首页 / 资讯详情
国内第一视角数据最早押注者，北大卢宗青：隐空间才是具身的路
摘要
具身智能的确定性技术还没出现，世界模型可能也不是答案。 作者丨邓哲敏 编辑丨齐铖湧 25 年 6 月，卢宗青在智源大会上提出一个判断：人类视频，是具身智能唯一可以 scale up 的数据路径。彼时，行业的注意力集中在机器人本体、素材场搭建、数据飞轮上，没有多少模型公司把目光投向第一视角人类视频。卢宗青不一样，他不仅提出这个判断，而且按这个方向积累数据，到现在已经积累了超过 50 万小时。卢宗青是北京大学计算机学院长聘副教授，长期担任 ICML、NeurIPS、ICLR 高级领域主席，也是国内隐空间路线最早的系统性推进者。2025 年，他创立了 BeingBeyond 智在无界，走的是一条与主流视频生成路线截然不同的技术路径——隐空间世界动作模型（Latent World-Action Model）：不生成画面，直接在 embedding space 里联合预测机器人下一步做什么、世界将如何响应。这条路线训练成本是视频生成路线的约 1%，推理速度足以支撑实时控制，但有一个缺点——没有画面，不好展示。在具身智能融资热、demo 竞赛激烈的当下，这是一个需要定力才能坚持的选择。不过卢宗青本人并不把这当成笃定的押注。他在采访中说了一句话，让人意外：具身基础模型的确定性技术尚未出现，世界模型可能都不是。他的逻辑是，GPT 能堆出来，是因为先有了 Transformer 和 Next Token Prediction，有了确定性范式，堆数据才有意义。具身现在还没到那一步，“我们现在连确定性技术是什么都不知道。”这不是自谦，是判断。26 年 7 月 28 日，BeingBeyond 正式发布 Being-H0.8——全球首个隐式触觉世界动作模型。Being-H0.8 首次将触觉模态引入大规模模型预训练，并将视觉、触觉、动作以及未来状态变化统一到同一隐空间（latent space）。这使机器人不仅能够理解“看到了什么、做了什么、接触到了什么”，还能够进一步理解“世界因此发生了怎样的变化”，从而形成对物理交互过程更加完整的认知与预测能力。围绕技术路线的选择、数据的真实价值、行业分工如何形成，以及通用具身基础模型究竟还有多远的路要走，AI科技评论（雷峰网公众号）与卢宗青展开了对话，以下为未经改变原意的编辑整理：01从北大到创业：纸上的东西不会自己变成产品▎AI科技评论（雷峰网公众号）：你是北大教授，做了多年学术，又出来做具身创业。今年我们看到很多高校老师出来创业，李一鸣、赵昊，包括您，感觉学术界出来的人今年特别多。你当时是怎么做这个决定的？卢宗青：也不算突然转变。我本来就在研究具身相关的方向，只是到了某个节点，觉得这件事不能只停留在发论文。学术研究可以验证一个方向是否可行，但你判断完了，纸上的东西不会自己变成产品。具身尤其如此，它需要真机去验证，需要真实场景去跑，需要在真实的物理世界里一遍遍失败再调整，这些事情在学校里做不了。创业是让研究落地的方式，不是切换赛道。▎AI科技评论：我们观察到，今年出来创业的学者，有一部分明显有一种"不融就来不及了"的紧迫感，尤其是自动驾驶背景出来的人，对产业节奏特别敏感。你会有这种焦虑吗？卢宗青：大家的目标不一样。对于我们来讲，我们的目标就是做模型，build up 具身的 foundation m