<mark id="oztn4"></mark>
0
范浩強是個很幽默的人。我們問他下一個十年，具身智能要解決的問題是什么，他說可能機器人覺醒把人類滅了，就沒有下一個十年了。
這當然是一個玩笑，探討行業(yè)的發(fā)展，難免要做一些科幻性的想象。在他看來，AI 應該是一生的事業(yè)。畢竟他高一就拿到了國際信息奧賽金牌，高二起就是一個真正的 AI 研究員了。
原力靈機的名字很陌生，但來頭可不小，因為這是從曠視出來的具身智能公司。它的創(chuàng)始人便是曠視的聯(lián)合創(chuàng)始人以及最早期的幾名員工。成立不久，兩輪融資金額就已經近10億元了。
我們對于原力靈機的好奇主要集中在幾點：他們是想做模型還是想做本體？他們有什么樣的商業(yè)模式？作為曠視出身的新公司，他們有什么樣的優(yōu)勢？在目前的競爭中應該如何突出重圍？
作為一個在曠視就跟無數(shù)客戶打過交道的人，范浩強對于具身智能的理解也帶著很強的“曠視”風味。
從創(chuàng)業(yè)的第1天開始，范浩強就真切感受到了客戶對具身智能的強烈需求。但令他感到遺憾的是，很多需求是現(xiàn)在滿足不了的。機器人的能力現(xiàn)在還極其有限，而生產線的精度需求和效率需求又高得不可思議。
以前曠視能把人臉識別做到11個9的百分數(shù)，現(xiàn)在呢，機器人一次最簡單的抓取，可能成功率還不到一半。
在整個聊天中，我們對原力靈機最大的感受就是這個公司不講資本故事，不談 AI 噱頭。范浩強跟我們談 DFOL（原力靈機具身原生量產工作流），說具身智能的第一步落地，應該從何處著手？它的原生應用應該從何處發(fā)現(xiàn)？實用場景，怎么樣從百里挑一，進展到百里挑十，最終走到無限泛化。
范浩強在原力靈機技術發(fā)布日上介紹 DFOL
通用機器人當然是我們所要尋求的終極目標，但是怎么走到通用呢？當技術就是達不到完美的狀態(tài)，那我們應該怎么辦呢？不夠通用的具身智能會不會因為達不到大家的期待，而飽受質疑，成為明日黃花呢？
范浩強給了一個他們的答案：
歷史上絕大部分技術的發(fā)展規(guī)律就是剛好夠用，可能哪里看著都不太合理，但就是能用，最后就會被推廣開來。
能用，即為合理。對于 general，做過工程的人都知道，期待不要放太高才好。
這篇訪談能夠告訴你，找到真實場景、解決真實問題的具身智能公司是怎么做的。你能讀懂一個創(chuàng)業(yè)者的困惑和努力，更能聽到他關于模型本體應用和商業(yè)最真實的思考。以下是不改變原意的整理：
01要做就做到 SOTA，這是對自我的定位和自信
AI 科技評論：我第一次聽說你，是有人跟我說，他剛進曠視的時候，旁邊坐著一個天才少年，還是個高中生，把他嚇死了，一問這個人，名字叫范浩強。
范浩強：對，我12年就加入曠視了，是曠視六號員工。當時唐文斌是我的信息奧賽教練，他就問我，我這有個事兒能保送，還能發(fā)工資，我問他，那是做什么的啊？靠譜嗎？他跟我說，做人臉識別啊。我當時還在讀高中，啥也不知道就進去了。
范浩強在曠視時的照片
AI 科技評論：你什么時候開始想做機器人的？
范浩強：確切地說，那應該是16年，那時候我大四，去拜訪了一個斯坦福實驗室兩個月。那個實驗室里面有誰呢？有蘇昊、盧策吾、王鶴、弋力、邵林。
蘇昊是大師兄，那時候帶著我們做 3D 生成。我問蘇昊，你為什么要做 3D？蘇昊就跟我說，做了 3D 生成就可以做 3D 判別，然后就可以做機器人仿真，最后咱們就可以在十年后干機器人啦。
AI 科技評論：果然到了十年之后，你們都在干機器人啦！談談原力靈機是怎么成立的吧？
范浩強：我當時就想，把 AI 放在機器人上，就是一個最大的挑戰(zhàn)故事。
但那時候缺一味關鍵的佐料，就是 AI。雖然大模型出來了，但具體怎么和機器人結合在一起？不知道。還好24年從美國出來幾個重要的工作，比如 Action Transformer、Diffusion Policy，最后還有個集大成之作就是 Pi，就一下子把路線劃清楚了，告訴大家 Transformer 這項技術是怎么往矩陣上用的，勾勒出一個后面的 roadmap。當時覺得條件都成熟了，要去組建團隊了。
我第一個想的是得找個 CEO，剛好唐文斌當時還是個“自由人”，我就找他來干這個 CEO。他看到這些技術進展，半夜2點給我發(fā)了條微信消息：this is once in a lifetime 的機會去做 general robotics。我回他，你怎么比我還激動呢？
然后我們又找到了硬件合伙人周而進、汪天才，加上唐文斌可以做客戶場景，我可以做 AI，就成了一個全國少有的集三方面于一體的團隊了。
AI 科技評論：公司正式成立那是什么時間？
范浩強：差不多25年3月份，第一輪融資搞定，后面公司主體成立。
AI 科技評論：進入具身智能行業(yè)這一年，你的感覺如何？
范浩強：我感覺后面事態(tài)的發(fā)展速度完全不受控了，因為整個行業(yè)發(fā)展得一日千里。我們以前寫 paper 經常說 traditional method 是什么，現(xiàn)在具身兩個月前的就叫經典方法了，變化得特別快。
25年，公司剛攢出來的時候，其實有點兩眼一抹黑，不是不知道做什么，而是想法太多了，有想搞 humanoid 的，分離式采集的概念也很火，觸覺也很火，太多的可能性和概念飄在眼前了。
我們也是經過25年這完整的一年才看清，模型還是這里的主軸。模型的水平決定了哪些場景能用，哪些場景能用又決定了最終硬件該長什么樣，再反過來決定這個數(shù)據(jù)該怎么做。模型的能力本身是整個事情發(fā)展的自變量。把這個事情看清楚之后，那核心是把模型做好，用最好的算法、最優(yōu)的數(shù)據(jù)、頂尖的工程來實現(xiàn)。那剩下公司該做什么？自然就一路展開了，這是我在創(chuàng)業(yè)過程中逐漸找到主軸和主線的過程。
AI 科技評論：做最好的模型，本身就非常難。
范浩強：這個的確是，但我們團隊里很多人都有種傲氣，當年搞視覺的時候就沒當過第二，大家很難想象一個事努力了一段時間，把該搞的搞清楚之后，最終測出來的分數(shù)或者效果不是 SOTA？！我們是覺得研發(fā)有科學性在里面的，搞清楚了就該有好成績，這也是一種對自我的定位和自信吧。
AI 科技評論：模型是我們現(xiàn)在手上最大的牌？
范浩強：我們有兩個開源的東西。一個是訓練的 codebase，叫做 Dexbotic，內部俗稱 DB。第二個是我們搭建了一個測評框架，叫 RoboChallenge，內部叫 RC。
這些東西在技術上都是不好做的，都很硬。并且做完之后還開源，展示每行 code，也算是展示我們整個團隊的戰(zhàn)斗力和技術水平。不少公司都做了 Codebase 開源，但很多都是 “README 式開源”，就一個 README 文件，里面是空的。
開源后就引發(fā)了一系列的熱度，RoboChallenge 現(xiàn)在有五六家都申請做測試了。截止到目前，我們手里有兩張牌，一張是基建能力，第二張牌是模型，這是整個團隊的實力展示，也是跟大家同步我們想要去努力的方向。
Hugging Face 聯(lián)合創(chuàng)始人 Thomas Wolf（左 3）與 Dexmal 原力靈機聯(lián)合創(chuàng)始人范浩強（右 2）在 IROS 2025 現(xiàn)場交流 RoboChallenge
AI 科技評論：模型這方面強手如云，你不擔心嗎？
范浩強：最強的人還在搞 LLM 呢。
02真實場景的真實問題，可能是最難的挑戰(zhàn)
AI 科技評論：除了模型，我們還做本體嗎？
范浩強：對，我覺得這個還是很清晰的，機器本體我們也一定得自己做。
AI 科技評論：這跟我們的商業(yè)模式相關？
范浩強：我們之前賣軟件都賣了十幾年了，很清楚一件事，那就是要順著市場對公司的期望去做，絕大部分的用戶或者客戶還是想要個 total solution，在中國也不太會有一個大廠自己通過收購做垂直整合的這種商業(yè)習慣。
所以我們覺得最終還是要端到端的給客戶創(chuàng)造價值，基本上每一環(huán)自己能控制得住，那么整個東西的品質和可服務性才是最好的。雖然可能之前很多人都沒碰過電機這些硬件的東西，那也得從頭去做，爭取跟上這個課題的要求吧。
AI 科技評論：又做模型又做硬件，聽起來難度更高。
范浩強：我之前就說過我們很多人都在手搓機器人，現(xiàn)在我們公司里還躺著很多手搓機器人呢，大家都認為讓搞算法的同學自己先搭一遍機器人，才知道這里面將來會出現(xiàn)多少問題，這樣后面做算法的時候才能在腦子里想著這些問題做。
AI 科技評論：這不是折磨算法工程師嗎？
范浩強：干得好的話，就特別開心。
AI 科技評論：你不會也手搓了一個吧？
范浩強：全公司應該就我手搓的最多，最早我自己在家搓了一個在家疊被子的機器人，大概是2000塊還是3000塊的成本，全是淘寶買的零件手搓出來的。
不是機械臂，就一根棍，能提升，有個夾子，接下來都得靠你的智慧，用一個小夾子怎么就擺來擺去把被子給疊起來了？里面全是設計。
AI 科技評論：手搓機器人讓你對做算法有什么新的感悟？
范浩強：我當時就感覺到，硬件很多都關乎于取舍，20萬也能造，2千塊也能造，最終決定東西好不好用還是取決于里面的算法，就是動的路線，理解到這一點就覺得還有機會，只要把算法做好了，一切美好都能到眼前。
AI 科技評論：在設計這一整個從軟件到硬件的閉環(huán)的時候，當時想的是要做哪些場景呢？
范浩強：當時想的還挺簡單的，因為曠視當年有500多個優(yōu)質客戶，好多公司都有類似技術改造這種偏前瞻的部門，每年都會有人來問我們，新的科技你們公司有沒有？以前人臉識別就是 AI 了，后面大模型算是 AI，現(xiàn)在機器人才是 AI。
所以我們從第一天開始就感受到了客戶強烈的訴求，但比較遺憾的是，我們現(xiàn)在滿足不了。哪怕是最簡單的分揀，一個倉庫里有幾萬個 SKU，直到今天那些算法都搞不定。客戶每年都會讓我們匯報一次現(xiàn)在 AI 的進展怎么樣啦，能不能起個項目把這東西上線。所以我們對應用場景沒那么擔心，AI 化改造我們已經做了很久，很清楚這個事情該怎么做。
AI 科技評論：那接下來最大的挑戰(zhàn)是什么？
范浩強：真實場景的真實問題，可能是最難的挑戰(zhàn)。之前 AI 1.0 整個過程中，我們看得很清楚，所有公司在有真實收入之前，都在講自己有多好，一旦產品真賣出去了，就不是自己講了，而是客戶講你這個東西到底能不能用。
這是非常客觀、毫無造假可能的指標，也是讓整個行業(yè)的氣氛從浮躁慢慢沉淀下來的關鍵。
現(xiàn)在都夸自己的模型多有 insight，但說實話這是不可證偽的，測評的指標太多了，總能挑個好的，所以真實客戶的真實使用是唯一的指標。有一回交流的時候有人說機器人該測什么指標？回答成功率、穩(wěn)定性一大堆，但我認為一個指標最關鍵，一臺機器人多久能自己把錢掙回來，就這一個指標，其它都 don' t care。
AI 科技評論：那現(xiàn)在能完成這個指標嗎？
范浩強：我們一邊在做模型，一邊陸陸續(xù)續(xù)做一些應用，我就發(fā)現(xiàn)了一個神奇的現(xiàn)象：最難測試的任務，不是說現(xiàn)在的 table30（30個標準化桌面操作任務的數(shù)據(jù)集）里 0% 的任務，而是——我們專門有個小 collection，叫做客戶場景里面的最簡單問題集，從每個客戶那兒挑了個最簡單的問題，這里面最簡單的問題比我們測的最難的問題還要難。
之前計算機行業(yè)經常有句玩笑話叫：最難的測試叫正常用戶正常使用，你做再多回歸測試，一到真實場景完全頂不住。機器人也是一樣的，基本上每一個有價值的任務，整個環(huán)節(jié)中可能剛好有一小個環(huán)節(jié)，無論是對機器人的精度還是智力，真考驗到我們了。
所以下一步的突破一定要去挑戰(zhàn)更真實、更硬核的事情，大家都有點客戶和落地之后，整個行業(yè)的格局才會更清晰。
AI 科技評論：你現(xiàn)在遇到的客戶場景里面的最簡單問題是什么樣的？
范浩強：有幾個收集的 sample，其中有一個讓我印象很深，可以理解為機器人要把兩個扣在一起的東西翻個面。
AI 科技評論：為什么會有這種需求？
范浩強：人家的工藝里就要求這個，這就叫真實問題，you don' t ask why。人家干了10年，說必須要這么翻，你得信他，OK？
AI 科技評論：OK。
范浩強：我們就發(fā)現(xiàn)機器人做這事就爆難無比，根本夾不起來。所以最后我們拍 Demo 的時候，其實還專門設計了一整套機器人的動作流程：先夾到這里，再從這里鏟進去，再搬到另一個位置，然后再進行下一步。機械上這套動作是能實現(xiàn)的，但問題在于動作太復雜，模型根本學不出來。
所以這就是真實問題，都是一環(huán)扣一環(huán)的，真要去落地，就會發(fā)現(xiàn)這是塊硬骨頭，你啃了它一口，發(fā)現(xiàn)里面怎么還一層？只有最后真的吃到里面的芯了，并且給它吃下去了，可能才知道原來我為了把這東西做落地，要解決這么多問題才行。在最終落地之前，你只能不斷發(fā)現(xiàn)，原來這還有個問題是之前沒意識到的。
AI 科技評論：那豈不是要干上十年才能落地？
范浩強：不是說難度高就代表它就解決不了，難就得動腦子，不光模型是基礎，產品設計、業(yè)務和客戶的配合，都得把巧思放進去，最后這東西才能做好。
我覺得很好的是現(xiàn)在陸陸續(xù)續(xù)有同行逐漸出來真的落地項目了，很可能客戶給了100個需求，真能找到一個需求恰好天時地利人和，剛好所有的問題，都能有個 solution 繞過去，然后把機器人布進去用了。
這只是第一步。原本只有百里挑一的優(yōu)質任務才能完成，未來模型能更強，能擴展到百里挑十，最終實現(xiàn)來一個任務就能完成一個任務的目標。
AI 科技評論：最近還看到一些機器人被工廠趕出來的消息，你怎么看這些新聞？
范浩強：很正常，做 POC 到上業(yè)務之間隔著一條鴻溝，這一點我們在做非標視覺智能化的時候就有非常深刻的體會了，客戶通常會歡迎我們來做 POC，但只要你這東西做錯了，影響到了他的主線業(yè)務，那他在上線之前要把你折磨死。
AI 科技評論：你們很有這種被深深折磨過的經驗。
范浩強：最終都會用來驅動定義技術，比如當年做的 face recognition，可能行外人不知道，就最終的誤識率指標，做到了11個9，就是99點后面再跟9個9。所以你平常用這些人臉識別，幾乎沒感覺他錯過，這就是被逼出來的算法。
機器人如果24小時連著干一年，如果論多少幀算錯，那可多了，因為這是一個實時的視頻處理過程。如果在生產環(huán)境下一秒鐘弄錯了，造成的災難是無法挽回的。所以機器人算法也一定會經歷一個過程才能真正落地。
具身就相當于另一種自動駕駛，自動駕駛需要去解決的感知過程中的決策也沒什么秘密，就搞1億公里的數(shù)據(jù)，然后去做最扎實的模型訓練，最后模型就會給可靠性的回報。機器人也一樣，只不過跟車比，機器本體要小一點，做的任務會更多一點。
AI 科技評論：具身的任務可能是無窮多的，比自動駕駛難多了吧？
范浩強：我個人的觀點，我覺得這波具身革命也不會解決掉機器人所有的問題，因為10年前大家吹 AI 的時候已經把所有的好故事講過一遍了，最后具體的落地方向，其實也就那幾個。
現(xiàn)在 LLM 的落地方向也是一樣，coding 算一個，聊天算一個，其實也是有限集。所以我們覺得，AI 一定是個更長期的 lifetime 的工作。這波浪潮里面我們可以把機器人 push 到比原來的效果好一大截，可能這就是這十年的版本答案了。
AI 科技評論：下一個十年呢？
范浩強：也可能沒下個十年，是吧？機器人覺醒了把人類給滅了，也不用考慮了。
AI 科技評論：希望不要面臨這樣的情況。
范浩強：我覺得最后技術一定會發(fā)展到一個雖然不完美，但剛剛好有用的狀態(tài)。歷史上絕大部分技術的發(fā)展規(guī)律就是剛好夠用，可能哪里看著都不太合理，但就是能用，最后就會被推廣開來。
03根據(jù)機器人的屬性，去尋找合適的應用場景
AI 科技評論：我看到原力靈機最近在做的DFOL，是世界上首個具身智能應用量產工作流。能解釋一下具身智能應用是什么意思嗎？
范浩強：比如像工業(yè)六軸它也是個應用，但你肯定不想叫它具身，對吧？
AI 科技評論：只是一種自動化硬件設備。
范浩強：對，我覺得具身智能應用其實是一整套的體系，比如現(xiàn)在大家做的具身硬件，一般都會做成個準人形的樣子，它有一定的通用性。同時，你會期望它的動作會是比較靈巧的、比較復雜的，而不是像 XYZ 一樣，定點拿、定點放。
具身硬件，搭配比較好的傳感器，搭配一個比較大的模型，就形成了一個跟原來的工業(yè)自動化很不一樣的一個體系。大家建立這個體系的初衷是覺得這東西最終能完全通用，但現(xiàn)在走在通了一半的路上，還沒到最完美的狀態(tài)的情況下，它擅長去干什么？
這個時候我覺得就要找出具身原生應用，比如說為什么 LLM 去寫 code 的？
AI 科技評論：因為LLM還挺適合訓練它的coding能力的。
范浩強：所以你可以理解為 code 是個 LLM 原生應用。具身機器人也是一樣的，不是隨便丟個什么問題它都能解決，或者它都能擅長，也得根據(jù)它的屬性去找，什么樣的應用場景里是適合干的。
AI 科技評論：那會不會每一個模型的原生應用不一樣？
范浩強：有可能，現(xiàn)在大模型也在講，這家適合做 agent，那家適合 code 的，大家存在口碑上的差距。但現(xiàn)在具身模型還沒分化到這么細，所以我們就是有更多的 contrast，比如原來我做的視覺引導的機械臂，現(xiàn)在我想隨著 VLA 這個具身體系去做（升級）。那首先就得講清楚，VLA 比之前的方法好在哪，憑什么用新方法。
好就好在柔性輸入上。原來做的一個零件分解的工件，就必須嚴格長成這樣，只要變一點點，一切就推倒重新做一遍。現(xiàn)在 VLA 有泛化性，哪怕分解的東西從可口可樂換成百事可樂了，模型能泛化了，就不需要再重新布置一次了，這就是客戶想要的特性。
另外，工廠原來搭一套快速換線的非標機臺，可能從開始接單到最后上線需要5個月。現(xiàn)在的客戶都想能不能5天之后開始生產交付？肯定是不可能的呀。這些任務就是給具身準備的，換成其它方案都會遇到很多致命問題。
具身雖然也會帶來很多問題，比如使用具身工業(yè)臂的時候外面都得圍兩米的圍欄不許人員進入，但只要具身智能解決了以前完全沒有思路的問題，行業(yè)還是會去解決具身帶來的問題。所以具身原生應用就是把具身的價值給發(fā)揮出來的應用。
AI 科技評論：我們現(xiàn)在是處于正在找它的原生應用的這個階段，還是說已經找到了？
范浩強：我們現(xiàn)在的確有些客戶 case 了，但是這些 case 我們不想到處講，怕講完之后友商來了。因為這個東西是真掙錢的家伙，就不開源了（笑）。
AI 科技評論：你尋找 DFOL 的這個過程中，最困難的是什么呀？
范浩強：我覺得第一大難點真的是找場景、找客戶。
AI 科技評論：你自己去跑的客戶嗎？
范浩強：我和文斌一起的，我們倆之前就一起跑過很多客戶，前段時間也密集地去跑了各種工廠，跑完之后回來想，到底這個機會在哪里。
另外，我覺得得真去理解這些模型它擅長什么。有些你以為非常難的動作，其實模型一下就學會了。有些你覺得非常簡單的動作，訓半天就是搞不出來，到最后其實是人學會了，所以模型的動作設計非常重要。
AI 科技評論：講講你們的動作設計的case。
范浩強：比如讓機器人去疊衣服，衣服從上面捏就不如從側邊捏成功率高。要把這些東西都給搞明白，我覺得需要一批專業(yè)人才，那些很有天賦的采集員，他們可能都是未來的種子。
AI 科技評論：他們就是把人類動作翻譯成機器人動作的翻譯官。
范浩強：是的，他要把自己帶入到機器人視角去想什么樣的動作是好做好學的，他不能把自己再當成人了，他得把自己當成機器人去思考和理解這個問題。最終還是得有一批人專注在 DFOL 領域。
好多行業(yè)里有個概念叫 FAE，field application engineering 現(xiàn)場應用工程。說實話大多數(shù)的定制版軟件全是靠 FAE 撐起來的。
在具身初級階段的時候，DFOL 是非常重要的一環(huán)，整個系統(tǒng)就得為它設計。所以去畫框圖的時候，不是說像別人一樣，畫個簡單的大腦指揮，小腦指揮，機器人就干了，而是要畫成帶反饋的環(huán)路。最后任務執(zhí)行沒成功的時候，去服務的機器人的反饋數(shù)據(jù)也得傳回來，這樣機器人才能達到客戶最終的要求。
AI 科技評論：所以你這個數(shù)據(jù)是他們當場就是 action 之后，然后反饋回來，形成一個閉環(huán)。
范浩強：這也是 Pi 0.6 工作里面提到的一個核心算法，叫 RECAP，現(xiàn)在還有很多別的叫法，比如叫 DAG，像上海智元又叫 SOP。
其實原理都是一樣的，比如機器人快做錯了，人趕緊給它矯正一下，然后把矯正的信號給記錄下來，讓網絡再去學習它，它很聰明的，基本上掰它幾回，就不往那去了，這就是我說的神經網絡令人感動的地方，它還挺聽話的。
AI 科技評論：那就是這種數(shù)據(jù)回來之后，我們還要重新去 post train 一下這個模型。
范浩強：當然了，相當于在產能爬坡的這個階段里，其實是兩個并行的，這邊一直在采，那邊也一直在訓。直到我監(jiān)測的時候發(fā)現(xiàn)，平均無干預時間已經到達一個指標了。那我就把更新斷掉，后面它就變成被動收集模式了，模型就不動了。但是如果它今天出 badcase，數(shù)據(jù)依然還會再傳回來，給以后的模型去做參考。
AI 科技評論：那就是現(xiàn)在我們有出貨一些本體機器了？
范浩強：我們公司25年3月份成立，有些項目款的產品，現(xiàn)在那些客戶的試點里面就有在用，最終說的主線硬件，時間上趕一趕，26年能推出一個給客戶用的、比較統(tǒng)一的硬件產品。
AI 科技評論：既然我們要針對服務具體的工廠客戶了，還有必要去做一個統(tǒng)一的硬件產品嗎？
范浩強：像夾板或者是末端的東西，可能這個客戶需要硬的，那個客戶需要軟的。但是機器人整體的 platform 還是得盡快穩(wěn)定下來為好，便于數(shù)據(jù)積累和模型學習。所以我們公司戰(zhàn)略上肯定還是期望，能盡快收斂到我們的主力機型上。
AI 科技評論：那以后會不會去做一些面向更 C 端的機器人？或者說更通用化的？
范浩強：我們愿景里是想做的，只不過感覺這事兒更得等一等了。
AI 科技評論：那會單去給某些本體公司提供大腦這樣的事情嗎？
范浩強：目前暫時不會，那個生態(tài)鏈上已經很擁擠了，這也不是我們擅長的東西。
AI 科技評論：那從你的角度上來看，原力靈機在整個行業(yè)中的生態(tài)位是什么呀？
范浩強：我希望它是技術的引領者、應用的先行者。
04在山腳分開，在山頂匯合
AI 科技評論：模型和硬件之間的關系是什么樣的？
范浩強：硬件其實本來也是個科學，里面也沒有魔法。比如可靠性、結構、鋼度這些問題，大家其實都有對應的方法論。只要設計的時候把這些問題都考慮好，都驗證透了，那最后的產品一定也是好的。
現(xiàn)在的硬件難點，我覺得和模型一樣，locomotion 大家基本上都有解決方法了，但是機器人運動中，manipulation 在硬件上的卡點十分突出。
我可以舉個很細節(jié)的例子，比如手腕，人的手腕其實伸進桌斗里很容易，機器人伸不進去。有很多客戶讓我們做這個 case，發(fā)現(xiàn)死在了第一環(huán)，根本就伸不進去，你都沒有資格去講這個問題，后面還能說什么？
所以我們覺得在硬件方面，也都得從應用出發(fā)，才能到落地的狀態(tài)。
我們有一個 slogan 叫模型決定場景，場景定義硬件。這代模型科技范圍內，能做的事情清楚了，那后面各種實現(xiàn)的方法，也就綱舉目張的出來了。
AI 科技評論：你們基模訓練得算是快的嗎？
范浩強：真的拿顯卡去跑，可能就幾周的時間，但是要先把跑什么、怎么跑這些事情全部搞清楚，做好前期驗證和數(shù)據(jù)準備，這就要花費大量的時間去迭代和建設。
AI 科技評論：要跑什么？怎么去跑？
范浩強：要跑比如 base model 的訓練參數(shù)、數(shù)據(jù)分布，這些怎么做才能合理？這些才是真正決定了這個模型的最終能力。我們往里面加了幾千小時自采數(shù)據(jù)，這些數(shù)據(jù)都是一小時前采出來的，或者叫一分鐘、一分鐘采上來的。
AI 科技評論：你們的數(shù)據(jù)采集做得很扎實。
范浩強：這倒是，不過還好，搞人臉的時候我們已經采了10年數(shù)據(jù)了，有些采集員他們就非常有技術信仰。最激進的采集員還會主動過來問，我采的數(shù)據(jù)用到模型上效果咋樣？他自己還會琢磨下一批數(shù)據(jù)該怎么采集更好。
聯(lián)合開發(fā)的首款數(shù)據(jù)采集機器人 DOS-W1 量產出貨合影，范浩強在現(xiàn)場。
AI 科技評論：他都已經從職業(yè)變成專業(yè)了是吧？
范浩強：是的，非常神奇，我覺得也算是這個工作中的樂子吧。我們公司有個參觀景點，里面有塊大看板，上面有個功勛榜，列著誰為我們的整個數(shù)據(jù)集里貢獻了最多時長的數(shù)據(jù)，后世一定要銘記這些當年的功臣。
AI 科技評論：那他們是硅基生命的大功臣。
范浩強：采集員也要做到人機合一啊。因為我們那個任務很難，零點幾毫米的對準精度，要苦練兩天才能練出來。
AI 科技評論：那下一代的具身模型會跟這一代有什么區(qū)別？會朝哪些方向發(fā)展？
范浩強：我覺得首先模型一般來說有四大指標，泛化性、智能性、靈巧性，還有效率。這一代我們更多關注它的靈巧性和一定的泛化性，下一代這些指標我覺得得數(shù)量級的增長才行。
現(xiàn)在很多任務可能也就做個百分之八九十成功率，但是未來少不得進入客戶場景，所以下一代簡單任務必須沖著99、 99.9的成功率去了。另外在動作的長度上，現(xiàn)在大部分自己測的任務，可能10秒內干完一拿一放的任務，后面要做分鐘級甚至小時級的長程任務。
AI 科技評論：現(xiàn)在具身模型訓練路徑也很多，有搞仿真的，有搞VLA的，有搞世界模型的，這是一個好事嗎？
范浩強：每個人堅持自己的路挺好的，大家技術路線上太同質化，那就浪費這個試錯的機會了。我們大概率還是一個預訓練加真機的技術組合。大家最好路子不太一樣，這樣也能相互看看對方到底干得咋樣，能有個參考。如果大家都一模一樣，那最后比啥呢？
AI 科技評論：最終不會都收斂到一個路線嗎？
范浩強：應該不會，應該是在山腳分開，在山頂匯合。比如做仿真的人天天在搞 3D 資產，做真機數(shù)采的人天天在研究怎么增廣，其實最后發(fā)現(xiàn)它是一樣的。做實的人天天想怎么往虛了搞，做虛的人天天想怎么加實的東西，因為技術問題是一樣的，無論你的出發(fā)點是什么，手段是什么，其實最終在大的格局上一定能找到對應物的。
所以我真心覺得這些技術路線的分歧本身不本質，區(qū)別完全取決于你在實現(xiàn)過程中解沒解決那些問題，你解決了的話，那就一定能做好。這種我們叫還原論思想，其實挺曠視風格的，比如當時張祥雨有幾篇很重要的文章，有一篇是 ConvNeXt，他就想說別看其他人天天用 Transfomer 刷 Vision，我用卷積照樣能刷。
AI 科技評論：后來大家不還是被統(tǒng)一到Transformer？
范浩強：現(xiàn)在 Transformer 已經被改的面目全非了，大家說的 Dswin（滑動注意力窗口）結構，你說那東西和卷積有區(qū)別嗎？我覺得沒區(qū)別。搞 Transformer 的人最后搞回來了卷積，搞卷積的人最后搞了個 Transformer，其實殊途同歸。
我不喜歡做這種概念性上的戰(zhàn)隊或者對立，我們相信這世間的真相只有一個，但方法有很多。
雷峰網(公眾號：雷峰網)-雷峰網
雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。
