對話原力靈機唐文斌：純 “世界模型” 路線走不通

一場關於具身智能的 “數據暗戰” 正在悄然打響。 今年 1 月，湖北人形機器人創新中心向智元機器人交付了數千小時的訓練數據，完成了國內首例定製化人形機器人數據交易。 行業巨頭方面，京東日前喊出了建成全球規模最大、場景最全的具身智能數據採集中心的口號，計劃動員超 10 萬內部員工及最多 50 萬外部人員，開啓一場史無前例的 “人海戰術”。 視線轉向海外，韓國機器人公司 Robotis 於今年 1 月在烏茲別克斯坦設立子公司，計劃在一塊 11 萬平方米的土地上建起一座巨大的 “數據工廠”，用於收集機器人行為數據。 按小時計費的定製化交易、數十萬人的大動員、遠赴中亞建廠，這一系列舉措都折射出整個具身智能行業沉重的 “數據焦慮”。 與在互聯網語料中成長的大語言模型不同，具身智能需要理解世界並與真實世界進行交互，這對數據的真實性、模態等都提出了更高的要求。 這也是原力靈機創始人兼 CEO 唐文斌當下正在攻堅的難題之一。 回溯履歷，唐文斌更為人熟知的身份是上一波 AI 浪潮中明星獨角獸曠視科技的聯合創始人兼 CTO。 成立僅一年的原力靈機已經悄然吸金超 10 億元，拿下了阿里、蔚來、君聯、啓明等頭部機構的投資。 目前原力靈機已發佈旗下首個具身原生大模型 DM0，並與華勤技術達成戰略合作，實現數據採集機器人 DOS‑W1 的量產交付。 在經歷了上一波 AI 落地的洗禮後，唐文斌對行業有了更多的敬畏之心。 在日前與華爾街見聞·全天候科技的對話中，唐文斌分享了原力靈機的數據採集思路：不依賴單一來源，而是以 “質量✖數量✖多樣性” 的組合方式實施分佈式採集，以此填滿機器人的能力空間。 對於通過世界模型生成數據，讓機器人能夠模仿學習的路線，唐文斌認為這條路難以走通，他指出更為可行的範式是將世界模型與 VLA（視覺 - 語言 - 動作）模型相統一。即不僅能預測未來世界，還能據此反推出所需的精準動作。 當行業玩家們正以各自的方式瘋狂 “囤積” 數據糧草時，究竟哪種路線才能 “笑到最後”，市場正在拭目以待。 以下是對話實錄。 詳解數據採集 全天候科技：能否分享你們的數據採集思路？ 唐文斌：目前我們還是模仿加強化學習的方式。 模仿涉及數據分佈的模擬。我們的目標是讓數據儘可能地填滿機器人的能力空間，見過足夠多的東西。核心在於識別未見過場景的處理能力，數據的價值便在於此，所以我們的數據採集是圍繞開放環境和實際場景展開。 但我們會希望數據保持高質量的同時，還能夠儘可能的填滿這個空間，所以我覺得數據是一個 “質量✖數量✖多樣性” 的組合問題。 全天候科技：那數據如何進行採集？ 唐文斌：其實我們並不依賴某一種數據來源，這樣做也沒必要，基本上是一個組合模式。真機數據方面，主要通過各種經過校準的傳感器進行採集，具體包括類似外骨骼等，但確實採集成本會比較高。 同時，我們也會通過無本體和第一人稱視角收集數據，形成更大規模的數據集，這其實就是介於真機和合成數據的中間派了。 除此之外，還有采集成本更低的互聯網數據。 全天候科技：能否具體解釋無本體採集？ 唐文斌：無本體的意思就是説它可能是一個手套或手持夾爪，沒有機械臂、機器人的身體，所以相當於就只是用了一個末端裝置。我記錄了這個末端裝置的大致位置和狀態，目前這種數據採集方式也被稱為 UMI。 今天，我們討論的第一人稱視角數據也很多，例如通過眼鏡拍攝操作過程，這也是一種無本體的採集方式。 全天候科技：每個人的 AI 眼鏡數據都具有隱私性，應該沒有人願意公開自己眼鏡的數據供採集。你們怎麼解決這個問題？ 唐文斌：確實，如果我作為眼鏡的用户，我也不想把我的數據分享給大家。但是訓練的話，我們可以請一些第三方的數據採集員，通過日常佩戴眼鏡記錄工作流程，然後數據也會被記下來。 當然，我們也希望眼鏡本身的功能可以更加強大，比如有立體視覺、多目的能力。同時我們未來可能還會增加手環、手套的裝置用於採集數據。 所以整體來看我們採集的對象是多樣化的。第一類是機器人本身，可以遙控操作；第二類是類似於夾爪等的無本體，即 “人的身體 + 機器人末端” 的裝置；第三類是完全針對人體的採集；第四類則是對物理世界的描述。 全天候科技：例如在末端傳感器中，主要採集的是力的數據嗎？ 唐文斌 ：不只是力度，我們還是希望數據是多模態的，比如包括增加視角。 實操方面，因為手臂可能會遮擋部分數據，我們可以眼睛部位裝配一個相機，兩個手腕上也可能各有兩個相機，形成多視角的數據。 全天候科技：這種採集成本會很高嗎？ 唐文斌：這其實就是一個數據質量、數量和多樣性的複雜問題。如果需要採集所有模塊的數據，成本將變得非常高昂。所以我們採用分佈式的採集策略，有些數據我們會盡可能地保證其完整性，而有些數據為了降低成本、增加數量和提高速度，可能就不再那麼注重完整性。 這是一個權衡的問題，我們擁有自己的採集工具，並且廣泛地與其他行業合作。 全天候科技：今年 2 月你們跟華勤技術合作推出了數據採集機器人，能否分享這款機器人的情況？ 唐文斌：這款機器人主要是用在科研的場景，有點類似於 ALOHA 機器人的形態，同行也有在做這個。（注：ALOHA 代表"A Low-cost Open-source Hardware system for bimanual teleOperation"，是一種用於雙手遠程操作的低成本開源硬件系統） 但是目前市場的數據採集機器人存在兩大痛點， 一方面是可靠性，產品表現確實不盡如人意，例如頻繁故障會對科研工作產生負面影響，降低工作效率。 我們目前也無法確保產品的長時間穩定性，所以我們的改進點是簡化了修理過程，設計了模塊化可拆卸的產品結構。一旦某個部件損壞，用户可以快速更換。例如很多地方的連接處都不是螺絲，是那種旋鈕，所以可能 30 秒就能修好了； 另一方面是成本仍然比較高，所以我們通過與華勤的合作設計了一款類似 ALOHA 的產品，支持主從、拖拽式操作。最核心就是修得快，價格便宜。（注：主從是指人通過操控主臂，實現對從臂的實時遠程控制，動作零延遲復刻，以此實現實現低成本、高精度的雙臂精細操作數據的採集。） 全天候科技：同行買過這個機器人去採集數據嗎？ 唐文斌 ：是的，其實行業的痛點還是比較一致的，所以其實大家都會買同行的產品回去搭配一起使用。 世界模型路線走不通 全天候科技：能不能聊一聊對世界模型和 VLA 的看法？ 唐文斌：這裏要區分兩點，就是理解世界和生成世界是不一樣的。 我們今天討論的大模型能力，大家普遍關注的是它們理解世界的能力。世界模型實際上是在嘗試預測未來，即預測下一幀可能會是什麼樣子的，而 VLA 的實質是與世界交互。 這些模型具有共通性，但又能夠從不同的角度解決問題。 我們覺得最佳的策略是相結合。只有這樣，我們才能真正理解並生成內容，理解和與世界交互。 理論上來説，如果能夠預測未來世界，我們便能夠反向推斷出我們應該如何操作。而如果我們知道如何操作，那説明我們是能夠預測未來的發展。 所以我們現在的技術框架裏世界模型跟 VLA 是統一的，就是我們希望一個模型既能夠理解這個世界，同時又能預測後續。 如此一來，模型不僅能執行動作，還能預測執行該動作後世界將如何變化。 全天候科技 ：行業的技術框架是否和你們不同？ 唐文斌：確實，目前一些公司主張僅使用世界模型。有觀點是認為通過世界模型生成數據，讓機器人能夠模仿學習，這樣就產生了一個無限的數據源。 但我自己覺得這條路是走不通的，因為如果世界模型已經實現了，那生成的問題就已經解決了，大家也不需要通過生成的數據再去訓練機器人了。 那另外一條路就是我們和很多同行會去做的，就是通過預測未來世界模型，然後根據這個模型反推出所需的動作，這種方法涉及到先預測未來的場景或世界狀態，再計算出相應的動作序列，這種範式其實就是我剛才講的相結合統一的模型框架。 全天候科技 ：從場景上來説，由於當前工廠的產線自動化程度很高，機器人進廠打工會不會沒有用武之地？ 唐文斌 ：確實當前工廠的自動化解決方案已經相當成熟。但我們想去解決的是原來解決不了的問題，或者是原來解決起來成本很高的問題。 但其實大家看到的很多自動化產線對泛化性要求是沒有那麼高的，即不需要對象、環境和任務的泛化。例如可能 SKU 就幾個，光照等外部環境條件已經過調節。 那當前解決不了的問題其實是對象多樣化，環境也隨時在變化，甚至可能會有很多不同的任務。 以物流場景為例，現在大家的機器人做的主要是搬運工作，但是沒有做好手上的操作，因為這對泛化性的要求很高。 例如你購買了一瓶可樂和一包薯片，操作員就會把可樂和薯片分別包裝好。由於商品種類繁多且環境條件不斷變化，這個其實就很難用自動化設備解決。 還有包裝的場景，以瓶裝沐浴露為例，我們收到產品時會發現瓶口部纏一圈塑料膜，這是為了防止沐浴露泄露。 實際操作過程中，目前通常是操作人員基於經驗，纏上保鮮膜再放入泡沫袋中，並在封口貼上標籤，這就沒辦法通過自動化設備來完成。 我們現在主要是在物流、工業上有做一些嘗試。 全天候科技：你們是傾向於在特定場景進行集中開發，還是想在多個場景同時鋪開？ 唐文斌：這個要分兩頭講，觀察大模型的發展，尤其是當前最新的進展，可以發現一個共同的趨勢。如果我們現在只構建了一個垂直領域的模型，它是無法達到真正有泛化能力的模型，這是行不通的。 因此，從模型的角度來看，我們必須堅定地追求泛化性，追求更加通用的技術能力。 但從應用場景落地的角度來看，我們確實得一個一個場景去落地，逐一實現。 所以我們內部經常強調產品落地有兩點核心，首先，我們的解決方案必須能夠形成閉環，即解決客户業務中的所有問題和異常情況，滿足所有流程需求。其次，我們需確保成本可控，讓客户覺得合作划算。 只有在滿足這兩個前提條件時，客户才可能考慮規模化應用我們的產品。 所以我們每實施一個場景，都必須清晰地理解客户價值，並確保這兩個要點都能得以實現。這是一個逐年下單的過程。 我們內部把這個過程描述為模型發展與應用落地之間的關係，它們之間存在 45 度夾角，即它們相關但並不絕對相關。 當然，我們的模型需要朝着那個通用方向發展。 對場景要有敬畏之心 全天候科技 ：所以你們是主張通用機器人的路線嗎？ 唐文斌：我個人認為模型具有通用性，但硬件很難實現。 其實我們的雙手非常靈活，一隻可以執行精細操作，同時也能舉起 20 斤的重物，甚至更厲害還能舉起 50 斤的重物。 但是受到物理學和材料學的限制，能夠舉起 2 公斤商品的機械臂和能舉起 20 公斤重物的機械臂肯定不同，因為它們的功率密度不同。 所以我們認為如果你採用一個通用的設計並應用到具體場景中，很容易發現這是欠設計或者過設計。 欠設計就是可能重量限制無法通過，或者是傳感器的安裝空間過於狹窄，導致無法解決問題；可能恰好能搞定，但這可能過度設計了，價格就會變得很高。 以輪式雙臂為例，當重心較高時，它跑得更快。但一旦速度起來，它就很難停下來，否則就會摔倒。 這時我們可能會發現，在某些場景中，靜止不動可能是一個更優的選擇，讓移動的車輛將物品送過來。 因此，可能在這些場合會存在過度設計的問題。 我們的內部邏輯是讓模型具有通用性，並且能夠適應不同的硬件平台。 全天候科技 ：所以現在投資人比較看重你們的能力是模型？ 唐文斌：對，我們團隊的獨特之處在於不僅從事機器人場景的研發，而且深入理解模型。我們在曠視的物流領域積累了豐富的經驗，並且具備一定的規模，因此對產品有較深的理解，同時我們擁有一羣專注於模型優化的專業人士。 全天候科技：因為很多可能某一個行業內的公司對於本行業的需求會比較瞭解，但你們是模型業務起家，會不會對場景需求的瞭解程度比較弱？ 唐文斌：其實之前我們在曠視的時候就做了很多的場景了，所以我覺得我們還算是一幫被被教育過的人。 這其實是心態問題，其實機器人行業是需要兩撥人，一波人更懂技術，一波人更懂場景，我們其實是站在中間的人。 其實光搞技術的人會對場景做很多的假設，他覺得不就是這些。但真實場景中的魔鬼隱藏在細節之中。例如當出現問題時，生產流程不能停，因此必須有完善的異常處理流程。 因此，技術工作的人必須對場景懷有敬畏之心。 但行業的人也有很多問題，我們歷史上就是很多同事對技術上會有兩種狀態，一開始覺得技術無所不能，一旦涉及到 AI 智能，他們就會期望你能解決所有問題。然而當他們發現某些問題無法解決時，就會感到極度失望，進而選擇迴歸到傳統的、基於規則的方法。 但今天模型的發展其實既不是能達到無所不能，也不是什麼都不行，是在一箇中間階段，並且斜率很高，處於快速發展狀態。 所以我們非常需要能夠既對場景有判斷，理解算法及其發展速度的人。同時，也需要有人來設計應該如何着手解決當前的問題，讓項目儘快啓動。 我們今天所從事的所有工作實質上都是在滿足需求。我們肯定會有自己視野上的侷限。 所以我主張廣泛學習和多角度觀察，但我們也應有自己判斷的標準，選擇那些能夠持續生存下來的場景。 全天候科技：那你們怎麼定位自己的目標客羣呢？是機器人公司，還是場景應用方？ 唐文斌 ：其實還是場景應用方。 坦白説，無論是國內還是國外的同行，大家所使用的模型都不太成熟。因此今天大家並沒有達到將模型直接部署到機器人公司的設備上，經過簡單訓練後就能使用的狀態。 我認為在模型尚未成熟的情況下，要實現場景落地應用，垂直整合是必要的。 如果我們自身都搞不定這個場景，卻期望合作伙伴和客户能夠解決，這無疑是美好的幻想。我相信有朝一日，我們可能自己做了一些垂直的場景，而可能更多的場景可以通過開放平台的方式，與我們的合作伙伴一起完成。他們既可以用我們的硬件，也可以只用我們的大腦，去自主探索更多可能性。 全天候科技：所以這是你們對模型開源的原因，就是希望更多人能加入進來？ 唐文斌：開源有兩方面的考慮。首先我們希望更多人使用我們的框架和模型，這樣大家可以共同探索更多應用場景並推動技術的落地。其次，儘管當前行業熱度很高，但整體模型的成熟度仍處於初級階段，促進相互交流和進步至關重要。 全天候科技：你之前提到 2026 年的核心目標是每個場景部署 1000 台可持續運轉的設備，能否分享一下這個目標完成的情況？ 唐文斌：這可能要到下半年才能實現持續運行。目前我們還在進行 POC 測試。 我們對自有場景實現批量化的潛力還是很有信心的。 其實要讓機器人能夠持續運行，必須找到容錯環節。坦白説，當前模型驅動的方法還無法做到百分之百的準確率。 如果任務失敗怎麼辦？這個問題必須有答案。我們需要探討通過什麼種方式接管任務，讓失敗的任務能夠被恢復。同時我們還需評估這種失敗對企業的影響，判斷這種影響是否可接受。 在採取了兜底方案之後，我們還需要確認整個系統的 ROI。 全天候科技：説到 ROI 的話，那客户會直接提出説你們可以幫助產線節約多少錢嗎？ 唐文斌：客户通常會直接問我們能多久回本。 如果一個項目需要超過五年才能回本，那就不用做了。 如果預計兩到三年內就能回本，那就是立馬乾。在當前的 B2B 環境中，我們大多數決策都是基於理性的分析，算清到底能為客户提升多少效率。比如機器人能夠延長某些生產環節的運作時間，更高效地利用現有設備，為客户帶來價值。 全天候科技 ：能否劇透後續的模型更新情況？ 唐文斌：今年我們的核心議題將集中在泛化性上。 全天候科技：去年才創業來做具身智能的模型，你覺得會不會太晚了？ 唐文斌：其實在很多年前我們就很想做一個通用機器人了，當時我們覺得技術上不成熟。但是隨着 DeepSeek 等大模型的發展後，確實讓我對這件事變得更有信心了。 全天候科技：如果讓你給 2026 年具身智能行業 1 個關鍵詞，你覺得會是什麼？ 唐文斌：我想給 2 個關鍵詞，一是模型能力的提升，二是場景的持續運行。 我認為當前的模型還處於早期階段，但發展速度很快，所以我們要努力提升模型的算法能力，包括在對象、環境適應性和任務泛化性上都有所提升，模型的泛化能力是至關重要的。其次，關於場景的應用，我認為單純的 POC 沒太大意義，它只是一個起點，重點在於如何在實際場景中持續運行，今年確實已經到時候了。風險提示及免責條款 市場有風險，投資需謹慎。本文不構成個人投資建議，也未考慮到個別用户特殊的投資目標、財務狀況或需要。用户應考慮本文中的任何意見、觀點或結論是否符合其特定狀況。據此投資，責任自負。