50万小时，全球第一：具身的关键数据握在这家中国公司手里

“AI原生100”是虎嗅科技组推出针对AI原生创新栏目，这是本系列的第「61」篇文章，点击这段文字或扫描二维码收听“虎嗅AI 100”完整播客内容。 一年前，同样的选择却让卢宗青在融资桌上被反复拷问。这位北京大学计算机学院长聘副教授、国家级青年人才，2025年创立了具身智能公司智在无界（BeingBeyond），做的也是纯模型。 在我们交流几周之后，美国当地时间7月28日，特朗普政府宣布，禁止进口中国新款机器人和电力逆变器。前一天，这家公司发布了隐式触觉世界动作模型Being-H0.8，人类视频数据达到50万小时，这个时长的第一人称人类数据做预训练，是目前全球具身模型中的头部。 这两个问题几乎贯穿了他2025年大部分的时间。彼时，银河通用这类软硬一体公司带着自研机器人排队冲向IPO，宇树科技三登春晚，最终以420亿元估值上市，但一家只卖"看不见"的模型的公司，很难在同一张估值表上找到位置。 “做了硬件（本体）之后，估值和纯做软件应该有云泥之别”，我问他。卢宗青没有否认这种落差，但他给出的答案，一个初创团队，既要做模型又要做本体，不是能同时解决的事。他要解决的，是具身智能最核心也最没被解决的问题，通用的具身基础模型。 当然，智在无界并非没有硬件。去年年底，这家公司发布了一款桌面级灵巧手机械臂——D1，据虎嗅独家获悉，其即将发布新一款同样形态的产品，面向科研、教育平台，做具身方面的预训练。 这个判断的起点，是一次失败的验证。2023年，卢宗青在北大牵头的多模态交互研究中心，试着让多模态模型在《荒野大镖客》等游戏里自主完成任务，结果发现连数字世界里的交互都做不好。2024年，团队转向真实机器人，做了Being-0这样的早期尝试，模型仍然远达不到预期。真正的问题浮出水面：要训练一个能驱动机器人和物理世界交互的模型，需要找到一条能让模型规模化的数据路线，但仿真数据和真机数据都太窄。 2023年底，卢宗青决定押注人类第一人称视频：那一年，几乎没有人做这件事，直到2025年下半年，无论北美还是国内，行业才开始集体转向，这件事才成了行业的共识。 智在无界的模型从2025年7月的H0（3000小时数据）迭代到2026年1月的H0.5（3.5万小时，支持跨本体控制30多种机器人），再到4月的H0.7（20万小时数据，采用latent world action model范式），端侧部署推理速度做到30赫兹，然后就是最新的H0.8，50万小时人类第一人称数据。 支撑这条迭代曲线的，是一套从数据管线、模型预训练、后训练、评测到端侧部署的全栈基础设施建设。这套体系能够推动规模化数据持续沉淀、模型能力持续进化，并让机器人不断走向开放、复杂的真实物理世界。 卢宗青说，Being-H0.8的发布，代表着一个重要节点，不仅是从视觉到触觉，从观察世界到理解交互的模型能力进化，更预示着一个同时具备视觉理解、触觉交互、动作生成、世界预测、跨本体泛化的具身基础模型即将诞生。 卢宗青说，中国和美国在具身智能上本质没有差距，因为双方都没有找到一条能快速训出具身基础模型的路线；数据路线基本定了，是人类视频，但怎么把这些数据变成一个真正通用的模型，谁都还没有答案。 虎嗅：看了你之前的学科背景和研究经历，这些学术研究是怎么塑造你看待具身智能这个行业的方式的？有没有跟现在大家的共识不太一样的地方？ 不管是在北大、在智源研究院做研究，还是现在，我们的目标非常明确，就是要解决具身智能最根本的问题。具身智能最本质的问题，就是通用具身基础模型，这也是制约我们至今没有看到具身智能大规模落地的 bottleneck，也是我们在公司要解决的最主要的问题。 卢宗青：那一年多，我们在做的是让多模态模型在游戏里自主玩游戏，玩过《荒野大镖客》，也玩过别的游戏，但很快发现，那个时间点的多模态模型，在数字世界的交互环境里也很难完成任务。做完这件事之后，我们意识到，一个真正能理解环境、跟环境交互的模型，需要在真实的物理环境里动起来。 2024年，我们转向了机器人，也做了Being-0这样的工作，想把多模态模型和机器人的具身能力结合起来。但同样发现，模型远远达不到我们最初设想。然后我们开始思考，要训练一个能驱动机器人和物理世界交互的模型，什么样的数据路线才最可能规模化？2023年底，我们决定靠大量人类视频驱动模型预训练——那时候没有人在做这件事，直到2025年下半年，不管是北美还是国内，大家才开始转向用更多人类视频数据训练模型。 卢宗青：其实不是。公司的融资大概是2025年初、春节之前定下来的。因为我在一级市场，能感知到2024年年底到2025年初、春节之前那段时间，一级市场对具身这一块，觉得已经在往下走了。是宇树在春晚表演之后，过完年，一级市场的信心才又提上来，才有后面你看到的那些融资新闻。在那个时间节点，大家觉得机器人就应该去干活，但它并没有在干活；资本市场也没想到，表演这件事也可以是一种商业化落地的形式。 卢宗青：站在2026年这个时间点看，纯做具身模型的公司的估值，其实也不比软硬一体的公司低太多。但这个问题会随着行业发展变化。 我先说我们为什么不做硬件。我们的目标很明确，就是要做具身的基础模型，这是最核心的问题。对一个初创团队来说，既要做模型又要做硬件，我觉得不是一家初创公司能同时解决的事。 卢宗青：软硬一体的优势很明显，因为同时卖软硬件，收入层面会比较大。但弊端也很明显：做硬件的人和做模型的人在同一个团队里，会更愿意去适配自己的本体，更容易依赖大规模的真机数据训练模型——这是不少公司在2025年选择技术路线时的一个主要原因。 但真机数据还有一个更大的问题：硬件没有收敛，硬件一旦迭代，之前采集的真机数据可能就用不上了。另外在团队层面，做软件的和做硬件的经常相互扯皮，硬件说软件不行，软件说硬件不行。 对我们来说，目标很明确，就是做模型，而且这个模型必须能适配不同的机器人本体、不同的末端执行器，要能跨本体泛化、跨场景泛化。这逼着我们的模型必须足够通用，才能真正商业化。 卢宗青：我不会说这些技术路线被淘汰了。2023年主要是仿真训练，Sim to real部署到真机；2024年开始有OpenVLA，用真机数据训练模型，这个方式延续到2025年上半年；2025年下半年开始，大家才意识到人类视频数据的重要性。但像宇树的运动控制这类工作，仍然是在仿真器里训练的，只是不同的训练阶段，用的数据不一样。 卢宗青：因为这类数据最容易scale。我们的数据量从几千小时，一路积累到现在的几十万小时。美团、蚂蚁、京东这些平台公司，也在通过众包方式收集第一人称视频数据，这部分数据量会快速增长。同样是打扫家务，每个家庭的环境配置都不一样，众包能采出足够多样的场景，这是真机和仿真环境很难做到的：真机只能在固定环境里采集固定任务的数据。 卢宗青：最大的壁垒，是把人类视频数据做成一个能卖出去的模型的整条pipeline，包括数据infra、模型训练infra，还有端侧算力部署的infra，以及适配各种真机的模块化工程infra。这些是我们过去两年多积累下来的经验。 我们现在积累了50万小时的人类视频数据，标注、数据管理、可视化和实时统计，几乎全部用自动化pipeline完成。这部分壁垒，其实是很难被感知到的。 卢宗青：技术难点有很多。首先，第一人称人类视频过去不是主流的数据路线，所以在数据标注层面就有很大的区别。我们现在大概50万小时的数据，大部分是我们自己标注的，有一个自动化 pipeline 去自动标注数据、对齐数据、做数据评测。你说它难吗？不难，最主要的是 know-how：什么样的数据、什么样的标注粒度，可以拿来训出有效的模型。 卢宗青：比如一个人做了一件事，是一段一分钟的视频。你标注的粒度可以是，“这一分钟这个人做了一件什么事”，也可以是每10秒标一次；他做这件事的时候有一些子任务，你能不能把子任务标出来？能不能把他做不同子任务的视频切出来——从第几秒到第几秒，他在做什么？ 不同的粒度都可以标，但模型训练的时候，到底什么样的粒度能让预训练模型更有效，是需要不断尝试和实验的。这就是数据层面的 know-how。 卢宗青：完全实现了 AI 化。而且刚才说的只是一部分，是文本层面的标注。我们的数据不一样的地方，是还有手部动作的标注，标的是你手的每个关节，在世界坐标系下的坐标是什么。有了这样的数据，才能训练我们的具身模型，因为它输出的是动作，不仅仅是对画面或视频的理解。 卢宗青：H0就是从零开始的概念，那个时间节点我们只用了3000小时数据去尝试训练模型。到 H0.5有两个本质提升：一是数据量级的变化，从千小时到3.5万小时；二是它在本体泛化性上非常好，可以跨本体部署，控制30多种不同的本体。我们认为跨本体泛化能力是一个比较大的 milestone，所以那一版定成了 H0.5。 H0.7也有两个比较大的变化：数据量从万小时到几十万小时，又是一个数量级的变化；另外，我们从基于 VLA 训练模型，换成了自己提出的隐式世界动作模型 latent world action model 这个全新的训练范式。有个巧合，Pi 的模型也叫0.7，但我们是在他们之前发的，大家不约而同。 我们发 H0.8，它最大的区别是在模型中加入了触觉——不是在后训练的时候通过触觉传感器采集真实物理信号，而是在预训练的时候就加入。我们在视频数据里会标注接触点，这些接触信息会融入模型的预训练。当然，后训练的传感器数据也是需要的。 卢宗青：这正是我们最大的优势之一。我们的训练范式对算力的消耗非常小，大概只有基于视频生成模型做world action model的百分之一。原因在学习范式上：视频生成模型训练时要预测每一个像素，前向传播、反向传播都要占用大量算力；而隐式世界动作模型只需要预测一个embedding或latent state，计算量小得多。搭配这个优势的是数据成本——50万小时数据的采集成本，比真机数据低得多，而且市面上第一人称视频的价格还在往下走。 卢宗青：模型最终要部署在机器人上，就不存在省 token 这件事，关键在于端侧芯片的 inference 速度有多快。很多动态场景的任务，比如我们视频里展示的接小球，你不仅要准确输出动作，端侧 GPU 的推理速度还得快。我们现在可以做到30赫兹，应该是全球世界模型里跑得最快的。准确地输出动作，加上快速的 inference，这两点才是最重要的。 端侧部署的 infra 上，我们能适配不一样的端侧芯片，另外，我们模型的结构不是 DiT，而是 Transformer 结构，推理速度比基于视频生成模型那一套 world action model 快非常多，应该是几十倍。 在当前语境下，世界模型更多是一个宽泛的概念。举个例子，在符号的世界里，语言模型就是一个世界模型：MIT 有论文说明，语言模型可以在文本的世界里预测接下来要发生什么，它的表现形式就是文本本身。 对具身来讲，世界模型就是一个具身的基础模型，能够驱动机器人干各种各样的事情。有了这两个之后，才有可能做出一个真正像人的大脑一样的模型：既具备语言能力，又能在物理世界中真的跟物理世界交互、完成各种任务。 第一，从 NLP 的发展看，一开始的 NLP 模型都是专用模型，机器翻译也好，其他语言相关的模型也好，在单个领域都做得不好，反而是 GPT-3.5用一个统一的大语言模型，统一解决了所有跟语言相关的问题。类比到具身也是同样的情况。 第二，在某个场景把它做穿了，又怎么样呢？做穿了，不意味着它就能做各种各样的事情。反而盯着一个场景做，会发现最终还是工程化为主，尤其是 B 端场景，要满足生产节拍，要算 ROI——这些不是靠模型容易解决的事情，而是靠工程化的方法真的做到交付。这不能让你的模型变得更好，只能说明你的工程能力更强。 我们的思路是：提升数据量，探索学习方法，提升模型的操作能力和通用能力，再根据模型能力选择适配的场景做商业化，而不是盯着某一个场景把它做穿。这是公司战略层面的选择。分拣就是个挺好的场景，物流公司也跟我们对接过，把这个场景做穿，价值也非常重要，但不意味着做穿之后就能实现通用基础模型，这个逻辑是不通的。 卢宗青：我们最近拜访的一些 B 端客户，有很多需求是我做公司之前没有想到的，我们会发现，产线上其实还留着很多人的劳动力。这些人的特点是，他干的不是一个单一的活，大部分留在产线上的人，不是只做一件事；只做一件事的，就是那种很难用自动化替代的工种。 卢宗青：商业化其实分两块， license 卖模型加后训练服务是一部分。另一部分，我们会探索一些高价值的场景。这件事绝对不是说要去替代一个人的劳动力、跟人的劳动力算 ROI，而是一个机器人加入之后，能提升一条产线的良率、生产效率，从这些角度去看待场景。 这些场景里，我们用到的可能是机械臂加末端执行器，而不是人形的双臂机器人，因为现在的人形机器人并不能很好地适应产线上的事情。对预训练来讲这没有区别，我们的预训练还是用大量人类视频；区别大的是后训练的数据。但对我们影响不大，因为大部分算力和数据都在预训练阶段。 我们做这些，更多是希望打造标杆性的场景，为后续模型 license 的商业化服务——基于我们的模型做出一些标志性的场景，这样会有更多系统集成商，把本体跟模型集成在一起去做对应的落地。 卢宗青：我觉得在很长的一个时间段内，会是产业的分工：数据是数据的公司，模型是模型的公司，本体是本体的公司，当然也不排除有一两家公司什么都干。在很长一段时间内，我们还是会定位成具身基础模型公司，在这个生态位上跟很多公司合作——本体公司、数据公司、软硬一体的公司，还包括芯片公司。世界人工智能大会期间，我们也会官宣跟这些公司的战略合作。技术突破之前，没有必要把所有环节都装进一家公司。 卢宗青：本质上没有差距。因为我们都没有探索到一条能快速训出具身基础模型的技术路线。数据的路线基本确定了，大规模人类数据这件事已经定下来了。没定下来的是，怎么通过一个学习范式，基于这些数据训出一个通用的具身基础模型，这个方法谁都没有。有的公司更多是基于语言模型的范式去训练VLA；有的公司说自己是原生的基础模型公司，但具体怎么训，大家也不知道。没有一个公认的方法说，沿着这条路径scale数据、scale参数量，就能训出类似GPT-3.5那样的模型。 卢宗青：真到了那一天，比如基于千万小时视频训出一个通用具身基础模型的时候，竞争对手会有同行，也会有大厂，这有点像现在语言模型的格局：字节、阿里在做，智谱、MiniMax、Kimi、DeepSeek这样的创业公司也在做。但大厂在语言模型上大量投入，是在GPT-3.5出现之后才开始的；在那之前，他们并没有大量投入。具身智能现在在字节内部还很边缘化，没有几个人在做。OpenAI也招了做机器人的人，但他们也在跟Anthropic死磕，不会大量投入。不是大厂在做的事创业公司不能做，而是等技术真正突破之后，大厂才会砸大钱进来。在那之前，我们有的是时间上的领先。 卢宗青：这个数据量，可能是训练出通用具身基础模型所需要的量，在这个数据量上，我们有可能训出具有涌现能力的通用具身基础模型。但这取决于用什么方法把这些数据转化成模型——这个方法，我们还没有掌握。我能保证的是，我们公司最终能收敛到一个正确的方法，但不能保证我当前的方法就是最终的方法。 卢宗青：从数据量上讲，可能不会。最终我们训练具身基础模型，最大的数据来源还是人类视频。这不是非此即彼——即使在现在这个时间节点，我们也会用真机数据，只不过用的数据量里，绝大多数是人类视频。因为要训练一个基础模型，你的数据 coverage 要够大、分布要够广，而不管是现在还是将来，数据量最大、分布最广的，就是人类的视频数据。 卢宗青：语言模型训出来，放到服务器上做推理，大家立刻能感受到。但具身模型必须部署在机器人上，真正帮人干活，大家才能感受到——这条链条要长得多。硬件和模型目前都没有收敛，我觉得这个时间点大概还需要三到五年。

本页 /?lishi/