对话王潜:具身模型不是语言模型的延伸,机器人ChatGPT时刻需3-5年

作者 |金旺

栏目 |机器人新纪元

8月8日，2025世界机器人大会（WRC 2025）在京召开。

相较往年，今年大会已经完全转向了具身机器人，即便是在传统工业机器人展台上，也不乏各种形态的具身机器人，乃至人形机器人。

这样的改变源自于三年前由大模型掀起的人工智能热潮，也是在这波热潮中，一家名为自变量机器人的具身智能团队在2023年年底成立。

这家公司成立之初就聚焦研发端到端通用具身大模型，自变量机器人创始人兼CEO王潜认为，通用具身大模型是独立于于数字世界的基础模型。

“它不是大语言模型的延伸，而是平行于大语言模型的物理世界中的基础模型。”

秉持着这样的理念，自变量机器人团队随后训练出了WALL-A模型，与此同时，2025年，他们也不再只是一家具身智能模型公司，随着自研本体整机的面世，公司重新被定位到了软硬一体具身智能公司。

在这次展会上，自变量机器人的量子2号具身机器人正式亮相，这成了自变量机器人迈入真实世界的一个全新载体。

更多关于具身智能的技术难题、发展瓶颈，以及自变量机器人的未来发展计划，我们在大会上与王潜进行了一场对话，王潜给出了他眼中的答案。

01 人形机器人的ChatGPT时刻，仍需3-5年

问：人形机器人的“ChatGPT时刻”何时到来？其中技术难点是什么？

王潜：预计需要3-5年时间周期，才会达到类似ChatGPT的水平。

机器人模型与语言模型不同，应用场景复杂，会有一个比较平滑的过渡过程，它不会像自动驾驶技术发展一样有一个突变的过程，因此也不会有因此带来的大的商业上的波折。

要达到ChatGPT水平，关键首先是Scaling Law可以持续发挥作用，这也是我们已经确定的，然后需要足够多的数据、足够大的具身模型，同时模型架构和训练方法等方面还需要持续向前演进。

我认为这条路径已经相对清晰，与大语言模型走的是类似的路径。

问：您认为硬件是否仍是机器人发展的障碍？

王潜：我个人认为，两三年前，具身机器人或人形机器人赛道兴起时，硬件就已经不是障碍，因为那时技术路线已经相对成熟，大家能做的机器人硬件也已经达到了相当水准，只是还需要产品化、商业化。

从模型来看，大家已经做了几十年，但除了抓取、放置，依然没有做到让机器人执行更复杂的任务，这是机器人现在无法更像人一样的关键。

问：现阶段限制机器人产业化应用的因素有哪些？

王潜：主要限制因素是机器人的“大脑”。

大家在展馆中看到了大量运动能力做得很不错的机器人，但与此同时，他们能够提供的“实用价值”有限，更多提供的还是“形式价值”。

这个并不是硬件问题，核心在于人工智能水平还未达到，所以本身模型能力是其中的关键。

当然，就机器人整个产业链而言，包括零部件、成本等也都尚未完全成熟，但是我们已经走在了正确的路上。

问：过去一两年机器人领域的技术突破是什么？

王潜：过去一两年，行业有两个重要变化：

第一，行业逐渐形成了共识，我们确实需要一个完全端到端的模型；

第二，这样的模型一定是一个基础通用模型。

2023年大模型浪潮刚刚兴起时，还没什么人相信机器人端到端技术路径，我们在那时率先走上了这条技术路线，但如今这已经成为行业趋势，我觉得这是整个行业统一思想、向一个正确方向前进的标志。

未来两三年，具身机器人领域预计会出现类似语言模型的Scaling Law带来的重大技术突破，我对此非常乐观。

02 复杂交互不用仿真数据，数据质量是技术难题

问：如何解决数据稀缺问题？在数据筛选和应用方面有何策略？

王潜：我们现在一个大的策略是，所有涉及到复杂物理交互（如接触丰富的手部操作）完全不使用仿真数据。

我们在这个方面探索了十几年，基本结论是，手部复杂操作无法通过仿真数据来进化。

不过，导航、走路、高级任务推理和规划更适合用仿真数据，很多团队的机器人走路都是在虚拟世界中训练出来，然后迁移到真实世界中。

此外，手部pick and place这样的操作用仿真数据训练也是完全没问题的。

关于仿真数据我们的态度一向比较明确，当然我们也在广泛使用互联网视频数据进行预训练，但最核心是现实生活中收集到的真实数据，包括机器人和人工采集的数据。

问：数据收集的途径有哪些？是否考虑与地方数据中心合作？

王潜：我们有集中式的数据采集场地，此外也有在现实环境中分散式收集数据的渠道，以及机器人实际部署后的回流数据和其他来源数据。

对于地方共建数据中心，我们持开放态度，愿意参与进去。

值得注意的是，数据收集的质量控制是非常困难的事情，整体采集管理和收集上来的数据是否有用，是一个有待验证的问题。

与之相对的是，我们自有场地采集的数据是经过充分验证的，质量更有保障。

问：如何判断数据质量？

王潜：这是一个非常复杂的问题，也是整个具身模型研发最核心的问题。

以语言模型为例，DeepSeek开源了模型和infra，但唯独没有开源数据，所以大家今天都可以复制一个DeepSeek，但是没人能达到DeepSeek-r1的水平，其中最核心的know-how来自数据。

03 具身模型不是语言模型的延伸

问：团队是否有做过跨本体泛化？

王潜：我们有做过，跨本体泛化需微调，肯定可以泛化过去，通过已经训练好的进行迁移也肯定没有从头做预训练那么困难。

但是里面需要注入多少资源、做多少事情、ROI是否算得过来、商业是否能走通，是一个比较大的问题，本质上是一个比较“重”的事情。

问：自变量的具身模型已经能做怎样的长序列任务？

王潜：复杂性上，我们可处理目前已知的最复杂的任务，如拉上散开衣服的拉链或扣扣子、然后挂起来。

长程上来讲，只要模型推理能力足够，中间不出现幻觉，且环境允许，理论上我们可以做任意长的任务。这是因为我们在模型中引入了思维链（CoT）方法。

大家之前做具身模型更多是调用一个r1这样的模型做高级推理和规划，当需要执行动作时，再调用一个安全的模型执行动作，这理论上还是有很多情况无法处理，是走不通的。

我们具身模型输出的内容包含语言、视觉、动作，输出的语言和视觉可以再输回去，所以在一个模型里可以构建无限长的思维链，这已经属于后训练，其中的一些动作可能训练过，但整个动作序列放到一起没训练过。

这样的任务我们依然能做，因为它本身有很好的零样本推理能力。

问：现在机器人只能做pick and place，复杂任务、长序列任务执行瓶颈在哪里？

王潜：瓶颈在模型训练本身。

类似GPT-3出现前，翻译任务很困难，但通用模型出现后，所有这样的任务都可以做得很好，对此我们还是非常期待。

这里特别要说明的是，我们认为这样的具身基础模型是独立于数字世界的基础模型，它不是语言模型的延伸，是平行于大语言模型的物理世界中的基础模型，因为物理世界和数字世界相比有大量的物理规律、随机性是不同的。

04 家庭是机器人最大市场，3-4年会出现早期产品

问：您觉得未来家庭对机器人有怎样的需求？

王潜：我认为在所有机器人应用场景中，家庭和生活相关场景（如养老）的需求是最大的单一市场。

经济学有过测算，人类家务劳动未计入GDP，但占比高达四分之一，因此家庭机器人市场潜力巨大，甚至可能比工业场景，以及所有其他场景都要更大。

问：决定机器人从展台走进家庭的关键是什么？

王潜：关键在于模型能力，目前硬件已基本满足需求，但还需要一个足够好的“大脑”，使其有具像人一样有操作、思考和判断能力。

时间上来看，预计3到4年我们就能够看到有这样的C端早期产品出现。

问：消费市场价格能下探到多少？

王潜：消费者能接受、产业链能够提供的一个价格，可能在1-2万美元之间，也就是10万元上下，但是现在大家还是做不到这一点，这需要产业链成本进一步优化。

问：公司未来是专注于本体，还是模型？

王潜：我们现在走的是软硬一体的路径，直接面向终端提供完整的产品或解决方案，而非单独出售模型。

机器人相对特殊，无法形成像Windows或Android这样的商业模式，机器人需软硬件高度耦合，软硬一体是最合理的商业模式。

问：有无研发双足人形机器人计划。

王潜：我们暂时没有研发双足机器人计划，未来较长时间，尤其是在室内场景将以轮式机器人为主。

问：有怎样的商业化思考？

王潜：第一个很明显的是，我们开始有硬件，硬件本身是一个很好的产品。

其次我们从简单到复杂，先进入科研市场，再逐步扩展到复杂的、传统机器人做不了的场景，再到最复杂的场景，这个过程中我们会一直持续在所有领域收集数据、探索市场。