Podcast Interview · 逐期深读

它石智航陈亦伦:具身三道曙光、数据关卡与模型—硬件—商业化闭环

本期背景与内容导览

本期由程曼祺访谈它石智航创始人陈亦伦。嘉宾曾在大疆和华为从事机器视觉与自动驾驶,2021年带队以约3万行代码的神经网络替代原有约200万行规则规控系统,并在复杂城中村场景看到效果。这个案例是他后来相信端到端物理世界AI的依据,但属于嘉宾亲历回顾,不等于当时已经解决L4或通用机器人。 他把具身进展概括为三道曙光:强化学习及高并发仿真提升运动控制,LLM提供任务规划能力,端到端神经网络连接高维感知与动作。三道关卡则是数据、算法/算力、后训练与交互技巧。端到端是总的方法倾向,VLA是视觉、语言到动作的一种接口,世界模型可表示状态与动作如何演化;三者不能互换。对自动驾驶,他认为当前主要问题是与其他车和人交互,因此世界模型重要;开放世界的复杂语义则更需要VLA。具身目前首先卡在数据。 陈亦伦特别强调,训练任务与输入输出定义比追逐架构名词更基础。Next Token Prediction让语言模型可以从现成文本自监督学习,Transformer则提供了可扩展的实现。具身需要对应的空间、时间、力、接触和交互表达:汽车主要是避免碰撞,机器人则常要主动接触、挤压、弯折并改变物体。由此,具身不只是VLM看图说话后的一个action头,它石选择AWE(AI World Engine)作为专属模型路线。 数据路线是本期最具体的争议点。嘉宾依据自动驾驶经验,否定把互联网视频和复杂仿真作为主要来源,强调真实场景和真实动作,选择手套加第一视角摄像头,让工人在实际任务中自然工作。手部位置与姿态、手指姿态和触觉力共同构成其所谓‘全信息’,自研硬件解决遮挡、精度、成本和云端/端上算力配置。该路线确实针对遥操的效率和场景干扰,但‘唯一解’是嘉宾强判断;仿真、视频和遥操在其他团队与阶段仍可能提供预训练、策略探索或本体对齐价值。 它石目前披露的数据量约10万小时,2025年下半年开始放量,并称有效数据成本比遥操至少低两个数量级。这些数字、实际有效率、数据分布和跨本体迁移效果未由本期独立核验。全信息五指数据如何迁移到不同自由度、不同动力学机器人,是该路线的核心待证问题,而不是采集成功就自动解决。 商业化方面,嘉宾选择工业制造中的精密柔性线束装配,强调家电、汽车等广泛需求与真实痛点,同时承认合作方和产线指标不便披露。主持人多次追问实际客户与落地程度,因此只能确认它石正与合作方迭代,不能写成已规模交付。2026年数据大爆发、2027年出现效果、美国创业者不会成为中国创业者对手,均是嘉宾预测或强判断。全文保留其技术信心,也标明早期用户、真实价值、客户采纳和独立验证仍待观察。

晚点聊 LateTalk · #148 · 2026-01-16 · 1:25:02

原对话:沿提问、回答和转折完整展开

下面先按节目顺序重建。主持人在追问什么,嘉宾如何以自己的经历、例子和推理作答,尽量保留在具体语境中;案例中的事实、数字和判断先归属于发言人。随后才进入本文的机制解释与独立判断。

00:00:05–00:25:16连续对话 1

00:00:05–00:09:05从200万行到3万行:自动驾驶规控的端到端验证与职业转折

  • 你什么时候想做通用机器人?
  • 2021年的端到端项目来自个人判断还是行业趋势,特斯拉当时讲到哪一步?
  • 为什么规控比感知更难?
  • 为什么在行业进入高速发展期时离开华为,转向机器人?

陈亦伦的兴趣从物理竞赛、机器学习和机电系统交叉而来。他早年看到波士顿动力机械狗,后来学习电机、伺服控制和液压,认为只有算法不足以支撑理想中的通用机器人,因此长期积累软硬件经验。这个背景解释了他后面为何不把具身只当成大模型问题。

2020年前后,他与丁文超等同事面对一套约200万行代码的自动驾驶规控系统。原有规则方法能完成复杂动作,但新场景和边界情况不断增加,发现问题的速度快于修补规则的速度。团队因此尝试让神经网络直接输出轨迹,最终形成约3万行代码的实现。代码行数减少说明系统组织发生变化,不是单凭行数就证明性能、可维护性或安全性全面优越。

主持人追问这是否受特斯拉启发,嘉宾说当时特斯拉AI Day主要谈视觉,而团队最头疼的是规控。感知通常可根据数据和真值学习输入到输出的映射,规控则是闭环:车加塞、让行或刹车会改变其他交通参与者的行为,下一时刻观察也随之改变。这种‘动作影响世界’的结构,是后文世界模型和交互讨论的起点。

为训练模型,他们把约100辆车、约一半车队用于采集人类驾驶数据,并由丁文超指导司机怎样形成高质量示范。数据到几千小时后开始显现效果,复杂城中村、人车混行场景里,神经网络在尽量少后处理的情况下流畅穿过。嘉宾把那一刻视为AI可以做Planning的验证,也是他个人的关键信号。

主持人问为何次年离开。陈亦伦区分了L2与L4:他认为自己找到了用AI解决L2问题的钥匙,后续组织可继续工程化,但当时还不知道怎样解决L4,因此不能将城中村成功写成已经解锁自动驾驶全部问题。他选择去清华AIR继续研究,而不是马上创业,因为机器人市场、客户和技术路线尚未准备好。

端到端 (End-to-End)在本段中,指一种AI系统构建范式。其核心思想是尽量减少人工设计的中间模块和规则,用一个统一的神经网络模型直接完成从最原始的输入(如传感器数据、指令)到最终输出(如车辆的控制指令、机器人的动作)的映射。这个模型的能力主要通过大规模数据训练获得。
规控 (PnC, Planning and Control)自动驾驶技术中的一个核心模块,负责决策和执行。输入是感知系统对环境的理解(如其他车辆位置、道路信息),输出是车辆的具体驾驶行为(如方向盘转角、油门、刹车)。在本段中,它被描述为一个“闭环AI”问题,因为车辆的每一个动作都会改变环境,从而影响后续的感知和决策。
运动控制 (Locomotion)在机器人领域,特指控制机器人(如四足、人形)实现移动和姿态保持的能力,如行走、奔跑、跳跃、保持平衡等。在本段中,嘉宾认为通过强化学习(RL)和高并发模拟器,这一技术难题的路径已被基本探明。
任务规划 (Task Planning)指将一个高层级的、模糊的指令(如“去东方明珠”、“打扫房间”)分解成一系列具体的、可执行的子任务或动作序列的过程。在本段中,嘉宾认为大型语言模型(LLM)的出现极大地解决了机器人在这一方面的能力短板。

话题推进:在清华的两年里,他观察到运动控制、任务规划和端到端三条技术线同时出现积极变化。

00:09:05–00:17:12具身三道曙光:运动控制、任务规划与端到端动作生成

  • 2022年为什么不直接创业?
  • 哪些技术变化让你后来觉得创业时机到了?
  • 四足和人形机器人的运动控制为何进步?
  • 具身的端到端惊艳时刻已经来了吗?

第一道曙光是Locomotion,即移动和全身运动控制。陈亦伦关注ETH等团队用强化学习直接控制多关节系统,认为狗和人形机器人会越来越灵活。技术上有两点:高并发仿真快速生成训练经验,英伟达GPU仿真提高并行度;硬件公司通过机械、电机和系统设计缩小sim-to-real差距,让仿真策略可以在真实机体运行。这里的仿真在嘉宾路线中是明确有效例外,不能与他后面对复杂操作仿真的否定混为一谈。

第二道曙光是LLM提供任务规划能力。自动驾驶可调用地图,把‘去东方明珠’拆成路线和路口动作,通用机器人缺少这样的共享任务数据库。LLM可把一句高层需求分解为步骤,为task planning提供新工具。它解决的是较高层行为组织,并不直接保证底层动作、接触力或安全控制正确。

第三道曙光是端到端。传统方法把感知、规划、控制拆成许多小方格,每个模块需要专业规则与接口,机器人场景更复杂后难以维护。神经网络可以学习从传感器和指令到动作的映射,让系统不再完全依赖手写规则。陈亦伦在自动驾驶子问题上看到效果,因此更愿意相信它可迁移到机器人。

主持人追问具身是否已有同样的惊艳时刻。嘉宾承认,现在更像2019年他决定做自动驾驶端到端时:理论合理,实际效果仍待证明。与当年自动驾驶需要说服行业不同,具身领域人人谈端到端,却普遍缺乏超越上一代方法的Aha效果。

因此,三道曙光不是‘具身已经解决’,而是不同层能力分别变可行:运动控制改善、语言帮助任务拆解、神经网络提供统一动作生成路径。真正的关卡在这些能力如何被数据、模型、硬件和真实任务连接。

话题推进:主持人随后要求区分端到端、VLA和世界模型,并讨论数据、算力、后训练三道关卡。

00:17:13–00:25:16三道关卡与技术分野:端到端、VLA、世界模型各自解决什么

  • 端到端是行业主流吗,与VLA和世界模型是什么关系?
  • 用AI解决复杂问题要迈过哪三道墙?
  • 自动驾驶为什么更需要世界模型,何时又需要VLA?
  • 具身是否仍卡在第一道数据关?

陈亦伦把端到端定义为尽量用神经网络和数据连接输入输出,是方法总称;VLA则通常指视觉与语言输入、动作输出的具体接口。世界模型在当前状态和动作基础上预测后续状态,也可用于生成视角、模拟物理交互或构造训练环境。它们可以组合,却不能当作同义词。

第一道关是数据。没有足够、与任务匹配的数据,复杂网络无法形成有效能力。GPT的便利是互联网文本已存在,自动驾驶和机器人需要专门设计采集方式。第二道关是算法和算力:数据足够后,需要能高效吸收数据的结构与计算。嘉宾以‘重剑无锋,大巧不工’主张简单结构更能承受大规模训练,但这是一种经验判断,不排除任务先验和专门架构的价值。

第三道关是后训练和具体技巧。预训练与算力扩张不会自动解决所有问题,复杂交互、失败恢复和特定任务需要额外方法。自动驾驶中,车辆换道、让行会改变其他参与者,世界模型可推演自身动作带来的后续,配合强化学习优化。这是他认为当前自动驾驶的主要矛盾。

如果问题是开放世界的未知障碍、复杂标志和语义,VLA借助语言的抽象能力可能更合适。陈亦伦据此把L3/L4与交互模型、L4到L5与开放世界语言模型联系起来。这是他对技术路线的解释,不是行业统一等级定义或已验证的升级路径。

具身则被他判定仍卡第一关。第一阶段模型更像从训练数据联想相似动作,而不是真正理解动作为何成功;下一阶段才需要更深入地与世界交互并提高成功率。这里的三道关是有用的分析框架,但真实研发会并行推进,并非所有项目严格按顺序完成。

话题推进:主持人进一步追问:如果数据先行,神经网络的任务和结构应怎样定义,GPT的经验能否迁移到具身?

00:25:17–00:49:25连续对话 2

00:25:17–00:30:15训练任务先于架构名词:Next Token Prediction与简单结构的扩展性

  • 数据之后,算法结构是否也会自然变简单?
  • Transformer的出现与Next Token Prediction哪个更关键?
  • 具身领域对应的训练任务是什么?

陈亦伦把神经网络算法设计理解为函数输入输出的定义:模型要看什么、预测什么、最终怎样行动。传统算法需要逐步写清操作,神经网络则更多通过训练任务塑造能力。因此,数据墙之后,真正的问题不是先选一个流行模型名,而是明确任务能否引导到目标能力。

他认为OpenAI最重要的贡献是Next Token Prediction:给一段文本,预测下一个token,海量现成文本就能转为自监督训练样本。任务简单、可扩展,使语言结构、知识和部分推理能力在训练中形成。Andrej Karpathy早期RNN博客也被用来说明,并非只有Transformer才能体现这一任务的潜力,转录中的Andrew Capetze按上下文指Karpathy。

这并不否定Transformer。嘉宾欣赏它在大数据下简单、易实现、并行高效的扩展性,认为复杂精巧的结构容易在规模化时出错或低效。本文应把任务与架构写成相互配合:预测任务提供学习信号,Transformer提供高效实现,不能只靠其中一个解释GPT全部成功。

对具身而言,他没有给出一个与预测下一个token完全等价、已获行业共识的任务,而是强调空间、时间、力和交互等基本物理量。主持人正是从这里追问具身训练任务,嘉宾随后用BEV和空间映射继续解释。

这一保留很重要:不能把‘定义具身训练任务’写成已经有统一答案,也不能把语言模型的自监督公式直接套到机器人。具身数据格式、反馈、动作含义和任务评价仍在探索。

话题推进:接下来的问题是:物理世界的基础表达是什么,为什么不能只让VLM看图说话再接一个动作头?

00:30:16–00:40:53空间、力与交互:物理世界AI不能只做视网膜式描述

  • 具身合适的训练任务和表示是什么?
  • 为什么空间映射重要,机器人比自动驾驶多出哪一层?
  • 什么叫与世界交互,操作柔性物体为什么难?
  • 具身也能通过补数据学习新任务吗,离人的高效学习还有多远?

嘉宾先借BEV说明空间映射。自动驾驶需要知道物体在何时占据何处,才能避免碰撞;这种空间表达比逐像素RGB更接近任务所需的物理结构。无论是否端到端,空间、时间及其关系仍不可省略。

机器人还增加了主动接触。汽车理想状态主要是不碰撞,机器人却要拿、捏、挤、弯折、插拔,位置和姿态之外还有力与力矩。 AW E的表述因此聚焦时间、空间、力与动作后的反馈,而非只记录局部颜色、纹理或静态图像。

主持人追问交互的具体含义。嘉宾用硬方块和布料对比:抓住硬方块主要改变其位置,柔性线、布料或刺绣则会随每次操作改变形态,下一步的最佳动作又取决于新形态。这里不是有没有接触,而是动作、物理反馈和后续决策形成闭环,因此需要学习交互规律。

他也把大模型能力分成阶段:从数据中找到相关片段并组合,能产生看似新的回答,但更像内插;进一步才是理解动作如何改变世界、提高成功率。这个区分服务于其三道关框架,不应被当成对所有LLM推理能力的最终技术判定。

对于新任务,他认为可通过补充数据扩展同一方法论,部署时不一定都要最大模型。这是数据驱动泛化的路线,不等于机器人能像人一样看几次就学会。主持人指出这一差距后,嘉宾引用Ilya关于value function的观点:人可借先验和价值判断高效选择数据。当前主流仍更多依赖大量数据生成与拟合,离人类高效学习尚远。

话题推进:定义了物理表达后,话题落到数据:为何嘉宾排除视频、复杂仿真与遥操,并选择真实人类采集。

00:40:54–00:49:25数据取舍:为何真实场景和真实动作优先,视频与复杂仿真为何被关掉

  • 为什么需要真实数据,互联网视频和仿真有哪些问题?
  • Locomotion仿真有效,为什么复杂操作仿真又难?
  • 真实场景和真实动作分别意味着什么?

嘉宾先以自动驾驶所需数据量作参照:早期几千至上万小时看到变化,产品级系统往往需要十万至百万小时,具身更复杂,他因此推测至少需要千万小时级。这个数量是路线估算,不是已被证明的统一阈值,数据多样性、任务覆盖、质量和模型效率都会改变需求。

互联网视频在他经验中有两类限制:真正可用的规模和优质比例有限,且内容常与当前问题不匹配。大量旅游驾驶视频不能直接回答某个复杂路口如何通过。静态视频也缺少动作、力和反馈的完整对应,因此不能简单等同于可训练的操作轨迹。本文保留这一判断,但不把视频在所有预训练和任务常识学习中的价值归零。

复杂仿真也被其团队关掉。视觉重建可逼真模拟雨雪街区,却主要解决感知,而最难的是决策与交互;柔性物体有限元仿真又要精细建模和调参,成本高且可能与真实差异大。嘉宾认为,在下游AI已经进步时,仿真器本身仍在手工调参,投入产出难匹配。

他明确保留Locomotion仿真的有效性:多关节身体与力学相对可建模,环境交互较简单,适合强化学习。这说明他反对的是把仿真当复杂操作通用替代品,不是所有仿真。

‘真实场景’指任务实际发生的工厂、咖啡制作等生产生活环境,而非专门搭建的理想测试场;真实动作指人为完成真实工作而采取的有效动作,而非操作员为采集临时扮演。遥操把机器人放进现场,速度慢、有延迟并干扰流程,操作员动作也未必代表任务本身。可穿戴设备则让工人在原岗位自然工作,从机制上减少干扰。

不过,真实人操作仍有本体差异:人手与机器人手的自由度、传感、力控和结构不同,怎样迁移数据是后续必须解决的问题。真实并不自动意味着可学、可用或可规模化。

话题推进:在确定真实采集后,主持人继续追问手套怎样获取‘全信息’,为何要自研硬件而不是买现成VR或动捕手套。

00:49:25–01:14:01连续对话 3

00:49:25–01:01:35手套与第一视角:全信息采集、硬件自研和软硬件协同

  • 为什么手套比遥操更适合采集?
  • 全信息包括哪些维度,第一视角能否直接解决定位?
  • VR和电影动捕技术为何不够用?
  • 五指、三指和夹爪路线有何差别,中国供应链为什么重要?

手套方案让真实工人佩戴轻量设备,在原任务中记录动作,遥操则需机器人本体与操作员介入。嘉宾以此强调低成本、低干扰和真实任务分布。它石还配第一视角摄像头记录人所见,并用手部传感器补足遮挡时视觉失效的问题。

所谓‘全信息’包括:手在空间的位置与姿态、各手指的姿态,以及触觉获取的力。这些信息对应后面AWE需要的空间、接触和交互表达。嘉宾强调不能只靠视觉定位,因为叠被子等遮挡会让手消失,因此需要自研硬件保证可靠输入。

VR常依赖摄像头追踪,面临精度和遮挡;电影动捕可记录动作趋势,但不一定达到精细操作的精度。它石在采集阶段可调用云端大算力处理,也设计端上低功耗版本,说明采集硬件本身也涉及神经网络、芯片、成本和功耗的联合设计。

五指路线服务于其灵巧手终局选择,夹爪或三指则是降低自由度的方案。嘉宾认为降维工具会限制人手的动作,采集与部署也必须对应同一类执行器。这是路线一致性,不是证明高自由度永远优于低自由度;如果许多实际任务可由夹爪稳定完成,简单方案仍可能更经济。

主持人问中国团队缺乏引领成果的问题,嘉宾以早期端到端经历和当前五指硬件回应,强调具身需要硬件、场景、本体、数据和算法交替优化。中国供应链可支持传感器、执行器和成本迭代,制造业场景提供真实任务。‘美国创业者不会是中国对手’是强烈自信,不是已经比较过全行业的结论,基础模型、芯片、资本、软件生态和全球客户仍可能改变竞争。

遥操作 (Teleoperation / Tele-op)在本段中,指操作员通过远程控制设备,实时操控机器人完成任务。输入是操作员的指令,输出是机器人的相应动作。嘉宾认为这种方式存在延迟、效率低、动作不真实、干扰真实生产环境等问题,不适合大规模采集高质量的训练数据。
可穿戴设备 (Wearable Device)在本段中,特指它石智航自研的、用于采集人类操作数据的硬件,主要包括数据手套和第一视角摄像头。人类专家或工人穿戴该设备进行日常工作,设备会记录下其手部和身体的“全信息”动作数据,作为训练AI模型的输入。
全信息 (Full Information)在本段中,指全面刻画手部操作所需的各类数据维度。嘉宾列举了三个关键维度:1. 手在空间中的位置和姿态;2. 手指的精细姿态;3. 手与物体交互时施加的力(通过触觉传感器获取)。
动捕 (Motion Capture)一种记录物体或人运动的技术。在本段中,指电影行业用于制作特效的动捕服和动捕手套。嘉宾认为其技术虽有参考价值,但精度和设计目标不满足机器人训练对数据质量的要求。

话题推进:主持人随后询问数据规模、成本、模型AWE和Scaling趋势,审读重点从理念转向可核验进展与限制。

01:01:36–01:14:01AWE与Scaling:10万小时、成本差和专属模型的证据边界

  • 目前采集多少小时,何时开始放量,主要成本是什么?
  • 单条有效数据成本比遥操差多少,行业内是否都在采用?
  • AWE是什么,与VLM加action的VLA有何区别?
  • 行为与动作有何不同,具身是否已进入Scaling状态?

陈亦伦称它石数据量约10万小时,2025年下半年开始大规模采集。此前先用少量数据提高浓度、验证效果,再开发可规模化、低成本的硬件,预计2026年继续快速增加。这是公司自述的当前量级与计划,尚缺数据任务分布、去重口径、有效率、采集人数和独立审计。

成本方面,他先说主要是算力,随后用‘省两个摄像机/数量级’回应主持人‘少一百倍、百分之一’的追问,表示至少如此。遥操还需要机器人和低效操作,可能十条仅一条可用。本文把这个百倍差记录为嘉宾估计,而非统一行业成本实测。手套硬件、采集人员、标注、算力、清洗、维护和失败数据的完整成本仍需分项核对。

AWE即AI World Engine。嘉宾希望最多计算用于表达世界的时间、空间、力和交互,而非只做视网膜式的局部纹理识别。模型还需随人和机器人的action动态演化,预测世界变化并支持行动。它是专属模型路线,不是简单VLM上接action头。

嘉宾用2017年CV作类比:自动驾驶复杂到不能只在成熟视觉模型上加一个小头,具身也值得拥有自己的基础模型。VLM主要训练看图说话,难以直接教会机器人做事。本文保留这个论证,同时注明VLA也可通过动作数据、预训练和系统优化获得交互能力,专属与扩展路线需要同任务对照而非先验判胜负。

行为与动作的区别是抽象层级:动作是驱动执行器的轨迹或信号,行为由一连串动作构成,更接近语义和高层任务。把动作组织成行为可支持长程规划。它石选择先闭源,认为开源要先让低门槛用户获得价值,不是只把模型上传。

关于Scaling,嘉宾承认最终性能可能尚未证明,但数据增长趋势已显示处于Scaling状态,并预测2026年行业进步。这里应把‘数据增长’与‘性能按稳定规律提升’区分,只有后者才能证明更完整的Scaling Law。

话题推进:最后话题转向惊艳时刻、真实客户和线束装配,检验技术路线怎样变成可交付商业价值。

01:14:01–01:25:01连续对话 4

01:14:01–01:22:12从预测到交付:2027效果预期、柔性线束场景与未公开客户边界

  • 何时出现类似2021自动驾驶端到端的惊艳时刻?
  • 行业爆发会有哪些信号,是大客户采纳吗?
  • 它石重点落地什么场景,线束为何难?
  • 目前有哪些合作客户、实际用到什么程度?
  • 如何判断具身公司是否靠谱?

陈亦伦用自动驾驶两年路径类比:2019认真做数据,2021看到效果;具身从2025认真做,2027也一定会有效果,并可能更快。他还预测2026数据大爆发带动能力提升。这里的‘一定’是嘉宾基于路线和团队进展的预测,不是时间承诺。

他认为早期信号包括更多demo视频和更多团队进入垂直领域。小领域数据浓度更高,较容易形成可展示能力。主持人追问信心是否体现为大客户采纳,嘉宾说更早可能是早鸟用户,他们更看重远期潜力,而大客户更重实用价值。它石自己则强调不做demo,2026聚焦实际价值。

场景上,它石先不进入消费者家庭,而选择已有机器人需求的工业制造,尤其是精密柔性线束装配。汽车、冰箱、洗衣机、空调等都有线束,整理、组装和插拔涉及立体、柔软物体,传统自动化较难覆盖。手机平面堆叠工艺相对成熟,但插接、固定和柔性部分仍是难点。

主持人连续追问具体合作客户与实际使用状态。嘉宾只说真实痛点明确、愿意合作的用户很多,正与合作方迭代,没有给出客户名、产线数量、成功率、节拍、接管率、良率或成本。因此只能说它石在推进场景,不能说线束已规模交付或商业闭环已证实。

对于靠谱公司的判断,嘉宾给出的是能否定义清楚自己想成为谁,而不是简单模仿别人。本文还需补充更可核验的指标:真实场景任务成功、持续运行、人工接管、维护成本、客户复购和量产一致性。技术愿景只有转成这些结果,才能从‘靠谱’叙事变成业务证据。

Vertical领域嘉宾在此处指代“垂直领域”。当某个特定应用场景的数据量足够多、数据浓度足够高时,AI模型在该场景下的表现会显著提升,问题看起来“容易被解决掉”。因此,公司会选择进入这些细分的垂直领域以求率先突破。
平面加工工艺嘉宾用此描述以手机为代表的高度自动化产品的制造方式。其特点是将元器件(如PCB、软排线)以平面堆叠的方式一层层组装起来。这种工艺流程相对规整,更易于被传统自动化设备处理。
立体柔软的加工工艺与“平面加工工艺”相对,指处理三维空间中形态不固定的柔性物体(如线束)的生产流程。这类工艺对机器人的感知、规划和操作能力要求极高,是当前自动化技术的难点,也是具身智能希望解决的问题。

话题推进:主持人在结尾用往期访谈把世界模型、模仿学习和不同数据路线重新对照,形成对本期判断的边界。

01:22:12–01:25:01连点成线:模仿学习、世界模型与数据路线的竞争解释

主持人回顾与楼天城的Robotaxi对谈:模仿学习遇到瓶颈后,需要learning by practicing,世界模型可作为强化学习环境,成为制造车端模型的factory。它与本期‘模型要理解自身动作如何改变世界’相互呼应,也说明模仿真实驾驶数据并非全部终点。

往期关于具身数据的讨论则列出真机遥操、可穿戴设备、仿真与视频等不同路径。本期嘉宾坚定选择真实人类采集,但行业并未形成唯一共识。不同本体、任务和阶段可能需要混合数据:视频提供常识,仿真支持运动控制或边缘探索,遥操提供目标本体动作,手套提供真实人类操作。

这种对照帮助读者理解,它石的特色不是发现所有数据的唯一真解,而是围绕AWE与灵巧手选择了一套自洽路线:真实人采集定义数据,空间与力定义模型,硬件支持规模化,工业柔性任务验证商业价值。路线是否成立,要看后续独立效果、成本和客户结果,而不是看表达是否足够有信念。

节目最后为主播互动与关注渠道,没有新增技术事实。

话题推进:本期结束。

以上是原对话的分段阅读。下面才开始提炼论证、解释机制并给出本文自己的判断。

主要论证:观点怎样由经历与例子支撑

具身的三道曙光来自运动控制、任务规划与端到端,但当前首先卡在数据关,后续还有算力与交互后训练。

陈亦伦(嘉宾技术判断) · 00:11:13;00:18:32;00:20:40;00:24:43

强化学习和高并发仿真改善Locomotion,LLM帮助拆解高层任务,神经网络提供从感知到动作的新实现。端到端是总方法,VLA是接口,世界模型描述状态与动作演化,三者组合而非互换。

成立条件:这是嘉宾基于自动驾驶经验的框架,不是行业统一阶段定义;惊艳效果仍待证明,实际项目可并行推进三道关。

训练任务与物理表达比追逐架构名词更基础,具身需要自己的时间、空间、力与交互模型,而不只是VLM加动作头。

陈亦伦(嘉宾模型与任务观点) · 00:27:35;00:32:24;00:34:31;01:05:08

Next Token Prediction把现成文本变成自监督任务,Transformer提供高效实现。具身需要学习接触、挤压、柔性变形与后续反馈,AWE据此表达动态世界和动作结果。

成立条件:专属模型与VLM扩展VLA都需同任务对照;‘看图说话学不会做事’是路线判断,不证明通用多模态路线无效。

真实场景中的真实人类操作更适合具身数据,手套与第一视角可低成本规模化采集全信息,优于其主要场景中的遥操。

陈亦伦(嘉宾数据路线) · 00:43:42;00:46:31;00:50:16;00:53:57;01:03:33

互联网视频常缺少任务匹配的动作反馈,复杂操作仿真建模和调参成本高,遥操会干扰真实生产。手套记录手位置姿态、手指姿态和触觉力,支持AWE与灵巧手路线。

成立条件:‘唯一解’是强判断。仿真、视频和遥操可在其他阶段辅助;跨本体迁移、数据有效率、采集总成本与劳动接受度仍需验证。

它石先用柔性线束等工业任务验证真实价值,中国的供应链和场景有利于软硬件协同,行业已出现数据Scaling趋势。

陈亦伦(嘉宾商业化与产业判断) · 01:00:05;01:01:51;01:13:38;01:18:55;01:20:45

真实工业痛点提供数据与需求,灵巧手、传感器、模型和任务可共同迭代。嘉宾预计2026数据爆发、2027出现效果,并认为中国团队具有结构性优势。

成立条件:10万小时与百倍成本差为公司自述,未独立核验;客户和产线指标未披露,预测不等于交付,竞争结果仍受模型、芯片、资本和全球客户影响。

机制与术语:对象、输入输出和中间过程

三道关卡:数据、算力与后训练如何衔接

【本文整理】输入是复杂物理任务。先以任务匹配的数据建立基本感知和动作能力,再以可扩展的结构与算力吸收数据,最后通过世界模型、强化学习和后训练处理交互、失败恢复与具体场景。输出应是持续完成真实任务的系统,而非只完成一次demo。该框架提示主要矛盾会变化,但研发并非严格串行,后训练和数据采集可能同时开展。

对应节目:00:20:40;00:22:28;00:24:43

例子来源:嘉宾原例重述,不是本文虚构场景

嘉宾原例重述:自动驾驶从积累人类驾驶数据,到大规模训练,再到用世界模型推演车辆与其他交通参与者的互动。这个例子说明三道关的重点不同,不能直接套成所有具身任务的统一时间表。

空间与力怎样进入动作模型:从静态描述到交互闭环

【本文整理】静态视觉输入提供颜色、纹理和物体线索,空间映射进一步描述何时何处被占据,力与力矩则描述接触和变形。动作输入后,系统获得物体与环境的新状态,再决定下一步。机器人与汽车的差别在于主动接触:柔性线束、布料会随操作改变,必须持续感知反馈,而非只预测一次动作。

对应节目:00:32:24;00:34:31;01:05:35

例子来源:嘉宾原例重述,不是本文虚构场景

嘉宾原例重述:硬方块被抓住后主要改变位置,而柔性线或布料每次操作都会改变形态。这个动作—状态—下一动作链条,解释了为什么AWE要记录时间、空间、力及动态交互。

真实人类采集:手套、视觉和触觉如何形成训练数据

【本文整理】工人在真实任务中佩戴手套和第一视角摄像头,手部传感器记录位置、姿态和手指状态,触觉记录力,视觉记录工作环境。云端或端上模型再对这些信号进行处理和对齐。输出是包含真实场景、动作和物理反馈的轨迹,而不是人为定义的VLA标签。主要失败点是遮挡、精度、劳动干扰、跨本体映射、数据清洗与成本失控。

对应节目:00:53:57;00:54:52;00:56:19

例子来源:嘉宾原例重述,不是本文虚构场景

嘉宾原例重述:叠被子时手可能被遮住,仅靠视觉无法知道手在哪,因此需要其他传感和硬件设计补足。该例说明为什么它石自研采集设备,也说明采集‘全信息’不是只装一个摄像头。

从人到机器人:数据迁移需要额外的本体对齐

【本文整理】人手轨迹包含丰富动作和力信息,但机器人手的自由度、形状、驱动、传感和动力学不同。迁移需要把任务目标、接触点和环境反馈映射到机器人可执行动作,再验证安全与成功率。五指全信息可提供更多细节,低自由度夹爪则可能需要重新抽象动作。采集到真实人操作不等于机器人直接复刻。

对应节目:00:53:10;00:58:34

本文自拟示意,不是嘉宾实验

本文自拟:同一插线任务,人手可旋转线头并微调力度,夹爪只有开合。训练时需先判断夹爪能否完成任务,再把旋转和力度转换为夹爪姿态与插入深度,而非逐关节复制。这个例子只说明迁移问题,不是它石已公开实现。

Scaling证据:数据增长、性能提升和商业价值必须分开看

【本文整理】数据量增长是第一层,模型在相同任务和评测下的成功率、泛化与接管改善是第二层,客户是否以可持续成本采用是第三层。只有第一层时,最多能说处于数据扩张期。demo数量可反映信心,但不能替代持续产线指标。评估它石需要同时跟踪数据分布、模型能力和客户结果。

对应节目:01:01:51;01:13:38;01:17:00;01:20:45

例子来源:嘉宾原例重述,不是本文虚构场景

嘉宾原例重述:它石称约10万小时并预计继续增长。本文分析:即使小时数准确,也需知道覆盖哪些任务、动作是否重复、模型在同评测下是否提升,以及线束客户是否持续使用,才能判断Scaling和商业闭环。

独立判断:这些对话改变了什么理解

【本文推断】本期最强的技术主线是‘数据—物理表达—硬件—真实任务’的闭环,而不是单独选择VLA或世界模型。

推理:真实采集决定模型看什么,空间和力决定模型学什么,采集硬件决定能否规模化,工业线束决定能力如何验收。AWE把这几步串起来,因此它石路线是一种系统工程,而非只换模型架构。

竞争解释与边界:如果跨本体迁移或真实客户效果不成立,闭环会在最后一环断裂;如果VLM扩展路线能利用更多现成数据与工具,也可能以更低成本达到同类任务。

【本文推断】‘真实人类数据唯一解’应理解为它石的战略取舍,而非整个行业已证共识。

推理:嘉宾依据自动驾驶经验排除视频和复杂仿真,有其任务匹配与成本逻辑。但其他团队可用视频学常识、仿真练Locomotion、遥操获得目标本体轨迹,再与真实数据混合。路线差异可能来自目标和阶段,不必然是真假对错。

竞争解释与边界:如果真实采集成本、劳动接受度或跨本体误差过高,混合路线更有优势;若其数据能稳定提升复杂操作,真实路线会更有说服力。

【本文推断】全信息五指采集把困难从采集端部分迁移到了表示学习与硬件执行端。

推理:更多姿态和力信号可保留精细操作信息,却增加硬件、标定、同步、模型维度和跨本体对齐成本。五指灵巧手也需可靠量产。低自由度方案虽信息少,却可能在一些任务上更快形成稳定交付。

竞争解释与边界:因此不能只比较采集成本,还要比较每个成功任务的总成本、长期维护、迁移和可靠性。百倍差只有在完整成本口径下才有意义。

【本文推断】中国供应链与场景优势需要转成独立验证的交付能力,不能直接推出中美竞争结果。

推理:供应链可加速传感器与执行器迭代,制造业场景可提供真实任务和数据,确实适合软硬件协同。与此同时,基础模型、软件生态、芯片、资本、全球客户和标准也可能由其他地区提供不同优势。

竞争解释与边界:‘美国不是对手’是嘉宾的创业者强判断。更可靠的比较是同任务性能、成本、部署速度、客户留存和持续创新,而不是国籍或单个硬件路线。

尚未解决的问题与可检验的下一步

待解问题:手套全信息能否有效迁移到不同自由度和动力学的机器人本体?

下一步信息或小实验:用同一插线、柔性装配数据分别训练五指手、三指手与夹爪,比较任务成功、接管、节拍、动作平滑、迁移数据和维护成本。

怎样的结果会改变判断:若高维数据在多个本体上均提高复杂任务效果,支持全信息路线;若只能在特定五指本体有效或简单夹爪已足够,需收窄其普适主张。

待解问题:它石数据路线的完整单位成本与规模上限是多少?

下一步信息或小实验:分项记录设备折旧、采集人员、云端算力、清洗、失败数据、维护、场地与组织成本,并统计有效小时和任务覆盖,和遥操及混合路线对照。

怎样的结果会改变判断:若全成本确显著更低且数据质量提升,支持规模化;若算力、清洗或迁移成本抵消采集优势,应重估百倍差和规模策略。

待解问题:AWE与基于VLM的VLA在真实复杂操作中的相对优势是什么?

下一步信息或小实验:在相同任务、数据和算力下比较长程规划、柔性物体操作、失败恢复、新场景泛化与真实接管,保持硬件一致。

怎样的结果会改变判断:若AWE在空间、力和交互任务上明显更好,支持专属模型;若VLM扩展路线同等或更优且复用生态,则其路线吸引力仍强。

待解问题:线束场景是否已经形成可复制的商业价值?

下一步信息或小实验:跟踪实际产线的成功率、人工接管、节拍、良率、停机、维护、客户复购与不同批次一致性,区分合作试点与常态部署。

怎样的结果会改变判断:若客户持续使用并产生可核算收益,场景得到验证;若只有试点和demo,不能把真实痛点当作交付证据。

影响理解的转录疑点

按全文顺序连读。先读00:11:13—00:30:15,区分三道曙光、三道关卡、端到端与训练任务;再读00:30:16—01:01:35,理解空间/力、真实采集与手套硬件;最后读01:01:36—01:22:12,核对AWE、Scaling预测、线束场景与客户边界。这样才能把技术路线与商业证据同时保留。

证据边界与资料索引

本页依据整期机器转录、官方节目介绍与章节逐段重建,未宣称逐字人工听审。说话人、专名、数字和时间可能存在识别误差;原声仍是最终核对依据。嘉宾关于公司、市场、研究、个人经历与未来的说法按口述保留,不自动等于独立核验的事实。

原节目:148: 它石智航陈亦伦:具身的三道曙光和第一道关卡

本页使用的公开文字或字幕来源

返回顶部