开场0:00
有一天晚上的一个晚宴上面 ， 做了一个 survey， 问在场的可能 100 多个研究人员 。 Astra 对大家的这个影响 ， 一派就是认为语言模型 solve everything， 就是 Robotics is over； 还有一派就认为通用模型永远解决不了我们今天物理学研究的很多问题 。
我会把 Astra 的这个研究或者影响分成三层 ： 那我认为可能最让大家觉得 mind-blowing，其实是第三层的方法 ， 就是把 Astra 想象成一个真正的 Robotics 研究员的工作 。
它可以通过工具调用能力 ， 它直接在 Blender 里面搭出这个仿真环境 ， 直接生成相应的这些物体 ， 或者说这个物体相关的这种属性 ， 然后自己去调试 ， 或者说修改这个运动控制的策略 。
也就是在物理世界里面 ，AI 可以自己去训练 AI。
也是在 9 月份 ，有一些传闻 ， 说这个 Kimi 制服都要做 Robotics， 包括之前梁文锋自己其实也提到说 AGI 下一步肯定是要做物理 AGI 的 。
我觉得这个趋势已经非常明显了 ， 所有力逐于解决 AI 的公司 ， 都有能力跟意愿去解决部分的物理 AI 的问题 。
所以我认为可能在未来一段时间 ， 所有的头部的大模型公司 ， 应该都会有相应的动作 。
没有见到神迹的人就是不会信的 。
欢迎收听 《 晚点聊 》， 我是曼祺 。 本期是我们 2026 年 Q3 的具身季报 ， 嘉宾依然是 Alphaist 的创始合伙人陈哲 ，Peter。
这一季度有一个明显的变化 ， 就是 GPT-6 Astra 在 9 月发布之后， 给物理 AI 和 Robotics 领域带来的影响与冲击 。其实之前在机器人系统里 ， 本身也会用到大语言模型去做高层的语义理解和任务拆解 ，而这一次 ，Astra 的冲击是它可以作为一个策略模型 ， 直接输出机器人末端的位姿 。
简单说 ， 就是它做了之前应该由 VLA 等物理 AI 模型完成的工作的一部分 ，而且做得还很不错 。 这就引发了一个灵魂拷问 ：GPT、Fable 之类的通用模型 ，是否会吃掉 Robotics？
一个已经发生的事实是 ，OpenAI、Anthropic、DeepSeek、Kimi 等多数通用前沿模型公司 ， 都正在酝酿进入 Robotics， 把它当作 AGI 的一个子问题 。 这一切是如何发生的 ？
谁会面临挑战 ？ 谁有可能获得新的机会 ？ 我们正式进入本期节目吧 。
本期的嘉宾依然是我们的老朋友 ，Alphaist 的创始合伙人 Peter。Peter， 你可以和我们的听友简单打个招呼 。
嗯 ， 大家好 ， 我是 Alphaist 的 Peter。
刚刚过去的三季度有非常多的变化 ， 然后正好 Peter 你是刚去了一趟美国和欧洲 ， 你也和具身领域的从业者有了最新一轮的交流 。
我们可以在本期中来展开你的一些新的观察 。 然后按照惯例的话 ， 我们这次节目依然是从这个季度五件最重要的进展和事件开始 。Peter， 你可以简单跟大家讲讲 Q3 你看到的最重要的事件和进展的 Top 5，以及你为什么选这几个 ， 就它们为什么比较重要 。
嗯 ， 我觉得在过去一个季度 ，其实具身领域的发展跟变化是非常大的 。 我觉得最重要的事情是 GPT-6 Astra 的这个发布 ， 然后大家看到了一个通用智能在进入这个具身智能或者说物理智能的这种能力跟潜力 。
我觉得这个可能是整个季度发生最大的一次变化 。 第二个事项呢 ，是李飞飞的这个 World Labs 跟这个 AMD 达成了一个收购的协议 ，也相当于把最近一两年流行的这个 Neo Lab 的这个概念 ， 第一次抛在了这个台面 ，而且是一次非常高额的一次收购跟并购 。
那么这个可能对未来我们观察很多事件模型或者具身模型公司的这个出路 ，也有相关的这个影响 。
嗯 ，82 亿美元 。
然后第三件事情呢 ， 国内大家非常关注的是宇树机器人的上市 ，以及它带来对行业整个价值的这个重构 。
然后第四件事情 ， 我觉得其实整个 Q3 有非常多的具身模型方面的进展 ， 几个头部的公司国内国外都有非常多新的模型的发布 。
那我觉得这里面可能最典型的 ，是以这个 Generalist 发布的这个 GEN-1.5 和 Scale AI 发布的 S1 为代表 ， 它们新的模型都有比较强的 in-context-learning 的能力 ， 这也引来了国内国外公司的新的一波的讨论跟研究 。
最后一件事情 ， 我觉得有影响的是美国的 FCC 在 7 月底的时候宣布了对部分境外生产的先进机器人有一个新的授权限制 。
那么这个可能会影响到中美的硬件研发 、 供应链的这个发展等一系列后续的问题 。
那我们接下来就依次来展开 。 第一件事 ， 大事 ， 可能就是 GPT-6 Astra 发布之后， 对具身领域 、 对 Robotics 领域的一些冲击和影响 。
我觉得比较有意思的是 ，因为中间我们也会一直沟通嘛 ，其实之前像 GEN-1.5 发布 ， 然后有很多不同的模型发布 ， 包括 DYNA 2 等等 ， 看到的还是这个领域的一些公司的发布 。
结果到了 9 月 ，其实这个季度的最后一个月 ， 然后 Astra 横空出世 ， 大家发现其实它在 Robotics 领域是有很多潜力的 。
这个也是和之前一般印象是不一样的 ，因为每一次大语言模型的发布 ， 它之前的下游任务更多还是偏虚拟世界的一些东西 ， 包括编程 ， 然后操作软件 、 操作浏览器 ，以及最近很火的这个个人 Agent， 它其实也还是 Browser Use 和 Computer Use 的进展带来的变化 。
但这次它是进入了物理世界 ， 就是你可以讲讲为什么会有这么大的一个变化 ， 然后是发生在现在这个时间 ？
Astra 冲击5:44
嗯 ，其实 Astra 发布过后， 这个带来的一个巨大的冲击 ，是因为传统上讲 ， 大家觉得语言模型是缺乏特别好的空间和物理的理解能力的 。
因为这个原因 ， 我们需要有专门训练的这个物理 AI 的模型和物理 AI 的这个策略 。 但是 Astra 的发布让大家看到了 ，其实一个通用语言模型是可以拥有非常好的这个空间 、 推理和这种执行的能力 。
如果我总结这次去美国跟前沿的实验室同学交流的一个感受 ， 我可以总结成一句话 ： 以 OpenAI 为代表的前沿实验室 ，他们对于 Physical AI 的态度是通过先解决 AGI， 然后再把 Physical AI 当作一个子问题来解决 。
我觉得这个可能是在范式或者说研究思路上一个重大的转变 。 然后我们在 Astra 里面也看到了一些初步的端倪 。
因为二季度我们其实聊了 5 月的时候 ，OpenAI 是正式的在招 Robotics team 的人， 然后 Anthropic 其实那会儿我们也聊到说他们也会去做这个方面的探索 。
你刚说这种思路 ， 就是把大语言模型用到物理世界 ，以及说先解决 AGI， 然后把 Robotics 当作一个子问题 ， 它大概是在什么时间点开始出现的 ？
嗯 ，其实这个时间点我认为可以追溯到 25 年初 ，Gemini Robotics 发布它的最早的这个版本的模型开始 。 如果大家还记得 ，Google 在发布 Gemini Robotics 的时候 ，其实一上来就发布了两个版本 ， 一个是通用的 VLA 的版本 ， 还有另外一个是一个上层的 ， 就空间推理的一个版本 ， 叫 Robotics ER。
当时其实大家也很奇怪 ， 为什么在发布一个 VLA 的基础上， 它还会推出一个 ER 的版本 。 实际上今天通过 Astra 最近的进展 ， 大家可以理解为什么在可能一年多以前 ，Google 其实就看到这样一个趋势 ， 就是在复杂的空间的理解跟推理上面 ， 一个通用的语言模型其实是有非常强的能力 。
更经典的是今年 7 月份的时候 ，Anthropic 做了一个研究 ， 然后这里面也用了他们最新的这个语言模型 Opus 来调用机器人的一些接口 ， 然后通过调用机器人接口的方式 ， 实现了以前需要用具身模型单独才能实现的这个能力 。
所以语言模型进入物理世界是先从工具调用 ，也就是一种新的形态的 Computer Use 或者说 Tool Use 的角度来切入的 。
所以比较有意思的是 ，25 年初 Google 发这两个模型的时候 ， 可以说行业里应该是更关注 VLA 的 ， 就在那个时间点 ， 对吧 ？
相比于 ER 的那个模型 。
或者我们这么来理解 ， 就是让一个机器人真正在开放的环境里面进行通用的任务 ，其实它还是分为好几步的 。
它的上层肯定是对任务的理解跟这个推理 、 拆解 ， 然后下层才是把这个任务更好地执行 ， 或者说长程地执行下去 。
然后可能更底层还有一些关于电机 、 关于这个控制器 、 物理层的这种操作 。其实过去一年， 我们在 VLA 或者 World Action Model 上面很多的尝试 ，是在运动模型这个层面 。
也就是说 ， 如果我们有了一个清晰的指令 ， 比如说你想拿一个盘子 ， 或者说你想拿一个茶杯 ， 那么这个指令怎么转换成电机相应的这个扭矩 ， 或者说电机的这个输出 。
而实际上今天 Astra 或者说 Gemini Robotics ER， 它们解决的是更上层的一个问题 ，是如果我有一个复杂的意图 ， 我怎么去拆解这个意图 ，以及我把这个意图拆解过后， 我怎么调用底层的机器人的工具去实现我的目的 。
我们看到的就是最开始 GPT-6 Astra 发出来的这些工作 ， 它其实是通过多模态的这个输出 ， 它输出了夹爪和机械手臂对应的位姿 。
所以它还是输出到动作这一层 ？
没有 ， 它是 Astra 生成的是末端执行器最终的位姿 ， 通过一个逆动力学的模块 ， 然后把这样一个末端的位姿转换成电机的控制信号 。
而 VLA 是可以直接输出电机的位姿 ？
对 ， 我们惯常讨论的 VLA 或者 World Action Model， 指的具体是说 ， 它的输出信号应该是一串连续的电机控制信号 。其实就是这种分层的思路之前就有啊 ， 就是比如说你上面有一个大语言模型 ， 它其实是做一些任务意图理解和拆解的 ， 然后下面再用就是具身的模型去做细致的操作和动作 。
那这次大家会觉得它变化很不一样的地方 ，是因为大语言模型做的层变多了什么 ？ 或者说这一次大语言模型不只是给出了任务的拆解 ， 它其实给出了末端执行器应该到达的位姿 。
嗯 ， 就是到了这一层 。
到这一层 。
它多做了一部分 ， 相当于 。
对 ，而这一步以前也认为是具身模型应该做的事情 。 如果我们想一想 ， 具身的模型到底在做什么事情 ， 就当你给它一个任务的时候 ， 你应该引导你的夹爪或者说灵巧手 、 手臂到达一个相应的位姿 ， 然后执行相应的操作动作 ，也包括各种接触 、 各种插拔 ， 就物理接触的任务 。
整个任务的完成是以前 VLA 和 World Action Model 在验证的地方 ，也是被大家认为非常难做 ， 需要有大量的这个空间和物理尝试的地方 。
现在 Astra 相当于把空间理解这个部分很好地解决了 ， 同时通过输出这个末端执行器位姿的方法 ， 已经告诉了下层的模型应该去怎么执行 。其实 OpenAI 自己发 GPT-6 的时候 ， 它官方博客里面并没有就是写 Robotics 可以是它的一个下游应用 。
后来社区里这些研究者是怎么发现的 ？ 就是怎么大家都开始去试这个方向 ？ 其实就是因为 7 月份这个 Claude 发布的那篇论文 ， 就是 Claude Plays Robotics 那篇工作里面 。
就它已经是输出到位姿的 ？
对 ，在那个研究里面 ， 它就是输出到了末端关节器的位姿 ， 然后通过一个这个反向动力学的这个模块去求解 。
这条管线呢 ， 开源社区在 7 月份的时候已经很好地实现了 。 所以当这个 Astra 发布的时候呢 ， 开源社区可能用了一两天的时间就适配好了 ， 就把同样的实验在 Astra 上面复现 ， 结果发现它的成功率和准确率相比 Claude 大大地提高 。
Anthropic 的那篇文章我们到时候也可以放到 show notes 里面 ， 它是 7 月中旬发的 。 它那里面其实不光是用了自己的模型 ， 它试了很多别的大语言模型 ， 包括 GPT-5.4、GPT-5.1， 还有 Kimi K2.6， 还有 Claude 3.6， 它都去直接试了 。
所以这个时间线就是 7 月中旬的时候有了 Anthropic 的那篇文章 《Claude Plays Robotics》， 然后就社区里就有人按照那个文章写的那种思路 ， 它就搞了一个可以测很多模型的方式 ， 然后等 GPT-6 Astra 发了之后， 就把这个模型也加进去了 ， 发现它的成功率有很大的提升 。
对 ，是显著的提升 。
你这次去欧美就见的这些研究者 ， 作为从业者 ，他们是在什么时间点感受到这个趋势的 ？ 比如说可能我们很多人是在 GPT-6 发了之后， 对吧 ？
我觉得挺有意思的这个事情 。 那我去欧美的感受是 ， 真正非常关注 GPT 或者通用模型的人， 看到这个信息可能会非常地兴奋 。
对于很多传统机器人学或者长期沉浸在远离通用模型或者远离 GPT 的环境里面的人， 可能对这个东西的冲击不是特别明显 。
策略模型12:56
我举个例子 ， 我 9 月底 、10 月初的时候正好去匹兹堡参加今年的这个 IROS 2026 的这个会议 。 那么 IROS 是一个知名的机器人学的一个顶会 ，在过去几年， 整个物理 AI 和机器人领域其实是经历了天翻地覆的变化 。
但是对于一个传统的机器人学的顶会来讲的话 ，其实研究的很多问题还是传统的机器人学的问题 ， 比如说我们怎么去解决控制 、 怎么解决触觉 、 我们怎么做各种力的分析 。
虽然这里面已经引入了大量的深度学习 ， 或者引入了大量这种 Transformer 新的这种架构 ，但是你可以看到机器人学的学者们研究的还是一些经典的机器人问题 。
所以 9 月底在 IROS 上面 ， 这个反而不是一个很热门的话题是吗 ？
或者这是一个非常有争议的话题 。其实我们在有一天晚上的一个晚宴上面 ，CMU 的助理教授石关亚老师其实做了一个 survey，他的这个 survey 就是问在场的可能 100 多个研究人员 Astra 对大家的这个影响 。
那基本上他借用这个三体的这个概念啊 ， 就会分成很多流派的思想 。
降临派 ？ 什么派 ？
有 ， 对 ，有降临派 ，有这个拯救派 ，也有一些工具派认为这个 Astra 只是大家可以调用的工具 。 但是争议比较大的两派 ， 可能一派就是认为语言模型 solve everything， 就是 Robotics is over， 就是我们没有什么问题还特别值得研究 ， 如果通用模型可以不断地推进这个前沿 。
可能还有一个走中的派别是认为通用模型跟物理模型或者 Robotics 问题是两层分层的问题 ， 可以各自占据各自的生态位 。
那还有一派比较极端的是什么 ？
还有一派极端的是认为通用模型永远解决不了我们今天物理学研究的很多问题 。
他们比例大概是怎样的 ？
我觉得可能最务实的 、 最多的一群人是认为我们应该把大模型当作一个工具 ， 用来研究 Robotics 专用的问题 。
两种更极端的人的比例相对少一点 ，但是也有很多人支持 。
认为大语言模型会解决所有 "Robotics is over" 的人 ，在他就那个场合里啊 ，因为其实都是机器人领域的一些专家嘛 ， 大概能占多少 ？
可能有 1/3。
那也不少啊 ，也挺多的啊 。
对 ，其实到今天依然有人会认为大模型因为体量更大 、 速度更慢 ， 天然不适合需要实时响应的这种问题 。
但我们从计算机发展的历史来看 ， 历史上我们觉得非常大算力的这些计算 ， 如果我们找到对的方法 ， 我们总有办法进行优化 ， 你也很难跟持续迭代的摩尔定律去抗衡 。
所以以这个算力或者速度作为一个瓶颈而否定大模型这条路线的人， 我觉得长期可能都会失望 。
那在硅谷的一些比较知名的 Robotics 公司 ， 比如说像 Generalist、Sunday、Della， 这些公司它属于你刚才说的比较接触大语言模型的人， 还是比较沉浸在机器人学自己的一些问题里的 ？
它们属于哪一类 ？
我觉得 Astra 出来过后 ，其实换一个角度来讨论这个问题 ， 就是有一派比较极端的人认为整个 Physical AI 模型的这个叙事已经坍塌 ， 或者说它的这种价值假设不复存在 。
为什么是这个逻辑呢 ？ 如果我们看 Pi 和 Generalist 等一系列具身模型公司 ， 它们在没有营收 、 没有商业闭环的基础上获得了非常高的一个估值 。
很重要的一个假设是 ， 大家 claim Physical AI 是一个大于 Digital AI 的一个事情 。 如果 Physical AI 是一个大于等于 Digital AI 的事情 ， 那么我们今天的这些公司的状态可能就是 15、16 年早期的 OpenAI。
这也是支撑它在行业非常早期的时候就获得了百亿美金估值的一个基础 。 但是 Astra 的出现 ，其实一定程度上在告诉大家 ，其实通用模型是一个更恐怖的存在 ， 物理 AI 可能只是通用模型的一个子集 。
如果这个假设成立的话 ， 那么很多物理 AI 公司的整个估值体系 ， 或者说价值链的分布 ， 可能会得到打破 。
所以这对很多创业公司来说 ， 整体是个坏消息是吗 ？ 就如果你相信大语言模型能做更多的话 。
但是物理 AI 到来的时间 ， 可能也因为通用模型的进展而大大加强了 ， 整个市场的存量可能也被放大了 。
所以不一定对于每个创业公司来说都是一个不好的事情 。
那我们可以展开来讲讲 ， 就是 Astra 发布之后大家做的一些具体的实验 ， 就因为这个里面能看到一些具体的表现 ， 一些具体的数字 ， 你觉得有什么比较好玩的一些研究和发现吗 ？
IROS 争论17:42
我会把 Astra 的这个研究或者影响分成三层 ，而且这三层就对刚才我们提到的产业的意义可能是不一样的 。
那么第一层就是最直接的 ， 我们在 RoboDojo 上面看到的 ， 就是用 Astra 直接来做这个策略 。
你可以稍微解释一下 RoboDojo 是个什么东西 ？ 就大家是怎么来用这个东西来测的 ？
RoboDojo 是一个开源的这个具身的这种任务的一个测试集 ， 然后这些新型的这些具身模型都是在这样一个测试集上面去做一些这种常见任务的这种验证 。
那就 RoboDojo 它是一个在仿真环境里测 ， 还是线下实际测 ？ 就是它具体是怎么测的 ？
它们在仿真环境和线下场景都有对应的这个测试的一个案例 。 一个新的这个 policy 接入这个系统过后， 它会有一些这种预设的任务和重复的这种实验 ， 然后可以在它的一个标准集上面去测试一些这种任务的这种成功率 。
它主要是测一些短的任务还是都有啊 ？ 有比如说抓 、 放这种短的任务 ，也有比较复杂的长程任务 。
其实是都有的 ， 它是一个组合 。 当然这种测试集并不一定真正能反映真实世界里面特别真实的这种场景跟需求 ，但是它作为一个 proxy， 它也可以反映出每代模型相关的能力 。
因为事实上其实今天的最 sorted 的这个 Physical AI 的模型 ，其实解决这些测试的完成度也不是特别高 。Astra 出来的几层影响的 ， 第一层就是直接拿这个语言模型去做策略 。
就是你刚说的直接生成到位姿 。
直接生成到位姿 ， 然后反向生成这个关节的这个动作 ， 这是第一层 。 我认为可能第二层跟第三层是更有意思的是 ， 第二层呢 ， 它让语言模型作为一个现有的动作模型的监督者或者是纠偏者 。
什么意思呢 ？ 就是运动的执行还是通过一个 VLA 模型去执行 ，但是 Astra 作为一个更智能的大脑或者是监督者 ， 它去检查或者说校正 VLA 的这个输出的这个结果跟质量 。
最近其实正好看到一个银河通用的一个案例 ， 就是用了这种混合控制的这种方法 。 那么它所选了 10 个 RoboDojo 的任务 ， 那么在这些任务里面呢 ， 如果是 Astra 直接去控制 ， 它的成功率可能是 26%。
但是如果是通过 Astra 去控制一个 Pi 0.5 的模型去输出 ， 那它的成功率会显著地提高到 48%。 也就是说 Astra 作为一个更聪明的控制器 ， 它在监督 Pi 0.5 生成的动作 ， 它把这里面不合理的 、 它认为有问题的 、 不容易成功的这种动作进行了调整或者说修正 ， 这样可以带来更高的这个最终的结果 。
我认为这是第二类的这个使用的方法 。
那第二类使用方法至少在目前它肯定是更慢的 ， 对吧 ？
对 ， 所有今天的这些方法其实都没有在速度方面进行太多的优化 ， 更多的是 。
优化成功率 。
对 ， 或者从能力上讲 ， 到底就是通用模型能力边界在什么地方 。 那我认为可能最让大家觉得 mindblowing 其实是第三层的方法 ， 就是把 Astra 想象成一个真正的 Robotics 研究员的工作 。
它可以通过今天比较强的这个工具调用能力 ， 它直接在 Blender 里面搭出这个仿真环境 ， 它可以直接生成相应的这些物体 ， 或者说这个物体相关的这种属性 ， 然后自己去调试或者说修改这个运动控制的策略 。
那这样子的话 ， 它相当于可以独立地把整个策略的这个建模 、 训练和优化的过程独立完成 。 这也是我们所谓 RSI 的这个概念 ，也就是在物理世界里面 AI 可以自己去训练 AI。
我觉得第三件事情可能是整个讨论里面最让人头皮发麻 ， 或者是觉得最有颠覆性的一个地方 。
第三件事是有什么具体机构做了什么具体的研究和测试吗 ？
我们已经看到有非常多的早期的尝试已经开始在做这方面的工作了 。 有些公司在做所谓的这个 real to seem to real 的这种尝试 ， 就是利用大模型很好的这个理解能力 ， 先完成这个物理世界的这种虚拟化 ， 然后在一个仿真环境里面 ， 它在自己的去跟像 MuJoCo 这样的仿真去调试它生成的这个资产 ， 然后再把仿真界面学到的这个 policy 部署到这个硬件上面去 。
所以我觉得 Q4 会讨论这个事情 ， 或者说这个应该是 Q4 应该要期待的一个事情 。Physical RSI 肯定会来 ，因为而 Physical RSI 的到来可能是对之前的这种研究范式一个重大的补充或者是一个改进 。
因为你前面聊的就第三种用法 ， 我现在听下来都还是在仿真环境里的 。 它们有去试 ， 就是我在仿真环境里做一些事 ， 我如果迁移到实际上是什么效果吗 ？
我觉得有一些早期的尝试 ，但是没有特别显著的工作 ，因为大量的资源并没有投到这种事情上面去 。 因为之前的公司还在做 VLA 那条路 ， 对吧 ？World Actual Model 这条路 。
所以在很多创业公司里面 ， 这个东西现在是作为一个 。
这是一个最新的融资概念 。
OK， 这个融资概念就叫 Physical RSI 是吧 ？
对 。
对 ， 然后你刚说第一种用法就是直接让它去生成位姿 ， 这个倒是有挺多开源社区的一些公开的研究 ， 我们待会也会贴一些在 show notes 里 。
有一个是我们之前 AI 季报里也聊到的 ， 那个文章是叫 《An Unexpected Robot Policy》， 它也是直接在 RoboDojo 里测的 ， 然后就对比了很多模型 ， 包括 GPT-6 这种大语言模型 ，也包括之前开源的像 Pi 0.5 就是具身领域的一些模型 。
反正它测下来的结果就是 Astra 它甚至比之前一些比较 top 的具身领域的模型 ， 它的成功率更高 。 然后另外就是 RoboCurve， 这其实是最早就是把 Astra 用到具身领域的一个也是一个创业公司 ， 然后他们也会发一些自己的研究 。他们是在 9 月的时候做了 Astra 和一个另一个开源的具身模型 MolmoAct 2 的一个对比 ， 它也是生成到就是位姿的 。
对 ， 我觉得这是可能就最你刚说的第一种啊 ， 就比较直观的就是它直接能做以前做不了的事 ， 就它能生成一个位姿 ， 然后看起来它直接变成了一个策略模型 。
我觉得是之前当我们讨论 VLA， 包括 World Actual Model 的时候 ， 我们其实是希望这些动作模型既兼具空间的这种理解 、 任务的理解 ，也具备很强的机器人控制和执行的能力 。
这也是为什么我们看到的很多这些 benchmark， 它们既包含一些精准的这种操作执行任务 ， 它也包含一些比较复杂的 、 比较长序的这种任务的这种测试 。
我大概看了一下网上很多讨论的 Astra 测试的这种情况 ，其实是 Astra 在一些需要推理能力和这种空间理解能力上的任务的能力是显著比 VLA 强的 。
这个是我正好想问的 ， 就是它哪些地方比较擅长 ， 哪些地方可能不太擅长 。 你刚说空间推理能力 。
空间推理能力 ，以及泛化能力 。
泛化能力 ， 泛化能力就是比如说它没见过的 。
泛化能力 ， 比如说之前如果大家还记得 ， 我们在讨论 VLA 的时候 ，有人讨论说我们把一个物体的颜色发生了变化 。
对 ， 举个绿杯子 ， 举个红杯子的 。
或者位姿发生变化 ， 它就完全蒙蔽了 。 那本质上是因为 VLA 模型里面对于泛化性的理解还是比较弱的 ，而通用模型在这方面是因为它模型的体量和训练的方法是远远超过 VLA 模型的 。
那它不擅长的是什么 ？
它不擅长一些对物理的精度 ， 或者是对物理的执行有要求的一些环境 ， 比如说需要拔插一个非常精细的一个纽扣 。
因为这些动作在很多 VLA 模型里面是有专门的遥操作和后训练的储备的 ，有大量类似的这种开关 ， 或者说有一定这种有一定摩擦 ， 或者是有一些形变的这种动作 ，VLA 是专门遥操了很多后训练的数据 ，而这些数据可能在语言模型里面是比较稀缺的 。
那这个表现看起来是比较支持你前面说的有一类 ， 就是会就是大语言模型和物理的模型分层使用的那一派的观点的论据 。
我觉得长期来看是有可能分层的 ， 支持分层最大的原因倒不是大模型永远不可能做到我们今天看到物理模型可以做的事情 ，而是因为未来通用机器人真正的部署 ， 大概率还是需要在本机上面有一个实时的高速的模型本地计算 ， 就跟我们今天看 Robotaxi 或者自动驾驶汽车一样 ，有一些低频的 ，有一些低频的决策计算可以在网上去做 ， 可以接受一两秒的延时 ，但
是大量的本地计算应该是由本地的算力 、 本地的模型去执行的 。 所以不是说 VLA 模型的位姿完全没有了 ，而是它的价值链 ， 或者说这些公司的价值主张可能会被消亡 ，以及未来的 GPT 可能蒸馏出一个端侧的模型 ， 然后直接部署在这个设备上面 。
也就是说 VLA 模型的位姿可能依然存在 ，但是不是这群独立的 VLA 公司去交付了 。
三种用法26:54
有可能是一个做通用模型的公司 ， 它就把这事干了 。 你觉得 GPT-6 的在空间智能上这种能力 ， 它是来自于什么呀 ？
是这样子 ，其实 GPT-6 这次体现出了我觉得三个特别强的能力是 ， 第一个就是特别强的这个空间的这个理解能力 ， 第二个是对于复杂任务的这个推理逻辑能力 ， 然后第三个是对于已经抽象过的机器人接口的调用能力 ，也就是我们所谓的 coding 能力 。
所以这三个能力实际上是过去相当长一段时间通用模型都在快速提升的地方 。
那分开来说的话 ， 它的空间能力的提升是来自于什么呀 ？ 是来自于特殊的数据 ， 还是一些什么训练方法还是怎样 ？
应该都是数据 。 我听说到的消息是 ，他们可能在 5 月份的时候就雇用了非常多的这个 Blender 的这个 artist， 做了大量的这个建模轨迹和这个数据的标注 。
这也是为什么在 Astra 里面这个 Blender 生成的能力可以得到这样的突飞猛进 。 这种 Blender 生成的能力其实也是体现在他们对空间的这个理解 ， 或者我们站在一个更高的维度来看 ， 如果 OpenAI 的目标就是要做 AGI， 那么对它来说所有模态的数据都是需要被学习和吸入的 。
那么无论是 3D 的素材 ， 无论是视频 、 音频 、 文本 ， 包括机器人这些控制数据 ， 我觉得在今天这个大的这个通用模型的架构里面 ， 没有什么数据是不能被学习和接入的 。
而且我觉得通用模型公司的这种组织方式 ， 它干这件事就特别合适 。 比如说它雇很多人来做 3D 建模 ， 一个是它这个用 Blender 软件的能力变强之后， 也是一个很好的传播点 ，而且它也确实有它实际的用处 ， 比如它可以生成很多就是 3D 的素材和视频 ， 它都是有用的 。
对 ， 它对 Robotics 它也有用 。 对 ，而且这个可能很贵啊 ， 我估计就可能你一般公司你想这么干也没有这个资源 。
你知道他们成本大概多少吗 ？
这个成本肯定不便宜 ，但是通用模型最好的好处是它的成本可以被多个任务去摊薄 。 我相信这里面还不光是数据的这个 scaling， 我们也看到了在语言模型里面是有非常好的大规模强化学习的这个能力 ， 通过搭建一些专用的这种测试环境 ，其实 Blender 是一个很容易验证这个结果的一种测量的一种环境 。
除了这个数据之外， 还有什么别的数据吗 ？ 因为之前有一个讨论 ， 就是讨论说在 GPT-6 的预训练里面是否用了具身的一些数据 ， 比如说一些 egocentric 的数据 。
我没有明确的信息 confirm 这一点 ，但是我听到的所有的消息指向是他们肯定是用了 ， 或者说我们站在 scaling law 的角度 ，他们没有理由不用 。
反正有一个消息是比较确定的 ， 就是从供应链的消息来说 ， 它肯定是买了很多这一类数据的 。
或者这么说 ， 就是如果他们买了很多数据 ，他们肯定是有大量的实验在进行 。 这也是一个通用智能公司有优势的地方 ， 就是它在算力 、 在 inference 上面的领先优势 ， 相比于具身公司还是有非常大的这个优势的 。
因为我们知道可能中国乃至于全球可能最领先的这种具身模型用到的 GPU 的数量可能就是千级的水平 ， 这个相比于可能十万甚至百万级的这个头部通用模型公司的这种算力水平 ， 还是差了可能两到三个量级 。
因为这个问题它涉及到另一些公司接下来可能的发展 ， 就是一些专门做具身数据的公司 。
对 ， 或者换句话说 ， 这些做具身数据公司可能今天最大的潜在客户是通用 AI 公司 。
因为有一种观点会认为说 ， 如果它用各种非常泛的视频数据 ， 它就能得到比较好的空间理解能力的话 ， 那其实对做专门的具身数据的公司是一个利空的影响 。
那如果另一方面它其实也还是需要挺多就是专门的具身数据的话 ， 那就是一个好的影响 。
我觉得做数据的公司谁有预算我们服务谁 。 我觉得之所以大家会采集 egocentric 数据 ， 就是因为这种可能第一视角或者说真人操作的数据在物理世界里面供给并不是特别的充盈 ， 所以我们需要人工去采集这个东西 。
但是一旦这些东西采集到足够的量 ， 被通用模型学习过后， 那可能可以跟其他类型的数据可以交叉去增强它的能力 。
那你的这个意思就是说 ，他们去供给这一类数据的时间可能也就这么几年， 或者说等那通用模型学的差不多之后， 可能就不太需要这类数据 。
我觉得所有的数据生意都是阶段性的 。 你看从 Scale AI 早年提供的这种数据标注 、 人脸识别 、 自动驾驶 ， 到后面语言模型 ，其实一个数据服务公司的数据的模态永远是随着模型能力提高而变化的 。
你总要提供一些今天 AI 还不能解决的问题的数据 。 当这些问题被 AI 学习过后， 那我们就需要更加复杂或者更高精度的数据 。
所以这是刚说第一个能力 ， 就是它的空间理解能力 ， 可能来自它有一些特定的数据 。 第二个你说的是它的逻辑推理能力 ， 这个反正是大语言模型一直在加强的能力 。
推理还是语言非常擅长的一个任务 。 而 VLA 或者 World Actual Model， 它为了优化动作的生成 ，其实更多的退化成了一个直觉模型 。
当你有一个指令或者当一个图像出现的时候 ， 它可以直接映射或者生成成一段这个动作的序列 。 但是为什么是这么做 ，以及除了这种直觉反应过后， 背后还有没有一些更深层的这种推理跟逻辑 ， 那可能这就不是 VLA 和 World Actual Model 擅长的了 。
这是第二个能力 。 第三个能力你说是 GPT-6、Astra， 它对各种机器人的抽象的接口的调用更好了 。
对 ， 这里面是 。
这个要怎么实现啊 ？
这里面其实有两个事情 ， 就是我们在做这个机器人这些研究或者说机器人控制的时候 ， 第一个是我们经常用到像各种仿真器 ， 像 Isaac Gym 或者是这个 MuJoCo 这样的仿真器 ， 那么这些软件都是有清晰的软件接口的 。
我怎么去使用 ， 我怎么去构筑一个场景 ，以及怎么从这种场景里面获得数据的反馈 。 我们目前发现大模型对这种接口的解读和执行能力是非常强的 ， 所以完全不亚于一个专业的这个研究员 。
它这其实就是 coding 能力的一部分 。
是 coding 能力一部分 ， 或者说对于 AI 来说 ， 我调用一个 MuJoCo 跟我调用一个浏览器 、 调用 Excel 原理上是一样的 。
我把物理世界的这种机器人也把它当做一个程序来控制 ， 它有明确的 input 跟 output，有逻辑的关系 ， 那大模型又能够理解这种逻辑 ， 所以我没有理由我不能去调用 。
而且更有意思的是 ， 我们看到一些尝试 ， 大模型可以去 program 一个 MuJoCo， 然后它会去观察 MuJoCo 输出的这个仿真的结果 ， 然后去调整它在真机上面的这种策略 。
这些早期的尝试在 9 月底已经开始出现了 ， 我期待可能下个季度会有更多 。
我觉得今天有一个很有意思的转折 ， 就是一季度的季报 ， 我们当时着重讨论的 top 5 之一就是 WAM， 世界动作模型 。
然后世界动作模型它作为一个策略模型 ， 它和 VLA 的一个区别就是它的 backbone 不是 VLAM 了 ， 就是它里面其实是把语言这个中间输出层给拿掉了 ， 它是一个视频生成模型做它的 backbone。
然后现在 GPT-6、Astra 出来之后， 你会发现大语言模型好像它又给人一次惊喜 。 虽然我这是比较外行的视角 ， 就是感觉好像是之前 VLA 的时候其实中间是有一层 language 的部分 ， 然后到 WAM 好像是有一种去语言化的趋势 。
然后你知道这个 GPT-6 它其实还是一个大的范畴上来说它是个大语言模型 。其实对于很多从事 VLA 研究的研究人员来讲 ，VLA 其实更像一个 VA 模型 ，因为语言在 VLA 里面其实是一个弱化的角色 ， 它可能更多的是用于对于场景的描述跟 prompting， 语言在里面并不是一个关键的这个推理或者说思考的环节 。
这也是为什么我们前两个季度的访谈里面 ， 我们诟病 VLA 可以看作一种更高级的 behavior cloning， 它更像一种看到一个图片就生成一串动作的本能反应或者直觉反应 。
那么 WAM 在 VLA 的基础上， 首先它还是一个动作模型 ， 它的目的是一种输出动作为核心 ，但是呢 ， 绝大部分 WAM 是以视频生成模型作为 backbone，而视频生成模型训练的基础是大量通用的这个视频数据 ，而大量的通用的数据里面是有更好的物理世界的这种理解和物理规律的总结的 。
也就是说 WAM 天然的在泛化性程度上是比 VLA 是有巨大提升的 ，但是它依然跳不开它是一个动作模型的本质 。
也就是说在视频生成为核心的这个 diffusion model 里面 ，其实是没有太多这个逻辑推理 ， 它就是一个生成器 ， 它不是一个理解器 。
我觉得它这个发展有一个可能跟有些人的直觉不一样的地方 ， 就比如说人类作为一种高级智能动物 ， 确实在人类还不是很高级的时候 ， 好像运动操作能力就已经具备了 。
如果我们看很多低级的动物 ， 比如说一些昆虫或者是一些简单的动物 ， 它在有非常少的这个神经元的这个水平上， 就已经完成一些本能性的动作 ，但是它是缺乏一些复杂的推理 、 复杂的这种问题的拆解的能力的 。
而这些能力是随着神经元的增加 、 随着脑容量的增加 ， 它的智能程度逐渐得到涌现的 。 可能这也进一步的体现了 scaling law 的强大和影响力 ， 就是我们今天主流的 VLA 和世界动作模型的参数量大概是在几十个 billion，但是主流的 language model 已经到几个 trillion， 甚至十个 trillion 以上的这个量级 。
这就是一个初级动物跟高级动物的一个区别 。 所以我觉得这一切的发生其实并不奇怪 ， 它只是打破了我们之前可能认为的单纯关注于 physical AI 模型的公司 ，有可能做出一个比 digital AI 更大的模型的这样一个假设 。
回到就你前面说的那几派啊 ， 你自己你会比较倾向于哪一派 ？
GPT-6、Astra 其实进一步证明了一点 ， 智能是一个通用问题 ， 通用模型是有可能先解决智能问题 ， 从而解决物理问题的 。
那在这样一个大的叙事下面 ， 未来的具身模型公司 ， 或者说世界模型公司 ， 可能会长期走向跟这种通用模型互补和合作这种关系 ，以及找到自己在物理世界独特的不能被替代的价值跟点 。
能力与出路37:37
你觉得接下来可能会带来什么变化呀 ？ 比如说国内的一些公司 ， 你觉得可能会怎么变化 ？ 其实也是在 9 月份有一些传闻 ， 说这个 Kimi 智谱都要做 Robotics， 包括之前梁文锋自己在流传出的投资会议里面 ，他其实也提到说 AGI 下一步肯定是要做物理 AGI 的 。
我觉得这个趋势已经非常明显了 ， 就像我说的 ， 这个物理智能是通用智能的一个子集 ， 所有立足于解决通用智能或者解决 AGI 的公司 ， 都有能力跟意愿去解决部分的物理 AI 的问题 。
所以我认为可能在未来一段时间 ， 所有的头部的大模型公司应该都会有相应的动作 。
你觉得中国公司也会是吗 ？ 因为他们的资源还是相对要收敛一些 。
但是 again， 你投入在物理空间理解的数据跟算力 ， 可能会在别的方向受益于你的模型的这个落地跟应用 ， 这是一个通用智能问题 。Q3 Astra 最大的启发 ， 就是我们真正要去理解和尊重 scaling law，以及我们真正要理解通用智能到底是一个什么样的含义 。
对 ， 据我所知 ，其实智谱是很久以前他们就其实采购了一些机械臂 ，但是那个时候可能更多是做一些技术探索 。
对 ， 我觉得可能在 Astra 出来之前 ， 都不会是各家特别重要的一个问题 。
所以 Astra 出来之后一个挺明显的影响 ， 就是国内这些大语言模型公司 ， 或者说技术模型的公司和团队 ， 包括一些巨头里的团队 ， 都会更严肃把 Robotics 作为一个问题和业务来做 。
如果我更理想化一点讲的话 ， 就是如果大家真的想解决 AGI 的问题 ， 比如说你想像 Astra 那样有非常好的空间理解能力 ， 对吧 ， 那你必然就会训练到很多相关的数据 ， 那你甚至可以说机器人能力是这种技术能力实现过后的一种自然的涌现 。
那这是大语言模型公司或者通用模型公司这一边 ， 然后另一边你刚才说你觉得就本身在做物理 AI 的公司要找到自己不能替代的点 ， 这个如果展开来说可能是什么 ？
可能一个不恰当的比喻就是 ， 我们在数字 AI 里面 ， 当这个底座模型极度发达的时候 ， 你作为一家 AI 的创业公司应该做什么 ？
这不就是现在 AI 创业公司苦恼的问题吗 ？
所以我觉得空间被挤压可能是注定会发生的事情 ，但是不代表这些公司真正的市场体量会很小 。 首先第一点吧 ， 我觉得大家可以停止争论这个技术路线到底是 VLA 更好还是 WAM 更好 。
我觉得在一个超级智能面前 ， 你的这种模型架构上这种优化其实是 insignificant 或者这种差异 ， 更多的是看我如果作为一个具身的创业公司 ， 到底有哪些能力是通用模型已经可以提供的 ， 哪些能力仍然需要自己去训练或者自己去获得 ，是通用模型永远没有机会的 。
首先把这个边界想清楚 ， 然后在这个基础上， 第一是做好对应的接口 。 我觉得未来一个季度一个很大的趋势就是通用模型作为一个调度器 ， 它会去充分的调用各种物理世界的各种接口和能力 ， 就把自己想象成一个可以被反复调用的这种工具 。
所以接口要做好 ，以及留住你自己真正属于你的闭环 ， 那有可能是触觉或者这个力学的信息 ，有可能是这个应用落地里面对于工艺具体的这个约束 ， 对于硬件设备的这种可靠性 ， 对于失败任务的这种恢复 ，以及持续积累的跟这个任务相关的这种统计 ， 或者说这种捕捉的这种数据 。
我觉得这里面就像我们做 AI 应用 ， 我们要在它垂直的领域或者相关的领域里面有数据闭环一样 ， 我觉得对于物理 AI 公司可能会更需要更加的关注这一点 。
那我听下来你说的这有可能是什么公司 ？ 首先它有可能是一种关键零部件的公司 ， 比如说它是做手或者做触觉传感器 ， 对 ， 或者它做硬件 ， 对吧 ， 这是一种 。
还有一种可能就是它在某一个具体的行业场景里 ， 它有这个场景的一些积累的公司 。
对 ， 可能在 to be 的领域里面更加的明显 ，在一些具体的工业或者说物流或者是行业里面 ， 它有一些行业相关的 know-how 或者说沉淀 ， 甚至有一些合规壁垒 。
比如说你如果类比 AI 时代像 Harvey、 像 OpenEvidence 这些在法律医疗领域出现的这种垂直 AI 公司 ，其实它是利用了他们在行业里面的一种准入门槛也好 ， 或者说数据合规的门槛也好 ，也构筑了一家百亿美金的公司 。
我认为在物理世界里面应该是有类似的位置 。
你觉得能到这么大吗 ？ 关键你不见得可能会比较大 ， 那垂直场景会有这么大吗 ？ 工业场景和物流场景本来就很分散 ， 这个描述里面通用物理 AI 的公司确实不是没什么空间 。
我有另外一个不恰当的比喻 ， 我们在思考这个 ， 比如说我们用自动驾驶或者说智能汽车这个产业做一个类比 ， 你会发现在智能汽车里面可能至少可以分成三层 ，有上层的这个主机厂 ，有中间的这种各种 tier one 和智能驾驶的这种方案公司 ，也有再下一层的核心零部件公司 ， 核心零部件可以是芯片 ， 可以是其他的这种关键组件 ， 雷达这些 ， 对 ， 然后你
会发现其实每家公司的这种博弈是不一样的 ， 明显的一个趋势是在中间的这种 tier one 或者说算法供应商 ， 它要么就朝下端走 ， 它去把这个芯片这个环节给做到 ， 要么它朝上走 ， 它去更加的影响这个主机厂 ，在主机厂的这个价值链里面去分到一杯羹 ， 比如说华为智驾这种方案 。
但本质上如果它只是停留在中间的话 ， 它会被两端挤压 ， 主机厂和底层的这种算力供应商都会挤压它 。
那么我觉得在具身可能会遇到类似的这种情况 ， 就是如果你是一个具身大脑公司 ， 你比起通用大脑又很小 ， 你在这个真正的部署上面 ， 你可能又受限于这个硬件或者执行器的这个定价力 ， 或者说这个规模效应 ， 那你在中间怎么找到你的价值闭环 ， 这个可能是很多公司要思考的问题 。
OK， 那我觉得听下来我也大概知道你可能在这个立场的什么位置了 ，其实你还是比较倾向于在大语言模型会吃掉更多 ， 就本身做物理 AI 的公司 ， 它可能就是空间会受一些挤压 ， 所以要有一些调整 。
对 ， 你说的是比例问题 ，但是可能从体量来讲的话 ， 我认为通用模型公司的进展其实是加速物理 AI 的落地 。
这会让这个领域可能会更快的到来 ，以及会更快的出现一些大体量的公司 。
对 ， 就像我们一直在说的 ，其实今天通用机器人的硬件基本上是 ready 的 ， 剩下不能解的问题其实都是真的问题 。
我们无论是通过 VLA 也好 ， 还是通用模型也好 ， 我们都是想解决那些最后一段没法解决的问题 。
前段时间我跟一个具身领域的创业者 ， 之前也是一家领先的这个自动驾驶公司的这个技术骨干 ，他跟我讲了一个事情 ，他说自动驾驶已经发展了十多年， 出现了非常多的 benchmark，在测试各种在自驾里面的这种 corner case， 比如说前面有一个坐着轮椅的老人在横穿马路 ， 或者是说前面有临时施工的这种交通锥 ， 然后汽车应该怎么反应 ， 然后他告诉我这些已经
被反复验证了十年的这种 benchmark， 今天在 Astra 面前都灰飞烟灭 。 就是这些我们认为认知上一个真人司机可能都容易犯错的问题 ，其实在 Astra 面前都是很简单的问题 。
就是直接打穿了 。
对 ， 那如果自动驾驶出现了这样的情况 ， 为什么在具身智能或者别的问题里面不会出现同样的情况呢 ？
World Labs 并购45:17
我觉得它还有一种出路 ， 可能就是被收购 ， 正好也来到了 ， 就是这个季度的 top 5 的第二个事件 ， 就是 World Labs 被 AMD 收购 ，但实际上这个收购还没有完成 ， 就他们是达成了这样一个意向 ，但后面还会有一些流程 。
对 ， 我觉得这个我为什么把它当做这个行业里面可能第二重要的事情 ， 就是因为他们是一个典型的 Neo Lab，也是一个典型的这个世界模型公司 ， 虽然它的世界模型可能跟我们讨论的这个运动模型有一点区别 ，但是它也是属于这种世界模型大的范畴 。
那么作为一个明星的团队 ，也获得了巨额的融资 ， 然后最后被大公司收购 ， 作为一种退出 ， 或者说是一个实现更大价值的一个途径 ，其实是得到了非常多的关注跟讨论的 。
你觉得这个消息突然吗 ？ 对这个领域的人来说 。
可能也没有那么突然 ，因为在美国很多这种独立的技术公司被这种超级大企业收购 ，也是一个非常常见的一个路径 。
而且在今天这些巨头公司就是激烈博弈的这个背景下面 ，其实有很多公司是对大公司来说是有一些特别强的这个战略价值跟战略的这个升位的 。
有可能很多公司在创业的时候 ，其实一开始也是冲着被大企业收购去规划的这个路径 ， 所以这个结果我觉得并不奇怪 。
World Labs 这个公司 ， 反正它的这个世界模型和 25 年底到 26 年上半年中国特别火的这个世界动作模型 ，其实它不完全是一回事 。
我觉得你可以先给大家讲讲 ， 就是它和具身和物理 AI 的关系大概是怎样 。
李飞飞在成立 World Lab 的时候 ， 她对 World Lab 的使命的定义 ，是做一个这个全模态的空间智能模型 。 具体来说 ， 她最擅长的能力就是她发布的这个 Atlas 这个模型 ，是做这种空间的重建和这个视角的这个再生成 ， 通过这种 3D 这个高速扩建的方法 ， 可以把不同模态的这个输入能够融合起来 ， 然后可以还原或者说生成一个这个三维的空间 。
她这个模型更多的是在场景的这个重建和视角的重建上面 。
那就是可以用来做游戏 ， 这肯定是一种 ， 就是他们自己说过的 。
或者做这个机器人训练的仿真环境 。
但实际上这件事情现在就 GPT-6 Astra 就可以做 。
我觉得精度是不一样的 ，其实我们可能更直观的是把 World Lab 当做一个更好的生成模型 ， 就有点像 Seedance，有点像这个 Kling 或者 H3 这样的模型 ， 只是它生成的这个对象是一个可以交互的 3D， 甚至是一个 4D 的空间 ，而不是一个 2D 的这个视频流 ，但它本身并不是一个带有语义理解或者说推理的一个思考模型 。
然后她在今年收购的也是李飞飞的这个以前的学生创办的那个叫 SceniX 那个公司 ，其实是做机器人的这种仿真验证 、 真机测试的这种这样一个公司 。
那这两个公司的结合 ，其实是让这个 World Lab 生成这个环境有一个更好的出口去做这种我们刚才说的这个 real to think to real 的这样一个闭环的工作 。
那其实就是你刚说的第三种使用 GPT-6 Astra 的方式 ， 这是其中一个环节 。
其中一个环节就是空间的这个构建 ，以及这些资产的构建 ，以及跟这些空间和资产相关的仿真工作里面需要的大量的这种工具流和这种数据流的这种实现 。
所以它跟我们就是平时讨论的具身智能公司 ， 或者说做机器人的公司的关系 ， 就是它是这一类公司的一种基础设施的服务商之一 。
对 ， 它跟 VLA 或者 World Actual Model 并不是一个竞争或者冲突的关系 。
它们是上下游的关系 。
甚至在 Astro 这种通用模型更加强大过后， 可能像 World Lab 这种专注于空间重建或者仿真环境搭建的公司 ， 可能会获得更大的价值 。
你觉得他们为什么选择这个时间点被收购 ？ 其实他们 2 月刚融了 10 亿美元 。 你可以想就双方的可能的诉求是什么吧 ？
肯定 AMD 也有它的诉求 ， 然后 World Labs 被收购可能也有它的诉求 。
我只能作为一个第三方来揣测这个事情 。 我觉得可能对于李飞飞 ， 对于 World Lab 来说 ，他们还是非常愿意去持续探索前沿的这个研究的边界 ，而在没有明确的这种商业模式跟业务模式的基础上， 做一个独立的研究实验室是需要消耗大量的算力跟资源的 。
所以正好 AMD 可以提供相应的这个能力跟这个算力 ， 我觉得这是它愿意被收购的一个原因 。 我觉得站在 AMD 的角度来讲的话 ，其实今天大家在讨论这个所谓的 AI 的头部公司的时候 ，是不包含 AMD 的 。
虽然英伟达无论是在 AI 还是在这个 Physical AI 都有非常大的这个贡献 ，也有一个知名的像 Gear Lab 这样的这种研究实验室 ，但是 AMD 实际上是缺乏相应的这个口碑跟资源的 。
如果站在一个更高层战略的角度 ， 如果 AMD 通过收购 World Labs 能够搭建一个跟这个头部公司类似的一个顶级的 Physical AI 相关的这种研究团队或者实验室 ， 那我觉得这笔收购对 AMD 来说就是一个很划算的交易 。
你觉得他们这笔 82 亿美元的交易对其他世界模型公司有多大参考意义 ？
我觉得 82 亿这个价格可能没有反映他们在业务上面的直接贡献 ，但是它体现了一个万亿市值的头部公司愿意为这个事情战略上付出的代价 。
我补充一下， 它这个都是用股票来交易的 ， 就它的现在的方案是这样 。
那就更好 ， 现金都不用花 。
对 ， 我就说其实对 AMD 来说应该不算一个特别大的成本 。其实同样的道理 ， 就是回到刚才我们讨论通用模型跟具身模型的这个此消彼长 ，其实行业里面一直有 rumor 说这个 Anthropic 有可能收购这个 Physical Intelligence。
我觉得可能 World Labs 对于这种交易起到了一个锚定的作用吧 。 传的还挺具体的 ， 什么估值 ， 什么收购的对价都传出来了 。
我觉得肯定会谈 ， 这种谈判应该会谈很长时间 。 我觉得不奇怪有这种讨论 ，但是有可能 World Lab 在提醒所有的 Neo Lab，有可能中短期来看最好的出路就是尽快找到一个大厂买身 ，因为你的价值有可能长期是很难独立实现的 ，而且对于大厂来说 ， 可能只有第一个购买的公司是具有价值的 。
你卖身肯定是有窗口期的嘛 。 是的 ，其实这个倒是有一个启发 ， 国内的公司可能也会有这样的一些组合 ， 比如说大语言模型公司和合作 Robotics 做具身的公司 。
这可能就说到中国这个资本市场的环境了 。 我觉得中国基本上没有相样的这种收购案例的发生 。 对 ， 所以这些公司怎么推出我其实不知道 ， 没有人愿意付这么高的价格 。
都觉得可以自己做 。
还有就都可以挖人。
不过具身的公司本身估值也比较高 ， 就估值这么高的情况下被收购的可能性就会降低 。
其实那天我看到一个头部具身公司的创业者的访谈 ，他其实提到一个很有意思的观点 ，他说他们公司现在已经融了 30 个亿的现金 ，但是也不会怎么花 ， 想法就是等着一两年， 等到这个泡沫破碎过后， 可以在市场上以极低的价格去收很多团队和公司 。
你觉得世界模型公司接下来是否会越来越难以长期独立存在 ？ 就是这个交易它会是一个标志性的信号吗 ？
还是它是个个例 ？
我觉得国内国外可能分开讨论 。 我觉得在美国的话 ， 相对来说它还是有比较深厚的这个资本市场去投资和支持一些特别长期的这种模型公司的独立存在的 ，以及哪怕他们尝试不成功 ，他们也往往能够谈到一个不错的收购的 offer， 这样导致其实美国的很多头部公司是很愿意在自己笃信的方向上面进行大额的投入的 。
就无论是像 Physical Intelligence， 像 Generis， 我们看到他们做的很多工作其实是非常有技术的这个独到性跟这个领先性的 。
对 ， 我觉得它的激励环境就会激励他们去有一个大的技术判断 ， 然后有一个差异化的技术实现 。
对 ， 然后资本市场奖励这样的行为 ，以及头部的这种大型企业 ，他们也愿意收购这样的资产 。 我觉得这个可能是一个比较良性的循环 。
我觉得国内这些公司它低优化的目标可能还是要在这个复杂的环境之中它要独立生存 ， 这可能确实两边会有区别 ， 可能这个对海外市场是一个信号 。
所以可能中国的世界模型公司会更早的追求落地跟商业化的闭环 。
在进入宇树的讨论之前 ， 想就补充一下你这次去美国 ， 包括你去欧洲参加 IROS， 还有什么有意思的一些交流和新的观察 ？
可以是和前面两个话题相关的 ，也可以是一些其他的 。
我见到的人见过 OpenAI 在做什么的 ， 和没有见过的人的思维是完全不一样的 ， 这是有断代差别的 。
你肯定这次也见了 Frontier Lab 自己的人， 你觉得他们的想法会和其他人有什么不一样的地方吗 ？
就他们在解决通用智能问题 ， 别的都是子问题 。他们公司里 Robotics 团队的人也都是这么想的 ， 都是有这个共识的 。
我觉得这是整个公司大的共识 ， 没有见到神迹的人就是不会信的 。
你觉得哪些人算是见到神迹的 ？
我举个例子 ，24 年初的时候特斯拉发布这个 V12 端到端的这个模型的时候 ，他们已经见到在自动驾驶的这个 Scaling Law 和端到端的这个实现了 ，但实际上国内当时很多公司还没有办法复现这样的结果 。在 24 年中的时候 ， 一度在国内的这种自驾的领域里面会有一股声音说这个特斯拉放的是这个烟雾弹 ， 特斯拉在误导这个市场 ，因为大家端了端熏了
半天没有熏出来 ， 一定是骗人的 。 可能当你真正解决过这个问题 ， 你对这个问题的视角就会完全不一样 。
另一方面你这一次见到的 Frontier Labs 的一些人， 或者说他比较相信就是这个大语言模型在这方面的能力的人， 你觉得他们可能会有什么盲区吗 ？
我有个 Frontier Lab 的朋友 ，他也很谦逊的一直跟我说 ， 可能我不要被他的观点跟想法误导 ，因为他是站在他们有巨大的这个数据量和巨大的算力的这个基础上做出这样一个推导 ， 可能这个推导对绝大部分创业公司并不成立 。
所以就是这个路径它难以复制 ， 这可能是其中一个点 ， 对大部分别的公司来说 。
对 。
那就和比如说你说理想 ， 包括中国当时的其他公司去学特斯拉就还不一样 ， 就可能大家的资源体量差的太多了 。
对 ， 自动驾驶的模型还好 ， 就是中国的公司能够拿出一年四五十亿人民币去训练的公司还是有的 ，也可以训练出一个不错的端到端的模型 。
但是在具身领域 ， 如果它是一个通用智能的一个子问题 ， 这就是完全不同的这个 scale 了 。
那看来只能寄托梁老板他们去挑战一下了 。
我觉得梁老板他们会做的 。
宇树 IPO56:24
好 ， 那下面我们进入第三个话题 ， 就是宇树的 IPO 和连锁反应 。 我觉得这个是很多人都非常有实感的一个话题 ，因为宇树在上市之后， 它的股价是有一个大幅的下跌 ，但是相比它的发行价依然还是上涨了很多的 。
我记得我们在上个季度预测这个宇树股价的时候 ， 我记得我提的这个数字是 1,100， 我觉得它应该是一个 1,100 亿的公司 ， 我认为这可能是一个比较合理的一个目标 。
那现在还高了 700 亿了 ， 现在还有 1,700 多亿 。 它发行的市值倒没有那么高 ， 它发行的市值是 600 多亿 。
我觉得无论是 600 亿还是 1,000 亿 ， 这也是我觉得从业务的这个基本面 ， 从它的这个行业的地位 ， 我觉得是可以推导出一个比较合理的一个目标吧 。
至于这个股票的大涨大跌 ， 我们也知道这个就是上市流通的新股里面是有非常多这个炒作的这个诉求的 ， 我觉得并不能反映公司的长期的这个价值 。
它上市当天开盘冲到 4,400 多亿的时候 ， 你当时是一个什么判断 ？ 没什么感觉 。
我觉得没什么感觉 。
你也不觉得这是个坏事是吗 ？
就是有太多的这个可能短期的资本 ， 无论是个人还是机构 ，在这中间起到了推波助澜的作用 。 作为一个长期的这个风险投资 ， 我们还是关注真正公司可能解禁以后， 它的这些长期的这些机构投资人对公司价值的这个判断 。
那就是明年 8 月的时候 ， 科创板是明年 8 月解禁 。
对 ， 那就再等一年的时间 。
我们之前聊的时候 ， 你都一直认为宇树是这个领域非常好 ， 非常 solid 的一家公司 ， 现在这个判断有变化吗 ？
我觉得这判断肯定是增强了 。在 Astro 横空出世过后 ，其实让大家看到了通用智能的这种加速和通用智能的这个能力 ，其实是进一步加强了一个 solid 的本体公司或者硬件公司的价值 。
宇树从业绩来讲一直是一个非常稳健 ，也是有这个全球领导力的一家公司 。
然后这个季度它上市前也是发了 2026 年上半年的财报 ， 这里面有什么值得注意的指标和信息吗 ？
整体上我的印象是上半年的这个收入同比增长还是在 50% 左右 。
对 ， 所以 48%。
48%。 而且人形机器人的出货占比应该是大幅增加 ， 相比于去年也体现了公司主营业务的这个变化和它在人形机器人市场的这个领先力 。
我注意到它的销售费用应该是有明显的一个上浮 ， 应该也是受到这个 26 年春晚这个营销的这个投入 。
对 ， 春晚那笔应该就挺大的 ， 销售费用 1.64 亿 ， 春晚可能就大几千万吧 。
但我觉得还好 ， 从整个公司的经营质量来讲 ， 应该也是国内具身领域首屈一指的公司了 。其实在你之前那个逻辑里面 ， 就是像 GPT-6 Astra 这种进展 ， 它加速这个领域发展 ， 就是做硬件本体的公司其实是利好的 。
对 ，而且它更有可能坐成像英伟达这样的位置 ， 就是 OpenAI 再发达 ，其实英伟达也是受益的 ，并不会因为 OpenAI 很强 ， 英伟达就被削弱 。
相反 ， 英伟达的需求是得到了极大的放大 ， 然后英伟达也会做很多开源的项目 ， 就跟宇树一样 ， 会把大量的学术上的这种工作可以在它的硬件上得到复现 ， 然后受益于整个宇树这种生态的这种开发者 。
所以我觉得这点的形态其实是跟英伟达非常像的 。
那你觉得宇树去发展它大脑那一部分的这种动力还迫切吗 ？ 它自己就是上市的时候 ， 它其实是募资的主要金额 ， 它有 20 亿 ， 它说是要投在具身智能的开发的 。
我觉得它做自己的模型还是很有价值的 。 我看了它 9 月份发布的那个新的那个模型 ， 是一个 6B 参数的这个 VAV 模型 ， 主要是在做这种桌面操作跟全身的移动操作 。
它最大的价值实际上是作为原厂 ， 它把它的本体和这种开源的这种具身模型一些领先的这种进展跟研究 ， 能够把整个这个工具链能够串起来 ， 让用户用比较低的这个使用成本能够快速的部署跟应用 。
我觉得这个应该会是宇树长期会去更灵活投入的地方 ， 就是降低使用他们硬件完成一个完整任务的这个难度跟成本 。
你之前有一个观点 ， 就是你觉得其实对宇树来说 ， 它模型这一层它只要跟在底梯队就行 ， 就是它不一定要是特别引领 ， 或者说我一定是最强的 。
我们可以看到其实宇树在很多方向还是非常克制的 ， 王欣欣在公众场合也是一直是没有那么激进判断的一个人。
我觉得可能在大脑这个事情上面也是同样的态度 。
宇树它之前是被视为整个具身智能行业估值的一个锚点 ， 你觉得经历了这一轮暴涨暴跌 ， 它现在就是相比它开盘的那一天 ， 它已经下跌了 60% 了 ， 你觉得这个锚点现在在哪 ？
因为它现在被出来是很高 ， 它上半年的收入是 11.52 亿人民币 ， 可能全年可能会在 20、25 亿左右吧 ， 对比它 1,700 多亿的市值 ， 它市值肯定还是很高的 。
如果按传统的估值方法的话 。
传统的估值方法对于这种行业领先的公司其实是挺难去仔细定价的 ， 就像我们看到可能国内已经上市的大模型公司几千亿的定价 ，其实你也很难去 justify。
如果用传统的这个估值逻辑 ， 我觉得关键还是看他们在产业链里面的稀缺性和领导性 ，以及它在未来持续增长的潜力 。
宇树上市之后， 它的表现有一个比较明显的连锁反应 ， 就是它影响接下来正在排队上市的一批一级市场的具身智能公司 ， 陆续就不管是中国的媒体还是外国的媒体都有挺多的报道 ， 就是说监管会相对收紧这些公司的上市 ， 就可能会重点的去考察他们是否真的具有可持续的收入 ，是否真的有技术突破 ，以及是否有上市的必要性 。
因为很多公司其实成立的时间也没有特别久 ， 比如说刚成立了三年左右 ， 然后这个季度也有很多争议性的话题 ， 比如说这个素材 ，其实我们之前自己也写了篇文章 ， 我们也专门录了一期节目 ，也是有聊过具身智能的金钱游戏 ， 就这些收入都是怎么来的 ， 然后有这个一些收入有水分的地方 。
你觉得这个事接下来会怎么发展 ？ 包括一批公司 ， 可能有几十家排队中的 ， 如果他们今年内到明年可能都很难上市的话 ， 会有些什么样的影响 ？
可能这个具身的热潮 ， 我们在上个季度的播客里面其实也提到过 ，因为我们关注机器人领域也很长的时间 ， 可能过去的 12 个月是这个领域获得最多的资本关注热潮 ， 甚至是乱象的一个阶段 。
那很多公司的股值这种快速的增高 ， 实际上是一种市场情绪或者市场焦虑的一个体现 ，也并不能代表这些公司可能合理的 ， 或者说本来的这个价值 。
我回首可能在上一个资本热潮 ， 可能在 20 年、21 年的时候 ， 那一波其实也有这个机器人热 ， 然后也有些头部的机器人公司其实融了蛮多的资金 。
我当时印象比较深的 ， 当然那个时候不是通用的机器人， 可能是一些专用机器人 ，但是哪怕在一些专用机器人领域 ， 比如我拿一个现实的例子 ， 当时的那个松산机器人 、 晴朗跟普渡两家头部公司 ， 可能各自在一年之内烧了 10 个亿人民币 。
为什么呢 ？ 因为他们融到这么多钱 ， 然后他的投资人又希望他们快速的获得这个市场份额 。 那么对于这种领域来说 ， 那可能补贴烧钱就是最直接的一个方法 。
那同样我们在那个低速配送领域 ，其实我们也看到类似的这种补贴式的这种竞争 。 所以怎么说呢 ， 只要在资本或者投资过剩的领域出现这种资本竞争 ， 我觉得是很难避免的 ， 尤其在一些可能采购使用整个链条还不是非常的清晰直接的这种领域里面 。
你觉得在当前的技术环境下， 怎么判断一个具身智能领域的公司 ， 它是否获得了比较实在的 、 相对持续的收入 ？
可能有一个比较保守的角度 ， 就是今天本身具身智能就是在一个行业的非常早期 ， 我们在一个行业的早期 ， 追求它有持续的健康的营收甚至盈利 ， 本来就是一个不合理的一个指标 。
我们之前在具身智能金钱游戏那一期里也讨论到 ， 这是一个悖论 。 但另一方面 ， 国内这些公司因为已经进入上市流程了 ， 你肯定就是得看这个的 ， 就是它是有一个错位 ， 你知道吧 ？
就是我觉得他们这个行业非常早期 ， 技术也很早期 ， 它其实还是一个一级的逻辑 。 但是你一旦进入上市流程 ， 肯定大家会用二级市场的一些标准来看你这个公司 。
我觉得国家鼓励这些新兴的战略行业 ， 鼓励这个机器人行业 ，是希望这个行业能够长期的具有竞争力和持续的投入跟发展 。
所以二级上市实际上是助力头部企业获得更多的社会资源 、 社会认可而持续发展的一个手段 。 但是如果大家把这个手段当做唯一的目的 ，以比较投机甚至是炒作概念的方式 ， 把公司包装成一个可以快速上市甚至套现的一个公司 ， 我觉得有点本末倒置 。
是 ， 就是说你为了这个手段 ， 你其实动作变形了 ， 你反而得在实际上各种条件不具备的比较早的阶段 ， 你就得拿出一个比较好的财务表现 ， 一个增长的报表 。
然后这里面就出现了几种行为 ， 要么是它通过各种财技虚设一些收入或者虚造一些收入 ，但是可能另外一个我认为可能更危险的倾向 ，是为了迎合这个收入的需要 ， 迫不得已去做很多其实反行业发展规律的收入 。
什么意思呢 ？ 如果我用通用模型发展的这个历程来看 ， 如果今天就是 GPT-1、GPT-2， 然后你告诉 OpenAI 你需要去创造很多收入 ， 那是不是 OpenAI 那个时候会投入很多资源去做各种奇奇怪怪的 harness， 去做各种 fine tune， 然后让这个 GPT-1、GPT-2 也可以创造收入 ？
其实如果你回到 18、19 年， 当时中国是有非常多公司 ， 当时的语言模型 ， 比如说 BERT， 比如说这个 Google 的 T5， 这些开源的语言模型上面做了很多所谓的商业落地 ， 对吧 ？
比如说这个智能客服 ， 比如说智能医疗等很多领域 ，其实最后你会发现所有这些投入跟解决通用 AI 甚至解决 ChatGPT 而言 ， 都是一个背道而驰的努力 。
是捡了芝麻丢了西瓜 。
对 ， 所以如果今天一个具身公司 ， 它如果真的想去实打实的创造一些收入 ， 那它是不是就应该像一些工业机器人或者仓储机器人一样 ， 今天就跑在厂房里面 ， 今天就跑在仓库里面 ， 然后去一个个客户去解决它的问题 ， 甚至我听说有些具身公司用一些非常传统的这种自动化的方法去满足客户的需求 ， 然后它对外可能说它是一个具身落地的项
目 。
实验大学公司就是这么做的 ， 就是它落地用更传统的方法 ， 然后它同时又有一班人马是在研究新的东西 ，但是它的问题就是你的精力分散了 。
反正当年 OpenAI 不是这么做的 ， 所以我觉得 GPT、Astro 给我的很强的一个信号就是 ， 如果我们真的是在解决智能的这个大道上面 ， 如果我们真的相信 Scaling Law， 那么今天的很多这种相对来说比较短期或者比较线性的这种部署或者是收入 ， 真的是无关紧要的问题 。
我觉得可能也跟中国这个领域的资源不够集中有关 ， 就它的总融资额很多 ，但是公司也相对多 ，而且公司相对多的情况下 ，其实每个公司的同倍压力也很大 。
比如说这一波成立两三年的公司 ， 可能中间最开始有一个公司带头它说要上市 ， 那其他公司的投资人也会去 push 他们投的公司去上市 ，以及现在你明显是有一个上市窗口的嘛 。
因为在我看来 ， 像宇树 、 像 DeepSeek 这样的公司 ， 就是一个非常专注极致想要解决行业底层问题的公司 ，但是这种公司它自己的发展节奏可能不是被资本市场或者外部环境直接奖励的 ， 更多人去追求这种外部激励的时候 ， 可能会做出很多背道而驰甚至是劣币取良币的这种行为 。
反正现在这个季度的一个变化确实是监管对上市是收紧了 ， 我们也可以观察一下， 就是接下来比如到第四季度到明年， 整个行业会持续的如何变化 。
回到具身的这个真实收入 ， 如果我认为通用智能是主赛道 ，以及具身智能的出路是通过通用智能更好的理解物理世界 ， 这个市场很多真实的收入其实是来自于服务通用智能公司 ， 无论是用数据的方式还是硬件的方式 。
就是比如说林巧手的公司 ， 就是关键零部件的 ， 对吧 ？ 还有数据服务商 ， 具身的数据服务商 ， 还有本体公司 。
或者这么说 ， 就是哪些业务是真正的跟通用智能和 Scaling Law 正相关的 。
但是又不是被它覆盖了 ，不是和它直接竞争了 。
对 ， 我们今天有很多具身公司拿着大额的融资去跑到工厂里面去做一些以前用传统 CV 方法可以解决的专机的问题 ， 这个跟通用智能的发展是背道而驰的 。
这倒是没和通用智能直接竞争 ，但是它又不是正相关 ， 就你享受不到那个红利 。
对 ， 或者说我做一个更好的通用人形机器人， 对吧 ？ 我把它的硬件 ， 把它的控制做得更加的稳定 、 可靠 、 低成本 ； 我做一个更通用的林巧手 ， 让它不像一个假爪一样受限于这个物理的这种各种限制 ； 我做一个更规模化的 、 这个更自动的数据采集的方式 、 训练的方式 ， 我觉得这些工作都是跟智能发展的主旋律是结合的 。
因为 Astra 已经做出这个能力 ， 我觉得国内的开源模型肯定会去追嘛 。 那国内的开源模型如果比如说更接近 Astra 的这种能力之后， 国内的具身模型公司不能直接用国内的 。
也可以 。
开源模型 ， 它其实也能做到更多事 ，但是前提就是国内这些大语言模型公司自己不干这个 。
我觉得国内大语言模型都会做这个事 ， 我觉得未来一个季度都会做这个事 。
都会做 ， 所以你觉得他们还是会直接竞争 。
或者今天通用模型难的实际上是怎么把这种多模态的数据进行清洗 、 标注 、 数据的这个匹配 ，以及怎么让它训练不会去熏崩 。
我觉得这个能力其实是大模型公司才有的 ，以及今天怎么去搭一个好的这个规模化的这个强化学习的环境 ， 让这个东西训练可以收敛 ， 这也是大模型公司有的 。
所以掌握预训练能力的通用模型公司如果来做这件事的话 ， 然后相比另一个公司 ， 它是一个具身智能领域的公司 ， 它只是在开源的模型上来做 ， 前者肯定是更有竞争力的 ，而且你觉得前者大概率都是会做的 。
我是这么认为的 。
上下文学习1:11:34
OK， 那我们进入第四个话题 。 第四个话题是一个比较技术的话题 ，是前面提到的 GEN-1.5 还有 Scale 的 S1 所展现的 ICL 的能力 ， 就是 in-context-learning 的能力 。
我就可以先简单解释一下这是一个什么意思 ， 它其实最开始也是用在大语言模型领域的 ， 就是上下文学习的能力 。
其实 in-context-learning 有一个非常通俗的表达 ， 就是过去几年大家提到的这个提示词工程 ， 就是在 GPT-3 的时候 ， 我们发现在已经训练好的这个模型基础上， 我们通过少量的这个文字样本 ， 就可以教会这个 GPT 实现更多的这个能力或者完成一个完全不同的任务 。
那么它的含义本质上就是我们没有在更改这个模型的这个常规的参数 ， 我只是把它作为一个 prompt， 或者说是一个 context 提供给这个大模型 ， 然后它就在这个 context 的基础上， 它就知道它可以去做什么 。
那么 in-context-learning 在具身模型的这个典型的应用 ， 就是在一个模型训练好过后， 我通过给它做一个人工的这个视角 ， 无论是一个第一视角的视频 ， 还是说一个第三视角的视频 ， 然后这个模型就能够快速的学习理解我们这个任务的这个要求 。
而这个能力呢 ，是上个季度在这个 Generalist 的这个 GEN-1.5 和 Scaled AI 的这个 S1 两个模型里面得到了系统性的展示 。
它和以前大家聊 few-shot 的区别是什么 ？
它就是一种 few-shots， 就是一种 few-shots 的方式 。 如果是一次展示就是 one-shots， 一个是多次展示就是 few-shots。 它比较重要的是什么呢 ？
我们今天说的 in-context-learning 很多情况下并不需要改变这个模型本身的参数 ， 它并不是一个 fine tune 或者说是一个后训练的一个过程 。
今天我们在把一个训练好的具身模型落地的场景里面 ， 很多时候我们还要用真机遥操的方式去捕捉几个落地的这个轨迹 ， 然后这个真机遥操的轨迹再通过后训练方式训到这个模型里面去改变它的参数 。
那这个过程可能就是一个几个小时甚至几天甚至一周的这样一个过程 。 但是如果有了这个 ICL 这个方式的话 ， 我们有可能通过一个一分钟的这个视频的这个视角 ， 这个模型就能够在这个具体任务上面它该怎么去执行 。
所以 ICL 的价值就是它更低成本的能实现提升模型的表现 。
或者说更低成本的完成任务的视角 ，因为任务视角在机身领域内并不是一个新鲜的东西 。 我们在工业机身里面其实就有各种视角的方法 ， 无论是通过这种编程的方式 ， 还是通过拖拽这个手臂轨迹的这个方式 ， 我们本质上是想告诉机器人我们具体的这个任务跟轨迹是什么样子 。
那今天的 ICL 因为它有一定的泛化性 ， 所以我们通过一个视频的这个输入 ， 或者视频加上语言 prompt 的这个输入 ， 我们就会把我们一个非常具体的任务提供给这个模型 。
而且 ICL 为什么现在很重要的原因是 Generalist 和 Scale 的这个研究里面发现 ，其实它体现了有两个出人意料的这个表现 ， 一个是有许多任务其实是 out of distribution 的 ，也就是说在训练集里面可能并没有做过的任务 ， 分布外的任务 ， 给它示范一次 ， 它也可以
somehow 可以学习到这个能力 ， 这是第一件事情 。 第二件事情呢 ， 两家公司的模型也发现一个这个 ICL 这个方式其实适合做一些长序列的技能组合 。
什么意思呢 ？ 就是可能单个的技能在预训练里面都出现过 ， 比如说我拿起一个东西 ， 或者说拧一个这个旋钮 ，但是一个长序列的这个视角呢 ， 可能长达几分钟的时间 ， 它可能里面涉及到非常多原子技能的重组 ， 这个能力目前看起来也可以把这种能力比较好的这个教会给这个模型 。
他们具体试的是一个什么样的任务 ？
比如说打包呀 ， 或者是说搬运一些东西 ， 它就涉及到不同的环节 ， 就不同的这个工序 。 这个东西你可能传统用文字 prompt 的方法 ， 还不一定能够很精准的描绘你的这个意图 。
在他们的这个研究中间 ， 就是 ICL 这个东西能举一反三吗 ？ 比如说我给它看一个打包杯子的视频之后， 它能包别的东西吗 ？
或者说提升它包别的东西的这个任务的完成的能力 。
我看到的是这个动作以前你根本就没做过 ， 比如我让你现在去系鞋带 ， 这个动作你以前就没有训练过 ， 或者说你现在是魔术 ， 魔术贴的鞋带你没见过 ，但是我给你做了一遍魔术贴 ， 大概率你就可以做 。
你能够做这个魔术贴 ， 你一下子能做魔术贴的概率就会增加 ， 你没有学过某一种做法 ，但是我把这个做法给你示范过后， 你可能就学到了这个动作大概它的逻辑含义是什么 ， 然后这个含义有可能你在做类似的任务的时候 ， 它的成功率就会提高 ，而没有这个能力 ， 它成功率可能就会很低 。
ICL 在机器人领域的应用大概是个怎么样的发展脉络 ？ 因为他们已经做出这个成果之后， 可能会觉得去试这个方式是好像比较自然的一个方法 。
那比如说之前大家有人试吗 ？ 那如果说之前效果不好 ， 现在效果变好了 ， 可能是为什么 ？
我觉得是这样子的 ， 就是就像我们看语言模型 ， 语言模型是到了 GPT-3 才出现这个 system prompting 这样一个能力 ，而大家对 prompting 能力的提升的解读是这个能力本身已经存在了大模型内 ，但是我们是用 prompt， 用提示词的方法把这个能力给激发出来 ，也就是说它已经学过类似的技能 。Generalist 的研究还是认为主要的根源还是来自于大规模预训练过后涌现的能力 ，以及 Scale 他们
说他们在训练的时候其实是专门做了这个示范条件相关的训练的 。在 Scale 那个模型里面 ， 它是为了这种示范 ， 就是 one-shot 或者 few-shots 的示范去做了一定优化的 ，也就是说你按照它指定的方法去做这种示范 ， 它学习的这个能力的效率就会很高 。
这两个公司他们做的 ICL 的具体的区别是什么呀 ？GEN-1.5 和 S1 这两个模型表现出来的 。
简单来说 ，Generalist 他们示范的那个轨迹会更短 ，在报告里面写的是 3 到 10 秒的一个动作 ，而且它是接受包含关节信息 ， 就是它是接受第一视角或者说机器人视角这种原始信息的轨迹 ，而 Scale 的 AI 更强调一个第三视角和长持续视角的这个视频输入 ， 当然可能也跟 Scale 更关注这个全身运控有关系 ， 跟他们公司的基因有关系 。他们在报告里面给出的一个例子是 10 分
钟的一个视频 ，而 10 分钟里面是包含了非常多技巧的组合的 ， 所以在 Scale 这个模型里面 ， 它更强调它的这个示范可以让模型学出不同原子技能的这种组合的能力 ， 就是 long horizon 的能力 ， 所以是有一些区别的两家公司的做法 。
我认为 ICL 得到很多关注 ， 可能也跟在中国市场上大家对于商业化的落地其实有更高的诉求 。 我们以前要把一个训练好的模型 ， 预训练好的模型拿到一个场景里面去落地 ， 它需要的工作量还是很大的 ，因为你很有可能很难精准的去描述我到底要做什么 ，以及我怎么去示范这样一个动作 。
那今天可能有了一个更简单的方法 ， 无论是用第一视角的视频还是用第三视角视频 ， 我就可以快速的展示 ， 这样它这个动作这个复制的这个速度 ， 或者说这个项目落地的速度就会大大的提升 。
是 ， 就是因为你说之前比如 few-shot 可能还是要几个小时到 。
对 ， 可能是后训练 ， 对 ， 几天的时间 。
那如果说他们这个东西能大规模推广的话 ，其实可能就是你给他看一个几秒或者几分钟的视频 。
我觉得这是理想的情况 ， 对 ， 就怎么你把这个你把人类的意图更好的跟这个模型去沟通 。
你觉得这个季度具身这个领域还有什么模型的发布或者说一些进展是可以分享一下的 ？
我觉得在 9 月底这个 DYNA 发布的这个 2.1 的这个工作 ， 我觉得也是一个蛮值得讨论的 。
他们 2 也是三季度发的 ， 就先发了 DYNA 2， 然后会发了 DYNA 2.1。
对 ， 我的理解 2.1 是在 2.1 的一个进一步的这个提升 ，而且它是更多的是展示了一个完整的这个工作流的这个流程 ，他们发布了他们的这个半人形的这个机器人， 包括它这个全身的这个控制的这个策略和一个完整的这个在一个洗衣房工作这样一个流程 。
可能从模型的角度都不是最突破性的 ，而是把整个系统 ， 它把整个架构怎么实现了 ， 从前期的这种这种这种规划执行到这种反馈的这个链条是怎么去完成的 ， 它有比较细的这个工程的这个阐述跟实践 。
DYNA 2 的时候他们是比较强调这个数据量 ， 当时应该是说使用了超过 100 万小时的 EGO 的数据 。
对 ， 我记得这个当时也是稍稍有些争议的 ，因为他们可能数据量上的比较快 ，但是行业里面可能一些朋友的反馈是他们在这么大的数据量上面 ，他们的这个 scaling 体现并不是特别明显 。
数据量大了很多 ， 这样表现没有好特别多 ，是这个意思是吗 ？
或者说这个方法是不是遇到一些性能提升的瓶颈 ， 大家还不是很确定 。
对 ，他们当时 DYNA 2 应该是一个 WAM， 一个世界动作模型 ，而且他们当时也称这是 scaling low。
今天来看网络架构可能不是最关键的要素 ， 可能更关键还是它到底用了什么样的数据配比 ，以及它怎么去仔细的清洗跟处理它的数据 。
就是无论你是 VLA 还是 World Action Model， 如果你给同样质量 、 同样规模的数据 ， 你都有可能训出一个一样好的这个策略模型 ， 这是目前行业逐渐形成一个共识 。
我听到王倩 ， 这边 LAN 的创始人。 对 ， 我听到她这个分享还是挺有意思的 ， 她说其实为了理解物理空间 ， 我们需要做的这些数据的处理管线 ， 可能 OpenAI 跟一个具身模型的公司需要做的工作是一样的 ，也意味着他们可能没有额外的优势 ， 这是她的结论 。
我可能对她的描述是认同的 ，但我对她的结论不一定认同 ，因为在一个头部的大模型公司 ，其实他们在数据处理的经验 、 算力 ， 甚至调用的工具来讲 ， 可能都是比一个具身模型公司更加先进的 。
换句话说 ， 今天很多具身模型公司 ，他们自己在处理数据管线的时候 ，他们调用最聪明的大脑还是 GPT 和 Astro 的模型 。
对 ， 所以这个结论也可以反过来说 ， 就是具身的公司在处理这些数据管线的能力上， 它相比 OpenAI 它也没有优势 ， 甚至可能处于劣势 ，因为像 OpenAI 和 Anthropic 的人 ，他们其实内部用的模型比他们公开发的应该要更强 ，他们会提前几个月用到内部最强的版本 。
所以这也回到另外一个问题 ， 如果能力就等于数据质量 ， 那么谁拥有更高的 、 更大质量的数据 ， 会有能力上的优势 。
那今天可能更关键的问题是 ， 谁能够真正获得这个专有的高质量的数据 ， 所以架构可能就没有那么重要了 。
还有一个是 Google 的 Gemini Robotics 2， 这是确立发的 。
其实刚才我们也提到 ， 就是 Google 在 VLA 和这个通用模型在这个物理世界的这个研究 ，其实是我觉得是领先这个行业的 。
那这次 7 月底发布的这个 Robotics 2 也是分别分为这个 ER2 和这个 Robotics 2， 同时他们还有一个在机器人本地运行的一个 on-device 的模型 ， 这个是用了一个更小的 VOM， 然后更强调这个效率跟适配 。
所以我觉得可能 Google 代表了一个头部的模型公司 ， 用一个比较系统性的方法来用一个相对来说统一的架构来解决这三个问题的一个方法 。
巨头动向1:23:39
如果说 Google 它很早的就看到了这个领域的一些大的趋势 ， 为什么给行业带来震撼的首先是 OpenAI 的模型 ？
这个可能还是跟谷歌的这个组织惯性 、 内部的这种资源分布等一系列的问题是相关的 ，因为我们也知道这个谷歌内部的这个管理跟政治也是比较复杂的 ， 很多时候很多资源是不够集中， 然后他们在通用模型现在也是一个追赶的一个状态 ， 所以这方面的投入跟决心应该是不如这个 OpenAI 的 。
所以可能有一个重要的因素就是 Gemini 的基础模型不如 OpenAI 的基础模型强 ， 目前这个时间点 。
我觉得在那个时间点上是的 ， 还有一个原因 ， 这个就可能有一点暴论了 。
没事 ， 你讲 ， 你正好你以前在 Google 工作过 。
我的这个暴论可能是 ， 这个团队如果越了解 Robotics， 越有 Robotics 相关的经验 ，其实会妨碍他们在通用模型达到这个能力的这个尝试 。
绝大部分真正做过机器人 、 真正碰过硬件的人 ，他们都对硬件的复杂度 、 物理世界的不确定性有非常深的敬畏 ，而这种敬畏也是让他们对新的方法和新的这个思路天然容易产生抵触的一个本能 。
最懂 NLP 那群人也是一开始最反对 LLM，也是最不相信 LLM 能够 work 那群人。 那么 Google 实际上是所有硅谷大厂里面最早也是最深研究机器人的公司 ， 对吧 ？
从 。
从 Google X 的时候就 。
从 Google X 的时候 ， 我当时在 Google 的时候 ， 我们隔壁就是 Everyday Robot 的 。
对 ，Everyday Robot， 对 。
那个时候他们就在办公室里面开始在捡垃圾 ， 就是 Google 有一群研究机器人问题 、 研究了十几年的顶级的人才 。
有时候一些过往的经验其实是束缚你在新的范式下面的这种践踏度的 。 同时我们也别忘了 Google 是第一个发明这个 VLA 模型的公司 ， 所以他们在这个路径上面的投入跟尝试也是非常深入的 。
那很自然的一个逻辑就是 ， 当你有这么多历史包袱的时候 ， 你有一个新的需要相当的投入跟专注的时候 ， 会容易形成很大的创新助力 。
Frontier Labs 的做 Robotics 的人 ，他们一般是什么背景 ？
有些的确是有机器人相关背景 ，也有些是从自动驾驶行业过去的 ，但我觉得整体上还是非常年轻 。
以 OpenAI 为例 ，其实真正做这个领域的研究人员 ， 我觉得年龄上讲还是普遍比 Gemini Robotics 的同事可能年轻 5 到 10 岁 ，99 年的 ，88 年的 ，2000 年的 。
对 ， 就接近 2000 年的是 。
接近 ，PhD 刚毕业嘛 ， 我觉得你有太多经验的时候 ，有时候也会阻挠你去达到你的创新的目标 。
然后除了 Google 之外， 另一家引领了这个浪潮 ，但是最近可能声音比较少的公司就是 Optimus。 特斯拉三季度有什么进展吗 ？
我觉得 Optimus 现在是有一点就是不被大家关注和没有放在优先级的这种状态 。
它之前宣称的量产的时间和数字都是在往后递位 。Gen 3 之前有一些部分的披露吧 ，但没有一个完整的亮相 。
可能我觉得 Q3 最大的精力对于特斯拉来讲 ，是花在了这个 Robotaxi 的落地 ，因为他们很多人才是公用的 。
所以这件事我觉得很有意思 ， 就是以前大家会认为就是 Robotaxi 和 Robotics 这两个事是非常交叉的 ， 就是它有很多东西是可以复用的 ，但好像现在感觉是至少在智能这一层 ，其实是通用基础模型和 Robotics 的智能有很多是可以 。
我整体的感觉是 ， 我觉得是 yes and no。 我觉得 VLA 那条路线 ， 包括 World Action 那条 ，World Action Model 这条路线 ，其实是在加强自动驾驶跟机器人操作之间的关系的 ， 主推这个路线的很多创业者跟行业的意见领袖其实就是自动驾驶背景的人。
对 ，但是你要知道特斯拉最早公开的那个世界模型就是一个 VA 模型 ， 是一个 Video to Action 的一个模型 ，其实驾驶就是一个本能反应 ， 驾驶的时候你不太需要有特别多语言文字的这种指导跟反馈 ， 你更多是一个本能的转弯或者刹车 。
同样一个思想其实也被很多具身的公司应用到具身模型的训练里面 ， 所以语言在那个模型里面是一个比较低权重的一个要素 。
所以我们说这个特斯拉认为自动驾驶可以帮助到人形机器人的这个大脑 ， 我觉得可能在相当维度上的的确是成立的 ，但是可能今天通用模型的快速发展给大家看到了另外的一个尺度 ，因为无论是自动驾驶模型还是今天的头部具身模型 ，因受限于算力的限制和数据量的限制 ， 它的参数量都是很小的 ， 自动驾驶模型可能也是在一个小几十匹的这种规模 ， 今
天的通用模型是在一个完全不同的这个数据尺度上在做更复杂的这个推理跟理解 。
那你觉得大家最关注的第一梯队的公司有变化吗 ？ 比如说之前肯定大家是关注 Pi， 关注 Generalist 等等 ， 现在大家最关注什么公司 ？
我觉得第一梯队没有变化吧 ， 或者你要问我变化的话 ， 我觉得我觉得我知道更多的公司开始做零小操作的工作了 。
那还是利好零操手 。
当然 ， 我觉得今天可能变成一个训练的基础设施 ， 就像你有更多 GPU， 你可以比别人更快训出模型一样 ， 我觉得零操手今天变成了 AI 训练的一个必要件 ，因为你有更多的硬件 ， 你可以测试更多的场景 ， 你可以做更多的真机的这个验证 ， 那我有 1000 只手 ， 你有 100 只手 ，even 我们 GPU 算力不是限制的话 ， 那我可能训练一个模型就比你快 10 倍 。
OK， 那我们回到最后一个话题 ， 就是 FCC 的禁令 。2026 年 Q1 的具身季报里 ， 我们当时就非常简短的讨论过一个话题 ， 就是说有一种可能是美国会禁止中国的人形机器人进口到美国 ， 那这个其实对当地做具身智能 ， 尤其是偏智能 、 偏大脑的这些机构和实验室和初创团队 ， 都是会有一些至少短期的负面影响的 。
FCC 禁令1:29:25
然后现在这个事是真的发生了 ， 我觉得可以先来讲讲这个 FCC 禁令的一个大致的情况吧 ， 它其实是美国联邦通信委员会的缩写 ， 对 ， 包括它是个什么样的机构 ， 为什么它有这样一个管辖的权限 ，以及它目前的禁止范围具体是涉及到哪些类型的产品 。
FCC 其实是对于在美国市场要进行销售的这种商品 、 电子产品 ， 它是有各种这种合规认证的这个职责或者说范围 ， 尤其是涉及到比如说无线通信 、 联网传感 、 甚至远程控制这些能力 ， 所以只要涉及到这种传感或者通信能力的这种设备 ， 都需要获得 FCC 相应的这个授权 ， 才能够准入这个美国市场 ， 相当于这次是对境外生产的这个先进机
器人纳入了它对这个设备认证的这个管辖的这个范围 ， 这里就包含了我们说的这种人形机器人或者四足机器人等一系列这种先进机器人这个范畴 。
那像扫地机器人算吗 ？ 割草机器人 、 游泳池机器人 ？
按照今天公开的说明 ，其实是有涉及的 ，因为它定义的范围是超过了 2 公斤 、 具备移动感知 、 联网和控制能力的这种机器人， 这样不仅是人形跟四足 ， 现在大家认为一部分的这种割草机器人或者扫地机器人也是在这个范围以内的 。
那有些消费机器人其实也算 。
也算 ， 这也是为什么这个禁令一出来 ， 包括当时一些很支持这个禁令的美国公司 ，其实他们也提出了各种各样的这种申诉 ， 认为这个政策的这个范畴有点过广 ，以至于一些美国公司都很难达到这个要求 。
你就说美国公司如果在国内生产的 ， 它进口就也会出现问题 ，是吧 ？ 它不是按品牌上卡的 ， 它是按你生产的地方来卡的 。
对 ， 它是按照这个产地来限制的 ，而产地是包含了里面涉及到这个核心零部件的这个原产国的这个占比 ， 我记得现在应该是有个 65% 的一个比例 ，也就是说如果它是一个美国的品牌 ， 比如说 iRobot， 如果它的核心零部件超过 65% 是在中国生产制造的 ， 或者是第三国生产制造的 ， 那它也会掉入这个限制的这个范畴 。
所以本来是哪些公司支持这个限制 ？
在 FCC 寻求公众意见的时候 ， 我当时是看到了有波士顿动力 ， 然后还有美国本土的一个扫地机器人创业公司 Mantis 等一系列公司 ， 可能还有像 Figure 这样的公司 ， 就是美国本土人形公司和一些四足公司对这个限制表达了这个支持的意见 。
就是在本土有一些硬件业务的公司 。
对 ， 结果这个出来之后他们觉得太严了 。 因为波士顿动力其实是很有意思的一个情况 ， 虽然他们是一家美国公司 ，但是因为被现在收购过后 ，其实大量的机器人的生产制造是放在韩国的 ， 所以也算是这个外国生产组装 ， 所以他们也在试图沟通一些豁免或者说例外的这种情况 。
为什么这一次 FCC 的这个禁令不只针对中国了 ？ 它为什么要把外国都算进来 ？ 就它的核心目的是什么吧 ？
就从它的 。
核心目的肯定是为了增强美国制造 ， 让制造业回流 ， 这是底层的目的 。
这是第一目的 。 所以它的外国其实不只有中国 ， 对吧 ？
对 ，但实际上现在有很多所谓盟友国家 、 友好国家在申请这个 。
豁免 。
豁免 ， 然后这也是波士顿动力试图这个申诉的一个原因 ，他们试图把在友好国家生产的这个产能按照一定比例折算成本土生产的这个比例 。
就比如说韩国的我按一个比例打折成我就算美国的 。
对 ， 当然这个是一个议案 ， 这个并不是最终的这个决定 。
那现在出现这个禁令之后 ，因为你这次也见了很多在海外的从业者嘛 ，他们接下来如果想用比如说中国的一些人形机器人 、 一些四足机器人的硬件来做研发 ，他们要怎么办 ？
短期来看影响还好 ，因为 FCC 的禁令是对于新的这个认证的设备的限制 ， 如果你在 7 月底之前已经获得了产品的认证 ， 那么这些现有产品是可以继续销售的 。
现有产品是指这一种型号都可以销售 ？
如果你没有任何主要的软件跟硬件的修改 ， 应该是可以的 ， 就你不能换里面的一些关键零部件 。 如果以宇树为例的话 ， 基本上它的目前所有的主流型号都是拿到了 FCC 认证的 。
就是说新的型号会出问题 。
对 ， 这也是他们在 8 月份招股书上面专门披露的一个风险 ， 就是现有的型号 ， 包括 G1、R1、H2 这个机器狗的这几个型号都是可以继续销售的 。
那正好其实这些型号也是现在还是非常主力的型号 。
对 ， 或者说如果我们完全排斥掉中国的这些品牌的供应商 ， 我觉得短期美国本土市场也很难出现这个替代的方案 。
我如果把一些零部件拆开 ， 我单独运到美国 ， 我在美国组装 ， 这算本土制造吗 ？
不算 ，因为它是按每个零部件或者每个关键零部件的这个原产地来计算的 。 如果你所有零件都在中国生产 ， 然后拆了过后到美国组装 ， 那你还是一个百分之百中国生产的硬件 ，因为它是看你的这个成分表 。
可是我感觉美国短期内也很难发展出这么高比例的本土生产的供应链吧 。
所以这就是一个政策和产业现实的一个矛盾吧 。
你觉得对于宇树 ， 还有对于中国的一些关键零部件的这种公司的长期影响会是什么 ？
如果借鉴这个宇树在招股书上面披露的官方的观点的话 ，他们认为他们也会逐渐的思考这个美国本地产能的这个问题 。
所以如果一个中国公司去美国建厂 ，是可以符合它的规定的 ， 对吧 ？
如果你在美国建厂 ， 且你用的是美国本土生产的核心零部件 。
那你可能就还得带供应商去建厂 。
是的 ， 这也就是这个政策的一个长期目的 。
那其实跟当时汽车产能出海有点类似 ， 当时中国的一些汽车厂商也是要去海外建厂 ， 包括像林德时代这样的关键的供应商 ， 它也是当时在考虑去北美去建厂 。
对 ， 所以我觉得这是从战略上讲 ， 应该是一个需要长期布局和需要较长时间才能够实现的目的 。
你觉得从更长的视角看 ， 这个禁令或者说这个禁令背后所代表的一种趋势 ， 一种就是美国希望高端的制造业回流 ， 或者说美国希望针对性的去限制一些国家的这个领域的发展 ， 可能会让中美两边的具身智能的发展节奏有什么变化 ？
我觉得这些政策可能就跟关税的这个博弈一样 ， 可能是一个短期或者是动态的 ， 你很难把它真正想成一个特别长期和稳定的产业政策 ，以及中国在制造业 、 在供应商的这个质量跟密度 ，是十几二十年整个电子产业 、 汽车产业反复迭代而形成的 ， 这个优势跟这个差异还是很难靠短期的这个限制性政策去改变的 。
所以如果哪怕这个东西真的要产生变化 ， 我觉得可能还是需要比较长的时间 ， 整个行业今天发展速度是非常快的 ， 我们其实很难想象 5 年以后具身智能会是什么样子 。
总结展望1:36:50
然后最后这一部分想来聊聊下季度的一些展望 ，其实我们前面已经说到了一些了 ， 比如说你在聊 GPT-6 Astra 的时候 ， 你说第四季度 Physical RSI 肯定会是一个重点的方向 ， 我们也会陆续看到更多的公开成果 ， 然后这个可以完整来描述一下， 你觉得下一个季度大概率会发生一些什么事情 ？
对 ， 我觉得其实 Physical RSI 是围绕着通用模型在机器人领域进行这个尝试的一种方向 ， 我相信有非常多的这些尝试都会出现 ，不光是这个策略的监督 、 自我的迭代 、 仿真环境的搭建 ， 或者仿真素材的这个生成 ， 我觉得这一系列其实都是围绕着这个通用的能力去做的 ， 包括现在也有很多想做这个所谓这个机器人的这个 Agentic 的系统 ， 就是把原子能
力用各种 Agentic 方法去编排 ， 我觉得这个肯定是下个季度会非常多的 。 另一个我认为在 Q4 会出现的就会中国的通用模型公司会有越来越多的进入这个具身研究或者进入机器人这个市场 。
具体来说其实就是智谱 、DeepSeek、Kimi 这些公司 ， 这是单独的模型公司 ， 然后还有一些巨头 ， 对吧 ？ 巨头其实有些之前也在做 ， 比如自己比较早的时候就有 Robotics 的团队 ， 现在也是并到了 Scene 里面 ， 之前在 AI Lab， 像腾讯也是有 ， 腾讯的 。
RoboticsX。
对 ，RoboticsX。
我觉得可能这些小组都会再 rework。
重新组织 。
以 Generate AI 为指引来做机器人 ，因为之前包括像 Scene 的 Robotics， 我的一个外部的观察就是很多 ， 包括腾讯 RoboticsX，他们还是用很机器人方法来做机器人的问题 ，其实今天是一个方法论的一个重塑 ， 我认为在这个这么大的一个冲击下面 ，其实会出现巨大的组织再调整 。
这是第二件事 ， 还有吗 ？
我觉得刚才提到这个 ICL， 为什么我觉得 ICL 是一个很有意义的一个事情 ，因为在中国这个市场环境里面 ， 大家其实对于部署 、 对于这个落地是有更高的这个诉求的 ，而且 ICL 也是一个比较容易出这个展示 、 比较容易出结果的一个方向 ， 所以我预期可能会有更多的公司围绕着这个方向会去做更多的这个 ICL 相关的工作 。
有什么你期待看到的变化吗 ？
我期待大家仔细的去研究通用模型 ， 真的怎么系统性的提高我们今天整个机器人能力的这个上限 ，因为 Astra 只是一个非常初步的尝试 ， 给我们指引了一个思路 ，但是这个思路的探索肯定是还不充分的 ， 所以可能还有更多的 surprise， 亟待我们去发现 。
我感觉你想说的就是它的反面是什么 ？ 反面可能就是有一些这个领域的人确实一听到一个跨领域的新进展 ， 会有一些本能的抵触吗 ？
那就用现实去证明这件事情 ，其实我有一个类似的比喻 ， 大概在四五年以前 ， 我还能从一些非常资深的机器人的学者 、 创业者那里听到他们对深度强化学习作为一种控制算法的否定和不理解 ，但实际上也就是随着 22 年、23 年这些技术的成熟 ， 今天所有的人形机器人 、 机器狗能够这么好的有这样的运控表现 ，其实都是因为深度强化学习的算法完
全改变了传统手写规则 ， 或者说 MPC 这种经典的控制方法的这种效果 ， 这个范式的冲击其实就发生在四五年以前 。
回到四五年之前的时候 ， 所有人都会告诉你 ，他们在这个领域里面十年前就开始尝试 ，并没有获得很好的结果 ， 所以他们对这个事情是不是很满意的 。
那今天可能对于通用模型对物理世界的这种变化的速度 ， 大家也很容易本能的有所怀疑跟这个 。
低估 。
低估 。
那此刻有什么悬而未决 、 还没有答案但你觉得比较重要的问题吗 ？
如果通用智能持续加强 ， 机器人产业里面的稀缺性跟利润到底会涌向哪里 ？ 如果这个产业最终能够赚很多钱 ，是被通用智能的公司攫取了绝大部分利润 ， 还是被其他产业链上面的公司赚取这个利润 ？
我觉得这个问题今天还没有答案 。
OK， 这个是可以持续去关注的一个问题 。 那今天非常感谢 Peter 再次做客 《 晚点聊 》， 分享了三季度他对具身领域的各种变化的观察 。
这个季度有一个明显的主线 ， 就是以 GPT-6 Astra 为代表的通用基础模型在物理 AI、 在 Robotics 领域表现出了非常大的潜力 ， 然后它也做到了之前可能人们认为大语言模型做不到的一些层次 ， 这会引发一系列的问题 ， 包括就接下来这个行业可能会怎么分工 ， 这么大的一个蛋糕可能会重新怎么分配 ， 然后我们也聊到了一些领域内的具体模型的进展 ， 包括 GEN-1.5 和 S1 使用的 ICL 的
这种方法 ， 它可能会对中国公司很关心的接下来怎么去减少部署成本 ， 带来比较明显的提升 。 我们也讨论了宇树上市之后股价的大幅波动和带来的一系列连锁反应 ， 比如接下来有一批正在排队上市的中国具身智能的创业公司 ，他们的上市进度可能会慢于预期 ， 这会带来哪些持续的影响 。
那今天的节目就到这里 ， 各位拜拜 。
谢谢 ， 拜拜 。
本期 《 零点呈现 》 分享两个总结 ， 首先是近期最大的一个感受 ， 就是虚拟世界的 AI 和物理世界的 AI 正在越来越明显的融合 。
如果你回过头去看我们今年已经发的六期季报 ， 分别是三期 AI 季报和三期具身季报 ， 一个明显的变化就是这两条线的内容交叉点在变多 。
当时对应的具体事件是 5 月时，OpenAI 正式开始对外招募 Robotics 团队 ， 宣告他们重启了机器人的方向 。 也是在那个季度的两期季报里 ， 我们都讨论到了当时还没有对外公开相关动作的 Anthropic， 内部已经在做 Robotics 的探索 。
接着就是到了三季度的 7 月中旬 ， 我们看到了 Anthropic 的那篇长文 《Cloud Plays Robotics》， 和很多年前 OpenAI 做单手赚魔方的时期不同 ， 再次进入 Robotics 领域时， 这个问题已经从技术方法 、 数据管线和资源分配上都变成了与 OpenAI 的主线 ，也就是通用基础模型成为了一个有机的整体 。
正如 Peter 所说 ，Frontier Labs 的共识是物理 AGI 是 AGI 的一个子问题 ， 现在 Astra 来做机器人的策略模型还有非常明显的缺陷 ， 包括它的速度很慢 ， 它的成功率依然非常低 ， 虽然看起来它比一些开源的 SOTA 具身模型要好 ，但绝对值依然低 ， 依然无法真实的部署和使用 。
从长远看 ， 考虑到成本 、 速度 、 可靠性 、 容错率等诸多因素 ， 我个人也倾向认为真实的使用环境中， 未来的系统可能会是一种分层的结构 。
目前我们看到的这种旗舰通用模型不太可能解决所有物理世界的问题 ，但它能解决的部分已经相当可观 ， 已经足以让我们重新去思考独立的具身智能公司的发展趋势 。
与之相关的另一个总结就是每一期季报里我们都会反复讨论到的重点公司宇树 ，Peter 一直非常看好宇树 ， 我理解他的逻辑是宇树至少有一个很高的下限 ， 即使不考虑智能部分 ， 被大家嘲笑的铁疙瘩也极有价值 ， 何况宇树也正在发展它的智能的部分 ， 或者说是做好让这个机器人能被更好的使用的那一层软件的部分 。
这是我们第一期的具身季报就聊到的一个观点 ， 宇树事实上正在成为一种研究物理智能的基础设施 ，不论这个研究者是 Pi，是 Generalist 这样的具身智能领域的创业公司 ，是斯坦福 CMU 这样的高校 ， 还是 OpenAI、Anthropic 这样的大模型公司 ， 都不改变一个好的机器人本体是被需要的这个事实 。
这里的好的标准包括制造的一致性 、 可靠性 、 耐用性 、 成本控制等等 ， 从服务上可能还包括返修和适配这些配套工作做得怎么样 。
本期没有特别展开 ，但我了解到的一个类似的市场变化是最近一段时期零巧手的需求正在爆发 ， 这也回应了我们具身季报第一期所聊的一个话题 ， 就是零巧手这个领域存在一个类似人形本体的研发技术的生态位 ， 可以说到了第三季度这个观点有了更多的事实回应 。
把这些现象放在一起看 ， 大脑以及本体和关键部件的分工似乎正在形成 ，不过还有两个需要观察的问题 ， 第一是大脑由谁来提供 。在 Astra 之前 ， 大部分人看到和投资的答案是由具身智能领域的创业公司来提供 ，而现在有一种新的可能就是 OpenAI 这类公司 。
第二个问题是最终 OpenAI 会不会走到类似 Optimus 那样的全栈垂直整合 ， 就是说它自己也把硬件 、 把本体那部分做了 ， 这两个问题应该会是我们接下来很长一段时间关注具身智能领域的主要线索之一 。
本期节目就到这里 ， 欢迎收听 。 如果你对今天聊的话题有观察 、 好奇或疑问 ， 欢迎在评论区分享想法 ， 这也会成为我们节目的一部分 ， 让整个讨论更完整 。
你也可以把我们的节目分享给对这个话题感兴趣的朋友 ， 欢迎推荐更多你想听的主题和嘉宾 。
你可以从小宇宙 、 苹果 Podcast 等渠道关注 《 晚点聊 LateTalk》，也欢迎关注我们的公众号 《 晚点 LatePost》。 下期再见
。