目前对于具身智能的若干想法，记录下来供未来打脸使用。

备注：这里的具身智能指期望替代体力劳动的技术，表演目的的人形机器人不在这个范畴内。

• 具身本质还是数据 + 算法驱动的。具身的终极目标是取代一切体力劳动，所以数据要覆盖千行百业的运行常识，还要高质量地表达对应的动作信息；算法决定了学习效率，只有能把这些数据充分吃下去（也就是能充分 scaling），系统才可能真正处理好各种应用需求。

• 数据层面

  • 数据是具身成败的第一决定因素。核心问题只有两个：什么是好数据，怎么大规模拿到。数据质量取决于机电、运营、infra、算法多个部门的协同，不是某一个团队能单独决定的。

  • 我在《具身智能会比自动驾驶先到来吗？》里写过，具身没有一个”机器人互联网”可以去爬。我认为 ego-centric 就在承担”互联网数据”的角色，是具身的 common crawl。它脏，也无法与本体直接关联，但覆盖了大量任务和边缘场景，提供了关于场景、任务的基础信息。Ego-centric 也需要通过清洗、标注才能发挥价值，这里的细节是技术的核心。

  • UMI 是具身的微调数据，在输入形态上尽可能与部署推理保持一致。更重要的是，它是唯一一种边际采集成本会随部署规模趋近于零的数据——最希望机器人干好这件事的人，正好就是手里拿着设备的那个人。

  • 由于具身数据是互相流通的（上下游产业比较热），如果有公司在 UMI 上有显著进展，数据行业以及学术研究都会向这个具体形态靠拢，间接定义了具身的形态标准。

• 算法层面

  • 具身算法包含很多部分，出动作的模型一直是大家关注的重点，但 agent 层面和运控层面也同样非常重要。

  • 动作模型是带动作信息的大模型，需要兼容各种类型的数据一起训练，这一点大模型公司有天然优势。但具身交付的是一个整机系统，包括机电、运控、多个模型的联动，背后还有数采的壁垒，这些是大模型公司暂时没有积累的。

  • 200B 总参的 MoE 模型就能支撑一个足够好用的动作模型。大多数任务不需要那么丰富的代码和推理知识，更多是物理常识，而且对推理效率有强约束。大模型公司在万亿参数上的壁垒，在这里没有特别强的优势。

• 目前进展

  • 因为具身智能还是依附在”身”这个层面的，具身的普及和”身”的销售天然挂钩。对于工业落地，具身是重销售的，早期模型还做不到对各种任务开箱即用，在这个时候大家都有机会，是一个足够分散的市场格局。但是，此时的”具身”其实只是更容易”编程”的机械臂，还不是通用智能。

  • 具身追求的是取代大部分的体力劳动，或者说在操作任务上有 GPT3 的感觉：大多数任务开箱可用，即使不是开箱可用，也可以通过类似 prompt engineering 的方式低成本用起来。一旦达成了这样的水平，普通消费者可以直接买来使用，才算达到了普及的起点。最终谁能取得胜利，主要还是看谁在消费者端首先取得了正向的闭环：品牌认知 → 消费者买单 → 更多的数据 → 更好的产品体验 → 更好的品牌认知。目前从一些公司的 PR 中，我们隐约看到了通用具身的影子，参考 LLM 的进步速度，我们对具身可以有乐观的预期。

  • 可以肯定的是，做很多的工业应用不能直接推导到任意任务的泛化，因为工业场景还是比较单一，回传不了工业以外的应用数据，这也是我对目前很多工业落地保持谨慎态度的原因。可能存在一些应用场景，足够多样，足够与普通消费者类似，可以推导到任意任务的泛化，比如墨奇提到的酒店场景可能是成立的。

  • 最终可能是大量面向工业应用的具身公司，加少数面向普通消费者的家庭机器人公司。