赵何娟对话王晓刚：什么将是机器人的ChatGPT时刻｜2025 T-EDGE全球对话

2025年，具身智能行业的发展继续以“烈火烹油”的态势，向前发展。

前9个月，全球（特别是受中国市场驱动）在人形机器人领域的投资交易额达到约70亿美元（约合500亿人民币）。这一数字相比去年同期增长了250%，太多人期待着机器人的“星辰大海”。

但在产品上来看，几乎所有的人形机器人都还停留在跳舞拳击、走路摔跤的状态，技术发展仍困在迷雾之中。

2025年12月8日至21日（北京时间），钛媒体集团携手NextFin.AI、巴伦中国举办的2025 T-EDGE 全球对话正式开启，以连续7日全球连线+贯穿2周N场闭门私享会的方式联动上海、深圳、硅谷、香港、新加坡、日本、迪拜等全球化创新高地，汇集前沿创新思想，打造全球分布式创新盛会，展开一场【AI时代的全球对话 Global Conversations for the AI Era】。

会上，「赵何娟 Talk」与商汤科技联合创始人、执行董事、大晓机器人董事长王晓刚，就“具身智能新的ACE研究范式”展开了深度对话。

“靠读文章、看图片，机器人永远不可能理解真实的物理世界。”

王晓刚表示，AI的研究范式，要从以机器为中心转变成以人为中心，通过采集人类的真实行为数据，学习真实的物理规律，去训练具身智能的世界模型。世界模型不是泛指“一个世界”，它指的是人类存在的周围环境。

为此，大晓机器人推出了ACE具身研发范式。

具体来讲，ACE范式就是以人类与物理世界的互动规律作为研究起点，以环境式数据采集为引擎，构建了一套从“环境式数据采集—开悟世界模型3.0—具身交互”的技术体系。

其中，开悟世界模型3.0可以形成跨本体的统一世界理解框架，融合物理规律、人类行为和真机动作，使机器不仅能“理解”世界的物理规律和因果思维链，还能“生成”长时动静态交互场景。

王晓刚认为，随着大模型的爆发，语言、图文等多模态数据的价值逐渐被榨干，边际效应变得越来越低。目前，所有人都需要回答一个问题：除了过去人类在文章、图文、互联网上积累的这些智能数据以外，我们还有哪些新的智能？

“具身智能出现以后，大家期望用世界模型，与物理世界产生交互，理解人与环境交互过程中的物理规律、各种目标的动态行为准则。在这一过程中，具身智能领域将会产生新的智能。”王晓刚表示。

以下是赵何娟与王晓刚的对话内容，略经编辑：

赵何娟：大家好，欢迎来到今天赵何娟Talk @ T-EDGE的现场。今天我们请到了一位技术专家，也是现在炙手可热的AI大模型和世界模型的研究专家——商汤科技联合创始人王晓刚博士。晓刚博士，你好！

王晓刚：谢谢何娟老师，非常荣幸来到赵何娟Talk。钛媒体这些年来一直都在关注商汤的发展和成长。因为商汤算是AI 1.0时代"四小龙"的领军企业，后面发展到AI 2.0大模型时代，现在又开始进入世界模型时代。这个时代的变迁，您都是见证者和实际的参与者。

赵何娟：我对您的经历非常感兴趣。您是从科大少年班毕业，然后就进入了视觉智能学习这个方向，一直从事相关行业。可以说，您的参与和学习也是中国整个视觉计算行业发展的一个缩影。这也是为什么今天请您来到我们的直播间。

首先，我想跟您聊一聊关于您的学习经历。从科大少年班开始，您是怎么走上了AI和人工智能这条道路的？能不能先讲讲您的个人经历？

AI之路，从中科大少年班开始

王晓刚：我是1996年进入中国科技大学少年班。但实际上我自己的年龄是正常的，那时候是18岁。科大有个少年班，当时选了一批年龄很小、有才华的孩子，另外也从科大整个范围内选了一批学习比较好的学生，把他们混编在一起。

赵何娟：所以是大带小？

王晓刚：对，我们都一起上课、住在一起。我的同学当时最小的才12岁，后来去了哈佛，现在是哈佛的教授。

前两年，老师都是交给我们非常基础的数学和物理。到大三的时候，就可以选专业了，我就选了电子工程和信息系统，特别是图像处理。那时候处理的还都是一些遥感图像、地理信息系统。

其实整个信息还是比较闭塞的。在2000年之前，不太知道外面的世界是什么样的，国际最好的AI研究水平是什么样的。甚至，我们都不知道ICCV、CVPR这些顶级会议和期刊，都没听说过。

因为当时整个中国，估计一年也就两三篇CVPR这种水平的论文能中，基本都是从微软亚洲研究院出来的。

我是2001年从中科大毕业，就到了汤晓鸥老师的多媒体实验室。那时候汤老师才告诉我们CVPR和ICCV是最好的顶级会议，我们要朝着这个目标做计算机视觉，但当时整个实验室其实也没有发过这样的顶级论文。

汤老师给我们设定了一个非常高的目标，说我们的多媒体实验室（MM Lab）将来一定能够成长为世界顶级的实验室，你们的目标就是MIT、斯坦福、剑桥这样的顶级学校。后来，在他的指引下，我们确实也做到了。

2004年我在多媒体实验室、香港中文大学毕业的时候，我发了五篇CVPR和ICCV的论文。

赵何娟：那个时候发顶刊就已经很厉害了。在这之前，整个中国一年一共才两三篇，你毕业的时候有五篇，那是创纪录的。

王晓刚：后来我申请MIT的时候，我的MIT导师叫Eric Grimson，他是EECS系的系主任，后来是MIT的Vice-Chancellor（校长）。他说这个学生可能是今年申请的最强的一个学生。

后来我就去了MIT。不光是我，包括我后面的师弟，也都到了MIT，还有的去了斯坦福、剑桥各个地方。

赵何娟：所以，从2004年到现在的20多年里，可以看到整个中国的科技人才，尤其是计算机相关的人才，井喷的数量和速度真的很惊人。我看了一个统计数据，中国在这种顶级刊物上发表的人工智能相关论文数量已经排到全球第一了。

王晓刚：但是我们也不要忘掉，这个变化是一代一代人的努力完成的。

从零到一的突破的时候，那个时候是不敢想象的。我还记得2014年我们做人脸识别，汤老师希望有一天AI人脸识能够超越肉眼的识别率。

我从MIT回来以后又回到了香港中文大学，就跟汤老师在一块儿。当时大家不知道AI能不能超越肉眼的识别率。所以后面我们把这个结果做出来以后，还在反复验证。因为你有可能得到了一个结果，但这违反科学理论——AI永远超不过人类，你做出来的可能是错误结果。

我们一直在验证，最后得出AI确实能够超越肉眼识别率。当时我们是跟Facebook去竞争，因为Facebook也有这样一个项目，也要超过肉眼，它的计算资源和数据是远远超过我们的。但我们当时最先到达了这条红线。

所以，2014年商汤科技就诞生了。

AI的3.0时代，世界模型

赵何娟：在商汤科技诞生之前，我记得其实在美国，包括李飞飞教授发起的ImageNet行动，其实都在这条路上努力。但为什么说商汤当是全球第一个实现AI识别率超过人眼？

王晓刚：那时候ImageNet是一个更广泛的、更难的任务，但它也没有达到肉眼的水平。因为人脸识别当时工业应用背景非常广泛，一旦成功的话，很多地方都能用起来。而且你看我们最后在人脸识别上达到了超过99%的识别率，肉眼大概是98%的识别率，所以这是第一个超越。

当然，ImageNet也参加了比赛，拿了几项第一名。2015年，ImageNet还做了图像检测、视频识别，也是在这个赛道上。

赵何娟：所以其实这种你追我赶的过程，也推动了整个AI 1.0视觉识别时代的大发展。

王晓刚：对。我觉得这里面核心的点就是你要不断突破自我的局限，或者当时那个时代的局限。

你看最开始我们不能发CVPR的文章，觉得根本发不了。汤老师说你能发。当时说AI不能够超越肉眼，我们能够超越肉眼的识别率。今天有这么多华人科学家发了这么多论文，今天我们应该想的是怎么进一步突破自己的局限。

赵何娟：你觉得我们自己的局限主要是什么？

王晓刚：今天从1.0、2.0到3.0的发展，这个研究范式还是有下一代的，我们要能够提出这种新的研究范式。

赵何娟：其实这种研究范式，我们可以总结一下。

比如AI 1.0可能更多是在视觉识别，更多考虑的是识别率，从杰弗里·辛顿开始提到了87%，到商汤你们做到了99%超过肉眼。

然后到AI 2.0时代，不再谈视觉识别率，而是谈Scaling Law，大力出奇迹，数据、算法和算力变成了最核心的要素。

再到AI 3.0，或者可能是2.0的延伸，就是世界模型。现在又到了一个新的瓶颈和十字路口，可能需要新的核心范式。如果说总结AI发展的整个范式发展，你觉得现在最核心必须要突破的局限是什么？到下一代范式，可能会在哪个方向发生？

王晓刚：这里面要核心回答的一个问题是：智能是从哪里来的？我们怎么能够用模型或算法把它挖掘出来？

回想1.0时代，我们做人脸识别，智能从哪来？图像本身没有智能，是人加了标签。其实当时不同领域，每个任务都靠人进行标注。这里注入的智能效率非常低，也比较少。所以那个时代基本上用一些小模型就够了，很难做到通用化程度。

赵何娟：所以AI 1.0时代的核心局限在于标注的局限性。

王晓刚：对，标注+小模型。

到了2.0时代，我们发现用了大量语言或图文结合的东西。这些都是人类历史上几千年积累的人类行为，比如写文章、写代码，体现了人类智慧，而且跨越了非常多不同领域。这些智能已经存在在那里了，我们用技术手段把它提取出来，这就是大模型。

Scaling Law成功的就是把这几千年积累的智能挖掘出来了。其实大模型本身并不稀奇，因为2019年开始我们在视觉领域也在尝试使用大模型。我们当时做了一个320亿参数的视觉大模型，比谷歌当时200多亿参数的还要大，确实在视觉识别效果也更好。

赵何娟：当时你参数的来源是什么？

王晓刚：谷歌当时有YouTube和搜索的数据，我们因为在视觉行业领域积累了很多年，也有大量行业数据。但达不到通用性，因为数据本身还是图像加标注，里面存在的智能比较少。所以我们没有发现ChatGPT这样的时刻。

但当大模型用到语言、图文、多模态数据里面，一下子就爆发出来了。我觉得那个其实是一个比较重要的点。

但今天我们会发现，这些又遇到Scaling Law瓶颈了。核心原因是现有数据的价值逐渐被榨干，边际效应越来越低，所以我们要回答：除了过去人类在文章、图文、互联网上积累的这些智能数据以外，我们还有哪些新的智能？

赵何娟：所以现在的核心局限是数据本身的来源已经被耗干了。

王晓刚：之前还停留在互联网上积累的数据，所以现在我们想到了具身智能的世界模型，就要跟物理世界交互，理解人与环境交互过程中的物理规律、各种目标的动态行为准则，这里面产生新的智能。所以，我们说3.0时代实际上是对它的期待。

赵何娟：你核心的期望是指针对物理世界的数据搜集，除了数据之外，还有新的算法突破吗？因为对于世界模型来说，首先数据收集就很难，大自然世界里面这样的数据很少被收集到。然后这些收集到的数据本身的处理，是不是跟过去大语言模型的算法又可能必须不一样？

王晓刚：必须有理论的突破。

其实我们也在思考这个问题。今天具身智能的研究范式是VLA，这是一个以机器为中心（machine-centric）的研究范式。就是给机器一个图像，给一个指令，它直接想完成动作，中间不需要理解环境、世界、物理规律。而且人们当时期望着，2.0时代有大模型、有通用人工智能，把一个大模型搬到机器上，机器也就具有了通用人工智能，这个时代是不是就到来了？

今天我们研究下来，它是不行的。

为什么呢？首先机器的物理结构都不一样，有人形的、有两个机械臂、有一个机械臂、有夹爪、有灵巧手、有机器狗、有扫地机器人。大家可以想象，当物理形态都不一样的时候，怎么能期待它们有一个通用的同样的大脑？就像人跟狗不可能拥有同样的大脑结构，因为物理结构不一样。

但今天研究范式就存在这个问题。比如把每个不同类型的机器人按它的方式采集真机数据，集合在一起训练一个模型作为机器人大脑。这种方式是不可能达到通用性的，而且过程中不需要理解周围环境、物理规律、世界是什么。

以人为中心，新的具身智能研究范式

赵何娟：你觉得现在的转变或者说你们新的想法，最大的瓶颈或困难是什么？

王晓刚：我觉得首先研究范式要做出转变。

我们提出来，从以机器为中心变成以人为中心。你先不要去管机器，先去观察人是怎么完成各种任务、各种活动的。现在有各种穿戴式设备、AI眼镜、第一视角摄像头，在胸前、手上、周围可以装各种传感器。去年巴黎奥运会乒乓球和篮球比赛，我们周围安排传感器，直接能分析运动员怎么打球、球速什么样，看人是怎么学习和运动的。将来还要放人的力分析、触觉、摩擦力等信息。

这个模型需要理解物理规律，人跟物理世界、环境相结合时产生的物理规律是什么。打开冰箱门想拿一瓶水、穿衣服，接触的这些物理世界的规律是什么。在这个过程中，世界模型要经过一系列算法改变，理解物理世界，合成物理世界里各种人和机器产生的活动，甚至能预测。

今天大家也意识到VLA这套东西走不出来，但可能还没有意识到应该从以机器为中心变成以人为中心。

所以今年8、9月份，特斯拉说以前靠真机操作，现在要变成通过视觉、戴第一视角眼镜采集数据。好处是采集效率很高，真机操作效率很低，而且不能在真实生产、生活环境中做复杂活动。十几分钟甚至一小时的长程复杂活动，靠操作真机没法完成。但有了以人为中心的记录人活动，穿戴设备在家庭生活、办公室装传感器，就能长期记录人行为。

但即便这样，大家对这件事的认知还停留在视觉上，但人对物理世界的交互不止于视觉，还有力、触觉、人体工学等研究。这就是为什么特斯拉和Figure AI会想到用视觉方案，因为视觉最简单，能记录人类行为，他们在自动驾驶里取得了成功。但自动驾驶跟机器人有很大不一样，自动驾驶是避免物理接触，机器人必须进行物理接触。

光用视觉做物理接触，比如拿一瓶水放这儿，动作是先拿起来、移动、放下。但真正的人可能推一下，因为知道摩擦力，知道使多大劲能把它从位置A推到位置B。很多行为，人的行为跟机器人不一样。如果我们未来能以人为中心，新的研究范式就能让机器人大脑真正理解物理世界。这样的大脑永远不可能只靠读文章、看图片理解物理世界，这是研究范式根本的改变。

赵何娟：挺有道理的。

从研究或者说智能的来源，过去是由机器搜集数据来的，不管是人工标注也好，都是机器收集的数据。到现在可能更多要通过人自己收集数据，以及怎么去观察人。

但这里有个很大的问题：人的行为不是单一的。比如我的手去碰触话筒、握东西、拿东西，它是跟大脑连接的，行为数据里面不仅有手触碰的物理数据本身，还连通大脑神经数据的变化。如果说我们做世界模型或机器人模型分析，我只有手这部分数据，怎么分析手这部分数据的反馈机制？因为我不能分析大脑，但我们实际要做的是机器人的大脑本身。

王晓刚：所以就是要联合在一起。

赵何娟：我们怎么联合？我们怎么解决大脑的分析，就是神经分析和行为数据之间的关系？

王晓刚：这就是大脑小脑的联动。

大脑在执行任务过程中需要有记忆，有长程的复杂记忆。比如说收拾桌子，有书籍，书原来放在书架上，书架在什么位置，我就要把书放回原来书架位置。大脑得记住书在书架的什么位置、怎么摆放。

机器每天接受大量不间断信息，不可能都记下来，一定要进行挑选。要记跟任务相关的，在物理世界执行任务过程中会得到反馈，什么东西任务成功了，就知道当时应该记住什么。在不断迭代反馈过程中，大脑要进化，能够有长期记忆。

这只是其中一个例子，还有很多复杂交互都需要。

赵何娟：那怎么解决？除了长期记忆这个当然非常重要的点，怎么解决神经分析和行为数据之间的关系？

王晓刚：这就是大脑小脑的联动。

有些东西看到了就自然反应，比如让我水平移动一下，条件反射就知道该怎么移动，这就是小脑的指令完成。还有更复杂的任务，要分几个阶段，要去规划，这些东西可能就要跟我们互联网上的那些数据结合。

比如炒菜，先怎么做后怎么做，实际上是有规划的，以前积累的互联网文章、图文数据是有价值的。所以我们要把数字世界和物理世界这两个能够打破边界，最后形成强大的机器人。

赵何娟：人的大脑这种边界怎么打破？现在可能最难的就是怎么研究把这个边界打破。

王晓刚：我觉得里面肯定还有很长的路要走，大家努力方向也是希望打破边界。

但要往这个方向努力完成这项工作，首先认知和方向得是对的，要知道现在研究这件事的方向、范式已经发生变化。如果还一直在操作原来那些真机数据，你是永远不可能达到目标的。

赵何娟：你这么说是不是意味着人形机器人发展没什么前途？

王晓刚：我觉得还是有前途。因为我们的物理世界就是围绕着人打造的，核心的研究是我们通过人来研究人跟物理世界的关系，把这些智能和知识转移到人形机器人身上。

赵何娟：把它当实验品？就是人来收集这些数据是否可用？

王晓刚：一旦我们的世界模型、强大的大脑形成以后，它可以指导我们设计人形机器人，怎么设计最能有效实践大脑意志、实现工作和行为。

现在情况可能相反，我们先设计了一个机器人，实际上没有大脑，靠它采集各种数据，背后可能是不工作的，这就是以前走的、现在还在走的方式。

将来可能需要以人为中心，这种方式会打开一扇门。因为过去有很多像工程力学、人体工程学研究了很多关于人的力、人体工学，但这些成果从来没跟机器人联系在一起，原来也不是以人为中心的研究。两边没有关系，但今天产生关联，我觉得很多这方面的研究成果可以大量进入人工智能领域。

赵何娟：嗯嗯，有道理。但再往前发展，可能人的数据发展会不会先产生一个大规模可穿戴市场蓬勃发展？硬件加AI。

王晓刚：对。

这里面怎么设计？今天特斯拉说要做视觉方案，就会有一批公司做头部穿戴设备、第一视角。但我们会知道这只是一部分，第一视角看到的东西只是视觉方面，跟物理世界的交互只是单一维度，还有很多其他传感器可以加进来。

所以随着对这件事认知不断深入，这些设备也会不断丰富。不光有穿戴的，还有周围环境建立的传感器，能够观察我们的行为。

赵何娟：你刚才多次提到传感器。是不是意味着我们这么多年一直在以视觉为核心的智能发展，也走到了瓶颈？视觉不是唯一方式了，传感器本身会不会有新的突破？

王晓刚：未来人工智能发展，像OpenAI提出来的是"环境计算"。

未来人工智能像空气一样存在周围环境中。今天的人工智能要打开手机、电脑、APP才能激活，发出请求给ChatGPT，它才回答。但将来不是这样，模型一直在分析，当我需要什么时主动提供服务。所以核心第一个是计算芯片，加上各种丰富的AI传感器，再加上模型，这三个要素构成未来人工智能新体验。

赵何娟：有意思。相当于刚才说到了两个可能新兴发展的产业，一个是可穿戴，过去就有，但在新AI浪潮里可能迎来大机会；第二个是智能传感器。智能传感器这块中国发展规模和程度怎么样？

王晓刚：过去AI传感器发展速度远低于计算芯片。主要我觉得还是没有把里面的价值充分发掘出来，没有看到前景。

以前我们跟合作伙伴设计过三层AI传感器：第一层光学感知层，信号进来变成模拟信号；第二层数字计算，数字化处理；第三层把AI引擎、AI模型放到传感器里。以前AI大模型放在云端，后来放手机上，现在放在小小传感器里，铺满生活环境各个角落。如果人工智能发展是环境式计算，AI传感器会占据重要位置，这是巨大机会。

就像之前做CPU、GPU是万亿级市场，传统做传感器的也很多。将来有了各种人工智能传感器，会产生又一个巨大赛道。

赵何娟：人工智能传感器变化的核心也是芯片驱动吗？

王晓刚：对，这是要模型和芯片有非常紧密结合。

赵何娟：那这是不是意味着中国继续往前发展的很大机会？

王晓刚：这是非常巨大的机会，AI和传感器结合。我们有传感器，而且跟其他国家相比，我们的AI发展还是非常快的。有很多场景驱动，蕴藏机会，而且跟机器人密切相关。

想象机器人进入家庭，安全性非常重要。给老人递水不能是烫的，给食物必须是新鲜的。如果出问题，像自动驾驶有主动安全、有责任方。机器人到家要确保小孩靠近时不产生碰撞，皮肤要能感受距离、产生避障。所有这些离不开智能化传感器，应用空间非常大。

赵何娟：接下来发展是不是意味着刚才讲到的数据、范式改变，还有一个很核心就是算力、芯片？包括智能传感器、新机器人大脑，都要有算力驱动、芯片驱动。

中国现在又在大量国产化，推动自主知识产权和自主可控的芯片产业发展。您觉得中国现在国产芯片发展阶段，在驱动智能传感器、新机器人大脑这些方向上，现在处于什么水平？够吗？

王晓刚：发展非常快。但今天可能面临或要解决的最大问题是生态问题，软件生态。

英伟达应该超过一半是软件工程师，CUDA有生态。今天单纯看算力指标都非常好，几百T的算力，追赶比较快。但要把算力转换为实际计算结果和效率，就存在模型适配问题。现在AI发展，新模型层出不穷，大家都想领先。有了模型后，如果花几个月时间进行新模型适配，开发者是等不及的。

以前市场上比较多的是英伟达GPU，已经做了很好适配，开发出来的模型自然跟英伟达芯片适配好。但今天其他芯片要花时间适配，所以接下来开源生态会变得非常重要。开源后才有更多社区的人使用模型，模型跟哪个芯片适配得好，哪个芯片使用起来就更方便。将来开源也是推动国产AI发展自主可控非常重要的方面。

这个月我们已经开源世界模型（开悟世界模型3.0），而且是持续更新迭代，提升社区影响力。这个模型会和各种国产芯片适配。

赵何娟：模型要跟芯片适配，相当于软件上的适配。这种适配过程是你们的团队完成还是芯片团队完成？共同机制是什么？

王晓刚：因为芯片底层有很多底层软件，怎么样调度算力。我们在模型层面怎么样去优化算子实现，是我们来做。所以两边要共同努力，基本上要根据硬件不同重新设计算法，达到比较高效。

赵何娟：正好说到你们现在做的大晓机器人公司。大晓机器人做的具身智能跟其他公司，比如说在模型和芯片磨合、选择范式上有什么区别？从大晓机器人本身现在在做的产品方向来说，它跟其他具身智能产品有什么不同？

王晓刚：我觉得有两点。首先技术路线上有新的技术路线，第二点是对产品化和场景的理解。

第一点上，大家可能不知道，今年年初我们的团队（刘子纬教授）发布了叫EgoLife的数据集，记录了人在生活当中的常识行为300个小时。这个数据集，像Yann LeCun（杨立昆）他们就基于这个数据集建了具身世界模型。

这个工作实际上在今年年初数据集就发布了，那时候我们已经提出环境式采集这个概念。所以我们走在行业前面，我们的环境式采集加上世界模型，再加上具身基模型，这三部分组合在一起构成我们的研究范式，我们叫ACE，就是以人为中心的新的研究方式。

我们的世界模型有独特特点，分三部分：第一部分是多模态融合理解，有各种摄像头、3D轨迹、相机位姿、力、触觉等，框架可扩展；第二部分是生成模型，能生成各种行为。这个月发布的开悟平台里，可以选择各种机器人本体（智源、宇树、银河通用等），告诉它做什么事，就能自由合成机器人完成的视频和参数，这些可以用来训练机器人；第三部分是预测，预测机器人操作过程。这就是我们世界模型的三部分。

赵何娟：我可以总结说，开悟世界模型跟传统主流VLA这种具身智能模型最大的不同是来自于以人为中心的不同。除了这个不同，还有其他不同吗？

王晓刚：因为以人为中心就能理解物理规律。

比如像李飞飞他们做的World Labs，人生成4D世界可以在里面漫游，但没办法把目标分开、产生互动，因为使用目的不同。但现在在我们的世界里，可以把桌子换成不同类型，打开冰箱门产生不同交互行为。

我对动静态目标、物理世界理解更深刻，可以精准可控、随便编辑世界元素。这样就可以把原来一个房间采集的人体数据，生成成千上万不同类型户型、环境里产生的数据。

大家通常用生成式网络，类似Sora生成视频。核心是怎么生成，但不强调前面的世界理解、多模态融合，所以框架很难拓展。但我们前不久跟南洋理工大学合作的Puffin工作，把相机位置加进去了。给我一张图片就能倒推相机位姿，如果相机在机器人手腕上，机器人不停动时看到的视频怎么变化，根据视频变化反推机器人做什么动作。这样物理世界的概念就能在里面形成。

赵何娟：再举个例子？

王晓刚：比如人跳舞，捕捉人体关键点、手的动作，可以转移到机器人上驱动机器人跳舞。今天能看到一些工作做这样的事，但相对简单，只是人自身行为，没有跟环境互动。更难的是人拿东西、收拾衣服，这些行为要转移到机器人身上，就需要更复杂地对物理目标、环境对象进行建模。

赵何娟：如果未来这些要发生变化，在这些变化里面，你觉得现在的人才或者培养这些人才能满足未来需求吗？

王晓刚：所以我们刚才说以人为中心，打开了一扇门。

原来研究力学、人体工程学的这些人跟机器人没关系，现在可以纳入体系。原来数据采集和机器人控制是分开的，今天要更综合的人才，既要懂模型也要懂运控。采数据、布传感器时就要考虑机器人控制时需要什么信号、部署什么传感器、用什么数据格式，这些都是比较综合一体的。

赵何娟：这些综合能够运控和研究模型、计算机相关的人才，也包括以前根本不在AI赛道上的研究力学、物理学的这些人才。这些人才中国有优势吗？

王晓刚：有，因为我们有广泛的人才基础，还有很多学科，制造业也非常发达。实际上有非常好的基础。今天我们要做的是把未来研究方向、研究体系梳理清楚，让大家融入里面，最后形成合力，形成综合性人才体系。

赵何娟：我觉得最难的是怎么把过去已经形成的学科体系，通过不同实验室、不同培养方式、研究机制，让跨学科人才聚集到一起，用同样的工作机制协同，朝一个目标发展。这是一个巨大的教育挑战。

王晓刚：所以需要有顶层设计。

赵何娟：谁来做这个顶层设计？企业还是教育部？

王晓刚：首先我自己有教育背景，是大学教授，团队很多来自大学，对人才培养有认知。

今天在企业、工业第一线，极大提升了我们对行业发展、研究路线的认知。它可以反哺教育体系。首先在公司里面，需要跟不同学科专业的教授或人才合作，让他们纳入公司研发体系。这是公司的顶层设计。设计好以后反哺学校，在开设交叉学科时应该怎么设计课程。以前很多课程比较老，现在发展迭代非常快。

赵何娟：现在这种机制，通过企业综合培养然后反哺高校研究院的机制，现在普遍吗？

王晓刚：还挺普遍的。特别是在AI发展的这十年里，越来越多的学生上学期间就到企业实习。

商汤2014年成立时市场上没有AI人才，尤其是深度学习人才。你知道2014年1月，谷歌收购了一家公司，没有任何产品、技术，只有12个深度学习专家，叫DeepMind，说明当时市场上没有。

所以商汤成立时从高校大量招募实习生，可能一个全职带十几个实习生，逐渐培养他们。2021年商汤上市前统计，从2014年到2021年，商汤这么一个不大的公司，自己的实习生大概超过3000人，历史上培养了超过3000名AI人才。

有的实习生后来去香港中文大学读博士，博士毕业又成了教授。我们大晓机器人核心团队里，相当一部分教授是我的学生，有的在商汤实习过，因为他们又成长起来了。

你可能不知道，我们在香港中文大学是汤老师上世纪90年代成立的MM Lab。后面大家毕业以后开枝散叶，去了香港大学、清华大学、南洋理工各个地方。这些学生自发地成了老师，又在那些地方成立MM Lab。所以国内好多地方都有MM Lab，传承是一致的。

今天我们要成立大晓机器人时，新成长起来的这批MM Lab学生变成了老师，有新的知识体系。AI浪潮1.0、2.0、3.0不断演进，每次产生质的跨越都需要创业，创业是最好的形式推向下一阶段。思想和精神传承，人可能变了，我们做的事情也变了，但愿景没有变。

汤老师给商汤的愿景是"坚持原创，让AI引领人类的进步"，我们一直都走在创新路上。

AI 1.0在小模型时代，作为软件赋能ToB，在中国比较难。但今天机器人方向，我们最终要输出软硬一体的整体产品，要做垂直化整合，这是摆在面前非常重要的机会。

赵何娟：我是不是也可以理解你们也还是会做机器人本体？软硬一体就是你的本体是跟别人合作的，你是还是输出软件？

王晓刚：今天我们说硬件的本体，它关键的问题在于它不满足场景的需求。

首先我们做这个产品，我们深入到各个场景里面去，我知道这个硬件是怎么样的设计，关键的这些部件是怎么样的。

我们会对他提要求，所以今天我们这么多的合作伙伴，和包括我们的有一些被投的企业，我们在一起的时候，他们也愿意给我们供应零部件、供应本体。那么我们重要的是一起能够把这个市场能够去做大，但是我们输出的不单纯是软件，我们软硬件是在一起。

机器人这么多的场景，这么多的赛道，空间还是很大的，这是一个几十万亿的的赛道，给我们有很大的发展的空间。它的数量可能是比手机还要多，但是单价可能是跟汽车是一个水平的。

赵何娟：我可以理解为你们现在做的机器人更多往商用和工业用方向？

王晓刚：第一步可能是ToB会多一些，这也是我们过去的一些优势，对场景的理解。当客户听到我们要做机器人，他们非常高兴、有期待，觉得我们应该做。因为我们跟他们合作十年，对他们的痛点、要求理解比较深。

赵何娟：正好再讲一讲机器人发展态势。你觉得大概还需要花多少年或者说多长时间，通用的机器人模型或者通用机器人的ChatGPT时刻能够实现？

王晓刚：如果要进入家庭成为我们生活一部分的话，其实还需要比较长的时间。核心点在于有很多因素今天可能还没考虑到，比如安全因素。自动驾驶有主动安全、出事故有责任方。机器人一旦进入家庭，小孩好奇去摸它，给老人孩子递东西要确保食物水的安全性等等，很多问题今天还没考虑得非常清楚。

但如果从研究范式上来说，一旦找到正确的研究范式和思路，发展还是比较快的。

就像自动驾驶，刚开始尝试不同方向，积累的数据到后面看用处都不大。但后面有了端到端自动驾驶，方向对了，数据积累就比较快。今天我们如果把以人为中心的这套研究范式走通、证明work，积累速度会远超原来的速度，极大提升产业发展。

赵何娟：所以其实最关键的一个点，如果让你说影响通用机器人ChatGPT时刻发生的最关键突破点，你觉得是什么？

王晓刚：我觉得还是研究范式。

赵何娟：你提出了新的范式，是不是意味着只要验证成功就行？

王晓刚：对，但这个范式下面应该还有很多细节、具体实践和工程化要去落实。

赵何娟：Transformer是关键里程碑，现在这种理论提出是不是关键点？

王晓刚：每个发展时期都很关键。

我们2016、2017年想做端到端自动驾驶，但那时候网络结构、Transformer还没出来，算力也不支持。Transformer出来后，信息融合变得简单、跨模态。

但接下来还有很多问题，比如理解物理世界需要长期记忆，可能需要新网络架构、新技术理论。这是产业和学术互动，具备数据场景后，有人就会在这方面发力，提出新理论促进发展。

赵何娟：总结一下，这几年从商汤角度或新成立的大晓机器人走向具身智能产业方向，你们做的最对的几件事情？

王晓刚：首先坚持原创、坚持创新理念。

AI在不断演进，无论受到什么压力，我觉得这是企业的生命力。如果没有这种目标，遇到压力可能就退出、干别的难事了。但我们肩负着一代人的使命往前推进，背后这些精神动力追求贯穿始终。

第二是对人才的培养。每个时期我们源源不断有新鲜血液加入，自己培养这些人。最开始市场上根本没人，整个AI产业我们在培养人才。我觉得这个也比较关键。