起源：
：教员的亲信大患作者：
： 赖嘉文：
：

峰瑞本钱李丰：
：对具身智能三大新热点的思虑

作为当下备受关注的赛道，，热潮之下的具身智能，，正不休涌现新概念和新景象。。

4月23日，，在由投中主办的“第20届中国投资年会·年度峰会”上，，峰瑞本钱首创合资人李丰直言，，天生高维数据、、世界模型和物理模型，，是当前的三个投资热点新方向。。

在他看来，，这些新概念和新景象的出现，，本原在于短缺数据，，“具体来说，，是人类从来没有堆集过大量蕴含这些物理量和物理世界交互法规的数据，，我们从来没有大规模产生过这类数据。！

市场对天生高维数据、、世界模型和物理模型等方向的热捧，，性质上都是为相识决统一个问题——若何在没有这类数据的情况下，，依然能解决问题，，实现想要实现的各类机械人操作工作。。

以下为李丰现场演讲实录，，由投中网整顿：
：

首先祝贺投中20届年会顺利进行，，也极度感激投中的约请。。此刻作为投资人其实也不太容易，，由于市场上日月牙异的概念太多，，我们总得一向地更新知识、、持续学习。。今天我们有功夫跟各人互换，，分享的也只是我们自己的一些观察和设法。。由于最近又出现了极度多的新滋事物和新概念，，我从中挑了几个，，跟各人互换分享。。

这是目前比力新的三件事，，我从几个角度给各人梳理一下。。

第一，，从去年年底起头，，不论是美国还是中国，，都出现了无本体机械人的数据，，时髦的词汇叫UMI（Universal Manipulation Interface）数据。。UMI数据的天生，，带来的了局就是出现了一大堆新的机遇，，以及好多看似有远景的创业公司，，这些公司会提供各类各样的数据采集设备。。好比说你最近看到的，，有人在胸口挂个摄像头，，再加上或许有触觉、、或许没有触觉的设备——不论是遥操作、、手上戴的机械手，，还是直接用手实现各类作为，，都属于这类，，也就是天生高维数据。。

第二，，此刻更时髦的概念是世界模型。。此刻看险些所有的机械人公司，，不论是草创企业，，还是已经融了好多钱的公司，，城市提到这个词汇。。我们单一描述一来世界模型的情况：
：它试图通过引入新的三维数据——蕴含与物体接触并扭转其状态的交互数据——来构建一个新的模型，，看这个新模型能否更好地理解，，人类到底是若何与物体进行交互，，并且扭转物体状态的。。这就是世界模型，，目前国内外有极度多新兴公司和驰名企业都在涉足这个领域。。国外的发展已经如火如荼，，国内则算是刚刚起步，，此刻我们去看具身有关项目，，根基上各人城市讲世界模型的故事。。

世界模型里还有一个稍微出格的小分支叫物理模型。。它背后的根基逻辑是：
：既然机械人要与物理世界交互，，不如从物理世界过往的经验中借鉴。。这些过往的经验，，就是行业里原来所说的仿真，，或者叫物理仿真。。固然此刻听起来已经不那么时髦了，，但不要紧。。物理仿真自身，，就是我们对现实世界中存在的物理景象，，进行数学和物理层面的仿照、、综合与推算。。今天这个小分支，，就是把这些过往被称为仿真（不论是CAE还是CAD）的能力，，重新融入到模型傍边。。

道理其实很单一，，最终主张都是为了处置和理解人类若何与物理世界交互。。这和今天各人讲的大说话模型不一样，，大说话模型专一于处置数字信号有关的问题，，不论是数字化的文本信息、、数字化的像素，，还是视频信息；而此刻要解决的问题是，，桌上的杯子是什么情况、、杯子倒了会怎么样、、怎么把杯子拿起来、、怎么把杯子放到此外处所，，这些都属于世界模型要覆盖的内容，，蕴含世界模型里那个小小的分支。。

我们梳理这些内容，，是由于它们各自代表了分歧的方向，，我们也发现这样的归类很有意思。。第一类没什么争议，，天生高维数据重要是把新的数据采集步骤和新的数据处置步骤结合在了一路。。

第二类世界模型，，目前由原来偏推算机或者大模型、、做computer vision（推算机视觉）的人在主导——不论是把推算机视觉用在人脸鉴别上，，用在自动驾驶上，，还是用在发展出大说话模型架构上。。

第三类，，物理模型这个小分支里出现了好多做数学和物理的人。？Ｄ芄凰，，投资领域的曙光，，或者说早期投资的故事与泡沫，，终于从推算机系挪出了一部门阳光，，照到了数学、、物理这些领域里。。

这就是从前一个季度里，，机械智能领域最重要、、也最时髦的三件事。。

为什么会出现这三件事？？这背后是两大挑战。。一是今天的说话模型，，我们不从技术架构上会商，，只说主题问题——说话模型对物理世界进行预测和天生数据的能力已经不够用了。。不够用的一大阐发就是，，它无法预测物理世界中具体物品、、具体对象的状态的变动。。

还有一个挑战，，就是单一模型的局限。。就像大说话模型，，若是最终要做成单一模型，，既要能理解人类的意图，，又要能理解语义（也就是知晓这个器材是什么），，还要能预测和理解物理量的扭转，，好比把这个器材端起来、、把水倒出来、、把器材碰倒，，还要判断这个器材是重是轻、、是什么材质，，以及这种材质的摩擦力是高是低。。若是一个模型能像这样包揽所有事件，，既能理解意图、、鉴别对象，，还要预测这些物理量，，以及作为产生后物理量的变动，，那这个模型最终会比此刻大得多、、复杂得多。。

由于这是一个极度高维的工作。。原来的说话模型只必要处置数字化的信息和像素，，而此刻要预测这么多维度的内容，，如果还想用单一模型来处置，，以我们人类现有的设想力来看，，这会是一个超等无敌大的模型。。最后必要几多数据来训练它，，它会是多么复杂、、多么耗费算力、、多么耗费各类能源的事件，，今天我们还不得而知，，这是一个尚未有答案的问题。。

另一个可能的答案是多模型融合，，把各类各样的物理量转化为仿真有关的内容，，让它与某一个基座模型进行交互。。必要某类知识时，，就挪用这部门有关的能力；必要某种物理量时，，就挪用对应的模型。。若是是这样，，就会涉及到大量模型的交叉、、挪用与融合，，而这些模型之间若何实现交叉、、挪用和融合，，目前也没有答案。。

这就是在前面三件事的基础上，，已经出现的两个挑战（或者说一个主题挑战），，不论我们选择哪一条发展蹊径，，都绕不开这个挑战。。

这个挑战的起源其实也很明确，，各人看到的这些景象、、新创业公司和新范式方向，，它们的本原都是一样的——没罕见据。。具体来说，，是人类从来没有堆集过大量蕴含这些物理量和物理世界交互法规的数据，，我们从来没有大规模产生过这类数据。。所以不论是前面提到的第一、、二、、三类创业方向，，性质上都是为相识决统一个问题——若何在没有这类数据的情况下，，依然能解决问题，，实现想要实现的各类机械人操作工作。。

若是把具身智能的指标当作一个平面坐标系，，就是三个分歧的方向，，我把它们称之为三角约束：
：复杂性、、成功率、、泛化性。。

具体来说，，要么是要实现出格复杂的工作——这类工作对人类来说不愿定复杂，，但对机械人来说极度复杂，，这里说的不是活动有关的工作，，而是操作类工作，，也就是和手有关的工作；要么是设法子让一个模型既能用在A类机械人、、B类机械人、、C类机械人上，，还能适配分歧的利用场景。；褂幸焕啾匾芨叩某晒β，，好比有些场景是和尝试有关的，，有些是工业操作场景，，再好比和剪头发、、推拿有关的服务于人的场景，，显然没人但愿推拿时被摁断一根肋骨，，也不仅愿剪头发时被剪秃一块，，这就涉及到分歧场景下的成功率问题。。

我们梳理这些内容、、画出这个三角约束的原因，，是由于此刻各人看到的大部门demo（演示版本）都离现实利用有些差距。。这些demo，，都在致力证明，，这个三角形的面积能够同时变大，，能够向各个维度扩张——若是是空间坐标系，，就是体积变大，，在各个方向都实现扩张。。

不幸的是，，在我们目前能看到的有限领域内，，即便是demo层面，，大部门项目也只是在平面坐标系的三角形里，，致力把其中一个角或者一个半角稍微扩张一点。。我们还没有明确看到，，有哪种步骤能把这三个角同时向外拉很远，，从而让三角形的面积大幅增大。。这或许就是今天机械人操作领域的近况。。

急剧总结一下刚才讲的所有景象：
：在已经如火如荼的具身智能机械人创业方向上，，有这样三件新事，，这是我们分享的第一部门。。关于这三件新事的深刻会商还不多，，但相信很快，，各人会起头会商我们刚才提到的两个挑战。。今天我们讲的这些新模型，，将来到底会是什么样子？？是造成更大、、更复杂甚至超乎我们目前设想的单一模型，，还是会出现多个模型相互挪用，，但多模型若何融合，，仍未可知？？这就是挑战地点。。而这些挑战出现的本原，，就是今天没有足够的数据。。我说的“没有”，，是指没有解决这类问题所必要的、、蕴含物理世界交互和物理量的有关数据。。

此外，，今天各人看到的险些所有demo，，都在力争证明自己能把这个三角形拉大，，但大部门公司在demo层面（而非真正意思上的利用层面）能做到的，，只是把其中一个角稍微拉一拉，，或许再把另一个半角稍微拉一拉，，或许近况就是这样。。

讲完了所有这些景象，，投资最让人头疼的事件是，，除了提出问题，，还得致力寻找解决规划。。我们目前没有明确的解决规划，，只有一些以史为鉴的参考案例。。

这是汗青上出现过的同类景象，，我们先以各人最熟悉的大说话模型为例，，从2012年深度学习热潮起头，，算法的演进经历了一系列迭代，，固然从卷积神经网络(CNN)起头的这一串算法结构或算法逻辑的迭代，，跟今天的大说话模型并不是在统一条路线上。。

紧接着在2014年之后，，出现了天生匹敌网络(GAN)技术。。随着技术范式进一步演进，，后来才汇聚到了以Transformer为代表的大说话模型的算法逻辑，，这就是算法的迭代过程。。蕴含大模型在内的算法迭代从来不是线性的，，不是各人依照挨次一步一个台阶往上爬，，而是爬了两三步之后，，换一个角度再爬两三步，，再换一个角度持续爬。。

我们再说说大说话模型的数据起源，，今天我们能训练出的基座模型，，很大水平上依赖于近40年堆集的互联网文本数据。。各人使用电脑或许有30年，，使用手机或许有15年。。在这40年里，，我们使用这些智能设备的过程中，，产生了超等重大的文本公开数据库，，这些数据就是大说话模型得以训练、、并获得今天这样成就的数据起源。。

要补充的是，，这只是训练文本的部门。。刚才我们提到，，此刻要训练的具身模型，，必要涵盖更多维度——既有3D空间，，又有具体物体，，还蕴含物理量、、交互方式，，并但愿它具备预测能力，，这些事件已经远远超出了预测下一个“词”的领域，，比单纯的说话预测要复杂得多，，更何况我们此刻还没有起头像攒互联网文本数据那样大规６鸭泄氐氖。。

接下来，，我们看自动驾驶是怎么发展来的。。自动驾驶有点出格，，今天各人在网上经；峥吹秸，，分歧公司争论今天的自动驾驶到底要不要经过L3阶段？？是否能够不经过L3直接到L4？？为什么会有这样的争论？？蕴含特斯拉在内，，今天大部门自动驾驶技术，，目前都停顿在L3到L4之间，，临时还没有哪家公司能真正宣称自己已经超过了L4——这里说的是盛开路面，，不是港口、、矿区或者园区这类相对关闭的环境。。

但自动驾驶的发展，，也经历了从以规定为主，，到今天最时髦的端到端（和大说话模型的架构类似）的过程。。别的还有一件比力特殊的事：
：自动驾驶的算法迭代也不是线性的，，它也不是顺着一条路一步一步走出来的，，而是在几个分歧的方向上来回交叉推动的。。

再说说自动驾驶的数据起源，，这一点就更出格了。。自动驾驶的数据竟然重要靠它自己获取。。以特斯拉为例，，在去年以前，，绝大无数人买新能源车的时辰，，不论它是电架构的还是是混动的，，各人买的是车自身。。在去年或前年以前，，大部门人买车还不是为了自动驾驶，，而是为了省钱、、好开好用、、安静、、加快快。。而各人买车的时辰，，凑巧这辆车上搭载了所有的传感器，，由于它是一款消费品。。

打个譬喻各人就领略了，，各人用智能手机和电脑，，注定不是为了让市场上任何一家互联网巨头获取自己的图片、、文本和语音数据。。但由于智能手机和电脑是各人的消费品，，凑巧搭载了后置高清摄像头、、麦克风阵列、、GPS芯片，，所以各人在使用这些设备的过程中，，产生了无数的数据为互联网巨头所用，，而这些数据，，也成了今天各类模型必要的数据起源。。

自动驾驶的出格之处就在于，，它先把自己造成了一款受欢迎的消费品，，各人愿意采办。。各人买车的同时，，也把车上搭载的所有传感器买了回去，，这些传感器产生的数据，，又能拿回来援手自动驾驶技术进行大规模的迭代。。正由于这个原因，，各人会发现，，谁占有的数据越多，，谁的自动驾驶技术可能进取得就越快一点。。但这些数据不是它向各人采办的，，而是它卖给各人一款各人必要的消费品，，这款消费品上凑巧搭载了极度多的传感器，，这些传感器就把驾驶数据、、环境数据、、车内驾驶习惯、、路况情况等，，转化成了自动驾驶模型训练所需的数据。。这在汗青上是很少见的，，它是一个自己给自己堆集数据的领域，，不是由于它是自动驾驶技术，，而是由于它首先是一辆车。。在从前十年里，，各人买车不是为了买自动驾驶职能，，只是为了买一辆车，，而传感器是车上自带的。。

最后我们看AlphaFold（蛋白质结构预测）。。它的三个模型版本，，也经历了分歧的发展过程，，当然此刻它的算法结构，，也和我们今天会商的这些大模型有有关性，，或者说在某种意思上是端到端的。。在发展初期，，它必要借助大量已有的人类数据，，或者说必要参与一些物理模型。。什么是物理模型？？就是我们所说的热力学、、动力学。。所以在AlphaFold1和AlphaFold2阶段，，必要参与好多人类已经总结的先验知识，，也就是一些生物法规，，以及与化学、、物理有关的法规和算法。。

AlphaFold的数据，，起初在AlphaFold1阶段比力少，，由于它必要的是极度专业的数据，，由于它要解决的是一个极其具体的问题：
：蛋白质序列最终会若何折叠，，这条长链条不变下来之后是什么样子？？

它的数据发展也经历了这样一个过程，，一路头只有少量的蛋白质结构数据，，这时辰就必要参与较多的物理、、数学模型和先验知识；后来数据多了一点，，物理、、化学、、数学模型和先验知识就能够削减一点；数据再增多一些，，这些模型和知识就再削减一点。。当然，，这其中还涉及好多与尝试有关的工作。。

AlphaFold或许经历了一条分歧的发展蹊径，，它不是通过消费者堆集数据，，而是依附极端专业的科研数据，，但在其模型进化到今天的过程中，，很长一段功夫内，，钻研者都参与了人类的先验知识、、物理模型、、数学模型等，，来援手它在发展过程中解决问题。。之后，，随着新数据不休堆集，，加上大量尝试的验证和校对，，才发展到了今天的AlphaFold3，，今天它可能必要的物理与数学模型以及先验知识，，已经稍微少了一点。。不外它凑巧是一个预测确定的单一维度课题的模型，，重要主张就是解决蛋白质不变下来之后若何折叠，，它不必要像具身智能那样解决那么多维度的问题，，不必要解决状态变动、、对象变动、、相互作用以及各类物理量等复杂问题。。

刚上面讲到的大说话模型、、自动驾驶、、AlphaFold，，是我目前能想到的能够参考的三种事物的迭代过程。。

大说话模型用了全人类堆集近40年的数据，，加上非线性的算法迭代，，到今天才发展出可能处置说话有关的逻辑。。

自动驾驶从2015年投资最热的时辰起头，，用了十年功夫发展到今天的L3.5阶段，，当然期间也遇到了一些分歧的挑战。。它的算法迭代也不是线性的，，它的数据是靠自己获取的，，但原因不是它让各人帮手采集数据，，只是通过卖给各人一辆车，，车上凑巧搭载了这些传感器，，所以它自己为自己创制了数据。。

AlphaFold解决的是蛋白质结构和折叠这个专业问题，，它用了大量的专业数据，，解决了一个单一维度的问题，，同时算法也经历了几次分歧的迭代，，并且在中央很长一段功夫里，，借助了人类的先验知识、、物理模型、、数学模型等，，来援手它解决发展过程中的问题。。

这是三条分歧的发展路线，，各人能够凭据自己的情况，，各自选择参考答案。。

今天具身智能出现的这些挑战，，在十年以来，，最终要么是以这三个案例中的某一个为蓝本得到解决，，要么是融合这三个案例各自的优势，，形成交叉性的解决规划。。具体是哪一种，，这是一个盛开的问题，，我们只能提出问题，，无法给出确定的答案。。以上内容，，仅供各人参考或者思虑。。

极度感激投中的约请，，感激各人。。