文：富充配资开户行情
编辑：苏建勋
人头攒动的2025WRC（世界机器人大会）上，不乏各种酷炫的Demo展示，可在一众敲锣打鼓的机器人表演中，具身智能公司星海图展位上，机器人却在安静地执行铺床任务。
一些围观者流露出疑惑的表情。他们难以理解，为何这个对人类来说极其简单的工作，需要大费周章地展示。
“铺床是个集各种难度于一身的长程任务。考验了机器人柔性物体操作、模型的全身控制等能力，以及在各种杂乱床面上完成整理的泛化性。”星海图首席科学家、清华交叉信息学院助理教授赵行在展会现场对《智能涌现》说。
这时，工作人员将被子随机弄乱，一位观众下达了铺床的指令，机器人随即开始工作。
看似简单的工作，机器人却调用了全身23个自由度，往往要分三步实现：它先通过底盘移动至最佳作业位；随后升降、俯仰躯干，调整合适的工作角度；最后用机械臂抓住被子，外拉、展平。
三个步骤间也相互影响：机器人如果一开始没走到位，就会抓不住被子；即使走到位，如果被子在床很中间的位置，躯干就得特别往前倾去“够”到；抓取时，由于被子较重，不能仅靠臂拉动时，机器人还要通过全身位移去拉平。
这场演示的背后，是星海图新发布的 VLA（Vision-Language-Action，视觉-语言-动作）端到端基础模型G0。
谈到训练这个模型的原因，赵行向我们介绍，之前星海图用的小模型，虽然能做展示，规模化应用的效果却不好，想获得真正的泛化能力，还是要做大模型。
WRC上星海图展示的机器人铺床Demo，图片：采访人提供
当前，具身智能仍处于“非共识阶段”。大语言模型的 Scaling Law已被验证，说明数据量变会引起模型能力的质变；但这一规律能否在机器人领域复现，尚待答案。
这也是为何赵行将过去十个月的主要精力，投入到数据工程的原因。
数据工程包括采集员的培训与考核，真机遥操作采集，以及数据上传、清洗、标注等等一系列流程，是典型的“脏活累活”。因为整个链路尚未形成标准化流程，赵行还经常处理一线采集员的反馈，过去十个月工作强度很大。
一位在星海图工作的人士告诉我们：“赵老师是我们的加班搭子，经常半夜还能看到他。”
在他看来，具备泛化能力的基础模型离不开扎实的真机数据采集与清洗。与其把时间精力花在“好看”的展示上，不如直面具身智能的根本问题。
随着G0发布，星海图也即将开源在开放世界、真实场景中采集的500小时真机数据集。
赵行希望通过开放数据集，为具身智能行业提供一个高质量基准数据集和评价标准，便于不同团队在相同数据上比较算法、验证效果，从而推动技术的开发与积累。
同时，开源数据集可以大幅缩短从购机到模型部署的开发链条，降低重复采集与标注成本，帮助高校、研究所与企业更快进入实验与迭代阶段。
在2025年7月，《智能涌现》就曾独家报道过星海图接连完成A4、A5轮战略融资的消息。自2025年开启A轮系列融资以来，星海图至今已完成近15亿元人民币融资规模。
此次WRC期间，我们对赵行进行了专访。他以学术与产业的双重视角，分享对于VLA泛化性、世界模型等热门问题的看法。以下内容来自对话，经作者编辑整理。
星海图首席科学家、清华交叉信息学院助理教授赵行，图片由星海图提供
大模型是具身智能泛化性的基础，高质量数据更重要
智能涌现：WRC期间星海图呈现了具身智能铺床的Demo，比起现场很多敲锣打鼓的表演，它显得没那么“Fancy”，最初是怎么决定做这个展示的？
赵行：其实星海图不算是一个很擅长做Demo的公司。比起酷炫的动作，我们更想展示智能的进展。
具体而言，星海图训了VLA的具身大模型G0，同时我们也在写一些技术报告。为此，需要去不同的地方采数据、调模型，这些都是比较扎实的事情。
所以直到WRC开展的前一两周，我们才决定做铺床的Demo。因为铺床是一个把各种难度集中于一身的展示。
展示这个Demo时，用户先通过电视的界面给模型下达铺床的指令；模型接收到这个指令后，就会观察、理解、规划它的任务；在语言规划时，机器人也会同步执行。
这时候，模型会控制机器人全身的23个自由度，这分三步实现动作。
第一步，进行底盘的移动；然后躯干可以升降、俯仰；最后是用机械臂操作物体。
这三个动作其实是相互影响的。如果一开始没走到位，那就抓不住被子；走到位之后，被子如果在床很中间的位置，机器人的躯干就要特别往前倾去“够“到；最后是抓取，往往被子比较重，仅靠臂是拉不动的，机器人还要通过全身的位移去拉平。
所以这个Demo并不是我们精心设计的，但它是和别的展示相比有差异化的。从技术上，它的全身控制、柔性物体操作具备难度，展示了我们VLA端到端大模型的能力。
智能涌现：G0模型的表现如何？它解决了什么样的问题吗？
赵行：基于星海图的开放场景数据集，加上我们提出的三阶段VLA训练框架（跨本体预训练、单本体预训练、后训练），G0模型在平均指标上超越PI 0约20%。（作者注：PI 0为美国具身智能公司Phisical Intelligence研发的机器人控制VLA模型）
此外，我们发现，基于开源数据的跨本体预训练，在基础桌面任务上表现尚可，但是在复杂的全身移动控制任务上表现不佳。
星海图的开放数据集填补了上述空缺，使用这一数据集后，复杂的全身移动任务会有更好表现。这提升了了业内跨本体预训练的效果。
智能涌现：研发G0模型的背景是怎样的？
赵行：去年10月，大概是星海图成立一年的时候，星海图开始训这个模型。
从过去研发中的体会而言，小模型能做展示，但是非常难以规模化应用。因此，我们更希望开发出有泛化性的大模型。
智能涌现：模型的泛化性具体有哪些难点？
赵行：具体来说有三方面。
一是操作对象的不同。比如在一个果盘里抓取，这里有葡萄、有番茄，从纹理、颜色、软硬程度方面都有区别，甚至同一类别的也会出现大小不同的情况。
其次是场景和环境的差异。即便是同一款奶茶，但在不同的门店里制作时，因为周围环境布局的不同，也会影响泛化性。
此外还在于具体的任务和动作。就像在做抓取动作的时候，如果遇到一张很薄的纸放在桌面上，我们很难一把就抓起来，需要先抠边再拿取。这个动作很难用语言去定义。
这些问题是基于编程的算法还没有办法做好的事情，也是阻碍机器人进入各种场景大规模应用的瓶颈。
但对于人类来说，这些动作都是下意识就可以实现的。所以，相比小模型，只有大模型才能达到这种泛化性，这也是我们做大模型的原因。
智能涌现：大语言模型的Scaling Law，讲究数据的量变引起模型能力的质变，所以你们相信它也可以在具身智能模型上复现？
赵行：语言模型已经证明了大模型、大数据是能够做好泛化性的，我觉得这是AI的第一性原理。
但在机器人领域，我们有观测到泛化性的端倪，因此从2024年底决定做具身大模型。
我相信，凑齐了模型结构、算法、数据三个要素之后，具身智能模型也会有像语言模型一样的能力。
我们的G0模型使用的是基于Transformer的训练方式。虽然大家现在对Transformer的框架结构不够满意，我也认为未来会迎来改变，但短期内它的可用性仍然是最强的。
算法是有改变的可能性，这个主要靠聪明的研究员。我觉得这个方面我们团队没有什么问题，可以自己研发，也可以跟进最新的进展。
最后发现，大家都缺失的是数据。
就像Sora让人感到惊艳，但人们发现Sora所用的Diffusion Transformer算法和模型都是以前就有的，只是数据量更大了。这也让更多人相信原来数据更重要。
高质量数据重要，现阶段会亲力亲为数据工程
智能涌现：所以其实过去这十个月的时间，你的工作重点是数据？
赵行：我觉得算是，主要在于推动高质量数据的采集。毕竟现在无法买到现成的机器人数据。
数据采集和科研不一样。科研的话，比如算法的提升，需要的是聪明的大脑，有时候一周没干活但是想到一个非常好的算法，就可以达到效果。
但是数据采集是一个非常基础的工作，需要坚持。
具体的工作非常杂。采集员会带着机器人去不同的场景做数采，但要先对他们进行培训、考试，保证他们能采到高质量数据。
现场采数据的过程中还要解决大量问题，比如机器、网络等突发情况，我也会去协调。采集数据之后还有后续数据的上传、清洗、标注等等。
智能涌现：感觉数采的工作更多是一些基础工作，或者可以被称为“脏活累活”，你都要亲力亲为吗？
赵行：团队的同学很还是很给力的。但是因为这个具身智能这个领域太新了，还没有形成能直接提交给他们的SOP。
大家知道，过去的数据标注产业还是蛮成熟的，可以把数据全部发给一个外包公司。规定好时间、准确率等等就可以等验收了。
但是机器人的数采和硬件相关，也和场景等等相关，整个链路非常长。现阶段没有现成经验，只能自己亲力亲为。
智能涌现：什么样的数据集才能被称为高质量？
赵行：要有真实性，以及需要多样化。
比如说我们同样是打乱桌面上的一些物体，要考虑乱的是否真实。很多团队和公司都在构建数据采集厂，构建的家庭环境窗明几净、一尘不染。但真实环境中，东西乱堆乱放，和数据采集厂完全不一样。所以我们决定去真实环境做数据采集。
其次是否每一次都乱得不一样，这是“乱的多样性”。就像训练大语言模型，需要把整个互联网上的语料全都扒下来。我们在做具身智能模型训练的时候也需要这样，最好是把能考虑到的数据全都采集到，而非专注于某一个任务。
所以，我们定义了五类场景，家庭、酒店、工厂和仓库、超市、餐厅。我们选择的是人类操作比较多的真实场景，去这些地方寻找机器人的用武之地。
当然这也是一个持续发展的过程。目前数据有仿真、真机等不同类型，究竟按照怎样的比例组合是最理想的，我们后续还会投入更多的资源和精力去找到好的“数据配方”（Data Recipe）。
智能涌现：你们从采集的数据中开源500小时数据集，这件事的意义是什么？
赵行：我觉得主要有两个方面。
一是对行业贡献一个高标准的数据集和数据的评价标准，可能会帮助这个领域建立企业标准。
机器人领域，每个研发团队的本体品牌、构型都不一样，执行的任务不同、算法不同，相互之间很难比较。
所以一个开源数据集可以控制其它变量，方便大家去跑不同的算法。这样不仅可以给到我们关于数据集的反馈，也能共同促进领域的进展。
比如，别的团队有一个自己的算法，这个算法在他们采集的数据上跑过后，验证了能力。这个团队也可以在我们开源的数据上跑一跑，通过结果看看算法的最佳实践。
第二点，星海图希望能构建起共同开发者群体。包括高校、研究所、企业等等在内，都能用我们的数据来做实验。
从公司模式上来说，我们既做整机又做智能。所以我们发现用户买到新的机器人之后，通常会经历包括各种参数设置、采数据以及洗数据、培训模型等在内的一整个链条的工作。
我们希望通过开源数据，让大家缩短开发流程，相当于给购买我们机器人的使用者也提供了一套相对应的开发工具。就可以缩减前面的工作。
展台上正在了解遥操技术的观众，图片：采访人提供
VLA范式是工业化路径，也在探索多种技术路线
智能涌现：尽管VLA是当前公认的主流范式，但有人认为它不是唯一的解决方法。尤其是仅靠视觉似乎难以在物理世界中实现非常好的交互，也有观点提出要加入触觉，对此你怎么看？
赵行：这个问题我们思考过很多遍。触觉和世界模型等技术，都是非常好的前沿方向，我们也会在实验室和科研中探索包括它们在内的各种可能性。
但是，星海图作为公司，还是希望技术有工业化路径可依，在什么时间点，做什么事情，是很重要的判断。
我们的路径就是需要先把VLA做好，遥操作可以完成生活中九成的任务。比如，要收拾桌面，采集员可以带着遥操机器人，通过看着桌面的情况，在没有触觉的情况下，就能完成90%的工作。
从这个角度来看，把VLA先做好是一个很合理的路径。未来是需要触觉的，但说起现阶段不加触觉的原因，我认为是触觉传感器还不够标准化。
为什么视觉打败了其它所有的传感器呢？一方面是马斯克说的第一性原理。
另外一个方面就是要从工业化角度来看。相机、摄像头是一个发展了百年的行业，里面很多的工程化、标准化，拍摄以后的图像压缩、存储、传输算法，都是非常成熟的。我们希望用这种标准的传感器，来规模化采集数据。
但是触觉等其它传感器，还处于比较早期的阶段，大家还有在硬件上的争议，比如采取电容还是电阻式等等。这都需要这一领域在接下来的几年里定义好，到那个时候触觉就会被加入到VLA中。
智能涌现：目前虽然具身智能的主流技术收敛到了VLA范式，但是各家公司还是在细节上有区别。比如在工程的动作上等等，每家公司的重点和优先级会有不同，星海图在这方面的思考是什么？
赵行：在VLA大的框架下，我们走的是快慢双系统的技术路线，简单来说就是从系统层面分为“慢思考”和“快执行”。
最早是在做自动驾驶的时候，我们提了这个方法。之所以觉得这是一个比较好的方案，原因在于多方面。
首先，做一个单系统的模型会有很多的限制，比如思考速度如果太慢了，它会限制运动的速度。我们看到大语言模型的推理过程有时篇幅会很长，但如果推理太长就会影响实时响应，运动的动作就会卡顿。
第二点在于，如果把思考和执行都放在一个模型里，这个模型的参数量可能会变得很大，这就没有办法很好地在机器人上端侧部署。
从第一性角度来看，人类的各个系统也是不同频率在执行的。比如条件反射就非常快，而思考就是比较慢的。整体来说，这也是一个更节省能量，更高效的系统。
智能涌现：那可不可以理解成，虽然快慢两个系统虽然在数据需求和工作形式上有差异，但它们不是两个独立的系统，而是连通的。它们是有互相传递转移状态的？
赵行：没错，把这个信息传递给大家是很重要的。
从字面大家容易理解成，这就是两个模型，但实际上不是这样的，它们其实是一个你进我退的关系。比如小脑不够强，大脑就得再大一点。
而且我觉得随着技术的进展，这两者的关系会越来越紧密。
慢慢地，小脑的能力越来越强，会吸收大脑的一些知识；大脑又从能从外部互联网数据里，学到更多的更广泛的知识。这就完全实现了一个比较非常类人的分层架构，就像人脑虽然分成大脑、小脑、脑干，但它们的生物结构是一模一样的。
智能涌现：你如何看待现在讨论比较热门的世界模型？
赵行：世界模型是一个比较面向未来的、重要的技术，我们会去较为积极地探索这个方向。但它还没有进入到工业化的技术阶段。
不像VLA是靠数据驱动的，我觉得世界模型是一个非常典型的、靠聪明头脑驱动的工作。世界模型需要定义出一个最合理的算法，建模物理世界的运动规律。
如果能把世界的动力学规律给建模出来，那么我们就不用再靠模仿学习的方式去训练机器人了，机器人可以直接知道每一个动作的后果。
但是让机器人预知未来，可能比让机器人规划现在的动作更难，这有点像为了解决一个难题还要创造另一个难题。所以它非常适合最聪明的、最前沿的实验室去探索。
展会现场讲解中的赵行，图片：采访人提供
学术经验长期受益，产学协同是件好事
智能涌现：你在麻省理工毕业后，又在美国工作。2020年回国发展，回到清华任教，随后又加入星海图，这是因为被国内学术、产业端的哪些优势吸引？
赵行：姚期智先生在2018年到美国，去为清华招募年轻学者，我也是在这一批中回到清华任职的。
目前大家还是有共识，认为在国内做学术的话，清华叉院（交叉信息研究院）就是最好的地方。
姚先生给予了我们很大的空间和自由度。他不限制大家做什么方向，在行业上也采取自由发挥。这很有利于人才储备，所以当一波新的技术产业机会来临时，大家会看到涌现出了很多的人才。
智能涌现：过去的学术经历，给你现在的工作带来了哪些启发？
赵行：这次开源500小时数据集的想法，就来自于我在做科研时体会到的一件重要的事——贡献的越多，收获的也越多。
我在读博期间，和其他同学花两年时间做了一个数据集，叫ADE20K。这在当时是最大的、被使用最多的图像分割数据集，在目前也是被使用最多的评测数据集。
为了做这个工作，当时我们给数据集找标注，还做了清洗，并且训练了模型。
我们还制定了评价、测量的指标，比如定义图片有多少个类别，规定需要像素级精准，也评判了不同模型在数据集上的表现。
我们当时构建的Benchmark到现在都有好多人在用。从论文的引用和关注度来说，这可能是我所有发表过的论文里影响力最大的。
这些工作都挺费时费力的，但因为做得好，也会有后续的影响。这也对我此后工作产生长远启发。
智能涌现：你目前在清华任助理教授，也在星海图担任首席科学家。对你来说，“产学结合”好的一面是什么？又有什么挑战？
赵行：当前的机器人领域，产学是一个协同关系。为什么这一波具身智能浪潮，会有很多高校老师出来做公司，因为只有这一批老师之前在这个方向的探索和积累能达到两年以上。现在美国的AI领域，也是很多高校教师出来创业。
另一方面，产业上的发展，也可以协同解决之前在学术领域里做机器人学习的痛点。
之前在学术领域，虽然大家在尽量做标准化，但因为规模还是小一些，所以会比较难。但是产业发展会带来数据等方面在量级上的提升，量变会促进质变，也可以使学术进展有爆发式的增长。
封面来源｜采访人提供
一直牛配资提示：文章来自网络，不代表本站观点。
相关文章
沪深京指数
热点资讯
