目录
- 开场与嘉宾经历 [00:00:00 - 00:02:03]
- 为什么从机器人的大脑开始 [00:02:03 - 00:16:03]
- 预训练、模型与数据规模化 [00:16:03 - 01:07:30]
- 机器人大脑与本体的关系 [01:07:30 - 01:23:11]
- 创业、产业格局与汤晓鸥 [01:23:11 - 01:31:47]
- 结语 [01:31:47 - 01:53:05]
开场与嘉宾经历
张小珺：请不吝点赞订阅转发打赏支持明镜与点点栏目，谈了PhysicalIntelligence派的研究科学家科里一鸣，这是一家在硅谷做机器人大脑的备受瞩目的实验室，业内人士把他们比作机器人的OpenAI，那今天呢我要请的是一位在本土探索原生具身基座模型的公司，是由蚂蚁集团孵化的子公司蚂蚁灵波，目前刚发布了第二代的具身基础模型，我与他的首席科学家沈宇军聊了聊。如何从预训练开始，去一个机器人的底座，瓶颈是什么，机器人的GPT-1Moment，到底在哪里，大家也能从中感受一些，中美思路的融合与差异，那接下来就是我对。沈宇军的访谈，7.2026年，我们和AI共同进步。 [00:01:18]
沈宇军：我还是很坚信，具身一定会有自己的模型，就是这个观点，如果不变的情况下，那它的数据必须要支撑，它可以做自己的模型。
张小珺：如何把数据很好的scaleup，是一个至关重要的点，不及预期的有吗，不及预期数据，我觉得从现在行业来看，大脑可能是目前是落后于本体的，如果机器人有性格的话，你希望他是什么性格。我希望他是个J人，他好干活，对我觉得他核心还是要实用，哈喽已经先给观众朋友们打个招呼。 [00:02:05]
为什么从机器人的大脑开始
沈宇军：大家好我是沈宇军，现在是在蚂蚁灵波科技担任首席科学家，之前在清华然后后来到了港中文，对。
张小珺：讲讲你在具身智能上的一系列探索。
沈宇军：也是阴差阳错吧，然后当时我在清华读书的时候，刚好赶上大三，然后那个时候是商汤刚成立的时候，2014年底商汤成立嘛，然后我们大三要求是必须要有一个这个暑期的实习，然后当时商汤就正好在清华的东门门口，然后当时反正就去了跟AI相关的这个领域吧。在那个商汤一直干到大学毕业，然后就刚好去那个港中文汤老师里面去读了个书，然后去的时候其实也比较迷茫，因为当时AI虽然说比较火，但是也不知道自己到底喜欢做什么，然后就尝试了很多方向吧，然后像其实本来那个港中文吧，港中文比较擅长的。其实像这种检测分割啊分类啊，这个他们当时也是拿了比较多的冠军，但其实我个人对这个就是打榜啊，这个事情最后就看一个number这个事情，我坦白讲我自己不是非常感兴趣，对然后呢，那个时候刚好有一个技术火起来了，当时叫对抗生成网络。就是干，对对对，然后那个技术火起来之后呢，其实就很多人在这方面做探索，然后那个时候我对这个事情就感觉比较有意思，因为它是能真的能生成一张图，然后让大家去看，然后甚至于你可以去做一些简单的编辑什么。然后那个时候我就从，就是算是选择了说，我可能接下来要再做这个，可能是想要往这个生成模型这个方向去做，对，然后当时做的也是比较早，从17年开始就，就是做生成模型。然后可能坐着坐着，然后那个时候也是有一系列，比较火的工作出现，尤其是像stylegun，那个系列的时候，然后坐着坐着，因为我刚开始做生成，然后做生成。那个时候比较火的，可能就是一些图像编辑相关的东西，就是你怎么把它，按照你想要的方式去调整一下，比如说把你变得更漂亮一点之类的，然后但坐着坐着就会发现，好像坐的太下游了，然后就想把这个东西。 [00:04:18]
张小珺：看看能不能再往前做一做。
沈宇军：就是从编辑再往前做，那就是现在可能大家会讲的更多，就是叫预训练嘛，对那个时候其实还没有这个概念，说白了就是想训这个生成模型，对然后但是再训一训就会发现，好像这个东西完全有点不太，不太能受自己的控制。就是你除了，因为那个时候还没有说什么堆参数量啊，这些还没有这个相关的说法，然后就是感觉坐着坐着。
张小珺：也不知道怎么能让这个模型变得更好了。
沈宇军：然后就开始想说，那我再往前一步，就是从生成之前。
张小珺：那就是做表征嘛，然后可能就是这么一步一步的，从最开始对数字不感兴趣。
沈宇军：然后对生成内容感兴趣，然后再从编辑，然后再做到底层的训练，然后再从底层训练再往前做，做到表征学习，可能基本上一路就是这么过来的吧。 [00:05:09]
张小珺：什么时候发现。
沈宇军：GAN不能scale，这是一个挺有意思的故事啊，就是我们甚至于在，今年年初的时候，还在尝试，做最后一次尝试，还没死性，对就是哪怕是在Diffusion火了之后。然后后面有大家又开始，用自回归也去做一些这个生成，然后哪怕是这样的时候，我还是，就是我们团队还是坚持，做了一段时间干的SkillUp。
张小珺：然后怎么说呢。
沈宇军：其实是取得了一定的效果，就是我们前一阵子做的一个GAN模型会release出来，然后那个时候会发现，跟Diffusion比确实是在某些方面没那么好，但是也比之前的前几年的技术，其实还是要进步不少的，对就是说它还是有它的价值，但是它最大的问题。还是计算量的利用效率太少了，就是因为Diffusion毕竟它可以不断的，就是它可以迭代好多次，然后生成一张图，然后我们就觉得，那对于生成特别复杂的内容，尤其是你想要做这种视频的生成的时候，因为它就是里面的内容实在是太多了。然后可能干确实不一定是一个最好的选择了，然后所以可能我们会把我们在干上积累的一些技术，我感觉沉淀下来，然后release给公众之后，可能就也算是画上了一个句号吧，对不敢说圆满，但是应该也算是画上了一个句号，然后可能接下来也不太会在干的scrap上。再做过多的尝试了，但是往回说一点，就是说我觉得GAN本身是，就对抗生成网络嘛，它其实里面核心的一个技术，还是在对抗上，就是在如果你同时想要去两个模型。 [00:06:53]
张小珺：然后让他们两个都在互相迭代，然后彼此博弈的这个过程中，其实在这方面。
沈宇军：我们还是积累了一定的东西，然后这个技术本身，我觉得在抛开GAN本身不讲的话，之后应该还是会有用处的，对，只是可能不是在现在这些场景上，对，可能不一定是用在。这个图像生成这个领域了，你当时从博士毕业的时候，就在那个节点，当时商汤处于什么状态，多摩泰处于什么状态。 [00:07:19]
张小珺：对于商汤当时发展到什么样。
沈宇军：我印象不是很深了，然后可能像这种生成式的，就是生成内容的这个东西，当时还没有出现在商汤，这个整个业务的大的范围里面，其实我毕业的时候加入的是，我先去了字节跳动，当时字节跳动。倒是跟我做的东西很匹配，因为他是做抖音的，抖音本来就做内容，然后他当时需要做很多特效，我记得当时，就是用我读书期间做的一些工作，当时还带火了一些，比较有趣的应用。因为我是做图像编辑的，然后就是看能不能通过，一些AI的技术，比如说让你男生变成女生，然后变老变年轻，就看看有一些，就是当时应该会有一些玩法，说比如说看看你。 [00:08:03]
张小珺：20年后应该长什么样子，你70岁了应该长什么样子。
沈宇军：就类似的这种东西，对然后包括。
张小珺：怎么能够把一个人跟另一个人。
沈宇军：中间做一个完美的，就是比较连贯的那种转换，对当时就是有一些这样的玩法，是用起来了，在自己也可能待了，当时大概一年多吧，然后那个时候给我的感觉就是，大家每天都在想各种各样的创意。就是说。
张小珺：比如说今天又有一个，什么好玩的特效，我们希望它变成一个爆款，当时我就会感觉，确实还有很多自己想做，但是没做的东西嘛，那个时候刚好是。
沈宇军：2022年的时候，然后应该是，蚂蚁的技术研究院，在招人，这一波还没有爆发，ChatGPT，对，应该是在我。我来了蚂蚁之后的年底，才那个时候，也是震撼了一波，那个时候应该处于。
张小珺：像你们这种。
沈宇军：人工智能学生的一个迷茫期，算吗，因为你加入大公司，它其实主业不是干这个的，它都是在既有的产品上，去用人工智能技术赋能一下，对，总结的还是比较到位。相当于是做，这个计算机视觉这个领域，坦白讲，计算机视觉，过去十几年吧，我感觉第一波，可能是人脸识别，这个确实是一个。比较大的一个应用了，然后第二波，可能是特斯拉带火的，这个自动驾驶，对吧，然后就是它推出了，一个纯视觉方案，除此之外。 [00:09:23]
张小珺：好像还没有看到哪一个。
沈宇军：就是说视觉应用，然后被大规模的用起来，然后有一个，比较强的产业价值，好像还没有碰到，这么一个具体的场景，对。
张小珺：然后这也是为什么说。
沈宇军：我本来从视觉，现在想转到，就是当时24年，24年的时候，我就开始想去做这个，就是机器人这个事情，对，因为感觉。视觉可能是在数字世界，可能就是怎么说呢，它不是一个主要的，发挥作用的一个地方，用物质地不够，对，我是这么感觉的，对。但是在物理世界，离开视觉，机器人肯定是，没办法工作的，我觉得这是一个，对视觉的强依赖，然后所以说当时就开始想，24年的时候在蚂蚁。当时就在蚂蚁技术研究院，然后本来是想在研究院说，要不要做一个，就是往具身方向开始做一些探索，当时是有这么一个想法，对，然后刚好因为就是整个蚂蚁的大的，就是有一个比较大的一个规划。就是其实蚂蚁本身是做这个生活服务的，就是它做了很多这个数字世界的服务，大家听的比较多的，可能是金融相关，但其实蚂蚁做了很多，像这种医疗，对吧，然后说出行等等。这方面的服务，蚂蚁做了非常多，数字世界的生活服务相关的事情，然后从整个集团的层面来讲，说数字世界的服务，如果想再往进一步延伸，肯定是要往物理世界迁移，对。然后刚好24年底的时候，蚂蚁是正式宣布，说要成立了一家子公司，就是蚂蚁灵波科技，然后那个时候。 [00:11:07]
张小珺：我在研究院也刚好跟，就是当时的院长propose说，我也想要去做，具身智能相关的事情，然后就是不谋而合，然后就是当时也就是被，怎么说呢。
沈宇军：就是相当于调动到这个，灵波来，然后说一起去，我们既然要做，就不要说再当一个，研究型的机构来做了。
张小珺：而是说我们可能是，更加的直面这个行业，跟着行业一起成长，对所以说可能就是这么一个契机吧，然后就是来了灵波这里。
沈宇军：蚂蚁研究院当时是个多大的规模的组织啊，有不同一方向的研究院的探索是吧，对对对就是人工智能是它的一方面嘛，然后像它的这个隐私计算，因为就是安全是一个很重要的点嘛，我更多的理解是，这个东西像是一个一些探索性的东西，其实都会放在研究院来做当时。对。
张小珺：为什么决定成立一个子公司。 [00:12:01]
沈宇军：专门做具身智能，我其实觉得这是一个，吉他应该是做的一个，比较大的一个决心。
张小珺：我觉得如果是，还是把它当做研究机构的形式，去做的话，很有可能做一做，就脱离了这个行业，或者换句话说，就是研究员认为的，先进的技术。跟行业需要的先进技术，是会有gap的，对，所以我觉得这其实是一个，比较明智的一个选择，就是说既然要干，那我们就变成一个，真实的业务来干。而不是把它变成一个研究性质的，就是试验试错的一个团队去做，对，所以说就成立了这么一个公司。
沈宇军：你看你经历了三个组织，分别是字节，蚂蚁的研究部门，然后和现在的蚂蚁零波，这三个部门分别是，第一个是以前的一个产品公司，然后你要用AI技术去赋能它，第二个是一个研究驱动。第三个是跟产业结合的一个，类似于创业公司，是算创业公司吧，对，算是创业公司。
张小珺：你的感受是什么样的，在这三个组织中，然后你觉得现在的AI。 [00:13:03]
沈宇军：不管是产品也好，模型也好，它应该是用一个。
张小珺：什么样的组织方式。
沈宇军：去驱动它，从最开始，就是在字节那边，我其实也是做业务，然后来了，蚂蚁技术研究院之后，又刚好赶上，从没见过大模型。然后到大模型爆发，然后也受了一波冲击，然后那个时候就有点，不知道，其实很迷茫，就是研究到底。
张小珺：是什么样的东西。
沈宇军：是好的研究，就是你发了一篇论文，或者说你能拿到，比较多的引用量。
张小珺：是不是就代表你很成功。
沈宇军：就是我们到底能给这个，往小了说就是学术圈，对吧，往大了说就是这个行业，到底是带来什么，就是这个研究。
张小珺：是不是有价值，那个时候自己心里，是不是很清楚的。
沈宇军：然后再到现在的，蚂蚁零波这边，我这一次的感觉，其实是比较深的，我觉得它刚好是，两者的一个结合，就是说我们既想要去，做一些不一样的事情。然后这个不一样的事情呢，又能够直面真实的需求，对。 [00:14:04]
张小珺：然后为什么说。
沈宇军：现在可能这是一个比较好的机会，因为在这个，也是在做业务的过程中，但是现在机器人不是，因为技术还没有收敛，我觉得作为技术人，可能是在这个时候，能为这个行业去。或者说哪怕是探索一条，不正确的路。
张小珺：也是一种贡献嘛，对吧，反正就是说在这里面，技术不收敛的时候，我觉得是有比较多。
沈宇军：可以做的事情，所以在我看来，就是如果现在既想要做一些，比较大的事情，然后又不想要说，在一条完全没有创新的，然后就是纯是那种。
张小珺：怎么说。
沈宇军：一条确定的路上，就是只是说，把桩子打得更深，我觉得从这个角度来讲，我觉得具身反而是一个，比较好的机会，就是大家在这里面，既能有发挥的空间。然后又能做一些，对产业有价值的事情。
张小珺：你们刚创立的时候，刚过来是什么样的感受。 [00:15:00]
沈宇军：两个点，第一个点是，感觉自己还是太天真了，天真的原因是，因为24年的时候，我不是当时在研究院就propose，说想要做机器人，然后后面就发现。想做跟真的开始做，完全不一样，就是这个机器人，机器人这个赛道，有太多我不了解的东西了，就是可能当时，对视觉对模型这面会懂一点，但是真的说。比如说把一个模型用到机器人上。
张小珺：怎么去部署，怎么去调里面的通信什么。
沈宇军：我感觉有太多太多的技术战士，超出了我本来的认知，这是第一个感受，第二个感受呢，就是也很。
张小珺：怎么说呢。
沈宇军：就是在这个过程中，从最开始来了，灵波刚成立的时候，然后整个团队可能不到十个人，然后一点点的看着这个团队，就是不断的壮大起来，然后这个过程中，可能感觉这个。一边在学习，然后一边又跟着行业一起变化，感觉这种，这种感觉还比较奇妙，对，可能这两点感悟，可能会多一点吧，创立之初。 [00:16:04]
预训练、模型与数据规模化
张小珺：你们当时想明白，后面要怎么走了吗。
沈宇军：有些东西是很难判断的，但是我们创立之初，其实就明确了一个事情，就是我们希望能够，做一个，就是我们还是希望，做机器人的大脑这一层，这是我们当时。就已经明确下来的一个点。
张小珺：为什么不做本体。
沈宇军：是这样，我们最后是希望，先说我们的初衷，因为我们当时成立之初，是沿着整个麻衣集团的，就是普惠的想法，然后再加上，它生活服务的推广。对我们最后还是希望说，未来某一天，每家都会有一个机器人，对，然后但是这个机器人。
张小珺：是什么样子，其实谁也不知道，甚至于它是不是。
沈宇军：一定是同一个品牌，也不一定对吧，就像大家现在的手机也是无法把门的，对，但我们最后就是希望，每家最后都能有一个机器人，然后我们希望在，这个机器人里面跑的最后。都是零波的这个模型，或者说用的是零波的大脑，这是我们当时做的一个比较大的决定。 [00:17:08]
张小珺：我们也会做一些，像这种末端执行器啊，什么这些，因为现在整个的模型，还没有完全的收敛掉，未来本体的贵发展人什么样。
沈宇军：可能我们也不清楚，就像大家现在用手机，手机也不是一个固定的，就是品牌，就是说大家比如说都用苹果，或者说都用华为，也没有这样的一个说法，所以说在这个还没有。这个地方还没有明确答案的时候，我们明确的想法，就像刚刚说的是，我们要希望这个本体，都跑了一个灵波的大脑，这个事情，所以就是坚定的沿着这条路，先把它就是汤出来。先把它做得比较扎实，对这是我们整体的想法。
张小珺：你们团队现在是一个什么样的构成。
沈宇军：是一个更偏research驱动的一个团队吗，你看美国就有physicalintelligence，这样的组织，其实它的好处就像我刚刚说，因为行业技术还不收敛，所以说它有一些一定是要有research的成分的，就换句话说我们要不断的去探索，说智能的上限在哪里。但这个探索的本身其实就是一种research，但同时我们既然说成立之初，我们就以一个公司的形式，去运作这个组织，就是不想让这个research，太天马行空，就是我们还是希望，这个东西能够跟产业。 [00:18:28]
张小珺：有非常强的结合，所以相当于我们现在是，基本上是两手抓。
沈宇军：一手是想要去看，智能的上限在哪里，另一手就是抓落地，就是说这个东西，一定要把它放到，真实的场景应用里面去试，然后会发现，就是比如说哪里不行。反过来用这个步行的点，去重新反向去驱动，说我们下一步的模型迭代，应该往哪些方向走，因为模型还很早期，它可能有十个八个，这种需要迭代的方向，甚至可能更多。但是精力是有限的，你不可能说我全面开花。 [00:19:02]
张小珺：所以说有哪一个，或者说哪一个特点。
沈宇军：会先去开发这个事情，可能是反而是由行业，或者说由落地来决定的。
张小珺：你们从24年底成立。
沈宇军：然后每一年都分别做了那些事情，对这个就是说24年底成立的时候，其实那个时候第一步做的，就是先把我们到底要做什么，我们是谁，然后要做什么这个事情，先想清楚了，这是一个很关键的点。然后其实25年整个一年，我会觉得我们做了一个，比较大胆的一个决定，当时是从25年3月份的时候，就开始会意识到说，机器人可能不单纯是一个，就是怎么说，多么太理解的一个东西了。因为它毕竟要动，对吧，它跟环境有交互，那个时候其实就开始意识到，就是动态建模，或者说对，对这个时序上的这种建模，可能是对于机器人。往后发展，是一个至关重要的一个事情，对，那个时候其实还没有所谓的，叫WAM这个技术路线，就是这个世界动作模型，那个时候还没有这个概念出来，但那个时候我们就比较坚定的觉得说。机器人的往前走，一定要从视频里学习，而且从视频里学习，不是说把视频抽真，然后还是当成图像来看，就是真的要让他学会，失去的东西，那个时候是25年初就做了。这么一个比较大胆的决定，所以说经历了，基本上9个月的时间，然后在今年26年初的时候，其实我们，也是当时比较早的，应该是行业，可能是基本上。我感觉应该是最早，发布了，就是开完了一个，现在就大家叫世界动作模型，我们叫视觉动作模型，对就是VA，对当时是，我觉得这一波。应该是25年做的一个，比较大的一个决定，然后26年，今年又过了半年，然后今年我觉得，做的一个比较大的决定，就是在25年整个探索的过程中，我们发现了另外一个事情。就是很多时候我们，因为最开始机器人，我们也没有特别多的数据，然后所以很多的时候训练，是依赖着数字世界的模型去做的，然后就有点像把数字世界的模型。 [00:21:27]
张小珺：在物理世界加接成了一个agent，大概当时是这么做的，加了一个动作，对对对。
沈宇军：但是那个时候就意识到了，一个比较重要的问题，就是很多时候。
张小珺：数字世界的模型的开发的初衷，跟物理世界的需求，是不是很匹配的。
沈宇军：但你这个时候，你又没办法push他们去改，因为数字世界，有自己的一套逻辑，他们也有自己的应用场景，对比如说，可能从，就是视频生成。这个角度来说，就是他就会希望，这个生成的画质特别高，对吧，这是数字世界的需求，但是其实物理世界，你落实到机器人动作来看，其实这个东西。没有那么重要，对，但是你不能反向，去push他改模型，因为他们是有，自己的迭代节奏的，所以26年这一年，或者说这半年。我们做了一个，我觉得是一个比较大的决定，就是既然不能push他们去改，我们就全部基于物理世界的需求，重做一遍，重做一遍，对，就是从头来训。对从头来训，一点都没有用大语言模型，不语言模型是用的，我说跟视觉相关的所有的东西，我们就从头来了一遍，但是语言模型还要用是吧，对LLM是用的，对对对。因为那个的训练成本太高，而且那个我觉得，数字世界跟物理世界，好像也没有什么，就语言层面上，其实区别不大，只是说物理世界，可能更多的是靠语音交流。然后数字世界就打字，对，这个可能，我个人感觉，现在还没有到，就是我们还没在这个地方，看到明显的，直接应用大语言模型的一个短板。就是感觉用起来还比较OK，对，但是在视觉上，不管是理解还是生成，我们其实会感觉，数字世界的开发的，本来的就是motivation，和物理世界的需求。其实没有那么匹配的，对，这是可能26年，做的一个比较大的决定，25年可能还做了一件事情，我觉得也是一个，比较大的决定，可能就第一大决定。是我们就是觉得，要做视频上的建模，其实我觉得另一方面，还有一个比较大的决定，就是我们那个时候，是非常坚定的，要从传感器出发，就真实的传感器触发。去解决物理世界的问题的，因为这个事情是跟我，24年底刚来灵波的时候，我不是说那个时候，就太天真了，觉得这个事情，往机器人上迁移很简单，然后那个时候。其实我们尝试，最开始来的时候，就尝试着用很多，数字世界的算法，或者说之前开发过的，计算机视觉领域的一些模型，直接在机器人里用，然后用的时候才发现。落地跟之前的想象，完全不一样，因为在之前我做research，做的比较多，然后其实学术界，有一个不太好的一个，也不能叫不太好吧，或者说大家有一个。心照不宣的一个点，就是数据集都是比较干净的，就是相当于，你很少能从数据集里面。 [00:24:22]
张小珺：看到那种比较噪声，比较大的一个东西，但是在实际上应用，应用起来的时候，因为机器人，毕竟要在现实世界中跑，就会发现传感器的噪声。
沈宇军：其实是完全没有办法忽略的，对这个东西，跟你能拿到很干净的数据，是天然就是相悖的，所以说基于这个考虑，我们25年也是坚持要，就是说我们可能就要从，这个传感器的这个维度。开始做起，对传感器的维度就包括视觉，可能也包括触觉，对可能是这是整个，宁波现在整个，就是整个技术思路吧，两个比较大的技术主张，一个主张就是。我们可能要从。 [00:25:07]
张小珺：就是传感器开始做，然后我们会更多的，或者说大家现在更好理解，就叫所谓的空间智能，对，然后另一个比较大的主张就是。
沈宇军：可能我们要坚持从视频里学，而且要，可能就是为这个数字世界，就是为物理世界，原生的这个方式，重头学，对，可能是这两个是。我觉得比较大的主张。
张小珺：你们在25年9月，是不是外探大会，还有过一个炒菜的demo，这个demo跟你们当时的那条技术路线有关系吗。
沈宇军：那个其实炒菜是一个比较长程的任务了，对，然后当时是尝试着去做了一下，发现了很多软硬件上的问题，然后这也就促生了我们，更加坚定了说，我们一定要把大脑这个事情做实，因为如果没有一个比较好用的大脑的话。其实比如说，这上一次是炒菜嘛，对吧，然后如果我们想再拓展一个场景，复制成本实在是太高了，对，所以说可能有了那一次之后，我们更加坚定的说。我们要把大脑这个事情做好，我觉得有两类公司，有两类思路，一个是我就要软硬一体化，然后一起协同往前走，一个是我就彻底不做硬件了，我要把脑子做好。 [00:26:23]
张小珺：你们选的第二条路，为什么没有选第一条呢。
沈宇军：我们的初心就是做一个通用的脑子，所谓通用是因为我们有一个判断，是说这个行业需要的机器人，或者说他未来是可能进家庭，但中间可能还有一些，突避的这个阶段，我们是觉得，你很难说有一款机器人。真的适合所有的人物，或者说你哪怕到了进家庭，然后你可能每个家，对这个机器人，也有不同的需求，对吧，可能从任务角度出发，它就不是一个。可能一个通用的本体，就所有的事情，全都解决的一个场景，我觉得这个事情本身，可能短期内，是不太会实现的，对，所以说在这个方面。我们就还是说，既然我们的主业是做大脑，那我们就从大脑出发开始做。 [00:27:11]
张小珺：刚好我们其实也有一直，讲了一个技术主张，就是我们的大脑，从最开始定义，就是希望它跨本体，就是说希望它通用，这也是为什么，我们在训练过程中。可能就加入了，不同的本体的数据，我们希望我们的大脑，在预训练的过程中，就经历过这些本体，了解它们的特性，那么在后面。
沈宇军：可能说真的在某一个场景落地的时候，就可以快速的适应那个本体，对这也是我们，就是我们就是选择这条技术路线，也是跟当时，可能跟公司整体的一个最大的战略规划，就是说我们要做通用大脑，这个事情是符合的吧。通用就意味着是跨本体，通用除了跨本体之外，当然还可以，就是他还有跨任务跨场景，这些也是通用的一部分，对但是有些时候，我还是比较坚持说，可能本体跟场景是。没办法完全，完全解偶的，就是什么样的本体。 [00:28:06]
张小珺：适合什么样的场景。
沈宇军：可能从这个本体，从产品定义最开始，就已经决定了，有些事情适合他做，有些事情不适合他做，对，大家现在可能讲的通用，更多是会停留在。任务和场景这个方面，但我们就是把这个，硬件这个东西，也考虑进去，我们觉得通用，应该就是多一层，就是你本体上也要通用。
张小珺：你们26年，因为之前已经开源过四个模型，那是你们第一代大脑。
沈宇军：然后现在又要开源第二代的大脑，这次应该有六个模型，对这次是有六个模型，在这两代探索上。
张小珺：你们发生了什么样的变化。
沈宇军：第一代做了哪些事情，第二代做了哪些事情，其实从我刚刚说的，就是25年和26年，两个比较大的决定，其实是比较相关的，25年的时候，我们当时两个决定。一个是一定要从视频开始学，一个就是要做空间智能，就是说从传感器开始学。
张小珺：然后这也是为什么，就是从25年，我们那个25年做的。 [00:29:02]
沈宇军：或者说就是今年1月份，开源那四个模型，就是第一个就是深度，深度其实就是从传感器开始，就是希望这个机器人，对这个空间有更好的认知，就对距离有更好的认知，这是一个。从这个视频开始学，其实就催生了视频动作模型，还有一个这个世界模型，对就是说白了，就是一个能让它当这个防震器，然后另一个是能让它当执行器，你可以大概这么去理解，对。然后这是三个模型，然后再有一个就是VLA，VLA就是这个行业最主流的，然后能够真的说在场景里面，去把活干好的这么一个一条技术路线，对，所以说去年，今年年初开源的四个模型。就是这么个选择，这个模型训练多久，不同模型开发周期不一样，像我说的可能时间，就是开发的最长的，可能就是视频动作模型，那个基本上是经历了大半年的时间，才最终把所有的事情都摸清楚。像深度这个，因为我们之前做，就是在视觉上，其实本来就有一定的积累，所以说可能在那个方面，就是大概三个月，三四个月的样子，对就是每个模型。其实周期不太一样吧，这一代大脑能用到哪些场景本体，它能做什么呀，第一代大脑，当时我们应该是支持了九种构型，对然后那个时候，应该是做一些简单的，这个抓取任务吧。对，然后行业那个时候，做的比较多的，也都是这个方面的动作，对，然后一些抓取上，可能解决的比较好，我们在通过跟行业去交流。去接触落地的过程中，然后催生了这一代模型的，一个比较根本的一个变化。 [00:30:42]
张小珺：就是我们在真的想，把VLA落地的这个过程中。
沈宇军：我们会发现，有一个点，其实大家之前，都没有太关注过，就是之前，大家做的很多demo也好，还是基本上都是实验室环境，对吧。实验室环境也就是说，可能所有的操作，是在桌面上做的，但是我们这次试着想把它，在这个实际场景落地的时候，会发现机器人做很多动作，其实不是在固定高度做的，它可能需要。比如说你去架子上拿个东西，它需要抬手的，抬手的时候，这个时候就会，就是明显的突出一个。 [00:31:18]
张小珺：说实验室场景，跟真实落地场景的一个gap。
沈宇军：就是比如说头到底应不应该看，就是头到底要不要看，你手抬的那个地方，然后视角会不一样，而且甚至于有可能，头即使抬了也看不到，对吧，然后抬起手来。就是这里面就是说，那就是你的模型。
张小珺：到底能不能控制抬头，以及说在头部相机失效的时候，你能不能只用腕部相机。
沈宇军：或者说用其他的一些传感器，就把这个事情做了，这个事情在基模，就是说最开始的，第一版的模型预训练的时候，我们只支持了手臂的自由度，然后只支持了甲爪，然后就是没有头。没有其他的所有的东西，对，然后九种构型，就是做一些简单的，桌面上的一些操作任务。 [00:32:06]
张小珺：所以你要做抓取，你不能只考虑手，你还要考虑其他的部位，对，甚至于有些时候，假如说，因为你看最开始的，很多BLA的这个demo。是机器人是站在那不动的，甚至有一些。
沈宇军：大家做的展示出来的东西，可能都不一定是个人形，就是它可能只有两条手臂，就是实验室环境，基本上大家都是这么打的，就是把这个东西都可以setup好，但实际上落地的时候，就是我们不可能让机器人。就是那个点位点的那么准，就是你如果要，假如说你需要够的时候，手够不到。
张小珺：那你是不是要移动一下。
沈宇军：对，然后就是刚刚说。
张小珺：头是不是要抬一下。
沈宇军：然后有些时候，包括你视线到底在哪，对，然后你说抬，就是你抓东西，那够东西是要抬手嘛，对吧，那我如果想要从下面拿东西呢。你要弯腰，对，这些自由度，是我们之前第一版模型，完全没有考虑到，然后在这一版模型，就是说这次，就是相当于2.0的一个发布中。就会发现，我们在这个机器人，这个数据上，其实做了，就是比较大的一个升级，从九种构型，首先是升级到了20来的，20多。 [00:33:12]
张小珺：对，然后自由度是从原来的只有双臂，现在支持到带头，带腰。
沈宇军：带底盘，甚至带零销售，对，就是这个东西。
张小珺：怎么说呢。
沈宇军：这就是我觉得，我们刚才说抓两头嘛，一面是就是，就是上限的牵引，一面是抓落地，我觉得这个就是，落地的过程中，告诉我们。到底应该，就是模型迭代，有那么多方向，到底应该，什么是最重要的，对你迅模型来说，你最重要的，要做的事情。是要找到这样的数据，放到预训练里，对。
张小珺：你们这是一个。
沈宇军：多大的预训练规模呀，这个，我们这个应该是一个，3B基于，当时应该是基于，三点几B的一个模型去做的，对，然后数据量大概是。搞到了六万个小时，六万个小时，对第一代是两万个小时，然后这一代是升级到六万小时，但其实，这一代升级到六万小时，跟第一代的两万小时还不一样，因为我们整个数据管线。因为之前就是，最开始做的时候，感觉很多。 [00:34:11]
张小珺：什么样的数据是好的。
沈宇军：还没有完全的探索明白，然后经过了第一版模型的发布之后，把很多这方面的数据也重新清洗了一下，所以相当于第一次发布那个两万小时数据，落到这一次的可能就剩一万多了，对然后我们是在这样的一个更严格的管线上，把这个数据就是又做了一个量的一个累积。
张小珺：对然后差不多四倍应该是有的，对应该是上一版的四倍差不多吧，数据来源包括哪些，怎么收数据，收数据其实，你们是真机数据牌是吧。
沈宇军：对我们是以真机和，可能还有一些Ego的数据，Ego就是人戴着，头上戴个相机去做的那种。
张小珺：你们仿真数据要吗。
沈宇军：仿真我们可能会更多的，把它留在评测上，就是可能不太会用仿真的数据，去做模型的训练，仿真数据量是可以做的很大，但是数据除了说数量之外，其实数据有一个很关键的点，就是分布。分布就包括了说，比如说构型可能是一种分布，对吧，任务维度也是一个分布。 [00:35:17]
张小珺：我觉得仿真数据，他可能在他擅长的方面，他可以。
沈宇军：就是瞬间就可以生成，很大量的数据，这个事情是毋庸置疑的，但是从另一个角度说。
张小珺：怎么说呢。
沈宇军：他可能分布会相对，同质化会严重一点，就是他可能做的是，差不多类似的任务，就是他的那种，比如说，尤其是一些这种柔性的仿真，或者说。比如说你撕开一个塑料袋这种，其实对仿真来说，我感觉物理引擎还需要点时间，再去做一些迭代，迭代升级，可能那个时候仿真的数据用处会更大一点，但是对于仿真，现在比较好做的一些任务来说。比如说也是一些抓取，挪这种任务来说，其实从现在整个行业的发展来看，侦缉数据的成本也在逐步的下降。 [00:36:11]
张小珺：降了多少。
沈宇军：过去两年吧，我觉得至少得降了三倍不止，对我感觉是这样，因为从整个管理的，就是人员管理的这个逐渐成熟，然后机器也逐渐成熟，对吧，然后可能数据的需求也逐渐变多。就相当于数据也在量产，量产一定会降本的，对所以说从各个方面的一个成熟，我感觉是让真机数据的获取的渠道，以及这个渠道会变多，然后成本会变低，所以说可能这个，我觉得也代表了整个行业的一个。就是繁荣发展的一个趋势吧，对，有哪些类别的数据，准备数据上有什么knowhow吗，核心的是，就是你到底要下发什么样的任务，这是一个比较比较难的点，就是你怎么能让你的任务。尽可能的覆盖，我们刚刚说的所有的自由度，它有一定的通用性，对，就你不能说我这个数据里面，90%其实都没有用到头，只有10%用到了头，不是非常准确。我觉得可能举个更好的例子，就是说头部出现的，就是头部这个自由度出现的比例，跟可能腰部出现的比例，差距特别多，那可能会导致我们的模型，就更倾向于学头，然后不太会动腰。对大概是这么，就是直观上讲，可能是这么理解会好理解一点，对，然后另外一个knowhow，可能就是数据真的拿到之后。 [00:37:41]
张小珺：怎么样把它清洗好，这个链路是怎么样的，这个坑，其实我们也蹚了比较久，因为这里面有一个天然的困难点。
沈宇军：就是我们是做的是这种，跨本体的模型，每家本体的特性都是不一样的，所以很多数据处理的方式，可能是要跟本体，有比较强的关系的，就是不是说，真的说每家本体都可以用。一种数据链路就搬卷，处理掉，对你可以理解成，就是比如说，它的那个相机摆放的位置，可能就不一样，对吧，它的自由度的。这个关节的，比如说几个自由度的，连接方式也不一样，就是所谓的这种，configuration，就是这种机器配置的不同，其实对这个数据的处理上，带来了很大的难度。对，所以说可能我觉得，核心的knowhow，应该就是这两个吧。 [00:38:32]
张小珺：一个是怎么下发任务，以及数据真的拿到了之后，怎么把它处理得更干净，有观察到什么。
沈宇军：通用性好的任务吗，通用性好的，其实还是说，操作越简单的，它就通用性越好，就是因为这个事情，可能取决于操作员的能力了，因为你越复杂的任务。可能能够把这个任务完整，或者说丝滑做下来的，素材员就比较少，对因为如果他的动作，就是素材的过程中，这个动作假如说不丝滑，很有可能就导致，因为你是没办法。把它修丝滑的，就一条数据嘛，对因为那个成本就巨高了，对如果你不能把它修的丝滑的话，可能会导致你学出来的模型，就他就他以为这是一种正确的操作方式，对就可能最后模型在控机器人的时候，那个机器人也也也也非常卡。 [00:39:22]
张小珺：对就这个都是怎么说呢，就可能素材员这个行业也在。
沈宇军：也在进化，也在成长对。
张小珺：这是你们自己的素材员还是外包的公司。
沈宇军：都有对我们有，因为我们是，整个是一个比较，就是我们有那么多种构型，对，我们可能有一些合作伙伴，生态上的合作伙伴，尤其是数据测的。本体测的都有，然后我们可能会，拜托他们帮我们，就是一起去，把这个数据体系建立起来，然后同时有一些，比较难的任务，所以就是我们还保留了。一定的自己的，就是采集数据的这个能力，让，就至少我们先，把这个SOP先弄清楚，就是我们的人，先把这个东西做一遍，然后把它就是再去沟通给别人。 [00:40:09]
张小珺：然后说这个事情能不能帮我。
沈宇军：就是补一些什么样的数据，对，所以很多素材方面的坑，其实也是我们自己在，也是自己一点点的在烫，我听过一个说法，就是有一些错误数据，错误了再纠正的数据。也是好数据，对，那个可能跟真机强化，可能会有点关系吧，但是那种素材，其实也一样，就是你人要在旁边，就是相对看着他。然后你要知道他犯错了，然后你要在合适的时间，打断他，然后并给他一个正确的示范，这个是这样的，就是我们现在，因为为了落地，为了提高成功率。其实我们也，内部也，就是在这个，落地这个环节，其实也加入了，真机强化的这一部分，就是说怎么能够，让这个机器人从。可能本来模型，没有做的特别好，然后去纠正它，然后把这个模型变得更好，这个是有的，但是，但是这个东西可能就，更偏落地一点。可能我们没有在这个，开源的这个技术报告里面去体现。 [00:41:09]
张小珺：你们这次六个模型，它们之间的关系是什么样的。
沈宇军：这个其实是，我觉得这是一个，这一次我们做的一个，比较好的地方，我先大概讲一下关系吧，然后再说一下，为什么我觉得是，做的比较好的地方。首先第一天我们会搞了两个模型，一个是这个Vision，就是LimboVision，然后另外就是一个LinuxBotDepth的升级，对，这两个模型是因为我们上一版，就是在1.0那个版本的时候，做的Depth。其实是基于Deno去做的，对，当时我们是用的DenoV2，当我们的PretrainModel，然后DenoV2，其实也算是一种数字世界的模型吧，然后它可能更多的，它比较擅长的任务。就是那种语义的理解，对，但是其实我们发现，语义的理解的这种预训练课呢，因为在数字世界，就是你理解语义，其实就够了，很多时候。对吧，就是比如说知道这是一盆花，然后知道这是一只狗，这可能就够了，对，但是我们在发现，这个事情，就是这种语义级别的理解。跟真的说想要去理解空间，或者说理解距离，好像并不是天然那么吻合，所以说我们自己重新做了一遍，预训练，这次预训练就不再是，跟Deno不一样的是，我们是完全从几何的角度出发。去做的预训练建模，几何角度。 [00:42:31]
张小珺：怎么理解呢。
沈宇军：我觉得你可以，粗浅的列成点线面吧，就是说给你一张图，然后你先看有哪些，或者说就边缘，对就是我们是从边缘出发，去让这个模型，更好的去理解几何这个概念。然后因为几何，其实距离也是，就是它跟距离是比较相关的，对然后所以基于这样的一个，Viren，就是我们这次更新了底下的基模，然后会发现，就比之前用DenoV2去做的Depth要好。有一个比较大的提升，然后同时经过了半年的积累，其实我们的数据量又翻了几倍，所以说我们又把Depth基于我们自己的新的基模，以及更多的数据又迭代了一半，所以说有了一个更好的Depth，然后这次Depth，我觉得有几个比较有意思的例子。第一个是我当时看到的比较正经，就是一个厨房里那种，比较透明的那种水龙头，不是透明，就是反光的水龙头，然后把水打开了，然后可以看到，我们是可以清晰的看到水流的。就哪怕，清晰看到水流，对，就是因为这个事情，对于一个机器人，真的想执行一个任务来说，是很关键的，就是你必须要能看到水。假如说就是接水，你必须要先能看到水，你说的机器人看到水，对。 [00:43:56]
张小珺：就是你要看到水的位置，不是说看到水打没打，你要知道水流在哪里。 [00:44:02]
沈宇军：他之前看不到吗，之前应该是，之前他知道那个水流是开的，但是距离肯定是不准的，基于我们的Vision，训出来的这个depth，这是一个我觉得比较有意思的点，然后第二个点。我觉得更形象了，我其实比较喜欢拿这个例子，去做一个解释，我来可以解释一下。
张小珺：为什么语意理解。
沈宇军：数字世界的语意理解，跟物理世界的距离是不一样的，这是一个很有意思的例子，就是假如说阳台，然后有一个玻璃门，然后外面有一只猫，你会看到我们这次的Depth模型，是完全看不到那只猫的。因为它前面挡了一道玻璃，就相当于是，如果我们人在往前行走的时候，你就会先撞到玻璃，然后才有猫，所以说我们会试着，把那个玻璃门拉开，拉开的过程中。你就会看到那个Depth出来的，那个猫就逐渐地，从那个门后面出现了，因为玻璃被拉开了，然后就可以看到猫了，但是从语义的理解的角度，其实那个猫一直在。 [00:45:07]
张小珺：就数字世界，它只需要知道，那有个猫就好了，对，但是物理世界，你还需要知道，前面有一个门，对。它对位置的感知，在数字世界里是很弱的，对，因为它不至于说，我走一走会撞到，它没有这样的问题。
沈宇军：对，其实就是这，我觉得这是一个非常好的例子，就是你能看到，但你摸不到，能看到是语义理解，摸不到是空间感知，对。所以说这是我们第一天发布的，两个模型，就是Viren和Depth，对，然后他们两个关系，就是Viren是Depth的预训练，就是我们Depth之前用的预训练是Deno，现在我们没用Deno了。然后我们是自己搞了一套新的预训练，然后新的预训练，就是你可以理解成，它是对视觉本身的，一个很好的理解，这是预训练做的事情，然后Depth是它的下游，就是你从视觉感知。
张小珺：怎么变到空间感知。 [00:46:01]
沈宇军：对，就是相当于把从图像变成三维，大概是这么一个关系，那LLM跟他们有关系吗，没有，这个也不需要基于LLM对吧，对这个是完全，完全从视觉出发去做的训练。就是一直比较细确的讲，我们关注的这三个事，就是看得更清楚，想得更明白，干得更利索，就是机器人，我们是觉得就这么三个事，第一个是看得更清楚。对所以说，我们先解决的，看得更清楚的问题，然后看得更清楚，这个事情本身，是不需要语言的，就是纯视觉，视觉原生的。一个语训练，对，然后这是第一天要做的，然后第二天，我们其实发布了，这个VLA嘛，然后VLA做了个升级，然后我刚刚说。VLA这次的升级，可能主要是从，落地的角度，我们发现了一些问题。
张小珺：怎么把这个数据，变得质量更高，然后怎么让。
沈宇军：构型变得更多，然后支持的，支持的任务，可能变得更复杂，因为我们能支持，头腰这些东西之后，他可能能做的事情就变多了，对吧。对，然后，然后VLA这个事情，我觉得，可能对整个零波来说，它最大最大的价值，就是把数据要弄明白，而且把数据弄明白的是。从产业的视角，把产业需要的数据，或者说把落地需要的数据，弄明白，对，这是整个VLA这次的升级，然后刚才VLA讲的也比较多，所以像比如说。有一些模型公司，就是以research为主导的公司，它的数据可能会倾向于，真机和仿真数据混合来用，在你看来。 [00:47:34]
张小珺：是不是它离真摄场景是有距离的。
沈宇军：这个可能是不同公司选择的策略不一样，因为如果它做的，比如说它选择的场景，是仿真可以做的比较好的，那我觉得从仿真上拿数据，没有任何问题，对，然后但是我们。我们还是说，我们想要做通用的大脑，然后也是就跨本体跨任务，所以我们希望，它的能支持的任务，其实是越多越复杂越好，对所以说可能，现在对于这种通用任务来说。仿真可能的覆盖率，没有那么高，所以可能我们，没有选择仿真这条路，然后更多的可能，还是希望从真机出发去做，对，反正就是说。第一就是第一天的模型，我们解决了，看得更清楚的问题，然后第二天的模型，其实就是VLA，我们是解决了数据的问题，然后其实接下来的，刚才说了三个模型。还有三个模型，这三个模型，其实我更想放在一起说，就是一个是video，一个是word，然后还有一个就是，我们一直讲的va，或者说现在外面会讲wm。对就是我们，但我还是会以va来说。 [00:48:43]
张小珺：因为我们的命名是vm，对我们这三个东西，放在一起说。
沈宇军：然后这个地方，我记得callback一下，我们刚才说的一个点，就是我们在上一版1.0的时候发现，很多数字世界的模型的开发的动机，跟物理世界的需求是不匹配的，对，然后其实有几个明显能感受到不匹配的点。第一个，数字世界的，尤其是视频生成这一块，或者说大家现在比较喜欢讲这个世界模型，第一个点，数字世界在做这个视频生成之前，会做一个这个语义的压缩，会做一个视觉的压缩。因为它要求最后生成的，图像的质量要很高，对吧，然后它没办法做的话，它一定要先做一次压缩，但它这个压缩其实就是，或者说大家现在比较常用的，开源能拿到的压缩。它就是只做了一个单纯的压缩，这个压缩过程没有，就是这个压缩过程本身，对后面的学习，没有任何帮助，或者说没有任何联系，它就是单纯把一个，假如说就是把一个。假如说是100兆大小的东西，然后我先把它变成30兆，让它更好学，可以大概这么理解吧，然后我们这一次呢，是为了让机器人在后面的学习，就是理解，就是学习的过程中。能够更好的去理解语意和动作本身，所以说我们在训练这个压缩的，这个就是视觉压缩的这个模型的时候，我们就加入了语意和动作的对齐，就是说换句话说，这个压缩的，或者我们叫编码器也好，它在编码的过程中。就可以感知到一些语义信息，和动作信息，有了这样的一个编码器之后，它在后面基于这个编码器。 [00:50:33]
张小珺：编出来的那些个东西，再去学生成的时候，它就更好的能够把语义，跟动作这个东西，理解的更好，这是一个点。
沈宇军：然后第二个点，也是数字世界，跟物理世界不太一样的地方，其实数字世界不是很关心效率，因为举个例子，大家说现在比较常见的，就是文生视频，我给他一段话。然后他会给我一段视频，然后其实中间可能，比如说你生成一个30秒的视频，用户可以等30秒，或者说等10秒，等个20秒，那还是希望他能越来越快的，对你肯定是希望快。但是我的意思，他肯定是有可以等，然后等你整个视频一起生成完，但是机器人在执行的过程中，是没办法等的，它是及时的，对它一定要实时，一定是实时的。对然后所以说基于这个，它就会诞生两个点，第一个。 [00:51:28]
张小珺：你的模型效率是不是能做得更快。
沈宇军：这个其实从这个点上，对就是因为现在大家，可能用万象会用的比较多，然后万象其实是一个Dance的模型，就是它没有用，没有用MOE这种形式，就是比如说它是一个14B的模型，它在推理的时候激活就是14B。对，然后但是这个事情，我觉得对于后面的加速，你哪怕是后面的加速工作做得再好，你在模型本身激活上，其实没有一个，如果就是说从框架上不做加速的话，可能对后面的。就你能加速的比例其实是固定的，你没办法真的做到非常非常快，这是一个点，然后另外一个点是，就因为刚刚说的是实时的，所以它必须要，就是它必须要所谓的叫单向建模，你的历史是看不到未来的。未来可以看到历史，但是历史看不到未来，时间是单向流逝，对，但是因为数字世界，你说生成模型的时候，其实它可以是双向的，对吧。因为我，就是你是给他一段话，然后你等一会，你等的过程中，其实就相当于是，你那段话的开始跟结局，其实你都知道了，然后他给你一段完整的视频就好了。他不用说在这个过程中，只能往前走，这两个点，是物理世界对提出的一个，比较新的一个需求，但同时呢，也不是说提了新需求之后，它就这个东西会变得更难。但物理世界也有一些，可以被做一些取舍的东西，就是可以被舍弃一些东西，最核心的就是画质，因为数字世界，可能大家会要求高清嘛，然后要求对吧，帧率要高。然后这个东西看起来，欣赏起来才好，内容生成主要是这样。 [00:53:07]
张小珺：对其实不同生物之间的，那个视觉能看到多清晰。
沈宇军：是不一样的，但是它也可以在地球上生活，对所以嘛，就是物理世界，其实就是换句话说，你可以生成，有点马赛克，没有关系的。或者说就是画质不高，没关系的。
张小珺：然后因为什么。
沈宇军：因为我们还有摄像头，就是你生成的不高，但是你能看到，所以这个没关系的，对然后就是，就是基于刚才我说的，它有提出两个新的需求，但是又可以舍弃掉画质本身。所以说我们在这方面，又做了两个工作，一个就是我们说的video，我们也是把它开源出来，就是LimboVideo，本身就是一个，Moe架构，原生Moe架构的一个模型。它有一个，其实Moe这个事情，就是大家可能，听的会比较多，好像说，那就把一个dance的，变成一个不用每次都激活，我就是比如说。三个参数激活一个，就类似这种，不就好了吗，但其实真的想把Moe训明白，还是有难度的，因为在训练过程中，你要控制每一次的生成激活的比例，是它要均衡。就比如说你一共有，一共有30个参数，然后你每次都激活那10个，就有20个参数，就基本上不被激活到，这个事情是不可以接受的，因为如果是这样的话，其实跟10B的。或者说10个参数的，弹死模型就没有区别了，我们既然是想让它，就是想让它就是稀疏化，那你要让它稀疏的均匀。 [00:54:37]
张小珺：如何能让一个模型。
沈宇军：就是Moe的训练，就是均匀的把每个参数都，就是怎么说呢，以同样的概率被激活，然后把它训好，这个东西是，其实是一个技术问题，对它不是一个一元度问题。不是说我想让它少激活点，就激活点少激活点，对所以说我们在video上，就是因为我们自己从头去，把这个Moe这个东西，我觉得应该算是，先是堂通了吧，这个中间失败过没有。失败了很多次，应该是把，就是整个训，因为我们也想说，训一个，能有训练基模的能力，然后其实把整个基模训起来，整个info打起来。数据弄起来，其实这些都是一些，基本上可以理解成，是确定性球技，就是都知道，可能是没那么多经验，但你反正就是，就是做就好了。其中花的最大的一个部分，就是MOE，MOE应该至少光训MOE想训明白，可能就花了两个月的时间，两个月，对，然后就是不然的话，就你一直发现。他想就是他虽然叫MOE，但跟你最后期待的MOE是不一样的MOE，对，所以我说就是把MOE训好是一个能力问题，它不是一个态度问题，对，所以说，后来提升了哪些能力。其实失败了几次，中间失败，因为两个月我估计失败个几十次应该是有的，但失败它不是说你训到后面才失败，你训一训就会发现跟你想要的不一样，就是有些参数激活的不均匀不平衡，然后MOE这个事情，我觉得其实最后最最大的核心。就是怎么能够让你的这些个所谓的专家，被等概率的激活，然后这个里面可能就涉及到，从你这个训练的时候，这个lossfunction的一些选择，然后从你这个sampling的一些策略，或者说给他加一些政责之类的，就是加了各种各样的东西。然后现在是我们可以保证，MOE这个东西，基本上这个技术本身，可以稳定的训练，就哪怕说换一个框架，这个技术，因为MOE本身是个技术，西数化。这个应该是在这方面，应该是算是有了一个，比较大的一个提升，对，然后这是说一个技术点，然后另外一个技术点，就是说时间不能倒流这个事情，时间不能倒流。 [00:57:06]
张小珺：就是我们要求这个整个的attention，其实都是单向的，因为attention就是或者说数字世界，大家常用的模型基本上都是双向的，因为它要求画质，你双向肯定是，你中间的连接越多，其实你的计算就越大。
沈宇军：计算越大肯定效果就越好，这是一定的，但是我们想把它变成单向的，在这个地方应该是从1.0的时候，就希望想把它变成单向的，然后又花了可能在这个事情上，应该也是花了三四个月的时间，能够做到从头开始就单向训练。就是它还有另一种选择，其实可以说我先有一个双向的，然后把这个双向的变成单向的，这个过程中我们会发现，会有一个很大的问题，就是很多模型，预训练模型里面学到的一些知识，比如说就是对文字的一些理解。它其实是隐含在它的双向的，这个attention里面的，就是一些knowledge，是隐含在这里面的，对，然后你强行把它，变成单向的时候，单向这个事情是跑通了。但是那些knowledge，有些就遗忘了，就相当于预训练作废了，它作废的一个直观表现，就是你之前可以跟他说，100句话，每一句话他都给你，转移成一个比较好的视频。但是现在你可能。 [00:58:22]
张小珺：再跟他说100句话，可能只有20%30%的，能转移成好的视频，剩下的70句话，他已经不理解说的是什么。
沈宇军：因为那个知识被破坏了，对，所以说在把双向变单向这个事情上，我们也算是做了一个比较大的决定，果断的舍弃了双向变单向这个路线。
张小珺：从最开始设计的时候就是单向的，video这个工作解决了moe的问题，就是从头训练moe，然后我们就是我们具备了这种训练moe的能力。
沈宇军：然后word的那个工作其实证明了，我们也可以把单向的attention，这个训练这个事情也搞定了，然后把这些技术，最终我们全部应用到了，具身模型上，也就是诞生了我们最后，最后一天发布的那个模型。就是VA2.0，这个模型是最关键的对吧，对它是整个所有的技术拼到一起的，一个模型，一个集合它是，对它就是因为，就相当于那个video，是我们证明了MOE这个事情。就是我们先把这个路堂通了，然后word是把causalpretrain，这个事情堂通了，然后我们把这两个技术，融合在一起，再加上我刚才说，我们压缩的过程中，也做了一些改进。把这三个技术点放到一起，有了一个面向机器人，纯面向机器人控制的，一个原生的基模，这个基模从每一个参数，都是完全随机化开始训的，然后再包括这个，机器人本身采的一些数据。我刚才说VLA，不是我们搞了很多，真机的数据，我们把这些数据，都放到了这里面，然后去从头训练了一个，为了具身设计的一个机模，这个是我觉得可能是。这次发布里面，我们一直讲具身原声，具身原声一个概念，可能这就是，我觉得这个东西，就是我们想说的具身原声本身。 [01:00:18]
张小珺：我不知道在这六个模型里面，哪一部分会用到LLM。
沈宇军：有一种说法是说，就是LLM如果是大脑的话，其实机器人好多都在训练小脑。
张小珺：那你觉得你们这个具身原生的模型。
沈宇军：它到底是大脑还是小脑的部分，外面每个人对这个大小脑的定义是不一样的，在一些简单指令的执行上，灵波解决的更多是这个层面，比如说就你给他说一句话，然后他帮你把这个事做了，这种这个层面应该是灵波在做的，但是还有其实在这个之上。还有一个更加智能的一个部分，那一部分现在灵波还没有解，那一部分就是真的把，跟人的交互放在里面了，就是那个东西是需要很多思考，比如说，假如说就是，机器人今天就是一起床。然后机器人帮你拉开窗帘，他就知道帮你拉开窗帘，然后看到外面下雨了，他就要知道给你拿把伞，让你出门，对，这个层面的东西，我觉得应该在。更高的智能阶段，是需要做的，而那个阶段可能是。 [01:01:23]
张小珺：跟语言模型跟动态模型要解决的，其实我觉得跟数字世界。
沈宇军：可能就更相关了，对，但是如果单纯的，你跟他说，帮我拿一把伞，这种动作，我觉得林波现在解决的是，这一层面的问题。就是他不解决意图的来源问题，他只是解决意图的实现，他做一个动作，对。
张小珺：但是他的动作是简单的，他可以是一段连续的动作，但是，但是他为什么要做这个动作。
沈宇军：他不知道，对，就是他只管意图的实现，就是你有个想法，他帮你做了，但是他不会有，它不会产生自己的想法，它不会主动帮你去想。你要做什么，那一层面的交互，我觉得可能是更高阶的智能，灵波现在还没有做，这一层面的事情，因为你刚刚说第一代能抓取，第二代能做哪些动作，它有方化性吗。对第二代其实就是因为，我们有了这个刚刚说的，我觉得为了，就是相当于我们没有再，重新用数字世界的模型，基于数字的模型迭代，然后我们可能是为了具身，单纯设计了这么一个模型。就是因为有了这个，我觉得有几个比较大的，我觉得挺有意思的提升，第一个是，现在它能处理随机性，处理随机问题的能力要强很多。 [01:02:35]
张小珺：这个大概怎么理解呢。
沈宇军：比如说我们其实有一个demo，是跟人去打那种撞球。
张小珺：就是在那个例子里面，你会发现，它这个demo跟一般的。
沈宇军：就是大家做的demo就不太一样，然后因为它里面会有很强的随机性，你永远也不知道对面人打过来那个东西会在哪，对他就相当于不是说我把位置都定好，对我不是说把位置都打好，就是摆好就可以了，对他一定要是看到你打过来了，我们才能打。然后而且有一个很关键的点是，我们在整个过程中其实是只依赖了机器人自己的相机，就是没有在场地周围再放一圈相机，然后让相机去追踪那个东西的位置，不是靠这种方式实现的，完全是就是跟人一样，就是我就一双眼睛，然后我就看到那个东西。然后去做，对这个东西是处理随机性，然后另外一个是，那个回合非常快，就是因为人打嘛，就是他对实质性的要求就很高，他不是一个说，你如果机器人动得很慢。或者说你动一下卡一下，动一下卡一下，其实你是打不回去的，这是挺好玩的一个场景，对，所以我觉得这是一个点，然后另外一个再举一个例子，比如说。比如说就是，我们还是说整理桌面这个东西，就是大家看到的假如说就是一般都会说。 [01:03:53]
张小珺：假如说收纳玩具或者什么，基本上都是摆好了嘛，对吧。
沈宇军：然后我们现在是可以支持，假如说你就是说把这个桌面上的东西都拿掉，都收拾起来，然后我们现在是可以支持，你先拿一个狂随便撒上去，撒上去以后，然后不就那个，其实就就这本身就已经带了随机性。对不对，你中间还可以把一些东西再拿出来，他不是说就把现在有的这些弄好，就是收拾完就好了，你会发现你可以把它，捡进去那个东西再拿出来，随便摆一个地方，它还是会把它收进去。甚至于你可以跟它一起收拾，就是有一些东西可能，它还没收到，然后你先帮它收了，那对它来说它就不收了，其实我觉得这一点，也是一个比较大的一个进步，对这个东西就是。我们现在能够处理的随机性，应该比1.0版本那个模型，要在这方面要强很多，对，这是因为加了更多的数据，不是，这个东西就是因为，整个的模型的预训链不一样。你看到了模型，具有泛化性的这种迹象了吗，对，就是我觉得在这个，刚刚说的这种例子里面，就是任务的泛化，这不是说任务吧，就是位置上的泛化。这一点。 [01:05:07]
张小珺：我觉得现在应该是，有比较大的突破，它能够接受这种随机性，对，这意味着它不是只是通过一个RL，来做的反馈，对。
沈宇军：它不是一个固定的任务了，它是一个中间可能会有很多突发情况的一个人物，对这是一个，我觉得这是一个在这个方面，就是随机性，就是泛化性分很多很多维度，对我觉得在位置泛化上，应该现在可以说是解的会好一些了。然后但是我觉得现在我们这一版模型，可能对于这种任务上的泛化。
张小珺：任务上泛化怎么说呢。
沈宇军：我觉得就是就你能不能够直接，就是什么也不做，就直接给你一个新的任务，从来没见过，你就能做了，我觉得这个是一个，比较难的一个事情，然后我觉得这个维度。可能现在还没太做好，因为它，我觉得一个比较大的原因是，因为机器人的数据，还是不够多，就你见过的任务，还是不够多，你没办法通过。你见过的任务，排列组合，变成一个你没见过的任务，对，我觉得这个可能还是一个，即将要，就接下来可能要去，重点突破的一个点。那你需要他建这个任务，看几次他能学会呢，就是他的学习成本有降低吗，这一版应该是比上一版有，也就是我们的2.0会比1.0有，我觉得是在这方面也是有提升的，然后体现在两个方面，第一个方面是。我们1.0的时候，当时其实是做了这种评测嘛。 [01:06:36]
张小珺：当时的评测是每一个任务，要单独训一个模型，就相当于假设有100个任务，你就要训100个模型出来，就每个任务都要单独训一个后训练，然后再去测。
沈宇军：但这一把我们是可以把，假如说10个任务，我把这10个任务迅到一起测，相当于这10个任务，只用一个模型解决，这是一个方面的提升，然后另一个是，其实从这个数据量上来讲。后续链需要的数据量变少了，我们上一版应该基本上都在100条左右，然后现在应该是20条左右就可以了，对，然后当然你还是没办法做到说，一条甚至更少，对，我觉得那个可能要随着你。积膜的能力再进一步提升，可能我们再试图，把这个事情再做下去，对，但整体来说，这一点上应该是比1.0，也是有一个比较大的提升，对。 [01:07:30]
机器人大脑与本体的关系
张小珺：具身智能今天到什么阶段了。
沈宇军：你之前说还没有到GPT-1的时刻，今天呢，对。
张小珺：今天我还是觉得，也没有到这个阶段，就是具身智能本身，对，因为，为什么这么说，因为现在还没有看到一个。
沈宇军：比较好的能够做数据，skillup的方式，就哪怕是我们这次说的，比如说我们用了6万小时，对吧，现在有6万小时数据，但其实坦白讲，跟上一次比。还没有数量级的提升，而且这些数据，应该是远远不够的，我相信随着，现在这个行业素材的方式的，这种就是大家在做。 [01:08:12]
张小珺：各种ego相关的数据，我觉得应该是等，实现方式真的确定下来。
沈宇军：然后可以大规模铺开的时候，可能那个时候会看到GPT-1的时刻，所以瓶颈还在数据，对我觉得现在，就是因为跟GPT相比的话。
张小珺：我觉得应该还是在数据的，我们这次虽然也在讲，我们是模型的设计上，是具身原生，我们的模型设计都是特性，是为了具身设计的没错。
沈宇军：但是为了做预训练，就是具身原生的预训练，其实我们还是用了大量的，互联网数据在做的，然后互联网数据的量级，应该跟就是机器人的比，就是远大于。
张小珺：大于多少。
沈宇军：几倍于机器人，真机采集数据，应该差两个数量级吧，OK，大元模型能够skillup，是因为互联网数据已经ready了，对，所以说在这里面。虽然说我们架构上，已经做到具身原生了，但我觉得数据上还没有，所以可能当具身的数据本身，可以做SkillUp的时候，或者说能至少跟互联网，达到相同量级的时候，可能是我心目中的GPT-1的时刻。你估计还有多久，具体的时间可能就不好预估了。 [01:09:23]
张小珺：但是现在比之前的好处是，因为基建上来了。
沈宇军：模型的开发周期，跟GPT之前的那个时候不一样了，那个时候大家能有个万卡集群，就觉得很了不起了，就是至少从语言模型那一块，但现在美国的很多公司，在做语言模型的时候，基本上都是十万卡。甚至可能到更多，所以我说我觉得整个的，基建上来了之后，模型的开发效率也会比之前要快，所以说可能不一定说，原来的GBT-1到GBT-3.5，或者说叫ChatGBT，可能用了一段时间。然后可能现在从机器人的GBT-1出来，到机器人的ChatGBT出来，可能又不一定需要那么长时间了，因为配套的工具在成熟。 [01:10:07]
张小珺：你们的infra水平也跟着提升了是吗。
沈宇军：对因为我们开始要做预训练了，就是既然我们想去动到，原生基模这个东西，它需要的资源肯定比之前说，我只把它当做数字世界的一个下游去做，需要的资源要多得多。
张小珺：你们要做原生巨生的模型，这个BAT是什么时候下的。
沈宇军：当时纠结吗，其实不纠结，因为在发满1.0的时候，我们当时就意识到这个问题了，就是很多特性，我们当时是强行，在数字的模型上，魔改。强行魔改，然后发现很多东西，就是不work，就是你改的再fancy，它有一些缺点，还是会暴露出来，所以在1.0发布完之后，我们当时就做了决定。就是我们必须要具备，做底层，更底层模型训练的能力，算不算是一次bad，肯定算是一次bad，因为我们也不确定。 [01:11:09]
张小珺：这个东西是不是能成功，是不是能迅出来。
沈宇军：因为之前也没有人，有过这样的经历，但我觉得值得一读，因为在我们看来，如果数字世界的那条路，就是走不了特别长远的话，那这是一条必经的路，如果走不通。或者说如果不是我们走通，也会有人走通的。
张小珺：因为我觉得这可能是正确的路，有什么之前，怎么做都做不成的任务，到这次让你觉得，有一点惊讶的吗，你有什么Ahamoments吗。
沈宇军：其实我对于，刚刚说的那种，跟人一起打球这个事情，就比较惊讶，因为它真的是综合，体现了好多能力，就是你的执行也要快，然后你的这个随机性。或者说你的预判要好，对然后再加上，其实那个东西。 [01:12:02]
张小珺：我们可能一共也就采了，20条数据，我就说为了执行这个任务，在预训练之后，为了做这个任务，可能就采了20条数据，这个比较出乎你的意料，以前需要采多少数据。以前可能采多少数据，都不一定能做成，对因为就是，真的是不是能够让模型，把这个随机性，就是cover的比较好，我感觉之前我是没看到过。
沈宇军：有类似的东西出来，在做原生机器人脑子，这件事情上，有什么其他人的工作，可以借鉴吗，比如说硅谷一些frontierlab，他的工作有可借鉴性吗，我记得应该是generous的。他们就是说，因为他们的数据量，比我们要大得多，他们官方，或者说能查到的消息，公开消息，然后可能应该就是几十万小时，而现在可能都不知道。是不是可能有百万了，我不清楚，然后他们的数据管线什么的，这方面应该还是比我们要成熟的，他们更早的去动到了，pre-train这个方面，但是跟他们不一样的，或者说可能只是出发。说要用具身数据，做pre-train这个事情，是一样的，但是你要说，技术本身的借鉴，其实并没有，因为我们相信，一定要从视频生成。这个路线里面，去学到一些知识，所以说能够把视频生成，做到原生的，目前还没有看到。 [01:13:26]
张小珺：你怎么看generalist。
沈宇军：和physicalintelligence，他们的路线的区别，我觉得他们两个，更多的是，可能有一些最后的理念的一些不一样，因为Generals的更多，他是能接受有后训练的，他强调的是高效后训练。然后但是Pi好像更多强调的是ZeroShot，他更希望不要后训练，就是我什么都会，对所以从这个角度来讲，我觉得可能天然选择的路。
张小珺：可能就不一样，听起来Generals更实用一些，从我的感觉上可能是可以，但是但其实殊途同归，因为我觉得是这样。 [01:14:07]
沈宇军：这两个能力都必须具备，就是如果我们设想，未来有一天机器人，真能够进家庭，你可能希望他有两个点，第一个点是，他进到一个家庭之后，百分之八九十的活。他自己就能干了，百分之十到百分之二十，他干不了的，可能是你教他一下，他就会了，这两个我觉得都，都是需要的能力，对其实就是。incontextlearning，对然后，感觉这两个，其实不那么冲突，对但是，这是一个点，然后另外一个可能，他们两个技术理念。我个人会感觉有点不一样的是，Generalist可能还是在，他对Yumi，那个数据可能会比较，他理解的比较深入，玩的也比较好，然后那个PhysicalIntelligence，可能还是在。整机摇操上，他们应该是在这方面，做的比较扎实，对，从这个再往后看啊，就是因为现在，大家开始去讲，那个EgoCentric了嘛。就是而且再往后可能说，我觉得灵巧手这个东西，可能也会逐步的被提上日程，就是大家可能会越来越关注，说需要的更复杂的一些操作任务，那个时候可能假爪，就不能满足需求，可能一定要用灵巧手了。对可能在Ego的兴起，再加上灵巧手的不断的发展，很有可能，真机摇操和5米，两条数据的路线，可能都会发生一些变化，对就是可能，他们也要去迭代升级。但有可能最后，再往后发展发展，可能就合久必分，分久必合，可能他们也会慢慢，走向同一条路，这个谁知道呢，所以现在不同的路线的核心。 [01:15:48]
张小珺：是我怎么使用数据，或者我怎么获取数据。
沈宇军：这是一个很关键的点，对这肯定是一个很关键的点，对我现在是比较坚信的一点，尤其是我们这次，我觉得算是做了一个，比较好的一个开始，我还是很坚信，具身一定会有自己的模型。就是他为具身设计的模型，但是就是在这个观点，如果不变的情况下，那他的数据必须要支撑，他可以做自己的模型，所以数据是。 [01:16:15]
张小珺：如何把数据很好的scaleup。
沈宇军：是一个至关重要的点，对，我去年去上海外谈大会，他们为一个事情，真的不可开交，就是说到底，具身智能是一个独立于语言模型之外的，一个独立的学科呢。一个独立的发展方向呢，还是它是基于代语言模型的一个方向，有两派观点，一派认为我们是基于LM训练的，所以我们是成长在LM这个上面的一个支线，然后另一派就觉得我们一定是独立的。
张小珺：你是哪一派，我不能完全说是哪一派。
沈宇军：如果硬要选一个，我可能会选择后者，具身智能要解决的问题，跟语言模型，它其实是不冲突的，就是语言模型，更多的是让人听懂。
张小珺：这个指令到底是什么，让机身听懂指令是什么，但我觉得具身智能，更多需要解决的是，怎么把这个一件事情做好。 [01:17:06]
沈宇军：做好本身，是不需要再理解语言的，但是它的前一步，就是怎么把语言转译成，就是它的后面的一系列动作，就是第一步，可能是需要依赖语言模型，我会认为。具身会继续拿大语言模型，当一个比较好的入口，然后它会成长出自己的模型，它们两个中间可能只是一个，就是交互的层面，更好的当然是说，我们把语言系统，也内嵌到这个具身里面。但我感觉，短期内具身，要聚焦解决的问题不是那个，他还是要先解决。
张小珺：怎么把一个事情干明白这个点。
沈宇军：但干明白这个事情，我个人会觉得，对语言的依赖没有那么高，语言是第一个，招呼工具，换句话说如果不是语言，假如说一共就，一万个任务。然后你把这一万个任务，就编成固定的编码给他，可能也行，只是他没有办法在任务维度再泛化了，但语言模型本身可以在那个维度再泛化。 [01:18:17]
张小珺：它解决的是需求泛化的问题，我感觉，对，但是这个明显不是现在，现在这个阶段，具身智能的核心焦点，你觉得从24年底，就是你们开始做支家公司。然后到现在为止。
沈宇军：整个行业的突破，是在哪些方面，它的进步快吗，其实我觉得进步是，比我想象的要快得多，因为首先从硬件上，然后现在至少像语述啊，志愿啊。就是已经把这个量产啊，已经跑通了，应该是已经可以进入到量产阶段了，然后就相当于供应链，也随着这个行业发展也在成熟，这是一个点，然后从去年开始，大家是假抓。到今年开始，零销售公司已经层出不穷，然后已经有非常多的零销售公司出来，然后零销售的发展也是，就是我觉得可能也用不了太久，可能会变成，渐渐变成标配，渐渐。只能说，可能再给它一段时间，因为硬件毕竟有自己的发展周期，只是说大家已经不满于，不满足于甲转了，然后再加上就是传感器层面，现在有越来越多的，触觉相关的传感器。然后这些其实都是为了，就是零小手触觉，其实就是为了让机器人，做更复杂更精细的任务，对吧，这是从就本身硬件，或者说，对这个行业里面。硬件的发展来讲，我觉得是一个，比较让我惊叹的一个速度。 [01:19:48]
张小珺：他们是不是也都是一种。
沈宇军：数据获取方式，对，他们一定会考虑说，跟数据的关系，他更多的还是为了，模型的升级，我觉得还是，或者说你能够提供更多的。执行更多的任务，其实也是为了让模型，能学到更多的知识，对，然后这是硬件，硬件这个层面，然后另外还有一个层面，就是。从这个，落地的这个层面，因为现在已经可以看到，很多家都在去展示说，模型可以，比如说可以进工厂干活，像Figure还去展示了，这个物流分解。对吧，然后已经有越来越多的，开始去提机器人的落地，而且现在的落地，已经不再是通过，比如说一些传统的，控制方式落地，大家都在尝试。用模型去落地，我觉得这个也是一个，比我想象的要更快的，一个节奏，因为去年的时候，去年WIC的时候，7月份的时候，我感觉更多的还是在。showdemo，那个时候我记得，我记得之前有个说法，说什么，24年在倒咖啡，25年在叠衣服，反正一年有一个新的动作，然后大家在展示。但我感觉今年反而是，大家demo提的少了，都在提进场景了，对我觉得就是短短一年的时间，然后模型的，就是说软件侧的发展，也是突飞猛进，所以从这两个角度来讲。我是觉得这个行业。 [01:21:17]
张小珺：确实是在加速的，不急于期的有吗。
沈宇军：不急于期数据，我会这么理解，在大家尝试着，真的开始步入具身原生之前，对数据的，虽然大家都在喊，学数据，需要数据。但是数据，真实的情况是，如果你真的不需要，做一个基础模型，可能不需要那么多数据量，你到底需要多大的数据量，我觉得，我觉得应该是百万小时起步吧。就是能开始说，我这个整个模型里面，聚身的数据跟互联网数据，可能说大家相对平衡一点，然后我让他既能学到一些，通用的知识，又能学到一些操作相关的知识，对这是我觉得一个比较理想的状态。应该是在百万小时，起步，对，但是，在百万小时之前，我觉得应该会先有一个，十万小时的规模，而这十万个小时。是可以，就是就怎么说，它是完全拿来做，预训练的，预训练，不是说基于数字模型的训练，是具身原生的预训练，对。所以我觉得，不及预期的就是，在没有，可能就是过去一年，没有看到，具身原生的东西，真的出来，然后就是因为。没有这个东西出来，所以大家对数据量需求，其实没有想象中那么迫切，就是大家会讲说，我们都，大家都知道行业的公认，就是说可能数据，是一个很关键的东西。而且需要很大量，但是没有一个具体的。 [01:22:56]
张小珺：比如说你不迅疾模式，没有一个推动力，说让你马上一定要拿到，这么些数据的，所以我感觉数据的发展，其实还有一点。 [01:23:07]
沈宇军：我觉得不及预期，对这是我自己的看法，今年好像有一个现象。
创业、产业格局与汤晓鸥
张小珺：去年之前的这一波机器人公司，很多都是本体和模型一起做的，但是今年大家明显更看重大脑了，而且很多公司开始只做大脑，不做本体，你就为什么会发生这样的一个变化，感觉是两代机器人公司这种感觉，其实我感觉。
沈宇军：我感觉一个比较关键的点，就是一个本体很难，目前来讲一个本体很难通用，然后，但如果你不通用的话，你要一定要选准场景，这样做本体才有意义，就是你这个本体。相当于是为了场景专门设计的，因为专门设计，它可以有一些东西做强化，有一些东西做减配，因为最后落地的话，要讲的是成本，我们不可能拿一个，各方面的六边形战士。然后去做某一个具体的任务，这样的话它可能很多东西是超配的，成本一定是上升的。 [01:24:11]
张小珺：所以我觉得可能大家不讲本体的一个原因是，第一本体其实也有自己的门槛，你到底能不能有量产的能力。
沈宇军：这肯定是一个点，第二个就是本体的，你如果场景选不准，本体设计的一定是有问题的，但是场景现在我看来比较难，大家也不太敢说哪个场景，一定会跑得非常好，大家都在做尝试。但是可能确实比较难决定，说哪个场景最后就是先跑，最好的，所以我感觉可能有这方面的一个原因，然后再加上另一个点是，这是刚才我觉得对，从硬件的需求的角度出发，但另外一个点是。我觉得从现在行业来看，大脑可能是目前是落后于本体的，大脑的开发是落后于本体的，很多时候换句话说，现在就是今年的主要矛盾。 [01:25:14]
张小珺：应该是怎么让他先变得能把活干好。
沈宇军：然后，去年王兴建还说干活是一片荒漠，对，所以我觉得应该是还不能把活干好，所以说会有更多的人想要去试图解决这个问题，然后但我觉得，这个行业在，就尤其大脑跟。虽然说大脑跟本体，现在还是不能完全结合，但是我觉得就从这个发展来看，他们两个一定是交替上升的，就可能现在大脑是落后于本体的，但是因为随着，进来做大脑的人越来越多，可能这条路。就是或者说智能层，他会跑得会更快一点，然后可能某一天，他就超过了本体，那那个时候可能会，对本体提出新的需求，本体就会再去，可能在那个时候会有一批新的。由智能重新定义的本体公司，就是可能再往那个方向去发展，就是它可能不再从我们大家，之前理解的一些参数，再去看这个本体了，可能很多东西就是为了，就是更好了方便模型控制，去设计的。对我觉得可能那个时候，本体又会再发展一段时间，然后可能那个时候，本体又更强之后，又会催生说智能又不足了，我觉得一定是这么一个过程，所以上一代硬件，不一定能够迭代。适应下一代的模型，我觉得是至少我的判断，应该是这样的，然后硬件本身可能还好，但我觉得传感器应该是，现在的传感器应该是，还要再做进一步的升级，尤其是触觉相关的。其实我举个例子，比如说触觉，或者说之前大家对传感器，是有指标的，我必须要做。 [01:27:04]
张小珺：比如说我的精度达到多少，然后我的频率达到多少。
沈宇军：它有很多指标，但是会发现，很多时候做传感器，如果只做传感器本身，它可能会希望这些指标都好，但是有些时候又不能决定，可能又，你没办法真的满足。说所有的东西都很好，它一定要有取舍，那取什么舍什么，其实师们，我觉得这也是个问题，但是之前的取舍，可能大家会凭着，使用的这个过程中。比如说利益必须要准，那既然是你是触角传感器，你利益就要准，可能会先取这个，对吧，就是这可能是大家的一个，或者说不能叫共识吧，但反正就下意识都会这么想。但是有可能，这个东西在AI这个时代，模型可能最需要的，不一定是你利益要准。
张小珺：有可能是需要你反应够快，就是我可能对实质性要求，可能比那个更高。
沈宇军：这都是有可能的，所以说可能，如果说这个传感器再迭代升级，可能要从模型的需求出发，看我们要强化哪些指标，弱化哪些指标，就是还没有到说，模型可以定义它的时候。他们肯定会按照，传感器的发展，肯定会按照就是传统的理解，说我们去怎么去尽可能的优化，对我觉得这可能是一个，未来的趋势，有的是从硬件出发，有的是从软件出发。但是大家都想进入家庭，这个最好的场景里，可能现在其他的一些场景，还不够那么性感，对，是这样，就是可能还是2C，2C更性感一点。所以他现在需要做一个选择，我是从软件出发，还是从硬件出发。 [01:28:42]
张小珺：对，有的人从硬件出发，你们是从软件出发，对我们是从软件出发，沿着脑子往后坐，你觉得接下来几代会怎么迭代。
沈宇军：我觉得是这样，就是刚才我说的，我们这一把是做了。
张小珺：怎么说呢。
沈宇军：从物理特性上做了一些原生的设计，然后接下来，我觉得最大的就是。 [01:29:04]
张小珺：怎么能够从架构原生。
沈宇军：再往前再走一步，做到数据原生，数据原生解决了，刚刚我们说的泛化性有很多种，比如说本体构型的泛化性，然后我们现在能够做到位置的泛化性，但是接下来我们还要做任务的泛化性，任务的发现就严重的吃数据了。对，然后那一个更优雅的实现方式，能拿到更多的好的数据，然后以及把这个数据，真的比较好的送给模型，我觉得可能是下一版本，我们最重要的一个核心。
张小珺：意味着你要自己去做数据，才数据，可能会投入更多的资源，来做这个事情。
沈宇军：对或者说把数据的，素材的这个整个的标准，需要再做得更扎实一点，就是到底怎么样。
张小珺：采什么样的数据，怎么采，然后这个东西，到底是不是可以规模化复制。
沈宇军：可能这个是我们接下来，要关注的一个比较大的，现在有什么可能性，规模化复制吗，其实就是，大家现在讲的比较多，就是Ego，然后其实Ego的数据。我个人的看法是。 [01:30:12]
张小珺：它提出了一个，比较好SigWarp的一个方式，这一点是毋庸置疑的。
沈宇军：但是现在的问题是，只从Ego，假如说就只有头部的相机。
张小珺：拍下来的这个数据，到底能不能用，它对于之后。
沈宇军：假如说零销售真的发展起来，然后我们想要做，手部的一些精心化动作。
张小珺：有没有帮助。
沈宇军：这些东西还是未知的，我觉得Ego，应该是提出了一个采集理念，但这个采集理念，是要被打磨成一个，具体的一个产品，才能够就是，开始说部署下去。然后开始做起来，输采这个事情，对，我觉得这个理念，和从理念诞生。
张小珺：到一个理念的真正的实施，可能还是要点时间，所以说具身智能。
沈宇军：现在接下来要解决的，最重要的一件事情，还得是数据，对应该是数据的，就是可规模化的，然后可以被模型使用的数据，就是这个可以被模型使用，我觉得。可以被模型使用和可规模化，这两点本身就是一个平衡，因为模型可能希望数据越好越好，就是质量越高也好，含有的模态越多也好，这是模型的需求。 [01:31:22]
张小珺：但是规模化的就是，你的需求越高，我越不能规模化。
沈宇军：就变成定值了，就是我很难真的上量，那在质量和数量之间。
张小珺：怎么取一个平衡。
沈宇军：就是说我模型，哪些东西是可以舍弃的，这个东西可能现在还没有，太定义清楚。
张小珺：这个事情一旦定义清楚，我觉得后面的事情就会加速。
结语
沈宇军：你这是第一次创业，对创业有什么新的感受吗，对我来说两个第一次吧，第一次创业，对第一次创业含了两个部分，然后第一个部分是，我觉得第一次面向落地，这是第一次。然后第二次就是创业。 [01:32:07]
张小珺：就是换句话说，第一个第一次是业，第二个第一次是创。
沈宇军：对我觉得从落地的角度来讲，可能确实让我感悟比较深的，就是以前会更关注技术的领先性，现在会更关注技术的。
张小珺：哪一方面的领先性，就是技术还是要领先，但是是不是有价值的领先。
沈宇军：还是说只是技术人，就是拍脑子觉得，大家其实有很多东西都可以领先，你现在希望哪里领先，我现在肯定希望能支持的任务，越多越好，对，就是我会优先选择场景的。或者说场景和任务的，泛滑性这一方面，对，然后，这是第一个，第一个第一次，就是业的部分，然后再说一下。创的部分，我觉得，可能这个第一次，交互我的更多的，就是，就是人要学会，或者说创业要学会赌，创业一定是赌出来的。 [01:33:03]
张小珺：就怎么说呢，没有人知道，哪一个路一定是成功的。
沈宇军：然后资源又一定是有限的，所以，在有限的资源下，路径不确定的情况下，就是要赌，对，我觉得敢做决定，敢赌。这是我觉得很关键，很关键的一点。
张小珺：因为如果说一条，就是大家如果都知道，那条路是成功的，那为什么是你成功，就是如果那条路一定成功，大厂一定成功，对，这是百分之百的。就是有资，更有资源，更有人的地方一定会成功，对，然后但是，在路径未知的时候，如果犹豫不决。
沈宇军：很有可能最后就，什么都做不出来。
张小珺：这里面你们的大赌有哪些。
沈宇军：不做本体是一个大赌吗，对我觉得做，第一个是传感器是一个大赌，对，然后第二个就是原生是一个大赌，因为原生这个事情，很有可能做到最后，就发现没做出来。就是你训了半天，训了一年，花了好多资源，然后结果这模型就是不收敛，其实我觉得这是一场豪赌，就是做出，他没做出来有很多种可能，比如说就是思路错了。也有可能是技术还不成熟，可能再过个两年三年，重新再做这个事，可能就成了，就是说你太早的进入也不行，然后就是可能资源不够，也是一方面，就是说你本来只能做100块钱的事。但你非要做一个200块钱的事，你没有那么多资源，这些都是赌的一个。 [01:34:36]
张小珺：怎么说呢。
沈宇军：风险点所在吧，然后但是我觉得一旦是做成了，那种时候的成就感还是比较高的吧。
张小珺：蚂蚁对你们的期待要求是什么呀。
沈宇军：因为现在蚂蚁集团整个也是AIfirst，就是从这个大的战略上讲，其实我们也是想要突破智能的上限，对，然后只不过是AIfirst。
张小珺：它就包含两部分物理世界的AI和具身智能，就是数字世界的AI，我们可能就是承载了集团在物理世界，人工智能上限的这个使命。 [01:35:07]
沈宇军：这是一脉相承的，然后另外一个，我觉得还是说，马亦集团还是一个，以这个生活服务，数字世界的生活服务，为核心的一个公司，然后我觉得这一点。我们也是在。
张小珺：整个集团的延长线上，我们就是想弥补，或者说也不能叫弥补吧，应该说是补齐，从数字世界往物理世界迁移。
沈宇军：这条中间的这一部分，就是怎么把一个服务，真的执行起来，对可能是这两点，是我们跟集团最大的。
张小珺：怎么说呢。
沈宇军：我觉得是理念上的契合吧，对。
张小珺：马也对你们的管理是什么样的。
沈宇军：其实整体来讲，还是比较。
张小珺：还是比较按照，那个创业公司的方式，让我们去管的。
沈宇军：只是说我们的管理体制上，可能会更独立一点，就是可能跟一般，就是集团下边的一些BG相比，我们的，就是因为业务会相对独立一些，对，所以说管理起来可能也会独立一些。但整体的基建什么的都是共享的。 [01:36:15]
张小珺：对于你们的这几次豪赌，他们是什么反馈。
沈宇军：我觉得还是比较支持的吧，集团从上一次发布和这一次发布，集团都还比较支持，他们有说为什么我们不做本体，有说这种吗。
张小珺：其实也会，就是大家会有一些debate，但是。
沈宇军：我觉得集团这一点，是对灵波有充分的信任和尊重，因为我们可能更贴近行业本身，对所以说，这方面我们做的一些决定，就是集团肯定会，就是从他的视角，他肯定会给出他的一些建议。但最后可能双方还是会。
张小珺：在经过几轮交流之后，应该还是会达成一致的，你对于这次创业的最好的预期，和最坏的预期是什么。 [01:37:04]
沈宇军：最好的预期就是，我真的看到机器人进家庭了，然后进家庭的机器人，跑的是灵波的模型，这是我最好的预期，然后。
张小珺：最坏的预期，就是没做出来呗。
沈宇军：我觉得也没有什么更坏的预期了，对就是可能就是，就是可能某一次，某一次赌的过程中，可能赌错了，你是个赌心强的人吗，我还可以，这里面有哪个角色。是你力排众议必须要这么做的，我觉得具身原生这个事情，可能是我做了，其实是比较坚持要做，我觉得这一点，我还是从，上一次发布的过程中，感受到。就是我们数字世界那条路。 [01:38:02]
张小珺：就是沿着数字世界往后走，就是行不通，不想在他们的延长线上，对，所以我就非常坚持说，一定我们要做一个。
沈宇军：用物理世界的东西，就是从物理世界，土生土长出来的模型，对，这是我觉得可能，也是我这次觉得，比较有成就感的一件事情，对。好在就是，我不敢说它是一定被100%验证。
张小珺：但我觉得至少我们迈出了一步，这次模型的进展是符合你预期。
沈宇军：低于预期还是高于预期，其实是，其实是有点高于预期，因为你想嘛，我们讲原生这件事情，我们从，就是两大块，一个是视觉。就是刚才说，看得更清楚那块，我觉得我们已经，就这一部分，就是由原生，推动它往前走了一步，然后想得更明白，就是也是有。我刚刚说的，我们也是由原生，往前又退了一步，就是架构的原生，刚才说的，不管是时间的流逝也好，还是说推理效率也好等等，然后接下来还有一个干得更利索。我觉得干得更利索，可能就是下一个原生，就是数据原生，对因为我觉得数据做的，数据的能够更好的规模化之后，肯定是在任务的方向上，有更好的突破，对所以我觉得就是从。我们看得更清楚，想得更明白，干得更利索，这一点上，我们正好在经过了半年的时间之后，把前两点，都有原生这个概念，往前推了一步。我觉得这个是，我没想到会来得这么快，然后希望数据原生的部分。 [01:39:38]
张小珺：也能比我预期的来得要早，那我可能也会更开心，这样的话，我觉得真的就是，完全是物理世界。
沈宇军：有自己的一套，从模型到架构到数据，闭环的一套原生体系，现在各个不同领域的玩家，都很想抢夺，机器人大脑这个事情。 [01:40:01]
张小珺：有你们。
沈宇军：然后也有之前的那些机器人公司，他们也会着重的来做AI，然后又包括大厂，或者说模型公司，如果他们有精力的话，他们也会来做机器人的模型。
张小珺：你觉得你们的优势是什么呀，你觉得这个产业，竞争到最后的格局会是什么呀。
沈宇军：格局可能，我觉得可能跟大语言模型的格局差不多，可能会有大厂做得比较好，然后也会有两三家创业公司，做得比较好。
张小珺：你们属于大厂还是创业公司。
沈宇军：我觉得我们现在，可能跟创业公司会更近一点，对，然后。
张小珺：那我们确实位置比较特殊，我们属于一家，背靠大厂的创业公司，对，然后，这是一个，就是。
沈宇军：我觉得从智能层，应该大概就是这么一个格局，应该会有，大厂会有那么一两个玩家，然后创业公司会有两三个玩家，然后可能大家各自跑出各自的生态，这个生态就包括了数据的生态，本体的生态。场景的生态，就可能每家的模型。 [01:41:06]
张小珺：因为你有了生态之后。
沈宇军：你场景加本体可能就会给你，那个生态里面的数据，可能你的模型就会慢慢分化的，更适合那个生态。
张小珺：当然是可能最后大家都会，走到一个通用的生态，就是进家庭。
沈宇军：但是在那个之前，可能每家模型会有不一样的特性，比如说可能有一些模型，就适合做精巧的任务，有一些模型可能就适合做，就长程的任务，这个就不好说了。
张小珺：对但我觉得应该是，会是一个各有特色的，就是几家鼎立的这种一个格局，你对人型机器人这个构型有执念吗，你觉得未来进家庭的机器人。
沈宇军：会一定是人型机器人吗，我还是觉得就是，毕竟是从一个创业公司的角度来讲，我觉得我们一个阶段，解决一个最核心的问题，就好了，现在当下最核心的问题，就是智能不够。对，我觉得还没有到，就是混言话说，现在到底是轮式，还是足式，或者说它。 [01:42:04]
张小珺：构型应该长什么样，还不是现在的核心卡点，现在核心卡点，是智能不够，然后智能不够的核心卡点，是数据不够，对，所以怎么让数据。能够skillup是重点，对，然后当你智能有了以后。
沈宇军：你才开始能做，落地的尝试，你只有做落地的尝试之后，就产品才会迭代，产品迭代，应届才会跌的，就现在，就大家在争。就比如说，到底是足市还是轮市，他不管是足市还是轮市，他进家庭，我都不会让他进家庭的，那这个时候，你都没办法做这种userstudy，OK。我感觉是这样。
张小珺：你现在工作状态是什么样的。
沈宇军：这两天好一点，就是前一阵子，就在模型都处于，要出来没出来，那个阶段的时候，其实是比较紧张的，就是。
张小珺：但是现在，尤其是最近在那个发布完了之后。
沈宇军：然后整个人状态会相对，我觉得会轻松一些，然后接下来我应该会。 [01:43:05]
张小珺：怎么说呢。
沈宇军：可能再想一想下一步要，就是到底应该怎么去去做吧，就是再复盘一下，然后想一想。
张小珺：比如说数据到底怎么去。
沈宇军：跟模型更好的结合，这可能是这些方面会考虑的多一点。
张小珺：受到的市场反馈怎么样。
沈宇军：目前看应该还可以，对，然后尤其是技术社区里面，应该对我们做的这一套，还是比较白印的，对，我感觉是这样，然后如果是那个行业的话。我觉得需要再给行业一点时间，因为毕竟是刚发布，对，我觉得行业要试用过之后，可能才会拿到更多的反馈。
张小珺：你们现在驱动的核心指标是什么呀，是一些落地上的数据，还是模型智能上的一些数据。
沈宇军：我就是刚刚其实有提到，我们还是两头抓，就是我们一边要探索上限，然后一边要抓落地，这两个点，可能我们都会关注一些，我们一开始聊到了。 [01:44:10]
张小珺：你的那个学习经历，因为你是汤小欧老师的学生，你对汤老师有什么印象吗。
沈宇军：汤老师是个比较幽默的人，这是我对他最大的一个，印象，因为，那个，他讲话，因为他跟我一样，他也是东北人。然后我觉得，反正听他，听他讲话比较亲切吧，这是，这是一个点，然后另外一个点，就是我觉得，比较能快速地。从一个比较，一个乱续的，一个混沌当中，快速地抓到一个主要矛盾。
张小珺：有例子吗。
沈宇军：这个，就是毕业答辩的时候，因为他要，他要参与嘛，因为答辩很多时候，大家会问，比如你怎么做的呀，之类的。但是他当时，他问了我一个，可能跟，跟行业，或者说你这个东西，到底应该怎么用相关的问题，具体是啥呀，就是我当时做的那套。那个做图像编辑，视频编辑那套东西，而且上一代AI最大的痛点，就是它不好落地，就没有一个很好的场景，对。 [01:45:03]
张小珺：现在有人问你们，这个模型怎么用吗。
沈宇军：肯定啊，大家都就是，其实我觉得现在具身智能，它不像大语言模型，或者多模态模型那么好，那么好传播，因为离大家生活实在是太远了，就是我必须要有个机械臂。我才能知道你这东西好不好用，就是他现在更多还是给开发者的，我是这么理解的，对离受众最近的都是娱乐场景，对，这是最快可以感知的，对嘛所以我说他不是那么好传播，然后如果是开发者呢。他肯定会希望你告诉他这个东西怎么用好，因为毕竟我们这次，我们在发布所有的东西，基本上都是预训练，就是预训练要落地，还是要经过后训练呢，后训练本身是一个很难的事情，就是或者换句话说。他不是说就把数据采完，然后扔进去，简单调整一下参数就结束了，就是那如果效果不好，到底是没训好，还是数据没采好，还是模型就不好，怎么诊断问题。有了诊断之后怎么解，它是一个，我觉得是一个很难很难的事情，换句话说，我刚刚说它离大众比较远，其实是一样的点，就是因为它离大众比较远，所以。或者换句话说，就是因为它不是一个，直接能用的模型，怎么把它，让别人感知到，你这个模型真的好，是需要能力体现的，所以大家都会问。就这个东西，比如说怎么复现，然后我想让他做一个什么事，应该做哪些步骤之类的，还是会有很多这样的问题，我觉得你们那个玩桌式足球，那个如果能够，在现实场景里面。能够做一个，给大家互动的机器人的话，应该会挺多人愿意玩的，对，就是说换句话说，你做的越能直接被应用，它肯定是，就是大家的问题会越少。然后互动性会越强。 [01:47:08]
张小珺：你对于机器人的未来发展，还有什么其他的展望没有。
沈宇军：其实我就是希望，它能够离，大众更近一点，就是我希望，它也能够变成一个像，像那个语言一样，就是它出一个APP，然后每个人都能体验。那如果说之后真的说，就是机器人更普及了，家里都有能够，或者说一个比较简单的渠道，就能搞到一个机器人，去玩起来的话，我觉得那个时候，可能成就感会更多。因为现在就是，比如说我跟我爸妈去讲，说我做了一个什么东西，他们也听不懂，然后也没有体感，然后那如果有一天，能带一个东西直接给他，然后告诉他这是我做的。我觉得那个时候，可能成就感会，跟现在完全不是一个量级。
张小珺：我还有最后几个快问快答，一个全球范围内，你喜欢的食物。
沈宇军：日料。
张小珺：一个全球范围内，你喜欢的地点。 [01:48:02]
沈宇军：家。
张小珺：我们的嘉宾都会给，我们的观众朋友，推荐一本人生之书，你会推荐哪一本，人生之书。
沈宇军：笑傲江湖，我特别喜欢武侠，我从小就比较迷金庸的小说，然后我特别喜欢，但是每次，因为金庸小说，我都其实每部都看过很多遍，然后。但我每次推荐都会推荐，笑傲江湖，因为我觉得，我特别喜欢令狐冲里面那种，比较豁达的样子，对，就什么都不太在乎，那种心理状态。我非常非常喜欢。
张小珺：你是这样的人吗。
沈宇军：我希望成为这样的人。
张小珺：如果机器人有性格的话，你希望他是什么性格。
沈宇军：我希望他是个J人，他好干活，对，我觉得他核心还是要实用，对，我希望他是个J人，就换句话说，如果在提供情绪价值和干活之间。我会果断地选择干活。
张小珺：为啥不是提供情绪价值。 [01:49:02]
沈宇军：我可能觉得情绪价值应该由人来提供。
张小珺：你心目中影响机器人进程的几篇论文。
沈宇军：其实可能也不一定算是论文吧，我觉得像那个Generalist，他们现在已经不写论文，他们写blog，我觉得这种可能也算，对我觉得那个Generalist的那个Gen1，应该对我们是一个比较大的一个影响，就是它的数据的规模化。确实做得非常好，然后像Pi的工作应该也是非常好，再就是像那个GoogleDeepMind，他们那边的一些工作，我觉得做的也是比较好。
张小珺：我有时候在想，就是如果我们在中国，没有应用到中国的本土的，这个硬件优势的话会比较可惜，对。
沈宇军：我觉得会比较可惜的，但是硬件优势可能在，这一次的机器人的发展中，我觉得是会有不可磨灭的作用的，机器人还是说，你不管是怎么样的实现方式，一定依赖硬件，然后一定依赖传感器。我觉得从数据质量上，我之前一直讲说，我觉得是互联网红利的一个变现，或者说这个数据，是从互联网那个时代，积累下来的，但是具身相比互联网来说，我觉得它可能是一个。尤其是具身的数据，可能是一个空窗期，现在大家都是一样的，那我觉得可能，所以在收数据上，可能这个中国有优势，对我觉得这个是一个，非常非常大的优势。当然训模型的能力，基建那些肯定也是优势，但至少在数据这方面，我觉得中国一定是与美国跑得快的。 [01:50:43]
张小珺：那你们是应该利用这种优势呢。
沈宇军：是的，所以说我们其实也有比较多的，我们有自己的一个，所谓的叫数据联盟的一个，我们会有一些，比较好的数据的合作伙伴，然后可能也会跟他们一起说，看看怎么一起去。把这个数据做得更好，因为数据，你所有的规模化，都一定要有标准，所以从这个方面，我们是在积极地，试图利用这个行业的优势去做的。 [01:51:14]
张小珺：基于你当下的认知，一个关键的重要的bets是什么。
沈宇军：我觉得就是具身原生吧，我讲了很多，我觉得就是这个，我非常非常相信，具身要有自己的模型。
张小珺：好了，今天的节目就是这样，这里是商业访谈录，是一档由语言及世界工作室出品的深度访谈节目，你可以到公众号关注我们的工作室，获取更多的信息，我们的公众号是语言及世界，Language is world。我们希望和你一起从这里探索新的世界，也欢迎你在小宇宙的评论区，与我们有更多的互动。 [01:52:19]