智東西（公眾號：zhidxcom）
作者 | 許麗思
編輯 | 漠影

“AI教母”李飛飛的學生(sheng)回(hui)國創業了，想聯合(he)打造一(yi)雙(shuang)更靈活的“手”，來回(hui)答具(ju)身(shen)智能商業化的終極(ji)命題。

靈初智能，由在黑莓、Sonos、云跡科技等全球知名企業有過20多年的產品成功操盤經驗的王(wang)啟斌創辦。他堅定認(ren)為，人形機(ji)器人在(zai)落地過(guo)程中，操作能力遠(yuan)比移動能力重要，存在(zai)著巨大的尚(shang)未被滿(man)足的需求。

而00后陳(chen)源(yuan)培，是靈初智能的聯合創始人之一，也是斯坦(tan)福大學訪問(wen)學者(zhe)、師從李飛飛。在李飛飛的實驗室里，他研究怎么讓靈巧手完成復雜長程任務和類人操作，曾在全球(qiu)首次實現(xian)利用(yong)強化學(xue)習在(zai)真實世界同時控(kong)制雙(shuang)臂、雙(shuang)手多技能操作。

這(zhe)是(shi)一(yi)個(ge)跨越了70后(hou)、80后(hou)、90后(hou)和00后(hou)多個(ge)年齡梯度的(de)核心團(tuan)隊，他們想要(yao)教(jiao)會(hui)機器人能(neng)把(ba)多個(ge)技能(neng)串聯起來、執行長(chang)程任務，還要(yao)學會(hui)自主探索、自主進(jin)階(jie)。

靈初智能是當前最年輕的具身智能創企之一，今年9月剛剛成立，上個月宣布完成由高(gao)瓴、藍馳領投的天使輪(lun)融資，已發布首(shou)個基于強化學(xue)習的端到端具身模型，能(neng)(neng)支持機器(qi)人雙靈(ling)巧手協同做復雜操作、掌(zhang)握(wo)推理能(neng)(neng)力(li)。

值得一提的是，稚暉(hui)君(jun)創辦(ban)的人(ren)(ren)形機器人(ren)(ren)獨角(jiao)獸智元機器人(ren)(ren)，也是(shi)靈初智能的股(gu)東之一。

智東西獲悉，靈初智能不久前還加入了英偉達Inception計(ji)劃，雙方會在具身智能的仿真(zhen)訓練層面展開深度(du)合(he)作(zuo)。“英(ying)(ying)偉達預判，具身智(zhi)能是未來加速(su)計(ji)算最重(zhong)要的(de)落(luo)地場景，對它(ta)的(de)整個(ge)生態包括硬件布局、服務器(qi)端(duan)芯片、端(duan)測芯片到仿(fang)真環(huan)境應用等(deng)都有(you)很(hen)大影(ying)響(xiang)，所(suo)以(yi)英(ying)(ying)偉達也一(yi)直在(zai)尋(xun)找具身智(zhi)能賽道里非常有(you)價值的(de)公司(si)。我們在(zai)國內(nei)搭建(jian)完團隊(dui)后，一(yi)些研究成果就被英(ying)(ying)偉達關注到了。”王(wang)啟斌(bin)說。

最近，智東西來到靈初智能位于北京的辦公室，與創(chuang)始人兼(jian)CEO王啟斌、聯合創(chuang)始人陳源培(pei)進行了一場(chang)面對(dui)面的(de)獨家深度對(dui)話(hua)，這是創始團隊(dui)首次接(jie)受外界專訪。在與智東西的(de)對(dui)話(hua)中，王啟斌反復(fu)提及“閉(bi)環”。他篤信，操作(zuo)能力的(de)提升，正是實現(xian)具身智能商業閉(bi)環的(de)關鍵。

目(mu)前，該公司已初步完成核心硬件研發，將于明年3月(yue)公布機(ji)器人整(zheng)機(ji)解決方案，且只聚焦在雙(shuang)手雙(shuang)臂輪式(shi)機(ji)器人的操作能力上(shang)，不會涉及雙(shuang)足機(ji)器人。

一、20年產品老兵聯手李飛飛學生，挑戰靈巧操作難題

在(zai)過去20年，王啟(qi)斌在(zai)多個領域積累了深厚的操盤經(jing)驗，多次實現(xian)了產品從定義、開(kai)發、上市再到全球“0-1-N”的產業閉(bi)環(huan)。

他在黑莓手(shou)機擔任過產品經理、投身Sonos開展當時新興的智能音箱業務，還曾去到了負責研發商用服務機器人的云跡科技(ji)，負責配(pei)送機器人相關(guan)的工作。云跡科技當時還(huan)是(shi)一家(jia)初創企(qi)業，配(pei)送機器人在酒店的部(bu)署量不(bu)(bu)到500家(jia)且使(shi)用(yong)頻次也不(bu)(bu)高。

如何拓展(zhan)配送機器人(ren)(ren)的(de)市場、提升配送效率是一大難題。一般的(de)配送機器人(ren)(ren)可能需要(yao)有專人(ren)(ren)放置(zhi)貨物，王(wang)啟斌便(bian)帶著團隊開始探(tan)索無人(ren)(ren)貨柜(ju)和集(ji)成(cheng)(cheng)對接，打(da)造(zao)一套無人(ren)(ren)的(de)閉環系統，之后(hou)還成(cheng)(cheng)功在成(cheng)(cheng)都、西(xi)安、上海(hai)等地部署(shu)，讓機器人(ren)(ren)滲透到更(geng)多的(de)酒店中。

過往的豐富經歷讓他看到，在機器人真正的商(shang)業化落地中，仍存在巨大的需求沒有被滿(man)足，尤其是操作能力提升方面(mian)。

王啟斌用坐標軸形容機器人的兩種范式：橫向是移動能力，縱向是操作能力。上一代機器人，主要都是在做移動能力，移動能力在技術上已經出現了輪式、雙足等，移動范圍不斷擴展、移動速度加快，但是操作能力是更(geng)復雜、更(geng)具有挑戰性的。

不管機器人移動能力有多強，如果做不到操作能力的閉(bi)環的話，仍然是難以長(chang)久生存下去的。

去年年底，他決定入局具身智能創業。從市場未被滿足的巨大需求出發，王啟斌強調要做到技(ji)術、產品與市場的契(qi)合。“有時候大家容(rong)易(yi)更關注產(chan)(chan)品和市場(chang)匹配，但我覺得(de)更重(zhong)要的是技術和產(chan)(chan)品，只有技術的潛力才(cai)能(neng)支撐(cheng)得(de)起(qi)產(chan)(chan)品的勢能(neng)。”

▲靈初智能創(chuang)始(shi)人兼CEO?王啟斌

王啟斌開始組建靈初智能的創始團隊。他覺得，在這一輪具身智能熱潮中，硬件本體(ti)、算法和數據(ju)就是推(tui)動具身(shen)智能(neng)前進的(de)“三(san)個(ge)輪子”，這“三(san)個(ge)輪子”耦合程度至關重(zhong)要(yao)，而對團(tuan)隊來說，每一個(ge)“輪子”都需(xu)要(yao)有足夠優秀(xiu)的(de)技術人才儲備(bei)。

對具身(shen)智能賽道(dao)前景的信心，讓王(wang)啟(qi)斌(bin)找到了同樣滿懷創(chuang)業激(ji)情的幾位聯合創(chuang)始人，其中，有一(yi)位00后陳源培。

極客少年、斯坦福訪問學者、師從李飛飛、癡迷機器人……陳源培身上有諸多標簽，還曾在(zai)全球(qiu)首次(ci)實現利(li)用強化學習在(zai)真(zhen)實世界同時控制雙臂、雙手多技能操(cao)作。

大(da)二時，陳(chen)源培(pei)就投身(shen)機器人(ren)制造(zao)，和(he)團隊一起從底層機械機構、中層電控到上層AI算法，全程自研搭建完整機器人(ren)。

他尤其專注于靈巧手操作研究，還以斯坦福訪問學者身份跟隨李飛(fei)飛(fei)進行研究，主(zhu)要負責使靈巧手串(chuan)聯多個操作(zuo)以完(wan)成搭(da)積木等長程(cheng)任務(wu)，以及研究雙(shuang)臂機器人的類人操作(zuo)，如(ru)拿取物體、制(zhi)作(zuo)咖啡等精細化動作(zuo)。

與王啟斌一同創業(ye)后，陳(chen)源(yuan)培(pei)也依(yi)舊保持著與李飛飛研究室的(de)溝通聯絡，一同交流技術(shu)上的(de)研發進展。

▲靈初智能聯合創(chuang)始(shi)人 陳源培

另外，靈(ling)初智(zhi)能(neng)還有(you)聯合創始人柴曉杰博(bo)士，他是王啟(qi)斌(bin)在(zai)京東工作(zuo)時認(ren)識的朋(peng)友，在(zai)機器人及無人駕駛領域從業15年(nian)，擅長(chang)算法、仿真(zhen)、工程、全棧技(ji)術，有(you)L4產品落地的數據閉環經驗。

靈初智能也與北京大學成立了北大-靈初(chu)智能具(ju)身靈巧操作(zuo)聯合實(shi)驗室，由人工(gong)智能(neng)研究院楊耀東(dong)博士擔任聯合實驗室項目負責人開展橫向課題合作，該實驗室首席科學家梁一韜博士(shi)則主要負責研究(jiu)具(ju)身智能體(ti)長程任務規劃。

至此，靈初智(zhi)能不僅具有(you)深(shen)諳產品操盤(pan)的業(ye)界資深(shen)人(ren)士，也搭建起(qi)了一個(ge)被稱(cheng)為“科學家密(mi)度(du)最高”的技(ji)術隊伍(wu)，努(nu)力實現團隊在(zai)技(ji)術創新(xin)與(yu)商業(ye)落地(di)上的平衡。

二、從搭積木到商品打包，教機器人串聯多技能

目前，靈初智能已初步構建起一套較為完整的產品體系：在硬件維度，打造雙手雙臂(bei)輪式機器人，部分核心硬件系自主研發成果；在軟件層面，持續迭代機器人的技能級（指通過機器(qi)人(ren)能做多少種任務(wu)、完成任務(wu)的復雜程度和完成任務(wu)的質量(liang)來劃分的一(yi)種技(ji)能等級），使其具(ju)備對上(shang)千種物(wu)體進(jin)行泛(fan)(fan)化(hua)長程操(cao)作的(de)能力，能廣(guang)泛(fan)(fan)適配于(yu)柔(rou)性生(sheng)產(chan)等多(duo)元(yuan)場景(jing)。

特別是在機器人長程操作方面，陳源培提出了Psi-C0模型，能夠讓機器人把多個技能串聯起來，這是世(shi)界首次(ci)利用強(qiang)化學習在現實中控制(zhi)雙臂雙手多(duo)技能操(cao)作。

例如，向(xiang)(xiang)機(ji)器(qi)人下達完成任意形狀(zhuang)樂(le)高(gao)積木(mu)搭建(jian)任務，機(ji)器(qi)人可以(yi)把(ba)翻找、抓取(qu)、重定向(xiang)(xiang)和插入積木(mu)4個技能串聯起來(lai)，最后完成該形狀(zhuang)的搭建(jian)。

▲機(ji)器人正在完成翻找、抓取、重定向、插入的積(ji)木搭建流程

Psi-C0模型依托金(jin)字塔(ta)狀數據(ju)結構，以人(ren)類操作及動(dong)作捕捉數據(ju)為底層(ceng)數據(ju)，于仿真(zhen)(zhen)環境(jing)進行強化學(xue)習訓練，其中仿真(zhen)(zhen)數據(ju)構成關(guan)鍵(jian)中層(ceng)。

待在仿真環境中訓練出良好基礎后，便遷移至真實世界，此時僅需補充少量真實世界數據進行微調，就能助力機器人跨越sim2real gap，從而提升機器人的操作能(neng)力(li)與適應性(xing)。

另外，還有梁一韜博士開發的Psi-P0模型，可以實現開放環境中復雜任務的任務拆解和規劃，借自身經驗實現自我進階，所支(zhi)持的任務(wu)復雜度(du)和(he)準確(que)度(du)都超越同期(qi)OpenAI的VPT和(he)英偉(wei)達(da)的Minedojo。

▲Psi-P0模型能夠根據自身經歷(li)進行自我提升

最近，靈初智能又發布了首個基于強化學習的端到端具身模型Psi?R0，該模型支持雙靈(ling)巧手將多個技能串聯進行復雜(za)操(cao)作(zuo)，還(huan)可以實現跨物(wu)品(pin)、跨場(chang)景級別的泛化。

以電商場景為例，商品打包是典型的長程任務作業，需對上萬件商品進行抓取，掃碼，放置，塑料袋打結等多個操作。Psi R0能夠讓雙靈巧手流暢地完成這一系列動作，可(ke)以取代一個(ge)完整的現場工位，成(cheng)為首個(ge)基于強化(hua)學習訓練完成(cheng)長程(cheng)靈巧操作任務的具身機(ji)器(qi)人。

▲基(ji)于Psi?R0模型，機器人(ren)能夠(gou)自(zi)主完成(cheng)將桌面商品打包的全(quan)部操作

王啟斌透露，靈初智能目前已初步完成硬件研發，將于明年(nian)3月公布含數據采集設備、軟件算法等的整機解決方案；而技能級上，團隊正在打磨樣本，預計明(ming)年年中會正式上線。

在落地場景方面，靈初智能預計率先在物流領(ling)域實現應用落地，后續逐步向生產制造領域探索(suo)拓展，重點針對傳統非(fei)標自動化設(she)備及集成設(she)備因技能(neng)單一而難以應(ying)對的(de)復(fu)雜生產環(huan)節，充分發(fa)揮機(ji)器人執行多(duo)技能(neng)組合(he)長程任務的(de)優勢。

這(zhe)一(yi)輪(lun)具身智能(neng)熱潮中，雙足的(de)人(ren)(ren)形機器(qi)人(ren)(ren)備受關注。不過對(dui)王啟斌來(lai)說(shuo)，基(ji)于對(dui)目前行業生態的(de)判斷(duan)，自己(ji)只聚焦在雙手雙臂輪(lun)式(shi)機器(qi)人(ren)(ren)的(de)操作能(neng)力上，不會去涉及(ji)雙足機器(qi)人(ren)(ren)。

在(zai)他(ta)的預判里，人形機器(qi)(qi)人大概(gai)會有三個發展階段，第一階段是(shi)(shi)3到(dao)(dao)5年(nian)里，面向TO B場(chang)景的輪式(shi)機器(qi)(qi)人；第二(er)階段是(shi)(shi)5到(dao)(dao)10年(nian)里，雙足機器(qi)(qi)人可能應(ying)用場(chang)景會變(bian)得廣泛(fan)；第三階段是(shi)(shi)8到(dao)(dao)10年(nian)及以上，機器(qi)(qi)人形態會變(bian)得更(geng)多樣化，人形機器(qi)(qi)人不會是(shi)(shi)最終(zhong)答案。

所以就目前階段而言，他認為操作能(neng)力(li)的(de)迭(die)代及實現(xian)產(chan)品閉環是最(zui)重要的(de)，這種(zhong)重要性遠超過移動能力(li)的迭代發展。

三、強化學習，突破具身智能“不可達三角”

一直以來，高(gao)泛化(hua)性(xing)、高(gao)魯(lu)棒(bang)性(xing)和高(gao)泛化(hua)性(xing)都是具身智(zhi)能領域的“不(bu)可達三角”。

高(gao)泛化性(xing)要(yao)求機器(qi)人(ren)在變化環(huan)境對不同物(wu)體(ti)執(zhi)行復雜任(ren)務(wu)，高(gao)魯棒性(xing)意味(wei)著機器(qi)人(ren)受干擾時穩定正確執(zhi)行任(ren)務(wu)，高(gao)靈(ling)巧性(xing)指(zhi)機器(qi)人(ren)能夠靈(ling)活精準(zhun)地(di)執(zhi)行任(ren)務(wu)，同時兼顧這三者極有挑戰(zhan)性(xing)的。

陳源培解釋，靈初智能采用強化(hua)學習(xi)的(de)復合路(lu)線(xian)，是(shi)實現接近或者是(shi)超越(yue)人類靈巧操(cao)作的必經(jing)之路，也是攻(gong)克(ke)“不(bu)可(ke)達三(san)角(jiao)”的(de)關鍵(jian)。“在模仿學習下，人類操作著機器人示教一遍，機器人的操作水平提升是有上限的；但是強化學習讓機(ji)器(qi)人(ren)進行(xing)自主探索、通過自我糾錯來提(ti)升能力，會具有非常高的動態(tai)響應(ying)能力。”

具體來說，在靈巧性上，機器人通過強化學習能夠超越過(guo)去人類預先編程的(de)局限，能(neng)很好(hao)地(di)完成(cheng)如(ru)彈(dan)鋼琴、轉筆、轉魔(mo)方等(deng)甚至其他(ta)人類無法實現(xian)的(de)靈活操作。

在泛化性上，靈初智能方案是讓機器人在仿真環境中學習訓練，仿真環境可對物體的光照、紋理、大小等進行隨機化處理，使訓練(lian)數(shu)據的多樣性(xing)遠超真實數(shu)據，從而讓機器人擁有(you)高泛(fan)化(hua)能(neng)力。

而魯棒性方面，傳統的模仿學習僅基于專家數據，未涉及次優數據及失敗后如何恢復等情況，而強化學習(xi)從無知(zhi)識智能體起步，歷(li)經多次失敗及恢復過程，所(suo)以能夠實現較高(gao)的魯(lu)棒性。

王啟斌談道，具身智能的“不可達三角”要關注技術起點和發展路徑。從起點看，基于強化學習，其機器人不僅能在在泛化性上有顯著優勢，且在靈巧性上，不同于簡單抓取，強調的是多技能COT（Chain-of-Thought）概念，也就是將多(duo)個單個技能串聯起來，團隊在(zai)這方面時國內最領先(xian)的。

在路(lu)徑上(shang)，先(xian)是在單個技(ji)(ji)能(neng)上(shang)實(shi)(shi)(shi)現(xian)物體和(he)環境的(de)泛(fan)化(hua)，接著利(li)用(yong)操作上(shang)的(de)多技(ji)(ji)能(neng)串聯實(shi)(shi)(shi)現(xian)靈巧性，最(zui)后通過(guo)征集(ji)強化(hua)數據提升(sheng)成(cheng)功率。靈初(chu)智(zhi)能(neng)的(de)整體技(ji)(ji)術(shu)架構使得其在“不可達三(san)角”上(shang)起點(dian)更高(gao)(gao)，以及(ji)通過(guo)合(he)理路(lu)徑發展，最(zui)終有(you)望實(shi)(shi)(shi)現(xian)更高(gao)(gao)水平(ping)的(de)綜合(he)性能(neng)表現(xian)。

四、世界模型與機器人行動的耦合，仍是巨大挑戰

今年(nian)12月(yue)初，李(li)飛(fei)飛(fei)創辦的(de)空(kong)(kong)間智能(neng)創業公司World Labs宣布(bu)在空(kong)(kong)間智能(neng)領域取得(de)重(zhong)大(da)進展(zhan)，發布(bu)了一(yi)個利(li)用單張圖像就能(neng)生成逼(bi)真三維世界的(de)模(mo)型。另外，谷歌也在差不(bu)多的(de)時(shi)間發布(bu)了新一(yi)代世界模(mo)型Genie 2，同樣能(neng)夠根據一(yi)張圖生成可(ke)供人類或AI智能(neng)體游玩的(de)無限(xian)3D世界。

“不管是李飛飛還是我們現在做的，有個底層邏輯，那就是都在解(jie)決要在什(shen)么樣的數據中進(jin)行訓(xun)練(lian)的問(wen)題，以(yi)及仿真是必不可少(shao)的。”陳源(yuan)培說。以計算(suan)機視覺領域(yu)為例，盡管該領域(yu)的(de)數(shu)據(ju)量相(xiang)比機器(qi)人領域(yu)多(duo)可(ke)能(neng)幾萬倍(bei)，且像(xiang)圖像(xiang)生(sheng)成的(de)難度低(di)于機器(qi)人控制，但生(sheng)成的(de)視頻在細節等方面仍不夠(gou)理想。

而在機器(qi)(qi)人領域，僅依靠真(zhen)實性數據(ju)大(da)概(gai)率無法(fa)實現良好的(de)控制效果(guo)。因(yin)此(ci)，需(xu)要借助(zhu)無窮無盡的(de)仿真(zhen)數據(ju)。比如，可以通過將一張真(zhen)實世界場景的(de)照片，放到模型中進行隨機化增強，生成比圖片原(yuan)本包含信息更多(duo)的(de)數據(ju)，然(ran)后讓機器(qi)(qi)人進行訓(xun)練(lian)。

對于世界模型與具身智能模型之間的關聯，陳源培談道：“具身智能領域同樣需要世界模型，就像人類在行動時依靠大腦中的世界模型進行決策一樣，只不過其數據模型的構建難度遠超想象。”盡管當前世界模型在視覺方面的預測已取得較大進展，能生成比較符合物理世界的視頻，但(dan)對(dui)具身智(zhi)能來說，直(zhi)接采用(yong)的話可解釋性(xing)太低，里(li)面也不存在對(dui)“行動”的認知，所以(yi)要與(yu)機器人行動層面實現耦合還是很困難。

而(er)王啟斌覺得，李飛飛的(de)(de)模型可能會(hui)先(xian)在虛擬游戲(xi)之類的(de)(de)領域進行應(ying)用，也會(hui)借此來提(ti)升(sheng)訓練(lian)機器(qi)(qi)人(ren)的(de)(de)仿(fang)真環境。不過，怎(zen)么(me)把這種仿(fang)真的(de)(de)三維時間空間關系(xi)結合(he)到(dao)機器(qi)(qi)人(ren)的(de)(de)行動上，依舊有(you)漫長(chang)的(de)(de)路(lu)要走(zou)，物體所具有(you)的(de)(de)復雜(za)物理(li)屬性仍(reng)然會(hui)給(gei)機器(qi)(qi)人(ren)訓練(lian)帶(dai)來很大挑戰。

“世界模型在未來當然會對具身智能模型的發展產生重大影響，特別是在環境這一層面”王啟斌說，“不過，Agent（智能體）的本身的能力是從哪里來的呢？像人一樣，人是一種Super Agent，有時候一些能力可能是遺傳的先驗知識積累、是潛意識且不可解釋的。所以，我們現在還是很難簡(jian)單(dan)快速地直接從世(shi)界模型過渡(du)到復雜的物理(li)世(shi)界交(jiao)互，這還是一個需要慢慢探索的過程。”

結語：具身智能跨越現階段的浮躁是必然

回顧創業以來的這一年，王啟斌坦(tan)言，還沒有(you)(you)遇到過(guo)讓自己覺得很有(you)(you)成就感(gan)的瞬間(jian)。

“具(ju)身智能是(shi)(shi)一(yi)個長線(xian)賽(sai)道(dao)，團(tuan)隊(dui)每個人都(dou)很(hen)拼(pin)，就像源(yuan)培(pei)經常晚上(shang)不(bu)回家(jia)就住在公司，就為了盡快把demo做出來，”王啟斌說道(dao)，“但(dan)是(shi)(shi)面對(dui)取得的(de)成果，我們通常看起來很(hen)高興，不(bu)過也(ye)明白這其實只是(shi)(shi)在這個長線(xian)賽(sai)道(dao)上(shang)的(de)滄海一(yi)粟(su)，并(bing)不(bu)是(shi)(shi)真正(zheng)的(de)significance，還需要跟著節奏一(yi)步一(yi)步走(zou)下去。”

面對(dui)現在(zai)火熱(re)的(de)這(zhe)波具(ju)(ju)身(shen)智能浪(lang)潮(chao)，大眾對(dui)此或許有過高(gao)的(de)期待、行業發(fa)展(zhan)會存在(zai)一部分(fen)泡沫，但他相信，就算(suan)熱(re)潮(chao)回落，具(ju)(ju)身(shen)智能進入(ru)低谷期，低谷也會遠高(gao)于今天(tian)的(de)發(fa)展(zhan)起點。

長遠來看(kan)，隨著(zhu)技術(shu)瓶(ping)頸的(de)(de)突(tu)破和應(ying)用場(chang)景的(de)(de)拓展，具(ju)身(shen)智能跨越現階段的(de)(de)浮躁是必然，會逐漸走向(xiang)更成熟更具(ju)價值的(de)(de)發展方向(xiang)、走向(xiang)千家萬戶，只(zhi)是，還需要多給它(ta)一些時間。