2026 年，机器东谈主正在准备走进家庭，和东谈主类同处一个屋檐下。

但在这背后，一个难以忽略的现实是：面前险些通盘具身智能模子的锤真金不怕火中，“东谈主”是缺席的。

模子还是学会了抓汲水杯、折叠衣物、扩张一条条领导，却险些无法纠合坐在沙发上的东谈主此刻是困窘照旧狂躁。但是对于东谈主类来说，巧合递过一杯水的时机与方法，可能比“递水”这个动作本人更迫切。

这个问题诱骗了两位学者：冯瑶和刘淼的珍视。在他们看来，具身智能要着实落地生涯场景，必须把对“东谈主”的纠合加入模子。对物体的操作能力和对东谈主的纠合需要同步鼓舞，而非先后分离。

冯瑶目下是斯坦福大学的博士后，来岁行将入职清华东谈主工智能学院任教。她在博士阶段师从缱绻机视觉领域的迫切学者 Michael J. Black，在德国马普所专注"东谈主"的数字化建模，用算法重建东谈主体的三维形态、动作与姿态，让机器纠合东谈主类肉体如安在空间中移动、交互。到斯坦福后转入机器东谈主标的，试图把对东谈主的纠合带进物理寰宇。

而刚从国外归国的刘淼，目下担任清华大学东谈主工智能学院的助理教悔。他在以前三年在 Meta GenAI 参与了 Llama 3 与 Llama 4 等多模态大模子的研发，博士期间在乔治亚理工研究第一视角视觉与具身感知。

诚然两东谈主的研究旅途不同，但他们看到了归拢块缺失：面前的具身智能锤真金不怕火中，"东谈主"并莫得被放在一个迫切的位置。无论是对东谈主体进行三维建模，照旧用第一视角数据锤真金不怕火模子，画面中的"东谈主"通常只是配景而非交互主体。模子学会了识别场景中的一切物体，却读不懂对面阿谁东谈主的情景、意图与需求。

于是他们决定全部创业——打造一种以东谈主为中心（Human-Centric）的全新具身模子范式，让机器东谈主着实纠合“东谈主”的步履、意图、记念与偏好，并最终在真实的共处场景中拓荒信任。

在这场对话中，咱们的问题历久围绕“东谈主”张开：机器东谈主该如何捕捉需求、臆度意图，进而赢得信任？谜底可能藏在尚未成型的数据范式里，可能指向仍在探索的模子架构，也可能依赖一套需要透彻重构的评测体系……

一切还在探索之中。

以下是咱们的对话：

为什么是“东谈主”？从大模子到具身智能的转向

DeepTech：两位为什么会遴荐具身智能这个标的进行研究？

刘淼：其实我在博士阶段作念的便是机器东谈主标的，比如基于第一视角视觉（egocentric vision），团结 learning from demonstration 或 imitation learning，让机器东谈主通过师法学习去完成更接近东谈主类的操作任务。

其时受限于神情要求，咱们更多只可作念一些偏“纯视觉”的研究。自后在 Meta 责任期间，由于研究标的相对从上至下（top-down），个东谈主能够遴荐的空间比较有限，这条旅途依然莫得被系统性鼓舞。

但具身智能在我心里其实一直莫得放下。我历久但愿有契机把“让机器东谈主着实像东谈主一样在物理寰宇中活动”这件事作念好。

冯瑶：我的旅途和刘淼有些不同。我的起点便是“东谈主”，在博士阶段，我在德国主要的责任是作念“东谈主”的建模，比如什么是好的 human representation（东谈主体表征），以及如何从收罗数据中纠合东谈主类步履。我也尝试过团结大模子作念步履纠合，但这些大多在“数字寰宇”里完成。

但纯数字环境的问题在于发愤真实的交互感，也很难评估模子是否果真“纠合了东谈主”。因为发愤可靠的 benchmark。

自后我去了斯坦福，加入机器东谈主团队，把这些对于“东谈主”的建模放到物理寰宇中考据。我渐渐意志到：唯独当模子既能纠合东谈主类步履，又能驱动一个实体在真实寰宇中与东谈主交互时，咱们才着实有契机判断它是否“作念对了”。

而机器东谈主就像一个自然的测试平台。你让它去活动、去互动，许多问题会坐窝暴浮现来，推动研究从“看起来灵验”转向“着实可用”。

DeepTech：刘淼敦厚之前在 Meta GenAI 参与过 Llama 3/4 等大模子锤真金不怕火，那是隧谈的数字寰宇；但具身智能需要处分复杂的物理寰宇。除了喜爱，这种调遣背后是什么原因？

刘淼：费曼有一句很盛名的话：“What I cannot create， I do not understand.”（我无法创造的东西，我就无法着实纠合。）

但在今天这个期间，这句话其实不错被“反过来”看。一个模子即使能够生成文本、图像致使视频，也不虞味着它着实纠合了物理寰宇。

什么才算着实的纠合？一个程序是：它能否在物理寰宇中活动，并纠合活动带来的后果。包括物理划定、因果关连，以及“动作如何改造环境”。这正是具身智能被珍视的原因：唯独参加真实寰宇、与环境交互，模子才可能变成访佛东谈主类的“寰宇模子”。

更迫切的是，现实寰宇不单是由物体组成的，它更是一个“有东谈主存在的寰宇”。面前的大模子在“纠合东谈主”上很有限。它们能识别动作、衣饰、年齿，但很难纠合情谊、意图，以及“心智表面”。

若是把这些模子平直放进真实环境与东谈主类互动，它们很难康健责任。这个寰宇从来不是空的物理空间，而是充满东谈主的寰宇。忽略这极少，具身智能走不远。这亦然我在 Meta 时渐渐意志到的局限，是以我归国后，但愿在这些方朝上连接探索。

DeepTech：比拟海量的第三视角数据，你所研究的第一视角数据的不可替代性在那边？

刘淼：第一视角最中枢的独到性是“具身性”（embodiment）：感知和动作雅致耦合。感知驱动动作、动作改造环境、环境反过来影响下一步的不雅测。这种闭环是第一视角自然具备的，也更顺应东谈主类的感知和步履方法。

另外，万古刻的第一视角视频还隐含了东谈主类的领会层级：它纪录了你的意图（视野主动聚焦在那边）、探索旅途（如何寻找办法），以及到达办法后如何专揽环境完成任务。

这对应了机器学习中的“探索与专揽”的衡量（exploration vs. exploitation）。第一视角数据自然把两者团结在了全部，对机器东谈主学习相配有价值。

DeepTech：若是放在一个具体任务中，基于第一视角和第三视角的数据，机器东谈主本质阐扬会有什么隔离？

刘淼：以厨房场景为例，比如洗菜或切菜。从第三视角看，你能大致判断这个东谈主在作念什么。是站在池塘边或案板前，知谈是洗菜或切菜。

但许多关键细节是捕捉不到的：具体洗到哪个位置、哪只手抓菜、哪只手沸水龙头，或者切菜时的角度、双手配合、切到哪一步。这些细粒度的动作信息，第三视角很难获取。

而第一视角能平直对都“手—眼—动作”的关连，这对机器东谈主学习可扩张的操作计谋相配关键。

DeepTech：冯瑶敦厚，从 DECA、PIXIE 这么的东谈主体重建责任，到说话模子研究研究，再到近一两年的东谈主形机器东谈主贬抑，这条旅途其实跨度很大。你的研究想路是如何的？

冯瑶：我一直想构建一个着实的“实体智能体”，它能够像东谈主一样存在和活动。

从这个办法往回看，第一步一定是纠合“东谈主本人”。早期的责任，比如 DECA、PIXIE，关注的是如安在数字寰宇中重建东谈主，也便是学习一个灵验的 human representation，以及从大鸿沟互联网数据中索要东谈主的步履模式。

但一个很当然的问题是：学到这些暗示之后，下一步该作念什么？约莫在 2022 年，大模子的出现让我很快意志到，这类模子在建模和推理能力上是一个相配关键的冲破。于是咱们运行尝试把大模子和此前的东谈主体暗示团结起来，让模子不仅能“看到东谈主”，还能在语义层面纠合东谈主类步履。

再往前走，就遭受了一个很现实的问题：咱们很难判断模子是否果真纠合了东谈主类。即使构建各式数据集和 benchmark，也很难遮蔽复杂、多变的真实步履。是以我自后去了斯坦福，参加机器东谈主标的，把模子放到真实的物理系统中，让它和东谈主发生交互。

在这个经过中也发现，传统强化学习（RL）通常更关注任务到手率或精度，但与东谈主交互时，娇媚性（compliance）、安全性等身分相通迫切，这些在以前的算法设计中是被低估的。因此，后续的责任也会更多关注这些维度。

DeepTech：若是用一句话界说，你们梦想中的 human-centric（以东谈主为中心）的具身基础模子是什么样的？

刘淼：我但愿这个模子能够通过纠合寰宇中的“东谈主”，从而获取对寰宇更好意思满的领会。

冯瑶：我会合计是通过纠合东谈主、以及东谈主与东谈主之间的交互，让机器东谈主更像“东谈主”。

端到端照旧模块化？以及具身智能的“陷坑”

DeepTech：目下行业里存在端到端（end-to-end）和模块化（modular）的阶梯之争。两位联想中的具身基础模子，会更接近 VLA 这种端到端模子，照旧会保留清醒的贬抑范围？

冯瑶：我合计“端到端 vs 模块化”某种进程上是个伪命题。关键在于：在系统的哪一层引入可诠释性，哪一层作念语义介入。比如叠穿着任务，机器东谈主不成只是“看到穿着就叠”，而是要先纠合领导（“帮我把穿着叠一下”），找到穿着，扩张。

更关键的是，任务会动态变化。若是叠到一半，你说飞快要穿，它就得中止并切换任务。这就要求系统能在中间层插入语义纠合与决策。

另外，可诠释性也很迫切。若是机器东谈主递水失败了，要知谈是意图纠合错了、抓取失败了，照旧递交位置分歧。这些都需要分层语义抒发。

是以咱们的想路是：高层保留明确的语义结构和可诠释性，底层贬抑（如抓取）选用更接近端到端的优化方法，兼顾效果。这有点像东谈主类神经系统。把“沉着的社会领会”与“快速的本能贬抑”解耦，幸免用一个开阔收罗同期处分极难和极浅近的问题。

刘淼：我觉稳妥今之是以有“端到端 vs 模块化”的商讨，是因为目下任务还比较浅近。放到复杂场景（比如既要对话又要同期作念饭），很难用一个合资模子同期输出说话和动作计谋。

是以架构的遴荐，本质上是由任务需求决定的。若是是高度结构化、重迭性的工业场景，比如“抓—取—放”，作念成端到端系统是有可能的；但在绽放环境中，尤其是波及东谈主机交互的复杂任务，就很难用单一架构遮蔽。换句话说，不太可能存在一个合资的框架适用于通盘场景，系统结构会跟着任务复杂度和能力范围约束演化。

DeepTech：听起来你们的决策中有许多“语义插入”和动态决策的设计，你们认为完毕它最大的贫瘠在那边？

冯瑶：这条阶梯的难点在于它对“东谈主”的纠合要求更高。比如语义插入不单是是纠合一句话的上层含义，还波及对用户的历久建模：包括记念（memory）、步履模式，以及具体情境。

举个例子：用户说“这件穿着无谓叠了”，系统需要纠合原因。可能是这件穿着刚穿过，需要放去清洗；也可能是飞快要穿，需要平直递给用户。这背后其实是一个复杂的决策经过，需要团结历史信息、用户习尚以及面前情景。因此，这不仅是一个感知或贬抑问题，更是一个对于“东谈主类建模”的问题，需要多模态信息交融和历久记念机制的撑持。

从本领角度看，这一整套系统的复杂度是比较高的。 不仅是架构复杂，更是数据壁垒。工业操作数据不错靠东谈主工遥控在工场里大鸿沟刷出来，但‘东谈主机真实交互的信任数据’是无法在实验室里靠遥控献技来的，它必须通过真实用户的历久通常使用能力当然滋长。

刘淼：从行业角度来说，以前许多团队莫得优先作念这件事情，也有现实原因：是本领熟识度还不够，米兰体育2026世界杯指定中国官网另一方面公共无数认为“机器东谈主参加家庭”还比较远方，是以更倾向于先把基础能力，比如抓取和操作，作念好。

但当今咱们判断，这个时刻点正在发生变化。诚然着实参加家庭可能还需要几年，但还是不再是一个很远方的办法了。在这个阶段，若是仍然只关注“抓取效果”或“操作精度”，其实是不够的。因为一个机器东谈主若是不成纠合东谈主，就很难安全、可靠地和东谈主共处。至少从用户角度来看，很难信任这么一个系统。

是以咱们更多是从“东谈主”的视角动身，把“纠合东谈主”看成具身智能参加现实场景的一个前摘要求，而不单是是把任务完成好。

冯瑶：像本年一些 AI agent 居品（比如不错操作电脑的系统），一运行用户其实是不太闲隙把个东谈主信绝交给它的。但跟着使用经过，你会先通过对话拓荒信任，证据它果真纠合你的需求，然后才缓缓绽放更多权限。读取文献、处分邮件、致使帮你完成复杂任务。

这个经过本质上是“缓缓拓荒信任”。 我认为机器东谈主参加家庭亦然访佛的旅途：它需要先纠合东谈主、获取信任，然后再渐渐扩展能力，而不是一运行就承担通盘任务。用户也更倾向于继续使用归拢个系统，而不是通常更换。因为其中还是拓荒了一种“关连”。

DeepTech：若是从更客不雅的本领贪图来看，两位认为斟酌一个具身模子优劣的根底程序是什么？比如推理蔓延、操作到手率，照旧泛化能力？

刘淼：这是很关键的问题。我最近一直在反想：评测本人可能成为具身智能最大的“陷坑”之一。

多模态大模子有相对熟识的评测体系：自动化 benchmark（如 MMLU）加上东谈主工评测。但具身智能满盈不同。由于硬件形态不合资，实验平台互异，是以莫得公认的程序化 benchmark。常见的作念法是在真实机器东谈主上作念浅近任务（如 zero-shot 抓取），但老本极高、可复现性很差。

公共常说数据最迫切，但我越来越合计，评测体系的不完善本人，可能是一个很大的瓶颈，致使会误导本贯通线。

冯瑶：我相配本心这极少。是以当今许多研究者运行更主动地和工业界团结，因为当一个系统着实参加用户场景之后，用户才是最佳的评测者。

不管机器东谈主是什么形态。是追随型、照管型，照旧家庭助手；是轮式照旧腿式，单臂照旧双臂。这些都不是最中枢的。关键在于：当它被用户本质使用时，用户的反应是什么，他们是否闲隙继续使用。

从这个角度看，真实用户反应可能才是唯独的黄金程序。而系统需要证据这些反应约束挽救自身，无论是模子能力照旧机器东谈主形态。

DeepTech：有莫得一种可能是，当今真实反应还不够多，是以还无法变成合资程序？

刘淼：我合计不单是“数目不够”，而是“数据本人分歧”。许多现存数据像“糖水”而不是“牛奶”。来自过于干净、浅近的环境（比如桌面抓取），与真实家庭环境差距很大。

若是模子在这种“假散布”上锤真金不怕火和评测，就会学到失实的模式，致使带偏本贯通线。本质上，模子是在拟合数据散布。若是散布本人偏离真实寰宇，再好的模子设计也会被带偏。

是以咱们更热心的是如何获取“真实寰宇”的数据。若是机器东谈主能更好地纠合东谈主，即使功能还不够全面，用户也更可能罗致它、闲隙使用它。这么咱们能力以更可扩展（scalable）的方法获取高质料数据，而不是依赖“数据集聚工场”。

DeepTech：但现实问题是，第一视角和东谈主机交互数据的获取老本相配高，致使互联网里险些莫得现成数据。明天你们谋划若何构建一个低老本、可鸿沟化的数据闭环？

冯瑶：这是一个很好的问题。我先说论断：互联网数据其实是不错用的，何况会是一个相配迫切的数据着手。关键在于“重建能力”。若是你能把视频中的东谈主体步履高精度重建出来，它本质上就不错滚动为可学习的数据。包括姿态、动作、手部操作等 3D 步履信息。

这部分其实是我的一个历久研究标的，也和东谈主体重建、步履建模是平直研究的。中间会波及一些关键本领，比如东谈主体动作 prior、3D 重建优化等。

在这个基础上，咱们会作念两件事：第一，专揽互联网视频数据看成最大鸿沟的数据源；第二，在此基础上进行低老本的真实数据集聚，由咱们我方设计集聚环境和硬件系统，再通过算法保证高质料重建。

另外，合成数据（simulation）我认为是一个迫切的“增强器”。它更像是一种数据 augmentation 的器用，而不是假造生成数据的着手。比如，咱们不错把多个短视频片断进行组合，在物理治理下进行重建和补全，从而生成更长的步履序列。这一类设施不错匡助模子学习更万古序的步履结构。

刘淼：若是你上周问我，我可能会说我不太信任合成数据。但当今不一样了，比如 GPT-image2 能力还是进步很快，从肉眼来看，很厚情况下还是很难分袂真实和合成数据。

是以这件事其实是动态演化的：当合成数据的质料和老本达到一个临界点，它就会当然参加锤真金不怕火体系。但更迫切的极少不是“用无谓合成数据”，而是“如何更合理地使用数据”。包括如何专揽真实数据和合成数据之间的互补关连，这里其实还有许多莫得被充分探索的空间。

从学术到创业：为什么遴荐家庭场景？

DeepTech：传闻两位有筹备从学术走向创业？你们是如何相识，并最终决定在具身智能这个方朝上张开协作的？

冯瑶：其实我和刘淼很早就倡导了，但之前一直合计咱们在作念不同标的的事情。我历久聚焦在东谈主本人。包括东谈主体表征、东谈主类步履纠合以及机器东谈主贬抑；而刘敦厚更多是从多模态学习、以模子为中心（model-centric）的视角来鼓舞研究问题。

直到前段时刻咱们有了比较潜入的相易，才发现咱们在“具身智能大脑”这个问题上，其实有一个很一致的判断：若是要构建一个能够与东谈主历久共处的具身系统，它既需要坚强的多模态感知能力，也必须着实纠合“东谈主”本人。这两件事情是统筹兼顾的。是以咱们会合计，这种团结其实是比较当然的。何况从个东谈主层面来说，能找到一个在本领上互补、同期也值得信任的协作伙伴，是一件挺正经的事情。

另外一个很现实的原因是，前边也提到，这一类系统的迭代高度依赖真实寰宇的数据和用户反应。要作念到这极少，就必须有大鸿沟的真实部署，而这在工程复杂度、资金、算力等方面的要求，还是超出了一个学术实验室所能承担的范围。从这个角度看，走向创业其实是一个比较当然、致使不错说是“必经”的旅途。唯独参加真实用户场景，能力完成模子的闭环迭代。

刘淼：我和冯瑶也算是“相识于微时”。我其时去她导师 Michael Black 的团队造访过一段时刻。

诚然那时候咱们的研究标的伪善足一样，但有一个共同的关注点。“东谈主”在系统中的扮装。无论是从东谈主的视角去感知寰宇，照旧去纠合环境中的东谈主，本质上都是围绕“东谈主”张开的。其时其实莫得料想，明天会全部作念产业化。但当今拒接顶来看，这种团结是有一定内在逻辑的。自后冯敦厚归国，咱们才有契机更潜入地商讨这些问题，也渐渐发现两边在本领上是高度互补的。

浅近来说，她更多是在作念偏底层的 human behavior understanding，比如通顺信号、动作层面的建模；我则更偏向领会层，比如 memory、intention、attention，以及多模态交融。这两部分适值不错变成一个比较好意思满的闭环。

DeepTech：那从学术走向产业的经过中，你们有莫得遭受一些落差或挑战？毕竟学术研究通常更偏梦想化。

刘淼：咱们其实都不算满盈“纯学术”的旅途。我之前在 Meta 责任过几年，对产业侧照旧有一定了解的，也很明晰“写论文”和“作念居品”之间的隔离。但我个东谈主的一个判断是：在某个阶段，如实需要探讨交易化，这是不可幸免的；但模子本人的迭代逻辑，仍然应该以研究为主导，而不是满盈由居品需求驱动。不然很容易出现标的性的偏差。

冯瑶：我其实也构兵过不少产业环境。早期我在 Horizon Robotics、CloudWalk Technology 实习，自后也在 Meta 有过资历。再往后，我还参与过我博士导师的创业公司，运行构兵一些更中枢的决策问题。那段资历对我影响挺大的。你会发现，一个团队里不仅有研究者，还有 3D 艺术家、前后端工程师、以及业务和销售团队。不同扮装会带来满盈不同的视角，这些视角反过来会匡助咱们把研究着实落地。

我我方一直比较介意的极少是：无论是研究照旧居品，最终都应该被东谈主使用。若是一个本领只是停留在论文里，它的价值是有限的。从这个角度来说，我也比较行运。之前作念的一些开源神情，在社区里有比较多的使用和反应，这让我更刚毅了一个想法：本领唯独参加真实寰宇，才会着实“长出来”。

DeepTech：回到阶梯遴荐的问题。当今许多具身公司一运行会遴荐工业场景，比如工场或仓库。但你们更强调家庭环境和东谈主机共融，为什么一运行就莫得遴荐工业旅途？

冯瑶：本质的原因照旧愿景不同。咱们更但愿作念的是参加家庭、参加通常生涯，让更多无为东谈主不错使用。另外，工业场景在某种进程上是“结构化的”，东谈主的参与较少，步履也更可预计。但咱们关注的恰正是东谈主本人，是以标的当然不同。

刘淼：对。我归国之后，其实也有许多工业落地的协作契机，但我合计这和咱们想作念的 human-centric AI 不是一件事。工业环境里，东谈主是弱存在的，步履模式也比较固定。但若是办法是让机器东谈主参加东谈主类生涯空间，那它必须先纠合“东谈主”，不然我个东谈主是很难信任它和我共处在一个空间里的。是以这更多是一个价值遴荐的问题，而不是单纯的本贯通线遴荐。

DeepTech：从时刻圭臬上看，两位合计具身智能目下处在什么阶段？距离梦想情景大要还有多久？

冯瑶：我合计不错分两条旅途来看。若是是传统“任务驱动”的阶梯，比如只作念抓取、叠穿着这种能力，那参加家庭可能还需要较万古刻，因为用户罗致“机器参加生涯空间”本人就需要一个经过。但若是是咱们这条“以纠合东谈主为中枢”的阶梯，我认为参加家庭的时刻会更短。可能在一到两年内，就不错先以“有限功能 + 拓荒信任”的体式参加家庭，然后缓缓迭代能力。

刘淼：我合座判断是访佛的。短期来看，一到两年内，如实会出现一些“低级可用”的家庭机器东谈主，它们可能还是运行参加真实家庭，但功能仍然比较有限，致使有点“实验性”，可能会出现公共说的“买且归吃灰”的情况。

是以若是沿着面前的本贯通线发展，办法是一个着实意象上的“家庭智能体”。访佛不错历久追随、纠合需求、承担多任务的系统。我认为至少还需要五年以上。这个差距主要不在硬件，而在于对“东谈主”的纠合能力，以及在复杂家庭环境中的历久学习能力。这亦然为什么我想探索一种新的具身模子范式。

运营/排版：何晨龙

注：封面/首图由 AI 提拔生成米兰体育MILAN SPORTS

Z6尊龙凯时官方网站