“具身智能真正的‘涌現(xiàn)’是跨任務跨場景的，最好的本體將萌生于中國?！?/p>

5月29日，在2025張江具身智能開發(fā)者大會“具身·無界：智能模型的范式創(chuàng)新與架構(gòu)革命”論壇期間，聯(lián)匯科技（OmAI）CEO兼首席科學家趙天成在接受澎湃新聞記者采訪時作出上述表述。

隨著具身智能浪潮的興起，為了讓機器人能真正理解物理世界，視覺語言模型（VLM）、視覺語言動作模型（VLA）等具身智能大模型應運而生。當前，如何讓具身智能像人類一樣進行規(guī)劃與操作，成為學術(shù)界與產(chǎn)業(yè)界共同面臨的挑戰(zhàn)。

趙天成畢業(yè)于卡耐基梅隆大學計算機系，在視覺語言模型領域有著多年的深入研究，多次擔任國際頂會領域主席，是國家重點研發(fā)計劃（青年科學家）項目負責人。其創(chuàng)辦的OmAILab人工智能實驗室在今年2月推出了VLM-R1開源視覺語言大模型，采用生成式獎勵處理優(yōu)化（Generative Reward Processing Optimization, GRPO）強化學習技術(shù)，將DeepSeek R1的方法從純文本領域遷移到了視覺語言領域，目前在GitHub上已獲得近5000顆星。

“當前具身智能模型的發(fā)展狀態(tài)，與2017年、2018年的大語言模型有相似之處，呈現(xiàn)出百花齊放的態(tài)勢，存在諸多技術(shù)路線。但方向較為明確，就是構(gòu)建‘世界模型’。”趙天成表示，目前全球各實驗室在實現(xiàn)世界模型方面均有各自不同的思路，“成熟的VLM模型，其理解與生成功能目前仍是分離的。我們正開展研究，探索如何實現(xiàn)統(tǒng)一結(jié)構(gòu)”。

對于VLM-R1的走紅，趙天成稱，最初發(fā)布的目的是讓模型能夠更好地進行復雜物體理解與視覺推理，目前社區(qū)已基于其開放框架衍生出眾多新應用。

“終端用戶真正需要的是一個能交付結(jié)果、完成任務的完整智能體（Agent）。我們團隊專注的是可以實際部署于物理終端的智能體，不論是機器狗、無人機還是攝像頭，都可以變成智能體?！壁w天成認為，智能終端面臨的挑戰(zhàn)比單模型層面要大得多，具身智能絕非僅憑一家公司之力便可做成，必然會存在生態(tài)分層的商業(yè)模式，“中國的制造業(yè)實力強勁，當下并非一兩家，而是有十幾上百家企業(yè)在從事硬件本體研發(fā)。我們專注于做好‘大腦’（AI能力）部分，與從事本體研發(fā)、打造‘小腦’（運動控制）的公司展開合作，這才是效率更高的商業(yè)模式，可以推動機器人真正進入良好的發(fā)展循環(huán)”。

趙天成強調(diào)，中國在具身智能領域具備顯著優(yōu)勢，尤其是在供應鏈制造業(yè)和數(shù)據(jù)方面。他以小腦系統(tǒng)為例表示，“小腦和硬件的高度吻合意味著，在中國更有機會萌生出最好的本體，我認為這是具有較高確定性的事情”。

趙天成同時也向記者透露，其團隊近期將推出機器人大腦平臺，旨在通過與更多硬件廠商合作，使智能硬件超越單純硬件屬性，成為能結(jié)合應用場景的智能體。

據(jù)趙天成介紹，上述機器人大腦涵蓋語言交互、3D空間感知、記憶以及決策執(zhí)行控制四大板塊，能夠依據(jù)應用場景實現(xiàn)快速定義。

在當天的論壇上，趙天成便以移動機器人智能體為例，展示了其VLM在服務場景中融合多模態(tài)感知、長程記憶與自適應決策的完整閉環(huán)案例：機器狗結(jié)合地圖與視覺進行導航，尋找目的地并完成相應動作，隨后憑借記憶實現(xiàn)自主返航。

趙天成強調(diào)，物理終端智能體與普通智能體存在一個顯著差異，就是必須要“快”，要確保響應的時效性，“不能出現(xiàn)我說一句話，機器人過了很久才行動的情況，這是任何人都無法接受的”。

他表示，可以通過強化學習，使更小的模型能夠解決特定場景的復雜任務，進而提高響應速度；也可借助模型結(jié)構(gòu)的改進，例如替代類似GPT的自回歸生成方式，采用一次性生成一套方案的方法，從本質(zhì)層面實現(xiàn)提速。“對于一些特別復雜的邏輯判斷，現(xiàn)在總體來說會慢一些，可能還需要一兩年時間去不斷進化”。趙天成預測道。

那么，具身智能的AGI（通用人工智能）何時能夠到來？趙天成認為，一定是通過海量的某種學習方式，使其涌現(xiàn)出智能，“真正的涌現(xiàn)應當是跨任務跨場景的，而不僅僅是抓取、疊衣服等初級能力”。

技術(shù)開源打破“單一陣營”的壁壘，機器人大腦平臺提供了從理論模型到物理終端的轉(zhuǎn)化工具，協(xié)同創(chuàng)新正加速推動具身智能技術(shù)的迭代發(fā)展。