来源：RoboX
星球内新增20多门3D视觉系统课程、入门环境配置教程、多场顶会直播、顶会论文最新解读、3D视觉算法源码、求职招聘等。想要入门3D视觉、做项目、搞科研，欢迎扫码加入！
作者 / Robo小曹
演讲者：自变量机器人创始人、CEO - 王潜
演讲场合：2025.10.20 — IROS美团机器人研究院学术年会
RoboX将该场演讲内容整理如下：
有很多人认为，具身智能是一个AI应用，就是「把Deepseek塞到宇树里」。但是王潜和自变量完全不认可这一观点。
在刚进入机器学习领域时，他就认为大方向是有问题的：神经网络看了一万只狗的静态图片后，才能识别狗。但人可能只要第一次看到狗，之后就都能认识狗。
尤其在做机器人之后，他认为必须要采用完全脱离静态数据的方法，因为物理世界有一个非常「糟糕」的特点，就是它的随机性非常大，这在虚拟世界中是不会有的。
比如在某些特殊的桌布上，用相同的角度和力度推十次杯子，十次可能都会停在不一样的地方。
自变量正在做的，是建设物理世界基础模型——它完全独立于虚拟世界中的语言模型、多模态模型。
“要在物理世界做机器人，CV（Computer Vision）的某些部分需要真正脱离静态数据的方法。”
为何必须脱离静态数据？
如今，机器人的Locomotion已经做得很好了，导航也进入到了收敛阶段，但是Manipulation才刚刚起步。
“因为Manipulation和物理世界的交互是最多的。我们在做locomotion的时候不会考虑踩歪了两厘米会怎么样，而且重力环境也是恒定的。”
王潜称，在物理世界的操作中，机器人会碰到大量的随机摩擦、可变形物体，即便是一瓶没盖紧的矿泉水，都可能因为这种微小细节引发漏水，导致失误发生。
“很多人会认为，我们以已有的语言模型、多模态模型作为backbone，再继续往前做就行了，但实际上这条路可能更加困难。今天哪怕是最出色的语言模型和多模态模型，在物理世界任务上表现仍然非常糟糕。”
他指出，如果要用其他模态来去描述运动模态，本质上是完全不可能的。比如炒菜的过程，应该用什么力度、向哪个方向颠锅，如何挥动勺子等等，要想用一个精确的方法去描述，显然不太现实。
“后来大家又想了很多做法，包括这两年的IROS上也有很多文章，例如用图像的方式来描述运动，但那样会存在大量遮挡。”
具身智能天然适用端到端
在方法论上，第一个出现的是端到端。
王潜称，以前大家觉得这个方式似乎很简单，但后来大家发现没这么简单。其中很核心的一点，还是物理接触的复杂性断绝了分层模型的可能性。
“如果Reconstruction（三维重建）做得不太完美，有1%的错误，那可能在自动驾驶里完全没有影响，对locomotion的影响也非常小。但是在Manipulation中，它会快速累积和放大。”
他表示，尽管有人提出要尽可能的利用、复用已有的VLM、语言模型等能力，但实际上从AI角度来看，还是应该创建一个以身体去体验、去收集数据，去增长智能的体系。而这些新的数据，也可以用于加深对语言、视觉的理解。
“由此看来，我们都不应再做分层的模型，因为具身智能是一个天然适合端到端方法的领域。”
通才模型
在两年前，人们还会觉得专用模型更好。他们认为在相同的预算下，如果只专注于一件事，那理所应当会达到最好的效果。
但随着语言模型大爆发，大家发现了通才模型的优势，去做多个任务，通常效果会比单一任务要好。这背后的原因在于，通才模型真正学会了不同任务之间的共同结构（common structure）。
“如果让它学习语言，它会掌握逻辑和常识；而如果在物理世界中构建具身模型，它就会学到物理规律。当模型掌握了这些东西后，我们才能看到今天在大模型上所经历的这些发展历程——从全量学习，到出现「上下文学习」（in context learning），也就是我们所说的「涌现」现象的最明显表现。”
王潜称，一旦模型学到了这些本质，之后在学习新事物时，所需的数据量都会大大减少。同时，它也能突破以往最困难的任务。至此，才能称它为通用人工智能，通过它才能实现通用机器人。
通用机器人模型，一定是VLA
有了通用模型和端到端之后，才有了叠加出了「基础模型」的概念。之所以需要基本模型，是因为物理世界的复杂性被极大程度地掩盖在多种模态之下。
Machine Learning、Deep Learning，以及大模型之所以能起作用，是因为它们能够通过压缩来提取世界的结构和核心规律，但是语言过程的尺度，和物理过程的尺度，其实是不一样的。
所以，王潜再次重申，必须要彻底离开以前在虚拟世界中熟悉的那套方法，真正走到物理世界中去。
“为什么VLA那么火？因为一个真正意义上的通用机器人模型，它一定是VLA模型，同时它也应该是一个真正意义上的通才模型，和一个真正意义上的端到端模型。”
王潜表示，他希望基础模型除了控制机器人，还能够干一些别的事。
“我们希望它的输出里面，也可以包含语言，即和人对话的一个VLM。同时也希望它拥有specialized intelligence——比如给它一张图片，或是给它一个视频，就能够重建出一个三维的环境或者物体。同时它还可以是视频生成模型、世界模型，等等。所有这些能力，都能够集中在同一个系统里面。”
他认为，尽管现在大家围绕技术路线经常吵来吵去，但其实都是在走向统一，走向通用，走向基础模型。只是在统一的道路上，大家各自进行着尝试，而最终的方法论，就是一个物理世界的基础模型。
在自变量的开源模型WALL-OSS中，除了常规的控制机器人之外，也会包含长序列思维链、同时能够使用语言和sub-task，将来甚至也会公开在世界模型上一些其他的specialized intelligence能力。
“至少在Zero-Shot的CoT的能力上，我们还是能够达到领先水平的。在单纯的Controlling上，效果也是不落后于目前的PI。”
虚拟世界数据即将耗尽
提到Scaling Law，很多人都认为说，大力出奇迹，但在王潜看来，其实也未必。
很多人认为，我们在进行范式转移——从算法为中心转移到数据为中心。但「数据为中心」不光代表着「更多的数据」，而是指将大部分的know-how、技巧和工作内容，从模型、算法转移到数据。
王潜称，在数据上能够做的事，远远超过在模型上能做的事。特别是如今，大家正走向越来越统一的模型，走向人越来越少的干预。所以人们大部分的注意力，从模型转向了数据。
经常有人说，似乎在机器人上没有看到Scaling law，那通常是因为数据做得太差了。如果数据效率比正常的数据效率差了一千倍，那Scaling law会彻底被淹没在噪声当中。
“单纯增加数据量、建数据工厂，单纯补规模，我觉得没有什么太大的意义。”
他表示，之所以Simulation、 Sim2Real，在Manipulation上没有能够获得很好的成功，是因为其数据质量，和在现实世界中收集到的数据有N个数量级的差距。
“所以在这种情况下，反而真实世界数据，会是一个更便宜、更高效的做法——在相同的训练结果下，我们会发现通过仿真做出来的数据，反而更加贵，而且更加慢。这是我们在从传统Robotics的方法论，转移到基础模型方法论上时，应该非常重视的一个点。”
据王潜介绍，自变量的模型也是遵循这个方法论，由自己收集的数据来源为主，去训练模型，获得了比较好的效果。
“关于预训练和后训练两阶段的方法论，可以做到非常好的效果。比起收集数据阶段，自变量如今的机器人演示速度已经快了2-3倍，通过强化学习的方式，我们大幅度的提升了成功率。”
除了预训练和后训练外，自变量还希望模型能做到推理式学习，这本身就符合机器人的天然属性。
之前，行业都在进行统一的集中式训练、集中式推理，所以机器人不能像一个人类孩子一样，去进行体验式学习。
而现在，他认为虚拟世界的数据已经快被耗尽了——如果今年不耗尽的话，明年或者后年的上半年也会耗尽。
尽管也有人提出合成数据，但王潜觉得人类智能的本质，还是扎根在物理世界中，所以物理世界的数据一定会是AGI最核心的要素。
具身智能将远超想象
许多人都觉得，机器人的角色就是在工厂里替代工人，或者在家庭中替代保姆，但王潜觉得，具身智能远不止如此，它应该是人类有史以来可能是最大的一次革命。
王潜表示，通过四次工业革命，人类的生产效率、能源获取有了指数级的提升。但是直到现在，仍然没有任何一个产品，是不需要通过人的手工劳动就能做出来的。
“如果真能出现一个真正意义上的通用机器人，能够彻底替代人的手工劳动，那我相信一切的万事万物，都会以指数级的速度向前发展。有了具身智能后，我们所能够达到的状态，应该远远超过大家的一般想象。”
他认为，非常聪明的AI能够发明更聪明的AI，然后后者再发明更高一层的AI……所以有朝一日，人类会被彻底甩到后面。在这一奇点到来前，人们还需要依靠更多算力、更多数据和更多能源，用这些物理世界的资源推动AI发展。
“我们在物理世界中所制造的这种指数级爆炸的生产力增长，才是能够推进人类实现通用人工智能，实现超级人工智能，进入下一个时代最主要的推动力。”
3D视觉硬件，官网：www.3dcver.com
3D视觉学习圈子
星球内新增20多门3D视觉系统课程、入门环境配置教程、多场顶会直播、顶会论文最新解读、3D视觉算法源码、求职招聘等。想要入门3D视觉、做项目、搞科研，欢迎扫码加入！
3D视觉全栈学习课程：www.3dcver.com
3D视觉交流群成立啦，微信：cv3d001
