用「無本體數(shù)采」的方式訓(xùn)練具身模型，靈初智能的這條路徑是 VLA 之后行業(yè)最熱的方向之一。

作者｜Li Yuan

編輯｜鄭玄

3 月 10 日，據(jù)極客公園獲悉，具身智能企業(yè)靈初智能首次對(duì)外披露其過往融資進(jìn)展：公司已先后完成天使輪及 Pre-A 輪融資，累計(jì)融資規(guī)模達(dá) 20 億元。

天使輪由國開金融、國中資本、央視融媒體產(chǎn)業(yè)投資基金等國家級(jí)「國家隊(duì)」資本，某數(shù)千億上市公司旗下戰(zhàn)投、長(zhǎng)飛光纖旗下基金，兩大核心產(chǎn)業(yè)龍頭資本，沃德爾等知名產(chǎn)業(yè)資本，及元生創(chuàng)投、珠?？萍籍a(chǎn)業(yè)集團(tuán)、鈞山投資、燕緣創(chuàng)投、大米資本、沃賦資本、彬復(fù)資本、泰合資本等多家知名基金共同投資。

Pre-A 輪由上海國資徐匯資本等基金領(lǐng)投，梁溪科創(chuàng)產(chǎn)業(yè)二期母基金 (博華資本管理)、錫創(chuàng)投等地方國資，及普豐資本、鈦銘資本等市場(chǎng)化基金跟投，多家老股東實(shí)現(xiàn)超額跟投。華興資本擔(dān)任長(zhǎng)期財(cái)務(wù)顧問。

經(jīng)估算，公司估值一年內(nèi)大概翻了 6-7 倍，已經(jīng)向行業(yè)獨(dú)角獸邁進(jìn)。

靈初智能成立于 2024 年年底，此前宣傳并不多。

創(chuàng)始人兼 CEO 王啟斌在創(chuàng)辦靈初智能之前，先后就職于云跡科技和京東機(jī)器人，主要負(fù)責(zé)酒店配送機(jī)器人與物流配送機(jī)器人的研發(fā)。

聯(lián)合創(chuàng)始人陳源培出生于 2001 年，曾在北京大學(xué)楊耀東教授團(tuán)隊(duì)及斯坦福大學(xué)李飛飛實(shí)驗(yàn)室學(xué)習(xí)與研究。他此前的研究重點(diǎn)包括：利用強(qiáng)化學(xué)習(xí)驅(qū)動(dòng)靈巧手完成復(fù)雜長(zhǎng)程任務(wù)與類人操作，以及將人類數(shù)據(jù)遷移到機(jī)器人系統(tǒng)中。

與今年年初獲得大額融資的多家具身智能公司類似，靈初智能也將重心放在「具身大腦」方向。

公司當(dāng)前的核心路線，是用「無本體數(shù)采」的方式訓(xùn)練具身模型：通過人類佩戴式設(shè)備采集操作數(shù)據(jù)，以緩解具身智能長(zhǎng)期面臨的高質(zhì)量數(shù)據(jù)瓶頸。這條路徑在 VLA 之后成為行業(yè)最熱的方向之一。

在模型訓(xùn)練上，則采取強(qiáng)化學(xué)習(xí)為主、模仿學(xué)習(xí)為輔的方式，追求更高節(jié)拍與成功率。

極客公園采訪了靈初智能兩位創(chuàng)始人。兩人的分工和路線選擇都很清楚：CEO 王啟斌的表達(dá)更鋒利，核心抓手是落地與交付；聯(lián)合創(chuàng)始人陳源培更偏技術(shù)掌舵，對(duì)接下來技術(shù)路線要往哪走，有一套相對(duì)確定的判斷。

他們的共識(shí)也很明確：靈初智能不做整機(jī)硬件自研——在他們看來，輪式底盤已經(jīng)供給過剩、缺乏差異化空間；但在決定長(zhǎng)期能力邊界的關(guān)鍵環(huán)節(jié)上，他們又非常強(qiáng)硬：一定要自研靈巧手和數(shù)據(jù)采集裝置，并把落地場(chǎng)景收斂在物流/商超，用一個(gè)足夠小、但可以持續(xù)外推泛化的細(xì)分任務(wù)打穿，跑出能夠持續(xù)回流的數(shù)據(jù)飛輪。

在采訪中，兩位反復(fù)強(qiáng)調(diào)：他們已經(jīng)進(jìn)入真實(shí)世界部署階段——不是拍 demo、寫論文，而是在客戶現(xiàn)場(chǎng)把系統(tǒng)跑起來，再用現(xiàn)場(chǎng)數(shù)據(jù)反哺模型迭代。下面摘錄幾段最具代表性的原話，可以看出這是一支很務(wù)實(shí)、強(qiáng)落地導(dǎo)向的團(tuán)隊(duì)：

·「夾爪能解決 80% 的問題」其實(shí)是個(gè)偽命題。你真的進(jìn)到客戶現(xiàn)場(chǎng)就知道——一個(gè)倉庫里 100 個(gè)物體你只能搞 80 個(gè)，那剩下 20 個(gè)怎么辦？總不能扔掉。 ·很多公司說要做商超，但你真正去商超現(xiàn)場(chǎng)看，會(huì)發(fā)現(xiàn)核心問題根本不是「從貨架上拿東西」的這種抓取放置的工作（pick and place），商超的主戰(zhàn)場(chǎng)依然是有人作業(yè)。 ·我們的判斷是：人最終是「載體」，所以我們會(huì)盡可能把人的各類模態(tài)都采下來，從而最大程度避免數(shù)據(jù)未來「不可用」。

·未來數(shù)據(jù)采集本身會(huì)一直持續(xù)，但它要么進(jìn)入少數(shù)算法能力很強(qiáng)的公司體系里；要么就只能退化成純?nèi)肆ν獍?。兩者的價(jià)值和定價(jià)會(huì)差非常多。 ·大廠只要肯投人、肯投錢，收很多數(shù)據(jù)去訓(xùn)練，基本都能訓(xùn)出一些「看起來還可以」的模型。但如果我們把物流場(chǎng)景的數(shù)據(jù)牢牢握在手里——甚至不對(duì)外出售，同時(shí)把大部分物流場(chǎng)景占住——那別人再想進(jìn)來，不管是數(shù)據(jù)質(zhì)量還是數(shù)據(jù)收集速度都會(huì)差很多，最終效果也會(huì)差很多。

以下是部分采訪紀(jì)要，經(jīng)極客公園整理。

01

靈初智能為什么要關(guān)注人類數(shù)據(jù)？

問：過去幾年具身智能沒有落地的核心問題是什么？

王啟斌：核心是數(shù)據(jù)問題。

數(shù)據(jù)問題大家都有共識(shí)，但更底層的問題在于：目前還沒有形成一種技術(shù)路徑與商業(yè)模式相結(jié)合的機(jī)制，使得數(shù)據(jù)能夠大規(guī)模、低成本地回流。也就是說，具身領(lǐng)域現(xiàn)在還不存在「特斯拉模式」。

我自己對(duì)特斯拉做過比較深入的研究：特斯拉模式之所以能啟動(dòng)，是因?yàn)閺?2013 年開始鋪墊，Model 3 在 2017 年發(fā)布后，很快做到年銷量上百萬臺(tái)，靠巨量部署讓數(shù)據(jù)快速回流，從而推動(dòng) FSD 快速迭代。但具身機(jī)器人今天最難的就是市場(chǎng)怎么冷啟動(dòng)、數(shù)據(jù)從哪里來——仿真數(shù)據(jù)的 gap 太大，而缺數(shù)據(jù)就無法大規(guī)模部署；無法部署就沒有低成本的數(shù)據(jù)回流，形成了一個(gè)典型的「雞生蛋、蛋生雞」的閉環(huán)難題。

所以現(xiàn)在大家都在搞數(shù)據(jù)：美國頭部公司在做，中國從政府到頭部企業(yè)也都在做。但關(guān)鍵不在于「做不做數(shù)據(jù)」，而在于數(shù)據(jù)能不能形成一個(gè)有效、可持續(xù)的模式——從數(shù)據(jù)基礎(chǔ)設(shè)施（Infra）、數(shù)據(jù)采集方式、怎么采、怎么訓(xùn)，到是否能訓(xùn)練出具備泛化能力的預(yù)訓(xùn)練模型，這些是具身繼續(xù)往前走必須跨過的幾步。

對(duì)靈初來說，今年的主旋律就是解決這個(gè)問題。

我們?cè)谧鰯?shù)據(jù)采集設(shè)備上非常激進(jìn)——我們?cè)谧鲆惶子糜陬A(yù)訓(xùn)練的、無本體的多模態(tài)數(shù)據(jù)采集手套，目前已經(jīng)在北京規(guī)模化部署。

靈初的思路其實(shí)很簡(jiǎn)單：我們會(huì)用人的多模態(tài)數(shù)據(jù)作為基礎(chǔ)——戴上數(shù)據(jù)手套，大規(guī)模采集從物流、商超到泛服務(wù)業(yè)的各類真實(shí)作業(yè)數(shù)據(jù)。我們采的是長(zhǎng)程、多模態(tài)數(shù)據(jù)：包括觸覺、頭部/手部等多視角視覺，以及關(guān)節(jié)角等信息。然后用這些數(shù)據(jù)去訓(xùn)練我們的基礎(chǔ)模型。真正落地到某個(gè)機(jī)型時(shí)，再針對(duì)目標(biāo)機(jī)型補(bǔ)充很少量的數(shù)據(jù)——通常是百小時(shí)量級(jí)的 teleop/遙操作數(shù)據(jù)——把它接到后訓(xùn)練里，去解決具體場(chǎng)景的問題。

問：這套方案用的是真實(shí)人類數(shù)據(jù)，但是早期你們其實(shí)更多的用的是仿真強(qiáng)化學(xué)習(xí)來訓(xùn)練嗎，是做了轉(zhuǎn)向嗎？

陳源培：我們?cè)缙谄鋵?shí)更像是一套「混合方案」，仿真一直是其中的一部分。但我們也很早就在講人類數(shù)據(jù)，只是當(dāng)時(shí)行業(yè)里很多人未必能立刻理解，所以外界印象可能更集中在「仿真」上。

仿真的優(yōu)勢(shì)很明確：它可以用來冷啟動(dòng)，也可以用來驗(yàn)證很多思路。比如我們?cè)缙谧龅囊恍?demo——像打麻將——很多數(shù)據(jù)就是從仿真里收集的，因?yàn)榉抡娌⑿行屎芨?、?shù)據(jù)量可以迅速堆起來，所以短期內(nèi)容易做出成果。

但隨著行業(yè)發(fā)展，人類數(shù)據(jù)規(guī)模變成可行方案之后，仿真在模型訓(xùn)練里的權(quán)重就會(huì)逐步下降。換句話說，不是仿真「完全沒用」，而是它更適合早期的冷啟動(dòng)與驗(yàn)證；當(dāng)真實(shí)數(shù)據(jù)能規(guī)?；瘯r(shí)，訓(xùn)練主線會(huì)自然往真實(shí)數(shù)據(jù)遷移。

我們內(nèi)部也討論過：未來的仿真大概可以分成三個(gè)階段。

第一階段，類似現(xiàn)在 Isaac 這一套，主要是物理規(guī)則寫死的仿真系統(tǒng)。

第二階段，是可微分仿真，能夠模擬一些軟體物體，并支持梯度回傳。

第三階段，則是端到端的「仿真」——也就是大家說的視覺模型/世界模型：簡(jiǎn)單說，就是把視覺模型當(dāng)作仿真器來用。

我覺得如果未來「仿真」真的還能發(fā)揮很大作用，可能更像第三種：用世界模型做仿真器。因?yàn)槿绻€是純靠寫規(guī)則，其實(shí)很難真正解決 sim-to-real gap，而且現(xiàn)在算力也基本到了一個(gè)卡點(diǎn)，再往上堆也很難帶來質(zhì)變。也正因?yàn)槿绱?，大家現(xiàn)在都在往世界模型的方向轉(zhuǎn)。

我們也關(guān)注模型側(cè)的進(jìn)展，但真正投入比較多人力去做的，是一個(gè)我認(rèn)為長(zhǎng)期都會(huì)非常有用的方向：跨本體數(shù)據(jù)遷移。也就是怎么把人的數(shù)據(jù)遷移到機(jī)器人上，比如我輸入一段人類操作的視頻，怎么把它轉(zhuǎn)換成機(jī)器人能夠執(zhí)行的操作序列。

02

全球首個(gè)靈巧手真實(shí)世界數(shù)采引擎，

意味著什么？

問：靈初智能的數(shù)據(jù)采集管線和其他公司有什么不同？

王啟斌：靈初智能一直關(guān)注長(zhǎng)程靈巧操作。

我們之前在看，全世界范圍內(nèi)有沒有人把靈巧手的人類數(shù)據(jù)集真正做得很好？

我們的結(jié)論是沒有，從去年開始基本全是夾爪的數(shù)據(jù)。我們做模型，對(duì)手部數(shù)據(jù)的需求非常清楚，所以我們判斷：這塊供應(yīng)缺口很大，我們有能力用類似 UMI 的商業(yè)模式做出自己的方案，于是就自己開始做數(shù)據(jù)采集工具。

我們做的是一套多模態(tài)的數(shù)據(jù)采集手套。強(qiáng)調(diào)「多模態(tài)」，是因?yàn)槿说牟僮髂芰Ρ举|(zhì)上就是多模態(tài)融合的：既有力/觸覺反饋，也有視覺信息，還包含 21 個(gè)關(guān)節(jié)角的數(shù)據(jù)。

以human data 為中心來構(gòu)建數(shù)據(jù)體系，之后可以 retarget（重定向/遷移）到不同機(jī)器人的末端執(zhí)行器，甚至不同本體上去。

我觀察行業(yè)里目前很多方案，要么只是手套采關(guān)節(jié)角，但缺觸覺；要么加了觸覺，卻沒有把末端執(zhí)行器的高自由度位置等信息納入一個(gè)統(tǒng)一體系。

同時(shí)我們也是已經(jīng)進(jìn)行了規(guī)模化部署的——不是做一個(gè)樣機(jī)拍個(gè)片，發(fā)兩篇論文、寫兩篇 PR 稿，你去看看行業(yè)里有沒有部署百臺(tái)以上的真實(shí)部署的？我們 3 月底會(huì)發(fā)布一個(gè)相對(duì)更大的數(shù)據(jù)集，今年的目標(biāo)是百萬小時(shí)的數(shù)據(jù)。

問：夾爪不能通向未來嗎？

陳源培：我認(rèn)為未來只靠夾爪商業(yè)模式肯定是跑不通的。

原因很簡(jiǎn)單：所謂「夾爪能解決 80% 的問題」其實(shí)是個(gè)偽命題。你真的進(jìn)到客戶現(xiàn)場(chǎng)就知道——一個(gè)倉庫里 100 個(gè)物體你只能搞 80 個(gè)，那剩下 20 個(gè)怎么辦？總不能扔掉，也不可能跟客戶說「這 20 個(gè) SKU 你別下單了」。真實(shí)落地場(chǎng)景里很多時(shí)候是沒有討價(jià)還價(jià)空間的：哪怕有一個(gè) SKU 做不了，也算失敗，這個(gè)場(chǎng)景就落不了地。

很多人覺得「80% 也可以」，是因?yàn)樗麄冏龅氖?demo：100 個(gè)抓到 80 個(gè)，剩下 20 個(gè)不展示就完了。但在真實(shí)場(chǎng)景里不可能這樣，你只有到現(xiàn)場(chǎng)做過，才會(huì)知道夾爪的局限到底有多大。

比如很多公司說要做商超，但你真正去商超現(xiàn)場(chǎng)看，會(huì)發(fā)現(xiàn)核心問題根本不是「從貨架上拿東西」的這種抓取放置的工作（pick and place），商超的主戰(zhàn)場(chǎng)依然是有人作業(yè)。

真正剛需是人類長(zhǎng)程作業(yè)鏈條。補(bǔ)貨（拆箱→分裝→推車→上架→整理）、掛鉤陳列、冰柜補(bǔ)貨（開門/擺放/調(diào)整）、過期品處理等，都是長(zhǎng)程、強(qiáng)交互、強(qiáng)泛化的靈巧操作鏈路。

另外，從數(shù)據(jù)角度也很關(guān)鍵：如果你是夾爪路線，你換一個(gè)倉、換一個(gè)任務(wù)，末端結(jié)構(gòu)和執(zhí)行能力可能都要變，你的數(shù)據(jù)往往得重新收一遍，根本不通用。

這也是為什么我們要做多模態(tài)數(shù)據(jù)：我們的判斷是：人最終是「載體」，所以我們會(huì)盡可能把人的各類模態(tài)都采下來，從而最大程度避免數(shù)據(jù)未來「不可用」。

相反，機(jī)器人的數(shù)據(jù)——包括各種 UMI/夾爪那類數(shù)據(jù)——是有可能變得不可用的。因?yàn)闄C(jī)器人硬件會(huì)更新?lián)Q代：你今天用的夾爪可能過一兩年就不適用了，你可能要換末端結(jié)構(gòu)；一旦末端構(gòu)型變了，過去那套數(shù)據(jù)很可能也就用不上了。但人是不變的，人的數(shù)據(jù)不僅量級(jí)最大、也最具多樣性，因此長(zhǎng)期價(jià)值更高，能最大限度降低「數(shù)據(jù)作廢」的風(fēng)險(xiǎn)。

問：成本如何？

王啟斌：數(shù)據(jù)成本有三個(gè)大來源：第一是硬件投入，第二是人員成本，第三是存儲(chǔ)成本。我們這套方案相比遙操作的數(shù)據(jù)采集，除了更有泛化性之外，整體成本 3 月份后，可以達(dá)到整機(jī)遙操作的 1/10。

后面我們還會(huì)有一些商業(yè)模式：比如從現(xiàn)在的室內(nèi)版本，往后做一個(gè)可攜帶、可眾包的 portable 版本，它會(huì)變成類消費(fèi)品，大家戴著它，用眾籌/眾包的方式采集。人可以在自己的工作中，甚至在隱私保護(hù)的前提下，在生活中用它來采集數(shù)據(jù)。因?yàn)閭鹘y(tǒng)的數(shù)據(jù)采集場(chǎng)景離真實(shí)作業(yè)環(huán)境太遠(yuǎn)，大家很難真實(shí)復(fù)刻工作生活里那么復(fù)雜的環(huán)境和物體堆放方式。

包括數(shù)據(jù)設(shè)備本身，我們也可能做眾籌模式，或者租賃平臺(tái)模式，把數(shù)據(jù)采集成本大幅降下來。

不過要記得：低成本只能保證數(shù)據(jù)能夠大規(guī)模生產(chǎn)，并不能保證模型訓(xùn)練就一定能訓(xùn)出效果。如何把這樣大規(guī)模的數(shù)據(jù)訓(xùn)到模型里頭，訓(xùn)出效果來，這是靈初的核心競(jìng)爭(zhēng)力。

問：靈初會(huì)把賣數(shù)據(jù)作為商業(yè)模式嗎？

陳源培：會(huì)有數(shù)據(jù)的售賣。但我們不會(huì)把自己定位成一個(gè)純粹的數(shù)據(jù)供應(yīng)商，單靠「賣數(shù)據(jù)」這個(gè)模式，是不強(qiáng)也不長(zhǎng)久的。

你看國內(nèi)很多所謂做數(shù)采的，本質(zhì)上就是人力采集、外包式的供給：短期可能有用，但長(zhǎng)期很容易因?yàn)閿?shù)據(jù)多樣性不足等問題被淘汰。更關(guān)鍵的是，這種模式的壁壘不在技術(shù)，而更像是人力外包——當(dāng)越來越多人都能做時(shí)，它的價(jià)格會(huì)被打下去，公司價(jià)值也會(huì)快速下降。

數(shù)據(jù)本身永遠(yuǎn)是缺的，尤其在具身領(lǐng)域，有些長(zhǎng)尾需求可能一直都需要采，這個(gè)需求不會(huì)消失。所以我判斷未來會(huì)變成這樣：數(shù)據(jù)采集本身會(huì)一直持續(xù)，但它要么進(jìn)入少數(shù)算法能力很強(qiáng)的公司體系里——因?yàn)檫@些公司能定義數(shù)據(jù)結(jié)構(gòu)、采集方式、設(shè)備形態(tài)，并把數(shù)據(jù)真正訓(xùn)進(jìn)模型里；要么就只能退化成純?nèi)肆ν獍?，提供「勞?wù)式采集服務(wù)」，類似現(xiàn)在一些云服務(wù)廠商提供的人力標(biāo)注/采集能力。兩者的價(jià)值和定價(jià)會(huì)差非常多。

03

百萬小時(shí)物流場(chǎng)景專用數(shù)據(jù)

問：靈初智能之前提過今年做到百萬小時(shí)數(shù)據(jù)的說法，百萬小時(shí)對(duì)于靈初意味著什么？

王啟斌：聊到「百萬小時(shí)夠不夠」，我覺得首先得把范圍說清楚。我們并不認(rèn)為百萬小時(shí)就能直接通向所謂的 AGI 或家庭 ToC。

百萬小時(shí)指的是在一個(gè)比較大的域里——比如物流和泛商超——這一級(jí)別的真實(shí)數(shù)據(jù)可以支撐一個(gè)基礎(chǔ)模型，覆蓋商超、物流的一些揀選、打包等任務(wù)，但這還不足以泛化到家庭 ToC 場(chǎng)景。我們做的真實(shí)人類數(shù)據(jù)，也是大規(guī)模采集的從物流、商超到泛服務(wù)業(yè)的各類真實(shí)作業(yè)數(shù)據(jù)。

問：為什么選擇物流？

王啟斌：公司成立后，我們花了接近半年把大量場(chǎng)景都梳理了一遍：看泛化性、看技能結(jié)構(gòu)、結(jié)合這一波具身的能力邊界，再看成功率要求和工程可交付性，看了個(gè)方向：制造業(yè)、物流、再到服務(wù)業(yè)/ToC。

如果把這些場(chǎng)景放在一條軸上看，你會(huì)發(fā)現(xiàn)有幾條「曲線」在拉扯：在工業(yè)端，精確性和節(jié)拍要求非常高，尤其是主線裝配這種場(chǎng)景，但它的泛化需求反而沒那么強(qiáng)；而越往服務(wù)業(yè)、ToC 走，泛化性越來越強(qiáng)，但對(duì)精確性、對(duì)節(jié)拍的要求形態(tài)又變了。

我們判斷這一波具身智能更合適的切入點(diǎn)，是去找這些曲線的「交叉區(qū)間」——既有足夠泛化價(jià)值，又不像工業(yè)主線那樣對(duì)成功率/節(jié)拍要求極端到一開始就很難啃動(dòng)。所以我們更傾向從物流和泛服務(wù)業(yè)切入。

我覺得大家聊物流經(jīng)常聊得太粗了，物流本身顆粒度非常大，里面又有生產(chǎn)物流、流通物流，倉留到門店級(jí)，一直到 ToC。

靈初現(xiàn)在做的不是「大物流」，我們做得很具體：目前我們選了三個(gè)場(chǎng)景。

第一個(gè)是衣服的供包（裝袋/打包），核心在柔性物體的抓取、掃碼、放置；

第二個(gè)是入箱檢，就是從標(biāo)準(zhǔn)周轉(zhuǎn)箱里把物品拿出來掃碼、再放置；

第三個(gè)是分撥墻，和入箱檢差不多。

我們之所以選這些細(xì)分場(chǎng)景，一方面它們有商業(yè)基礎(chǔ)，算是相對(duì)通用、需求穩(wěn)定的場(chǎng)景；另一方面在技能結(jié)構(gòu)上，核心技能其實(shí)就是三到四個(gè)，但真正難的是物品泛化在變、環(huán)境也在變。

比如服裝供包，我們面對(duì)的是上萬件衣服，不同尺寸、不同顏色，而且不同倉庫的燈光條件也不一樣；入箱檢也是一樣，物體數(shù)量多、混放與堆疊很復(fù)雜。物流的難點(diǎn)其實(shí)經(jīng)常被低估：除了物體和環(huán)境的泛化，你還要同時(shí)解決成功率和節(jié)拍。

我們選場(chǎng)景的邏輯，除了傳統(tǒng)「商業(yè)能不能跑通」之外，還疊加了一個(gè)更重要的維度：數(shù)據(jù)能不能在真實(shí)場(chǎng)景里形成增量，數(shù)據(jù)回流能不能反哺模型，形成飛輪。這也是我們選擇這些場(chǎng)景的核心原因。

問：當(dāng)前進(jìn)展如何？

王啟斌：以服裝供包為例，我們已經(jīng)進(jìn)入初步商業(yè)化階段。第一階段，我們能做到千件以上衣服的泛化——多件混放、隨手丟在一起，也能穩(wěn)定抓取處理；同時(shí)節(jié)拍也很高，最高可以做到800 UPH，應(yīng)該是國內(nèi)目前比較領(lǐng)先的水平。雖然我們真正做這個(gè)場(chǎng)景只有兩個(gè)多月，但已經(jīng)在客戶現(xiàn)場(chǎng)進(jìn)入「陪產(chǎn)」階段。

入箱檢（從周轉(zhuǎn)箱中取出物品掃碼、放置）這條線，我們也已經(jīng)在客戶現(xiàn)場(chǎng)完成了第一階段驗(yàn)證，目前正在做現(xiàn)場(chǎng)爬坡。之所以能推進(jìn)到這個(gè)程度，本質(zhì)上還是建立在模型能力和數(shù)據(jù)量之上，支撐我們?cè)诂F(xiàn)場(chǎng)快速迭代。

問：節(jié)拍怎么做到這么高？

陳源培：我們現(xiàn)在基本上已經(jīng)以強(qiáng)化學(xué)習(xí)為主了，模仿學(xué)習(xí)用得比較少。整體訓(xùn)練流程更像是一個(gè)offline-to-online RL的過程：從一開始的 offline 階段（用數(shù)據(jù)集訓(xùn)練），我們就主要采用強(qiáng)化學(xué)習(xí)的方式去做，因?yàn)檫@樣和后續(xù)的 online 階段銜接更順、過渡也更自然。

強(qiáng)化學(xué)習(xí)在訓(xùn)練過程中會(huì)有一段「自我探索 + 加速」的階段，所以它在動(dòng)作速度上有機(jī)會(huì)超過人類遙操作的上限。你會(huì)看到用強(qiáng)化學(xué)習(xí)訓(xùn)出來的動(dòng)作往往更干凈、更利落，也更「靈巧」。成功率也會(huì)持續(xù)攀升。

今年看起來，對(duì)于模型來說最有意義的還是后訓(xùn)練階段的強(qiáng)化：在真實(shí)場(chǎng)景里，通過一些human-in-the-loop的方法去解決實(shí)際落地的問題——這一塊價(jià)值最大。

問：下一個(gè)階段的靈初智能的主要目標(biāo)是什么？

王啟斌：對(duì)靈初來說，今年的主旋律會(huì)先聚焦在兩件事：數(shù)據(jù)和模型能力。在這個(gè)基礎(chǔ)上，我們?cè)儆媚Ｐ偷暮笥?xùn)練能力去落地一些細(xì)分的物流場(chǎng)景。

今年在物流方向，我們會(huì)把手頭這三個(gè)場(chǎng)景做到規(guī)?；l(fā)貨/交付，但不會(huì)為了擴(kuò)張而去做十個(gè)場(chǎng)景——擴(kuò)到更多場(chǎng)景會(huì)是明年的主旋律：等模型能力到了一定水平之后，再把能力往更多場(chǎng)景里擴(kuò)展會(huì)更自然。

我覺得這也代表了行業(yè)一個(gè)相對(duì)正常的節(jié)奏：在預(yù)訓(xùn)練和泛化能力還沒真正做強(qiáng)之前，單靠「一個(gè)場(chǎng)景一個(gè)場(chǎng)景」用真機(jī)遙操堆出來，很難形成規(guī)模效應(yīng)。

問：怎么看待未來具身智能來自大廠的競(jìng)爭(zhēng)？

王啟斌：我覺得大廠推進(jìn)具身智能的想法是對(duì)的——做基模本來就是大廠應(yīng)該做的事。但他們的路徑和我們不太一樣：很多大廠的數(shù)據(jù)采集和訓(xùn)練，跟「具體場(chǎng)景」的關(guān)聯(lián)度其實(shí)沒那么高，另外在落地工具鏈這一整套上也未必是同一個(gè)體系。

說白了，大廠只要肯投人、肯投錢，收很多數(shù)據(jù)去訓(xùn)練，基本都能訓(xùn)出一些「看起來還可以」的模型，做 demo 是沒問題的，這有點(diǎn)像大模型早期那種狀態(tài)：砸資源總能做出一個(gè)像樣的展示。至于效果好壞，會(huì)有差異——你可能覺得某家現(xiàn)在更強(qiáng)、某家現(xiàn)在差一點(diǎn)，但過一段時(shí)間排名又可能變化，我覺得這都很正常。

但我們追求的并不是「做出一個(gè)看起來不錯(cuò)的 demo」。我們更看重的是商業(yè)閉環(huán)：能不能找到具身真正的落地場(chǎng)景，把數(shù)據(jù)飛輪轉(zhuǎn)起來，并且快速把這一套模式跑通、跑規(guī)模，盡快占住新的行業(yè)位置——我覺得這才是關(guān)鍵。

也有人會(huì)類比大模型，覺得最后可能變成「國內(nèi)就是大廠之間的競(jìng)爭(zhēng)」。但我認(rèn)為具身不太容易出現(xiàn)完全同樣的格局，因?yàn)榫呱碛幸粋€(gè)非常關(guān)鍵的問題：數(shù)據(jù)孤島。大語言模型為什么能卷得那么快？因?yàn)閿?shù)據(jù)相對(duì)公開，大家都知道去哪拿，互聯(lián)網(wǎng)上一扒就有；自動(dòng)駕駛也是類似。

但具身不一樣：你收集兩三年的物流場(chǎng)景數(shù)據(jù)，和別人收集兩三年的工業(yè)場(chǎng)景數(shù)據(jù)，本質(zhì)上是兩套完全不同的數(shù)據(jù)分布，訓(xùn)出來的模型也會(huì)完全不一樣。即使是大廠，很多時(shí)候也只能在內(nèi)部搭一個(gè)相對(duì)封閉的場(chǎng)景去采數(shù)據(jù)；但如果我們把機(jī)器人真正部署進(jìn)真實(shí)業(yè)務(wù)環(huán)境，數(shù)據(jù)回流速度會(huì)非?？?，而這部分?jǐn)?shù)據(jù)大廠是拿不到的，模型偏差也會(huì)很大。

所以這恰恰構(gòu)成了初創(chuàng)公司的時(shí)間窗口：不是說大廠投錢就做不到，而是大廠一定有組織和路徑依賴；初創(chuàng)公司的機(jī)會(huì)在于能不能趁這個(gè)窗口期把場(chǎng)景和數(shù)據(jù)飛輪跑起來、把市場(chǎng)占住。大模型里很難形成這種壁壘，因?yàn)殚T檻更多在人才，而人才是流動(dòng)的；但具身不一樣，具身還有「數(shù)據(jù)」這一層。如果我們把物流場(chǎng)景的數(shù)據(jù)牢牢握在手里——甚至不對(duì)外出售，同時(shí)把大部分物流場(chǎng)景占住——那別人再想進(jìn)來，不管是數(shù)據(jù)質(zhì)量還是數(shù)據(jù)收集速度都會(huì)差很多，最終效果也會(huì)差很多。

*頭圖來源：靈初智能

本文為極客公園原創(chuàng)文章，轉(zhuǎn)載請(qǐng)聯(lián)系極客君微信 geekparkGO

極客一問

你如何看待靈初智能？