时长：
158分钟
播放：
3.06万
发布：
1个月前
主播...
简介...
今天继续《商业访谈录》的机器人专场，嘉宾是北京大学助理教授、银河通用创始人兼CTO王鹤。
王鹤毕业于清华和斯坦福大学。他给我们从“具身智能”的学术缘起开始聊起，这是一个学术流派从一个学科中萌芽到边缘再到主流渗透的全过程。
而随着ChatGPT诞生，“具身智能”这个小众概念，在过去2年成了新的资本宠儿——但一时间，也带来了新的乱象。
我们探讨了一些具身智能产业界关键问题：
1/具身智能起源于计算机视觉的学术流派，视觉、语言、智能的关系是什么？为什么VLM（视觉语言模型）的表现显著弱于LLM（大语言模型）？
2/具身智能的最大困境之一是数据采集，合成数据是正解吗？具体应该怎么做？
3/如果大模型提倡的是“智能即产品”，那么具身智能呢？王鹤的回答是“生产力即产品”。
去年底，英伟达创始人黄仁勋来华访问。答谢宴上，王鹤不仅和黄仁勋同桌，而且就在做黄仁勋旁边（挨着坐）。在节目最后，我们也聊了聊这个有趣的插曲——他提到，那晚黄仁勋吃了不少水煮肉片。
2025，我们和AI共同进步！
我们的播客节目在腾讯新闻首发，大家可以前往关注哦，这样可以第一时间获取节目信息和更多新闻资讯：）
03:00 开始的自问自答
05:58 语言不是智能的本质，而是“一次跃变”
“具身智能”和“机器人”是不同学术流派
“具身智能”起源于“计算机视觉”的研究流派
视觉有智能吗？纯视觉智能的可解释性差，是端到端的
语言不是智能的本质，不能说没有语言就没有智能
智能的本质是什么？“一种视情况对环境做出反应的能力”
语言是人类能产生这么高智能的“一次跃变”
视觉的本质是一种非常强的sensor（传感器）
25:08 具身智能的学术边缘史
具身智能最早兴起的task（任务）是，导航
加入视觉模态，强调Perception–Action Loop（感知-动作循环），成为具身智能研究流派能立起来的核心叙事
标志性事件：“具身智能是计算机视觉未来的三颗北极星之一”（李飞飞）
我和Skild创始人Deepak Pathak在Facebook人工智能实验室FAIR打过交道
41:15 我的学术之路
2016年，博士第一个项目：从人类视频里学多步的人与物体交互过程的生成（动画领域）
在Stanford博士第一年，在不喜欢的方向非常挣扎，后来换组、换方向
Stanford是高度自由的市场：你可以随时踢你老板，你老板可以随时踢你
第一篇论文憋了很久，很绝望
完全从视频中学习，学习世界模型，还没成为当下能推进具身智能的技术
我的第二个项目：位姿估计和合成数据相关
2020年李开复曾在湾区丽思卡尔顿组织brunch，观点分歧
回国坚定以家庭机器人为目标推进research，根本没有allies（盟军）
01:25:08 具身智能的软件和硬件是螺旋上升的问题
ChatGPT火了以后，很多人开始找我创业，我说创不了
所有工业机械臂在去年的全球总产值才1000亿RMB，和理想一家车企产值相当
如果采取不成熟的激进的硬件方案，对智能会是一种拖累
在这个硬件基础上，我们的方案是，做相对专用的智能和越来越通用的智能
VLM为什么显著弱于LLM？互联网视觉数据/所有人眼观测的覆盖〈〈〈互联网文字数据/人类所有说的话的覆盖（VLM数据不够，VLA的Action数据是最近两年才开始收集的）
01:44:34 我们要避免陷入以下泥潭
这一代具身智能公司相比此前机器人公司，差异在哪？
在我看来，具身智能公司如果陷入以下两个泥潭，天花板会很有限：
1、“长期漂浮”的公司；2、“算不过来账”的公司，边际成本不降
我们要做一个应用场景内的泛化（现在选择的是货架场景）
在我看来，机器人领域的头部效应很重
01:55:17 具身智能是，“生产力即产品”
雇人摇操采真实数据的成本到底有多高？一笔经济账
真实数据在我们训练数据的比重是1%，合成数据管线挑起大梁
行业内的tricky现象：把没有功能的机器人卖给别人（这是一种商业模式）
关于合成数据和Sim-to-Real（仿真到现实迁移）的常见误区
有出货量后的数据回流和数据飞轮
如果大模型是“智能即产品”，那么具身智能就是“生产力即产品”
02:13:51 资本轰炸后的人为乱象
谁在创造生产力，谁在讲故事，这是最乱的——这个源自美国
对Figure的估值400亿美元的两种逻辑
有的人胆子很大，不告诉别人我是摇操，但实际摇操
呼吁：真实展示！不要摇操！
5年内我们一定要有万台以上的应用，如果做不到这个，我们这个领域就被证伪了！
不要去搞一些砸我们行业招牌的事情！这些模式是很可怕的，是在砸这个行业的饭碗
通用机器人的到来不要想得那么快
02:25:25 一个插曲
去年黄仁勋访华为什么和黄仁勋同桌且在旁边？聊了什么？
黄仁勋能吃辣，吃了很多水煮肉片
02:28:26 最后的快问快答
【机器人专场】
逐篇讲解机器人基座模型和VLA经典论文——“人就是最智能的VLA”
【更多信息】
联络我们：微博@张小珺-Benita
更多信息欢迎关注公众号：张小珺
王鹤毕业于清华和斯坦福大学。他给我们从“具身智能”的学术缘起开始聊起，这是一个学术流派从一个学科中萌芽到边缘再到主流渗透的全过程。
而随着ChatGPT诞生，“具身智能”这个小众概念，在过去2年成了新的资本宠儿——但一时间，也带来了新的乱象。
我们探讨了一些具身智能产业界关键问题：
1/具身智能起源于计算机视觉的学术流派，视觉、语言、智能的关系是什么？为什么VLM（视觉语言模型）的表现显著弱于LLM（大语言模型）？
2/具身智能的最大困境之一是数据采集，合成数据是正解吗？具体应该怎么做？
3/如果大模型提倡的是“智能即产品”，那么具身智能呢？王鹤的回答是“生产力即产品”。
去年底，英伟达创始人黄仁勋来华访问。答谢宴上，王鹤不仅和黄仁勋同桌，而且就在做黄仁勋旁边（挨着坐）。在节目最后，我们也聊了聊这个有趣的插曲——他提到，那晚黄仁勋吃了不少水煮肉片。
2025，我们和AI共同进步！
我们的播客节目在腾讯新闻首发，大家可以前往关注哦，这样可以第一时间获取节目信息和更多新闻资讯：）
03:00 开始的自问自答
05:58 语言不是智能的本质，而是“一次跃变”
“具身智能”和“机器人”是不同学术流派
“具身智能”起源于“计算机视觉”的研究流派
视觉有智能吗？纯视觉智能的可解释性差，是端到端的
语言不是智能的本质，不能说没有语言就没有智能
智能的本质是什么？“一种视情况对环境做出反应的能力”
语言是人类能产生这么高智能的“一次跃变”
视觉的本质是一种非常强的sensor（传感器）
25:08 具身智能的学术边缘史
具身智能最早兴起的task（任务）是，导航
加入视觉模态，强调Perception–Action Loop（感知-动作循环），成为具身智能研究流派能立起来的核心叙事
标志性事件：“具身智能是计算机视觉未来的三颗北极星之一”（李飞飞）
我和Skild创始人Deepak Pathak在Facebook人工智能实验室FAIR打过交道
41:15 我的学术之路
2016年，博士第一个项目：从人类视频里学多步的人与物体交互过程的生成（动画领域）
在Stanford博士第一年，在不喜欢的方向非常挣扎，后来换组、换方向
Stanford是高度自由的市场：你可以随时踢你老板，你老板可以随时踢你
第一篇论文憋了很久，很绝望
完全从视频中学习，学习世界模型，还没成为当下能推进具身智能的技术
我的第二个项目：位姿估计和合成数据相关
2020年李开复曾在湾区丽思卡尔顿组织brunch，观点分歧
回国坚定以家庭机器人为目标推进research，根本没有allies（盟军）
01:25:08 具身智能的软件和硬件是螺旋上升的问题
ChatGPT火了以后，很多人开始找我创业，我说创不了
所有工业机械臂在去年的全球总产值才1000亿RMB，和理想一家车企产值相当
如果采取不成熟的激进的硬件方案，对智能会是一种拖累
在这个硬件基础上，我们的方案是，做相对专用的智能和越来越通用的智能
VLM为什么显著弱于LLM？互联网视觉数据/所有人眼观测的覆盖〈〈〈互联网文字数据/人类所有说的话的覆盖（VLM数据不够，VLA的Action数据是最近两年才开始收集的）
01:44:34 我们要避免陷入以下泥潭
这一代具身智能公司相比此前机器人公司，差异在哪？
在我看来，具身智能公司如果陷入以下两个泥潭，天花板会很有限：
1、“长期漂浮”的公司；2、“算不过来账”的公司，边际成本不降
我们要做一个应用场景内的泛化（现在选择的是货架场景）
在我看来，机器人领域的头部效应很重
01:55:17 具身智能是，“生产力即产品”
雇人摇操采真实数据的成本到底有多高？一笔经济账
真实数据在我们训练数据的比重是1%，合成数据管线挑起大梁
行业内的tricky现象：把没有功能的机器人卖给别人（这是一种商业模式）
关于合成数据和Sim-to-Real（仿真到现实迁移）的常见误区
有出货量后的数据回流和数据飞轮
如果大模型是“智能即产品”，那么具身智能就是“生产力即产品”
02:13:51 资本轰炸后的人为乱象
谁在创造生产力，谁在讲故事，这是最乱的——这个源自美国
对Figure的估值400亿美元的两种逻辑
有的人胆子很大，不告诉别人我是摇操，但实际摇操
呼吁：真实展示！不要摇操！
5年内我们一定要有万台以上的应用，如果做不到这个，我们这个领域就被证伪了！
不要去搞一些砸我们行业招牌的事情！这些模式是很可怕的，是在砸这个行业的饭碗
通用机器人的到来不要想得那么快
02:25:25 一个插曲
去年黄仁勋访华为什么和黄仁勋同桌且在旁边？聊了什么？
黄仁勋能吃辣，吃了很多水煮肉片
02:28:26 最后的快问快答
【机器人专场】
逐篇讲解机器人基座模型和VLA经典论文——“人就是最智能的VLA”
【更多信息】
联络我们：微博@张小珺-Benita
更多信息欢迎关注公众号：张小珺
评价...
空空如也
小宇宙热门评论...
取个好名字真难
1个月前
新加坡
26
听他讲话觉得有些累，感觉他很用力哈哈
Joes东
1个月前
美国
16
1. “视觉-语言-动作”三角不对称
• 数据稀缺性决定 VLM 远弱于 LLM：互联网视觉/动作数据的覆盖量远小于文本，且真实动作数据直到近两年才系统化收集。
• 行业启示：纯堆模型参数不够，必须同步铺“具身数据基建”与数据合成管线。 
2. 合成数据与 Sim-to-Real
• 合成数据不仅降低成本，也是让模型看到长尾罕见场景的唯一可行手段。
• 关键难题：物理一致性（Dynamics Gap）与传感器噪声匹配；王鹤强调“把合成链本身做成自研能力”，避免依赖商业引擎黑盒。
3. 商业模式：从“智能即产品”到“生产力即产品”
• 对比大模型 SaaS：具身智能产品必须落到 能替代人力、可核算 ROI 的具体生产力指标。
• 货架拣选-补货被银河通用选为首场景：既有足够 SKU 复杂度，又在物流环节中存在巨量潜在需求。
4. 资本泡沫与行业自律
• 2023-2025 年，具身机器人公司估值飙升（Figure 高达 400 亿美元），但多数样机仍严重依赖远程操控。
• 风险：一旦不能在 5 年内实现“万台级”落地，叙事将被证伪，资本抽离会反噬行业。
• 建议：建立第三方 Benchmark + 公开 Demo 规范，减少对外“演示即能力”的信息不对称。  
5. 王鹤与银河通用的定位
• 近期获 11 亿元人民币融资，估值跨过 10 亿美元独角兽门槛，印证其技术-资本双重背书。  
• 核心打法：自研合成数据链 + 专用硬件，先夺取单一场景规模，再“硬件外包 / 智能内核”模式横向扩展。
⸻
行业与听众启示
1. 数据飞轮先于硬件飞轮：具身智能的真实壁垒在于数据闭环，而不是第一台 demo 机器人。
2. 衡量指标从“参数”转向“单位成本产出”：下一代 AI-native 企业的竞争优势是生产效率，不是模型 FLOPs。
3. 警惕故事资本化：在估值-PR “加速主义”浪潮下，创业者与投资人需共同建立可验证的技术-商业里程碑体系。
4. 跨学科人才红利：Vision / Robotics / Simulation / Manufacturing 复合背景将成为具身智能核心人才画像。
⸻
后续关注
• 合成数据平台化：谁会成为“Stable Diffusion for Embodied AI”？
• **Robotics-as-a-Service（RaaS）**定价模型与渠道生态。
• 中美供应链差异对硬件 BOM 与迭代速度的影响。
• 法规与安全：具身智能在公共场所的伦理与责任边界。
小饼饼
1个月前
上海
7
1:23:06 亚裔女性呢？毫不关心哈哈哈哈
柚子能不放糖么Alex
1个月前
上海
7
真过瘾！王总口才太好了，像听了仨小时相声
山里灵活的狗都有人注册
1个月前
广东
6
AMAZING王总是近几期嘉宾里面学术时间长但商味儿重的（Doge
戈叶普契安勃赫斯列夫
1个月前
山西
4
配得上10年后的人类愿望清单的一定是随身携带的机器人，数量比手机，价值比汽车，产业价值是现在的房地产位置。
小木林
1个月前
北京
3
agent 是老演员了，不是 LLM 之后才有的这种架构思想。
语言当然不代表智能，只是描述世界的密码本。信息密度，维度都很低。
已经看出来主持人是被泛泛而谈的数据训练并太快收敛了，这是做访谈的弊病，一切只是“听说”。
HD658782o
1个月前
湖北
3
持续给小jun 点赞，国内第一商业ai播客
吖len
1个月前
北京
2
1:41:41 是的 文字是人创造的 是容易穷尽的 视界是大自然创造的
小逸Louie
1个月前
上海
2
2:36:06 但实际上，从结果的角度，司马懿的决策是更优的。
西瓜晒太阳
1个月前
上海
2
王老师太能讲了，难怪能融到那么多钱
Adrian_XIIo
1个月前
湖北
2
要是王兴兴跟王鹤来上一场，那会多有趣呢
Whitney
1个月前
上海
1
鹤老师表达能力是真的强
HD95431x
1个月前
美国
1
embodiedment在哲学上少说有三十来年的讨论了。。
Reallyfancy
1个月前
广东
1
05:58 很用力 都是我 首个 第一个
戈叶普契安勃赫斯列夫
1个月前
山西
1
2:22:30 小珺此处发出了对宏大叙事的冷笑声
西瓜晒太阳
1个月前
上海
1
47:08 哇靠，原来王总也是做工艺出身的啊
不愿透露姓名的热心听友
1个月前
安徽
1
银河通用今日官宣：正式完成由宁德时代领投的11亿元新一轮融资，两年累计融资超24亿元。
UltronFG
1个月前
北京
0
睡前听播客忍不住来评论一下，embodied AI是个很不错的rebranding不假，这个词也确实是最近几年才流行起来的，但说具身这个领域是来源于cv community和大概19/20才开始就有点说不过去了。robotics已经存在几十年，把深度学习用在robot上（aka robot learning）也是2015年以前就开始的（Sergey的deep visuomotor policy是2015年的paper），现在换个名字就成了全新兴起的小众领域了吗………
团团困困
1个月前
上海
0
53:52 CAFFE可难用了😂
团团困困
1个月前
上海
0
2:23:39 直指卖本体做大规模数采服务的头部
AaronZ_RprY
1个月前
浙江
0
2:38:24 非常佩服，同时也能get到很多投资人没有投的原因了…确实会有over的感觉
EurekaWang
1个月前
北京
0
1:39:05 真的是各种问题。正在前往实验室 debug 的路上，除了 demo 代码，就没有一个部分是信得过的。
黑曜BlackFloyd
1个月前
广东
0
仿真就是伪命题啊…但凡能「仿真」，那就必然已经理解物理世界，也就自然实现AGI，那我还回过头来再做机器人AGI干嘛？另外，自动驾驶领域，Nv做得好？仿真顶多能当作一部分预训练。
荣雨墨
1个月前
美国
0
本期嘉宾有点喜欢吹🐮
00_Ts1z
1个月前
上海
0
1:38:18 某树科技
AaronZ_RprY
1个月前
浙江
0
1:12:10 全是干货，还是创业者的访谈有内容呀，非常棒
YihangWang
1个月前
广东
0
坐等和广秘的二季度AI漫谈！
TonyGuGu
1个月前
上海
0
说实话 上来几个重点（坐老黄旁边） 就代表现在是大泡沫
moonwalker_c
1个月前
北京
0
太牛逼了…33岁，十亿美金估值😅
人比人，真比不了，彻底躺平
大风歌大棚菜
1个月前
湖南
0
谢谢。
小林钰子
1个月前
北京
0
13:48 机器人是很多东西的整合，Stanford没有机器人系，但很多领域都有做机器人的，或许就像没有“手机系”一样，曾经的机器人很偏重场景应用，没有自己的科学问题，与产业界走得比较紧密的老师会做这方面的
Mars98563
1个月前
湖南
0
谢谢。
白灼芥兰
1个月前
四川
0
1:01:54 做动画的很少会说不实用这种话吧，艺术都是不“实用”的
抱冰擎火
1个月前
河南
0
第一个😁
抱冰擎火
1个月前
河南
0
52:28 读过博的才知道有多难，开山弟子
大大大大大火药桶
1个月前
上海
0
04:04 哈哈哈哈好喜欢这个快问快答环节~真的是一手高密度信息~
柚子能不放糖么Alex
1个月前
上海
0
01:37 标准敬酒环节
山里灵活的狗都有人注册
1个月前
广东
0
52:57 哈哈哈哈哈哈意想不到的组合
山里灵活的狗都有人注册
1个月前
广东
0
2:28:07 笑发财，典中典“佬但亲和”
不二法棍
1个月前
北京
0
22:32 语言是智能的加速器。
史地文
1个月前
北京
0
2:28:13 北京人的骄傲
Hahuhahu
1个月前
浙江
0
亚裔男..
小lian
1个月前
广东
0
Amazing
周青
1个月前
中国香港
0
亚裔女性呢
