摘要

高阳把具身智能定义为已经从科研发散转入工程收敛的产业，而非仍待“灵光乍现”的远期概念。 2023 年，他感到真正 groundbreaking 的研究空间正在缩小，创业因此是把成熟范式工程化；对路线仍显纷杂的外界，他的判断是：“现在要素是齐备的，只是说需要一些时间把它做到。”
行业关键的能力跃迁节点是 L2，而不是双足或单项炫技。 高阳定义的 L2 是机器人能在办公室等单一场景移动并完成约五至八件事，L3 则跃迁到该场景内人类任务的 70%—80%；他当时预计“明年 6 月”达到 L2，L3 还需额外一年半至两年，而可服务场景可能从 L1 到 L2 增加十倍乃至几十倍。
技术主线是端到端 VLA 加快慢系统，优先形态则是轮式底盘加双臂。 慢系统理解视觉、语言与意图，快系统以 50—100 Hz 处理触觉和低层视觉反馈；双足未来需要补齐，但高阳认为当前“主要矛盾是你的手上的操作能力”，轮式双臂已可能覆盖约 80% 的能够被机器人解决的场景。
数据规模将是具身模型扩展的关键约束。 高阳团队观察到数据量与 optimality gap 呈 log-linear 关系，粗略说“多采十倍的数据，性能就会多一个 9”；按其路线做到具身版“3.5”，需要约 100 亿条有效互联网视频、1 亿条遥操作数据和数千万条 RL 数据，预计历时四至五年。
叠衣服之所以成为行业共同 demo，是因为它同时测试可变形物状态理解和泛化，而非因为家务是最先落地的场景。 衣服的褶皱无法归入少数固定状态，机器人必须先理解“它是怎么乱的”，再决定如何展开和折叠；下一关则是按临时指令改变折法、在左袖下藏入信封等多任务组合，即从单项“智商测试”走向 L2。
中国的现实优势首先是硬件制造、维修和实验迭代速度，但最大价值仍在 AI 与脑身一体化。 清华高强度实验中的机器人可能每周寄回杭州，而千寻的 in-house 工程师通常一两天解决多数问题；美国团队即使采购 100 台机器人，也可能出现“修的速度很难赶得上做实验的速度”，但只做大脑又缺乏针对具体本体的“肌肉记忆”。
商业化应随能力等级逐级兑现，而不是要求原型期机器人立刻承担通用劳动力。 高阳的回应是“不能要求 GPT-1 在 GPT-1 的时候就有商业化能力”：当前 L1 可切入汽车总装等少数高量工业工位，也确有客户愿意为十几万元的机器人买单；公司真正应优先冲向“GPT-4.0”式能力，同时用有限商业化增强抗风险能力。

精读

1. 范式越收敛，创业窗口越清晰

高阳 2020 年 8 月从伯克利回国进入清华，真正决定创业的 moment 出现在 2023 年：他开始感觉“这个研究好像没有那么多可做了”，因为范式变化会把探索问题逐步变成工程问题。
他的参照是 GPT-4 已经把日常任务做得很好：除 AI safety 等方向外，面向日常任务的基本问题已很难找到新的探索空间。科研空间收窄并非技术失去价值，恰恰意味着社会可以开始享受技术红利。
王与桐追问：外界明明还看到大量非共识，为何科学家觉得已经收敛？高阳的回答是，学术话题可能已从约 500 个收至约 100 个；并非只剩一条路线，而是许多路径虽未被完全证伪，却被认为前景不大，真正有影响力的新工作更难出现。
王与桐评价韩峰涛那篇具身智能文章“写作水平也就那样”，但认为核心判断非常正确：手写程序限制了传统机器人，大模型则首次提供了通用任务的技术基础。高阳回应说，韩峰涛总结得比自己更细致，而一个传统产业创业者能如此 open-minded、愿意相信这件事，极其难得。

2. Figure 02 把快慢系统变成了工程差距

高阳最认可的近期美国案例是 Figure 02：两个全人形机器人面对一袋杂乱购物品，能识别牛奶应进冰箱、水果应进果篮，还会彼此对话、分工并调用生活常识。
Figure 明确讲过使用快慢系统，机器人的工业设计、柔顺性和动作丝滑度也给他留下深刻印象。国内虽普遍讨论快慢系统，高阳尚未听说哪家公司真正把它做好并集成进 VLA；差距主要是持续优化响应与动作的工程工作。
中国的反向优势是硬件制造、维修和实验迭代。清华的机器人因高动态实验基本每周寄回杭州，宇树可能维修约一周半后寄回；美国团队只能让中国厂商寄备件、自己修。Physical Intelligence 即使买了 100 套机器人，也可能出现维修速度难以赶上实验速度的情况。

3. 行业已经越过 L1，却还没有真正抵达 L2

千寻把 L0 定义为没有什么智能的工业机器人；L1 是在固定位置智能完成单一任务，例如工厂打螺丝；L2 则是在办公室等单一场景移动，并完成咖啡、收桌面等约五至八项任务。
真正的大跨越是 L3：在一个物理场景内覆盖人类能做事情的 70%—80%。L4 是在单一场景完成全部人类任务，类似 Waymo 所说在旧金山可以开到任何地方；L5 才是不受办公室、家庭、便利店或工厂限制。
高阳判断，千寻和全行业最好水平都已越过 L1、正在接近 L2。他当时预计“明年 6 月”可能抵达 L2，L3 还需额外一年半至两年；这是基于技术链条的推演，并非已经验证的行业时间表。

4. 轮式双臂先吃下 80%，双足留给最后 20%

具身智能不必等于人形：L1 用单机械臂即可；到 L2，多数任务可能需要双臂协作和移动装置，而最简单的组合就是“双臂加轮式底盘”。
高阳的主要矛盾判断很直接：只有移动能力、没有操作能力，机器人仍需人在两端装卸，价值极小；轮式底盘已经成熟却未大量进入办公室，正说明缺的不是 locomotion，而是手上的操作。
对“先做轮式、以后仍得补双足”的质疑，高阳表示同意之后补齐双足，但认为轮式双臂可能在相当长一段时间内承担最大出货量，先覆盖约 80% 场景；楼梯、操场和野外等剩余约 20% 才需要双足。
王与桐提出小孩学走路似乎比学手部操作更晚，高阳仍倾向于双足技术“比较简单”：其实验室已完成行走、燕式平衡和单腿踢起等动作，工业级稳定性还需工程投入，但“没有本质的卡点”。

5. 人形来自人类世界的尺寸约束

机器人未必需要一个拟人的脑袋，但需要把相机装在较高位置以观察场景。桌子通常约 75 厘米高，室内空间又是按人类尺寸设计；仿照人的形态，至少能保证既有场景在物理上可行。
王与桐设想一米二高、手臂像登山杖般伸出两米的机器人，高阳认为这也是可行的，只是多数场景没必要。人形并非纯粹从众，而是“世界是为人设计的”所导出的构型。
四足加双臂的“半人马”也可能形成品类，其稳定性远好于双足，但会占据更大空间。构型最终仍取决于场景，而不是所有通用智能都必须复制人的外观。

6. 通用化与专业化都服务于更低成本

流水线的专业分工与通用机器人并不矛盾：为每项任务设计专门方案要承担固定成本，而通用机器人可以复用硬件和 AI，只为不同任务增加能力，从而降低成本。
高阳并不认为通用机器人会替代所有专机，“我们也不会用它来生产塑料杯”，因为模具仍是最快方案；未来更可能是通用机器人与专用机械臂并存。
汽车总装线上安装大灯、座椅等环节至今仍需要人工完成，正是传统机械臂难以处理的候选任务。现阶段人可能更便宜，因此应先挑需求量大的工位；如果机器人能长期使用、覆盖一个人几年的成本，账才可能算得过来。

7. 端到端 VLA 是终局，分层只是当下捷径

高阳把端到端与 VLA 视为等价路线：输入视觉与语言，直接输出动作，而不是在中间先把信息转换成某种表示，再输出具体操作。理论上操作类问题都可覆盖，实际边界更多来自传感器能力。
分层现阶段更容易工程实现，但他认为最终“一定是端到端”。依据是自动驾驶十多年发展后的经验：手动做分层“不靠谱”，产业正在转向端到端。
这份判断并非追随当下潮流。高阳与许华哲约在 2016 年就做过端到端自动驾驶，使用的数据量可能约为同期英伟达工作的 100 倍；论文技术早已过时，但背后的“哲学思想”延续到了机器人研究。

8. 叠衣服测的是状态理解，不是手劲

千寻展示连续叠多件衣服，是因为可变形物没有杯子那样稳定、易描述的状态。机器人必须理解每次随机褶皱，再决定从哪里展开和折叠；难点“不是力度”，而是识别衣服究竟“怎么乱的”。
高阳用朋友家两三岁孩子叠不好衣服作类比，王与桐据此称它为具身智能的“智商测试”，并认为可能对应四五岁孩子的认知挑战。它同时包含困难操作和跨颜色、衣型、初始状态的泛化。
Hugging Face、Physical Intelligence 的 π0，以及李飞飞团队都展示或公开过叠衣、刀叉等操作。高阳强调，行业扎堆叠衣并非认定家务最先商业化，而是它属于单任务中最难的一类技术标尺。

9. 慢系统决定“做什么”，快系统守住“有没有抓稳”

千寻下一步是让机器人应对临时要求：换一种折法、叠到一半时把信藏进衣服，或准确放到左袖下面。这类组合指令才开始接近 L2。
快系统以约 50—100 Hz 接收触觉和低层视觉反馈，负责“抓到了没有”“没抓稳就立刻重抓”等短周期修正。
慢系统则寻找信封、判断左右、理解语言并形成意图。高阳的划分是：快系统让动作可靠，视觉和语言驱动的慢系统决定任务结构。
插针等精细操作未必更考验“大脑”；若任务逻辑简单，瓶颈可能只是触觉传感器精度。具身能力不能把所有困难都归因于模型规模。

10. 泛化是从几件事跃迁到一个场景的门槛

从 L2 的少数任务跃迁到 L3 的 70%—80%，不可能逐项采遍所有任务。高阳认为当前机器人的主要挑战就是泛化：“我见了一个新的物体，能不能知道该如何去处理它。”
典型测试是学过抓 A、B、C、D 后，能否抓住刚买来的陌生物体；叠衣本身也要求跨颜色、衣型和褶皱调整策略。泛化已经嵌在这个任务中。

11. 互联网视频给常识和动作先验，但只有约 1% 可用

千寻的数据链路是先用互联网图文和人类操作视频，再用真机遥操作数据做 SFT，最后用强化学习提高成功率，目标是“把所有我们能用上的数据都用起来”。
视频网站素材质量参差不齐，与人类操作强相关的内容大约只有 1%；第一人称视频最好。团队通过预测物体未来轨迹和手部轨迹，让模型学习物体“该怎么被操作”。
王与桐的追问很关键：人看很多视频也未必会做。高阳承认互联网视频只能让模型大致知道什么动作是对的；物体识别多已由视觉语言模型学到，真正的动作精度仍需真机训练。

12. SFT 教准头，RL 让模型自己干中学

模仿学习像看完安装视频后亲手装一次零件，让动作从“大概如此”变得精确；但如果始终由人握着机器人的手，它仍会有约 5%—10% 的情况失败。
高阳用做饭解释 RL：即便看母亲做了十年菜，第一次自己下盐、判断火候仍会失准。“为了把这个事儿做好，你必须得自己去干中学。”
强化学习常呈现阈值效应：机器人可能很久不会叠衣或插 USB，偶然第一次成功后，后续成功越来越容易。“突然某一次它会了，然后它未来就一直会。”
更有价值的是跨任务泛化：插入经验可能迁移到其他插接任务，拧螺丝、转门把手和拧灯泡也共享运动结构。第一次成功出现多快，取决于之前模仿学习和 SFT 是否做得足够好。

13. 数据路线尚未收敛，团队禀赋决定信仰

仿真、遥操作和视频学习仍是具身领域的真实非共识。高阳认为选择往往同时反映认知与团队积累：擅长仿真器的公司自然更相信仿真；王与桐还以特斯拉进行了大量遥操作为例。
千寻会把不同数据放在不同阶段；最大的量仍来自互联网图文和视频。高阳援引大模型经验：“所有的大模型最重要的一步就是预训练”，基模质量是后续能力的重要基础。

14. Data scaling law 给出了量级，也暴露了数据天花板

高阳团队在约十万至几十万量级的数据区间观察到：数据量取 log 后，与模型距最优表现的 optimality gap 呈线性关系。粗略表达就是数据增加十倍，性能可能从 99.9% 进到 99.99%。
按其技术路线做到具身版“3.5”，高阳估算需要约 100 亿条有效互联网视频、1 亿条遥操作数据，以及几千万条强化学习数据。
若可用率仅约 1%，100 亿条有效视频意味着从约 100 倍的原始素材中筛选；他的测算是，互联网现有可用视频总量本身也大约只有 100 亿条，几乎要“学完所有的”，预计需四至五年。
仿真数据不能按条数套用同一规律：仿真器可以无限运行，但 diversity 有限，真正要数的是能覆盖多少现实任务，包括透明玻璃杯、衣服，以及上软下硬的椅子。遥操作若 diversity 足够则仍符合 scaling law，只是成本更高。

15. 大脑与本体必须一起形成“肌肉记忆”

只做大脑可以研究 methodology，却很难真正解决问题。高阳认为人本身并没有很强的跨具身能力；一个从未针对具体本体训练的模型，没有挥拍或快速操作所需的“肌肉记忆”。
只做本体的问题在于价值主要位于大脑端：过去十至二十年，本体能力没有发生本质变化，市场突然变大的原因是 AI 大脑出现了变化。“最大的价值在大脑端”是高阳所见的大范围共识。
因此千寻从一开始选择大脑加本体。脑身结合能让模型针对具体本体的特点形成类似肌肉记忆，而不是要求同一个模型快速适应任意机器人。

16. 产业链终会像汽车，但眼下仍被迫垂直整合

高阳预计具身产业最终类似汽车：整机公司定义 spec、完成系统集成，大多数零部件外采或共同研发；触觉传感器、灵巧手和芯片都是本体中的困难零部件。
千寻希望开放合作，但不少零件目前“还没有做得特别好”，只能暂时自己做。随着产业链成熟，更多部件可以与合作伙伴共同完成；分工越精细，最终产品才可能越好。

17. 商业化应沿 L1 到 L2 逐级兑现

王与桐转述朱啸虎的质疑：行业高度共识，却没有明确客户，谁会花十几万元买机器人做这些活？高阳同意不能在 GPT-1 阶段就要求它具备成熟商业化能力：“不能要求 GPT-1 在它 GPT-1 的时候就有商业化的能力。”
他的优先级是先把技术推到“GPT-4.0”，同时按能力等级有限落地以增强公司抗风险能力。L1 已能在部分工业工位工作，也确有客户愿意支付十几万元，只是可选场景不多。
一旦到 L2，可商业化任务可能增加十倍甚至几十倍。路线何时真正收敛也取决于实绩：某家公司率先跑出 L2、甚至 L3，其他团队自然会收敛。

18. AI 是最短板，科学家创业的风险却在执行

高阳把 data scaling law 称为具身 ChatGPT 时刻的 theory foundation，而不是 ChatGPT 时刻本身；更接近 OpenAI 提出 scaling law、两三年后做出 GPT-4 的关系。机器人数据更难获得、产业链更长，因此等待时间可能更久。
在他的“木桶”里，硬件虽也不够完善，但 AI 仍是最短板：“如果能把 AI 补齐的话”，就相当于把木桶补齐。ChatGPT 时刻还要求本体、零部件和工程体系共同成熟。
科学家背景也不是免检证书。高阳直言自己也同意科学家创业未必靠谱：理解技术不等于会做工程化分工、团队管理和应用节奏，这些都需要经验；王与桐转述的投资人评价则是，他与韩峰涛的互补配置和推导过程显得务实。
对同时保留清华教职的决心质疑，高阳认为自己只是在做同一件事从科研到工程化落地的 transition，并未分心做两件事。他也拒绝靠长期少睡换产出：“方法论要比每天多投入一个小时、两个小时重要得多”，因为疲劳导致的一次错误决策，可能让和他一起工作的人多花两倍时间。

Inside Cursor：与联合创始人 Sualeh Asif 探讨 AI 编程的未来 Cliff Sosin——投资 Carvana——[Invest Like the Best，第421期]