风浪越大鱼越贵：24 岁具身首席科学家的路线选择

这一集带走什么

• 一个还没有收敛的领域，才留给新人定义问题的空间。 他给的理由不是热情，而是位置：在大模型这样已经收敛的方向里，刚毕业的人很难自己定义一件事，更多是跟着大部队往前推；而具身没有共识，风险更高，可做的研究也更多。他说自己相信「风浪越大，鱼越贵」，并把最大的风险算成时间——方向踏错，几年之后才发现整条路都不对。1
• 买不到的数据，就自己做，但真正的成本在后面。 他们开源了两千小时的 HiFi-UMI 数据集，内部已经到几万小时；因为供应商设备的精度和时间同步达不到要求，采集手套是自己做的，还改掉了基站定位、把相机时间戳对齐到微秒级。更值得注意的是后面的部分：采集之后的清洗和标注才是投入重心，现在他们已经用通用模型先顶上，再训自己的标注模型。1
• 什么才算具身的智能，他给了三个可检验的能力。 适应能力（零样本或少量样本进入没见过的场景）、可操控性（语言之外，图像和视频也能指挥它）、上下文理解（从一秒内的因果，到任务内的记忆，再到跨任务的长期记忆）。关于外部最热的词，他区分得很清楚：他们看到的是 Scaling 的趋势，但不会说自己验证了 Scaling Law，因为后者需要说清多少数据配多大的模型、配多少算力。1
• 上面那一层不是你的。 他认为通用大模型会承担越来越多的理解与规划，但机器人需要能在一秒内反应的动作能力，所以他判断「下面不可能把上面吃掉，上面确实有可能把动作模型吃掉」。对应到资源上，他们把有限的算力优先给了动作模型的预训练，上层大脑先用外部模型，把力气花在自己定义的具身能力上。1
• 没有公认的尺子，就把自己的评估做扎实。 仿真榜靠纯后训练就能刷高分，真机榜又要交出模型，所以他们判断具身的评估只能自己认真做：从简单到困难铺开任务，覆盖场景泛化和物体泛化，少量样本的实验就写清楚用了多少数据。至于中立第三方，他说以前有人试过，最后不了了之，因为既当裁判又当运动员没人服；这件事的出口，最后还是要看产品和用户买不买账。1

研究摘要与素材边界

本节目是对原访谈的编辑性转译，不替代原节目。