Scaling 不是堆数据：和三位具身创业者聊世界模型、人才与真实落地 | 云启 Attent!on 播客

世界模型、Scaling Law、数据闭环、通用操作……具身智能仍在快速演进，新的技术概念不断涌现。而对于身处一线的创业者来说，更重要的问题是：哪些技术已经能够解决真实问题？哪些瓶颈仍然卡在落地之前？

在今年世界机器人大会期间，云启与无限基金 SEE Fund 联合主办「具身智能新浪潮：世界模型与智能基建」专题活动。在圆桌环节，云启执行董事桑煜与 2026 年携手的三家具身新伙伴展开了一场讨论。

三位活在跃一线的创业者，从过去一年真实的训练、产品、工程与商业实践出发，分享了他们的判断与体感。我们也将这场对话收录至云启品牌播客「Attet!on」，欢迎收听。**

本期嘉宾

• Panel 主持人-桑煜 云启执行董事**
• 许华哲 破壳机器人创始人**
• 李强 昆腾动力创始人、CEO**
• 刘念邱 费莫一科技（PHYMI)创始人**

01

从 Demo 到真“干活”

创业者眼中的真瓶颈

桑煜：

大家好，我是云启资本的桑煜，很高兴和大家一起做这场圆桌讨论。

大概在去年的这个时候，世界模型刚刚兴起。一年时间里，我们看到这个概念迅速升温，到今天，行业也开始有了更多理性的探讨。

大家之所以关注世界模型，一方面是因为具身智能的方法论，包括数据、模型、训练方法等，还不像大语言模型一样已经有相对明确、收敛的方向；另一方面，技术突破也是具身智能行业健康发展的重要前提。所以今天我们不只希望讨论世界模型本身，也想聊一聊接下来技术会如何演进，以及机器人产业如何与技术演进产生共振。

第一个问题想先请大家做一个自我介绍，同时也聊聊：如果今天的机器人要从 Demo 走到稳定、规模化地真正“干活”，还需要突破哪些瓶颈？各家公司正在解决其中哪个环节的问题？

许华哲：

大家好，我是许华哲，破壳机器人的创始人。

破壳机器人的目标是做真正能够走进千家万户的家庭机器人，为大家做管家、保姆，甚至把家变成一个很有创意的“小工厂”，帮你做各种各样的事情。

从 Demo 走向落地，首先要看究竟落在哪里。如果是在家庭或者通用场景里，我认为最重要的还是基础模型能力。我们希望把基础模型的能力提升上去，让机器人到了任何地方，都能以相对较高的成功率做事情。

如果只是让机器人完成一件特定的事情，答案可能会不同。但对于我们来说，最重要的是提升模型的泛化能力——让大家只要买得起机器人硬件，就能用得上这样的 AI 模型，让它真正帮你做事。

李强：

大家好，我是昆腾动力创始人兼 CEO 李强。我们希望从物流出发，做一家通用具身智能的平台型公司，最终让机器人走进千行百业。

从我们的实践来看，目前有两个比较大的卡点：

第一个是硬件，尤其是末端执行器。我们需要一种既能高效完成数据采集、成本相对较低，又足够耐用，并且能够覆盖一个任务中各种动作的执行器。

现在的灵巧手可以覆盖很多动作，但可能价格贵、寿命短、可靠性不够；夹爪则非常可靠、速度也很快，但又未必能覆盖一个任务里的所有动作。所以这里仍然存在一个硬件上的断层。

第二个是模型和系统。今天如果只是相对简单的短程任务，要做到很高的节拍和成功率，已经不是最难的事情。但现实环境中的任务，往往由多个动作、多个子任务组成。

如果要让机器人把这些动作连续、稳定地做下来，就会面临很多问题：机器人怎么知道自己做对了没有？有没有偏离预期？怎么识别异常、对错误进行归因、自主恢复？以及它是否知道什么时候应该呼叫人来介入和帮助？

这样一套闭环系统，目前仍然是比较匮乏的。所以我觉得，模型很重要，但硬件和系统同样重要。除了模型，我们也会在机器人硬件上做一些探索和突破，同时构建一套能够让机器人在生产环境里持续迭代和进化的系统。

刘念邱：

大家好，我是费莫一的刘念邱。费莫一的名字其实是 PHYMI 的音译，代表的理念是 Physical，Manipulation, Mobility, Intelligence。 我们的愿景是希望为大家打造一个物理世界的 Agent、一个伙伴。伙伴不是替代关系，而是一种协助关系。

如果机器人真的要进入各行各业，让老人、小孩、成年人都能用，我认为有两个很关键的能力。第一，它必须能够进入开放场景，在动态环境里和人互动。这是接下来机器人非常重要的突破点。第二是移动能力，机器人要干活，首先得能够到达干活的地方。只有具备非常强的移动能力，它才能走出去，比如帮人做咖啡、做饭、干活、送花。

我们想做的，就是让机器人走进各行各业、走到每个人身边，帮助大家完成希望它完成的事情，成为一个值得信任的伙伴。

02

世界模型

到底什么才是“本质”？

桑煜：

大家虽然处在不同场景、不同技术路线上，但都在追求具身智能进一步的发展，这里面也绕不开技术范式的问题。

回到今天的主题。现在大家看待世界模型已经越来越理性。从投资人的视角，我们今年也看了非常多世界模型项目，没有 100 个，可能也有大几十个。但很明显，大家对“世界模型”的定义各不相同。

所以想请教几位：你们如何定义世界模型？什么是其中最本质的部分？又有哪些东西，是今天可能被过度包装的？

许华哲：

世界模型确实有很多不同路线。从最底层的定义来说，应该是从状态和动作出发，去预测未来的状态，这是一个最简单的世界模型定义。

但到了今天，大家可能把 3D 重建也叫世界模型，把仿真器也叫世界模型。无论是重建、预测，还是其他形式，只要涉及四维时空中的变化，好像都被称为世界模型。

至少从破壳机器人的视角，我们更关注的是 World Action Model。真正的问题是：当我们希望机器人完成通用操作时，世界模型到底能不能真正帮到我们？

我认为世界模型有几个很重要的点。

第一，它“吃数据”的能力更好。当数据量起来之后，世界模型能够更充分地利用数据。

第二，它能够学习到更好的表征。相比偏窄的表征方式，世界模型能够更精确地描述复杂、连续空间中的状态。

第三，世界模型本身还可能被用来做评估。机器人领域的评估是一件非常昂贵、非常困难的事情，所以能不能通过世界模型准确评估策略，也是我们非常关注的。

从我们的视角来说，真正关心的是：如果我们要做机器人、做通用智能体，能不能把世界模型真正用好，而不是单纯为了预测未来下一帧画面。

李强：

我觉得，预测世界最终还是为了改变世界，让世界变得更好。所以从我们的角度，World Action Model 才是我们真正关注的世界模型。

现在行业里各种前缀可能比行业本身还繁荣，3D、4D、物理、因果，各种各样的世界模型让人眼花缭乱。

但我们希望世界模型能够基于当下的观测去预测和生成动作，同时基于动作推演未来世界的演化。更重要的是，它还要能够结合任务和业务语义，判断这个演化是不是我们想要的结果。

举一个物流里的例子，比如贴面单。机器人不只是要预测“这个面单能不能贴上去”，更重要的是判断：有没有贴在正确的位置？是不是足够平整、足够牢固？贴完以后，后续扫码能不能扫出来？

也就是说，世界模型最终要对结果负责，能够真正指导机器人的动作，我认为这才是一个好的世界模型。

另外，我觉得我们也不用人为给世界模型增加太多约定和先验。只要数据足够多、目标足够清楚，模型应该能够自己学习怎样更好地表征世界、推演世界，而不是由人先把“世界模型应该是什么”完全定义好。

刘念邱：

我觉得世界模型大概有两类应用。

一种是给定未来的预期，让模型生成世界如何变化才能达到这个预期，这其实也是 World Action Model 的逻辑。

另一种是给定当前状态，让模型预测未来的状态。比如机器人采取一个动作以后，接下来世界会变成什么样，这也可以被用于模型验证。

但我认为，对于具身智能或者机器人来说，只有世界模型是不够的。

因为现在大家讨论的世界模型，更多是对于物理空间、物理世界的推演或者生成。但一个机器人如果真的要帮助人完成很多任务，面对的不只是物理世界，还有大量认知空间的问题。

当然，我们也可以把它纳入一个广义的世界模型，但这时候它就不再只是偏连续、偏物理的模型，也会涉及认知、离散信息和 Reasoning。

所以对费莫一来说，我们会关注一个更大的模型架构，让机器人既能够与人交互，也能够与物理世界交互。

03

具身智能的 Scaling

关键不是单纯“堆小时数”

桑煜：

技术一直在演进，大家也都期待具身智能能够像大模型一样出现自己的 Scaling Law，甚至迎来一个类似“ChatGPT Moment”的关键时刻。

在座各位也都在训练自己的模型。那么现在大家有没有看到 Scaling Law 的曲线？在 Scaling 的过程中，无论是模型参数、数据、多样化环境，还是模型结构，目前最主要的瓶颈是什么？

刘念邱：

我觉得具身智能 Scaling 背后的逻辑，和大模型在一定程度上是相似的。

现在具身智能很大程度上还是视觉模态到动作之间的映射。数据量其实不算少，但分布没有那么广。

我们做了一些实验。因为我过去在自动驾驶领域也有比较多经验，我们认为，开放空间里的复杂分布，在早期训练阶段对模型泛化能力是有帮助的。

另外，我们也尝试加入更多模态的信息输入。其实和人一样，如果你只能看到，却不能摸、不能听，很多时候你很难理解为什么一些看起来相似的现象，最后会导致完全不同的结果。

**所以 Scaling 一方面是具身模型本身的问题，另一方面其实是：我们究竟让模型看到了什么样的数据。

不同模态的数据，对于不同状态变化的重要程度差异非常大。

我觉得具身智能其实才刚刚开始，大家都还站在起跑线上，在不同路线上进行尝试。现在也是很好的阶段，可以一起探索怎样把模型做得更好。

李强：

我非常相信具身智能或者 Physical AI 会存在自己的 Scaling Law。

世界万物都是有规律可循的。只要模型的表征和表达能力足够强，参数足够多，样本足够丰富，它一定能够学习到其中的规律。

从美国和中国不同公司的进展来看，其实我们也已经或多或少看到了其中的一些 Pattern 和趋势。

但是 Scaling 肯定不等于单纯把模型参数做得越来越大，或者不断堆数据小时数。

现在很多公司会讲，今年做 100 万小时，明年 1000 万小时，后年做到 1 亿小时。但另一方面，大家看一些 Tech Report，会发现真正用于模型训练的高质量数据，可能只有 1 万小时、5 万小时或者几万小时。这里面有一个非常大的 Gap。

核心原因是，Physical AI 里的很多数据重复性非常高。

我之前做了很多年自动驾驶。在智驾里，一辆车在长直道上跑，数据其实非常单一，即使有 1000 万公里、1 亿公里，价值也未必很大。

工业自动化也是一样。我过去在菜鸟做了大概 10 年 CTO，也做过很大规模的自动化。工业机械臂每天可能 Pick & Place 几十万次，但很多时候，这几十万次和一次没有本质区别。

所以我们不能只盯着数据小时数，更应该看数据的多样性和丰富度。到底覆盖了多少种对象？多少种环境？多少种不同的交互？除了成功数据之外，有没有失败数据？很多时候，成功可能千篇一律，但失败各有不同。

只有获得更多这样丰富的数据，我们才有机会看到 Scaling 曲线变得越来越陡。

许华哲：

我们观察到的 Scaling，第一是在模型架构层面：随着数据量起来，世界模型的 Scaling 效果确实会更加明显；但在数据量比较小的时候，其他模型架构可能效果反而更好。

第二个观察是，Scaling 本身是一个比较确定性的事情。数据不断往上增加，模型通常都会变好。但我们更关注的是 Scaling 的效率。

比如近期有机器人公司展示了百万小时数据下的 Scaling 曲线，曲线确实是在上升。但如果按照那个效率推算，可能需要接近 10 亿小时数据，才能达到非常可用的状态。

这显然说明，当前 Scaling 的方式还没有达到最高效的程度。所以我们非常关心的，是怎么样把 Scaling 做得更高效。

**第一，数据丰富性一定非常关键，重复数据的价值有限；第二，我们还观察到，数据的质量分级非常重要。

比如说，我先通过海量数据“了解整个世界”，而不是从了解世界一下跳到“拧螺丝”。

从了解整个世界，到了解我可能发生交互的世界；再到适应自己的本体，进行一部分操作；最后才到具体场景，比如拧螺丝。如果中间能够形成这样的层级，每一步的信息损失都尽量控制住，真正到落地环节时，就可能只需要很少的数据。

反过来，如果直接从海量世界信息跳到某一个具体操作，中间的信息损失会非常大，你最终需要的数据量也会变得巨大。所以，怎样更高效地提升 Scaling，是我们目前最关心的问题。

04

比炫酷 Demo 更重要的

是技术路线如何做取舍

桑煜：

刚才大家谈了很多 Scaling 和数据层面的实践，但只谈概念还是有些抽象。大家每天其实都在做大量复杂的决策：技术往哪里走，钱投在哪里，哪些事情应该放弃。

所以接下来想请大家举一个具体例子：过去做过的最重要、甚至最纠结的一次技术或战略选择是什么？当时有哪些不同选项？最后为什么把资源投入到这个方向？

刘念邱：

刚刚华哲也提到了数据多样性。

我们过去做智驾的时候就经历过数据闭环：数据量级非常大，每天可能积累几百万、上千万公里，但真正能用于高质量训练的数据比例其实非常低。

对于机器人来说，数据闭环同样非常重要。汽车更多解决的是避免碰撞的问题，但机器人面对的是“接触”。一旦涉及接触，就意味着需要理解非常多物体的特性，这已经是一种 General Knowledge，而不只是一个运动学问题。

所以我们一直在思考：我们的优势是什么？未来的终局是什么？

终局当然是通用机器人。但如果一开始就用“做通用机器人”的方式去做通用机器人，挑战非常大，因为数据成本会非常高，不具有 Scalability。

借鉴过去做智驾的经验，我们认为，数据应该和未来真实场景的分布尽可能一致。未来机器人一定会进入大家的生活空间，所以我们希望机器人真正进入生活空间。而生活空间非常大，因此移动能力会变得非常重要。恰好我们过去在移动能力上有一些经验。

这条路可能和行业里很多人的选择不太一样。但从第一性原理出发，我们最终还是认为，对我们来说，这是一条最适合自己的路。我不好说它一定是一条正确的路，但这是费莫一做过的一个非常重要的选择。

李强：

我和念邱有点类似。过去一段时间里，我们其实都比较愉快、也比较快速地做了很多决定，没有特别纠结。

我从 2016 年开始做无人仓等相关工作。物流行业劳动力非常密集，工作条件也很艰苦。过去 10 年，我们一直尝试用各种技术解决这些问题，但始终没有特别好的解法。

而过去一年非结构化环境相关技术的发展，让我第一次看到：过去 10 年一直想解决却没有解决的问题，可能终于有机会被快速解决。所以我很愉快地出来做了这家公司。

因为问题一直在那里，我们技术路线的选择其实也比较自然：先整合好已有技术、设计好解决方案、打造好系统，让机器人尽可能快地在物流行业实现规模化商业落地。

再通过落地收集更多高质量数据，把供应链做得更好，形成循环。这也意味着我们放弃了一条路：不再主要通过各种 Benchmark 或者比较炫酷的 Demo，去衡量自己的进展、证明自己的水平。

我们选择的是 “让客户说话”。真正走进实际场景以后，看业务结果怎么样、节拍怎么样、成功率怎么样、远程人工接管率怎么样，最终单位任务的经济价值怎么样。这是一条完全不能撒谎的路，也是我们选择的路。

许华哲：

我们做过一个比较大的决策，是国产卡和 N 卡同步推进，在公司内部搭建国产卡的整套管线。

当时其实纠结了挺久。因为我同时也在学校，学校里一般不会主动做这件事情。学生们都希望尽快把实验跑起来，N 卡生态更成熟，自然是最方便的选择。

但在公司层面，我们决定推进国产卡，主要有几个原因：第一是去风险。在算力资源比较稀缺的情况下，我们不能完全由外部环境决定自己能做多大的模型；第二是控制成本；第三，当我们真正规模化跑通国产卡管线以后，虽然部分环节仍然有提升空间，但在不少场景里已经能够大量使用。

比如一些相对粗粒度的数据标注，可以帮助我们节约非常多成本。人的标注成本可能在几十元量级，如果直接调用最先进的外部模型，Token 成本也可能接近这个水平；但我们自己用国产卡完成适配后，成本可以明显下降。

当然，这条路本身也投入了不少人力去把管线真正搭完整。所以本质上，这是一次短期人力投入和长期发展之间的取舍。

05

什么样的人才适合具身智能？

桑煜：

技术的构建，最终也离不开高人才密度的团队。

随着具身智能和世界模型快速升温，行业人才薪酬也在持续上涨。我们看到很多自动驾驶、传统机器人甚至大语言模型领域的从业者，都在进入具身智能和世界模型领域。

如果现在去搭团队，几位会用什么标准选人？目前最想招、同时又最难招到的是什么样的人？

许华哲：

**现在具身行业大家收入确实都不低，我们招人压力也挺大的。但我们还是希望把事情的上限做得尽可能高。所以我们内部有一个逻辑：贵可以，但是装不行。

你可以特别强，因为你非常强、能创造很大的价值，所以要价很高，这个我们可以接受。你可能帮公司省下大量算力成本，也可能带来很大的技术影响力。

但“装”不行。我们招人的一个重要标准，就是不能挑活。不能来了以后觉得自己高高在上，只做最核心、最漂亮的事情，剩下的脏活累活都让别人服务你。

这样会产生非常大的 Overhead。明明已经为一个人付出了很高的成本，却还需要额外雇很多人，把他不愿意做的“缝隙工作”全部填上。这是我们很难接受的。

我们团队里有非常优秀的人，有来自斯坦福、MIT 的，也有清华姚班的，但大家一样会洗数据、搭管线，也会做很多所谓的“脏活累活”。这是我们非常重要的原则：大家都是为了具身智能、为了把通用智能体做出来这个共同目标服务，没有谁需要让自己的 Ego 无限膨胀。

目前我们各个板块都已经有人，但还在持续扩张。我们尤其希望找到更多整机硬件经验丰富的人，一起打造真正适合家庭、适合服务场景的机器人本体。

李强：

现在技术发展的速度非常快。去年大家还在讨论 VLA，今年可能已经大量讨论 World Model。在这样的技术周期里，我们最看重一个人的快速学习能力和好奇心**。**

至于现在最想招、又最难招的人，我觉得是非常全栈、很聪明，同时又很实干的人。因为无论世界模型本身，还是把世界模型真正用于具身智能，都是一个非常复杂的系统工程。里面有数据、有模型、有系统、有硬件、有控制，还有现场。

所以一个人不只是要聪明，不只是要在某一个领域钻得很深，他还需要对其他环节都有一定理解。这样才能和不同的人很好地配合，在看到一个问题之后把它拆开，判断究竟应该通过什么方式去 Scale，应该用什么方法解决。所以我们最希望找到的是：在某一个领域有非常深的专长，同时又相对全栈、什么都懂一些的人。这也是目前比较难找的人。

刘念邱：

我非常认同两位讲的，我补充一种我们特别想要、但也比较难招到的人。

我们走的路线和大家有一点差别，希望把科研和落地更好地结合起来。科研很多时候追求的是更快地实现 Scaling，但我们还需要同时思考：怎样解决真实落地里的特定问题？

其中一些问题，可能在学术界过去并没有被充分研究。很多人会因此形成自我约束：以前没有人做过，这么做风险是不是很大？但机器人真的要进入开放场景时，我们必须重新思考很多问题。

比如智驾是环视视野，而现在很多机器人的数据更多来自前视视野。如果真的进入开放场景，今天机器人的数据管线是否正确？传感器参数是否正确？如果不对，应该怎样调整？这些都需要做一些突破性的决策。所以我们很需要一种能够从第一性原理出发做判断的人。

他不一定每一次都能判断什么是绝对正确的，但至少应该能够判断什么大概率是不对的，不要因为从众，就选择一条未来并不适合我们的路线。这样的人，我觉得现在非常稀缺。

06

三年之后

机器人的“ChatGPT 时刻”会来吗？

桑煜：

最后用一个更长期的问题收尾：如果三年之后再邀请几位来到这个舞台，大家觉得那个时候，今天哪些关键技术问题已经被解决了？各自所在的场景，又会发展到什么状态？

许华哲：

三年之后，我们的机器人应该已经走进一部分家庭了。如果没有走进去，那我三年后可能也不配再被邀请来了，说明事情没做好。

我们认为，到那个时候，机器人的泛化能力应该已经足够处理比较复杂的非结构化场景，大家也应该可以在很多地方看到我们的机器人。届时需要解决的，可能会更多变成稳定性、安全性、合规、伦理、法律等问题。

如果机器人真正要在人类社会大规模铺开，一定还会有很多甚至并非纯技术的问题需要解决。

李强：

如果看未来三年，我觉得中国做这件事情有很多优势。

一方面，我们有非常丰富、复杂的场景；另一方面，我们有很好的人才供给，也有非常强的供应链。今天很多人都在问，Physical AI 或者具身智能的“ChatGPT 时刻”什么时候到来。我觉得三年时间里，我们一定会在一些足够大的细分行业里看到这样的时刻。

也许某一天我们回头看的时候，会发现很多过去需要人去做的苦活、脏活、累活，已经润物细无声地被机器人做掉了。我非常期待、也非常相信，物流可能会是第一个看到“ChatGPT 时刻”的大行业。这是我最期待三年之内发生的事情。

刘念邱：

我觉得现在还是一个相对偏 Demo、偏路线探索的周期。接下来的 3—5 年，会逐渐进入落地和商业模式验证的周期。大家会持续优化生态、产品力和成本结构。

那个时候，应该会进入一个工程和技术并行的时代。机器人也会从现在大家更多是尝鲜、体验，逐渐变成真正因为它的使用价值而购买。

这也是我们一直努力的目标：让大家为机器人的使用价值买单。使用价值带来更多真实数据，真实数据又让机器人变得更好，最终形成一个正向循环。希望三年之后，我也还能坐在这里。

桑煜：

今天我们听到了很多非常真诚的分享。世界模型技术显然还在继续发展，但我们也看到，真正推动行业往前走的，不只是某一个概念，而是一群创业者和高人才密度的团队，在模型、数据、硬件、系统和真实场景里扎扎实实地解决问题。

我们也期待未来三年看到更多范式跃迁和技术突破。至于机器人真正的“ChatGPT 时刻”会以怎样的方式出现，就让时间给我们答案。再次感谢三位嘉宾的精彩分享。

完整节目欢迎订阅小宇宙“Attent!on”频道收听。