上海
9月10日消息，自变量创始人兼CEO王潜在外滩大会主论坛上，谈及GPT-6能否取代具身智能模型。他表示，通用大模型展现机器人控制能力并不意外，但这不意味着其他领域的智能能够自然泛化到具身领域。
据王潜介绍，当前版本的大模型已经训练了大量机器人数据。从去年年初起，OpenAI和Anthropic便开始大量采购机器人数据，招聘机器人领域人才，并通过小规模数据工厂开展采集。这些基础模型本身具备较强的多模态能力，加入机器人数据后能够控制机器人，并不令人意外。
“智能的本体是存在于数据里面的。”王潜认为，模型更多扮演“蒸馏器”和“容器”的角色：训练时提炼数据中的能力，部署时承载这些能力。大模型每一代的提升，既来自规模扩大和基础设施增强，更依赖数据质量的改善。大量工作集中在数据的生产、筛选、验证和标注上，这些环节推动了AI系统的进步。
因此，OpenAI和Anthropic如果进入具身智能领域，同样需要建设数据采集、仿真和验证基础设施，在真实环境中开展评测，并解决硬件问题。“如果它还是要做这些事情的话，我认为其实它只是另外一个具身智能公司而已。”王潜表示，这些工作的难度不会因为基础模型的优势而降低，具身智能企业反而可能拥有实质性优势。
对于基础模型能否凭借其他领域的通用智能，对具身智能形成“降维打击”，王潜判断可能性较小。他指出，编程能力的成功并非源于对话能力，而是依赖大量编程数据，以及更完善的数据和验证体系。数学能力也没有随着编程能力的提升而自然增强，两者在训练中甚至可能相互干扰，需要分别训练专家模型后再进行融合。同样，视频生成模型虽然已经表现出色，也尚未自然转化为机器人动作控制的优势。
在王潜看来，通用大模型公司与具身智能企业的区别，可能更多在于前者将机器人数据和相关基础设施融入通用模型，后者则面向具身领域构建专用模型。考虑到机器人对推理速度和部署效率的要求，专用具身模型可能是更高效的选择。
尽管如此，GPT-6操控机器人的表现，确实为具身智能行业带来了一个启示：通用数据预训练是有效的。过去人们会怀疑，在具身模型预训练阶段加入大量通用数据，会不会反而是有害的做法、影响模型效果？王潜认为，Astra展示了这一做法的积极价值。对于在做预训练的具身智能企业，持续完善数据和验证基础设施，在预训练阶段加入更多通用数据，这条路应该坚定地走下去。
