张小珺商业访谈录 147｜沈宇军：机器人原生基础模型，离 GPT-1 时刻还有多远

具身智能离 GPT-1 时刻还差什么？沈宇军给出的答案，落在真实数据的规模化，而不是再堆一个漂亮 demo。这组图片沿着访谈推进：从为什么先做「大脑」，到预训练如何进入物理世界，再到数据、本体与机器人构型。

本期嘉宾是蚂蚁灵波首席科学家沈宇军。单集时长约 1 小时 53 分钟，shownotes 将对话分成五段：公司缘起、原生大脑、数据 scale up、大脑与本体、创业与老师汤晓鸥。1

沈宇军的判断很克制：具身智能还没有到 GPT-1 时刻。眼下最大的瓶颈不是再堆一个漂亮 demo，而是找到可持续的真实数据 scale up 路径；只有具身数据与互联网数据逐渐接近相同量级，机器人基础模型才可能获得类似的训练拐点。这个判断来自本集 01:07:29 附近的讨论。

数字模型可以回答「这是什么」，机器人还要继续回答「它在哪里」「我能不能到达」「接触之后会发生什么」。36 氪对蚂蚁灵波全栈 2.0 的报道，将这组差异概括为感知、预测、行动三道鸿沟，并记录了沈宇军关于物理世界原生设计的解释。2

所以，预训练的起点不是把一个已经在数字世界训练好的模型接上机器人。访谈中，数据准备先落到两个具体问题：给机器人下发什么任务，以及拿到数据之后怎样清理得更干净。模型要在物理约束里把感知、预测和行动连起来。

本期 shownotes 列出 Depth、Vision、VLA、Video、World 和 VA 2.0 六个模型。它们不是一张万能卡，而是一条全栈路线上的不同模块：空间深度、视觉理解、视觉-语言-动作、视频建模、实时交互世界模型，以及世界-动作模型。最后一个问题仍然是：这些能力怎样在真实机器人上稳定复用。

互联网数据可以被复制、筛选和批量处理，真实传感器数据却要面对不同的本体、场景、任务和动作轨迹。第二代模型使用了约 6 万小时数据，但沈宇军仍把它放在「远远不够」的位置；相比第一代约 2 万小时，数量上升之外，数据管线也重新做了清洗。1 访谈提到，行业需要从百万小时级别的真实数据起步；真机遥操作与 UMI 等接口，可能改变数据采集的成本和复用方式，但路径还没有被证明。

这也是为什么「一次成功」不等于「能力泛化」。机器人必须在位置随机、环境变化和人的持续打断中行动，动作本身还会改变下一刻的输入。

蚂蚁灵波选择先做通用大脑，是因为本体很难天然通用：如果场景选错，硬件设计会把模型上限一起锁住。但这不意味着本体不重要。访谈里给出的方向是，大脑与本体会交替上升；下一代模型也可能先遇到上一代传感器和硬件的代际错配。

当主持人问到人形机器人时，答案并不绕向形态崇拜。对沈宇军来说，眼下更直接的任务仍是把机器人的智能补上。把这段回答放回整期访谈，才会发现它和前面的数据、预训练、本体讨论是一条线：先解决能否理解并行动，再讨论机器人长什么样。

引号内为沈宇军在本集访谈中的原话；其余文字是沿时间轴整理的概括。

完整节目可在小宇宙《张小珺 Jùn｜商业访谈录》收听。