作为一名具身大脑的创业者，卢宗青有着金光闪闪的卢宗履历：

他是紧随DeepMind之后，中国新生代的青现强化学习研究者。北京大学计算机学院长聘副教授，阶段​具担任过智源研究院多模态交互研究中心负责人，世界身先负责过首个国家自然科学基金委原创探索计划通用智能体项目，模型杭州师范大学爆料推荐还同时在NeurIPS、触及ICLR、锋人ICML等机器学习的北大本质国际顶级会议担任领域主席。

早在2023年，卢宗他旗下团队便有利用多模态模型研究通用 Agent 的青现研究尝试，让 Agent 玩《荒野大镖客2》和办公，阶段​具使其成为第一个从零开始在AAA级游戏中完成具体任务的世界身先 LLM 智能体。相关论文几经波折，模型今年终于被 ICML 2025 录用。触及不过他自述对那份研究其实不够满意，因为“泛化性不足”。

当完成那些研究以后，卢宗青意识到“当前的多模态模型缺乏与世界交互的能力”。因为模型缺少学习物理交互的信息，所以我们看到的那些泛化的能力本质都是“抽象”的，它终究无法理解动作和世界的关系，自然也无法预测世界。

这如今成为他想在具身智能创业的起点：开发一个通用的具身机器智能模型。

卢宗青微信头像的气质是有些桀骜不驯的：一个戴着墨镜的青年男人，留着冷峻的络腮胡子，白色T恤上是一个墨色的苹果。你下意识会以为，这是个随时会 solo 一段摇滚或者骂几句脏话的文艺青年。不过当你见到他，坐下来聊天的时候，你会发现他就是一个学者和老师的样子，说话温文尔雅，笑起来也很温和，即便遇到些蠢问题也能忍住耐心讲下去。然后直到你跟他聊工艺的愿景，他又会变得桀骜有态度。

或许是因为，他想要的东西实在是太大了。

在与 AI 科技评论的对谈中，他反复传达的事情是：他与其他人的立场出发点是不同的。其他人要的是落地、是应用、大约是在现阶段智能上限的基础上修修补补。而他们的“taste”是去“追求更统一、更本质的solution（解法）”。后者，大约可以理解为一个全新的、适用于通用具身智能的通用能力基座。

所以他会不断说“VLA没错”、“遥操作和真机信息有价值”，然后转而接一个“但是”。你会觉得他确实是不欣赏那些东西的，或许他的关注点已经不在那里了。他说“某些具身创业公司说的世界模型是在搞笑”，究其本质仅仅是在建图，最多只能像自动驾驶做导航。那个瞬间他会表现出明显的不悦，好像有人正在冒犯他。或许是因为有些成熟的工艺市场人确实刻意混淆了一些概念，让当下和未来的范式变得模糊。

他所表达的对工艺的审美，和杨立昆是有点相似的：他们坚持认为现阶段的语言模型无法抵达一种通用泛化的机器智能，而只有更多元的视觉信息，才能通向 AGI。要实现这一点，西安医科大学内幕全集他们只能选择一条路，即广泛大量的互联网影片。

这其实就是卢宗青创立的公司「智在无界」BeingBeyond 正在的事情，他们通过标注1500万条互联网影片中人类关节的动作，让模型去学习人类的运动模式。

（https://beingbeyond.github.io/Being-M0/）

他们不会跟你讲，互联网影片有多么难搞。他们只会说，互联网影片信息是唯一可以scale up的道路。我们除了这条路，再没有别的路可以选择，再苦再难华山也只有这么一条路，但不能因此就不上了。

大概出于类似的原因，Being Beyond 是现在为数不多的，将其第一代模型以 0 为开头命名的团队（相比之下，一些公司直接将第一代产物序列命名为 3.5）。他甚至拒绝将第二代模型命名为 1，也拒绝透露他们接下来命名的数字规则。

所以在专访的三天后，AI 科技评论在北京的一个知名大会上再次看到他时，你会不由自主觉得他其实很孤独。因为所有人都在聊VLA，聊世界模型，聊各种各样的遥操和真机信息的采集、改进与合成、聊场景、聊操控。他口中那些“有价值”但“不本质”的玩意儿，在那个会场里几乎淹没了他。

这不由让人想起，他聊强化学习历史时说，中国强化学习起步相对晚一步，原因之一是 AlexNet 出来以后，大家都在搞CV。他聊融资时说，“很多投资人都说要投非共识，但投出来的全都是共识。”或许这句话不仅仅只是投资，在很多方面都是适用的。所以那场面很难不让人想起，过去那些年的 AI 四小龙，它们也是在媒体锣鼓喧天的氛围中代表了一种人类进步主义的未来。直到DeepMind 和 OpenAI 再次改写了历史，CV 路线的 AI 就仿佛一夜之间淡出了人们的视线。

我们不知道 BeingBeyond 能否真的能代表未来，更不知道这家年仅5个月的公司，是否真的能成为一家穿越周期的代表时代的工艺领导者。我们甚至不知道，他提出的工艺路线是否如他所言，真的能抵达他口中的星辰大海。

不过其中的一些问题，他可能也不全然知道答案。他很明白接下来的路有多难：当他被问到，这条路多久能跑通、能scale up？他明显停顿了一下，咬咬牙说两三年吧。可两三年也很长，变化会很多。他说路上还有别的事情可以做。他聊起 OpenAI 的时候眼睛会发亮，说他们早期真的搞了很多费钱但没有经济效益的事情。然后他又会拉回来，回到一个同样反复出现的主题上：

如何在受限的情况下，把事情办成了。

这是具身智能大脑的题中义：相比于大语言模型坐享人类文明几千年的文字富矿，具身领域好用的影片信息实在是穷得可怜。这当然也是一个创业公司的题中义，绝非人人都能有 OpenAI 的金汤匙。BeingBeyond 刚宣布了联想之星、星连资本“数千万人民币”的天使轮融资，钱不算少，但也绝不算充裕。

不过或许正如卢宗青所说，如果你站在一个终局解决方案的立场上来看，很多事情大概也就并不真的是个问题了。

卢宗青和他的BeingBeyond

这是他创立 BeingBeyond 后接受的第一个专访。我们简单地回顾了他的学术历史，并探讨了具身智能泛化路线和公司的愿景。以下是本次专访的内容，AI 科技评论作了不改原意的整理与编辑：

01 研究强化学习是因为 DeepMind

AI科技评论：今天接受采访的身份是创业者，还是教授？

卢宗青：（笑）还是聊聊工艺吧。

AI科技评论：我们看到你在研究具身之前，其实有非常大的学术方向变化。

卢宗青：对，我本科是材料，研究生转去电子学院，一直做计算机系统的相关工作，切入点更多是做运算规则的优化问题，比如NP问题。在南洋理工读完博士后，去宾州州立大学做了两年多博士后，也是类似的事情。

选择做强化学习，是2017年回国后，加入北大后选择的方向。一方面看到DeepMind跑Atari Game（雅达利游戏，知名复古游戏厂商）后发了一些成果，另一方面也看到强化学习确实在解决问题，例如来解决NP问题的案例。

AI科技评论：有什么印象特别深的例子吗？

卢宗青：就还是David Silver（DeepMind首席科学家）吧，他们 2016 年在《Nature》上发的强化学习的论文（即《Mastering the game of Go with deep neural networks and tree search》，AlphaGo当年凭借该论文中的呈现成果击败李世石）。

因为在此之前，学术界还大多关注计算机感知层面的研究，而David Silver的团队在做决策层面的突破。而决策层的增长才能构造更通用的智能。

AI科技评论：整个研究的愿景一下就大了。

卢宗青：对。其实我们现在研究的计算机系统领域的问题，大部分都已经是决策问题了。比如最简单的控制Transmission Power（信号传输功率），不管是WiFi还是无线基站的控制，根本上就是一个决策问题，而非感知问题。

AI科技评论：那是如何从强化学习领域转投具身智能领域的探索呢？

卢宗青：转变主要是在智源研究院的时候。2022年我在智源设立了“多模态交互研究中心”，当时ChatGPT刚出来，我们想去探索强化学习和大模型的结合。当然，不是现在的RLHF或者RL和推理的结合。我们更多是想说，把语言模型作为一个规划者（Planner）的角色，如何跟下游的RL策略融合起来。

我们会基于开源模型，去训练一些多模态的模型，也会根据一些闭源模型做探索。比如2023年我们有一个研究，用GPT-4V去操控电脑，让它去读屏幕然后操作鼠标和键盘。

AI科技评论：现在有很多 Agent 创业团队在做类似交互的事情，但你们2023年就在做了。

卢宗青：对，我们其实很早已经做过了。

除了这个，我们还跑了很多游戏的测试，像《RDR2》（荒野大镖客2），相当于一个比较早的agent，叫Cradle，那篇论文今年刚中了ICML。

其实《RDR2》这样的3A游戏，已经蛮像一个真实的物理世界的。但我们发现单纯用互联网信息训练出来的模型，决策能力非常差。它语义上做planning是可以的，但要和环境交互、预测事件的后果（比较难的）。

我们当时为此做了很多工作，各种prompt engineering、In-context Learning、memory 机制。做完这些后我们认为，当前的多模态模型没有和世界交互的能力。

（Cradle的论文正式发布于2024年3月，当时它能够在游戏《荒野大镖客2》中完成长达40分钟的主线任务并探索开放世界，可以独立完成办公、修图、网页浏览等任务。https://baai-agents.github.io/Cradle/）

02 人类影片是机器人通用智能的捷径

AI科技评论：但如果我们的模型在游戏里都很难实现交互，那么在物理世界里的难度应该就更大了。

卢宗青：如果只针对一个游戏去做训练，其实已经可以做到不错的效果了。说它有不足，是因为很难复用到其他的游戏中去，泛化能力很弱。

因为模型其实没有学习物理交互的信息。我们跟物理世界交互，往往动作决定了世界的下一个状态是什么样子的。所以我们认为，如果在物理世界中去训练，有真实的信息，那（训出来的模型）就是可以有通用性的。

所以我们在 2024 年开始去探索具身以后，其实也尝试了很多工艺手段去采集信息。比如遥操、Sim2Real，还有最近比较流行的 Real2Sim2Real。

这些方法的泛化性都比较差，别说各式各样的场景了，就是对简单的物理层面的泛化、对 position 的泛化理解都很难。

2024年我们确定在智源研究院里去做这件事情后，内部讨论了很久，在各种限制条件下不同学习手段甚至范式，它们所能去触摸到的 Upper-Bound（上限）到底是什么。

最终选择的路线就是2024年初定下来的：利用人的运动信息去训练和驱动模型。那里面用的信息，主要就是互联网的影片。或者说，我们想用海量的互联网中人的运动影片，来 scale up人形机器人的学习。当然，这里主要是指预训练部分。

AI科技评论：现在用互联网影片去研究机器人学习的团队也挺多的。

卢宗青：首先，你现在看到的很多所谓「互联网影片学习」，他们做的事情，比如训练 reward function（奖励函数），如刚才所说，我们2023年已经做过类似的探索了，但我们认为不直接。

所以，他们分析影片，更多也focus（聚焦）在物体的运动轨迹上。比如说，一个影片演示的是人拿杯子。其他人更多关注的是杯子的轨迹。而我们考虑的是，人的手怎么动。二十多个自由度，每一个自由度，每一个关节的位置是什么？

这样的好处是，它有更直接的方法和更明确的学习目标。

我们可以把人手的位置，都从这到那儿都标出来。其实互联网的人手的影片，本身就记录了非常复杂的操作：比如翻手机，这不是我们现在灵巧手能很好完成的事情，那么一个影片里它就会记录很多的信息。我们会直接把手这个姿态给标出来，通过一些手部姿态3D模型来标注，从而直接学习，也能知道对应文本下如何去操作。

https://beingbeyond.github.io/MEgoHand/

最后，他们也没有我们信息量大。他们可能对外宣传说用了互联网信息，其实也只试了几百条。而我们的目标是要scale up，像我们的姿态生成模型，现在已经拿到了1500万条信息。

AI科技评论：为什么其他人没有走你们的工艺路线？你们的优势和难点在哪里？

卢宗青：我只能猜测一下。他们可能很多人在用gripper（夹爪）。如果做夹爪，其实不太需要考虑人的形态如何。我们因为之前一直做大模型相关的事情，所以我们的研究 taste 就会想如何去更统一、更本质地解决这个事情。

包括遥操采信息或者真机信息，因为信息量小，其实也只是面向应用场景的解决方案、针对特定任务的优化，这也不是我们终极想要做的事情。

我们相信，对于人形机器人和灵巧手来说，（假如要实现通用泛化的智能能力），用大量人的运动影片信息做预训练，会是一个更好的方式。因为如果只是在 Simulator（仿真器）里去学操作或者全身运动的策略的话，它（学习的信息）是没有任何先验的。

你用强化学习来学，最后只是为了满足奖励函数而已。比如，我们在实际生活中抓一个杯子可能是这么抓（正手正常拿杯子），但你在 Simulator 里训练的结果可能是这么抓（反手拧手臂握杯子）。

但是我们如果通过人的信息做预训练的话，其实是 Encode（编码）人的先验的（成功）经验。而先验的东西对于一个比较难的问题，本身是有非常大的好处的。

AI科技评论：但有没有可能机器人就是和人很不一样。它可能到最后发现，最合适它自己的抓取方式就是这样抓杯子的（反手拧手臂握杯子）。

卢宗青：（笑）强化学习的目标就是将奖励最大化，一切取决于你的奖励是怎么定的。那有可能奖励定义出来的就是这个样子。

但强化学习从理论上来说，要让每一个动作都遍历所有的 State-action space，然后才能学习到一个最大化的 Return 的策略。但是如果我们有一个先验的行为，那么就不需要把整个 State-action space 去遍历（Traversal）一遍。

AI科技评论：所以人的动作虽然不一定是最完美的，但现阶段是性价比最高、最容易scale up的方式，因为我们可以拿到的信息是最多的。

卢宗青：其实语言模型也不是让模型学习如何用语言，而是在大量人已经产生的信息集上面去学习。那么对于人形机器人，我们已经有了人的行为和运动方式，为什么不去用呢？

而且人形有一个好处，即可以通过向下兼容。比如我们人可以控制一个二指的夹爪去完成事情。那如果我们学会了人手的操作，模型可以（通过强化学习等后训练）去实现向下兼容。

包括双足的机器人，我们做得好的话，也可以去向下兼容轮形移动的机器人，后者控制比较简单。

AI科技评论：但是其他采用类似遥操采集、信息工厂的团队，他们对外也是说，手上这些东西未来要支持通用机器智能。

卢宗青：我觉得他们目标更单纯，就是商业上的目标，通过更好的软件来卖出更多的本体。

我觉得一涉及到本体的话，容易把自己的工艺路线带偏，总是想着通过工艺路线去更好地跟自己的本体去适配，来卖自己的本体。如果你要 overfit（过拟合）本体，遥操、真机肯定是有价值的。

但我觉得不是一个有效的途径。因为现在的机器人的本体基本上都没有收敛，信息很难复用。而且信息采集成本很高，也很难达到互联网影片的规模和多样性。

而且现在真机采集信息更多是夹爪领域，大规模去遥操人形机器人是非常少的，只有一些科研方面的工作在做。如果你是说轮式+gripper的话，那也不是我们focus的机器人形态。

AI科技评论：现在我们手上有了1500万信息，你觉得信息量够吗？

卢宗青：1500万主要是指全身运动控制，比如走路跑步这些。现在正在积累手部操作信息，是第一人称影片。我们目前在逐步建立这方面的信息集，之前大概已经有300万，最近苹果又开源了一个信息集，包括最近随着智能眼镜的普及，我相信这方面信息会越来越多。

至于信息量需求的问题，我们可能要先验证整个的pipeline后才能知道。

比如你如果几年前问OpenAI需要多少语料，那么最终的答案是：他们用到了互联网上所有的语料。我想具身也是同样的。

AI科技评论：和海量文本信息量比，互联网上能用的影片内容，是不是还有差距？

卢宗青：那看怎么比。如果从文件大小或者token来比的话，肯定（影片）还是会大很多。

当然，其实影片和文字不一样，文字是信息密度很高的信息形态，影片相对没那么高。

AI科技评论：所以我们还没有进入大模型公司那种大力出奇迹的阶段。

卢宗青：对，（笑）需要一万张卡。现在还不到时候，去年在智源探索时用了大概六七百张卡。

主要是姿态生成模型已经基本定型了，而且我们现在正在验证pipeline，做一些后训练一些操作，所以肯定不需要这么多卡。

AI科技评论：但你刚才提到，我们的目标还是要去做基座能力和智能泛化。

卢宗青：验证完pipeline之后肯定是需要更多的计算资源的。

最近Mary Meeker 有个报告，里面有提到，现在的训练代价是远远小于之前的语言模型的代价，她说的可能也就是之前的百分之几。

目前具身模型本质也是一个语言模型，我们现在是基于语言模型的backbone去训练，这样它可以更容易用语言去理解指令，只是我们加入了更多的模态信息。

当然，这方面其实也需要更多的探索。我们是否真的需要一个语言模型来backbone，或者我们learning from scratch去训练一个专门针对具身的模型，我觉得这是后面需要回答的问题。

或许未来我们可以探索出影片信息进行预训练为主的模型，但可能要以后才知道。但现在基于语言模型去训练，其实是最省钱的。

03 现阶段世界模型还很远

AI科技评论：一些原来自动驾驶的人转去具身大脑创业后，都在说世界模型这个概念。

卢宗青：世界模型不可能用。对机器人来说，世界模型用不了。

我跟你说什么样的世界模型能用：要定义在action，手部的关节，也就是操作层面。如果仅仅是语义层面的话，没有太多帮助。

除了像自动驾驶做导航外，没有什么帮助。

AI科技评论：所以你是觉得它现阶段落不到操作层面？所以没有意义？

卢宗青：对机器人没有意义，对游戏可能有意义。

我觉得很多机器人的公司，说把世界模型给具身用，不可能的。做机器人的公司要去做世界模型，简直就是在搞笑。

而且车厂说的世界模型就是把整个环境构图建出来，如何去导航。那你可以理解它的世界模型（本质）就是在建图。

而我们说的世界模型就是：我推一下，杯子倒了，要怎样推，杯子才会怎样倒？这涉及到动作，没有任何（先验的）信息可以给你的。

AI科技评论：所以你怎么定义世界模型这个概念？

卢宗青：（具身的）世界模型就是根据你当前做的action，然后（预测）下一帧发生了什么样的变化。杯子如果这样放在这里（桌角），它就会掉到地上，一切要符合物理规律。

它要满足两个性质，一个是我们很多pysical engine，比如Mujoco，要符合物理规律，在视觉层面也能跟我们现实中的物理世界是一致的。（现在）不可能做到这个程度的。

机器人的世界模型应该要和人类相似，因为我们是要在物理世界交互的。

AI科技评论：所以我们终究可以到那个地方，只是现阶段因为信息的原因，所以不能成立？

卢宗青：现在大家想象的世界模型，和他们要做的世界模型，其实是两个东西。

之前MIT的研究说语言模型已经具备了world model的能力，但那个是abstract level层面的：

我做了什么事情，后面发生了什么？你是通过思考或者语言可以描述的，但是你不是去预测下一帧、下一个画面是什么。而他们现在要做的世界模型是要预测下一个画面是什么，不仅要做到这件事情，还要给机器人这样的环境去训练。我认为现阶段的工艺手段不足以做到这件事情。

AI科技评论：那你怎么看现在“不同版本不同名字”的VLA层出不穷？

卢宗青：如前面所说，我觉得VLA本身没有错。只是大家更多是在gripper做操作，没有touch到最本质的问题。

AI科技评论：能再定义一下什么是最本质的问题吗？

卢宗青：怎么来学，learning paradigm（学习范式）是什么。

我们到底是带大量action信息去做预训练，还是说我只是在VLM上加入action head。这是两个不一样的范式。

我个人是希望大规模把互联网上的动作信息，放到前面去学习，然后再去对齐。他们是说，我现在有个VLM，训练完了以后，把真机信息堆在后面去训练。而且真机信息和互联网信息也差了几个量级的。

AI科技评论：所以你觉得未来范式的方向是前者。

卢宗青：是的，未来的范式会收敛到我们这一条路上：通过互联网的影片去学习人的行为。

当然我说的只是人形机器人和灵巧手，gripper的形态不在我们的考虑范围内。

04 短期没有商业化考量，融资是双向选择

AI科技评论：我们想要解决更本质可能就意味着实现难度更大、商业化能力没那么快。那你是怎么考虑这个问题？

卢宗青：我们尽可能把思路传达给投资人，让他们去buy in这样一个工艺路线，作为一个通用的解决方案，还是有一些投资人逐渐在认可这样的工艺路线。

当然我们一开始就没有动用特别多的计算资源，也是在一个相对受限的情况下去办这件事情。

AI科技评论：有商业化的尝试吗或者规划吗？

卢宗青：规划不太能说，但现在没有商业化的尝试。

AI科技评论：你现在有合伙人吗？

卢宗青：没有联创这个级别的，正在培养团队成员，同时也在接触中。

AI科技评论：你在跟投资人聊的时候，对于我们商业化落地方面的想法，投资人是完全没有问题的吗？

卢宗青：有些投资人肯定会问的，但这其实是个双向选择吧。有一些投资人听了这个工艺路线以后，他们会非常excited。

我觉得未来我们需要商业化的时候肯定会去尝试，但现在通用的solution，近期之内是不大可能性的。（停顿）至少一年之内不可能。但沿途我们去做一些商业化落地也是可以的，我自己是不排斥的。

AI科技评论：这有点像OpenAI，早期是一个非营利性的组织，有很多富人去支持，做了很多未来的尝试。

卢宗青：对，我觉得现在环境会比之前好很多。包括Pi其实他们早期也就是研究，没有任何产物。

AI科技评论：但坦率讲，中国和美国的投资环境还是不太一样的。国内投资人可能嘴上很乐观的，但心底对国内的前沿探索是没有那么自信的，还是偏好一些工程性的落地应用的项目。

卢宗青：是的。确实就像你刚才说的，工艺的增长是有非常大的不确定性，但是一些投资人就喜欢看到确定性的东西，其实本质是相悖的，所以好多投资人说投什么非共识，最后投出来的项目全是共识。

但可能这几年会变好一些。像DeepSeek和机器人硬件的成功是一种鼓励，尤其是机器人的硬件体系主要是在国内的。

AI科技评论：其实具身大模型和语言大模型还不太一样。语言大模型在Day One的时候，投资人就有共识，认为这是美国一套、中国一套的生意模型，所以才有了后面快速起来的六小虎。但具身应该没有语言模型的政策壁垒，所以你们似乎从第一天开始就是全球竞争的格局。

卢宗青：我觉得很好啊，这也是全球性的机会。本来也不该有壁垒，本来就是该全部一起竞争的。

05 BeingBeyond 将分别是两个模型的名字

AI科技评论：公司为什么叫 BeingBeyond？模型也是叫Being-M0。

卢宗青：Being其实就是生成和存在，Human Being里的 Being。而且它既是名词又是正在进行时，所以我们后面加了一个Beyond。我们希望最后能做出Robot Being吧。

AI科技评论：所以这个名字里本来就暗含了实现AGI的愿景，因为要“超越存在”。

卢宗青：是的。我们是这样安排的，我们的第一代模型基本会用 Being来开头，后面的模型会考虑用Beyond开头，但就不知道会是什么时候了。

AI科技评论：Beyond模型会侧重什么呢?

卢宗青：如果发Beyond，那就代表我们真的是全球领先的模型了。

AI科技评论：其实我第一眼看到这个名字，我在想会不会是因为你们不做“本体”机器人硬件，所以要超越本体。

卢宗青：是的，是一语双关。而且如果在模型命名上，Being-0其实也代表正在进行中的0号产物。

AI科技评论：这个命名也非常有意思，为什么是从0开始发布产物？

卢宗青：因为0号是我们最初一个还不够成熟的尝试，它不代表我们最终要做的事情，而这条路会是一个不断迭代的过程。

而且后面的话，应该也不会命名1。要命名为1的话，我感觉应该是一个（停顿）跨越式的模型吧。

但是 Motion 模型的话，可能会出1，因为它是我们刚才提到的1500万条信息上已经scale up的第一个东西。

AI科技评论：如果不用1的话，会怎么命名呢，0.1、0.5？

卢宗青：（笑）scale up了以后就会有1的。

AI科技评论：公司现在多少人？

卢宗青：全职员工其实就五个人，加上实习生大概二十来人。

AI科技评论：其实这个规模在创业公司里都算很精简的了吧。

卢宗青：是的，但他们每个人都做了很多年模型相关的研究了。

AI科技评论：那如果给你一大笔钱呢？你会去配置一点资源去尝试硬件吗？或者你会去多买点卡之类的。

卢宗青：现在不是做硬件的最佳的时刻，因为硬件形态还没有收敛，而未来具身的很多地方肯定都会标准化的。

买卡也暂时不太会。（即便有钱了）可能我们还是这么几个人，在这样一个办公室里。因为事儿还没有到要scale up的时候，我们暂时还不需要那么多资源。

AI科技评论：多久以后可以scale up？

卢宗青：我觉得两三年吧。

AI科技评论：那确实需要很好的耐心，因为两三年可能会发生很多事情。

卢宗青：两三年是指scale up的时间，这个过程不是说一直不做商业化，还是有一些公司对我们的工艺路线有兴趣的。

AI科技评论：你有特别喜欢的创业者或者公司吗？

卢宗青：Steve Jobs。我认为我们如果有机会的话，未来也可能有一天会做一个自己的机器人。因为所有的具身模型都是在机器人上的，我们也很希望可以去直接面对客户，只是不是今天而已。而且因为我们的目标是通用的，所以我们最终其实还是希望有2C的机器人。

AI科技评论：最后一个问题。因为我们最大的信息集是人类的，所以如果实现通用泛化，机器人就自然会以人类动作为主要参考形态。换言之，人类自己的运动模式，最终决定了这个文明未来机器人的形态。对吗？

卢宗青：对。

（作者微信：hai2023zi  添加请备注公司-姓名）

（雷峰网(公众号：雷峰网)雷峰网）

雷峰网原创文章，未经授权禁止转载。详情见转载须知。