主持了靈初智能的發布會，00后聯創源培讓我很佩服

前兩天主持了靈初智能的發布會，印象特別深。

那天晚上在北京，發布會形式挺新穎的，靈初智能的聯合創始人陳源培，跟我坐在一塊兒，邊聊邊發布。

有點像平時在直播間里聊技術那樣，有什么問題當場就問，有什么干貨當場就展示。

源培就坐我右手邊。

源培是00后，比我還小一點，在北大師從楊耀東，在斯坦福跟著李飛飛做過世界模型研究，現在已經是具身圈年輕一代里的代表人物了。

現場我問了不少有點尖銳的問題：

為什么必須要人類數據，機器數據不是更主流？是不是為了標新立異？

機器人操作失敗的比例有多高？為什么有的場景沒覆蓋到？

說實話，最開始我對靈初智能和源培，是有些疑問的——李飛飛和那么多國內具身公司都沒做好的事，為什么你們可以？

但是這次直播發布，真的打消了我的疑惑。

發布的新一代具身智能大模型Psi-R2，在國際權威評測MolmoSpace中斬獲全球第一。

模型的背后，還有10萬小時的人類操作數據，其中1000小時開源。

這個量級放在整個行業里看，屬于獨一檔的存在。

下面我就把那天晚上聊的內容，和我自己的一些感受，好好復盤一下。

01具身智能被卡脖子的地方，其實不是算法

發布會一開始，我就把那個很多人都在問的問題直接拋給了源培：為什么偏偏具身智能會有數據荒？

源培的回答很干脆。大語言模型也好，自動駕駛也好，它們都站在了巨人的肩膀上。互聯網發展了這么多年，積累了海量的文本、圖像、視頻數據。

GPT們可以像喝自來水一樣直接從這些數據里汲取養分，靠算力的粗暴堆砌就能讓性能穩步提升。

但機器人不行。

物理世界太復雜了，復雜到沒有一個現成的數據集能覆蓋它。你沒辦法讓機器人在真實的工廠車間里邊干活邊攢數據，成本太高，效率太低，而且很多場景根本就不允許犯錯。

這是一個根本性的難題。沒有足夠的高質量數據，再精巧的模型架構都是空中樓閣。

行業內一直在嘗試各種解法。仿真數據是個方向，在虛擬環境里讓機器人反復練習，聽起來很美好。但仿真和真實世界之間永遠有一道鴻溝，一道被稱為Sim-to-Real的鴻溝。

在仿真里學得再好的模型，一到真實環境就水土不服，尤其在處理布料、液體這類柔性物體時，仿真器根本無能為力。

真機遙操作是另一個主流路線。

讓人遠程操控機器人做動作，把操作軌跡錄下來當訓練數據。但這個方案的缺陷也很明顯——貴。雇傭專人采集數據，成本居高不下，而且采集效率極低。

一個人一天能采多少有效數據？更何況，世界上所有的場景、所有的物體、所有的操作，你不可能都在數采場里復刻一遍。

靈初的選擇不太一樣。他們沒有在仿真和遙操這兩條路上死磕，而是把目光投向了另一個方向——直接從人類身上取經。

源培講這個的時候，我插了一句話。我說你這個思路聽起來很樸素啊。他笑了笑說，最樸素的路往往最有效。

人類每天都在真實環境里用雙手完成各種精細操作，這些數據天然帶著真實的任務節拍、真實的操作細節，天然貼近機器人未來要面對的工作世界。

如果能把人類在物流倉庫里的分揀動作、在工廠流水線上的裝配手法，變成機器人可以學習的養分，那數據問題就有了真正的解法。

但事情沒這么簡單。人類和機器人之間存在一個叫本體差異的天然障礙。

人手有二十多個自由度，關節的運動學結構、動力學的響應特性，都和機械手截然不同。

直接拿人類數據去訓練機器人，就像讓一個乒乓球運動員去教一個籃球運動員怎么投籃，動作邏輯完全不同。

更麻煩的是精度問題。

很多人類操作數據來自第一視角的視頻，軌跡恢復精度只有厘米級。對于手機裝配這類需要亞毫米級精度的任務，這種誤差會被迅速放大，根本沒法用。

我問源培，你們是怎么解決這個問題的，他講得尤其透。

02一副手套，撬動整個數據體系

靈初自己研發了一套叫Psi-SynEngine的數據采集方案。

核心是一副便攜式外骨骼觸覺手套。

這副手套不是普通的手套。

它能精確捕捉人手的21個關節自由度，覆蓋全手的觸覺信息，定位精度達到亞毫米級別。更重要的是，工人在日常作業中佩戴它，完全不影響正常操作。

手套會同步記錄頭戴視角和手部視角的視覺數據，同時采集觸覺、動作、語言等多模態信息。

這就意味著，靈初可以直接走進物流倉庫、工廠車間、商超收銀臺，讓一線的分揀員、裝配工、收銀員在日常工作中自然佩戴，在不改變任何既有作業流程的前提下，采集到最真實的人類操作數據。

成本是這個方案的殺手锏。

源培告訴我，通過手套采集數據的綜合成本，只有真機遙操方案的十分之一左右。

十分之一！我當時就在想，這個成本優勢如果真能跑通，靈初在數據采集這條線上就已經把很多競爭對手甩開了。

靈初采集的數據分為兩類。

一類是通過外骨骼手套采集的高精度數據，軌跡精度達到亞毫米級別，專門用于訓練精細操作能力；

另一類是裸手操作的泛化數據，精度沒那么高但規模更大，主要負責提供泛化能力，讓模型見過足夠多的任務和物體。

這里要特別提一下數據信噪比這個概念。源培在直播里花了不少時間講這個，我覺得這是整場發布會最有技術含量的部分之一。

靈初在大量實驗中發現，數據信噪比才是決定人類數據能否有效支撐預訓練的核心因素。

低信噪比的數據不僅沒用，甚至可能起反作用。

判斷數據信噪比，可以從兩方面看。

一是數據集分布。

操作任務的多樣性比物體的多樣性更重要，物體的多樣性又比場景的多樣性重要。泛化能力是模型最難學會的能力之一，預訓練階段見過越多不同的任務和操作對象，接手新任務的速度就越快。

二是感知模態。

精準的3D位姿追蹤比觸覺模態重要，觸覺模態又比2D圖像特征重要。

這個認知直接決定了靈初的數據采集策略。

他們既要高精度可復現的數據來保證模型的執行精度，也要低精度大范圍的泛化數據來擴展模型的適應能力。兩條腿走路，缺一不可。

最終構建起來的預訓練數據集，包含了5417小時的真機數據和95472小時的人類數據，覆蓋294種場景、4821類任務和1382種物體。

95472小時。將近10萬小時。這還不算完，源培說到了年底，他們計劃把這個數字擴展到百萬量級。

但數據只是故事的一半。靈初真正有意思的地方，是把這些數據喂給了一個什么樣的腦子。這部分是我個人最感興趣的。

03雙系統架構，一個學怎么做，一個學什么不能做

直播里源培講得最精彩的段落，就是靈初的雙系統架構。我在旁邊聽得直點頭，彈幕里也刷得飛起。

靈初發布了兩套模型：Psi-R2和Psi-W0。

Psi-R2是一個策略模型，核心功能是讓機器人學會怎么做事情。

圖像和語言指令作為輸入，輸出預測的未來操作視頻和可執行的機器人動作。靈初把它叫做世界行動模型。

訓練Psi-R2的時候，靈初做了一個相當大膽的決定——不走對齊路線。源培告訴我，他們嘗試過圖像修補、關鍵點輔助、特征空間對齊等各種方法，想把人類數據盡可能修成更像機器人數據的樣子。

但最后發現，數據量小的時候這些方法有幫助，數據量一旦上來，它們反而會變成瓶頸。

原因不復雜。

那些方法本質上都在努力模糊人和機器人的差異，但在長程、精細、接觸密集的任務里，這種差異恰恰不能被輕易抹平。

越是復雜和精細的任務，越需要承認兩種本體的差異，然后想辦法在更高的維度上建立映射，而不是強行抹平。

靈初的做法是化繁為簡：原生數據進，原生數據出。

舍棄人工設計的復雜數據處理流程，直接進行人類關節與機器人本體的運動學對齊，讓模型在海量數據中自行探索模式。

同時用自動標注替代人工進行數據質檢和標注，最后再交由人工審核把關。

這個思路聽起來簡單，但能做到需要兩個前提：數據量足夠大、數據質量足夠高。靈初恰好兩個都占了。

但Psi-R2有一個天然的局限。它學到的只有成功的操作。比如模型學會了成功抓起一個蘋果，但它沒有機會學到蘋果沒抓穩掉下去的情況。而失敗經驗恰恰是機器人成長的重要養分。

沒有失敗，就沒有優化，就沒有進步。

這就是Psi-W0存在的理由。Psi-W0是一個動作條件型世界模型。

它的輸入是機器人動作，輸出是對未來場景視頻的預測。更關鍵的是，靈初在Psi-W0的訓練數據里特意混入了大約30%的失敗樣本，涵蓋專項采集的失敗案例、常規操作中的失誤、以及推理過程中產生的錯誤。

有了Psi-W0，靈初就可以做一件事——反事實推理。

當Psi-R2學完一個人類操作動作之后，Psi-W0會模擬這個操作可能出現的各種后果，檢查有沒有學漏學歪，預測哪些動作可能會導致失敗。就像一個教練站在旁邊，在運動員完成動作之后說，你看，如果你剛才手腕的角度偏了兩度，球就不會進。

源培給我舉了個例子。

他說如果Psi-R2學會了抓起一個杯子，Psi-W0就會去預測：如果抓的位置偏了會怎么樣，如果力度不夠會怎么樣，如果桌面有傾斜會怎么樣。這些反事實的推演，讓機器人不用真的去犯錯，就能學到失敗的經驗。

Psi-W0還有一個核心功能，是通過強化學習將人類數據轉換為機器人數據。傳統方法中，數據轉換靠的是仿真環境調整，不僅復雜而且準確性不高。

但用Psi-W0替代后，它會模擬機器人視角和動作模式，再通過強化學習的試錯調優，將人類動作調整為機器人能精準執行的動作。

在這個過程中還能持續生成新的優質數據，反向喂給Psi-R2和Psi-W0繼續學習，形成閉環的數據飛輪。

這里我特別問了一下推理速度的問題。因為世界行動模型這類架構普遍有一個bug：反應慢。

源培承認，Psi-R2單次推理原本需要2.2秒，反映到機器人身上就是明顯的卡頓。

但他們通過DiT緩存、Torch編譯、模型量化等一系列技術優化，把反應時間極限壓縮到了100毫秒以內。

直播里源培現場展示了經過Psi雙系統訓練后的機器人表現。

手機裝配、工業包裝、疊紙盒這些長程精細操作，機器人完成得行云流水。

而且靈初強調，經過這10萬小時人類數據預訓練之后，機器人只需要不到100條真機軌跡的微調，就能完成新任務的部署。

這意味著什么？意味著企業想要引入靈初的機器人方案，部署成本和周期都會被大幅壓縮。

我當時就在想，如果這個數據是真的，那靈初在商業落地的速度上可能會領先同行一個身位。

整場發布會最讓人信服的部分，是硬核數據的驗證。

靈初Psi-R2登頂了MolmoSpace榜單。

這個平臺由美國艾倫人工智能研究所發起，是全球具身智能領域最權威的基準評測平臺之一，NVIDIA、PI這些全球頂尖團隊都參與了本次評測。

Psi-R2一舉超越了PI、DreamZero等國際知名模型，表現顯著優于其他基線模型。在成功率這塊，比同類VLA模型要高出近10倍。

這不只是中國團隊在國際舞臺上的一次亮眼表現。它說明靈初這條人類數據加雙系統架構的路線，經得起最嚴苛的檢驗。

我當時在臺上看到這個數據，心里第一反應是：這幫年輕人是真的猛。

04開源不是情懷，是最聰明的商業選擇

發布會后半段，靈初宣布了幾件事。

一是與北京石景山區共建數采基地，要在更廣的范圍內鋪開數據采集網絡。

二是與騰訊云、抖音、覓蜂科技、智域基石達成生態合作，覆蓋算力、數據服務、應用場景等多個維度。三是年底要將數據集擴展到百萬量級。

但最讓我在意的，是他們決定開源首批1000小時人類手部操作數據集。

在這個數據就是核心資產的行業里，愿意把自己辛辛苦苦采集的數據拿出來開源，不是每個團隊都做得到的。

我當場就問源培，你們不心疼嗎？

他的回答讓我印象很深。

他說開源對于靈初自身來說，是讓全行業幫他們快速采集海量數據的杠桿。

只有開源，才能吸引更多的開發者和研究機構參與到這套體系中，才能彌補數據飛輪閉環中的關鍵一環。

AI時代，時間和數據就是最稀缺的資源。越早進場、擁有越多數據，就能越早收獲長尾效應。

而站在整個行業的角度，開源是打破技術孤島的鑰匙。

具身智能這個賽道，沒有任何一家公司能單打獨斗走完全程。標準化的數據管線、開源的預訓練底座，能夠建立起廣袤的開發者生態，讓全行業的力量匯聚到一起，共同推動技術向前走。

全行業開源共建，還能反向喂養靈初這樣的硬核玩家，讓他們集中精力攻堅最難的技術瓶頸，而不是在重復造輪子的泥潭里掙扎。

集眾智，才是具身智能跑贏節拍、實現商業落地的唯一捷徑。

我當時聽完，覺得這個思路很清醒。

不是那種為了博好感的開源，是想清楚了自己要什么、能換來什么的開源。這種務實在這個行業里不多見。

我突然想起他在之前一個采訪里說過的話。

有人問他為什么選擇創業，他說在北大和斯坦福做了那么長時間的學術研究，更想進入工業界，做出真正能夠影響世界的產品。

AI發展得很快，不會出現論資排輩的現象，任何一個突破都有可能產生顛覆性的影響。

哪怕是只有一個人也可以創業，要敢想敢做。現在是非常好的機會，只要你夠強，學得夠快，你做出來的東西就很有可能會比其他人都好。

那天晚上回到家，我翻來覆去睡不著，腦子里一直在轉一個問題。

具身智能這盤棋，到底會怎么走？

答案可能就藏在那些最不起眼的地方：

在物流倉庫里分揀員的每一次抬手，在工廠流水線上裝配工的每一次擰螺絲，在商超收銀員的每一次掃碼。

這些最日常、最樸素的人類操作，正在成為訓練未來機器人的養分。

靈初這次做的事情，說到底就兩件：讓機器人吃什么樣的數據，讓機器人長什么樣的腦子。

而這兩件事，都指向同一個方向——讓機器人真正走進真實世界，在那些具體的、復雜的、充滿不確定性的場景里，幫人干活。

有仰望星空的勇氣，也有腳踏實地的努力。

具身智能正在因為這場青春風暴，變得不太一樣。