文｜富充最大配资平台
编辑｜苏建勋
2026年，具身智能会有怎样的分化？北京大学计算机学院副教授、“智在无界”创始人卢宗青向我们抛出一个判断：
“软硬分化。”
软，是模型大脑，硬，是机器人本体；分化，是不同的公司各有所长，各司其职。
“智在无界”所在的北京鼎好大厦，是个被智源研究院、零一万物、银河通用等一众明星AI机构坐拥的大楼。在这里，人工智能的非共识，每天都在发生。
卢宗青的观点也和具身行业发展现状大相径庭。如今，获得高估值的具身创业公司，不论是已成为“独角兽”的智元机器人、银河通用，还是融资势头强劲的星动纪元、星海图，都在执着地追求一件事：软硬一体，做全栈。
尽管如此，卢宗青与他于2025年创立的“智在无界”，还是选择“逆势”做一家模型公司，只研发机器人大脑，并不涉足硬件制造。
智能涌现独家获悉，智在无界已于近日完成天使轮，融资金额为数千万元，由拉卡拉旗下考拉基金领投，领航新界、灵心巧手跟投，老股东联想之星和星连资本持续加注。
“具身行业对‘纯软’这件事，有比较大的偏见，国内是这样，国外也是，”卢宗青的态度单刀直入。他举了个例子，软硬都做的美国具身智能创业公司Figure，比只做具身模型的Physical Intelligence估值要高上数倍。
不过，2026开年发生在美国机器人圈的一笔大交易，为“一级市场重新定价具身模型公司”这件事开了个好头：1月14日，机器人模型初创企业Skild AI完成14亿美元C轮融资、估值翻了三倍后达到超 140亿美元，成为2026年机器人行业最早诞生的千亿独角兽。
这笔交易把问题摆到台面上：如果模型公司做出不同本体、任务通用的大脑，具身智能企业是不是没必要把整条技术栈都背在自己身上？
智在无界想证明的正是这一点——做跨品牌、跨形态的具身智能模型。
目前，公司已推出灵巧手操作模型Being-H系列，可以控制双足机器人移动和操作的模型Being-M正在研发中。最新发布的Being-H0.5模型已能够控制30种不同机器人；因为经过推理优化，端侧部署在英伟达Orin-NX等常用机器人小型芯片上，也可以实时跑起来。
目前，公司客户已包括PND、灵心巧手等硬件公司。PND近日与智在无界联合发布的Adam-U Ultra机器人，就是“软硬协作”的典型故事。
接入Being-H后，PND高自由度机器人可以“开箱即用”整理桌面、分拣扫码等通用技能；再配合智在无界的增值服务Being-Dex做少量数据的后训练，数小时就能学会新任务。
实现上述能力的核心，在于超3万小时预训练数据——卢宗青介绍，这已是当前全球规模最大的具身智能模型训练数据集。这背后，是一套独特的 “人类动作视频” 方案。
（《智能涌现》注：此处“最大”特指用于具身智能模型预训练的数据集。）
这套方案可以在人类正常工作生活中，通过头戴摄像头，录制第一视角的手部动作视频，因此数据规模大、成本低，更能完整记录人类复杂操作。相比之下，多数全栈公司依赖的“遥操作采集”模式，则因需人工操控特定机器人，存在成本高、规模小、数据与硬件深度绑定的局限。
△头戴摄像头可以在不干扰操作者正常工作的情况下，录制第一视角的手部动作视频，图片：采访人提供
2023年底，卢宗青就开始使用该数据思路做模型训练。他记得，当时这一方案并未引起太大反响，业界还是以仿真和真机数据为主。但2025年起，包括特斯拉Optimus在内，更多机器人公司开始采用人类视频数据方案。
卢宗青判断，2026年行业内会有更多公司认清“软硬分化”的价值。原因在于背后一笔经济账：纯自研一个具身模型，算上买卡、招人等成本，年开销高达数千万甚至上亿；相比之下，外采一台机器人“大脑”的一次性成本只需几万元。
在他看来，“软硬一体”因为布局全面而更受一级市场青睐，但现实是技术栈太长——做模型和做硬件本就是两套能力体系，一家公司很难两头都做深。
过去一年里，也因此出现一些“为了全栈而全栈”的公司：套壳VLA、做出看似能干活的Demo，拿到了融资，却无法在真实场景里落地赚钱，或因模型套壳被曝光而遭到技术能力的质疑。这促使更多创业者开始审视全栈路线的难度与性价比。
“我不想把资源分散在不擅长的硬件上。”卢宗青说，技术还没收敛，探索更要保持轻量，这也是他选择死磕“大脑”的原因。
△ 卢宗青，图片：采访人提供
以下为《智能涌现》与卢宗青的访谈，内容经作者整理：
具身模型与本体，分工将会更明确
智能涌现：国内头部具身企业还是以“软硬一体”为主，智在无界只做模型，会在融资时遇到困难吗？你怎么看这个情况？
卢宗青：智在无界正式开始运营是在2025年5月，当时纯模型的路线想要融资还是不容易的。其实美国市场的情况也类似，软硬都做的Figure会比只做具身模型的Physical Intelligence估值要高。
（作者注：2025年9月，Figure估值约为390亿美元；2025年11月，Physical Intelligence估值约为56亿美元。）
我认为原因是，具身是一个全新的行业，最初大家也不知道未来的产业链的形式会是怎样的，所以早期投资人更愿意把钱投给什么都做的企业。
但估值只是暂时的，它从本质上不代表公司的业务会做好。我想要做的是OpenAI那样的企业，一开始更偏向科研，能第一个做出“ChatGPT”，然后开展商业。
智能涌现：怎么才算“公司业务做好”？或者说，一个好的具身大脑模型，核心解决什么问题？
卢宗青： 我认为是通过预训练模型，为机器人赋予一种基础的“运动与操作基因”。
人虽然不像马、鹿等动物，一生下来就有很强的运动水平，但人类的基因赋予了我们较好的运动能力，通过后天的训练可以激发出来。机器人也是一样，预训练模型相当于赋予了机器人“开箱即用”的初步运动能力。
智在无界也会基于具体任务，到不同的机器人本体上做后训练，如果预训练的大脑模型能力强，那后训练加部署的环节里，大概30分钟就能让机器人学会一个新任务。
智能涌现：但估值高会带来更多资金的储备，所以可以做更多技术上的探索，这在技术没收敛的阶段能否加大“做好模型业务”的概率？
卢宗青：但估值高了也会有恶性循环，企业可能会去尝试各种技术和商业化的路线。投了各种各样的钱，但没做出成果。至少，估值和业务成败不是绝对的关系。
智能涌现：所以现在能感受到一级市场的变化吗？你认为原因是什么？
卢宗青：现在可以看到具身模型公司的估值越来越贵了。
原因是，从业务层面来看，现在很多机器人本体公司会来找我们合作。大家算过“自研模型能不能赚钱”这笔账之后，逐渐意识到，具身智能本体公司做不做模型本质上是个商业行为。我认为行业会越来越走向软硬分化的形态。
智能涌现：从算账的角度来看，训一个好的具身模型，一年要花几千万至一亿元？
卢宗青：对。一个模型大概需要10个人，年薪就要2000万元。算力也很贵，如果是100台机器，每台机器8张卡，用A800的卡，每个月需要大概300万元；如果H200的卡，每个月的成本就要900万元了（包括存储）。
这还没有算数据和其他的成本。现在最便宜的第一视角视频数据，大概是几十元一小时；动捕数据大概在几百元一小时。
智能涌现：智在无界现在的付费模式是什么，为什么说比企业自研要便宜？一个硬件厂商，会不会担心软硬分化以后，自己因为没有软的能力，而被模型公司“坐地起价”？
卢宗青：现在收费是一台机器人，部署要花一笔一次性的License费用，在几万-十万元，对于出货量不多的公司来说还是小于自研成本的，此外我们还有根据数据量收费的后训练服务Being-Dex。
当本体企业出货量达到一定程度的时候，可以有类似Saas年包的付费方式。到时候，模型公司也会有多家，大家有竞争，本体厂商就不怕某一家“坐地起价”。
智能涌现：如果技术收敛了，不再用花那么多的成本搞研发了，本体公司会不会自己就把模型的业务做了，这样会对纯模型公司的生意造成威胁吗？
卢宗青：如果真到了技术收敛、一个通用模型能做很多事情的阶段，机器人会进入家庭。那时我反而认为模型公司的市场会更大，甚至可以做 To C。
届时可能会出现像微软那样的大软件公司；也可能像华为那样同时具备软硬产品。到了那个阶段，我们也可能通过 OEM去做真正的机器人产品。
△Being-H模型控制的PND机器人正在给快递扫码，图片：采访人提供
2027年，100万小时数据量涌现模型能力质变
智能涌现：你此前一直从事的是计算机领域的研究，怎么开始和具身智能交叉的？
卢宗青：2023年，我通过多模态大语言模型去玩开放世界游戏《荒野大镖客2》，但发现模型的任务理解和动作完成能都十分有限。我当时意识到，模型交互能力弱，根本瓶颈在于缺乏对视觉和空间的理解，要提升这一点，与真实世界的交互数据必不可少。
这成为我最初投入具身智能模型研究的契机。
智能涌现：你说智在无界正式创立后不久，就利用2025年暑假去好几家工厂调研具身智能落地情况。发现了行业怎样的问题或者现状吗？
卢宗青：印证了之前的判断，就是现阶段的具身智能远远没到可以落地真干活的水平，核心卡点在泛化性。
比如，束线整理、精密组装这类动作非标且复杂的工序上，具身智能“独立自主完成工作”的能力仍然有限。行业对外讲的“工业场景落地”，大部分还停留在演示或短周期的POC（概念验证）里。
智能涌现：原因是什么？
卢宗青：原因一部分在硬件，缺稳定好用的高自由度灵巧手；灵巧手也缺触觉，这意味着接触点等等重要的力反馈信息是缺失的。
另一部分原因在模型，过去业内更多用二指夹爪，行业还没研发出真正能干活的灵巧手模型。
智能涌现：你早于业界共识提出采用人的视频做预训练数据。智在无界发布的第一个模型时，业内反馈如何？
卢宗青：2025年七八月份，我们做出了第一个灵巧手模型 Being-H0，业内反馈还不错。英伟达总部也专门派人过来，了解这个模型在算力方面的细节。
当时大家普遍觉得这是个新思路，那时候业内主要还是在用以机器人为主体采集的数据。我们是第一个采用大规模人类视频数据做模型预训练的，Being-H0用了大约100万条第一人称视角下、人手操作的视频。
智能涌现：你从2023年底开始用人类视频数据的技术路线训练具身模型，行业去年也是紧锣密鼓地迭代各种技术方案，但为什么至今还是没做出一个泛化性好、真能干活的具身模型？
卢宗青：我们在具身模型的训练上花了大约两年时间。过去的问题中，最本质的有两点，一是在于数据不够多；二是模型训练还缺乏很好的范式。
智能涌现：具身智能要具备泛化能力，多大量级的数据才够？
卢宗青：我们目前积累的数据在四五万小时左右，包含第一人称视频和一部分机器人真机数据。
我认为，数据规模可能需要达到100万小时量级，才更有可能让机器人能够快速学会复杂的新任务，具备真正的泛化能力，从而在产线上实际用起来。这个量级大概在2027年可以达到。
另外，数据来源不能只局限于单一或少数场景。我们收集数据时，会注重多样性，不同场景、不同任务的数据都在持续积累。
智能涌现：之前做了一两年，才积累了四五万小时的视频，如何在2027年就把量堆到100万小时？
卢宗青：过去视频量级一直只有四五万小时，原因是当时技术路线还没转到“人的视频”，所以很少有人系统地做这件事。
我们早期的数据一部分来自互联网，比如用GoPro拍的第一视角；也有我们自己采集的，包括第一人称视频，以及用动捕设备捕捉的动作数据。
现在行业对视频训练数据的需求起来了，最近也出现了不少专门生产视频数据的创业公司。我们这边还有合作工厂提供数据，比如工人头戴摄像头工作时拍摄的手部数据。
智能涌现：你说，从方法论来看，训练的大框架其实都差不多，真正的差异在细节和工程上，智在无界是怎么做的？
卢宗青：智在无界在“预训练-后训练”双层框架中，先在预训练阶段通过大量人类视频让模型模仿人类，理解视觉、文本，输出人类动作。
在后训练阶段，将预训练中基于二维画面学到的信息，与物理空间对齐，转成可以在物理世界中驱动机器人的控制信号，适配不同本体。
在这些环节中，我们做了一些细节的工程工作。比如，数据处理上，我们建立了一套自动化的数据处理工作流，整个过程基本无需人工干预。系统会自动爬取网络上的视频，调用模型标注视频动作的文字描述，再将视频中有用的片段截取出来。另外，我们还通过给视频中的关节进行标注，让不同来源、不同角度、不同清晰度的视频里的二维动作画面，都能统一进同一个3D空间里，最终整理成可直接用于训练的“视频-文字描述-动作”数据对。
后训练阶段，我们会更积极地探索多模态的融合，比如加入触觉带来的力反馈，补充模型学习需要的重要信息。
智能涌现：除了灵巧手大模型，听说智在无界即将发布一个适用于双足人形全身的大模型，这个可以先大概介绍一下吗？
卢宗青：这是我们做的多模态移动操作模型，Being-M 系列。它的数据会复杂一些，同一个动作，既包括第一和第三人称视频，也包括动捕数据，它们是对齐的。
我们在预训练阶段，先用模型把第三人称视频中人的姿态提取出来，再给这个动作配上文本标注。目前我们用大约1500万个“文本 + 动作”配对训练它，再配合人的第一视角视频，相当于把视觉模态也加进来。
举例来说，像“走路绕过面前障碍物”这种动作，我们既有全身动作和文字描述，也有人眼睛看到的第一视角视觉数据。把这些加在一起，就可以生成对应的动作序列；再用我们的动作跟随模型 Being-W，控制机器人去跟随刚才模型生成的动作序列。
△Being-H模型控制的机器人正在将不同形状的零件进行分拣归纳，图片：采访人提供
套壳做Demo挺常见，但解决不了实际问题
智能涌现：所以我们现在距离理想中能独立工作、能泛化的具身模型还有多远？
卢宗青：我要是能判断还有多远就好了（笑）。但我们在2026年1月推出的Being-H0.5灵巧手模型，会比半年前推出的Being-H0在泛化性以及跨本体性能上有非常高的提升。
智能涌现：那你认为模型能力产生质变，是会突然涌现还是循序渐进的过程？
卢宗青：不会是循序渐进的。可能会基于方法上的变化，或者是模型层面的变化。但从科研角度来看的话，不会是一成不变坚持做（现在的方法）就能做出来的。
智能涌现：新发布的Being-H0.5模型，表现如何？
卢宗青：Being-H0.5的预训练除了包含大量视频数据，也采用了来自30种不同构型本体的真机数据，实现了跨本体的大规模数据融合。
模型训练完成后，可以同时部署5个不同本体。其中让我觉得惊艳的瞬间是，用宇树 G1 采集的快递扫码分拣任务数据训出来的模型，首次上机就能直接让PND的Adam-U成功执行同一个任务。
而且Being-H 0.5具备很高的端侧部署速度，在常见的小型算力板Orin-NX上，能达到模型动作生成与机器人运动实时进行。
智能涌现：泛化性这件事如何评定？具身模型现在有比较公认的Benchmark吗？
卢宗青：其实我们说的就是任务的成功率。现在业内有一些Benchmark，比如LIBERO、RoboCasa，不过具身的Benchmark还在迭代。
智能涌现：叫Being-H 0.5会和PI 0.5有关吗？
卢宗青：无关，只是我们认为现在模型能力还在0.5的阶段。
市面上确实有一些号称自研模型的公司，其实是套壳PI 0.5的具身模型，只是在后训练时加了一些数据而已。但我们不是。我们除了VL基座模型，剩下都是自己训的。
智能涌现：现实很骨感，看Demo却让很多人误以为机器人已经可以做很多事了，听说Demo的拍摄也有很多“技巧”？
卢宗青：Demo的坑还是挺多的。比如没有特殊说明自主操作的情况下，有些Demo里的任务可能是遥操控制的。
智能涌现：所以其实落地在工厂里真干活还是不容易的？
卢宗青：对，如果眼下就能落地干活，其实就不会建那么多数采工厂，收集那么大量的数据做训练了。
智能涌现：最后讨论一下当下的热点方向“世界模型”吧。很多人认为这个技术会在2026年解决具身泛化性的问题，你似乎有不同看法？
卢宗青：我对“世界模型”这个说法一直比较谨慎，现在世界模型的定义很混乱。
如果它只是用来在训练过程中提供一些合成数据、生成训练数据，这当然可以，最多就是做一个“数据生成器”。
但如果最后讲的故事，是把它部署到机器人上直接控制操作，那就会变得极其复杂、极其消耗算力。因为它需要把机器人每一步Action都考虑进去，生成一条轨迹，还要预测大量可能发生的情况。
用它来控制机器人还是非常有难度的。
大圣配资提示：文章来自网络，不代表本站观点。
相关文章
热点资讯