如果有100亿怎么花？8位具身智能大佬现身回答

蓝鲸新闻11月24日讯（记者 武静静）在资本与技术密集的具身智能赛道，百亿资金能否撬动人与机器人共生的未来？

11月20日举办的智源具身OpenDay"具身模型会客厅"现场，八位产学研领军者面对这个充满张力的设问，展开了一场关于战略抉择与产业路径的思辨。

手里有100亿元推进具身智能，这笔钱怎么花？

在圆桌分析的现场，主持人甲子光年创始人张一甲抛出了一个更具穿透力的问题："如果手里有100亿元推进具身智能，这笔钱怎么花？""

中国科学院大学教授赵冬斌则幽默地将球传给了产业界的同仁："这是钱的问题，给他们来回答（笑）。" 巧妙地预示了随后即将展开的精彩交锋。

"首先，100亿不够。"加速进化创始人程昊几乎无缝衔接，直言不讳地修正了问题的前提："如果我只有100亿的话，我肯定不会自己埋头落地，而是找更多的朋友一起，比如投到智源研究院，吸引全球的研究人才，让他们可以心无旁骛地去搞比较长期的技术突破。"

智源研究院院长王仲远的积极响应。"我特别喜欢程昊总的这个回答，"他坦言，并进一步为这个数字提供了业界标尺："100个亿其实也就听起来很多，实际上也不多，也就10亿多美元。GPT-3真的要开始训练的时候，微软投资的规模也就是这个量级。"

"100亿其实并不重要，"北京大学助理教授王鹤直言，他将"愿景引领"置于纯粹的资金之上，强调："重要的是你怎么能够用你的事业和你坚定的进步，吸引到人才加入。我们不希望大家为了钱每天睁开眼睛，而是为了一个未来人与机器人共生的世界。"

自变量创始人王潜将话题拉回了最现实的竞争维度，他的答案简洁而犀利："我首先把市场上能吸纳的好人才都吸纳过来，这是第一位的。其次肯定是算力和数据。"

智元机器人合伙人罗剑岚展现了其宏大的技术构想："我会去构建世界上最大的能够自我进化、自我闭环的数据系统。"他点出了其中的关键意义："100亿可以说很多，也可以说不多，但关键是，第一个投入百亿去做这件事的个人或机构，现在还不存在。"

清华大学助理教授星海图首席科学家赵行renwei ："我也会去构建一个最大的‘data engine’，目标是把物理世界的信息全部数字化下来。"

最后，招商局集团AI首席科学家张家兴从模型架构的层面，为这场讨论提供了一个收敛的方向。他表示："我是希望能够设计出属于我们自己的、具身智能的‘黄金式模型’，然后进行大规模预训练，让能力真的能够scale up上去，找到我们最正确的那条路径。"

架构之争：具身智能的"Transformer"终局思辨

面对具身智能未来也会收敛到某一种统一架构，每个人也给出了自己的思考。

中科院大学教授赵冬斌认为，"目前具身模型的训练方法比较多样化，"他指出，通过预训练、后训练等多种方式，模型已在多项任务上展现出通用能力。"未来有可能会出现一个收敛的单一模型，但也可能继续保持模型多样化的路径。两者皆有可能。"

那么，最有可能的收敛路径是什么？招商局集团AI首席科学家张家兴率先描绘了一幅颠覆性的蓝图。"就像人类智能的演进过程：我们是先有动作能力，再发展出视觉，最后才诞生语言。"他犀利地指出，当前主流的VLA（视觉-语言-动作）架构在视觉和动作之间插入语言模块，并不符合人类操作的本质逻辑。"当我们开车时，可以一边说话一边驾驶，这说明视觉和动作之间本身就有直接通路。本质上，我们期待的是大模型领域能够实现一次范式转换：从过去三年一直坚持的‘language first’，转向‘vision first’或‘vision-action first’。"

清华大学助理教授赵行对此深表赞同。"我们确实需要一个与大语言模型平行的基础模型，它更有可能是一个‘大型行动模型’。"他阐述道，这个模型应建立在视觉基础上，再融入语言能力，这与生物进化规律高度吻合。他进一步点出了具身智能模型与大语言模型的关键区别："大语言模型是开环的——用户提问，模型回答，流程就结束了。但具身智能不同，它不是执行单一动作，而是每执行一个动作，就立即获得世界反馈，随即调整自身行为。因此，它必须是一个能够与环境实时交互、持续调整的闭环模型。"

然而，收敛之路并非一蹴而就。智元机器人合伙人罗剑岚提出了"系统论"的视角："智能问题更可能被一个完整系统所解决，而非依赖单一模型。这个系统包括VLA、世界模型、强化学习等核心要素，整合在一起形成一个真正的闭环系统。"

智源研究院院长王仲远则从数据基础的角度给出了收敛的前提。"这种模型所需要的数据量非常非常大，"他坦言，"它可能需要等到更多机器人真正落地……出现‘具身智能的互联网’之后，有了这样的数据基础，才有可能出现更好的大一统模型。"尽管路径漫长，但他强调："从长期来看，我相信这是一个我们必须突破、必须解决的关键问题。"

北京大学助理教授王鹤将挑战指向了数据瓶颈："今天我们若想研发‘行动优先’的模型，面临的核心问题是：全球可能仅有约一千台、甚至更少的人形机器人处于前沿场景中运行。如此少的数量，远不足以支撑我们探索出成熟的架构与模型。"他提出，短期需依靠仿真模拟，长期则依赖于"人形机器人口"的持续高速增长。

在讨论具体技术路径时，自变量创始人王潜提出了一个更本质的观点："‘Transformer’这个说法可能有些误导性，它终究只是一种架构组件。就像建造大楼，Transformer可能只是砖块或钢筋，可以替换。更重要的是设计整座建筑的结构与功能。"他从语言模型的发展中提炼出两条核心经验：一是数据质量优先于数据总量；二是通用模型（通才模型）能捕捉到任务之间的"共同结构"或本质规律。他甚至做出了一个大胆的预测："在不久的将来，真正主导的多模态模型，反而会是由具身智能推动发展的那类模型……反过来主导甚至取代我们今天所见的多模态范式。"

正如赵冬斌教授在最后所总结的："输入模态远比互联网大模型丰富，输出也有多种实现路径。目前整个业界发展非常迅速，从学界角度来看，依然处于百花齐放的状态。"

而这正是爆发前夜的典型特征——在通往终局的路上，充满分歧的思辨，往往比表面的共识更能推动领域的前行。所有人都在期待，那个能点燃具身智能"ChatGPT时刻"的范式革命早日到来。