没有身体就没有AGI！Hillbot苏昊对谈千寻高阳：具身智能泡沫很大但进展真实

两位长期站在具身智能第一线的亲历者，给出了罕见清晰的判断。

UCSD终身教授、Hillbot联合创始人苏昊直截了当，表示“没有具身智能就没有通用物理智能、通用智能”。

清华大学助理教授、千寻智能的联合创始人高阳则补上一句现实的验证路径：“只要去scale数据就能解决，本质没有任何区别。”

绿洲资本举办的AGM（Annual General Meeting）现场，就具身智能这个话题——它正从一个技术分支，转变为理解通用智能的关键入口，苏昊和高阳分享了自己的洞察。

除了教职和创业者身份外，苏昊还是最早提出“Embodied AI”概念的学者之一；高阳曾在UC伯克利深耕机器视觉研究，拥有具身大模型训练与机器人真实场景实验上的丰富一线经验。

面对具身智能具身智能研究及产业化落地，就技术演化、模型路线等议题，两人有共识，也有不同的观点。

对谈重点围绕几个核心问题展开：

• 具身是否是通往AGI的必经之路？

• 技术突破的真正瓶颈在哪里？

• 中国在这条路径上的结构性优势是什么？

• 下一次可感知的跃迁会在何时到来？

中国具身智能两位先锋的转折与抉择

绿洲：想先请两位老师分享一下，你们是怎么开始创业的。

高阳：我想先分享当时在伯克利的一些所思所想。

我博士最开始做计算机视觉，两年之后，开始做机器人的学习。大概2016年，我们在伯克利的这拨人，大家只是冥冥之中认为说，机器人这件事情对于智能来讲是一个最终的、闪耀的明珠，但是我们其实不知道怎么做，只是都觉得它是解决智能非常重要的最后一英里。

当时OpenAI也已经成立了，也有一些老师，比如说包括Pieter Abbeel在里面做兼职。OpenAI当时就开始天天讲“大算力出奇迹”，伯克利的其他老师认为他在讲一些不靠谱的东西。这个过程持续了大概三年左右，直到GPT-3.5出来，我觉得有一部分人的思维开始改变了，觉得看到了不一样的东西。

那时候其实已经到了2021年左右，我已经回国了。

最开始我还没觉得什么，因为大家对“数据越大，模型说话越来越像人类”的事情没觉得稀奇，直到OpenAI做了post-training，做了RLHF，在那个时间点，我觉得伯克利很多非常资深的教授，包括我自己，对于AI的研究该怎么做，信仰都崩塌了，因为发现OpenAI说的竟然是对的。这可能是我思想层面上转变最大的一个瞬间，发现这个东西真的work，它竟然能够通过这么简单的方法，只要去scale数据就能解决。

为什么我现在在做具身的创业？其实也就在那一个时刻我意识到，对于具身智能也是一样，本质没有什么不同。只是说我们在解决的不仅仅是说话，而是包括做动作、对于视觉、语言、触觉、听觉等等各种各样输入的模态，进行系统化反应的问题，本质没有任何区别。

从第一性原理去推导，无论时间长短，在几年时间之内，具身智能也会因为完全一样的技术变化趋势和外推，产生巨大的飞跃。

所以在那个时间点，我就知道了具身智能要来了，然后我想去做这个事情。

绿洲：感谢高阳老师的分享，那苏昊老师呢？

苏昊：我进入人工智能领域的时间还要再早一点，大概是2002年，还远在深度学习的年代之前。

那时候我在北航的导师是一位数理逻辑学家，当时大家都在研究如何做自动的定理证明。后来就发现这个规则的边界是有限的，对于常识的表达非常难。差不多那个时候，我开始更加地相信统计学习的方法。但那个时候统计学习最主要的应用场景还是自然语言处理。

2005年那时候研究用生成式模型去写对联，当时有一天我就觉得有些事情不对劲，因为我的程序也可以把对联写好，但它好像没有一种真正的心智。

比如说当他说到“蓝田日暖玉生烟”，当你说到“日”的时候，你是有很多意象，你会感受到某种温暖，有很多想象。这一部分是感官和文字的连接。我发现在符号的世界里，缺乏这种连接。于是这就让我进一步思考一个视角，就是智能应该是对物理世界交互过程中产生的一种抽象，这个视角就导致我的兴趣转向了计算机视觉。计算机视觉就是更底层一点、有关物理世界的理解了。

时代发展得实在是很快，到了2008年，当时也很有幸作为学生的Leader，参与了ImageNet这个项目。结果就发现计算机视觉，原本认为是一个非常复杂的问题，现在看起来也可能可解。

计算机视觉也是我博士最主要的经历，这一点跟高阳是类似的，所以我们其实很多年前就认识。那个时候我们在计算机视觉领域取得一定进展之后，就自然而然地去想，有没有可能再回到我们AGI的问题上去，就是计算机视觉在AGI整个框架里应该往哪儿放？那么我们离实现AGI还有多远？

视觉实际上就是机器人的眼睛，实现了物理信号到一种符号，或者说一种内在的、可以用来理解和推理表达的转换，必须要进一步地推动对空间的理解，这就构成了我后来的一部分工作，就是空间智能的研究。

在空间智能的研究又进一步取得了所谓突破之后，我们就开始认真地去想，通用智能该咋做了。这个时间点应该是在2017年左右。所以我当时内心最大的一个疑惑就是，通用智能到底该怎么定义。我当时觉得可能还是要回到跟人的类比中去想，人是对世界是有非常多认知能力的。如果具备了所有的认知能力，我们就可以认为得到了跟人类似的一种智能体。

在当时，我想计算机视觉的能力是帮我们把信号映射为符号。可如果机器要有一个自我意识，要有进一步的认知能力，那他最缺什么呢？

我想了很久，最后得到的落脚点叫做“缺乏一种概念的涌现能力”，也就是人让他认知什么，他就可以认知什么。他自己不知道他自己是谁，他也不知道该认知什么，所以问题就在于概念涌现怎么解决。我觉得从如何解决概念涌现这个角度出发，这套思考就把我引向了定义“具身智能”这个问题上。

作为人类我们会去讲知行合一，我们会去讲认识世界、改造世界是统一的。如果你要没有“行”，也没办法验证“知”。如果你没有改变世界的这个目标，你就没有认识世界的这样一个驱动力。但是要改变世界，没有形态、没有身体那是不可能的。

所以我们必须得考虑在具备一个形态、身体加持的前提下来实现通用智能。从这个角度来说，我会认为没有具身智能就没有通用物理智能、通用智能。所以说这个具身智能是通用智能的一个出口，就构成了这样一个理解。我看到学界不只是我，也有其他的老师有一定的这种共识，所以我们就开始推动具身智能。这种理解也就导致了我们对技能栈、技术栈的一种选择。

差不多2022年左右，通过ChatGPT、Transformer的成功，我们看到了一些有趣的事情，这其中的一点就是，如果围绕着概念涌现这个问题，那么Transformer里面所谓的Attention机制，能够帮我们实现一定的概念空间的组合编排，这构成了非常大认知能力上的突破。同时强化学习和世界模型，在我们研究过程中也有了很大的进展，高阳老师当年也有工作，对我有所启发。

几件事让我感觉具身智能作为一个学科，它相对清晰了，底层所需要的逻辑、突破所需要的核心技术点都在那儿了。我们也进一步认识到，要想把这样一套通用的物理智能、具身智能框架完全实现，需要很大的力量加持，如果没有一个资本的支撑，在学校里是无论如何都达不到的。

我觉得从宏观、从对整个技术的理解来看，都觉得应该做这个事儿，于是就做了。

通向AGI，必须要有“身体”

绿洲：感谢两位老师。因为现在有很多讨论，是从纯AI的角度走向AGI，也有一派说一定要有身体，才能真正地走到AGI。那在两位老师看来，身体它是必须有的吗？还是说直接可以从AI、多模态来通往AGI？

苏昊：我整个思维的起点就是，必须有。

我觉得刚才张津剑（绿洲资本创始合伙人）讲得特别地好，对我也非常地有启发，我们将迎来一个agentic的时代。在这个时代，如果它是一个虚拟智能体，我想它总体来说还是在商业社会、在工业工作流的效率提升的场景里的一种加速效果，一种资源再分配的效果。

但如果进一步地再问两个问题，比如说刚才讲的科学发现，那真的需要把观察和实验统一起来，那么我们是需要身体去物理上做操作、做实验。如果我们今天要拓展人类的生存空间，到沙漠里，到深海里，这个时候需要建立新的认知，要不要做到知行合一、做到在新的环境下感知和交互的配合？我们人类要不要走出地球？我觉得肯定要的，而且这件事情也花不了太久。

因为按照刚才的逻辑，科学发展那么快，生产力的释放那么快，我们不能整天在地球上零和博弈。我们有很多的准备，准备好了都要离开地球，让肉身上去登陆火星，还是改造月亮？

如果从这个角度来看，我会认为一个更大的AI视角、通用的智能，甚至是超人类的智能，它一定要通过具身走过去。

高阳：我非常认同。

如果真的要走向AGI，我们一定要有一个身体。我觉得刚才苏老师从非常哲学的层面上讲了很多，我可以讲一些比较具象的例子来说明。

比如说我们要出门，走到门口掰一下门把手，然后想推出去，这个对人来讲太简单了，都是下意识去完成的。但是当你训练机器人去做这样事情的时候，会发现它有无数种方法失败，这种失败是很难想象的。

比如说没有掰到底，它就开始往后推；或者掰到了底但继续往下，把门把手都掰断了，还是没有往后推等等。为什么呢？因为它现在在比较简单的训练范式之下，没有真的与环境交互的经验，所以他没有办法学习到“我手要掰到这儿才能把门推开”。

其实这个事情不仅对于机器人，对于当前的大语言模型，包括视觉语言模型也是同样的道理。这也是为什么大家最近在大语言模型进入到了post-training、RLHF的时代，因为我们要让Agent能够和现实之间有一些交互。通过这些交互，Agent就知道什么东西做对了，什么东西做错了，才能从经验的交互里去学习到底什么是对的，什么是错的。

刚才我讲了一个具身世界的例子，比如说Agent的例子，我让他去订机票，让他去给我写代码。其实现在大家都在做，无论是在Docker或者虚拟机环境里去做强化学习，来强化这个技能。

对于即使非具身这些应用，比如说视觉语言模型、VLM模型，大家也发现了，因为当前我们训练主要的范式，是非强化学习的范式，是看互联网上图文数据这样被动学习的范式，即使是最先进的模型，比如说GPT-4，包括Gemini 2.5 Pro，很多时候你问他“这个图片里面一个物体在另一个物体的左边还是右边”，它都经常会说错。这些知识在人类的语言里是没有经常被提到的，人类不需要说这些东西，他看图片就知道东西是在我的左边还是右边。那么就没有一个语言层面上的监督，去让视觉语言模型学会这个知识点。

所有这些例子其实都指向说，我们未来如果要让无论是虚拟的agent还是真实的机器人具备通用的能力，和现实世界或者和环境交互，是特别重要的一环。

我的结论是，如果我们真的要获得AGI，真的想让机器人去处理我们物理世界问题的话，与真实环境的交互和经验是必不可少的一环，也的的确确需要具身智能来达到这个目标。

中国具身的优势在哪里？

绿洲：另一个问题是，既然“拥有身体”这么重要，是未来通向AGI的必经之路，那现在中美两国在技术上有差距吗？以及你们觉得中国有什么优势，在哪些维度能有胜出的机会？

高阳：本质上中美两国是最领先的玩家，在技术上没有什么特别大的区别。

我最近也去美国很多次，比较客观地去看待这个事情的话，美国的优势在于说，虽然这些最顶尖的公司是接近的，但美国的人才数量，说实话还是比中国在绝对数量上多一些的。这也是源于美国具身智能、科研体系发展的更久一些，所以培养了很多这样的人才。中国具身智能主要的中坚力量，可能也是在美国培养出来的。

当然我们在最顶层的宏观设计层面上，和美国认知是基本一致的。

这是我觉得在美国的优势之一。优势之二是美国的资本是比较愿意去做“世界第一”这种量级的投入。当然这也是资本环境有一些不同，我觉得中国在这个层面上，非常大的优势在于硬件和软件的结合。

比如我很久没去美国了，再次跟英伟达实验室、斯坦福实验室去聊的时候，他们每天脑子里在想的事情是说，“我机器人坏了，要修三个月可怎么办？一定不能要让这个机器人坏。”但是我们维修机器人的周期，大概最多一到两周。

如果大家做机器人的话，就知道修机器人是件非常痛苦的事情，并且一个项目能不能成功，是取决于你的迭代周期的，在美国迭代周期其实是被硬件损坏和维修时间所支配了，国内我们可以快3-10倍之间的平均速度。

在美国大家买这个硬件配件基本都从淘宝海运，然后需要可能一周的时间才能运过去，并且是最快一周。

但中国可能你非常着急，明天你就能拿到你的这个配件。这个优势其实不仅仅延伸到使用成熟的机器人平台，也包括有一些新的硬件上的想法，在现实中去迭代和试错。

并且我觉得在具身智能这个时代，硬件和软件的co-design是极其重要的事情。机器人的设计其实就像你去创造亚当和夏娃一样，最开始创造他们的时候，拍脑袋觉得它是一个好的设计。

但实际当你真的把他们用到真实操作的任务上之后，你会发现有巨多的局限性。你需要反复去更改你的硬件设计，包括数据的采集等等，都需要很多硬件联合的设计。这是第一点。

第二点，我觉得具身智能它和大语言模型不太一样。大语言模型我们经常去讲scaling，那么瓶颈是什么？瓶颈现在是电力。

我去美国之后，大家都在想说我们的电厂需要2年到3年之后，才能跟得上大语言模型训练进步，所需要消耗的电力的速度。但是对于具身智能，它是不同的瓶颈路段。我们看一个行业，需要看这个行业的最短的那个板是什么。对于具身智能当前的最短板，其实是数据这个层面。我自己是比较坚定的real-world data believer，苏老师可能和我不太一样，在仿真器这方面的探索会更多一些。

所以对于现实世界数据这个方面，我觉得中国是有巨大的优势。一方面是因为人力成本，另一方面是因为我们的组织能力和对于数据的迭代的效率，都会比美国快很多。

客观面来讲，其实两方面都有各自的优势和劣势。作为我们公司，我们尝试把所有的优势面发挥得更广一些，同时也会尝试补齐劣势。

苏昊：高老师评价的已经相当完整了，所以我只做一些补充性的评价。

中国全社会对于具身智能这件事的投入度，我认为是要比美国好的。因为美国不管市场还是企业，资本都是有惯性的，它的惯性就是在于怎么在虚拟的世界里成功。很多时候一旦到了实体方向，都没有信心在竞争中赢过中国。

第二点就是供应链问题。刚才高老师说了很多有关中国供应链的优势，我再补一个问题，就是美国现在的关税政策的不确定性，对于初创企业的影响可能是比较大的。比如说能不能用中国的供应链，然后用了之后到底是用多少税，要不要做一个备份性的布局？在一个非常早期技术迭代的周期里，要整天头疼这个问题是很不合适的。

另外一定程度上，中国在具身智能这件事情上是不太有退路的。现在这种格局之下，如果在虚拟AI上去赢美国应该是有难度，不一定不可以，但肯定是有难度。那么具身这件事情就变得必须要持续地支持下去。可能从政府到企业、民间，总体来说这件事情上没有那么多的退路，必须冲上去。这是我的一个感觉，但判断不一定是正确的。

最后说一点就是芯片这件事对中国的确是一个问题，包括端上的芯片，也包括这个训练的芯片。尤其是端上芯片这件事，希望美国政府能相对合理地去处理。不然就要寄希望于中国有自己足够强大的芯片供应链体系了。

具身泡沫确实不小，但是进展也很真实

绿洲：苏昊老师也提到了，中国现在对于具身智能必赢的决心。在这种情况下，也会有很多人说现在政府或者各个方面参与很多，行业的泡沫很多。

但我相信你们作为一线的创业者，肯定看到了很多我们没有看到的东西。那你选择在这个方向这么去投入，能不能分享一下你看到了什么？以及站在外面来看，我们应该去期待的下一个milestone或者突破会是什么？

苏昊：我现在这个阶段是很有意思的，泡沫的确是不小，但是进展又是真实的。

比较正常的产业化顺序应该是，科学框架清晰，技术有突破，开始产业化，对吧？产业化开始探索商业模式、规模化等等。

那么具身，不只是具身，整个AI，现在属于全民做研究的状态，从一级市场到二级市场，大家都要把钱拿出来。

为什么？因为本质上这个问题太大，然后越大的问题，我们觉得有可能成立，大家就只好越早地进入。可能你真的等到它非常清晰能成、能进入的时候，已经轮不着你进入了。

所以先说一个我的基本观点，这个事儿本质上现在是“全民做科研”。但因为确实是节奏太快，从科研到转化之间的时间段延时是不大的。这就是一方面你能看到泡沫，另一方面你还是要看到，在整个AI的研究界，具身智能是下一个突破点，是通用智能的出口。

比如计算机视觉等等方向的人，问他看见了什么？

看见的就是学界的一个高度共识，大家在测试、在试图去看到一些Scaling Law。包括各种各样的数据模态，仿真、真机采集、视频，那背后数据模态一般是跟算法相伴的，这个VLA、强化学习、世界模型等等，你都能看得到很实在的进展。所以我觉得整体上应该是这样去把握这个事儿。

“世界模型”这个词一定程度上被滥用了

绿洲：那接下来的问题是，你觉得世界模型是解法吗？最近包括Yann LeCun也要出来做世界模型了，这个方向非常的火。

苏昊：其实世界模型作为一个名词，一定程度上被滥用了。或者说每个人所说的世界模型是不完全一样的。

不过有一点是共同的，就是我们需要对物理世界的常识有了解。就是我刚才讲的，有关把物理信号转化为一种机器人能用的表征这件事情，所有人都觉得它很重要。那么通过一些视频预测或仿真等手段，都可以去试着建立这样一种表征。

我认为不是说它是不是个解法的问题，它是在一个相对正统的框架里的一个重要组成部分。所有试图不做这件事，就解决问题的努力，都是不合理的。

简单说一下VLA这件事儿。VLA到底说了什么？他说视觉进、语言进、动作出，这件事没有错。但另一方面，具体架构是什么？一个不在世界模型的支撑之下的VLA，这件事情我又认为是不可能对的。

绿洲：那您觉得距离下一个突破还需要多久呢？

苏昊：主要取决于定义什么是突破。

所谓通用智能，它是一个相对连续的进展过程。当年Sam Altman说GPT-3，Scaling Law在长期看来能实现AGI。其实我当时听来，不只是我，估计所有投资机构的人听起来，都会觉得这只是一个话术。

但是你说它是不是个突破呢？它绝对是个突破。AGI不是一个突破能实现的，它是一轮突破、若干个突破才能实现的。

其实下一个突破口要定义这是谁眼里的突破？如果是研究人眼里的突破，可以维持投资人兴趣的、信心的突破，那我觉得会在这一两年的尺度里出现。如果一个广大公众能够看得懂的突破，那还要再慢一点。

机器人具身模型的GPT-3.5时刻还需要2-3年

绿洲：高阳老师，因为你主要是在研究VLA这条路径，我记得23年底，你跟我讲这条路径的时候，我应该没有听其他人说过。到现在也是一个非常通用的名词，也有一定共识了。你怎么看这条路径上的进展，包括你在期待的下一个milestone是什么？

高阳：2023年的那个时间点，其实我只是意识上觉得，这个东西在逻辑上、从原理上没有什么问题。但是我很难去预测说这个曲率到底是1.0、2.0还是3.0。但比如从现在模型的能力上来讲，它的这个进化的速度是比我想象中还要更快的。

刚也聊到了是不是泡沫的问题，我们的真实进展到底有多少，以及下一个突破到底是什么，我觉得其实最好锚定的点，还是说回到大语言模型的话语体系。因为大语言模型在这个领域，其实相当于把我们的数据问题完全解完了。

具身模型其实是，至少初级阶段是一个copy的过程，我们只是在copy大语言模型初级阶段所取得的那些成功经验，到具身模型里面。在这个过程中，现在解决的问题是一个预训练的问题，让模型具备很多先验的知识。所以大家可能看到的下一个突破是，模型在今天这个时间点，已经可以sort of明白你的指令，有些看起来有点合理的执行，但还没有那么精确。

当然正如苏老师所讲，这个东西是连续的过程，它可能不是非常跳变的过程。那么在这个连续的过程中，我觉得下一个时间点能看到的，这个模型听话的程度会越来越高。它能更好地去完成更多种多样的物理行为，直到某一天突然发现你可以把所有的行为串起来，可以完成一个很复杂的任务，那我觉得这是机器人具身模型的GPT-4的时间点。

我预测，4的时间点可能不是很好讲，但我觉得3.5的时间点，大概还有2到3年。

“give me money, leave me alone”

绿洲：最后一个问题，觉得绿洲带给你们什么不一样的感受？

高阳：绿洲是我们第一轮的两个投资人之一，其实我们公司历史并不长，可能就一年半多一点。在我们公司所有历史当中，我觉得绿洲真是mentor我对于创业这件事情上的一些思考和成长。因为平时津剑、Ivy和我交流的蛮多的，他们经常会问我一些平时不会想到的high-level的一些问题。我觉得这些问题每一次去想的答案都不一样，但每一次的答案都比之前更加清晰了那么一点，我非常appreciate这些讨论。

另外一点，包括今天这个场合，也是我在创业之中非常珍惜的一个场合。因为我可以去认识更多的创始人，去听他们的故事，去听他们的经验和教训。我觉得这其实是在非常漫长、并且你的奖励信号非常稀少的创业过程之中，极其难得的经历。

刚才我本来还想说硅谷的另一个优势，就是创业氛围的密度很高。为什么这么讲？因为我之前去Palo Alto找一个餐厅吃饭，首先我走错了，但是我走错餐厅之后，就发现了Scale AI的创始人在里面吃饭，然后又看到好多熟人。并且在这个氛围里面，就有很多Conversation that is happening and is really in spiring。

我觉得在中国的条件下，密度没有这么高。但绿洲给了我很多机会，有这样的对话可以去Start to happen。所以我觉得这两个方面上，都是我感受非常好、并且成长非常多的部分。希望未来有更多这样的活动。

苏昊：我在做教授的那个阶段，总体对所谓出资人的期望就是”give me money, leave me alone”。但我的感觉就是创业，尤其是津剑、Ivy确实是给了我一种可以跟投资人做朋友的感觉，对我来说去建立这样的信任是不大容易的。

因为我确实原本的心态就是”give me money”，但现在我有一些问题的时候，我会真的去问他们，真的去寻求帮助。而且我也感受到了我的问题有些也没有那么容易回答，他需要去帮我翻阅一些资料，或者包括找人，都要花好多时间，是真的有帮助、有结论的，甚至是持续的“问一答十”。

可以说，这是绿洲很深地改变了我作为企业创始人和投资人之间关系的看法，我觉得能做到这一点是非常了不起的。

文章来自于“量子位”，作者 “允中”。