语言模型是数字世界的基础，物理世界也需要自己的基础模型。”

他以人为参照：人脑中负责精细操作（manipulation）的脑区规模，几乎和语言、高级思维相当，这意味着操作任务的复杂度不亚于语言本身。

关于模型为什么必须强调端到端？王潜的依据来自于大自然：在所有脑区中，只有最高级的、负责手的操作的皮层，拥有直达脊髓的“跨层直连”，而其他脑区都是一层层向下控制。

“所以大自然其实就是这么设计的——一个完全端到端的模型，在最高级皮层上直接控制最低级的动作。”他说，“端到端不光是人类的‘最佳实践’，也是大自然设计的结果。”

演讲中，动作这个模态的特殊性是王潜反复强调的另一点。视觉和语言之间或多或少还能互通，但动作在维度、表征性质上与之差异极大。“两张图从视觉看只差几个像素；但从动作看差异很大——（因为被扎了孔）一个瓶子翻过来会漏水，另一个翻过来不会。”

在他看来，物理过程与动作模态之间存在巨大的鸿沟，不能指望用数字世界的方法获得物理世界的insight，因此“应该更多地去做预训练”，并依赖真实的物理接触数据。

“很多人会讲，数据是具身智能的石油，包括是整个人工智能的石油，但这句话隐含了一些和我们认知不太一致的东西。”王潜说数据不应该是一个资源性质的东西，而应该是某种意义上的极度复杂的工业品——做好数据的复杂度，甚至高于做好一个模型。

关于当前热门的开源话题，他认为开源能加快整个产业进化。“去年这个时候，大家可能还在讨论美国是不是在模型上会领先一点，但到今年，基本上是一个齐头并进，或者在某些方面各有高低的状态。”

王潜说，社会的注意力与机器人模型的发展常有错位，去年乐观认为一年进家庭，今年又悲观到5到10年。自变量一直在寻找ChatGPT时刻的迹象，“现在应该非常明确和清楚了”，“我们确实是在走语言模型可能5年前走过的路上”。

以下为王潜演讲实录全文（在不改变原意的情况下有删减调整）

大家好。

首先我觉得WRC（世界人机器人大会）其实是一个非常好的机会，不光是机器人社区里的人互相交流的一个盛会，同时也是整个社会、包括全球能够和机器人社区有一个交流的机会。

一方面我们获得了大量的关注，另一方面我们也能感受到整个社会对于机器人这件事情的一些看法。

和2025年相比，我有一个很突出的感受：去年大家可能对于智能、对于机器人的模型在整个事情里的核心地位，还有一定程度的讨论；去年大家可能更多在说一些硬件，包括全身运动控制（locomotion）这些东西。但今年我看基本上大家没有什么太多讨论，所有人都在谈论“大脑”、都在谈论大模型。我觉得这是一个非常好的事情。

但是反过头来说，模型应该是什么样子，它在整个AI的版图——不光是机器人的版图——里面应该占据一个什么样的位置，大家还是有各种各样不同的看法。所以这个事情还是很重要的，我也来分享一下我们对这件事情的一些心得体会。

我觉得在整个AI发展的过程当中，人一直是一个很好的参考对象，并不代表我们一定要去学习人的思维方式。

就像我们要去造一个飞机，不一定要去copy鸟的扑翼模式。但是至少我们在人身上观察到的一些东西，是有助于我们去厘清智能的本质的。

我们今天所做的具身智能，主要还是希望它能进行精细操作，包括工具的使用——我们一般在机器人学里称之为manipulation（操控）。这部分在人身上和在动物身上有着非常本质的不同：它的脑区规模非常大，基本上和语言、包括高级思维所需要的脑区面积差不多大。

所以从这个事情上能看出来，它和全身的运动控制（locomotion）是非常不一样的——manipulation占据的脑区规模其实小很多，但这一部分脑区应该是最高级的，是进化上最后出现的，又是这么大，又和语言、高级思维差不多大小。

所以我们很容易得到一个洞见：这件事的复杂度，从问题本身的难度上来讲，应该是极高的，至少并不亚于我们进行高级思维、包括语言。

人们一般都会说，人类为什么能从动物里脱颖而出，有两个最大的标志：一个是使用工具，一个是使用语言。某种意义上这正好击中了智能的一个本质——这件事的复杂度是和语言相同的一个水平。

它为什么这么复杂？

大家通常能感受得到空间智能是相当困难的：大量的遮挡、大量的不确定性、三维的空间结构，需要去做规划、推理，一个东西藏起来了要分几步找出来。但可能还有另一方面大家比较难感受到：我们在实际物理接触的过程当中，会有大量极度复杂的物理过程。这也是manipulation相对于全身运动控制（locomotion）这么特殊的核心原因。

locomotion更多是在对抗重力场，所以大家看到机器人现在可以非常好地做这件事，去年大家还在讨论是跳舞还是跑步，今年已经能够跑酷、能够攀岩，几乎是做所有人类能做到甚至做不到的；前两天宇树也发了那个“超人”的视频，甚至人类做不到的全身运动控制它也能做。

但是一直到今天，即使是最简单的通用抓取（general grasping），仍然还是manipulation里相对比较困难的一件事。

当这些复杂的物理过程，碰到了如此巨大的解的空间、如此巨大的参数空间的时候，其实是一个非常可怕的爆炸。一方面，我刚才说它的复杂度极高；另一方面，它也告诉我们以什么样的方式去解决它。

对于这种极度发散、需要非常大解空间的，历史上我们在AI领域看到，完全端到端的模型表现要好很多。这某种意义上可能是一个巧合，但也不是巧合——人其实也是这么做的。

在所有脑区里，只有最高级的、我刚才提到的负责manipulation的皮层，有直接和脊髓的直通连接；其他的脑区基本上都是高级别控制稍微低一个层级，再控制更低一个层级，一层一层往下。包括全身运动控制也好，包括语言也好，其实都是这样。唯独在手的精细操作上，我们需要这么一个跨层的直连。

所以大自然其实就是这么设计的——一个完全端到端的模型，在最高级皮层上直接去控制最低级的这个运动。所以我觉得这也是我们能学到的一件非常重要的事：端到端不光是人类的“最佳实践”，同时也是大自然设计的一个结果。

从AI模型训练的角度，我们会发现动作这个模态，和其他几个模态有非常大的不一样。

虽然大家经常说VLA，把action和vision、language放在一起比较，但action具有极高的特殊性——vision和language之间或多或少还能有一些互通，但在action上这种互通要差得多，因为我们发现不管维度还是它表征的这些属性的性质，其实和语言、视觉有很大的差别。

一个很简单的例子，PPT最右边两张图（两瓶矿泉水，一瓶扎破了小孔），从视觉上看差异非常小，就几个像素的差异；但如果你从运动上看，差异是很大的——把右边的瓶子翻过来它就会漏水，左边翻过来不会漏水。这里面有很多隐含的推理，有很多真实涉及需要和物理世界互动的东西。

所以整体物理过程、action这个模态和vision、language之间，有一个很大的断层，我们需要对它进行一些非常大的特殊处理。但处理的方向，还是应该按照刚才说的洞察来。我们更多地应该去做预训练。

很多人认为可以把多模态模型迁移到物理世界，我们还是认为这件事的可能性比较低，主要原因就是刚才说的，我们对物理世界的这些性质，通常很难通过其他模态获得；我们也没有那么多真正涉及接触的数据，互联网上的视频对于这些行为的描述也非常糟糕。

今天很多人说是不是可以去收一些异构的数据，说实话异构数据对于这些物理过程的表述也并不是那么好，但肯定比互联网视频要强得多。

其次，我们认为这件事确实很难通过完全的分层模型来解决——不管是生物还是自然界的设计都是如此。

第三，我们最好把所有的能力集合在一起，做一个完全通才的模型，这样能极大程度利用刚才说的、没法直接通过动作模态获得的一些一般性知识，并把它们很好地连接在一起。

这个模型包含什么？

除了动作生成之外，我们也希望它产生视频、产生语言、产生三维重建的结果，或者注意力的热点图等其他表征。这更多是因为动作这个模态极度特殊，我们需要在它和其他模态之间建立桥梁，而这个桥梁很难直接建立，所以我们在同一个模型里把所有的任务都放进去，让模型比较好地学习到真正意义上跨越模态、也跨越单一任务的一些通识，不管是逻辑还是物理规律。

所以这个模型应该是某种意义上的大统一模型。我们认为它应该是一个完全独立于、或者是平行于数字世界的模型——也就是我们一般说的，不管多模态模型还是语言模型，这些数字世界基础模型的“另外一个基础模型”。

我们在人脑中也看到，它的脑区大小也差不多，复杂性也是一致的。另外刚才我也提到，我们很难通过数字世界的方法获得物理世界的洞察，所以我们一定需要真实的物理世界数据，需要专门服务于物理世界的一个基础模型。

我们没有办法把这个多模态模型迁移过来——这件事我们尝试过很多次，整个社区也尝试过很多次，我现在还是认为效果应该不太好。真正意义上的全模态、或者多模态进多模态出。基本上所有能想象到的输出，都应该在这个模型里能获得很好的结果。

模型思路很清楚。在整个社区、整个产业里，我们还是认为开源是一件极度重要的事。

我们看到语言模型上，中国通过开源获得了很好的身位；但在具身上，我们倒不需要利用开源去获得竞争优势——因为中国相对于全球其他地方，在具身上我们已经可以比较自豪地说，是一个领先的水平。

去年这个时候，大家可能还在讨论美国是不是在模型上会领先一点，但到今年，我觉得基本上是一个齐头并进，或者在某些方面各有高低的状态。

开源更主要的是，我们希望通过这种方式尽可能把速度加快。因为整个社会、全世界的注意力，和机器人模型的发展还是有一些微妙的错位。

大家有时特别乐观，像去年很多人问我说是不是一年之内机器人就能用到家庭里去了；今年又有很多人很悲观，说可能需要5年或者10年。

不管我们怎么控制大家的期望，产业作为一个整体还是要把速度更快提起来，所以开源在这里应该起到非常重要的作用——一方面培养人才，另一方面把很多基础设施在开源基础上获得很好的提升。

我们自己当然没有开源那个完全统一的大一统模型，但开源了单纯的VLA模型。这个VLA模型在开源的时候，现在可能有很多其他说法，但至少在开源时非常明确的是，唯一一个可以不经过后训练、只用预训练结果就做zero-shot learning的模型。

我们其实一直在寻找所谓的ChatGPT时刻的迹象，现在我觉得已经非常明确和清楚了——我们确实走在语言模型可能5年前走过的路上，它能获得很好的规模化效果，同时涌现的迹象包括few-shot（极少的样本）、包括zero-shot（零样本），可能也逐渐开始出现。视频里所有任务右下角写的，完全都是零样本，之前没有给过训练，第一次见这个任务就能做。

所以以前大家会想，是不是需要五年，或者这条技术路线根本达不到、还需要本质的变化。今天我们应该给了一个否认的回答——我们现在的方向确实是一个对的方向，沿着它走，就非常高确定性地肯定能达到我们所谓的物理世界AGI。

我们也把整套东西开源了：不光是模型本身的参数，包括训练部署，包括一部分Infra，甚至包括一部分的数据。这倒不是出于商业利益，也不是出于其他原因，单纯是希望整个产业变得更快一点，给大家做出我们自己的贡献。

除了VLA模型，我们也开源了另一个版本的世界模型（world model）。它最重要的特点，也是我们认为将来很重要的一个发展方向。

刚才我们其实都是在说模型，不管闭源还是开源。但怎么做模型是反过头来非常重要的事——我们平常看到的结果只是冰山在水面上的部分，水面下的部分重得多，主要包含数据和Infra，当然还有组织管理、公司整体这部分。

提到数据，今年非常突出的感觉是，大家把数据的重要性提到了很高的位置。

我每年都会说数据的重要性高于模型，今年终于有普遍的人同意这个观点了。但是关于数据是一个什么东西，大家可能还是会有些混淆。很多人讲“数据是具身智能的石油，包括是整个人工智能的石油”，但这句话隐含了一些和我们认知不太一致的东西。

提到石油大家总认为它是一种大宗商品、原材料，很标准化、一致性、不需要复杂处理，开采出来就是开采出来了，是一种资源性质的东西。

但实际上我们在一线做模型，非常明显的感受是：数据不应该是一个资源性质的东西，它应该是某种意义上的工业品，极度的复杂。

按照我们自己的实践，做一个很好的数据，复杂程度比做一个很好的模型要高很多，甚至和从电机、再往上推一步、从原材料开始做一个集群的复杂度差不多。最终能训进模型里的数据，链路长度可能并不比机器人本体或者模型本身低，甚至可能高很多。

所以这件事大家可能并没有完全认识。很多结果自然会有些浪费——大家收了很多数据，收完发现没什么太大用处。

如果对数据的性质有充分了解，应该能避免。它的难度在于链路非常长：从怎么定义数据，到怎么采集，到怎么判别、怎么处理，再到反过头优化之前的东西，都有大量工作。

我们非常希望充分发挥市场的作用，这也是为什么我们选择大量开源，把很多别的公司会藏起来的东西无偿拿出来给大家用——我们只靠自己很难做到这件事。

我们在24年年初做了，如果我没记错的话，应该是全国第一个数采工厂；但一直到今年年初，我们都还是完全自己采、自己用、自己投钱。当数据规模扩张到一个程度，我们觉得还是极大程度应该依赖合作伙伴，建立整体的产业生态。我们自己可能仍是国内最大之一、全球最大之一，但整个行业要发展得好，其中每一个个体才能发展得更好。

刚才提到我们有模型、有数据，冰山下的另一重要部分是AI Infra。

这件事大家在语言模型里听得比较多——大家都知道DeepSeek为什么能做得很好，效率上有极大帮助，能用少得多的资源获得多得多的效益。但在具身领域，大家还普遍没把它提上议事日程，但我觉得大家很快会需要，因为模型规模、数据量的增长会很快把大家带到语言模型训练的那个水平。

我们为大家准备了很多开源的公共工具，典型的比如我们做了Muon的分布式的实现。

大家可能知道，Muon优化器应该是当前所有——不光具身，整个语言模型、所有深度学习里——最好的优化器，但之前它的通信带宽比经典的AdamW优化器大概要高50%左右；我们通过自己的分布式优化实现，把那50%的额外通信带宽去掉了，同时获得了大概30%的收敛速度增益。

这不光服务具身领域，整个语言模型领域也会很受益于我们开源的东西，很有可能下一个版本大家看到的语言模型，就是由这个优化器训练出来的。我们也在相当规模的模型上验证了，很值得大家尝试，也是我们给整个AI行业做出的贡献。

整体来讲，具身模型Infra并不比语言模型的Infra简单，甚至应该比语言模型的Infra难得多——因为其中还包含大规模的机器人集群，不管做强化学习，还是单纯的SFT或预训练，都一定还是要和硬件打交道，硬件的性质造成了大量通信上、时钟同步上、训练上的特殊问题。

这方面我们也积累了很多工作，很有意愿和整个community、我们的商业合作伙伴提供这样的服务，让大家获得更好的模型结果。

说了这么多技术项、模型项，以及基础设施项，我们看一下它是不是真的有用。

刚才有一个词我印象很深，就是“生产力场景”。之前在生产力场景里，大家并不能够证明具身智能真的有用，所以更多集中在提供情绪价值的场景，或者上一代机器人都能做的一些事情上。但这个场景确实是一个上一代机器人完全做不了的事。

当然这个场景做的人也很多——海外一些同行上半年去做了直播，国内一些同行也在加紧推广。但我们的场景，第一是在真实的工业产线上，第二它的ROI已经达到或者超过人类的水平。所以我觉得这应该是一个挺重要的里程碑事件，虽然大家可能不太关心，但它确实证明了我们做的事已经可以开始到落地阶段、开始实际产生生产力了。

另一点也很重要，它证明了我一开始说的通用模型、基座模型这条路线的正确性：我们做这个场景只做了大概三个月的时间，海外同行可能做了两年半。这得益于我们基座模型强大的泛化性、强大的基础能力——通常三个月连工程上部署、生产可能都不够，但我们这么短的时间里，数据采集、模型训练到最后的生产部署全链条完全打通。

所以在“沿途下蛋”的场景里，基础模型能做到比专用模型、比专家工程、比只做单点场景更好的效果、更低的成本、更快的速度。所以这不是一个未来时，它已经是一个现在时，基础模型路线的正确性在这个场景里得到了充分验证。

另外，在服务家庭用户、C端场景上肯定是需要通用模型来做的。我们做得也比较快，很大程度上得益于这套方法论——做基础模型，把模型、数据、Infra再到硬件的整个闭环彻底打通。

所以我们还是相信，在这样的框架下，我们离所谓具身智能或者物理世界AI的ChatGPT时刻，已经真的并不是很遥远了。

我觉得绝对用不着等到5年到10年的时间。5年之后，如果再回过头来看，我们应该就已经生活在一个机器人能够在千行百业、千家万户有极其广泛的应用，甚至可能基本上替代人类体力劳动的世界里面。

我们还是无比希望这一天的到来，也希望我们的一些工作能加快这个更美好世界的来临。

谢谢大家。