北大卢宗青创办的智在无界已积累超过50万小时第一视角视频数据用于训练机器人基础模型。
文章作者、来源：雷峰网
逻辑其实不复杂。机器人本体采集的数据，天然有两个问题：量上不去，多样性不够。你在一个数采场里能 set up 多少种场景？Simulation 也一样，你得让工程师把环境一个个构建出来，多样性极差。训练一个通用的基础模型，最重要的数据属性是多样性。那当时就看——simulator、真机数据、人类视频，只有人类在日常生活里完成各种任务的第一视角视频，是三点同时满足的：多样性高、数据量大、容易 scale up。就那么几种数据，没得选。
AI科技评论：现在攒了多少数据？我们之前看到说是 20 万小时。
卢宗青：(智在无界在 7 月 28 日发布了最新的 Being-H0.8) 现在已经超过 50 万小时。这不是堆时长，每一个小时都是按多样性和质量标准筛出来的。重复数据对我们来讲没有意义。市场上存量数据能到 100 万小时的公司都很少，有人说 1000 万小时，那是目标，不是现有。
AI科技评论：很多本体公司讲"数据飞轮"，先把设备铺到用户家里，一边用一边采，用量产驱动数据积累。比如让用户戴着采集设备做家务。你觉得靠谱吗？
卢宗青： 这件事最大的优势方是平台公司，不是创业公司。
如果是一个创业公司去干，它会 overfit 自己的本体，数据仅仅耦合自己的构型，能积累多少？短时间之内不可能 scale up。我们希望看到的数据是足够通用、diverse 的，不仅仅针对某一种构型。这个事情，从头到尾做完，不是一个创业公司该去揽的活儿。
AI科技评论：所以你认为现在所谓的"数据飞轮"，对大部分初创公司来说是个伪命题？
卢宗青： 对于想走通用基础模型路线的公司来说，是的。如果你只是想 overfit 几个场景卖本体，那没问题。但如果你想通向AGI，仅靠自家本体的闭环数据，天花板是看得见的。
AI科技评论：你们 50 万小时和别人自建数采场采的数据，差距到底在哪里？
卢宗青：你要训练一个通用的基础模型，要见过各种各样的场景，操作各种各样的物品，完成各种各样的任务。建立一个数采场，能 set up 的场景有多少？
Build up 这 50 万小时，需要一个强大的数据基础设施——标注、筛选、数据对齐、评测、数据管理，这些都需要花时间，是有门槛、有壁垒的。而且外界可能感知不到，这也是我们的模型能够快速迭代——从 0.5、0.7 到现在推进 0.8——的最主要因素之一。智在无界已完成从数据管线、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。
什么是确定性技术？我们现在还不知道
AI科技评论：我们观察到，很多公司都是先采真机数据、做 SFT，快速做出一个场景能用的模型，然后拿去卖本体公司。一些量级很大的公司也在这么干。你怎么看这条路？
卢宗青：天花板太低。后训练这件事，大家的能力其实差不多。200 亿估值的公司和初创公司，单场景表现拉不开差距。真正的差距在预训练模型。好的预训练模型可以把下游真机数据需求降低一个数量级，可以快速适配不同场景，可以通向终极目标。Being-H0.5 可以适配双足人形、双臂、机械臂、夹爪、灵巧手，在一种构型上采集数据微调后，完全不同构型的机器人也能做出类似动作。这是预训练模型的价值，是后训练堆不出来的。
AI科技评论：说到本体，各家对灵巧手的看法差异很大。有人认为 Sharpa 做得好，但 5 万美元一只；有些产品便宜，能力又被诟病。你怎么看灵巧手这个市场现在的状态？
卢宗青：这是产品选择的问题。5 万美元的手，你只能卖给有钱的科研机构，一般高校怎么可能花 30 万买一只手？市场非常非常小。几千块的手，量是更大，但大家说的量产降本逻辑——比如激光雷达那条路——那是要有大量的真实需求拉动的。
大量的需求现在卡在哪里？卡在具身的模型侧。光有一只手，没有模型驱动，什么都干不了。在模型没有突破之前，靠量降本是不可能的。
AI科技评论：那你们自己怎么定位？做四足、人形，还是什么方向？
卢宗青：不做四足，专注操作类——人形机器人、机械臂、灵巧手。我们现在和地瓜机器人合作做端侧世界模型的部署，本体公司是我们的客户。
我在年初就判断，具身一定会形成产业链分工，不可能由一家公司把所有事情都做完。链条太长，技术没有收敛，模型没收敛，硬件也没收敛。专业的公司做专业的事，整个行业才能更快发展。
AI科技评论：我们注意到一个现象，现在很多机器人公司也在做研究，比如往顶会塞论文？
卢宗青： 用论文来吸引人才无可厚非。我们在RSS、ICML这些会议上都有大量的论文，但我们不会为了发论文而做研究。但核心工作不能都停留在 paper 上，模型在真机上跑很重要。
AI科技评论：你怎么定义自己在世界模型领域的生态位？
卢宗青： 我们应该是国内最早系统性推进隐空间世界动作模型路线的团队。但这个领域变化太快了，今天的"最早押注者"，明天可能就是落伍者。保持敬畏吧。
AI科技评论：你对行业整体节奏怎么判断？
卢宗青：两到三年，行业会看到真正商业化的落地。不是为了冲业绩收入、为了上市讲故事的那种，是能算 ROI、真的产生商业价值的场景。三到五年，能不能做出类似 GPT 3.5 阶段的具身基础模型，在不同形态、不同场景下完成各种任务，不需要大量场景适配。这个 milestone 才能带来真正的家庭机器人，商业价值比前一阶段大得多。
AI科技评论：5年目标，最关键的赛点在哪里？我们听很多人说数据、说算法，各说各的。你真实的判断是什么？
卢宗青：不能脱离数据说模型，也不能脱离模型说数据。GPT 之所以能堆出来，是因为先有了 Transformer，有了 Next Token Prediction。有了确定性的技术范式，堆数据才有意义。没有这两个，光堆那么多数据也没用。
具身智能是同样的逻辑。问题在于，我们现在连确定性技术是什么都不知道。我们现在说的这些，包括世界模型，可能都不是。所以未来三到五年，不只是积累数据，训练方法和算法本身也需要比较大的突破。
AI科技评论：你给模型命名 H0.7、H0.8，心里有一个 1.0 吗？
卢宗青：（笑）有。1.0 代表的是一个真正完善、通用的具身基础模型。这是一个探索性的过程，路还没走完。但是 Being-H0.8 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。我们正在迈向全新的1.0时代。接下来，智在无界将以前所未有的训练范式，加速通用具身基础模型的到来。