2026 年，机器东谈主正在准备走进家庭，和东谈主类同处一个屋檐下。

但在这背后，一个难以忽略的现实是：现时简直总计具身智能模子的熟谙中，“东谈主”是缺席的。

模子也曾学会了抓汲水杯、折叠衣物、施行一条条请示，却简直无法意会坐在沙发上的东谈主此刻是困窘如故焦急。但是对于东谈主类来说，巧合递过一杯水的时机与款式，可能比“递水”这个动作自己更进击。

这个问题劝诱了两位学者：冯瑶和刘淼的着重。在他们看来，具身智能要实在落地糊口场景，必须把对“东谈主”的意会加入模子。对物体的操作才气和对东谈主的意会需要同步鼓动，而非先后分离。

冯瑶目下是斯坦福大学的博士后，来岁行将入职清华东谈主工智能学院任教。她在博士阶段师从计较机视觉领域的进击学者 Michael J. Black，在德国马普所专注"东谈主"的数字化建模，用算法重建东谈主体的三维形态、动作与姿态，让机器意会东谈主类身体如安在空间中转移、交互。到斯坦福后转入机器东谈主地方，试图把对东谈主的意会带进物理宇宙。

而刚从国外归国的刘淼，目下担任清华大学东谈主工智能学院的助理教会。他在昔日三年在 Meta GenAI 参与了 Llama 3 与 Llama 4 等多模态大模子的研发，博士期间在乔治亚理工议论第一视角视觉与具身感知。

诚然两东谈主的议论旅途不同，但他们看到了吞并块缺失：现时的具身智能熟谙中，"东谈主"并莫得被放在一个进击的位置。无论是对东谈主体进行三维建模，如故用第一视角数据熟谙模子，画面中的"东谈主"时时只是布景而非交互主体。模子学会了识别场景中的一切物体，却读不懂对面阿谁东谈主的现象、意图与需求。

于是他们决定沿途创业——打造一种以东谈主为中心（Human-Centric）的全新具身模子范式，让机器东谈主实在意会“东谈主”的步履、意图、顾虑与偏好，并最终在真实的共处场景中成立信任。

在这场对话中，咱们的问题长久围绕“东谈主”张开：机器东谈主该如何捕捉需求、推断意图，进而赢得信任？谜底可能藏在尚未成型的数据范式里，可能指向仍在探索的模子架构，也可能依赖一套需要透澈重构的评测体系……

一切还在探索之中。

以下是咱们的对话：

为什么是“东谈主”？从大模子到具身智能的转向

DeepTech：两位为什么会选拔具身智能这个地方进行议论？

刘淼：其实我在博士阶段作念的即是机器东谈主地方，比如基于第一视角视觉（egocentric vision），接洽 learning from demonstration 或 imitation learning，让机器东谈主通过效法学习去完成更接近东谈主类的操作任务。

那时受限于样式条目，咱们更多只可作念一些偏“纯视觉”的议论。其后在 Meta 责任期间，由于议论地方相对从上至下（top-down），个东谈主能够选拔的空间比较有限，这条旅途依然莫得被系统性鼓动。

但具身智能在我心里其实一直莫得放下。我长久但愿有契机把“让机器东谈主实在像东谈主一样在物理宇宙中活动”这件事作念好。

冯瑶：我的旅途和刘淼有些不同。我的起点即是“东谈主”，在博士阶段，我在德国主要的责任是作念“东谈主”的建模，比如什么是好的 human representation（东谈主体表征），以及如何从收集数据满意会东谈主类步履。我也尝试过接洽大模子作念步履意会，但这些大多在“数字宇宙”里完成。

但纯数字环境的问题在于吃力真实的交互感，也很难评估模子是否确实“意会了东谈主”。因为吃力可靠的 benchmark。

其后我去了斯坦福，加入机器东谈主团队，把这些对于“东谈主”的建模放到物理宇宙中考据。我逐步坚贞到：唯独当模子既能意会东谈主类步履，又能驱动一个实体在真实宇宙中与东谈主交互时，咱们才实在有契机判断它是否“作念对了”。

而机器东谈主就像一个自然的测试平台。你让它去活动、去互动，许多问题会坐窝暴披露来，推动议论从“看起来灵验”转向“实在可用”。

DeepTech：刘淼憨厚之前在 Meta GenAI 参与过 Llama 3/4 等大模子熟谙，那是隧谈的数字宇宙；但具身智能需要料理复杂的物理宇宙。除了疼爱，这种调节背后是什么原因？

刘淼：费曼有一句很闻明的话：“What I cannot create， I do not understand.”（我无法创造的东西，我就无法实在意会。）

但在今天这个期间，这句话其实不错被“反过来”看。一个模子即使能够生成文本、图像以致视频，也不料味着它实在意会了物理宇宙。

什么才算实在的意会？一个表率是：它能否在物理宇宙中活动，并意会活动带来的后果。包括物理限定、因果关系，以及“动作如何篡改环境”。这正是具身智能被隆重的原因：唯独干与真实宇宙、与环境交互，模子才可能变成访佛东谈主类的“宇宙模子”。

更进击的是，现实宇宙不单是由物体组成的，它更是一个“有东谈主存在的宇宙”。现时的大模子在“意会东谈主”上很有限。它们能识别动作、衣饰、年事，但很难意会情谊、意图，以及“心智表面”。

如若把这些模子告成放进真实环境与东谈主类互动，它们很难踏实责任。这个宇宙从来不是空的物理空间，而是充满东谈主的宇宙。忽略这少许，具身智能走不远。这亦然我在 Meta 时逐步坚贞到的局限，是以我归国后，但愿在这些方进取连接探索。

DeepTech：比较海量的第三视角数据，你所议论的第一视角数据的不可替代性在那处？

刘淼：第一视角最中枢的特有性是“具身性”（embodiment）：感知和动作精细耦合。感知驱动动作、动作篡改环境、环境反过来影响下一步的不雅测。这种闭环是第一视角自然具备的，也更合适东谈主类的感知和步履款式。

另外，经久间的第一视角视频还隐含了东谈主类的分解层级：它记载了你的意图（视野主动聚焦在那处）、探索旅途（如何寻找想法），以及到达想法后如何诈欺环境完成任务。

这对应了机器学习中的“探索与诈欺”的衡量（exploration vs. exploitation）。第一视角数据自然把两者接洽在了沿途，对机器东谈主学习格外有价值。

DeepTech：如若放在一个具体任务中，基于第一视角和第三视角的数据，机器东谈主推行发扬会有什么辞别？

刘淼：以厨房场景为例，比如洗菜或切菜。从第三视角看，你能大致判断这个东谈主在作念什么。是站在池塘边或案板前，知谈是洗菜或切菜。

但许多缺点细节是捕捉不到的：具体洗到哪个位置、哪只手持菜、哪只手滚水龙头，或者切菜时的角度、双手配合、切到哪一步。这些细粒度的动作信息，第三视角很难获取。

而第一视角能告成对皆“手—眼—动作”的关系，这对机器东谈主学习可施行的操作战术格外缺点。

DeepTech：冯瑶憨厚，从 DECA、PIXIE 这么的东谈主体重建责任，到讲话模子关系议论，再到近一两年的东谈主形机器东谈主扫尾，这条旅途其实跨度很大。你的议论念念路是若何的？

冯瑶：我一直想构建一个实在的“实体智能体”，它能够像东谈主一样存在和活动。

从这个想法往回看，第一步一定是意会“东谈主自己”。早期的责任，比如 DECA、PIXIE，关注的是如安在数字宇宙中重建东谈主，也即是学习一个灵验的 human representation，以及从大领域互联网数据中索取东谈主的步履模式。

但一个很当然的问题是：学到这些默示之后，下一步该作念什么？大致在 2022 年，大模子的出现让我很快坚贞到，这类模子在建模和推理才气上是一个格外缺点的冲破。于是咱们初始尝试把大模子和此前的东谈主体默示接洽起来，让模子不仅能“看到东谈主”，还能在语义层面意会东谈主类步履。

再往前走，就遭遇了一个很现实的问题：咱们很难判断模子是否确实意会了东谈主类。即使构建多样数据集和 benchmark，也很难遮蔽复杂、多变的真实步履。是以我其后去了斯坦福，干与机器东谈主地方，把模子放到真实的物理系统中，开云的世界杯中国登录网址让它和东谈主发生交互。

在这个经过中也发现，传统强化学习（RL）时时更关注任务告捷率或精度，但与东谈主交互时，妩媚性（compliance）、安全性等要素相同进击，这些在昔日的算法设计中是被低估的。因此，后续的责任也会更多关注这些维度。

DeepTech：如若用一句话界说，你们梦想中的 human-centric（以东谈主为中心）的具身基础模子是什么样的？

刘淼：我但愿这个模子能够通过意会宇宙中的“东谈主”，从而得到对宇宙更齐全的分解。

冯瑶：我会以为是通过意会东谈主、以及东谈主与东谈主之间的交互，让机器东谈主更像“东谈主”。

端到端如故模块化？以及具身智能的“罗网”

DeepTech：目下行业里存在端到端（end-to-end）和模块化（modular）的阶梯之争。两位瞎想中的具身基础模子，会更接近 VLA 这种端到端模子，如故会保留清爽的扫尾领域？

冯瑶：我以为“端到端 vs 模块化”某种进程上是个伪命题。缺点在于：在系统的哪一层引入可分解性，哪一层作念语义介入。比如叠一稔任务，机器东谈主不行只是“看到一稔就叠”，而是要先意会请示（“帮我把一稔叠一下”），找到一稔，施行。

更缺点的是，任务会动态变化。如若叠到一半，你说随即要穿，它就得中止并切换任务。这就要求系统能在中间层插入语义意会与决策。

另外，可分解性也很进击。如若机器东谈主递水失败了，要知谈是意图意会错了、抓取失败了，如故递交位置不合。这些都需要分层语义抒发。

是以咱们的念念路是：高层保留明确的语义结构和可分解性，底层扫尾（如抓取）给与更接近端到端的优化款式，兼顾成果。这有点像东谈主类神经系统。把“闲逸的社会分解”与“快速的本能扫尾”解耦，幸免用一个巨大收集同期料理极难和极通俗的问题。

刘淼：我觉顺应今之是以有“端到端 vs 模块化”的盘考，是因为目下任务还比较通俗。放到复杂场景（比如既要对话又要同期作念饭），很难用一个斡旋模子同期输出讲话和动作战术。

是以架构的选拔，本色上是由任务需求决定的。如若是高度结构化、重叠性的工业场景，比如“抓—取—放”，作念成端到端系统是有可能的；但在绽放环境中，尤其是波及东谈主机交互的复杂任务，就很难用单一架构遮蔽。换句话说，不太可能存在一个斡旋的框架适用于总计场景，系统结构会跟着任务复杂度和才气领域不断演化。

DeepTech：听起来你们的决策中有许多“语义插入”和动态决策的设计，你们认为完结它最大的艰苦在那处？

冯瑶：这条阶梯的难点在于它对“东谈主”的意会要求更高。比如语义插入不单是是意会一句话的上层含义，还波及对用户的经久建模：包括顾虑（memory）、步履模式，以及具体情境。

举个例子：用户说“这件一稔无须叠了”，系统需要意会原因。可能是这件一稔刚穿过，需要放去清洗；也可能是随即要穿，需要告成递给用户。这背后其实是一个复杂的决策经过，需要接洽历史信息、用户风气以及现时现象。因此，这不仅是一个感知或扫尾问题，更是一个对于“东谈主类建模”的问题，需要多模态信息会通和经久顾虑机制的相沿。

从时刻角度看，这一整套系统的复杂度是比较高的。 不仅是架构复杂，更是数据壁垒。工业操作数据不错靠东谈主工遥控在工场里大领域刷出来，但‘东谈主机真实交互的信任数据’是无法在实验室里靠遥控上演来的，它必须通过真实用户的经久平时使用才能当然滋长。

刘淼：从行业角度来说，昔日许多团队莫得优先作念这件事情，也有现实原因：是时刻老成度还不够，快乐彩2026世界杯(中国)IOS/安卓官方下载另一方面寰球大量认为“机器东谈主干与家庭”还比较远处，是以更倾向于先把基础才气，比如抓取和操作，作念好。

但当今咱们判断，这个期间点正在发生变化。诚然实在干与家庭可能还需要几年，但也曾不再是一个很远处的想法了。在这个阶段，如若仍然只关注“抓取成果”或“操作精度”，其实是不够的。因为一个机器东谈主如若不行意会东谈主，就很难安全、可靠地和东谈主共处。至少从用户角度来看，很难信任这么一个系统。

是以咱们更多是从“东谈主”的视角动身，把“意会东谈主”行动具身智能干与现实场景的一个前提条目，而不单是是把任务完成好。

冯瑶：像本年一些 AI agent 居品（比如不错操作电脑的系统），一初始用户其实是不太安逸把个东谈主信断交给它的。但跟着使用经过，你会先通过对话成立信任，说明它确实意会你的需求，然后才慢慢绽放更多权限。读取文献、料理邮件、以致帮你完成复杂任务。

这个经过本色上是“慢慢成立信任”。 我认为机器东谈主干与家庭亦然访佛的旅途：它需要先意会东谈主、得到信任，然后再逐步彭胀才气，而不是一初始就承担总计任务。用户也更倾向于不时使用吞并个系统，而不是时时更换。因为其中也曾成立了一种“关系”。

DeepTech：如若从更客不雅的时刻方针来看，两位认为猜测一个具身模子优劣的根蒂表率是什么？比如推理蔓延、操作告捷率，如故泛化才气？

刘淼：这是很缺点的问题。我最近一直在反念念：评测自己可能成为具身智能最大的“罗网”之一。

多模态大模子有相对老成的评测体系：自动化 benchmark（如 MMLU）加上东谈主工评测。但具身智能皆备不同。由于硬件形态不斡旋，实验平台差异，是以莫得公认的表率化 benchmark。常见的作念法是在真实机器东谈主上作念通俗任务（如 zero-shot 抓取），但资本极高、可复现性很差。

寰球常说数据最进击，但我越来越以为，评测体系的不完善自己，可能是一个很大的瓶颈，以致会误导时刻阶梯。

冯瑶：我格外甘愿这少许。是以当今许多议论者初始更主动地和工业界接洽，因为当一个系统实在干与用户场景之后，用户才是最佳的评测者。

不管机器东谈主是什么形态。是陪同型、顾问型，如故家庭助手；是轮式如故腿式，单臂如故双臂。这些都不是最中枢的。缺点在于：当它被用户推行使用时，用户的响应是什么，他们是否安逸不时使用。

从这个角度看，真实用户响应可能才是独一的黄金表率。而系统需要把柄这些响应不断诊疗自身，无论是模子才气如故机器东谈主形态。

DeepTech：有莫得一种可能是，当今真实响应还不够多，是以还无法变成斡旋表率？

刘淼：我以为不单是“数目不够”，而是“数据自己不合”。许多现存数据像“糖水”而不是“牛奶”。来自过于干净、通俗的环境（比如桌面抓取），与真实家庭环境差距很大。

如若模子在这种“假散布”上熟谙和评测，就会学到舛讹的模式，以致带偏时刻阶梯。本色上，模子是在拟合数据散布。如若散布自己偏离真实宇宙，再好的模子设计也会被带偏。

是以咱们更温雅的是如何得到“真实宇宙”的数据。如若机器东谈主能更好地意会东谈主，即使功能还不够全面，用户也更可能接受它、安逸使用它。这么咱们才能以更可彭胀（scalable）的款式获取高质料数据，而不是依赖“数据集聚工场”。

DeepTech：但现实问题是，第一视角和东谈主机交互数据的获取资本格外高，以致互联网里简直莫得现成数据。改日你们运筹帷幄若何构建一个低资本、可领域化的数据闭环？

冯瑶：这是一个很好的问题。我先说论断：互联网数据其实是不错用的，何况会是一个格外进击的数据起原。缺点在于“重建才气”。如若你能把视频中的东谈主体步履高精度重建出来，它本色上就不错调节为可学习的数据。包括姿态、动作、手部操作等 3D 步履信息。

这部分其实是我的一个经久议论地方，也和东谈主体重建、步履建模是告成关系的。中间会波及一些缺点时刻，比如东谈主体动作 prior、3D 重建优化等。

在这个基础上，咱们会作念两件事：第一，诈欺互联网视频数据行动最大领域的数据源；第二，在此基础上进行低资本的真实数据集聚，由咱们我方设计集聚环境和硬件系统，再通过算法保证高质料重建。

另外，合成数据（simulation）我认为是一个进击的“增强器”。它更像是一种数据 augmentation 的器具，而不是造谣生成数据的起原。比如，咱们不错把多个短视频片断进行组合，在物理拘谨下进行重建和补全，从而生成更长的步履序列。这一类门径不错匡助模子学习更万古序的步履结构。

刘淼：如若你上周问我，我可能会说我不太信任合成数据。但当今不一样了，比如 GPT-image2 才气也曾擢升很快，从肉眼来看，很厚情况下也曾很难永诀真实和合成数据。

是以这件事其实是动态演化的：当合成数据的质料和资本达到一个临界点，它就会当然干与熟谙体系。但更进击的少许不是“用无须合成数据”，而是“如何更合理地使用数据”。包括如何诈欺真实数据和合成数据之间的互补关系，这里其实还有许多莫得被充分探索的空间。

从学术到创业：为什么选拔家庭场景？

DeepTech：神话两位有有筹画从学术走向创业？你们是如何相识，并最终决定在具身智能这个方进取张开合营的？

冯瑶：其实我和刘淼很早就领略了，但之前一直以为咱们在作念不同地方的事情。我经久聚焦在东谈主自己。包括东谈主体表征、东谈主类步履意会以及机器东谈主扫尾；而刘憨厚更多是从多模态学习、以模子为中心（model-centric）的视角来鼓动关系问题。

直到前段期间咱们有了比较深刻的疏浚，才发现咱们在“具身智能大脑”这个问题上，其实有一个很一致的判断：如若要构建一个能够与东谈主经久共处的具身系统，它既需要坚强的多模态感知才气，也必须实在意会“东谈主”自己。这两件事情是不可偏废的。是以咱们会以为，这种接洽其实是比较当然的。何况从个东谈主层面来说，能找到一个在时刻上互补、同期也值得信任的合营伙伴，是一件挺郑重的事情。

另外一个很现实的原因是，前边也提到，这一类系统的迭代高度依赖真实宇宙的数据和用户响应。要作念到这少许，就必须有大领域的真实部署，而这在工程复杂度、资金、算力等方面的要求，也曾超出了一个学术实验室所能承担的范围。从这个角度看，走向创业其实是一个比较当然、以致不错说是“必经”的旅途。唯独干与真实用户场景，才能完成模子的闭环迭代。

刘淼：我和冯瑶也算是“相识于微时”。我那时去她导师 Michael Black 的团队考查过一段期间。

诚然那时候咱们的议论地方不皆备一样，但有一个共同的关注点。“东谈主”在系统中的变装。无论是从东谈主的视角去感知宇宙，如死去意会环境中的东谈主，本色上都是围绕“东谈主”张开的。那时其实莫得猜度，改日会沿途作念产业化。但当今回偏执来看，这种接洽是有一定内在逻辑的。其后冯憨厚归国，咱们才有契机更深刻地盘考这些问题，也逐步发现两边在时刻上是高度互补的。

通俗来说，她更多是在作念偏底层的 human behavior understanding，比如指点信号、动作层面的建模；我则更偏向分解层，比如 memory、intention、attention，以及多模态会通。这两部分恰恰不错变成一个比较齐全的闭环。

DeepTech：那从学术走向产业的经过中，你们有莫得遭遇一些落差或挑战？毕竟学术议论时时更偏梦想化。

刘淼：咱们其实都不算皆备“纯学术”的旅途。我之前在 Meta 责任过几年，对产业侧如故有一定了解的，也很了了“写论文”和“作念居品”之间的辞别。但我个东谈主的一个判断是：在某个阶段，照实需要沟通营业化，这是不可幸免的；但模子自己的迭代逻辑，仍然应该以议论为主导，而不是皆备由居品需求驱动。不然很容易出现地方性的偏差。

冯瑶：我其实也战斗过不少产业环境。早期我在 Horizon Robotics、CloudWalk Technology 实习，其后也在 Meta 有过资格。再往后，我还参与过我博士导师的创业公司，初始战斗一些更中枢的决策问题。那段资格对我影响挺大的。你会发现，一个团队里不仅有议论者，还有 3D 艺术家、前后端工程师、以及业务和销售团队。不同变装会带来皆备不同的视角，这些视角反过来会匡助咱们把议论实在落地。

我我方一直比较防御的少许是：无论是议论如故园品，最终都应该被东谈主使用。如若一个时刻只是停留在论文里，它的价值是有限的。从这个角度来说，我也比较庆幸。之前作念的一些开源样式，在社区里有比较多的使用和响应，这让我更鉴定了一个想法：时刻唯独干与真实宇宙，才会实在“长出来”。

DeepTech：回到阶梯选拔的问题。当今许多具身公司一初始会选拔工业场景，比如工场或仓库。但你们更强调家庭环境和东谈主机共融，为什么一初始就莫得选拔工业旅途？

冯瑶：本色的原因如故愿景不同。咱们更但愿作念的是干与家庭、干与平时糊口，让更多凡俗东谈主不错使用。另外，工业场景在某种进程上是“结构化的”，东谈主的参与较少，步履也更可展望。但咱们关注的恰正是东谈主自己，是以地方当然不同。

刘淼：对。我归国之后，其实也有许多工业落地的合营契机，但我以为这和咱们想作念的 human-centric AI 不是一件事。工业环境里，东谈主是弱存在的，步履模式也比较固定。但如若想法是让机器东谈主干与东谈主类糊口空间，那它必须先意会“东谈主”，不然我个东谈主是很难信任它和我共处在一个空间里的。是以这更多是一个价值选拔的问题，而不是单纯的时刻阶梯选拔。

DeepTech：从期间次序上看，两位以为具身智能目下处在什么阶段？距离梦想现象大约还有多久？

冯瑶：我以为不错分两条旅途来看。如若是传统“任务驱动”的阶梯，比如只作念抓取、叠一稔这种才气，那干与家庭可能还需要较经久间，因为用户接受“机器干与糊口空间”自己就需要一个经过。但如若是咱们这条“以意会东谈主为中枢”的阶梯，我认为干与家庭的期间会更短。可能在一到两年内，就不错先以“有限功能 + 成立信任”的形势干与家庭，然后慢慢迭代才气。

刘淼：我合座判断是访佛的。短期来看，一到两年内，照实会出现一些“低级可用”的家庭机器东谈主，它们可能也曾初始干与真实家庭，但功能仍然比较有限，以致有点“实验性”，可能会出现寰球说的“买且归吃灰”的情况。

是以如若沿着现时的时刻阶梯发展，想法是一个实在真谛上的“家庭智能体”。访佛不错经久陪同、意会需求、承担多任务的系统。我认为至少还需要五年以上。这个差距主要不在硬件，而在于对“东谈主”的意会才气，以及在复杂家庭环境中的经久学习才气。这亦然为什么我想探索一种新的具身模子范式。

运营/排版：何晨龙

注：封面/首图由 AI 援助生成快乐彩app2026世界杯中国官方下载