千寻智能高阳：RobotGPT-1阶段已至，4年后达到3.5阶段 | MEET 2025
裁剪部 发自 凹非寺
量子位 | 公众号 QbitAI
我对于具身智能的界说很肤浅，即是能帮东谈主类作念多样事，比如帮咱们的爷爷奶奶养老。
……目下界说具身智能的L1-L5级莫得趣味，中枢轨范如故咱们的机器东谈主能处置哪些内容问题。具身智能趋势大热，勇于给断言的东谈主未几，高阳是一个。
他是清华大学交叉信息连络院助剖析释，于好意思国加州大学伯克利分校得回博士学位，后于加州伯克利大学与 Pieter Abbeel 等东谈主协作完成了博士后连络。目下主握具身视觉与机器东谈主现实室 (Embodied Vision and Robotics，简称EVAR Lab)，专注于应用东谈主工智能时间赋能机器东谈主，致力于于打造通用的具身智能框架，由他建议的ViLa算法被Figure AI收受。
2024年，高阳作为蚁集首创东谈主创立具身智能公司千寻智能。这家公司也被称为中国版Figure 01，1年时辰快速完成三轮融资，其中种子轮+天神轮2亿。
MEET 2025智能未来大会上，量子位邀请到高阳博士深入辩论了具身智能的发展近况与未来，从模子架构、数据、产业落地等维度张开深入辩论。
MEET 2025智能未来大会是由量子位垄断的行业峰会，20余位产业代表与会商讨。线下参会不雅众1000+，线上直播不雅众320万+，得回了主流媒体的平凡关怀与报谈。
中枢不雅点具身智能的界说，即是机器东谈主能帮咱们作念多样事。AI和机器东谈主制造的进修，催生具身智能产业。具身智能要缩小对东谈主工网罗数据的依赖。目下界说具身智能L1-L5莫得趣味，很万古辰内齐只可停留在L2.99。咱们抵达RobotGPT的1.0阶段，旨趣仍是笃定；4年后不错达到RobotGPT-3.5阶段。但愿10年后，天下上10%的东谈主不错领有我方的机器东谈主。（为更好呈现高阳的不雅点，量子位在不转变得意的基础上作念了如下梳理）
10年后10%东谈主类不错有专属机器东谈主量子位：你怎么界说具身智能？
高阳：我认为这个问题是一个尽头直不雅的问题。
有一次我在作念一个对于具身智能的演讲，有一位偶然60、70岁老奶奶听我讲许多，问我说什么时候机器东谈主能给她养老。
其实这个即是具身智能。
具身智能即是咱们构建一个机器东谈主，这个机器东谈主能（比如在家内部）帮咱们作念多样事情，比如帮咱们的爷爷奶奶养老。
是以我创建了千寻智能，我最大的一个遐想和愿望即是在十年之后，但愿这个天下上10%的东谈主不错领有我方的机器东谈主。
它颖慧什么，也尽头直不雅。比如说我我方每天晚上回到家仍是比较晚了，可能想吃点夜宵，吃完之后不想打理盘子；周末家里许多东西莫得归位，我想让一个机器东谈主帮我把这些东西归位……
这些即是所谓的具身智能，有实体机器东谈主不错帮咱们作念多样各类咱们我方不想作念或者懒得作念的一些事情，这是我领略里的具身智能。
量子位：具身智能这个观念来自于阿兰·图灵，是半个世纪以前运行界说/构想的事。本年被咱们界说为具身智能元年，或者说它发展进修了。您在产业中看到了怎么的时间/因素变化，让您认为具身智能变得进修，并让您决定运行创业？
高阳：这里独一的变量即是OpenAI线路了预覆按（Pre-training）加上一系列Post-training的相貌，不错简直产生、至少看起来像是东谈主类智能，或者达到东谈主类智能气候同样的才调，我认为这是目下作念具身智能创业的一个最中枢的变量。
像刚才寰球讲的，以前的机器东谈主齐是手写的一些王法，齐是写死的，就导致对于环境的允洽性很差。其实我之前对机器东谈主硬件并不是出奇了解，但当我确凿去看的时候，看到工业机器东谈主一年的销量有几许台，我尽头诧异，工业机器东谈主一年的销量全球只好偶然200万台的量级傍边。
这个量级比较于汽车、手机齐是一个尽头小的量。背后的中枢制约即是机器东谈主尽头难用，这仅仅一个专用的招引，你需要有很高的时间储备，才能把它用起来。
是以我认为是这两者之间的分离在于，一个是智能时间使得机器东谈主变得越来越好用，另一个是咱们在造机器东谈主这件事情上，仍是走了尽头远，咱们不错把机器东谈主作念到亚毫米的精度，以尽头低廉的价钱。
这两方面的进修催生具身智能产业。天然这个产业目下处于尽头初期的阶段，我也时常讲，这个东西其实很难，因为时常讲具身智能像是一个硅基生命的造物主，要是把具身智能作念出来了，东谈主类作为碳基生命的招引秩序任务也基本完成了。是以我认为这个东西是很耐久的事情，我至少从我我方来讲，我是把它行为一个lifetime的功绩来作念。
数据仍是具身智能发展攻坚重心
量子位：您怎么看往常一年具身智能限度的中枢发扬，哪些值得在2025年重心攻坚？
高阳：我认为具身智能往常一年比较大的窒碍，除了刚刚谈过的VLA模子外，还有一些是模子如何作念预覆按。像咱们目下的相貌（包括Phi），齐是狂采了一万个小时的数据去覆按，让模子具备一些才调。
要是咱们回来现时通盘让东谈主印象真切的大模子，比如ChatGPT、Stable Diffusion、视频生成模子（Sora）等，它们的数据量齐是100T tokens或者几十个billion的image-text pair。
目下咱们通过东谈主工去网罗的操作数据，远远小于这个量级。是以我认为在具身智能发展经由之中，如何去更多应用互联网上的数据作念预覆按是一个尽头紧迫的事情。
对于这个问题，比如VLA其实作念的比较弱。VLA的预覆按数据中只好图像和文本。我认为在学术界，寰球有许多新奇的想路来处置这个问题，这应该是未来3-4年内齐能够握续发展且尽头紧迫的事情。
△高阳连络组建议ViLa算法
举几个具体的例子。比如我认为Google的RT-Trajectory是一个比较有代表性的使命。这个模子先容，要是只用网罗的师法学习的数据去覆按，数据量恒久不够。
它收受一种新的秩序，用一个中间示意来示意机器东谈主移动的粗放轨迹，让机器东谈主去偶然follow这条轨迹。具体细节是由底层计谋凯旋产生。
肖似这类的著述有许多，包括我我方的连络组也作念了许多关系使命。我我方作念的是一些用物体的未来粒子通顺相貌来形容中间层示意。
我认为这些使命黑白常令东谈主昂然的，因为以前寰球也不错去网罗数据、也不错去覆按师法学习，然则这波大模子海潮降临时，咱们需要充足多的数据。
这一年这些新的连络使命，其实也为咱们未来发展指明了方针。
VLA本人是一个尽头好的范式，亦然未来中枢之一。然则在VLA除外，我看到了更多缩小对东谈主类网罗数据依赖的使命，这亦然本年尽头令东谈主昂然的发扬。
目下界说具身智能L1-L5莫得趣味量子位：要是咱们要定制一个机器东谈主、具身智能轨范，这个轨范应该是怎么的？
高阳：制定一个轨范本意是为了促进一个行业发展，不错料到每个公司的时间达到了怎么的水平。
但我认为可能在一个尽头长的时辰内，岂论这个轨范是什么样，可能大宽广具身智能因为客不雅时间限制，只可达到或者堪称达到L2.99，或者是达到了有限场景内的L4.
是以这个轨范终末可能就酿成了一个偏向宣寄语术的东西，有限时辰内寰球作念不到平凡场景的L4或L5的水平。
是以轨范如故要看咱们能不可处置客户的需求，这不错黑白常显然的。
比如说咱们要职业一些工场、营业、家庭场景，咱们的机器东谈主到底能不可作念到，咱们职业到这个场景的时候，downtime的概率是几许。
这些是我认为愈加明确的、愈加不错去追求的一些狡计。
甚而我目下认为，去界说一个具身智能的L1-L5狡计也不黑白常有趣味。
重要在于具身智能大脑能不可处置具体问题，比如外卖送货、比如工场装置零件，这是需要咱们辩论和追求的。
咱们还要等机器东谈主“大学毕业”量子位：那么，咱们目下处于具身智能的什么阶段？
高阳：咱们刚刚目睹了GPT从1.0到3.5、4.0再到o1的发展。GPT-1刚刚出来时，没东谈主瞧得起它，它言语不利索、莫得推理才调，跟东谈主换取很有问题。
然则在GPT-1出生时，大语言模子时间的旨趣仍是基本笃定。
我认为目下咱们处于RobotGPT的1.0阶段。因为基本旨趣仍是定下来，可能未来几年寰球看这个时间也如故处于初级水平、没太猛发扬，然则智能发展是一个指数高潮的弧线，是以我个东谈主认为对于具身智能大脑端，会在4年之后达到RobotGPT-3.5阶段。可能莫得那么高阶，然则仍是不错看到许多令东谈主诧异的才调了。
我认为咱们距离那一天有一段时辰，但也不会很远。
量子位：等RobotGPT上一个大学。
高阳：对，他才刚刚进大学，什么齐不会，需要大学毕业，简直投入每一个东谈主的家庭，从目下运行算偶然需要10年时辰。
天然GPT-4仍是不错复兴许多问题了，然则它仍然有10%的情况莫得那么可靠，是以咱们仍然需要连接教诲语言模子的才调使得它能够确凿深入到东谈主类分娩糊口中的方方面面。
对于机器东谈主的模子来讲，我认为亦然同样的，咱们在作念出来3.5之后，他可能莫得那么鲁棒，本钱可能有点高，咱们需要连接纠正这个时间，是以我认为在10年之后会有10%的东谈主领有我方的机器东谈主。
— 完 —
量子位 QbitAI · 头条号
关怀咱们，第一时辰获知前沿科技动态