具身大脑走向 “大一统”。
文丨江思远
北京人形大模型负责人鞠笑竹说，他们过去一段时间的训练工作里，频繁出现 “Aha Moment”——这让他看到了具身迈向 AGI 终局的可能性，让北京人形坚定了一种 “快速迭代” 的 “体系化” 的技术攻坚打法。
这种底气既来自于对自身模型团队工作的自信，同样也源于对身处快速发展期的具身技术发展规律的认知——越是早期，团队能做的事情就越多；越是有分歧，敢押注非共识就越珍贵。
本期播客中的三位嘉宾都是从大语言模型领域转投具身大脑和世界模型研究的。
北京人形多模态大模型资深专家代勇说，如果把具身的智能发展阶段和 LLM 的技术历史对比，今天的具身既不是在 GPT-1 更不在 GPT-3.5，反而更像是 Bert。
当 Transformer 出现后，人们先探索的是 Bert。而 Bert 则像是一种专有模型的解决方案。代勇说，在 Bert 技术框架下，会有 “各种各样的任务”，随后在 “预训练模型” 的基础上根据各种不同的任务微调。因此每一个任务和场景都会有自己的微调模型。
因此，GPT 其实可以看作是一种智能的 “统一时刻”。它消灭了 Bert 时期五花八门的模型，让一个模型可以适应各种不同的任务。
今天具身和 Bert 时期很像，因为它也处在一种范式尚未收敛，处在一个 “模型结构、训练范式、数据都没有统一” 的技术时期。
“处在 Bert 时代的人不知道自己在 Bert 时代”，前华为 AI 首席专家、前小艺大模型技术负责人唐都钰说，研究员根据不同的场景训练不同的模型，堆更多的数据喂给模型，Bert 能力也会上涨。由于 Bert 是双向 Attention，“所以在早期 Bert 上做理解任务，效果可能就是会比 GPT 还要好”。
今天具身行业对大脑路线的不确定性和共识并存。
模型缺少评测标准的基础设施、场景落地高度依赖后训练、对 VLA 和世界模型的技术路线争论不休——就像 Bert 一样。
代勇却很乐观。在他看来，对于研究者来说，Bert 到 GPT 时期，无限的技术可能反而让人有更多开垦的欲望，“是大家最有激情、最愿意努力冲刺的峥嵘岁月”。
唐都钰说，技术上的不确定性会给创业团队带来更多机会。如果技术发展趋于统一，最后 “比的更多是算力资源、工程化和体系化”。在技术尚未收敛的时候，更需要做技术上的探索和创新。
他做出了自己的选择：从华为离职，正筹备创业，计划做 “主动式物理因果大模型”，做多模态感知与底层执行之间的主动认知规划层，形成可跨设备泛化的主动式物理模型。
北京人形多模态大一统模型负责人张怡对具身 GPT 时刻的答案是 “大一统”。
8 月 20 日，北京人形在世界机器人大会（WRC）正式发布了自己的 Pelican-Unify 大模型，成为全国首个统一表征具身世界模型，集成了视觉理解、动作操控、世界模型等多项能力。
张怡认为 VLA 不应该判死刑，世界模型在短期也无法真的复刻世界 ，二者可以在新的技术探索中融合。在探索中，各条技术可以独立迭代，逐步获得更多清晰的技术 know-how，从而实现技术的收敛。
相比之下，代勇将太理想化的世界模型称作——永动机。
如果实现真正意义上的 “世界模型”，那么完全依靠仿真就可以完成所有的训练，形成一个 “数据→模型→更多数据→更强模型” 的循环，其实是 “鸡生蛋、蛋生鸡” 的悖论，如同永动机一般地自我迭代，在当下的具身技术现状中是不现实。因为真的建设一个那样的世界模型，又需要庞大的数据积累和模型探索能力。
技术不相信童话，智能不会凭空发生，具身需要的是有人刨土、种树、施肥，找到更好的落地场景、探索更合适的技术架构、积累更高质量的数据，它才能迎来自己 GPT 时刻。
题图来源：北京人形机器人创新中心
