对话郎咸朋：具身也会有“蔚小理”，靠融资实现不了物理AGI

邓思邈 发自 凹非寺

量子位 | 公众号

郎咸朋创业之后，第一次开口了。

身处理想汽车前智驾一号位, 其历经8年, 使得原本毫无辅助驾驶能力的状态, 发展到最终有150万辆实现此功能并量产, 达成交付端到端以及VLA。

在今年3月的时候, 创立了一家名头叫做具身智能的公司昆仑行, 此公司在90天的时间以内, 连续进行了三轮融资, 其融资规模达到了数十亿元之巨, 并由此发展成为了一家独角兽企业。

这是他出来创业后的首次公开露面。

近2小时聊下来，有几条信息足够劲爆：

具身智能耗费资金状况如何呢? 训练一个具身大模型, 其耗费资金, 几亿是远远不够的, 十亿也难以支撑, 甚至得达到几十亿, 更有甚者要上百亿资金才行。

只靠融资，谁都撑不到具身实现的那一天。

当下这场名为“百机大战”的情况, 于他的认知里, 会如同新能源车那般, 经历大浪淘沙的过程, 最终跑出具备自身智能特性独自的“蔚小理”态势这般结果。

至于整个行业走到哪一步，他的参照系是十年前的自动驾驶——

2015、在2016年的时候, 路线处在不确定的状态, demo在各处大量出现却没一家真正实现出货……

90天，跑出一家具身独角兽

郎咸朋在理想担任智驾一号位, 历经8年, 将理想的辅助驾驶从毫无基础做到了达到150万辆车规模的量产。

他的搭档任庚, 曾担任华为国家CEO, 也担任过阿里巴巴集团副总裁, 还出任过阿里云中国区总裁, 如今身为昆仑行的创始人兼CEO。

相互不同领域里各自获得成功之后, 两人要以怎样的方式进行双向的选拔然后共同携手向前迈进, 这一直都是外界所存有的疑问。

昆仑行创始人兼CEO任庚

关于这一点，郎咸朋与任庚有着高度一致的共识：

行不行、合不合、久不久。

可不可行得看能力, 这是极易进行验证的, 从曾经做过的产品以及所取得的成绩当中就能够瞧出来, 并且两个人所拥有的能力须做到互补, 是前一个人负责技术以及研发方面, 而后边这个人任庚是负责商业以及管理方面的相关事务。

判别是否契合得看认知, 这两人针对具身智能的产品, 围绕其技术又探讨了诸多内容, 还谈及商业方面, 最终发觉判断竟然极为一致, 令人惊讶不迭。

时常去考量这件事情究竟是否值得进行长时间的投入, 他们确定具身并非那种三五年的短暂性生意, 而是一件能够持续做上十年方可完成的事。

三条均顺利通过, 余下的部分便临近尾声。两人迅速形成共识, 而后结伴外出踏上了昆仑之行。

在他的心目之中, 挑选合伙人存在着另外一条更为关键要紧的标准, “合适相较于熟悉而言, 是更为具有重要性的。”。

郎咸朋讲, 创业所挑选的是那种有能力达成事情的人, 并非是彼此相处起来会让人感觉舒坦顺遂的人啦, 要是两样全然具备那自然最为理想, 然而其中把事情做成的这一点更为关键紧要。

说到公司为何称作昆仑行, 郎咸朋讲此名字存在讲究, 是值得认真去说一说的, 有必要仔细道来此中的缘由, 需要好好阐述一番。

一开始的时候, 他们思考过许多相当奇特、极具科幻风格的名字, 但是最终呢, 还是回归到了昆仑行这个名字上了。

具有很强民族使命感的中国公司“昆仑”, 是中华民族的图腾, 一说出来大家就知晓；“行”意味着使命必达, 必定能行。

两个字合起来，是中华民族在具身智能上一定行。

这个判断比名字本身要大得多。郎咸朋觉得, 昆仑行是依据时代发展趋势来开展此项工作的, 他期望在探寻物理AGI的这段历程当中, 公司里每个人的名字都能够被留存下来。

创业之前，想清楚的三件事

注册公司之前，有些事必须先想清楚，有些可以边做边改。

昆仑行想清楚的是三件：范式、方法、路径。

先说范式。郎咸朋把范式选对，称作具身智能的第一性原理。

投身于自动驾驶领域作业时, 要是一开始就凭借规则去开展相关工作, 那么后续理想汽车所取得的成功便不会出现。

做具身同样如此。他所做出的判断是, 不能够去沿用自动驾驶的那一套范式, 原因在于, 不管是端到端, 还是VLA, 其本质基础都依旧是模仿学习。

昆仑行联合创始人兼CTO郎咸朋

机器人的范式应当是理解, 而非模仿, 一个场景能够借助模仿, 然而上万个场景是无法凭借模仿来达成的。

范式怎么落成能操作的方法，是第二件事。

郎咸朋的答案还是数据，他将数据效率概括为一个公式：

数据效率＝获取效率×使用效率。

过去, 自动驾驶取得成功, 大模型也取得成功, 其所占的便宜是获取效率方面的, 互联网的数据, 人类开车的数据, 几乎是零成本便能够拿到。

若具身不行, 那么不存在将先机器人搬进用户家里的情形, 随后有的是让人手动操作两年, 接着并再来训练的状况。

得到这条路不容易走向通畅, 昆仑行押注的是运用效率, 举措便是他们提及的数据进行编译, 以使机器人学会领会物理世界所需的信息与知识。

光有数据和模型还不够，得有工程兜底。

这儿这一点, 郎咸朋借助这家公司作了个比方, 大伙认为 Code好用, 模型强是当中一方面, 然而支撑它确实好用的, 是背后那套 Agent机制。

昆仑行将机器人进行工程落地处理, 所采用的是Agent的工程框架, 那种以往软件硬件单纯拼凑的做法并非如此。

第三件事是商业路径, 昆仑行的抉择是先面向企业客户, 而后再面向个人客户。它从工厂上下料、物流等这类相对而言较为简单、易于把控且具备商业价值的场景着手, 将深入家庭场景以实现业务落地的行动置于最后。

家庭是终点，不是起点。

原因是家庭太复杂，而且对安全性、可靠性的要求极高。

郎咸朋在从事自动驾驶多年后, 形成了职业警觉, 他觉得, 家里既有老人又有小孩, 要是技术不成熟就进入, 这不但会给这一个家庭带来风险, 还会对整个行业造成伤害。

想得清楚范式、方法、路径之后, 剩余情形诸如模型如何进行设计、数据管线怎样去搭建等细节, 郎咸朋觉得能够一边着手做一边进行迭代。

他把这条经验总结成一句话，“出发永远比想清楚更关键。”

把“理解”写进模型和数据里

范式挑选了理解, 当它落实到技术层面的时候, 是两件具体的状况, 其一为模型究竟该如何去设计, 其二是数据到底要怎么做。

要看模型先, 昆仑行的那个世界模型, 从第一天开始起, 就确定了一个称作「物理因果」的第一性原理。

郎咸朋所进行的类比主体为人, 人在做事之时, 首先会存有目的, 基于该目的进而产生相应动作, 此动作又引发了结果, 最终结果再折返回去评判动作的优劣, 而他们的模型正是按照该顺序予以设计的。

昆仑行现阶段所采用的这套模型架构, 乃是MoT, 它属于一种有着多个专家网络进行分工的结构形式。

MoT本身不算新，很多团队都在用，昆仑行的不同点在于分法。

其他人大多依据模态去进行划分, 文本领域有一位专家, 视频范畴存在一位专家, 动作方面另有一位专家；昆仑行呢, 则是按照目的、且依据动作、还根据结果来实施划分, 所划分出来的是一张因果关系的图。

跟它配套的，是一个自研的「联合因果注意力机制」。

先前, 在MoT里, 于那几个专家而言, 其注意力是全然共享的, 然而郎咸朋却觉得这并不合理。进行动作之际, 模型所仅应看到的便只是目的；当动作完成之后, 负责结果的专家唯有在此时才能看到动作以及目的究竟产生了些什么。

所以, 他们致使注意力朝着单一方向进行流动, 按照他的表述来讲, 从事动作之际, 绝对不可以偷偷翻看结果, 因为“如此这般便属于作弊行为了”, 并且这也跟因果规律不相契合。

昆仑行期望凭借此方式, 防止模型借助结果反向推动作, 使得模型所学习到的关系向着更吻合真实物理世界里的因果顺序的方向发展。

依照郎咸朋所讲的情况, 这样的一套世界模型, 尝试运用同一套架构, 以及同一套参数, 还有同一套权重, 在同一时间去达成多种不同的任务, 具体而言, 它能够生成动作, 它能够预测动作所产生的结果, 它还能够对最终的视频进行渲染。

然而, 郎咸朋并未把当下的方案, 说成是一种已然达成收敛状态的最终架构的样子。

在关于他的判断里头, 具身智能所处的阶段是极为早期的那种, 具体的模型以及方案肯定是会持续去调整的。

如同自动行驶曾经历经有图、轻图、无图、端到端以及VLA等多次范式转换, 世界模型也许仅仅是现阶段通向物理智能的一种实现途径。

除了模型的部分, 剩下的就是数据。昆仑行开展的另外一项占据关键地位的工作——数据编译, 它具体是分成四个步骤来进行的。

第一步骤, 将场景之中每一个物体给各自的物理量进行显式标注, 具体涉及重力, 还有重量, 以及受力情况, 另外还有摩擦。

这些不一定靠触觉传感器去测，很多是模型自己算出来的。

第二步，沉淀物理机制，比如牛顿第二定律这类规律。

第三步，把物理量和机制编译进训练样本，让样本自带物理。

第四步, 运用数据回传的机制, 持续进行迭代, 将表现不佳的数据挖掘出来, 重新予以标注, 再进行编译。

经过编译的数据饱含物理因果关系, 而训练出来的并非是一个单单只会寻找相关性的模仿模型, 是这样的情况。

这套做法还带来了一种性质, 这种性质是郎咸朋极为看重的, 它被称作「一脑多形」, 也就是由一个大脑去驱动具备多种形态的机器人。

他说这不是刻意设计，是天生如此。

针对模型而言, 其所学习的是物理规律, 然而物理规律对于任何形态都是成立的, 并且天然地就存在一脑多形这种情况；与之相反, 要是所学习的是分布, 或者是模仿人的动作, 那么就只会呈现一脑一形这种状况。

别把具身智能看窄了

如今, 展台上的机器人, 差不多都在忙碌地干活, 像是承担拿药的活儿, 再比如进行分拣的工作, 还有负责上下料等事宜。

然而, 在郎咸朋的那种看法当中, 要是去把具身智能直接等同于“会干活”这种状况, 那就显得太过狭隘了。郎咸朋将具身划分成了四个智能呢。

运控、移动、交互、操作。

运控智能属于唱歌跳舞这般的表演, 于表演型机器人方面已然做得挺好, 然而工作级全身运控却远远没有成熟。

移动智能距离自动驾驶最为接近, 将自动驾驶的技术转移至导览机器人上面, 转而还要将该技术运用到巡检机器人上才行, 只是并不具备操控动作。

交互智能是跟人对话，得益于大语言模型，这两年也相对成熟了。

真正困难的, 真正尚处于早期时期的, 是操控智能, 使机器人切实进入场景, 进而取代人去开展干活这一行为, 有标点了。

当下众人所演示的皆是围绕其应用场景展开, 所以不少人默认“唯有能干活才称得上是真正具身”。郎咸朋觉得除了操作智能之外, 前面三种智能同样在进行迭代, 并且也颇为重要, “大家切莫只将目光聚焦于操作智能”。

这套四分法，直接决定了硬件怎么选。

最省事的做法其实是大量铺轮式机器人，先把原型做起来。

郎咸朋认可这是大家自然会想到的路子。

在轮式的情况下, 就如同把其中移动以及运动控制这一部分给砍掉了, 所留下的仅仅是上半身的操作, 再加上一种基础的移动能力, 这并不契合四个智能要全面发展起来的最为初始的先决条件哦！

因此, 昆仑行从起始之时, 便坚决地致力于打造全尺寸、全人形的产品, 自行研发关节驱动电机、本体以及关键结构。

他并不否认, 轮式上手相对而言更快, 然而, 从技术方面来看, 人形才是最为优质的一种选择, 双足运控以及全身的操作、移动、交互, 这些技术基础从第一天开始就必须要打好。

顺着操作往下，自然绕不开灵巧手。

业内一直有视觉派和触觉派之争，郎咸朋把票投给了触觉。

他所秉持的理由是关于人这个主体, 人去施行一个动作, 其最终达成的判定并非依靠眼睛进行检验, 而是借助手感来确立这种依据, 当人去拿杯子这样一个行为开展时, 即便眼睛看向别处, 人依然能够成功拿到杯子, 而杯子拿取的稳当与否, 完全是依赖触觉来予以衡量的。

因此, 触觉是颇为重要的一种模态, 今后会当成他们数据编译的真值, 以此反过来校准编译所得的数据。并且, 触觉自身就是物理的, 刚好接上昆仑行物理因果这条线。

作者声明：该图片由AI生成

图片为AI生成

至于灵巧手要不要自研，郎咸朋说内部还在讨论中。

他的步骤是, 先去明晰想要哪种模型, 哪种数据, 之后再反过来对“手”进行定义。这是由于“手”会产生大量的自由度, 一只就存在二十个, 两只的话就会多出四十个, 倘若太早着手去做, 只会给训练增添不确定性。

光靠融资活不下去

那，具身智能现在整体走到哪一站了？

郎咸朋所作出的判断为, 这呈现出一种情形，类似于十年前的自动驾驶状态, 也就是处于2015年以及2016年的那个时间段。

存在三个特征, 第一是技术路线未曾确定, 呈现出百家争鸣的态势；第二是人人都在进行各种demo的制作, 其中一些做得仿佛明天就能够上路那般；第三点是, 然而并没有任何一家实实在在地开启出货的行动。

会有人马上站出来进行反驳, 声称已有XX公司售出几千台了。郎咸朋讲, 他所指的是进行智能操作, 如同当年所演示的自动驾驶Demo全部展示的都是L4功能。

在他这儿, 真正的操作智能存在一个颇为直接的门槛, 它能否进入工厂, 能否进入商场, 能否进入家庭, 进而取代人去实际干活, 是否有人愿意为其买单, 而非仅仅停留在前期的研究阶段以及测试阶段。

回溯到2015、2016年的自动驾驶时期, 购买一辆林肯MKZ并改装后便能获得一笔数额不大不小的融资, 随后才开始从事正向造车、组建车队以及实现真正意义上的量产, 并且在那个时候用户是实实在在地因自动驾驶功能而支付费用。

具身到现在，还处在前半段。

由于大家都尚未抵达出货这个阶段, 这场名为“百机大战”此一混战, 到底何时能够呈现出结果呢?

郎咸朋给出的答案仅有一个, 它涉及量产交付能否实现自我造血, 也就是依靠自身的营收去养活研发工作, 而并非借助融资来延续生存。

任庚曾对外放过一句话：

昆仑行在最短时间内进入行业前三。

为什么非得是前三？

郎咸朋的说法是，到了前三才有自我造血能力。

犹如新能源车那般, 起初热闹纯粹只是热闹，历经大浪淘沙过后, 头部留存不下几家, 具身智能同样会浮现出它的“蔚小理”……

那到底要烧多少钱。郎咸朋说，以现在各家的融资额，都不够。

的确要是做出呈现智能的操作, 必然得进行模型预训练以及大量训练, 然而训练一个模型, 别说几亿元、这十亿元的数量级别都远远不足够, 或许非得达到几十亿甚至是上百亿才行。

所以, 前提必定是先来自我造血, 去拿通过自我造血挣得的钱, 用以养后面的模型迭代, 而并非仅仅依靠融资。

只靠融资，谁都撑不到具身实现的那一天。

针对昆仑前行这件事, 郎咸朋表明当下的融资钱款数目, 业已足以致使公司里头首款产品达成量产并推向市场；在推向市场以后, 公司便会步入一种处于健康态势的能够实现正向资金循环的状态。

往后再融的钱，一是加快AI迭代，二是加大量产和营销的投入。

关于外界最为关注的, 究竟是哪一年机器人会进入家庭这个问题, 郎咸朋所给出的, 是参照自动驾驶的节奏, 大约是五到十年。

但他同时补充道, AI当下进步的速率太过迅速, 会将这一日持续向前拉扯, 大约五年的时间会相对合理些。

One More Thing

在那场对话里边儿, 郎咸朋提及了一桩细节, 那就是在他攻读博士学位彼时所待的地方, 是处于机器人领域范畴之内的某一个国家重点设立的实验室。

后来兜兜转转做了十几年自动驾驶，如今又绕回了机器人。

“我感觉有一种宿命在里面。”他说。

先是从百度出发, 而后抵达理想之地, 紧接着迈向昆仑行, 其间存在一条线, 它始终未曾改变, 着重突出数据、工程化以及真实落地, 方向相比较具体的“术”而言, 显得更为关键。

他用一句话来形容：

“有道无术，术尚可求之；有术无道，止于术。”