對話上交大穆堯：具身智能是年輕人改寫世界的機會

在人工智能的眾多賽道中，具身智能（Embodied AI）正處于爆發的前夜。它被視為連接數字世界與物理世界的“最后一公里”，也是人類文明向前邁進的重要里程碑。

從清華大學的強化學習，到香港大學的機器人控制，再到如今在上海交通大學帶領團隊攻堅通用具身智能系統，他站在了計算機視覺（CV）、自然語言處理（NLP）和機器人學（Robotics）的十字路口。

幾年前，這還是一個冷門、艱難的領域，沒有標準數據集，沒有 Benchmark（基準測試），甚至被視為一個費力不討好的領域。如今，隨著大模型技術的溢出，具身智能迎來了日新月異的變革。穆堯也在這個時候成為了上海交通大學的一名年輕的助理教授。他的主頁上寫著一句話：“Shape the intelligence and spirit the machine”（為智慧塑形，為機器注靈）。他相信，真正的創新往往來自那些不設限的年輕人，來自那些敢于在未知中尋找“北極星”的時刻。

在這次對話中，我們試圖還原一位青年學者眼中的具身智能全景圖。從微觀的技術路線選擇，到宏觀的中外產業對比，再到對年輕一代科研者的期許。

以下是對話全文。

圖 | 穆堯課題組（來源：受訪者提供）

這是一個得天獨厚的交匯點

DeepTech：回看你的經歷，從清華到港大，再到如今的上交大，你似乎很早就鎖定了具身智能這個方向。當初是如何在眾多 AI 領域中選中這條路并長期投入的？

穆堯：我認為具身智能對我來說是一個特別合適的領域：它其實是 CV、NLP 和 Robotics 的一個完美交匯點，這與我的經歷和知識儲備非常吻合。我的本科背景涵蓋了跟機器人硬件相關的知識，博士期間在香港大學羅平老師門下，又接觸了比較高端的視覺算法。而具身智能為了理解人類意圖，還會融入 NLP（自然語言處理）的部分。盡管在 2021 年、2022 年這還是一個比較冷門的方向。當時更火的是純 CV 和 NLP，具身智能連標準的數據集和 Benchmark 都沒有。那是一段比較艱難的時期，我們只能一點點去打地基，自己造數據集，自己造 Benchmark，自己去探索方法。

DeepTech：在它還不是風口的時候，你有動搖過嗎？有沒有想過換個更容易出成果的方向？

穆堯：我是比較堅定的。當然，很多同輩的同學會迷茫、會有困惑，我也經常給他們做疏導。具身這條路確實難。它發文章的難度比正常做視覺要大很多，因為你需要在物理世界里做各種硬件的調整，真機實驗可能就得比別人多做半個月。

但我認為它的 ROI（投資回報率）是非常高的。因為這是一個藍海領域，你做的工作其實更具影響力。這是人工智能真正走進物理世界、與物理世界交互、進而改變物理世界的最后一個里程碑式的進程。當它被攻克時，整個人類文明、社會結構都會被重構。這是一個非常偉大的事業，所以我自己義無反顧。

DeepTech：你在主頁上寫著一句話：“Shape the intelligence and spirit the machine”。這背后蘊含著怎樣的研究理念？

穆堯：這兩句話是對我對具身智能核心的解釋。

前半句“為智慧塑形”（Shape the intelligence）指的是我們希望從物理交互的層面給大模型一個身體。現在如 ChatGPT 一樣的大語言模型在虛擬世界中非常發達，但它們欠缺一個物理的身體。它可以幫你寫一封郵件，但不可能給你端來一杯水。我們希望教會它如何控制身體，如何擰開瓶蓋，如何施力。

后半句“為機器注靈”（Spirit the machine），則是具身智能與傳統機器人的區別。傳統機器人面向單一場景、單一任務，追求百分之百的精準。而具身智能是大模型賦予了機器人“靈魂”，讓它能理解人類的意圖，甚至觀察人類的狀態。比如覺得你疲憊了，主動為你做些什么。

簡單來說，前面是相對于互聯網 AI，后面是相對于傳統機器人。具身智能正好是那個完美的交叉點，擁有強大的泛化性、與人溝通的能力，以及一個能走進物理世界的身體。

VLA 已進決賽圈，核心戰役在數據

DeepTech：你在多篇論文中涉及將 Diffusion Model（擴散模型）應用于機器人規劃。為什么選擇這條技術路線？

穆堯：Diffusion Model是一個非常強大的生成器。既然它能生成復雜的視頻，生成機器人軌跡自然不在話下。

更重要的是，具身數據源于人類示教，而人類行為具有極高的多樣性。因此，在同樣觀測下，動作分布會有多個峰值，Diffusion Model 在擬合這種多峰分布上表現極佳。此外，它逐步去噪的過程，允許對整條軌跡進行迭代式優化，“這修修，那補補”，這成為了目前學術界對 Action 建模的主流方式。

DeepTech：現在大家經常討論具身智能的“不可能三角”——通用性、性能和自主性很難兼得。在你的工作中，如何平衡泛化能力和精確性？

穆堯：我覺得隨著技術的演進，“不可能三角”正在被逐漸淡化和模糊。比如最新的 Pi0 等成果，泛化性很好，效果也很好。之前之所以存在“不可能三角”，本質是因為數據不夠。這就像之前的 NLP 模型，針對單一對話做得好，但通用不行。現在 ChatGPT 證明了，只要 Scale up（規模化）上來，這些問題都能解決。目前像國外的谷歌 Generalist. AI 等和國內各大數采場都在快速積累數據，大家也逐漸意識到收集多樣化數據的重要性，隨著真機數據、人類數據、仿真數據的不斷“力大磚飛”，“不可能三角”會被不斷稀釋

DeepTech：既然提到 Scale up，你認為在具身智能中，數據、模型、算力的 Scaling 優先級是怎樣的？

穆堯：優先級最高的絕對是數據。

其實數據的 Scaling 一直做得不夠好。數據分為四個維度：場景、物體、任務、行為。目前場景和物體的多樣性，通過仿真合成數據已經做得相對較好。但任務多樣性很欠缺，不管是真機還是仿真，大多是一幫人拍腦袋定的任務清單，跟人類日常生活的豐富度有巨大鴻溝。

最難的是人類行為的多樣性。即使是真機遙操作采集數據，操作員為了賺快錢，往往傾向于用最快、最單一的方式完成任務。隨著疲勞，他們的行為會越來越單一。而模型訓練恰恰需要多樣化的行為數據。相對而言，模型結構的 Scaling 已經很成熟了，改改結構漲一兩個點意義不大，核心還是數據的 Scaling。

DeepTech：面對數據難題，你們團隊目前具體在推行什么樣的技術方案？

穆堯：我們正在推進一套“人-數字人-機器人”三元融合驅動的數據和模型Scaling up 方案。核心還是以人為本。我們不能只靠死板的仿真，而是要先學一個人類的 Foundation Model，把它作為先驗嵌入到我們仿真合成數據的管線中，把人的行為多樣性遷移過去。

具體而言，整個流程是：第一步，直接從海量的人類視頻數據中進行大規模預訓練，解決數據量的問題；第二步，利用我們構建的管線生成高質量的機器人仿真數據，將人類的行為域遷移到機器人上，進行第二階段的預訓練；第三步，再加入機器人的真機數據進行微調。這可能是目前解決數據瓶頸最有效的路徑。

DeepTech：除了數據，Benchmark（基準測試）也是行業痛點。你認為目前的測評體系存在什么問題？

穆堯：目前缺乏統一的 Benchmark，大家各做各的，沒有一個能讓所有人信服。

比如常用的 LIEBRO，大部分算法都能刷到 90 多分的成功率，再漲一兩個點沒什么意義，而且它用的機器人型號在中國都不賣。再比如 RoboTwin，它主打泛化性，對不同場景，不同桌面的雜亂度，目標物體的形狀、初始位姿等的泛化性能要求較高，但沒有和真實的物理場景做完美的對齊。還有一個最大的問題是真機評測的不可復現性。所有人的真機實驗都是自己設計任務、自己搭場景、用自己的機器人，資產也不一樣。

DeepTech：這有解法嗎？

穆堯：我覺得未來的評價體系應該分三部分：第一，建立一套與真機完全孿生的仿真測試，保證極高的可信度；第二，像 RoboTwin 一樣測策略在廣泛場景下的泛化性；第三，也是目前最糟糕的，真機評測。

我們團隊正在做這件事，推動真機評測的標準化。我們提供標準的硬件清單、場景布置參數，甚至每一個資產的淘寶鏈接，讓大家能購買相應的資產，搭建出一模一樣的平臺。

國內有得天獨厚的優勢，也有不敢冒險的差距

DeepTech：畢業后你選擇了進入高校，而不是去業界一線的研發團隊。這個選擇的緣由是什么？

穆堯：進入產業界，總是容易“受制于人”。企業的安全閾值比較低，它一定要做短期內有收益的事情。但具身智能目前還不是一個特別成熟的產業，它需要我們有更冒險的想法、更年輕的思路。而學術界則相對自由，而且上交大提供了非常好的平臺。在高校，我們是連接各個企業的橋梁，而如果加入某一家企業，可能就很難與其他企業深度合作了。

DeepTech：對比 Stanford 或 MIT等頂尖實驗室，你認為國內在具身智能賽道上有哪些優勢和差距？

穆堯：國內最核心的優勢是硬件本體。我們的機器人產業太發達了，實驗室機器人壞了，廠家第二天就能來修好，這在國外是不可想象的，他們可能得漂洋過海去返修。

差距方面，總體沒有質的技術代差。但國外在冒險精神上確實走在前面。比如 UMI 方案收集了 27 萬小時數據，我們很震驚這是怎么做到的，這需要非常大的 Infrastructure 和資本投入。國內在這方面往往是“不見兔子不撒鷹”，看到別人路跑通了再去 Follow。這很大程度上是因為我們不敢冒險。

DeepTech：在你的觀察中，具身智能是初創公司更有機會，還是會被大廠主導？

穆堯：目前來看，除了 Google、Meta 這種巨頭，國內大部分最前沿的技術發布、開源貢獻，其實都是由初創公司完成的。無論是算法、數據集還是硬件，初創公司展現出了更強的活力。

DeepTech：你對未來 5 到 10 年的技術演進有什么判斷？

穆堯：商業閉環會先在 B 端實現。我看到一些公司的方案在工業端已經具備了 80% 的落地能力，比如物流場景、疊衣服場景。

特別是一些具體場景，比如商超零售，或者家庭中“掃地機器人+機械臂”的組合，去處理吸塵器處理不了的紙團、臟襪子。這些在 1-2 年內會很快落地。但如果你說“通用具身智能”，像保姆一樣什么都能干，那可能還需要 5 到 10 年。

不要被單一的投稿周期束縛

DeepTech：你今年的科研產出非常高效。能否分享一下你的科研時間管理經驗？

穆堯：我認為文章產出是整個團隊的努力。不過關于管理，我覺得第一點是不要只盯著自己的“一畝三分地”。要時刻關注 CV、NLP 領域最前沿的技術。比如 Meta 發布的 SAM 3D，直接顛覆了我們之前仿真合成數據的管線。如果不看那個圈子，你還在用傳統方法死磕，效率就很低。

第二，不要以文章投稿周期來管理時間，而應該采用項目管理的方式。我們不應該只盯著投稿，而是要規劃這個工作什么時候開源、什么時候宣傳、什么時候修復 Bug。這會給之前的布局帶來更大的緊迫感，也能倒逼時間管理。

DeepTech：作為導師，你在帶學生和團隊管理上有什么心得？

穆堯：我最看重學生的主人翁意識。我告訴學生，這個課題分給你，你就是第一負責人，甚至不需要跟我匯報就可以做決策。通過一兩個項目的歷練，他們會形成很強的責任心。我只需要在最開始的構想階段，以及他們遇到真正解決不了的困難時，幫他們捋順關鍵節點。

DeepTech：你的實驗室招生說明中提到“人工智能是年輕人的事業”。為什么這么強調“年輕”這個特質？

穆堯：這和我在回答中美差距時提到過，資深的人往往安全閾值過高，不愿意去嘗試那些“不一定帶來巨大增益”的想法——之前有一些學生提出的我覺得“不靠譜”的想法，最初本想斃掉，但后來想想，實驗室剛建，讓他們試試錯也沒關系。結果反而是一些我沒太看好的項目，做出了很好的效果。這給了我很大的改觀。

我也參加了深圳的具身智能機器人大會，給我的感覺是“天下英雄，如過江之鯽”。新一代博士生蓬勃的生命力和最新想法都非常好。所以，雷軍的那句話說得特別好：“不要聽別人這個建議、那個建議，敢想敢干就完了。” 現在，我也在努力改變自己。

DeepTech：如果給行業里的年輕研究者一個建議，你會說什么？

穆堯：首先要找到自己心目中的“北極星”——那個你愿意投入巨大精力去做的目標。

找到北極星之后，就堅定的往前走。不要因為別人發了一篇 Blog 說仿真數據不如真機數據，你就猶豫仿真的意義；也不要因為別人發了 Simulation 的大工作，你做真機數據的就動搖。只要你的北極星不是特別離譜，在解決問題的過程中，一定能形成一系列成果。

從工具到伙伴

DeepTech：現在資本市場對具身智能的態度，你覺得是過熱還是合理？

穆堯：有一段時間確實過熱，但現在的資本已經很理性了。有些投資人對行業的理解甚至比我還深刻（笑）。

大家覺得過熱，往往是因為宣傳上的過熱。但我們看到，僅僅從 2024 年到 2025 年，技術就發生了翻天覆地的變化。24 年初，很多機器人走路都不利索，我們還無法想象機器人能夠疊衣服，能夠端到端 24 小時連軸轉，但現在正在被逐漸攻克。技術的演進非常快，所以資本多一些投入是合理的，只是行業里確實存在借噱頭過度營銷的現象。

DeepTech：最后，請描述一下你心中理想的具身智能系統，它是什么狀態？

穆堯：最理想的狀態，是成為人類的“伙伴”。

它不僅是有應用價值的工具，比如在養老場景中發揮作用；更會在社會心理學層面帶來改變。隨著具身智能的急速發展，社會結構會發生快速變化。終極形態下，機器人將成為我們非常好的朋友。

結語

具身智能從“冷門賽道”到“風口前夜”，其發展軌跡印證了技術演進的非線性特征。數據瓶頸、評測標準的缺失、真機實驗的高成本，這些問題至今懸而未決，但資本與人才的涌入正在加速尋找答案的進程。

至于這場“為機器注靈”的冒險最終將通向何處，答案仍在時間的另一端。