点击下方卡片，关注【Xbotics具身智能实验室】公众号

更多具身干货，欢迎加入（戳我）

👉具身智能学习资料汇总：https://github.com/Xbotics-Embodied-AI-club/Xbotics-Embodied-Guide

👉具身智能求职/实习信息汇总：https://github.com/Xbotics-Embodied-AI-club/Xbotics-Embodied-AI-Job

你想要的这里都有~~

❝

这是一个新栏目。我们想和那些在一线做机器人的人聊一聊---不只是聊融资和估值，是聊他们在实验室熬过的夜，在赛场上摔过的跟头，以及那些仿真里永远测不出来的真问题。

这一期，我们对话了原力无限首席科学家、香港大学助理教授及博士生导师陈佳玉。

采访视频

先抛一个问题：如果大语言模型的成功，靠的是对互联网全部文本的蒸馏，那具身智能要蒸馏什么？

陈佳玉的答案很直接：人类的行为。但紧接着他会告诉你，光有行为还不够，因为知识和计算堆出了 ChatGPT，却堆不出一个能帮你把脏衣服收进洗衣机的机器人。中间差的那一环，他称之为“本能”。

陈佳玉是原力无限首席科学家，而他的履历也很少见：北京大学本科毕业，普渡大学博士，CMU博士后，27岁成为香港大学助理教授、博士生导师，长期研究强化学习与世界模型，研究横跨自动驾驶、强化学习理论、核聚变控制与具身智能。但他不是从机器人行业内部长出来的科学家，而是带着一套更底层、更训练有素、更扎实的方法论，进入了具身智能。

外界喜欢给他贴“少年科学家”的标签，他自己倒不在意：“我还是希望我的研究工作能被记住，希望真正做一些能够深刻改变当前具身智能现状的事情。”

在这次与 Xbotics 的深度对谈里，他把“改变现状”的路径讲得很清楚，不是卷本体，不是追热点，而是重新定义具身大脑该有的训练范式。在原力无限内部，陈佳玉教授关注的不是单点模型能力，而是一个更底层的问题：机器人要如何形成可迁移、可泛化、可持续进化的行为底座。也正是在这个问题上，原力无限把“具身大脑”从一个概念，拆解成了数据、模型、世界理解、因果推理与持续学习共同构成的系统工程。

一、机器人需要本能，而本能是需要预训练出来的

当整个行业都在把 VLA 和世界模型挂在嘴边的时候，有一个很隐蔽的盲区：大家都在套用大语言模型的方法论，但机器人需要的底层能力，和语言模型根本不一样。

“大语言模型需要的是知识和计算。有足够的知识、足够的计算，可以支持大语言模型。但有足够的知识、足够的计算，还支持不了机器人。你还需要一种本能性的东西，而这种本能，依靠现在所有的范式都训练不出来。”

他所说的“本能”，不是一个文学化比喻，而是指机器人在面对新环境、新物体、新任务时，不依赖大量人工标注和临场指令，也能基于过往交互经验快速形成合理动作的底层行为能力。

他用了一个很形象的对比。VLA 把视觉和语言直接映射成动作序列，擅长精细操作，但本质上是一种“不假思索”的反应，泛化能力弱。世界模型擅长预测未来、建模环境变化，泛化性好，但把视频流转成动作时，精细度又不够。所以行业正在形成一个共识：把两者融合，既要有世界模型的泛化性，又要有 VLA 的精细操作能力。

但陈佳玉想得更深一层。他关心的不是融合架构本身，而是训练出这个大脑之前，它还缺了一层东西：一种类似于人类先天本能的行为基座。

“本能性的行为，它某种程度上需要通过强化学习的预训练得到。或者说，非监督式的强化学习。”

这就把当前的训练范式往前推了一步。现在主流的做法是“监督学习的预训练 + 强化学习的后训练”，陈佳玉的建议是，在这两层之间，加一层强化学习的预训练。不是等模型学完了所有知识再去做对齐，而是从一开始就让它在环境中自己摸爬滚打，长出那些不经过语言、不经过标注、却能在新场景里直接起作用的行为直觉。

这听起来有点抽象，但他用自己跨领域的研究经历佐证了这条主线。从自动驾驶里做的人机交互强化学习，到博士期间的通用算法设计，再到博士后把算法用在核聚变这种极端复杂的控制系统中——贯穿始终的，就是强化学习。“我不管是在做自动驾驶，还是做强化学习的纯算法，还是在做核聚变中的控制应用，实际上都是在围绕着强化学习在做。到现在做具身大脑，强化学习几乎是可以说最重要的范式。”

二、世界模型不是拍电影，是以物体为中心的因果推演

聊到世界模型，陈佳玉抛出一个的判断：“具身世界模型和世界模型不是一个概念。”

过去一年多，视频生成模型的火爆让很多人习惯性地把“世界模型”等同于“生成下一帧”。陈佳玉觉得这走偏了。“通常讲世界模型，是生成一个电影，或者生成一个游戏，所以你逐像素、逐体素地去生成。但具身世界模型没有这个要求，你没必要逐像素进行预测。”

机器人不需要知道一片叶子下一秒怎么飘。它需要知道的，是那个杯子会不会掉下来，那只手会不会碰到障碍物。所以他提出，具身世界模型应该是 object-centric 的，以物体为中心，提取场景中的本体和被操作物体，建模它们之间的交互。

“大家都想让模型理解 physics，但 physics 说的太广泛了。通常讲的就是牛顿力学，而力学就是以物体为中心的，要看物体之间的交互产生力。所以你想让世界模型理解这些物理知识，就应该是 object-centric 的。”

这里面还藏着他对“因果”的理解。他说所有的世界模型都有时序上的因果——用过去的帧预测未来的帧。但他想要的是一种更深层的因果推断：识别物体，理解物体之间的关系，知道一个动作会对哪些东西产生影响。而语言，恰好是因果推断最自然的载体。

“现在的多模态大模型，你给它一个几何题，它能做出来。说明它已经有因果推断的能力。如果把语言模态注入到世界模型里，就能赋予它另一重以语言为载体的因果推断能力。”

这也是为什么他坚持不选边站，不走“要么 VLA 要么世界模型”的二选一，而是把两者融在一个框架里，世界模型负责对物理规律的预测和思考，VLA 负责把思考变成精细动作。前者给泛化性，后者给执行力。

三、数据飞轮的真正起点，不是机器人进了家庭

数据飞轮这个词，这几年快被用烂了。

但陈佳玉给出的判断很冷静：让数据飞轮真正转起来，不是看有多少台机器人上岗，而是看那些产生出来的数据，质量够不够好。

“现在有一些机器人已经进家庭了，会折衣服，收拾桌子。它们也会产生很多数据，但可用性可能不是那么高。比如收拾一次桌子要花十分钟、二十分钟，那用这个数据训出来的模型，它收拾桌子也需要那么久。”

这句话点破了一个循环困境：模型不够好就部署，部署产生低质量数据，低质量数据训不出更好的模型。数据飞轮没有起飞，反而变成了数据泥潭。

所以设想的一个比较现实的路径是，在初始阶段，自动化方法和模型方法结合，一边用规则兜底，一边用模型逐渐接手。“慢慢的自动化比例越来越低，模型比例越来越高，最后完全由模型自己做。”

而在此之前，真正能撬动数据飞轮的地方，可能不是家庭，反而是工业分拣这类边界清晰、容错率高、重复性强的场景。他判断，这些地方“应该很快就能实现”。

对于眼下数采设备的热潮，某一种设备并不是终极答案。“好的数据，首先 gap 越小越好。你要部署到 Franka 机械臂上，数据最好就来自 Franka 本身。但它的缺点是不好 scale。反过来，你戴个摄像机用手操作，容易 scale，但动作标注缺失，也解决不了移动操作。”

原力无限自己也在做数采产品，方向是让采集设备“无缝衔接到人们日常生活中”，而不是刻意摆拍。背后的逻辑，和他在数据飞轮上的判断一致，只有把数据采集变成一种自然行为，才有可能接近互联网级别的规模。

而且这也是原力无限正在强调AI Infra的原因。具身智能的数据不是简单“多采一点”就够了，而是要解决从第一视角数据采集、数据质检清洗、自标注、跨本体迁移学习，到模型训练与真机验证的完整链路问题。只有当数据从采集开始就服务于模型训练，数据飞轮才不会变成低质量样本的堆积。

四、没有失败的实验，只有你还没读懂的结果

访谈后半段，谈到了一个对许多年轻研究者来说很扎心的问题：如果自己没有顶级资源，也没有天才般的禀赋，是不是就与 AI 研究无缘了？

陈佳玉说自己也不算拥有顶级资源，博士期间导师不是做机器人方向的，团队也很小。而天赋这件事，在他看来远不如工程能力和问题定义能力重要。

“AI 实际上是有很多工程性问题的。大家聊得很热的 AI infra，你会发现模型好坏很大程度上取决于 infra 的鲁棒性，训练过程是否流畅。工程能力好，对 AI 来讲非常重要。”

至于那种灵光一现的“aha moment”，其实是一种能力：定义研究问题的能力。具体怎么练？有三条可实操的建议：关注那些 research taste 好的顶尖研究者正在做什么；去听他们在重要场合的研究愿景，那些往往是面向十年后的问题，特别适合博士选题；少看营销文章，多看第一手资料。

“营销文章帮你看看这个话题值不值得追。但真正要做研究，还是得去读那篇论文本身，这才是最重要的”

而自己的科研日常里，最难熬的部分和所有研究者一样，“你有很多 idea，花了很长时间去试，它就是 work 不了。做了两三个月，发现真的不行，逼着你放弃。但实际上是没有失败的实验结果的。你试了一个 trick 发现不 work，你总要去找它为什么不 work。它总会启迪你发现一些读论文看不到的东西。”

五、把答案留给五年后

普通家庭什么时候能用上真正能干活的机器人：5 到 10 年。他尤其希望，5 年左右能看到家庭场景里那些“大家都不太想做的家务”——衣物清洁、卫生间打扫、随手递个东西，真的被机器人接手。各行业落地的时间表会很不一样，工业、商业、家庭的节奏会错开。而唯一的共同前提，是数据不再成为瓶颈。

访谈尾声，主持人请他给大家留一句话。他说：“我希望大家把 effort 都用到同一个地方，真正做出非常好的具身大脑，尽快推动具身智能的落地。不要辜负现在国家和社会对具身智能这么大的支持力度和关注热度。你总不想说，你的研究经历中有一大段都是在做一些泡沫化的东西。” 在热潮中找到那个不变的核心问题，然后扎进去。从强化学习到核聚变，从世界模型到机器人本能，看似跨度极大的履历背后，其实一直有一条主线：让机器真正学会在物理世界里生存和行动。

这条路还很长。5 年后如果真有第二次访谈，他说自己最希望被验证的判断是：数据不再是一个 bottle neck。“因为后面的事情，实际上都是顺水推舟的事情。”

-END-

Ask Me Anything｜提问箱

❝

对文章有疑惑，或想聊更深？欢迎把你的问题丢给我们：技术方案、实操踩坑、课程与资料、项目合作、职业发展，都可以问。

怎么问：在评论区留言，或私信公众号

我们会做什么：每周集中整理高质量问题并公开回复，重点问题邀请作者或嘉宾深度解答；典型问题会加入知识库并持续更新。

提问小提示：尽量说明「你的目标—当前做法—期望产出」，附上必要信息（硬件/软件版本、数据规模等），能更快获得有用答案。

一起把问题变成知识，推动社区进步 🚀