具身智能数据斜率论

卢策吾大概是世界上第一个让机器人拿刀片给自己刮胡子的人。 他身上的标签不少：具身智能公司穹彻智能的联合创始人兼 CEO，上海交通大学人工智能学院副院长，中文世界“无本体采集”的提出者。 机器人顶会最佳论文的榜上，也常有他的名字。 穹彻智能创始人卢策吾 图片由穹彻智能提供 2014年，他去斯坦福大学人工智能实验室做博士后，师从李飞飞； 2023年，他牵头撰写并确立了“具身智能”的中文标准术语定义，由中国计算机学会发布，这个领域第一次有了规范的中文概念；

同年11月，穹彻智能从非夕科技孵化成立，他出任 CEO 兼首席科学家。 这份履历，足以让他对行业下判断。 可在数字和结论面前，他显得保守，甚至“吝啬”：不给“拍脑袋”的答案，凡事要拿实验说话。 他是从冷清里走出来的。 2021年，卢策吾办了一场具身智能论坛，到场的只有7个人，讲到一半又走了三四个； 隔壁计算机视觉的会场，坐着几百人。 四年后，这条赛道吸走了整个风投业最热的钱。 穹彻成立的2023年，恰是行业的转折点。

那年2月智元成立，7月谷歌把大模型直接接到机器人的动作输出上、发布 RT-2，VLA 路线由此起步，8月宇树推出首款通用人形机器人 H1，11月穹彻成立。 此后资本涌入，全球具身智能赛道的融资额，2023年约27.78亿美元，2025年突破100亿美元。 穹彻两年多做了七轮融资，红杉、阿里先后入场，金额在行业中属中等偏上。 “整个行业的所有从业人员肯定都是这波热潮的受益者。 ”卢策吾说。 但穹彻算不上其中受益最大的那一个。 在我们这场交流里，他口中“数据”出现了69次，其次是模型、场景、落地。

他判断，Scaling Law 会长期奏效，数据因此越来越关键。 他提出了一个很具象的说法，数据的斜率。 斜率说的是模型消化数据的效率：同样两个小时，能真正吃进多少有信息量的数据，这才是分水岭。 单纯堆几万小时，意义不大。 只要斜率一直往上抬，泛化的临界点会自己到来。 斜率的快慢，取决于数据从哪里来、质量够不够高。 穹彻智能做 “无本体采集”：采集员戴着设备在真实场景里自然操作，不必碰机器人，数据可以在线分发，规模因此能往上抬。 代价是设备要求极高，夹爪、穿戴设备差一点，数据就废一点。

今年8月，穹彻发布具身世界动作模型 Noe-0，从预训练到后训练全程使用无本体数据，没有一条来自遥操作。 数据由一只叫 RoboPocket 的可穿戴设备采集，已覆盖超过五十多个城市，累计超二十万小时。 常被追问的另一个问题，是关于“世界模型”。 这个词近两年被反复提起，却始终没有一个收敛的定义，卢策吾对定义之争兴趣不大：叫不叫世界模型不要紧，能不能预测未来才要紧，因为只有能预测，才谈得上泛化。 这仍然来自于他从斯坦福实验室学到的第一性原理。

衡量这套模型，他只看两个数：有多少任务能靠后训练做到99%的鲁棒性、够商用； 以及做到99%要花多少后训练成本。 两个数一起好转，说明泛化和鲁棒性在变强，也直接决定商业化能铺多大。 他理想中的生意，是部署的边际成本一路向下：过去的机器人生意像打井，一个坑一个坑地挖； 现在是铺好一张水管网，接上场景、装个计费表就行。 在斯坦福，导师李飞飞问过他一个问题：人工智能最根本的问题是什么？ 他说，终极的智能不该被锁在数字世界里，应该有手有脚，能干活，能理解和体验真实的物理世界，让智能在真实世界里高速进化。

这是通向通用智能（AGI）的重要路径之一。 李飞飞说，那叫具身智能，一条非常难走的路。 十几年过去，路还是难走，只是不再冷清。 卢策吾的回答因此显得保守，甚至不合时宜，却最接近行业的本质与真相。 以下是虎嗅精选的访谈，进行了不改变原意的改编： 叫不叫世界模型并不重要，关键是对世界底层机理的认知 虎嗅：以2023年穹彻成立为起点回看这三年，行业的技术路线、争议、泡沫、投融资都在快速迭代。 你认为过去哪些判断需要修正或推翻，哪些一直延续到现在？ 卢策吾：从2023年成立至今，有部分核心观点一直没有变化。

成立时我们就看到了通用智能在机器人上落地的可能性，当时大量相关企业集中成立，核心逻辑是大模型技术向物理世界落地具备必然性，我们也预判相关技术发展速度会很快，基于第一性原理的判断三年来没有出现大的变动。 有部分内容的实际发展节奏和最初预判有差异，比如模型架构的迭代速度、数据规模的扩展速度都非常快。 虎嗅：商业化落地的情况和速度，和你三年前的预判相比呢？ 卢策吾：三年前我没有预判到具体年份的落地节点，目前整体进展和预判差不多。

当前模型已经到了在部分场景中推进产品与市场匹配验证，模型能力提升后自然会走向 落地，落地领域先从模式相对简单的结构化场景起步，再逐步延伸到非结构化场景，这个顺序也和之前的预判基本一致。 唯一没有预测到的是资本在这个赛道的爆火程度，这一点比较出乎意料。 虎嗅：前几年大家喊 VLA，最近讲世界模型，但世界模型的定义一直没有收敛。 你怎么理解它？ 最关键的是什么？ 卢策吾：对它要承担的功能，行业是有共识的：能预测未来、预测未来状态，能还原物理世界的知识。 分歧在定义，而定义没那么重要，重要的是使用者要什么。

做视频生成、三维重建的，关心像素是否清晰； 对于以机器人动作为目标的模型，显式、高保真的视觉重建并非首要目标，更关键的是能否理解与任务相关的世界状态，并准确、鲁棒地执行动作； 关心理解世界之后能不能把动作做对。 穹彻的世界模型，核心是理解世界、理解物理规律。 显性重建不是必须的，也可以是隐性的。 我们更在意能不能准确、鲁棒地预测下一帧的每一个动作，对高精度、高清晰的显性重建没有执念。 所以叫不叫世界模型并不关键，关键是对世界底层机理有认知，能预测未来状态，才谈得上泛化。

虎嗅：显性重建和隐性重建是什么区别，能不能举一个例子？ 卢策吾：显性重建就是预测下一帧内容。 用在视频生成、游戏、室内装修、城市建模这些场景，要求视觉效果符合人的预期。 机器人没有这类要求，会做取舍，把能力放在行为理解上。 行为理解的底层也需要隐性认知世界的状态，只是不必把每个细节都做精，就像人做动作不需要在脑中精准还原每个像素，在该精细的地方精细就够了。 这样取舍之后，模型架构、算力、数据分布都能往核心需求上倾斜，效果反而比追求全能更好。 虎嗅：你提过具身智能的“技能光谱”。 它长什么样子，对落地意味着什么？

现在走到了百分之几？ 卢策吾：之所以叫技能光谱而不是技能级，是因为技能是连续函数，我们说的技能名称只是人类给出的映射； 技能光谱本质是用通用方式表示所有可能技能的通用技能能力空间，很难用文字明确界定其具体内容。 关于目前具身智能在技能光谱里完成了多少，很难给出具体数值，随便给出数字属于拍脑袋的判断。 虎嗅：你现在和全球具身智能最前沿的这一批人联系多吗？ 大家的关注点主要是什么？

卢策吾：一直有紧密的联系和交流，目前全球前沿研究者的观点非常一致，核心关注三个方向：一是无本体数据采集量起来之后，如何在数据技术和模型技术上实现规模化，也就是 scaling law 相关的问题； 二是具身模型的评估问题，如何实现模型好坏的规模化定量评估，把评估转化为实在的指标，这也是行业长期的难点； 三是围绕如何实现模型的规模化，让scaling law 真正在具身模型上落地。 2、大家往往只关注数据量，忽略数据增量的斜率 虎嗅：落地最大的卡点是数据。 对具身大脑来说，多大的参数算够？ 多大的参数要配多少数据？

有定论了吗？ 卢策吾：这些都需要靠实验和论证得出，没法拍脑袋确定。 我感觉参数规模可能还需要往更大走，模型泛化能力越强，需要的参数规模就越大。 虎嗅：对于穹彻的模型，你最看重的一个内部指标是什么？ 卢策吾：我们的模型有两个核心特点：一是全链路无本体采集，能大幅提升动作灵巧性； 二是一直以力为核心，能够兼容力模型，把之前的力模型整合到一体。 从更通用的层面来说，核心考核的是模型的泛化性和鲁棒性，最硬核的考核指标是部署成本，具体包含两个维度：一是有多少比例的任务能通过后训练做到99%的鲁棒性、达到商用可用程度；

二是把任务做到99%鲁棒性需要的后训练成本。 能做到99%鲁棒性的任务越多、后训练成本越低，就证明模型的泛化性和鲁棒性越强。 虎嗅：为什么是这两个指标？ 卢策吾：这个指标和商业规模化落地直接挂钩：过去落地一个任务需要整支团队，后续逐步发展到一个工程师就能落地、普通人就能落地，最终到一句话就能完成部署时，就达到了家用的最低成本要求。 无论是 To B 还是 To C 落地，都是模型能力逐步提升、部署成本逐步下降的一脉相承的过程； 如果落地需要依赖数量有限的专业人员，就不可能实现规模化。

虎嗅：具身智能的数据 scaling law 到底要走多远才能出现像 GPT-3.5那样的泛化能力？ 未来有没有可能出现不需要堆数据的新架构？ 卢策吾：我觉得不大可能出现不需要 scaling 的架构，世界上没有免费的午餐。 智能本质是对世界信息的编码，必须输入足够的信息量，区别只在于编码效率的高低。 大家讨论 scaling law 往往只关注数据量，忽略了数据增量的斜率，也就是模型消化数据的效率。 目前我们的模型从零学习一个技能只需要较短时间内，学习效率还有很大提升空间。

关于什么时候能达到 GPT-3.5级别的泛化，我不做具体的时间预判。 从我们内部实验来看，scaling law 的趋势已经非常明确，目前内部的数据吞吐量在持续提升，更关键的是数据增长、模型消化数据的斜率也在不断提高。 我更关注两个核心指标：一是单位成本、单位时间内有效数据的扩张速度，核心是数据携带的信息量； 二是模型消化单位数据的效率提升速度。 只要这两个指标保持加速度提升，自然会快速到达泛化的临界点，也希望业界更多关注这两个维度，而不是执着于猜测具体时间点。