對(duì)話原力靈機(jī)周而進(jìn)：模型2.4B就夠用，關(guān)鍵是“具身原生”

衡宇 發(fā)自 凹非寺
量子位 | 公眾號(hào) QbitAI

一個(gè)（暫時(shí)）只做具身大腦的公司，拋出了一個(gè)只有2.4B參數(shù)的具身模型。

目前行業(yè)風(fēng)向標(biāo)如Physical Intelligence的π 0總計(jì)約33億參數(shù)，π 0.6的參數(shù)量也約莫在50億以上。

在一個(gè)甚至連硬件形態(tài)都還沒定型的行業(yè)里，2.4B參數(shù)到底夠不夠用？

這家公司給出的答案是，夠用。

而且足以支撐它實(shí)時(shí)處理三視角的728x728畫面，推理延遲僅60毫秒；配合強(qiáng)化學(xué)習(xí)機(jī)制，它還能在真機(jī)上不斷試錯(cuò)進(jìn)化。

這就是具身智能創(chuàng)企原力靈機(jī)推出的首個(gè)具身原生模型產(chǎn)品DM0。

2.4B的輕量小蛋糕，RTX 5090就能跑。

因?yàn)閺牧阌?xùn)練以及對(duì)具身數(shù)采有不同于行業(yè)的看法等原因，該公司稱它為“首個(gè)具身原生大模型”。

與模型同時(shí)發(fā)布的還有開源具身原生框架Dexbotic 2.0，以及具身原生量產(chǎn)工作流DFOL。

這具身軟件三件套背后技術(shù)路線的操盤手，是原力靈機(jī)合伙人、負(fù)責(zé)大模型的周而進(jìn)。

他在AI圈早已名聲在外。

周而進(jìn)現(xiàn)在才33歲，但這人已經(jīng)在AI領(lǐng)域出名13年了——

早在2013年，深度學(xué)習(xí)和人工智能還是冷門的時(shí)候，大二的曠視實(shí)習(xí)生周而進(jìn)就以一作身份，拿下了ICCV 2013的自然環(huán)境人臉關(guān)鍵點(diǎn)定位比賽（300-W）工業(yè)界組冠軍。

但這個(gè)傳奇人物的出名比這個(gè)時(shí)間線更早。

他是信息學(xué)競賽NOI、IOI金牌選手，初三就“保送”到了清華；作為清華的學(xué)生，他師從電子工程系長聘教授、系主任汪玉。

后來作為曠視12號(hào)員工，他屢屢用算法軟件拿下全球第一。

就是這樣一位從AI 1.0時(shí)代走出來的少年天才，在去年，他和同為曠視同事的范浩強(qiáng)、汪天才，創(chuàng)業(yè)具身智能。

后來前曠視聯(lián)合創(chuàng)始人唐文斌也參與其中，擔(dān)任CEO。

周而進(jìn)對(duì)我們說，當(dāng)前具身行業(yè)的主流具身模型方案，大多數(shù)是VLM+Action Head思路。

也就是說，大模型負(fù)責(zé)識(shí)別和邏輯推理（比如看到冰箱里有牛奶），動(dòng)作頭負(fù)責(zé)執(zhí)行（去抓取牛奶）。

• 這種方法在目前行之有效，但它是一種外掛式方案。

原力靈機(jī)想追求一種具身原生路線，強(qiáng)調(diào)從數(shù)據(jù)采集范式、推理方式到控制結(jié)構(gòu)，都應(yīng)源自物理世界的反饋，而不是數(shù)字世界的派生模態(tài)。

也確實(shí)這么付諸實(shí)踐了。

剛提到的模型DM0，就“從底層建模上就將感知、推理、控制整合為閉環(huán)，然后通過空間推理思維鏈（Spatial CoT），內(nèi)生出具身智能”。

DM0的核心是通過多源、多任務(wù)、多機(jī)型訓(xùn)練來打通具身智能。

具體的訓(xùn)練過程，分為三個(gè)階段。

第一階段是VLM Train。

團(tuán)隊(duì)從零構(gòu)建具身原生的多模態(tài)模型，將互聯(lián)網(wǎng)、智駕和具身多傳感數(shù)據(jù)融為一體，讓模型天生就理解物理環(huán)境，練就扎實(shí)的感知基本功。

第二階段是VLA Pre-Train，周而進(jìn)稱之為“具身能力涌現(xiàn)的關(guān)鍵”，分為多任務(wù)、多機(jī)型訓(xùn)練和空間推理思維鏈兩條主線。

第三階段是VLA Post-Train。這一步保留了針對(duì)特定應(yīng)用場景的適配能力。

在RoboChallenge大規(guī)模真機(jī)評(píng)測中，DM0拿下了單任務(wù)和多任務(wù)雙料第一。

這是原力靈機(jī)成立以來第一次成體系地發(fā)布具身技術(shù)產(chǎn)品。

從和周而進(jìn)的對(duì)談里我們發(fā)現(xiàn)，原力靈機(jī)從模型、工具鏈、量產(chǎn)工作流，方方面面都不停地在講閉環(huán)、講具身原生。

在我們與周而進(jìn)的這次深度對(duì)話中，他也圍繞這些關(guān)鍵詞給出了更詳細(xì)的解讀：

• 為什么要堅(jiān)持從零訓(xùn)練而不是微調(diào)？
• 空間推理思維鏈?zhǔn)窃趺磶椭Ｐ蛻?yīng)對(duì)長程任務(wù)？
• “全身全時(shí)全域”的數(shù)據(jù)采集會(huì)帶來什么變化？
• 機(jī)器人如何逐步走向擁有“社會(huì)身份”？
• 以及，為什么必須7×24小時(shí)跑起來？為什么要從物流開始做具身？

諸如這些問題，在采訪中都得到了回應(yīng)。

（以下為對(duì)話實(shí)錄。在不改變對(duì)談?wù)弑救嗽獾幕A(chǔ)上，我們做了部分刪改，以方便閱讀）

對(duì)話實(shí)錄

關(guān)于“具身原生”

量子位：靈機(jī)把這次發(fā)布的DM0叫做“具身原生大模型”。原生不原生有什么區(qū)別？

周而進(jìn)： 具身智能的核心是構(gòu)建感知-決策-執(zhí)行的閉環(huán)智能。

在大語言模型范式下，智能主要停留在信息處理層面，比如識(shí)別冰箱里有牛奶。

但具身智能不僅要看到牛奶，還要拿起牛奶，找到生產(chǎn)日期，從而判斷牛奶是否過期，實(shí)現(xiàn)從數(shù)字智能到物理智能的跨越。

量子位：DM0原生在哪里？

周而進(jìn)：有兩個(gè)層面。

第一個(gè)是模型訓(xùn)練本身的起點(diǎn)從零開始。

希望模型從出生的第一天開始，就已經(jīng)充分理解物理世界，而不是在一個(gè)已經(jīng)被大量互聯(lián)網(wǎng)數(shù)據(jù)塑形過的模型上，后天再去補(bǔ)物理世界的東西。

物理世界在模型初始化階段，會(huì)給到非常多非常豐富的反饋，這種反饋如果放到后面再學(xué)，本質(zhì)上是很難補(bǔ)回來的。

互聯(lián)網(wǎng)數(shù)據(jù)當(dāng)然很重要，它帶來了大量先驗(yàn)，但我們的理念是，希望模型在一開始就見過真實(shí)的空間關(guān)系、交互關(guān)系，理解人與物理世界是如何對(duì)話的。

很多人會(huì)覺得，現(xiàn)在已經(jīng)有很強(qiáng)的通用大模型了，比如直接拿一個(gè)語言模型作為基模，再往后堆一些具身數(shù)據(jù)，好像也能訓(xùn)出效果。

從工程上看，這條路是走得通的。但我們會(huì)覺得，這樣的路徑在認(rèn)知順序上是有問題的。無論是動(dòng)物還是人類，最早學(xué)會(huì)的都是動(dòng)作，是對(duì)物理世界的反應(yīng)能力，而語言、抽象思維反而是后天逐漸發(fā)展出來的。

一個(gè)不那么嚴(yán)謹(jǐn)?shù)念惐龋愫茈y想象一個(gè)嬰兒是先學(xué)會(huì)對(duì)話，再學(xué)會(huì)找奶瓶。

所以我們認(rèn)為具身模型也應(yīng)該遵循類似的路徑，從一開始就圍繞物理交互來構(gòu)建，而不是在一個(gè)已經(jīng)在數(shù)字世界訓(xùn)練好的模型上去嫁接動(dòng)作能力。

量子位：第二個(gè)原生的點(diǎn)呢？

周而進(jìn)：第二個(gè)是數(shù)據(jù)的理解方式。

今天行業(yè)里關(guān)于具身數(shù)據(jù)怎么采、用仿真還是真機(jī)，其實(shí)分歧非常大。

仿真派和真機(jī)派之間爭論了很久，但我們一直覺得用“仿真”還是“真機(jī)”來切分本身意義并不大，更像是在給自己貼標(biāo)簽。

我們的看法是，今天你采集的所有數(shù)據(jù)，本質(zhì)上都是合成數(shù)據(jù)，只是合成程度不同而已。

在仿真器里，任務(wù)定義、物理反饋、物理規(guī)則，全部是人為構(gòu)造的，這是高度合成的數(shù)據(jù)；在真實(shí)世界里采數(shù)據(jù)，看起來瓶子是真的、環(huán)境是真的，但任務(wù)是不是你定義的？Task instruction是不是人為設(shè)定的？物流場景里的流水線是不是人設(shè)計(jì)的？

從這個(gè)角度看，它們本質(zhì)上都處在一個(gè)合成光譜上。

我們更關(guān)心的不是用不用仿真，而是應(yīng)該把數(shù)據(jù)和算力投向哪里。

我們內(nèi)部有一個(gè)比較明確的判斷，物理確定性強(qiáng)的部分，用算力和仿真去解決；語義模糊、不確定性高的部分，用真實(shí)數(shù)據(jù)去覆蓋。

這也是我們?yōu)槭裁磿?huì)認(rèn)為從一開始就把“人、數(shù)據(jù)、物理世界的交互形式”放進(jìn)模型設(shè)計(jì)里非常重要。

如果模型最早接觸到的就是這些東西，它在后續(xù)面對(duì)不同硬件、不同形態(tài)機(jī)器人時(shí)，學(xué)到的是操作邏輯，而不是某一臺(tái)機(jī)器的電機(jī)參數(shù)。

量子位：說到不同形態(tài)的機(jī)器人，資料顯示DM0的訓(xùn)練特意擴(kuò)充了不同本體的機(jī)器人數(shù)據(jù)，目前是8種機(jī)器人。

周而進(jìn)：如果模型只見過少數(shù)幾種機(jī)型，它很容易把“該怎么完成一個(gè)任務(wù)”和“這臺(tái)機(jī)器的關(guān)節(jié)要怎么轉(zhuǎn)”混在一起。

舉個(gè)例子，把水放到某個(gè)位置，模型真正應(yīng)該理解的是伸手、移動(dòng)、放置這個(gè)動(dòng)作序列，而不是某個(gè)關(guān)節(jié)需要轉(zhuǎn)多少度。

就像人開車一樣，一個(gè)合格的司機(jī)不會(huì)因?yàn)閾Q了一輛車就不會(huì)開了。

真正記住的是軌跡和操作邏輯，而不是方向盤的松緊程度。

從這個(gè)角度也很容易能理解具身原生是我們的路徑選擇。

關(guān)于數(shù)據(jù)和高/低熵場景

量子位：DM0用的數(shù)據(jù)來源有3個(gè)，分別是互聯(lián)網(wǎng)數(shù)據(jù)、智能輔助駕駛數(shù)據(jù)和具身智能數(shù)據(jù)。

周而進(jìn)：具身模型不是只靠一種數(shù)據(jù)就能訓(xùn)出來的。

如果仿真的物理引擎足夠強(qiáng)，能模擬出真實(shí)世界的接觸力、摩擦力和碰撞反饋，那么仿真數(shù)據(jù)的價(jià)值就會(huì)極大提升。

但在目前的階段，特別是涉及到復(fù)雜的觸覺和細(xì)微操作時(shí)，真實(shí)交互產(chǎn)生的硬核數(shù)據(jù)依然是不可替代的。

而且互聯(lián)網(wǎng)數(shù)據(jù)、自駕數(shù)據(jù)、具身數(shù)據(jù)，這三類數(shù)據(jù)在模型里承擔(dān)的角色是完全不同的。

互聯(lián)網(wǎng)數(shù)據(jù)提供的是語言和概念層面的抽象能力，它讓模型理解“什么是什么”；自駕數(shù)據(jù)提供的是在開放環(huán)境中應(yīng)對(duì)長尾事件的經(jīng)驗(yàn)；而具身數(shù)據(jù)填補(bǔ)的是物理交互和接觸這一塊，這是前兩類數(shù)據(jù)完全無法覆蓋的。

量子位：三者有固定的混合比例嗎？

周而進(jìn)：沒有，根據(jù)實(shí)驗(yàn)結(jié)果動(dòng)態(tài)調(diào)整。

現(xiàn)在具身數(shù)據(jù)確實(shí)相對(duì)少，但隨著采集規(guī)模的擴(kuò)大，它的占比一定會(huì)快速上升。

量子位：其中哪種會(huì)是未來訓(xùn)練具身模型的主導(dǎo)類別？

周而進(jìn)：我們并不認(rèn)為未來一定是某一種數(shù)據(jù)占絕對(duì)主導(dǎo)。3類數(shù)據(jù)在不同階段承擔(dān)不同權(quán)重。

量子位：你們提到“熵在哪里，數(shù)據(jù)就投向哪里”，這句話怎么理解？

周而進(jìn)：可以理解為決定數(shù)據(jù)采集的關(guān)鍵變量是環(huán)境的可描述性與熵（不確定性）。

最高效的方法一定是“能夠閉環(huán)的方法”。

如果數(shù)據(jù)采回來不能提升模型的泛化能力，或者采回來的全是重復(fù)的、低質(zhì)量的動(dòng)作，那只是在浪費(fèi)算力。

我們現(xiàn)在的策略是，先通過模型發(fā)現(xiàn)哪些任務(wù)是它干不好的，即“熵值高”的地方，然后針對(duì)性地去補(bǔ)那部分?jǐn)?shù)據(jù)。

這就叫以需定采，讓數(shù)據(jù)采集也具備反饋閉環(huán)。

環(huán)境規(guī)則明確的場景，數(shù)據(jù)就是計(jì)算的產(chǎn)物。我們可以充分發(fā)揮算力可擴(kuò)展的優(yōu)勢(shì)，通過算力進(jìn)行狀態(tài)空間的探索。

高熵場景充滿不明的語義，人類偏好，還有開放世界的不確定性。這種情況下數(shù)據(jù)就是經(jīng)驗(yàn)的映射，必須依賴真實(shí)交互，從多樣經(jīng)驗(yàn)中歸納。

簡單說，物理規(guī)則簡潔確定的部分用算力生成數(shù)據(jù)，物理模糊或語義模糊的部分用真機(jī)采集，這樣才能解決長尾問題。

關(guān)于數(shù)據(jù)采集方式

量子位：你們的數(shù)據(jù)采集方式好像很獨(dú)特，不只采具身機(jī)器人的雙臂動(dòng)作。

周而進(jìn)：我們做的是全身全域全時(shí)的采集。

量子位：什么是“全身全域全時(shí)”？

周而進(jìn)：全身，指數(shù)據(jù)采集要包含底盤的移動(dòng)、軀干的協(xié)調(diào)以及所有傳感器的反饋。

具身智能是操作與導(dǎo)航的統(tǒng)一，你不能把路走得好和手干得好拆開來看，數(shù)據(jù)必須包含全身的協(xié)同。

全時(shí)強(qiáng)調(diào)的是數(shù)據(jù)的連續(xù)性和因果鏈。

數(shù)據(jù)采集不能只拍下某個(gè)瞬間，要從意圖產(chǎn)生、路徑規(guī)劃到動(dòng)作執(zhí)行，甚至是中間出錯(cuò)、修正的全過程都記錄下來。

正常人類對(duì)話，我問你“衛(wèi)生間在哪”，你手一指，說“在那”。

這個(gè)過程中你講了一個(gè)方位代詞，又做了一個(gè)肢體語言。這些東西其實(shí)是我們認(rèn)為能夠跟人長時(shí)間，或者說24小時(shí)全時(shí)共處的一個(gè)機(jī)器人他就應(yīng)該具備的能力。

全域是空間域，相對(duì)其他兩個(gè)，這個(gè)暫時(shí)還是一個(gè)未來規(guī)劃。

量子位：采集這種數(shù)據(jù)是一開始出發(fā)點(diǎn)就這樣，還是走了其它方式最后選擇了一種最work的？

周而進(jìn)：我們從一開始去做數(shù)采的時(shí)候，就奔著要把全身的數(shù)據(jù)、全時(shí)間段的數(shù)據(jù)、全空間場景的數(shù)據(jù)都給覆蓋了，其實(shí)就是奔著一個(gè)更通用的目標(biāo)去做。

都說具身智能具身智能，那人類的全身的數(shù)據(jù)你是不是都應(yīng)該采到？

如果我今天只做桌面的雙臂抓取機(jī)器人，你好像只要用雙臂就行了。

但真實(shí)的人類動(dòng)作不只有雙臂和雙手的動(dòng)作。過程中你可能要彎腰，你可能要蹲下；如果要把東西遞出去，需要伸手……需要各種肢體語言。

具身智能的數(shù)據(jù)不能只關(guān)注手部動(dòng)作，應(yīng)該要用整體性的、連續(xù)的來訓(xùn)。

量子位：這樣煞費(fèi)苦心地采集，能帶來什么效果呢？

周而進(jìn)：全身全時(shí)全域的采集是為了應(yīng)對(duì)物理世界的無限長尾。

如果采集不夠全面，模型就會(huì)陷入無限打補(bǔ)丁的困境。

關(guān)于新發(fā)布的具身三件套

量子位：這次除了DM0，你們還發(fā)布了一個(gè)開源的具身框架Dexbotic2.0，以及解鎖具身應(yīng)用量產(chǎn)工作流的DFOL。動(dòng)作不少。

周而進(jìn)：Dexbotic2.0是我們聯(lián)合RLinf一起打造“具身智能領(lǐng)域的PyTorch”。

它采用模塊化架構(gòu)，視覺編碼器、LLM模塊、動(dòng)作專家模塊都可以像樂高一樣自由組合。

我們聯(lián)合了清華、無問芯穹共建，目標(biāo)是實(shí)現(xiàn)具身操作與導(dǎo)航、模仿學(xué)習(xí)與強(qiáng)化學(xué)習(xí)的統(tǒng)一。

DFOL則用來解鎖具身應(yīng)用量產(chǎn)工作流。

傳統(tǒng)非標(biāo)自動(dòng)化擁有極快的節(jié)拍和極高的確定性，但靈活性差，難以適應(yīng)頻繁換線；人工則具備極強(qiáng)的通用能力和高超操作技巧，但是效率低、成本高且穩(wěn)定性不足。

DFOL正處于這兩者之間最有價(jià)值的工作區(qū)間，它依托相對(duì)通用的硬件，通過強(qiáng)大的學(xué)習(xí)能力實(shí)現(xiàn)快速換線，以模型定義功能，并對(duì)復(fù)雜多變的輸入具備極強(qiáng)的柔性適應(yīng)能力。

既能保持較高效率與確定性，又擁有接近人類的靈活性和適應(yīng)性

我們用三個(gè)指標(biāo)評(píng)估它：

• 成功率（接近100%的連續(xù)無故障作業(yè)）
• 動(dòng)作質(zhì)量（毫米級(jí)甚至更高的定位精度）
• 節(jié)拍（即吞吐率，決定ROI）

關(guān)于具身模型的記憶

量子位：DM0模型里面用到了空間推理思維鏈（Spatial CoT），這和大語言模型的推理思維鏈（CoT）的本質(zhì)區(qū)別是什么？

周而進(jìn)：大語言模型的CoT主要是一維的語義推理，具身智能面臨的挑戰(zhàn)是三維的物理世界。

空間推理的推理核心是“空間”，具備真實(shí)操作場景中的空間理解、時(shí)序組織與運(yùn)動(dòng)控制能力。

面對(duì)“收拾一下桌面”這種模糊指令，模型不是直接輸出動(dòng)作，而是先進(jìn)行子任務(wù)預(yù)測與規(guī)劃，然后完成物體識(shí)別與精確定位。

它必須把視覺特征轉(zhuǎn)化為精確的空間坐標(biāo)和軌跡，這是一種空間維度的推演。

量子位：在純文本大模型里，推理錯(cuò)了可能只是胡言亂語；但物理世界里的動(dòng)作一旦出錯(cuò)，可能造成損壞、危險(xiǎn)或不可逆的后果。

周而進(jìn)：對(duì)。所以空間推理思維鏈通過“子任務(wù)-識(shí)別定位-2D軌跡-3D動(dòng)作映射”的閉環(huán)，確保每一步推理都與物理現(xiàn)實(shí)對(duì)齊。

它模擬“介入世界”后的物理反饋，從而彌合感知與執(zhí)行之間的斷層。

這類空間推理是DM0模型的設(shè)計(jì)核心。

量子位：空間推理思維鏈能帶來什么效果？

周而進(jìn)：結(jié)合高分辨率的輸入，他能讓模型在毫米級(jí)精度的任務(wù)中（如工件擺放）識(shí)別微小的位置差異。

沒有這種層層遞進(jìn)的推理，模型無法學(xué)會(huì)物體左偏移2毫米意味著什么，但通過空間推理后就能計(jì)算并執(zhí)行這種差異。

普通的CoT無法告訴你杯子向左偏移2毫米意味著什么，但Spatial CoT必須能計(jì)算并執(zhí)行這種差異。

關(guān)于7x24運(yùn)行

量子位：關(guān)于數(shù)據(jù)閉環(huán)、物理直覺的形成，還有熵，你都在說“越早越好”。

周而進(jìn)： 所有人都知道，機(jī)器人要上崗要運(yùn)行，但什么時(shí)候跑是一個(gè)很現(xiàn)實(shí)的問題。有的團(tuán)隊(duì)是先做demo，先做技術(shù)，再考慮落地；我們是反過來。

我們一開始就想，這個(gè)東西必須7×24小時(shí)運(yùn)行，越早跑起來越好。

只有真實(shí)跑起來，才有真實(shí)數(shù)據(jù)。

你的模型再聰明，如果沒有數(shù)據(jù)回流，它永遠(yuǎn)學(xué)不會(huì)真實(shí)場景中的問題；你訓(xùn)練里沒有的東西，只能靠在跑的時(shí)候補(bǔ)回來。

而且越早跑起來，工程的穩(wěn)定性問題越早暴露，你就能越早修。

今天demo做得再好，一旦你要上崗7×24，你就會(huì)發(fā)現(xiàn)電源、網(wǎng)絡(luò)、攝像頭、支架，甚至天氣、光照，都會(huì)出問題。

量子位：原力靈機(jī)的模型已經(jīng)7x24在跑了嗎？

周而進(jìn)：我們現(xiàn)在已經(jīng)在多個(gè)場地做部署，不是demo式的部署，是7×24的真實(shí)運(yùn)行。

哪怕剛開始成功率不高，也要跑起來。

關(guān)于精細(xì)操作

量子位：你們把工廠里的物流場景是具身智能應(yīng)用的重要延伸。

周而進(jìn)：是的。

量子位：為什么從物流做起？

周而進(jìn)：具身現(xiàn)在很難說脫離場景，一定得在一個(gè)比較明確的場景下面來做這件事情。

我們今天做物流有明確的產(chǎn)線，有明確的上下料的邏輯。

在這個(gè)場景上面，先把該干的活干好，然后一步一步去拓展能力。

靈機(jī)在物流場景里做了一個(gè)輪式雙臂機(jī)器人，專門用來做物料分揀。物料分揀實(shí)際上非常復(fù)雜，物料有柔性的，有剛性的，擺放也很亂，就是在物料箱里隨意堆滿。

要把這些物品一個(gè)一個(gè)分揀出來，有很多傳統(tǒng)的方法，比如用吸盤。但問題是吸盤對(duì)于柔性材料，對(duì)于表面不光澤的物體不work，有各種各樣的corner case。

在這樣一個(gè)明確且受限的應(yīng)用場景下，我們的目標(biāo)是探索能否讓機(jī)器人實(shí)現(xiàn)24小時(shí)不間斷運(yùn)行，滿足實(shí)際需求。

量子位：怎么理解“物流場景非常復(fù)雜”？光是聽起來，沒有什么具體的體會(huì)。

周而進(jìn)：很多時(shí)候大家會(huì)被一些大動(dòng)作吸引，比如能不能搬箱子、能不能推門、能不能走路。

但真正難的其實(shí)是精細(xì)動(dòng)作。

精細(xì)動(dòng)作不是說動(dòng)作幅度小，而是說對(duì)連續(xù)狀態(tài)變化的控制要求非常高。

比如一個(gè)工件的擺放，你肉眼看可能覺得已經(jīng)放進(jìn)去了，但對(duì)工業(yè)來說，差一兩毫米就是失敗。

這種事情如果只是拍視頻是看不出來的，一旦真的放到產(chǎn)線上，就會(huì)發(fā)現(xiàn)成功率會(huì)非常快地掉下來。

量子位：怎么讓具身機(jī)器人很好地完成這些精細(xì)動(dòng)作？

周而進(jìn)：精細(xì)動(dòng)作的前提是精細(xì)感知。

如果你的視覺輸入分辨率不夠，模型看到的世界本身就是模糊的，那后面的推理和控制一定是漂的。很多時(shí)候模型它根本不知道現(xiàn)在這個(gè)工件到底偏了多少。

所以我們?cè)谀Ｐ驮O(shè)計(jì)時(shí)，會(huì)非常看重高分辨率輸入下的穩(wěn)定性，而不是只追求推理速度或者吞吐。

這又call back了我們反復(fù)強(qiáng)調(diào)具身原生。其中一個(gè)很重要的原因就是精細(xì)動(dòng)作沒辦法靠后期補(bǔ)。

如果模型在最早的訓(xùn)練階段，從來沒有在高精度、高要求的物理反饋下學(xué)過動(dòng)作，那后面你再加多少規(guī)則、加多少工程約束，都會(huì)非常吃力。

關(guān)于落地場景

量子位：說說你們的落地場景吧。

周而捷：我們挑選的是一個(gè)最標(biāo)準(zhǔn)化的場景，就是物流工人坐在工位上面，在物料箱上面做分揀；也有工人是在做物料箱的搬運(yùn)，他要從這邊的一個(gè)AGV把箱子拿起來，然后塞到貨架上面。

也有工人在做打包。比如你買了三瓶可樂，工人要拿一個(gè)快遞箱，里面還要墊一些防震的泡沫紙，最后打包好。

這已經(jīng)涉及到一個(gè)人在工廠里面全身的動(dòng)作：走動(dòng)、蹲起、手部的靈巧操作……覆蓋的場景非常豐富了。

不過事情要一步一步來解決。我們現(xiàn)在先解鎖的還是靈巧抓取的問題。

量子位：你們?cè)趺纯创煌瑘鼍暗膬?yōu)先級(jí)？為什么先做物流，而不是一上來就做家庭之類的其它場景？

周如進(jìn)：家庭場景確實(shí)是讓所有人都非常興奮的終局，但飯得一口一口吃。

我們現(xiàn)在的策略是，首先選一個(gè)能夠比較規(guī)模化、且具備高度可復(fù)制性的場景。

這種可復(fù)制性包含三個(gè)維度。

第一個(gè)是商業(yè)模式的復(fù)制，能不能形成標(biāo)準(zhǔn)化的投入產(chǎn)出比（ROI）？

第二個(gè)是施工難度的控制，環(huán)境要相對(duì)可控，不會(huì)像家庭環(huán)境那樣極端，復(fù)雜多變。

第三個(gè)是數(shù)據(jù)回流量復(fù)制， 這是最重要的——我們需要在一個(gè)場景里快速跑通閉環(huán)，讓數(shù)據(jù)能成規(guī)模地回流，用來喂養(yǎng)模型。

量子位：為什么是這三個(gè)維度？

周而進(jìn)：通過這些場景，我們可以逐步解鎖三個(gè)核心能力。

第一是模型的通用能力，第二是硬件的可靠性，第三是把供應(yīng)鏈和成本打下來。

如果直接進(jìn)家庭，這三座大山很難同時(shí)翻過去。

量子位：不過你剛才提到，“家庭”是“理想的終局場景”？你們的路線圖是什么樣的？

周而進(jìn)：物流不僅有抓取，還有大量的搬運(yùn)和環(huán)境交互。

從物流開始，先做一些專項(xiàng)能力的產(chǎn)品，進(jìn)到倉儲(chǔ)環(huán)境；等能力穩(wěn)定了，再逐步推向ToB靠近ToC的場景，比如門店的導(dǎo)流、導(dǎo)客、導(dǎo)購。

最后，當(dāng)所有的技術(shù)、成本、安全性都經(jīng)過海量驗(yàn)證后，再往最終的To C家庭方向去走。

這就是我們說的先物流、后家庭，步步為營。

關(guān)于世界模型

量子位：DM0在設(shè)計(jì)中引入了具身空間建模機(jī)制，借鑒了世界模型的范式。你們?cè)趺纯创澜缒Ｐ停?/strong>

周而進(jìn)：高階世界模型被我們視為提升模型泛化能力和處理復(fù)雜長程任務(wù)的核心技術(shù)支撐。

量子位：你們?cè)趺炊x世界模型？

周而進(jìn)：我們對(duì)它的定義跟大家不太一樣。

我們不認(rèn)為世界模型是一個(gè)萬能的、能直接輸出高質(zhì)量策略的現(xiàn)實(shí)仿真器。我們更傾向于它是一種模型內(nèi)的世界理解方式，它的關(guān)鍵點(diǎn)是你有沒有辦法在不執(zhí)行動(dòng)作的前提下，推理出這個(gè)動(dòng)作在當(dāng)前環(huán)境下會(huì)帶來什么結(jié)果。

這個(gè)東西才是核心。

如果你每做一個(gè)動(dòng)作都要試一下、都要采一次反饋，那太慢了。

世界模型的意義是讓你在心中模擬一次結(jié)果，然后挑最優(yōu)的那條路徑去做。

量子位：它不是讓你直接輸出結(jié)果，而是讓你學(xué)會(huì)怎么模擬。

周而進(jìn)：對(duì)。

我們現(xiàn)在也在嘗試讓世界模型具備空間和時(shí)間上的腦補(bǔ)能力。

就是說，當(dāng)它看到前幾幀時(shí)，它能不能想象出接下來幾幀會(huì)發(fā)生什么。或者說，如果我現(xiàn)在想做一個(gè)動(dòng)作，它能不能在執(zhí)行之前，先預(yù)測這個(gè)動(dòng)作在物理世界中可能發(fā)生的后果。

我們也會(huì)跟DM0這樣的具身模型做結(jié)合，讓世界模型的輸出能對(duì)動(dòng)作規(guī)劃起到支持作用，但不是說它能獨(dú)立解決所有問題。

更像是一個(gè)幫助你決策的inner loop，而不是一個(gè)萬能planner。

關(guān)于終極目標(biāo)與節(jié)奏判斷

量子位：除了落地家庭外，具身智能機(jī)器人還有更遙遠(yuǎn)的終極目標(biāo)嗎？

周而進(jìn)：我覺得具身智能最終一定會(huì)走向擁有廣泛社會(huì)身份的階段。

但這個(gè)過程一定是分階段的。需要成熟可靠的硬件形態(tài)，需要模型能用自然語言與人協(xié)作完成任務(wù)，也需要用戶在心理上形成信任。

量子位：什么叫擁有廣泛的社會(huì)身份？

周而進(jìn)：我們內(nèi)部討論過一個(gè)很有趣的概念，叫“機(jī)器人擁有自己的支付寶”。

機(jī)器人去執(zhí)行一個(gè)任務(wù)，比如去超市幫主人買一瓶水，或者在園區(qū)里調(diào)用了另一個(gè)自動(dòng)化設(shè)備的服務(wù)時(shí)，它可以具備獨(dú)立的支付和結(jié)算能力。

這種社會(huì)身份的建立，背后需要解決的是機(jī)器人的信用體系、支付體系以及責(zé)任追溯體系。

未來的具身機(jī)器人會(huì)像現(xiàn)在的智能手機(jī)一樣，是一個(gè)社會(huì)化接口。擁有支付能力只是第一步，擁有廣泛的社會(huì)身份才是它成為真正AGI的標(biāo)志。

為什么是原力靈機(jī)來做這件事？

量子位：早前曠視內(nèi)部有問“why me”的文化。現(xiàn)在自己出來再創(chuàng)業(yè)，你覺得為什么要來做具身這件事？

周而進(jìn)：第一個(gè)我覺得是說，具身這件事，不是你簡單的去踩點(diǎn)數(shù)據(jù)，或者把互聯(lián)網(wǎng)上現(xiàn)在各種的數(shù)據(jù)整合一下就能夠做出來的。

它涉及到軟件和硬件，尤其是它涉及到海量的跟物理世界的交互。所以我們覺得首先你要有場景。

對(duì)我們來說的話，物流其實(shí)就是一個(gè)非常好的場景。

舉個(gè)例子，比如說在物流里面，你說分揀物料它能干，但是你真把機(jī)器人搬進(jìn)去，這后面有很多的事情——對(duì)接上層業(yè)務(wù)系統(tǒng)？加入具身機(jī)器人后，你改變了整個(gè)流水線的節(jié)奏節(jié)拍，對(duì)吧？你如果東西掉地上了，你有兜底方案嗎？

所有的這些東西，都是這個(gè)具身到底能不能進(jìn)到這個(gè)場景里，從而帶來所謂的數(shù)據(jù)飛輪的前提。

那如果你搞不定這些東西，那你今天只能去工廠里面擺個(gè)拍個(gè)視頻。

量子位：那為什么是你們這群人來做這件事？

周而進(jìn)：其實(shí)看一家公司能不能成，核心看這幾個(gè)要素：模型能力、硬件能力、行業(yè)認(rèn)知和工程落地。

我們團(tuán)隊(duì)的分工非常明確且閉環(huán)。

唐文斌是CEO，他不僅有極強(qiáng)的商業(yè)敏銳度，更重要的是他能把這幫人聚在一起。

我和汪天才負(fù)責(zé)基模訓(xùn)練，我們對(duì)大規(guī)模參數(shù)、多源數(shù)據(jù)混訓(xùn)有長期的實(shí)戰(zhàn)經(jīng)驗(yàn)。

范浩強(qiáng)負(fù)責(zé)前沿算法探索和軟硬件協(xié)同，這是最難的部分。

我們這個(gè)組合不是臨時(shí)湊的，是經(jīng)過長期驗(yàn)證、有默契的組合。

One More Thing

周而進(jìn)在AI領(lǐng)域真刀真槍做了13年了。

現(xiàn)在遇上新一輪風(fēng)口，他和昔日同伴們一起再戰(zhàn)具身智能。他說，大家老把AI時(shí)代劃分成AI 1.0和AI 2.0時(shí)代，聽起來給人一種割裂感。

但其實(shí)不是這樣的。身處其中，你是能觀察和感覺到技術(shù)的發(fā)展的。

因?yàn)锳I 1.0時(shí)代嶄露頭角的時(shí)候太過年輕，是少年天才，以至于周而進(jìn)和范浩強(qiáng)、汪天才等人，放在這一波AI創(chuàng)業(yè)隊(duì)伍中來，還是非常年輕。

我們問他，你有什么建議給現(xiàn)在的年輕人嗎？不管是搞信奧的還是搞AI的。

周而進(jìn)皺眉頭想了兩秒，突然哈哈大笑：

• 年輕人才不喜歡聽建議呢！干就完了！

DM0技術(shù)報(bào)告：

https://dexmal.com/DM0_Tech_Report.pdf