刘知远押注具身智能，面壁想做的不止VLA

作者｜齐马

编辑｜星奈

媒体｜AI大模型工场

“如果目标是登月，仅仅不断爬树，并不能真正到达月球。”刘知远说。

在具身智能成为显学的当下，这句话多少显得有些不合时宜。

过去一年，机器人学会了跑步、跳舞、叠衣服、打乒乓球，也开始进入工厂，尝试分拣、搬运和装配。在今年的世界人工智能大会上，能完成什么动作、进入多少场景、距离量产还有多远，几乎成为所有机器人公司证明自身进展的共同方式。

但在面壁智能联合创始人、首席科学家刘知远看来，一段完成度很高的Demo，并不必然意味着机器人正在走向通用智能。

“现在很多叠衣服、打乒乓球等具身系统，仍沿用2018年以前的专用智能路线：直接学习某一种能力。”刘知远说，“未来三到五年，具身智能也一定会走向‘先通后专’。人类也是先形成对世界的常识，再去学习开车、做饭或叠衣服，而不是只靠成千上万条单项任务数据。”

这也是面壁智能进入具身智能时，试图与行业拉开的第一重差异：不从某一个专用Skill出发，逐步拼出一台看起来无所不能的机器人，而是先寻找具身智能的通用基础能力，再让通用模型进入具体场景。

7月19日，面壁智能发布并开源了首个具身智能系列成果MiniCPM-Robot，包括面向机器人操作的通用VLA模型MiniCPM-RobotManip、面向四足机器人的跟踪导航模型MiniCPM-RobotTrack，以及具身智能推理框架PhyAI。

两款模型的参数量都不大，却在多项基准上取得了接近或达到同类模型最佳的成绩。

成绩背后，仍是面壁熟悉的小模型路线。

产品形态发生了变化，面壁讲述的故事却没有完全改变。

过去几年，面壁一直试图用更高的模型密度和更低的计算成本，把语言、多模态模型装进手机、汽车和摄像头等终端。如今，它开始把同一条路线延伸到机器人。

在刘知远的设想中，语言模型提供思考、决策和规划，多模态模型负责感知，具身智能则补上动作与行动能力，三者最终形成“感知—思考—行动”的完整闭环。

具身智能不是面壁突然增加的一条业务线，而是端侧智能进入物理世界后的自然延伸。MiniCPM-Robot想验证的，也不只是机器人能否完成一次三明治制作，而是一条在语言模型中得到证明的“先通后专”路线，能否在机器人身上重演。

不为一段Demo反复“爬树”

具身智能眼下最容易被看见的是动作，也是最容易制造误解的部分。

外界看到机器人完成了任务，却很难判断它究竟理解了任务，还是记住了一套经过反复训练的动作。

“目前大家主要通过Demo和案例了解具身智能的能力，但Demo并不完全代表行业的真实进展。”面壁智能多模态首席科学家姚远直言，“为了展示好某个场景，团队可以针对特定任务采集上千条数据，专门训练一个专家模型；在没有实际硬件供公众测试的情况下，做出一段效果不错的Demo并不难。”

真正困难的是，当桌子换了、物体变了，或者指令增加了一步，机器人还能不能继续完成任务。

按照姚远的观察，当前不少所谓的“通用模型”，仍然需要针对不同任务分别微调。为了评测十个Benchmark，可能需要训练十套模型；一旦场景发生变化，能力就会明显下降。

姚远认为，行业正在逐渐形成一个共识：让同一套模型参数完成更多任务，走向Generalist。一个足够好的通用模型，也应该能够吸收不同来源的数据，而不是让不同能力相互冲突。

MiniCPM-RobotManip正是这一思路的初步验证。它只有1.5B参数，没有围绕某一个动作进行深度定制，而是尝试把多种任务统一训练到同一套参数中，在保留语言和视觉理解能力的同时，学习与真实世界交互。

面壁希望复制大语言模型“先通后专”的发展路径。

其底层逻辑是，模型先掌握关于世界的通用知识，再被培养成某个领域的专家，专业能力的上限才会更高。

在他看来，今天真正产生商业价值的Coding模型，并不是只用代码训练出来的。它首先是一个掌握了通用语言、知识和推理能力的基础模型，随后才成为专业程序员。具身智能也应该先成为“大学生”，再学习做饭、巡检和分拣，而不是一开始就被锁定为某条流水线上的熟练工。

这条路线短期内不一定最容易展示效果。单项任务可以通过大量专用数据快速优化，而通用能力的提升更慢，也更难仅凭一段视频证明。

面壁也没有断言自己已经找到终局。姚远将今天的具身智能类比为2018年前后的预训练模型：当时BERT、GPT和T5等路线并存，行业还不知道谁会胜出。

姚远也提醒，具身智能的技术路线尚未收敛，“当前最火的不一定是能笑到最后的”。

MiniCPM-Robot因此更像一次路线验证：面壁要证明的不是自己能否再做出一个机器人Demo，而是小尺寸基础模型能否获得跨任务、可扩展的行动能力。

机器人要有记忆，先要压缩视觉Token

要从专用动作走向通用能力，机器人首先要解决一个基础问题：记住过去。

目前许多VLA模型仍采用接近“单帧反应”的方式，根据当前画面和指令预测下一步动作。如果任务是拿起桌上的食材，当前画面可能已经包含全部答案；但当指令变成“点击第二个按钮5次”，机器人必须知道此前已经按过几次，才能决定何时停止。

“原生上下文记忆，对我们来说是一个自然应该具备的能力，但此前很多具身模型并没有将它纳入设计。”姚远解释，当前许多VLA模型只能根据当前画面决定动作，缺少对历史状态的记忆。

MiniCPM-RobotManip因此把上下文记忆作为关键能力之一，可以保留约一分钟的视觉历史。但一分钟连续画面放到机器人身上，会迅速变成数百张图片和数万乃至十万个视觉Token。

机械臂通常同时接收主视角和腕部摄像头的多路画面。如果模型每执行一步，都重新计算此前的全部视觉信息，就很难保持实时响应，更难部署到端侧设备。

要在端侧处理如此长的视觉历史，模型既需要极致的视觉Token压缩，也要解决流式上下文管理和训练问题。

这恰好是面壁从多模态模型切入具身智能的技术支点。高清图片和长视频一直是多模态模型的计算瓶颈，同一画面需要被转换成多少Token，不仅决定推理成本，也决定模型能在上下文中同时容纳多少帧信息。

据姚远介绍，相比市面上绝大多数模型4倍的视觉压缩率，面壁在无损情况下做到了16倍，还可以通过视觉编码器内部融合进一步降低计算量。

面壁希望用更少的Token表示每一帧画面，再通过流式计算保留历史，使机器人拥有记忆的同时，不让推理成本随着上下文长度同步增长。

小模型也不只是成本选择，而是机器人能否实时工作的前提。模型如果等待一两秒才能预测下一步动作，机器人会出现明显卡顿；在目标跟踪等动态场景中，过高延迟甚至意味着结果已经过时。

这也是刘知远反复强调模型密度的原因。在端侧，参数更多并不天然意味着技术含量更高；在尺寸、功耗和响应时间的限制下保持能力，反而更具挑战。

MiniCPM-RobotTrack体现了这条路线的另一面。它被部署在宇树Go2 Edu上，不依赖云端API，只通过机器狗的摄像头和本地算力，完成自然语言指令理解、目标识别和持续跟踪。即使拔掉网卡，也能在电梯、停车场等无网或弱网环境中运行。

但具身模型的技术难题不只有计算效率，还有数据。

姚远认为，具身智能无法像语言模型一样快速发展的重要原因，是缺少可以直接利用的海量互联网语料。

互联网视频规模最大，却缺少精确的机器人动作信息；仿真数据容易生成，但与真实世界存在差距；真机数据精度最高，成本也最高。面壁同时使用开源、采购、仿真和自主采集数据，并让模型在真实交互中暴露长尾问题，再补充下一轮训练数据。

“没有一种数据是完美的，要么就是量不够，要么就是精度不够。”姚远如此概括当前的数据困境。

Token压缩解决“算不算得动”，上下文记忆解决“记不记得住”，数据闭环则决定模型能不能持续进化。这三者共同构成面壁从多模态模型走向物理世界的技术基础。

不造机器人，只做“通用大脑”

进入具身智能后，面壁没有把自己定义为一家机器人公司。

它不生产本体，也不准备围绕某一种机器人建立封闭的软硬件体系，而是希望把模型部署到机器狗、机械臂、人形机器人、汽车和其他端侧设备中。

刘知远用“大脑”和“小脑”解释面壁与本体厂商的边界。

“像宇树这样的企业，他做本体做得很好，在这个基础上，我感觉他们更适合做这个本体上的小脑。”刘知远解释，“我们说的具身模型，还是发挥大脑的角色。”

小脑负责控制身体，大脑负责理解指令、形成规划、管理记忆和迁移任务。未来面壁与本体厂商的合作，也将更多建立在“大小脑协同”之上。

这是一种与垂直一体化不同的产品思路。有人希望像苹果一样，把模型、系统和本体全部掌握在自己手中；面壁现阶段更倾向于生态打法。

在刘知远看来，企业的禀赋与基因决定了它不可能把每个环节都做好。相比模型、本体和硬件全部自己完成，聚焦模型、与其他厂商合作，是面壁胜算更大的选择。

当记者追问面壁是否会自己下场做本体时，他回答得更加直接：“如果既做模型也做本体，我们一定不如只把模型做好能够取得的胜算更大。”

因此，MiniCPM-Robot并不是一款直接面向普通消费者的机器人产品，而是面壁向产业链交出的一组底层模块：通用VLA提供“大脑”，MiniCPM-RobotTrack验证纯本地执行，PhyAI降低模型进入不同硬件的推理与部署成本。

开源则是面壁扩大本体覆盖范围的方式。

开源是这套生态打法的重要支点。具身智能拥有大量不同本体，需要完成各种适配，仅靠一家公司很难推动。面壁希望借助开源模型和推理框架，让开发者与本体厂商共同补全生态。

面壁希望通过模型、框架和合作进入更多机器人，而不是自己制造一台机器人包办所有环节。它要争取的，是下一代终端生态中“通用大脑”的位置。

商业化尚早，时间也是朋友

对于具身智能当前的商业阶段，面壁的态度相对克制。

“具身智能目前还没有到大规模商业化的阶段。”姚远表示，在技术跨越质变点之前，更重要的是推动技术本身增长；基础能力突破后，更多应用场景才可能自然出现。

面壁并非拒绝商业化。它已经与吉利等伙伴探索实际场景，也需要通过项目积累工程能力和合作关系。但现阶段，它不愿为了短期订单，把主要研发资源锁定在某一个专用Skill上。

刘知远将具身智能放在更大的端侧商业版图中理解：语言模型最成熟，多模态感知其次，具身行动仍处于早期。不同能力会按照成熟度逐次进入应用，而不是同时迎来商业爆发。

刘知远把面壁的落地节奏概括为：先语言模型，再多模态感知，最后进入行动。只有技术逐步成熟，相应的商业化才可能展开。

面壁押注的是两个趋势：模型密度持续提高，同等能力所需的参数和计算量继续下降；与此同时，端侧芯片为Transformer和多模态模型进行原生优化，终端算力继续增长。当两者交汇，端侧模型才可能从有限的专用任务走向通用能力。

这仍需要时间。

“跑得早、跑得快都不重要，重要的是你跑得准。”刘知远强调，能否判断对未来的发展方向，才是这场竞争的关键。

结语

从MiniCPM-RobotManip完成一次三明治制作，到机器狗在断网状态下跟随指定目标，面壁已经让MiniCPM从理解屏幕中的文字和图像，迈出了作用于物理世界的第一步。

但按照面壁自己的标准，这些Demo还不能证明它抵达了“月球”。

它们更像是几次路线验证：上下文记忆能否让机器人摆脱单帧反应，视觉Token压缩能否让连续感知进入有限算力，通用基础模型又能否跨过任务和本体之间的边界。

如果“先通后专”能够在机器人上复制语言模型的演进，面壁获得的将不只是某一个场景的解决方案，而是一颗可以进入不同本体的通用大脑；但如果具身智能长期依赖高度专用的数据和模型，这条路线也将承受更大的时间成本。

MiniCPM-Robot当然还不是一枚已经升空的火箭。

但至少，面壁开始拒绝用一棵树的高度，衡量自己与月球之间的距离。

数据支持天眼查，大模型独家合作账号