作者丨邓哲敏
编辑丨齐铖湧
2025 年 6 月，北京大学计算机学院长聘副教授卢宗青在智源大会上提出核心判断：人类第一视角视频，是具身智能唯一可规模扩展（Scale up）的数据路径。
当时行业焦点多集中于机器人本体、素材场搭建及数据飞轮，鲜有模型公司关注人类第一视角视频。卢宗青不仅提出该论断，更据此方向积累了超过 50 万小时的高质量数据。
作为国内隐空间路线最早的系统性推进者，卢宗青于 2025 年创立 BeingBeyond（智在无界），选择了与主流视频生成截然不同的技术路径——隐空间世界动作模型（Latent World-Action Model）。该路线不生成像素画面，直接在嵌入空间（embedding space）联合预测机器人动作与世界响应。
此路线训练成本仅为视频生成路线的约 1%，推理速度足以支撑实时控制，但因缺乏可视化画面，在融资与 Demo 竞赛激烈的当下，极具挑战。
卢宗青对此保持清醒：具身基础模型的确定性技术范式尚未确立，当前的世界模型可能也非最终答案。他指出，GPT 的成功源于 Transformer 与 Next Token Prediction 确立了确定性范式，而具身智能目前“连确定性技术是什么都不知道”。
2026 年 7 月 28 日，BeingBeyond 正式发布全球首个隐式触觉世界动作模型 Being-H0.8。该模型首次将触觉模态引入大规模预训练，统一视觉、触觉、动作及未来状态变化至同一隐空间，赋予机器人对物理交互过程更完整的认知与预测能力。
围绕技术路线抉择、数据价值、行业分工及通用具身基础模型的未来，AI 科技评论与卢宗青展开深度对话。
从北大到创业：纸上的东西不会自己变成产品
▎AI 科技评论：作为北大教授，您为何选择此时投身具身智能创业？今年学术界出身创业的现象似乎尤为普遍。
卢宗青：这并非突然转变。学术研究可验证方向可行性，但无法直接转化为产品。具身智能尤其需要真机验证与真实场景迭代，这是高校环境难以提供的。创业是让研究落地的必要方式，而非切换赛道。
▎AI 科技评论：部分创业者抱有“不融就来不及”的焦虑，您是否有同感？
卢宗青：我们的目标是构建具身基础模型（Foundation Model），这需要学校难以企及的算力、人才及产业生态支持。出走是为了成事，而非出于恐慌。
当前资本市场偏短线，部分融资存在估值炒作现象。我们坚持筛选长期主义的投资人，因为需要三到五年才能见真章的技术，必须匹配长周期资金，短期热钱只会扭曲技术决策。
隐空间 vs 像素：一场成本差了 100 倍的赛跑
▎AI 科技评论：行业内“世界模型”概念泛化，您如何界定具身领域的世界模型？
卢宗青：世界模型需落脚于具体领域。语言模型是语言领域的世界模型，3D 生成是空间领域的世界模型。对于具身智能，能控制输入输出动作的基础模型，即为具身领域的世界模型。
▎AI 科技评论：具身技术路线分歧明显，您如何看待基于视频生成与隐空间预测的差异？
卢宗青：从 Backbone 划分主要有两类：一类基于视频生成模型，后训练输出动作；另一类不生成画面，直接在 Embedding Space 预测状态与动作。
视频生成路线存在两大瓶颈：
一是训练成本极高。预测每个像素需数万张卡运行数月，成本达数亿级别，阿里 Wan 团队遇到的困境即为例证。
二是难以满足真机实时性。机器人决策需毫秒级响应，视频生成耗时过长会导致错失时机。
相比之下，隐空间路线优势显著：
1.成本优势：同等数据与参数下，算力成本约为像素生成模型的 1%，相差两个数量级。
2.物理规律学习：摆脱像素级监督信号的束缚，更易学到本质的物理关系与因果逻辑。
▎AI 科技评论：隐空间路线缺乏可视化 Demo，在融资环境中是否处于劣势？
卢宗青：演示与落地是两回事。接不住球的机器人画面再美也无用。虽然隐空间路线展示难度大，但其目标明确、贴近产业，这正是理性投资人看重的核心价值。
数据战略：比行业早两年布局人类第一视角
▎AI 科技评论：您早在 2023 年就判定人类第一视角视频是关键数据路径，依据是什么？
卢宗青：机器人本体采集数据量少且多样性不足，仿真环境构建成本高且覆盖有限。训练通用基础模型的核心在于数据多样性。人类日常生活的第一视角视频，是唯一同时满足高多样性、大数据量且易于 Scale up 的数据源。
▎AI 科技评论：目前数据积累规模如何？
卢宗青：截至 Being-H0.8 发布，已积累超过 50 万小时高质量数据。这些数据经过严格筛选，剔除重复，确保多样性。市场上存量数据能达到百万小时级别的公司极少。
▎AI 科技评论：如何看待通过量产设备构建“数据飞轮”的模式？
卢宗青：这对平台型公司是优势，但对初创公司则是陷阱。自建闭环易导致模型过拟合特定构型，无法实现通用化。对于志在 AGI 的企业，仅靠自家本体数据天花板显而易见。
▎AI 科技评论：贵司数据壁垒体现在何处？
卢宗青：壁垒在于强大的数据基础设施。从标注、筛选、对齐到评测、管理，这套全栈体系支撑了模型从 0.5 到 0.8 的快速迭代，是推动规模化数据沉淀与能力进化的关键。
行业洞察：确定性技术尚未出现，分工将是必然
▎AI 科技评论：许多公司选择先做场景化 SFT 卖本体，您如何看待这种模式？
卢宗青：天花板太低。单场景表现差异不大，真正的护城河在于预训练模型。优质的预训练模型可将下游数据需求降低一个数量级，并实现跨构型泛化，这是单纯后训练无法实现的。
▎AI 科技评论：灵巧手市场现状如何？
卢宗青：高价产品仅限科研市场，低价产品缺乏模型驱动则无用武之地。在模型未突破前，硬件降本逻辑难以成立。
▎AI 科技评论：智在无界的定位是什么？
卢宗青：我们专注操作类基础模型，本体公司是我們的客户。具身智能产业链条长、技术未收敛，必将形成专业分工。我们不做四足，专注于人形、机械臂及灵巧手的模型赋能。
▎AI 科技评论：对未来 3-5 年的行业节奏有何预判？
卢宗青：两到三年内将看到真正具备商业 ROI 的落地场景；三到五年有望推出类似 GPT-3.5 阶段的具身基础模型，实现跨形态、跨场景的通用任务处理。
▎AI 科技评论：通往 1.0 版本的关键赛点在哪里？
卢宗青：关键在于找到确定性的技术范式。如同 Transformer 之于 LLM，具身智能目前尚无此类范式。未来几年不仅是数据积累期，更是算法与训练方法寻求突破的关键期。
Being-H0.8 标志着从视觉到触觉、从观察到理解交互的重要进化。智在无界正以前所未有的训练范式，加速迈向通用具身基础模型的 1.0 时代。
未经「AI 科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！
公众号转载请先在「AI 科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。