跳转至

沈宇军（蚂蚁灵波）：机器人原生基础模型、大脑与本体的关系、数据 scale up（张小珺 #147，2026-07-22）

  • 嘉宾: 沈宇军（蚂蚁灵波科技首席科学家；清华本科 → 商汤实习 → 港中文汤晓鸥门下读博 → 字节跳动 → 蚂蚁技术研究院 → 2024 年底加入新成立的蚂蚁灵波）
  • 主持: 张小珺（《商业访谈录》第 147 期）
  • 来源: YouTube · 113 分钟
  • 转录稿: sources/zhang-xiaojun/20260722-fww9LN9baKQ
  • ⚠️ 无字幕，本地 RTX 5090 上用 faster-whisper large-v3-turbo 转录。专有名词已按上下文归一化（灵波/具身/夹爪/灵巧手/数采/真机强化等）；少数机构与人名转录存疑，已在文中逐条标注。

张小珺在片头就点明了本期的位置：上一期访谈的是 Physical Intelligence 的柯丽一鸣（"机器人的 OpenAI"），这一期是本土从预训练开始训机器人底座的公司，"大家也能从中感受一些中美思路的融合与差异"。

本期最有价值的一句是沈宇军的核心主张——"具身原生"：不再在数字世界模型的延长线上魔改，而是把视觉相关的一切从随机初始化开始重训一遍。以及一个很硬的中美判断：互联网数据是上个时代的红利变现，而具身数据是一个空窗期，"现在大家都是一样的"——所以在收数据上中国有非常非常大的优势。

说话人映射（据补做分离的 speakers.md；转录稿本身无标签，此处认人属 wiki 层编辑判断）： SPEAKER_02 = 沈宇军（嘉宾，87.8%）、SPEAKER_01 = 张小珺（主持，10.9%）。 依据：SPEAKER_01 占据开场 [00:00:00]（"……今天呢我邀请的是一位……"），后段为提问方。 SPEAKER_00（85 秒，144 段，最长 22 秒）为散落碎片，判为伪影。

概要

蚂蚁灵波是蚂蚁集团 2024 年底成立的具身智能子公司。战略是只做大脑、不做本体，目标是"未来某一天每家都有一个机器人，而这些机器人里跑的都是灵波的模型"。2026 年 1 月开源第一代大脑（4 个模型），本期发布的第二代是 6 个模型。沈宇军把这两代的差别归结为三个连续的"原生"台阶：视觉原生 → 架构原生 → （下一步）数据原生，对应他自嘲的三句口号：看得更清楚 / 想得更明白 / 干得更利索。

核心观点

从 GAN 到机器人：一条个人路径里的两个判断

  • 他的研究路径是一路往上游走：不喜欢刷榜（"最后就看一个 number 这个事情，我坦白讲自己不是非常感兴趣"）→ 2017 年做 GAN、图像编辑 → 觉得"做得太下游了"→ 往前做生成模型预训练 → 再往前做表征学习（[00:02:05]–[00:04:11]）。
  • GAN 的句号：团队直到 2026 年初还在做最后一次 GAN scale up 尝试并 release 了一个模型。结论是"跟 diffusion 比确实在某些方面没那么好，但比前几年的技术还是进步不少"——致命问题是计算量的利用效率太低，因为 diffusion 可以迭代很多次，而视频生成的内容实在太多。但他强调对抗训练本身（两个模型互相博弈迭代）抛开 GAN 不谈，之后应该还是会有用途（[00:05:11]–[00:06:13]）。
  • 为什么从视觉转向机器人（2024 年的决定）：他对计算机视觉过去十几年的产业价值给了一个相当冷的评价——第一波是人脸识别，第二波是特斯拉带火的纯视觉自动驾驶，"除此之外好像还没有看到哪一个视觉应用被大规模用起来、有比较强的产业价值"。结论："视觉在数字世界用武之地不够；但在物理世界，离开视觉机器人肯定没办法工作。"（[00:08:17]–[00:09:19]）

为什么是子公司而不是研究院

  • 他 2024 年在蚂蚁技术研究院 propose 要做具身，恰逢集团决定成立灵波。理由说得很直白："如果还是把它当做研究机构的形式去做，很有可能做一做就脱离了这个行业；或者说，研究员认为的先进技术跟行业需要的先进技术是会有 gap 的。" 所以"既然要干，就变成一个真实的业务来干"（[00:11:22]–[00:12:23]）。
  • 集团层面的逻辑：蚂蚁做了非常多数字世界的生活服务（金融、医疗、出行），"数字世界的服务如果想再往前延伸，肯定是要往物理世界迁移"（[00:10:19]）。
  • 他把自己经历的三种组织做了对照：字节（产品公司，用 AI 赋能既有产品）→ 蚂蚁研究院（研究驱动，但"研究到底什么是好的研究、发了论文拿了引用是不是就成功"让他很迷茫）→ 灵波（两者结合）。"因为机器人技术还没有收敛，作为技术人在这个时候，哪怕是探索一条不正确的路也是一种贡献。"（[00:12:23]–[00:14:24]）
  • 刚成立时的感受："感觉自己还是太天真了——想做跟真的开始做完全不一样。可能当时对视觉、对模型会懂一点，但真的说把一个模型用到机器人上、怎么部署、怎么调里面的通信，有太多太多技术栈超出了我本来的认知。"（[00:14:24]–[00:15:26]）

战略：只做大脑，且"通用"要多加一层

  • 不做本体的理由："你很难说有一款机器人真的适合所有任务"——哪怕进了家庭，每个家对机器人的需求也不一样。类比手机"也不是一个固定品牌"（[00:16:27]–[00:17:28]）。
  • 但他对"通用"给了一个比行业更严的定义：大家讲的通用通常停在跨任务、跨场景，灵波把硬件也算进去——"通用应该就是多一层，你本体上也要通用"。所以预训练时就混入不同本体的数据，"希望大脑在预训练过程中就经历过这些本体、了解它们的特性"（[00:26:44]–[00:27:44]）。
  • 同时他保留了一个重要的限定："本体跟场景是没办法完全解耦的——什么样的本体适合什么样的场景，从产品定义最开始就已经决定了。"（[00:27:44]）
  • 2025 年 9 月外滩大会的炒菜 demo 反而坚定了这个战略："发现了很多软硬件上的问题……如果没有一个比较好用的大脑，比如上一次是炒菜，我们想再拓展一个场景，复制成本实在是太高了。"（[00:24:44]–[00:25:44]）

三个大赌，按年份排

2025 年的赌注一：一定要从视频里学。 2025 年 3 月做的决定，"那个时候其实还没有所谓的 WAM 这个技术路线，还没有'世界动作模型'这个概念出来"。关键在于不是把视频抽帧当图像看，而是真的让它学会时序的东西。经历约 9 个月，2026 年初开源（[00:19:30]–[00:20:33]）。

2025 年的赌注二：从真实传感器出发（空间智能）。 动机来自一次落地打脸：他们最初直接拿数字世界的算法和 CV 模型往机器人上用，结果发现——

"学术界有一个大家心照不宣的点，就是数据集都是比较干净的……但机器人毕竟要在真实世界中跑，就会发现传感器的噪声其实是完全没有办法忽略的。这个东西跟你能拿到很干净的数据是天然相悖的。"（[00:23:40]）

2026 年的赌注三：具身原生——把视觉部分全部从头重训。 这是本期的核心。触发点是 1.0 之后的一个诊断：

"很多时候数字世界的模型的开发的初衷，跟物理世界的需求是不匹配的。但你这个时候又没办法 push 他们去改，因为数字世界有自己的一套逻辑、有自己的迭代节奏。比如从视频生成的角度，他会希望生成的画质特别高——这是数字世界的需求；但其实物理世界落实到机器人动作来看，这个东西没有那么重要。"（[00:20:33]–[00:21:35]） - 所以："既然不能 push 他们去改，我们就全部基于物理世界的需求重做一遍。从头来训。" - 重要边界：LLM 仍然沿用。理由有两条——训练成本太高，且"数字世界跟物理世界在语言层面其实区别不大"（"只是说物理世界可能更多靠语音交流，数字世界就打字"）。从头重做的只是视觉相关的一切（[00:21:35]–[00:22:35]）。

六个模型与三个技术突破

模型 作用 相对 1.0 的变化
Vision（灵波视觉基模）⚠️ 纯视觉的几何原生预训练 新增，替代原先作为 Depth 预训练的 DINOv2
Depth 从视觉感知到空间感知（图像→三维） 换基模 + 数据翻几倍后重训
VLA 真正在场景里干活的主流技术路线 构型 9 → 20+，自由度扩到头/腰/底盘/灵巧手
Video 视频生成 原生 MoE 架构
World 世界模型 从头单向（causal）训练
VA 2.0 具身原生基模（三项技术合流） 每个参数从完全随机初始化开始训

⚠️ 视觉基模的名字在转录中出现"维忍/Variant"等多种拼写，很可能是 "Lingbo Vision"，未能确证。

① 语义理解 ≠ 空间感知（本期最好的一段说明） - 1.0 的 Depth 基于 DINOv2，而 DINOv2 是数字世界模型，擅长语义级理解——"知道这是一盆花、这是一只狗，这可能就够了"。但语义级理解跟真的理解空间、理解距离，并不天然吻合（[00:40:55]–[00:41:58]）。 - 2.0 重做预训练，完全从几何出发——"你可以粗浅地理解成点线面，我们是从边缘出发让模型更好地理解几何这个概念"（[00:41:58]–[00:42:59]）。 - 两个例子极有说服力： - 反光的厨房水龙头：水打开后新 Depth 能清晰看到水流及其位置。"这对机器人执行任务很关键——假如说要去接水，你必须先能看到水流在哪里。"之前的模型知道水是开的，但距离不准（[00:42:59]–[00:44:00]）。 - 玻璃门后的猫（他自己最爱举的例子）：阳台有玻璃门、门外有一只猫，新 Depth 模型完全看不到那只猫——因为人往前走会先撞到玻璃。把玻璃门拉开，猫就在深度图里逐渐从门后浮现。而从语义理解的角度，那只猫一直都在。 > "你能看到但你摸不到——能看到是语意理解，摸不到是空间感知。"（[00:44:00]–[00:45:00]） - 关键推论："看得更清楚这件事本身是不需要语言的，是纯视觉原生的预训练。"（[00:46:00]）

② 落地暴露出的自由度 gap（VLA 2.0 的由来） - 实验室 demo 的隐含假设：所有操作都在桌面上、固定高度、机器人站着不动，"甚至有些展示出来的东西不一定是个人形，可能只有两条手臂"（[00:30:46]–[00:31:46]）。 - 真实场景不是这样：去架子上拿东西要抬手；抬手时头部相机可能看不到手，甚至抬了头也看不到——那模型能不能控制抬头？头部相机失效时能不能只靠腕部相机？从下面拿东西要弯腰；够不到要移动底盘。 - 1.0 的预训练只支持手臂自由度和夹爪，没有头、没有其他任何东西，9 种构型，桌面简单抓取。2.0 升到 20 多种构型，自由度扩展到带头、带腰、带底盘、甚至带灵巧手。 - 他把这件事定位为"抓两头"方法论的产物：一头牵引智能上限，一头抓落地；而落地告诉我们，模型迭代有那么多方向，到底哪个最重要（[00:32:46]）。

③ 视觉压缩器要对齐语义和动作 - 数字世界的视觉压缩（编码器）"就是单纯把 100 兆的东西变成 30 兆让它更好学"，这个压缩过程本身对后面的学习没有任何帮助。 - 灵波在训压缩器时加入了语义和动作的对齐，让编码过程本身就能感知语义信息和动作信息，后续生成学习才能更好地理解语义与动作（[00:49:05]–[00:50:08]）。

④ MoE：能力问题，不是态度问题 - 现在常用的视频生成模型（他点名万相）是 dense 的——14B 模型推理时激活就是 14B。"你哪怕后面的加速工作做得再好，模型本身激活上没有加速，能加速的比例其实是固定的"（[00:51:09]–[00:52:13]）。 - 但把 MoE 训明白很难，核心是让专家被等概率激活："一共 30 个参数，每次都激活那 10 个，剩下 20 个基本不被激活，这跟 10 个参数的 dense 模型就没区别了。"手段包括 loss function 的选择、sampling 策略、加正则（[00:53:14]–[00:56:16]）。 - "光训 MoE 想训明白，可能就花了两个月，失败了几十次。" 而且"失败不是训到后面才失败，训一训就会发现跟你想要的不一样、有些参数激活不均匀"。

"把 MoE 训好是一个能力问题，它不是一个态度问题——不是说我想让它少激活点就少激活点。"（[00:55:16]）

⑤ 单向 attention：不能靠改造，只能从头训 - 物理世界的两个新需求，都源于实时：数字世界文生视频"用户可以等 10 秒、20 秒、30 秒，等整个视频一起生成完"；机器人在执行过程中没办法等（[00:50:08]–[00:52:13]）。 - 因此必须单向建模——"历史看不到未来，未来可以看到历史，时间是单向流逝"。而数字世界的生成模型基本都是双向的，因为"你中间的连接越多计算就越大，计算越大效果就越好"，且它同时知道开头和结局。 - 他们试过"先训双向再改单向"，并明确判定此路不通：

"单向这个事情是跑通了，但是预训练模型里学到的一些知识——比如对文字的理解——其实是隐含在双向 attention 里面的，那些 knowledge 有些就遗忘了，相当于预训练作废了。直观表现就是：之前你可以跟他说 100 句话、每一句都能转成一个比较好的视频，现在可能只有百分之二三十能，他已经不理解你说的是什么。"（[00:57:16]–[00:58:17]） - 所以从最开始设计就是单向的，这件事花了三四个月。 - 可以舍弃的是画质："物理世界你生成的东西有点马赛克没关系——因为我们还有摄像头，你生成的不高，但你能看到。"配了一个很好的类比：不同生物能看到的清晰度不一样，但它们都可以在地球上生活（[00:52:13]–[00:53:14]）。

数据：本期最实的一段

  • 规模：基于一个 3B 左右的模型；1.0 是 2 万小时，2.0 是 6 万小时。但口径变严了——"经过第一版发布之后把很多数据重新清洗了一下，第一次那 2 万小时落到这一次可能就剩 1 万多了"，所以实际是约 4 倍增长（[00:32:46]–[00:33:47]）。
  • 来源：真机 + EGO（人戴头部相机采集）。
  • 仿真数据只用于评测，不用于训练。理由不是数量而是分布："仿真数据量可以做得很大，这毋庸置疑，但分布会相对同质化严重一点，它做的是差不多类似的任务。"尤其柔性仿真（比如撕开一个塑料袋）"物理引擎还需要点时间迭代升级"（[00:33:47]–[00:35:49]）。
  • 真机数据采集成本过去两年至少降了 3 倍不止——人员管理逐渐成熟、机器逐渐成熟、需求变多，"相当于数据也在量产，量产一定会降本"（[00:35:49]）。
  • 两个 know-how：
  • 下发什么任务是最难的："你不能说这个数据里 90% 都没用到头、只有 10% 用到了头……如果头部自由度出现的比例跟腰部差距特别多，模型就会更倾向于学头、不太会动腰。"（[00:36:52]–[00:37:53]）
  • 清洗难在跨本体："每家本体的特性都不一样——相机摆放位置不一样、关节自由度的连接方式不一样……不是说每家本体都可以用一种数据链路就完全处理掉。"（[00:37:53]）
  • 一个反直觉的观察：操作越简单的任务通用性越好。因为复杂任务依赖操作员能力，"能把这个任务完整或者丝滑做下来的数采员就比较少"；而一条不丝滑的数据是没法修的（成本巨高），"可能会导致学出来的模型以为这是一种正确的操作方式——最后模型控机器人的时候，那个机器人也非常卡"（[00:38:55]）。
  • 真机强化已在落地环节内部使用（人在旁边看着，判断它犯错了，在合适的时间打断并给一个正确的示范），但没有体现在开源的技术报告里（[00:39:55]–[00:40:55]）。
  • 数采是自有 + 生态伙伴（数据厂、本体厂）混合；难任务保留自采能力，"至少我们先把 SOP 弄清楚，我们的人先做一遍，然后再去沟通给别人"（[00:38:55]–[00:39:55]）。

成果：随机性与后训练效率

  • 最让他惊讶的 demo 是和人对打桌上球类（[00:59:17]–[01:03:21]）。它综合了几件事：
  • 强随机性——"你永远也不知道对面人打过来那个东西会在哪"，不是把位置都摆好；
  • 只依赖机器人自己的相机——"没有在场地周围再放一圈相机让相机去追踪位置。完全是跟人一样，我就一双眼睛"；
  • 回合非常快——"你如果动一下卡一下，其实是打不回去的"；
  • 而且预训练之后，为这个任务只采了 20 条数据。"以前可能采多少数据都不一定能做成。"
  • 整理桌面也能处理干扰：你把已收进去的东西再拿出来随便摆，它还会收进去；你帮它收了，它就不收了（[01:03:21]–[01:04:22]）。
  • 他对这个进步的归因很明确：不是加了更多数据，而是整个模型的预训练不一样了。
  • 泛化性的分层判断（很克制）：
  • 位置泛化"应该现在可以说是解得会好一些了"；
  • 任务泛化（什么也不做，直接给一个从来没见过的新任务就能做）"现在还没太做好"——原因是"机器人的数据还是不够多，你见过的任务还是不够多，没办法通过见过的任务排列组合变成一个你没见过的任务"（[01:04:22]–[01:05:22]）。
  • 后训练效率的两个具体提升（[01:06:27]–[01:07:29]）：
  • 1.0 评测时每个任务要单独训一个模型（100 个任务就要训 100 个模型）；2.0 可以把 10 个任务放一起训、用一个模型解决。
  • 后训练所需数据量从约 100 条降到约 20 条。但他不夸大："还是没办法做到一条甚至更少，那个可能要随着基模能力再进一步提升。"

具身还没到 GPT-1 时刻，卡点是数据

  • "今天我还是觉得没有到这个阶段——因为现在还没有看到一个比较好的能够做数据 scale up 的方式。" 哪怕这次用了 6 万小时，"坦白讲跟上一次比还没有数量级的提升，而且这些数据远远不够"（[01:07:29]–[01:08:30]）。
  • 本期最可验证的一组数字：
  • 目前具身真机数据与互联网数据相差约两个数量级（他们的具身原生预训练仍然用了大量互联网数据）；
  • 理想状态是百万小时起步——那时"具身的数据跟互联网数据相对平衡一点，让他既能学到通用知识，又能学到操作相关的知识"；
  • 在百万小时之前，会先有一个十万小时规模、完全拿来做具身原生预训练的数据（[01:08:30]、[01:21:44]–[01:22:46]）。
  • 但他认为追赶会更快："当年大家能有个万卡集群就觉得很了不起了；现在美国很多公司做语言模型基本都是十万卡。整个基建上来之后模型开发效率也会更快——从机器人的 GPT-1 到机器人的 ChatGPT，不一定需要当年那么长时间。"（[01:08:30]–[01:09:31]）
  • 不及预期的恰恰是数据：因为在大家真正步入具身原生之前，"没有一个推动力说让你马上一定要拿到这么些数据"——虽然行业公认数据关键且需要很大量（[01:20:44]–[01:22:46]）。
  • 下一步就是数据原生："架构原生再往前走一步做到数据原生……任务的泛化性严重地吃数据。"而 Ego 数据提出了一个好的 scale up 方式，但还只是一个理念——"只有头部相机拍下来的数据到底能不能用？对之后灵巧手的精细化动作有没有帮助？这些还是未知的。理念要被打磨成一个具体的产品，才能部署下去"（[01:29:53]–[01:30:54]）。
  • 他把最终矛盾归结成一个平衡："可被模型使用"和"可规模化"本身就是一对矛盾——"模型肯定希望质量越高越好、模态越多越好；但你的需求越高，我越不能规模化。在质量和数量之间怎么取平衡、模型哪些东西是可以舍弃的，这个现在还没有太定义清楚。这件事一旦定义清楚，后面的事情就会加速。"（[01:30:54]–[01:31:55]）

具身智能是 LLM 的支线，还是独立学科

  • 他先说"不能完全说是哪一派"，然后明确：如果硬要选一个，选后者（独立）（[01:16:34]–[01:17:38]）。
  • 论证："语言模型更多的是让具身听懂指令是什么；但具身智能更多需要解决的是怎么把一件事情做好——而做好本身是不需要再理解语言的。"
  • 一个很锋利的反事实："如果不是语言，你假如说一共就一万个任务，把这一万个任务编成固定的编码给它，可能也行——只是它没办法在任务维度再泛化了。语言模型解决的是需求泛化的问题，但这明显不是现在这个阶段具身智能的核心卡点。"
  • 结论："具身会继续拿大语言模型当一个比较好的入口，然后它会成长出自己的模型，它们两个中间可能只是一个交互的层面。"
  • 大脑 vs 小脑的边界（他给的定义很清晰）：灵波解决的是意图的实现，不是意图的来源——"你有个想法他帮你做了，但他不会产生自己的想法，不会主动帮你去想你要做什么"。更高一层的智能（早上起床帮你拉开窗帘，看到外面下雨就知道给你拿把伞）"需要很多思考，那一部分是语言模型、多模态模型要解决的，其实跟数字世界更相关"（[01:00:18]–[01:01:21]）。

中美对照（本库核心）

  • 对 Generalist 的评价：数据量比灵波大得多，公开消息约几十万小时，"现在可能都不知道是不是有百万了"；数据管线更成熟，更早动到 pretrain（[01:12:32]）。
  • Generalist vs Physical Intelligence 的路线差：
  • Generalist 接受后训练，强调高效后训练；π 更强调 zero-shot，希望不要后训练（"我什么都会"）。
  • 张小珺问"听起来 Generalist 更实用"，他答"殊途同归"：机器人真进家庭，你既希望它进去之后 80–90% 的活自己就能干（zero-shot），也希望剩下 10–20% 你教一下它就会（in-context learning）——"这两个能力都必须具备，其实不那么冲突"（[01:13:32]–[01:14:34]）。
  • 数据路线上：Generalist 对 UMI 那条数据理解更深、玩得更好；PI 在真机遥操上做得比较扎实。往后随着 ego-centric 数据兴起 + 灵巧手提上日程（夹爪不能满足更精细的操作），两条数据路线都会变化——"合久必分分久必合，可能他们也会慢慢走向同一条路"（[01:14:34]–[01:15:34]）。
  • 但技术本身没有可借鉴的：因为灵波认定必须从视频生成路线里学知识，而"能够把视频生成做到原生的，目前还没有看到"（[01:12:32]–[01:13:32]）。
  • 中国的结构性优势——本期最重要的一条判断：

    "我之前一直讲，（互联网数据）是互联网红利的一个变现，是从互联网那个时代积累下来的。但具身相比互联网来说，具身的数据可能是一个空窗期——现在大家都是一样的。所以在收数据上中国有优势，我觉得这是一个非常非常大的优势……至少在数据这方面，我觉得中国一定是比美国跑得快。"（[01:19:43]–[01:20:44]）

  • 落到行动上：他们建了一个"数据联盟"，和数据厂、本体厂等伙伴一起定标准——"因为数据所有的规模化东西一定要有标准"。
  • 硬件侧的补充："如果我们在中国没有应用到中国本土的硬件优势的话，会比较可惜。"
  • 行业节奏观察：硬件端量产已跑通（他点名的两家在转录中为"语速/智源"，⚠️ 很可能是宇树与智元，未能确证），灵巧手公司层出不穷、"可能会渐渐变成标配"，触觉传感器越来越多；落地端"去年 7 月还更多是在收 demo；今年反而 demo 提得少了，都在提进场景了"——"24 年在倒咖啡，25 年在叠衣服，一年有一个新动作"。他还提到有公司展示物流分拣（转录为"飞格"，⚠️ 很可能是 Figure）（[01:18:41]–[01:20:44]）。

格局判断与产业观察

  • 最终格局跟大模型差不多：大厂一两家 + 创业公司两三家，每家跑出各自的生态（数据生态、本体生态、场景生态），"你的场景加本体会给你那个生态里面的数据，模型就会慢慢分化得更适合那个生态"——可能有的模型适合精巧任务、有的适合长程任务，"各有特色、几家鼎立"。灵波定位是"背靠大厂的创业公司"（[01:10:31]–[01:11:32]）。
  • 为什么 2026 年大家纷纷只做大脑不做本体（他给了三条）：
  • 本体很难通用——不通用就得选准场景，可"现在大家也不太敢说哪个场景一定会跑得非常好"；而本体是为场景专门设计的（有强化有减配），"不可能拿一个六边形战士去做某一个具体任务，那样很多东西是超配的，成本一定上升"；
  • 本体有量产门槛；
  • "从现在行业来看，大脑可能目前是落后于本体的。"（[01:23:47]–[01:25:47]）
  • 大脑与本体交替上升（很有预测价值的一条）：现在大脑落后本体，但做大脑的人越来越多、智能层会跑得更快，某天会超过本体——"那个时候可能会有一批新的、由智能重新定义的本体公司；可能不再从大家之前理解的一些参数去看本体了，很多东西是为了更好方便模型控制去设计的"（[01:25:47]–[01:26:48]）。
  • 传感器指标应该由模型来定义：传统做传感器的取舍靠直觉（"触觉传感器当然精度要准"），"但有可能在 AI 这个时代，模型最需要的不一定是你精度要准，有可能是需要你反应够快——对实时性的要求可能比那个更高"。他承认"还没有到说模型可以定义它的时候"（[01:26:48]–[01:28:48]）。
  • 对人形构型没有执念："现在的核心卡点是智能不够，智能不够的核心卡点是数据不够。"足式还是轮式不是现在该争的——"它不管是足式还是轮式，进家庭我都不会让它进家庭的，那你都没办法做 user study。"（[01:41:07]–[01:42:07]）

创业感悟

  • "创业一定是赌出来的"（[01:32:57]–[01:33:58]）：

    "没有人知道哪一条路一定是成功的，然后资源又一定是有限的。所以在有限的资源下、路径不确定的情况下，就是要赌。如果大家都知道哪条路是成功的，那为什么是你成功？那大厂一定成功——这是百分之百的，有资源、更有人的地方一定会成功。但在路径未知的时候，如果犹豫不决，很有可能最后什么都做不出来。"

  • 三个大赌：传感器路线、不做本体、具身原生。其中具身原生"是一场豪赌"，失败的可能包括：思路错了；技术还不成熟（"你太早地进入也不行，可能再过两三年重新做这个事就成了"）；资源不够（"你本来只能做 100 块钱的事，非要做一个 200 块钱的事"）（[01:33:58]–[01:33:58]）。
  • 他力排众议坚持的正是具身原生："沿着数字世界那条路往后走就是行不通，我不想在他们的延长线上。" 并对结果保持克制："我不敢说它是一定被百分之百验证，但我觉得至少我们迈出了一步。"（[01:37:01]–[01:38:04]）
  • 第一次创业的两层收获："第一个第一次是'业'，第二个第一次是'创'。" 业的部分——以前更关注技术的领先性，现在关注"是不是有价值的领先"（[01:31:55]–[01:32:57]）。
  • 蚂蚁的管理：按创业公司方式管，业务与管理相对独立、基建共用；对不做本体"大家会有一些 debate"，但"集团对灵波有充分的信任和尊重，因为我们更贴近行业本身"（[01:35:00]–[01:36:01]）。
  • 最好的预期："真的看到机器人进家庭了，而进家庭的机器人跑的是灵波的模型。"最坏的预期："没做出来呗。"（[01:37:01]）

两处很小但值得记的

  • 对导师汤晓鸥的印象：幽默、同为东北人；"比较能快速地从一个乱序的混沌当中抓到一个主要矛盾"。例子是毕业答辩——别人问"你怎么做的"，汤问的是"这个东西到底应该怎么用"。沈的注解："上一代 AI 最大的痛点就是不好落地，没有一个很好的场景。"（[01:43:17]–[01:44:17]）
  • 传播的困难与后训练的难："具身智能不像大语言模型那么好传播，因为离大家生活实在太远了——我必须要有个机械臂，才能知道你这东西好不好用。"而他们开源的基本都是预训练，后训练本身是很难的事："不是说把数据采完扔进去、简单调整一下参数就结束了。效果不好，到底是没训好、还是数据没采好、还是模型就不好？怎么诊断问题，有了诊断之后怎么解——是一件很难很难的事情。"（[01:44:17]–[01:46:18]）
  • 希望机器人是什么性格？"我希望他是个 J 人……如果在提供情绪价值和干活之间，我会果断地选择干活。" 为什么不是情绪价值？"我可能觉得情绪价值应该由人来提供。"（[01:48:19]）推荐的人生之书是《笑傲江湖》——喜欢令狐冲那种豁达。

与本库其它观点的关系

  • 与 柯丽一鸣（Physical Intelligence） 构成本库最完整的一组中美具身对照，而且是同一主播、相邻两期、话题重合度极高，可逐条对读。沈宇军还直接点评了 PI 与 Generalist 的路线差（zero-shot vs 高效后训练），并判定"殊途同归"。
  • "具身原生"是本库对"物理 AI 不是数字 AI 的延长线"这个命题的最强中方论证，与同日 Applied Intuition 的"实时钟即护城河" 是同一洞察的两个独立版本：一个从架构（单向 attention、MoE、可舍弃画质）说，一个从部署约束（毫秒预算、onboard 小模型）说。两者都指向"数字世界的模型不能直接搬"。见 物理 AI 与机器人。
  • "语义理解 ≠ 空间感知"（玻璃门后的猫）与 Mark Cuban 的吸管杯测试（同日）说的是同一件事的两个侧面：Cuban 说 AI 不懂物理因果，沈宇军给出了一个可被工程化的版本——把它变成深度图上的一个可验证行为。补入 LLM 心理学与认知短板。
  • "中国在具身数据上有非常非常大的优势，因为具身数据是空窗期"是本库 中美 AI 生态对照 的一条新论证：此前中方优势的论证多集中在开源、工程速度、供应链；这条给出的是数据积累的时间窗口结构性差异——互联网数据是美方的存量红利，具身数据大家都从零开始。
  • "仿真数据只用于评测不用于训练"与 Applied Intuition"五年前就建合成数据团队、深信合成数据能加速自动驾驶"直接冲突，是一处值得长期跟踪的分歧；沈的理由（分布同质化、柔性物理引擎不够）是可证伪的。
  • "从头训 MoE 花了两个月、失败几十次"、"双向改单向会让预训练作废"是本库 LLM 训练管线 里少见的训练失败模式一手记录，与 朱邦华、vLLM Omni 团队 的 infra 视角互补。
  • "具身还没到 GPT-1 时刻，差两个数量级数据"给 评估与 Benchmark 和 LLM 训练管线 提供了一个明确的、可打卡的量化判据（十万小时 → 百万小时）。
  • "大脑与本体交替上升，未来会出现由智能重新定义的本体公司"与 何小鹏的整机厂视角 构成中方产业内部的两个位置；"传感器指标应由模型定义"则与 Reiner Pope 的自底向上芯片设计、阳萌的存算一体 同属"AI 反向定义硬件"一族。
  • "创业一定是赌出来的：如果那条路一定成功，大厂一定成功" 是本库 AI 实验室文化与组织 里"make bets"这条的中方创业版本，与 姚顺宇"英雄主义已过去" 的取向恰成对照。

事实性断言与预测（可验证）

  • 灵波 2.0 基于约 3B 的模型；训练数据 6 万小时（1.0 是 2 万小时，但按 2.0 的严格管线重洗后只剩 1 万多小时，实际约 4 倍增长）（断言，[00:32:46]–[00:33:47]）。
  • 构型从 9 种 → 20 多种；自由度从纯双臂扩到头、腰、底盘、灵巧手（断言，[00:32:46]）。
  • 后训练数据量从每任务约 100 条 → 约 20 条；从"每任务一个模型"到"10 个任务一个模型"（断言，[01:06:27]–[01:07:29]）。
  • 桌上球类对打 demo：预训练之后只采了 20 条数据，只用机器人自身相机（断言，[01:11:32]–[01:12:32]）。
  • 真机数据采集成本过去两年至少降了 3 倍以上（断言，[00:35:49]）。
  • 目前具身真机数据与互联网数据相差约两个数量级（断言，[01:08:30]）。
  • 具身的 GPT-1 时刻需要百万小时级数据，中途会先有十万小时规模（预测，[01:08:30]、[01:21:44]–[01:22:46]）。
  • Generalist 的公开数据量约几十万小时，"可能已经有百万了"（断言/推测，[01:11:32]）。
  • 训 MoE 用了两个月、失败几十次；把双向 attention 改单向会导致预训练知识遗忘（好视频比例从 100% 掉到 20–30%）（断言，[00:55:16]、[00:57:16]–[00:58:17]）。
  • 最终格局：大厂一两家 + 创业公司两三家（预测，[01:10:31]–[01:11:32]）。
  • 中国在具身数据采集上跑得比美国快（预测/判断，[01:19:43]–[01:20:44]）。
  • 灵波不用仿真数据做训练，只用于评测（断言，[00:34:47]–[00:35:49]）。