死磕机器人大脑的北大副教授，和我们聊了聊具身领域最大的“偏见” 文｜富充 编辑｜苏建勋 2026年，具身智能会有怎样的分化？北京大学计算机学院副教授、 “智在无界”创始人卢宗青向我们抛出一个判断： “软硬分化。” 软，是模型大脑，硬，是机器人本体；分化，是不同的公司各有所 长，各司其职。 “智在无界”所在的北京鼎好大厦，是个被智源研究院、零一万物、 银河通用等一众明星AI机构坐拥的大楼。在这里，人工智能的非共识 ，每天都在发生。 卢宗青的观点也和具身行业发展现状大相径庭。如今，获得高估值 的具身创业公司，不论是已成为“独角兽”的智元机器人、银河通用， 还是融资势头强劲的星动纪元、星海图，都在执着地追求一件事：软 硬一体，做全栈。 尽管如此，卢宗青与他于2025年创立的“智在无界”，还是选择“逆 势”做一家模型公司，只研发机器人大脑，并不涉足硬件制造。 智能涌现独家获悉，智在无界已于近日完成天使轮，融资金额为数 千万元，由拉卡拉旗下考拉基金领投，领航新界、灵心巧手跟投，老 股东联想之星和星连资本持续加注。 “具身行业对‘纯软’这件事，有比较大的偏见，国内是这样，国外 也是，”卢宗青的态度单刀直入。他举了个例子，软硬都做的美国具 身智能创业公司Figure，比只做具身模型的Physical Intelligence 估值要高上数倍。 不过，2026开年发生在美国机器人圈的一笔大交易，为“一级市场 重新定价具身模型公司”这件事开了个好头：1月14日，机器人模型初 创企业Skild AI完成14亿美元C轮融资、估值翻了三倍后达到超 140 亿美元，成为2026年机器人行业最早诞生的千亿独角兽。 这笔交易把问题摆到台面上：如果模型公司做出不同本体、任务通 用的大脑，具身智能企业是不是没必要把整条技术栈都背在自己身上 ？ 智在无界想证明的正是这一点——做跨品牌、跨形态的具身智能模型 。 目前，公司已推出灵巧手操作模型Being-H系列，可以控制双足机 器人移动和操作的模型Being-M正在研发中。最新发布的Being-H0.5 模型已能够控制30种不同机器人；因为经过推理优化，端侧部署在英 伟达Orin-NX等常用机器人小型芯片上，也可以实时跑起来。 目前，公司客户已包括PND、灵心巧手等硬件公司。PND近日与智在 无界联合发布的Adam-U Ultra机器人，就是“软硬协作”的典型故事。 接入Being-H后，PND高自由度机器人可以“开箱即用”整理桌面、分 拣扫码等通用技能；再配合智在无界的增值服务Being-Dex做少量数 据的后训练，数小时就能学会新任务。 实现上述能力的核心，在于超3万小时预训练数据——卢宗青介绍， 这已是当前全球规模最大的具身智能模型训练数据集。这背后，是一 套独特的“人类动作视频”方案。 （《智能涌现》注：此处“最大”特指用于具身智能模型预训练的数 据集。） 这套方案可以在人类正常工作生活中，通过头戴摄像头，录制第一 视角的手部动作视频，因此数据规模大、成本低，更能完整记录人类 复杂操作。相比之下，多数全栈公司依赖的“遥操作采集”模式，则因 需人工操控特定机器人，存在成本高、规模小、数据与硬件深度绑定 的局限。 图片：https://img.36krcdn.com/hsossms/20260124/v2_fa46b550 e59a4999a8b83226f5cd4aff@6227116_oswg357943oswg1080oswg606_i mg_000?x-oss-process=image/format,jpg/interlace,1 △头戴摄像头可以在不干扰操作者正常工作的情况下，录制第一视 角的手部动作视频，图片：采访人提供 2023年底，卢宗青就开始使用该数据思路做模型训练。他记得，当 时这一方案并未引起太大反响，业界还是以仿真和真机数据为主。但 2025年起，包括特斯拉Optimus在内，更多机器人公司开始采用人类 视频数据方案。 卢宗青判断，2026年行业内会有更多公司认清“软硬分化”的价值。 原因在于背后一笔经济账：纯自研一个具身模型，算上买卡、招人等 成本，年开销高达数千万甚至上亿；相比之下，外采一台机器人“大 脑”的一次性成本只需几万元。 在他看来，“软硬一体”因为布局全面而更受一级市场青睐，但现实 是技术栈太长——做模型和做硬件本就是两套能力体系，一家公司很难 两头都做深。 过去一年里，也因此出现一些“为了全栈而全栈”的公司：套壳VLA 、做出看似能干活的Demo，拿到了融资，却无法在真实场景里落地赚 钱，或因模型套壳被曝光而遭到技术能力的质疑。这促使更多创业者 开始审视全栈路线的难度与性价比。 “我不想把资源分散在不擅长的硬件上。”卢宗青说，技术还没收敛 ，探索更要保持轻量，这也是他选择死磕“大脑”的原因。 图片：https://img.36krcdn.com/hsossms/20260124/v2_42174ca1 01ac4920aa5ca9a2d8b76347@6227116_oswg66270oswg1080oswg720_im g_jpeg?x-oss-process=image/quality,q_100/format,jpg/interlac e,1 △卢宗青，图片：采访人提供 以下为《智能涌现》与卢宗青的访谈，内容经作者整理： 具身模型与本体，分工将会更明确 智能涌现：国内头部具身企业还是以“软硬一体”为主，智在无界只 做模型，会在融资时遇到困难吗？你怎么看这个情况？ 卢宗青：智在无界正式开始运营是在2025年5月，当时纯模型的路 线想要融资还是不容易的。其实美国市场的情况也类似，软硬都做的 Figure会比只做具身模型的Physical Intelligence估值要高。 （作者注：2025年9月，Figure估值约为390亿美元；2025年11月， Physical Intelligence估值约为56亿美元。） 我认为原因是，具身是一个全新的行业，最初大家也不知道未来的 产业链的形式会是怎样的，所以早期投资人更愿意把钱投给什么都做 的企业。 但估值只是暂时的，它从本质上不代表公司的业务会做好。我想要 做的是OpenAI那样的企业，一开始更偏向科研，能第一个做出“ChatG PT”，然后开展商业。 智能涌现：怎么才算“公司业务做好”？或者说，一个好的具身大脑 模型，核心解决什么问题？ 卢宗青：我认为是通过预训练模型，为机器人赋予一种基础的“运 动与操作基因”。 人虽然不像马、鹿等动物，一生下来就有很强的运动水平，但人类 的基因赋予了我们较好的运动能力，通过后天的训练可以激发出来。 机器人也是一样，预训练模型相当于赋予了机器人“开箱即用”的初步 运动能力。 智在无界也会基于具体任务，到不同的机器人本体上做后训练，如 果预训练的大脑模型能力强，那后训练加部署的环节里，大概30分钟 就能让机器人学会一个新任务。 智能涌现：但估值高会带来更多资金的储备，所以可以做更多技术 上的探索，这在技术没收敛的阶段能否加大“做好模型业务”的概率？ 卢宗青：但估值高了也会有恶性循环，企业可能会去尝试各种技术 和商业化的路线。投了各种各样的钱，但没做出成果。至少，估值和 业务成败不是绝对的关系。 智能涌现：所以现在能感受到一级市场的变化吗？你认为原因是什 么？ 卢宗青：现在可以看到具身模型公司的估值越来越贵了。 原因是，从业务层面来看，现在很多机器人本体公司会来找我们合 作。大家算过“自研模型能不能赚钱”这笔账之后，逐渐意识到，具身 智能本体公司做不做模型本质上是个商业行为。我认为行业会越来越 走向软硬分化的形态。 智能涌现：从算账的角度来看，训一个好的具身模型，一年要花几 千万至一亿元？ 卢宗青：对。一个模型大概需要10个人，年薪就要2000万元。算力 也很贵，如果是100台机器，每台机器8张卡，用A800的卡，每个月需 要大概300万元；如果H200的卡，每个月的成本就要900万元了（包括 存储）。 这还没有算数据和其他的成本。现在最便宜的第一视角视频数据， 大概是几十元一小时；动捕数据大概在几百元一小时。 智能涌现：智在无界现在的付费模式是什么，为什么说比企业自研 要便宜？一个硬件厂商，会不会担心软硬分化以后，自己因为没有软 的能力，而被模型公司“坐地起价”？ 卢宗青：现在收费是一台机器人，部署要花一笔一次性的License 费用，在几万-十万元，对于出货量不多的公司来说还是小于自研成 本的，此外我们还有根据数据量收费的后训练服务Being-Dex。 当本体企业出货量达到一定程度的时候，可以有类似Saas年包的付 费方式。到时候，模型公司也会有多家，大家有竞争，本体厂商就不 怕某一家“坐地起价”。 智能涌现：如果技术收敛了，不再用花那么多的成本搞研发了，本 体公司会不会自己就把模型的业务做了，这样会对纯模型公司的生意 造成威胁吗？ 卢宗青：如果真到了技术收敛、一个通用模型能做很多事情的阶段 ，机器人会进入家庭。那时我反而认为模型公司的市场会更大，甚至 可以做 To C。 届时可能会出现像微软那样的大软件公司；也可能像华为那样同时 具备软硬产品。到了那个阶段，我们也可能通过 OEM去做真正的机器 人产品。 图片：https://img.36krcdn.com/hsossms/20260124/v2_993c5485 aa264a0aa9b359d7bb9a0a3f@6227116_img_000?x-oss-process=image /format,jpg/interlace,1 △Being-H模型控制的PND机器人正在给快递扫码，图片：采访人提 供 2027年，100万小时数据量涌现模型能力质变 智能涌现：你此前一直从事的是计算机领域的研究，怎么开始和具 身智能交叉的？ 卢宗青：2023年，我通过多模态大语言模型去玩开放世界游戏《荒 野大镖客2》，但发现模型的任务理解和动作完成能都十分有限。我 当时意识到，模型交互能力弱，根本瓶颈在于缺乏对视觉和空间的理 解，要提升这一点，与真实世界的交互数据必不可少。 这成为我最初投入具身智能模型研究的契机。 智能涌现：你说智在无界正式创立后不久，就利用2025年暑假去好 几家工厂调研具身智能落地情况。发现了行业怎样的问题或者现状吗 ？ 卢宗青：印证了之前的判断，就是现阶段的具身智能远远没到可以 落地真干活的水平，核心卡点在泛化性。 比如，束线整理、精密组装这类动作非标且复杂的工序上，具身智 能“独立自主完成工作”的能力仍然有限。行业对外讲的“工业场景落 地”，大部分还停留在演示或短周期的POC（概念验证）里。 智能涌现：原因是什么？ 卢宗青：原因一部分在硬件，缺稳定好用的高自由度灵巧手；灵巧 手也缺触觉，这意味着接触点等等重要的力反馈信息是缺失的。 另一部分原因在模型，过去业内更多用二指夹爪，行业还没研发出 真正能干活的灵巧手模型。 智能涌现：你早于业界共识提出采用人的视频做预训练数据。智在 无界发布的第一个模型时，业内反馈如何？ 卢宗青：2025年七八月份，我们做出了第一个灵巧手模型 Being-H 0，业内反馈还不错。英伟达总部也专门派人过来，了解这个模型在 算力方面的细节。 当时大家普遍觉得这是个新思路，那时候业内主要还是在用以机器 人为主体采集的数据。我们是第一个采用大规模人类视频数据做模型 预训练的，Being-H0用了大约100万条第一人称视角下、人手操作的 视频。 智能涌现：你从2023年底开始用人类视频数据的技术路线训练具身 模型，行业去年也是紧锣密鼓地迭代各种技术方案，但为什么至今还 是没做出一个泛化性好、真能干活的具身模型？ 卢宗青：我们在具身模型的训练上花了大约两年时间。过去的问题 中，最本质的有两点，一是在于数据不够多；二是模型训练还缺乏很 好的范式。 智能涌现：具身智能要具备泛化能力，多大量级的数据才够？ 卢宗青：我们目前积累的数据在四五万小时左右，包含第一人称视 频和一部分机器人真机数据。 我认为，数据规模可能需要达到100万小时量级，才更有可能让机 器人能够快速学会复杂的新任务，具备真正的泛化能力，从而在产线 上实际用起来。这个量级大概在2027年可以达到。 另外，数据来源不能只局限于单一或少数场景。我们收集数据时， 会注重多样性，不同场景、不同任务的数据都在持续积累。 智能涌现：之前做了一两年，才积累了四五万小时的视频，如何在 2027年就把量堆到100万小时？ 卢宗青：过去视频量级一直只有四五万小时，原因是当时技术路线 还没转到“人的视频”，所以很少有人系统地做这件事。 我们早期的数据一部分来自互联网，比如用GoPro拍的第一视角； 也有我们自己采集的，包括第一人称视频，以及用动捕设备捕捉的动 作数据。 现在行业对视频训练数据的需求起来了，最近也出现了不少专门生 产视频数据的创业公司。我们这边还有合作工厂提供数据，比如工人 头戴摄像头工作时拍摄的手部数据。 智能涌现：你说，从方法论来看，训练的大框架其实都差不多，真 正的差异在细节和工程上，智在无界是怎么做的？ 卢宗青：智在无界在“预训练-后训练”双层框架中，先在预训练阶 段通过大量人类视频让模型模仿人类，理解视觉、文本，输出人类动 作。 在后训练阶段，将预训练中基于二维画面学到的信息，与物理空间 对齐，转成可以在物理世界中驱动机器人的控制信号，适配不同本体 。 在这些环节中，我们做了一些细节的工程工作。比如，数据处理上 ，我们建立了一套自动化的数据处理工作流，整个过程基本无需人工 干预。系统会自动爬取网络上的视频，调用模型标注视频动作的文字 描述，再将视频中有用的片段截取出来。另外，我们还通过给视频中 的关节进行标注，让不同来源、不同角度、不同清晰度的视频里的二 维动作画面，都能统一进同一个3D空间里，最终整理成可直接用于训 练的“视频-文字描述-动作”数据对。 后训练阶段，我们会更积极地探索多模态的融合，比如加入触觉带 来的力反馈，补充模型学习需要的重要信息。 智能涌现：除了灵巧手大模型，听说智在无界即将发布一个适用于 双足人形全身的大模型，这个可以先大概介绍一下吗？ 卢宗青：这是我们做的多模态移动操作模型，Being-M 系列。它的 数据会复杂一些，同一个动作，既包括第一和第三人称视频，也包括 动捕数据，它们是对齐的。 我们在预训练阶段，先用模型把第三人称视频中人的姿态提取出来 ，再给这个动作配上文本标注。目前我们用大约1500万个“文本 + 动 作”配对训练它，再配合人的第一视角视频，相当于把视觉模态也加 进来。 举例来说，像“走路绕过面前障碍物”这种动作，我们既有全身动作 和文字描述，也有人眼睛看到的第一视角视觉数据。把这些加在一起 ，就可以生成对应的动作序列；再用我们的动作跟随模型 Being-W， 控制机器人去跟随刚才模型生成的动作序列。 图片：https://img.36krcdn.com/hsossms/20260124/v2_3e9470c9 7a174517bcc2da1bb92ddedc@6227116_oswg816187oswg1080oswg608_i mg_000?x-oss-process=image/format,jpg/interlace,1 △Being-H模型控制的机器人正在将不同形状的零件进行分拣归纳， 图片：采访人提供 套壳做Demo挺常见，但解决不了实际问题 智能涌现：所以我们现在距离理想中能独立工作、能泛化的具身模 型还有多远？ 卢宗青：我要是能判断还有多远就好了（笑）。但我们在2026年1 月推出的Being-H0.5灵巧手模型，会比半年前推出的Being-H0在泛化 性以及跨本体性能上有非常高的提升。 智能涌现：那你认为模型能力产生质变，是会突然涌现还是循序渐 进的过程？ 卢宗青：不会是循序渐进的。可能会基于方法上的变化，或者是模 型层面的变化。但从科研角度来看的话，不会是一成不变坚持做（现 在的方法）就能做出来的。 智能涌现：新发布的Being-H0.5模型，表现如何？ 卢宗青：Being-H0.5的预训练除了包含大量视频数据，也采用了来 自30种不同构型本体的真机数据，实现了跨本体的大规模数据融合。 模型训练完成后，可以同时部署5个不同本体。其中让我觉得惊艳 的瞬间是，用宇树 G1 采集的快递扫码分拣任务数据训出来的模型， 首次上机就能直接让PND的Adam-U成功执行同一个任务。 而且Being-H 0.5具备很高的端侧部署速度，在常见的小型算力板O rin-NX上，能达到模型动作生成与机器人运动实时进行。 智能涌现：泛化性这件事如何评定？具身模型现在有比较公认的Be nchmark吗？ 卢宗青：其实我们说的就是任务的成功率。现在业内有一些Benchm ark，比如LIBERO、RoboCasa，不过具身的Benchmark还在迭代。 智能涌现：叫Being-H 0.5会和PI 0.5有关吗？ 卢宗青：无关，只是我们认为现在模型能力还在0.5的阶段。 市面上确实有一些号称自研模型的公司，其实是套壳PI 0.5的具身 模型，只是在后训练时加了一些数据而已。但我们不是。我们除了VL 基座模型，剩下都是自己训的。 智能涌现：现实很骨感，看Demo却让很多人误以为机器人已经可以 做很多事了，听说Demo的拍摄也有很多“技巧”？ 卢宗青：Demo的坑还是挺多的。比如没有特殊说明自主操作的情况 下，有些Demo里的任务可能是遥操控制的。 智能涌现：所以其实落地在工厂里真干活还是不容易的？ 卢宗青：对，如果眼下就能落地干活，其实就不会建那么多数采工 厂，收集那么大量的数据做训练了。 智能涌现：最后讨论一下当下的热点方向“世界模型”吧。很多人认 为这个技术会在2026年解决具身泛化性的题，你似乎有不同看法 ？ 卢宗青：我对“世界模型”这个说法一直比较谨慎，现在世界模型的 定义很混乱。 如果它只是用来在训练过程中提供一些合成数据、生成训练数据， 这当然可以，最多就是做一个“数据生成器”。 但如果最后讲的故事，是把它部署到机器人上直接控制操作，那就 会变得极其复杂、极其消耗算力。因为它需要把机器人每一步Action 都考虑进去，生成一条轨迹，还要预测大量可能发生的情况。 用它来控制机器人还是非常有难度的。