姜旭（Roger Jiang）此前很少得当对外发声。

姜旭是少数完整参与过 OpenAI 大模子中枢手艺演进的华东说念主创业者之一。2019 至 2023 年间，他经历了 GPT 系列能力爆发最关节的阶段，职责横跨底层磨练 infra、大领域预磨练、RLHF 对王人算法与数据构建等中枢链路。

他不仅是 GPT-4 手艺呈报的中枢孝顺者之一，亦然 InstructGPT 的主要作家之一。后者奠定了 ChatGPT 教唆衔命与东说念主类偏好对王人能力的紧要基础。如今，他采用回到中国创业，并把下一次 AI Scaling 的赌注押在了物理宇宙。

2024 年他在深圳成立了亮源新创 (Light Origins，lightorigins.com)，投身具身基础模子。但公司成立于今一直保持低调，外界对它的了解并未几。

当今他决定第一次完整地把我方的想考讲出来。

姜旭对具身智能的中枢判断，可以详尽为一句话：具身智能最先需要我方的预磨练。

在他看来，现时行业对遥操数据和真机强化学习的醉心是必要的，但这并不及以因循具身基础模子信得过走向 scaling。真机数据更像是高价值的对王人、考据和闭环迭代数据，而不是预磨练阶段最主要的领域起原。受限于采集成本、场景掩盖和数据各种性，只是依靠机器东说念主在真实环境中的遥操和试错，很难得到访佛大语言模子预磨练所需要的数据密度和散布广度。

姜旭认为，具身智能信得过尚未被充理会锁的，是互联网模范的东说念主类畅通、空间出动和物理交互数据。就像语言模子从海量文本中学习宇宙常识和推理结构，具身模子也需要从大领域物理宇宙数据中学习畅通先验、空间走漏、物体 affordance 和交互轨则。换句话说，具身智能的关节问题不是“能不成再多采一些真机数据”，而是能不成找到一套可领域化的具身预磨练方法，把物理宇宙中的举止履历回荡为模子能力。

沿着这套逻辑，他作念出了几个与主流旅途不完全相似的判断。

亲历过 GPT 系列从无东说念主看好到引爆全球的全过程，他对这套方法论有一种近乎笃定的信心，并信托具身智能会沿着大模子走过的旅途再走一遍。他说，他异常享受被质疑、并最终被解释正确的阿谁过程。

以下是 DeepTech 和姜旭的对话。

咱们还是进入了 Scaling 的阶段

DeepTech：你当今在哪个城市？最近主要在忙什么？

姜旭：我当今主要在深圳，这里算是咱们的大本营。同期咱们在北京和新加坡也有研发团队，但愿能够尽量诱导不同区域的东说念主才。

图丨亮源新创的深圳办公室位于深圳湾后海（起原：受访者）

创业其实永远都绕不开三件事：东说念主、钱、事。只是不同阶段，要点会不一样。最启动差未几一年期间，咱们主要照旧在措置“事”和“东说念主”。一方面是搭团队，另一方面是考据统共模子磨练和算法研发的旅途，包括居品落地和模子应用的标的。

畴昔一年，咱们聚焦在考据统共手艺旅途。因为对于具身智能来说，信得过贫穷的是找到一条能够像大语言模子一样络续 scaling 的旅途。畴昔几个月，咱们在这件事上还是探索出了清亮的标的，同期中枢模块当今也都有了比拟练习的负责东说念主和体系。是以本年对咱们来说，会是一个从“探索”启动进入“scaling”的阶段。

DeepTech：这是你第一次得当收受媒体采访吗？之前有媒体发过你创业的音尘，但你莫得回复，我还以为你是不太可爱和媒体打交说念的东说念主。

姜旭：算是第一次得当收受采访。之前照实有过一篇对于咱们的报说念，但那篇并不是咱们主动对外讲的，是以严格说，这是第一次完整地把咱们的事情讲出来。

DeepTech：那为什么决定当今出来作念一些曝光？

姜旭：每个东说念主、每家公司的元气心灵、带宽、期间都是有限的。我作念事情有一个激烈的倾向，即是在职何一段期间，我我方和统共公司会把大部分元气心灵，聚焦在少数几个 ROI 最高的模块和领域上。

在此之前咱们最先要搞清亮的是要作念什么，搭一个富余强的团队。咱们当今还是到了准备好要去 scale 的阶段，接下来要作念的事情，即是去 scale。况且要进一步引入耐久成本和产业资源，把这件事情快速往下一阶段推动。

GPT-3 能说出几句完整的话，咱们就很高亢

DeepTech：你在 OpenAI 四年，从 GPT-3 到 GPT-4，从 InstructGPT 到 ChatGPT。你刚加入的时候，团队多大？你被分到哪个组、作念什么？

姜旭：我刚加入 OpenAI 的时候领域还很小，约略一百东说念主摆布。阿谁时候 OpenAI 还跟其他的 research lab 差未几，分红一个一个小的 team，team 之间莫得异常考究的耦合和深度合作，每个 team 都在作念前沿学术和发表著述。但 OpenAI 的文化，在我在的统共期间，里面耐久是曲常开放、解放的。

是以我很有幸，在 OpenAI 期间换过约略四五个 team，在大语言模子这块有一个全栈的经历。我基本上是从大语言模子最底层的 infra 作念起，然后到中间的预磨练差未几作念了一到两年，临了又花了一两年期间作念对王人。

我刚加入措置的第一个问题，是 FP8，也即是 8 比特浮点数磨练模子，这项手艺今天还是在扫数前沿的大模子磨练推理过程中被大范围使用了。我差未几花了一年期间把它探索清亮。OpenAI 我方不作念硬件，是以咱们只是在算法层面把它探索清亮，会有一些推理上的遵循进步，但对磨练莫得本质变化。磨练如果想加快，还要从硬件层面原生去接济。咱们那时就把截至给了 NVIDIA，劝服了 NVIDIA 从 H100 系列启动，原生接济 FP8。

DeepTech：阿谁时候 GPT-3 是什么水平？

姜旭：我加入的时候，GPT-3 刚刚启动磨练。那时候每两周开一次全员会，负责 GPT-3 磨练的团队，主如若 Dario 他们，会在会上分享磨练进展。那时语言模子的水平，是 GPT-3 偶尔能说出那么几句完整的话，语法上莫得异常彰着的无理，阿谁时候咱们全员扫数东说念主都会特殊高亢。

当今雅致一下，从我 2019 年加入到当今六七年期间，AI 手艺确凿是突飞大进，发生了六合弥远的变化。

DeepTech：这些经历里，你印象最深的是哪一段？

姜旭：统共 OpenAI 四年是一段异常压缩的期间线，发生了太多的事情，作念过的许多景色印象都特殊久了。

第一段即是 21 年头，Dario 他们走了之后，我加入新组的团队去作念预磨练。那时的布景是，正本负责预磨练的团队即是 Dario 他们，20 年底到 21 年头，他们陆续离始创立了 Anthropic。那是一个糟糕的离异过程，每周都有几个熟悉的共事去职，剩下的东说念主又广泛莫得预磨练的履历，寰球心里照旧有点慌的。 然后 Greg Brockman 带队组建了一个不到 10 东说念主的团队去接办预磨练。

图丨姜旭在 OpenAI 任职期间拍摄于旧金山（起原：受访者）

最先，那几个月期间职责强度极大，我每天早上醒过来跟打了鸡血一样自便地职责一直到深夜，Greg 甚而有时候和会宵写代码，第二天只睡一两个小时再连接职责，临了从数据到 infra 到优化算法都发现了特殊多的问题，最终，折腾了好几个月用了几千卡，也莫得训出来好的模子恶果。那是一个挺糟糕的迭代经历，不外预磨练失败在头部大模子公司也并不萧索，我经历过的就有过两次。

自然，奏效的预磨练，征服即是 GPT-4了，是预磨练的集大成者，从模子架构到优化算法到 infra，都是超越时期的， GPT-4 最终完成磨练的期间，甚而比咱们一启动测度的还提前了许多。这种情况在大模子磨练里并不常见，不时都是一直延长甚而最终也磨练不出来。

还有一些景色，它的紧要性最终是需要被期间解释的。

比如咱们作念的 InstructGPT，用东说念主类响应作念强化学习的 RLHF，是对王人算法的奠基职责。这个职责在 2021 年头刚完成的时候并莫得受到富余的醉心，因为那时的恶果还不够好，但背面算法的征战和数据迭代并莫得住手，最终它成为了 ChatGPT 磨练里特殊紧要的一个身手。

大模子磨练中枢即是两步，第一步预磨练，第二步对王人，只须把对王人作念好了，预磨练的模子才会变得很好用。跟预磨练不同的是，对王人需要的是渐渐的迭代和进步，直到最终冲破一个阈值。回头看有一个久了的贯通是，如果一个标的第一性旨趣上是正确的，就一定要对持作念下去，一定能作念成也一定要作念成。

DeepTech：那 ChatGPT 的走红呢？

姜旭：其实 ChatGPT 发布的时候，OpenAI 里面并莫得东说念主信得过意志到，统共宇宙会这样快发生变化。

那时居品上线的期间点，刚巧赶上一个紧要的 AI 学术会议（NeurIPS 2022），许多共事在新奥尔良参会。统共发布自己其实特殊普通，完全莫得那种其后寰球设想中的“历史时刻”氛围。它更像一次平素的居品上线。

但接下来的几天，统共事情启动赶快发酵。

我印象异常深，一启动是星星点点有东说念主在商酌 ChatGPT。其后商酌的东说念主越来越多。再其后，统共会场险些扫数东说念主都在聊它。那种嗅觉很奇怪。你会俄顷意志到，一项正本只属于 research lab 的手艺，启动以一种失控的速率进入现实宇宙。其后回到公司之后，约略连气儿一两周，我每天通达 Twitter，统共 feed 险些都被 ChatGPT 刷屏了。

但我其后回头看，信得过改换一切的，其实不单是模子能力自己。

GPT-3 时期，模子还是特殊强了，但阿谁阶段的大模子更像一种“荫藏的 intelligence”—它存在，但普通东说念主感受不到。更多照旧研究东说念主员和征战者在用 API、写复杂的 prompt、作念 demo。ChatGPT 第一次把这种智能变成了一种险些莫得学习门槛的居品。

用户不需要走漏手艺旨趣，不需要学习 prompt 工程，也不需要知说念 transformer 是什么。你只需要像和另一个东说念主讲话一样，去跟它interact。

我其后意志到，一个很紧要的事情是：许多时候，东说念主对 intelligence 的感知就取决于 interaction 的方式，获取智能的容易进度是智能水平的中枢体现。

错过了物理，赶上了 AI

DeepTech：既然你在 OpenAI 成绩这样多，为什么 2023 年会采用离开？

姜旭：一个很紧要的原因是，我一直更享受始创新范式的阶段。我在 OpenAI 亲历了大模子从一个险些没东说念主信托的标的，逐渐变成改换统共宇宙的主流手艺范式。阿谁过程对我影响特殊大。

但 ChatGPT 爆发之后，我会彰着嗅觉到，大模子启动逐渐进入一个“共鸣化”的阶段。

手艺途径越来越清亮，行业也启动快速 scale。许多问题自然仍然特殊难，但它们越来越像工程和资源问题，而不是新的范式问题。我我方一直更想作念的，是那种还莫得被信得过措置、还莫得被行业酿成共鸣的事情。

其后我花了很耐久间去想考，阐述具身智能即是这样一个标的。我合计今天的具身智能，很像 2019 年之前的大模子。行业里有许多探索，但还莫得信得过找到阿谁能够 scale intelligence 的中枢旅途。

这件事对我来说特殊有诱导力。

DeepTech：为什么是 2023 年这个期间点？有什么机会吗？

姜旭：ChatGPT 爆发之后，成本市集变得特殊活跃，创业环境和氛围变得很好，是有条目去创业、撬动成本和资源作念一件更大更有影响力的事情的。

其次，我在阿谁期间点就认为大模子行业接下来要发生什么，相对来说是比拟明确和细则的。当一个行业进入这种高度细则性的景色，个东说念主在里面施展的作用相对就会弱许多，更多是一个堆资源问题，公司去 scale up 资源，去推广既有的途径图。是以大模子对我来说就不再那么 exciting，不再有从 0 到 1 冲破新范式的振作和配置感。

DeepTech：问一个略略八卦的问题，你离开 OpenAI 和 2023 年那些震动运筹帷幄系吗？

姜旭：莫得，我是在那之前离开的。

DeepTech：你的本科和博士读的都是物理。那时为什么会进入 AI 行业？

姜旭：我读博士期间其确凿物理学里作念了多数尝试，如果你看我发表的著述，早些年我发过各种标的的学术著述，跟我临了作念的博士课题甚而都不关连。我照实是一个比拟可爱探索、尝试新东西的东说念主。

雅致起来，在统共探索的过程中，我一直在找一个信得过有前途的标的。我合计东说念主生是要去坐一次火箭的，奏效的行状生存，一定要有机会经历一段爆发式的成长。

我读博士的时候很快发现一个问题：对作念物理学研究来说，我可能晚出身了差未几一百年。物理学的黄金期间是 20 世纪初的那几十年，在那段期间二流的物理学家都能作念一流的职责。其实今天的 AI 领域也访佛，随地都是黄金，二流的选手也可以作念一流的职责。

那时我有一个很紧要的不雅察：科学里那些浅易的轨则，差未几到 20 世纪中世都还是被发现已矣，剩下的都是硬骨头，异常难啃。但这些留传问题有一个共同轨则，都波及到在多数复杂的数据里找 pattern，在高度非线性的时势上作念拟合。但那时我并莫得一个谜底，不知说念怎样解这类问题。

直到 2016 年春天，AlphaGo 下围棋的新闻遮天盖地，传播得特殊广，那亦然我东说念主生第一次了解到深度学习这个手艺。我恐怕意志到，这不即是一个完好意思的手艺来解科学里留传的难题吗？那时候我快要博士毕业了，就坚忍要往这个标的转。

其后我启动自学 Python 编程，自学 machine learning，上的第一门课是吴恩达在 Coursera 上的公开课。我自学了一些东西，作念了一些开源景色，比拟容易地在硅谷找到了AI标的的第一份职责，一年之后又加入了 OpenAI。

DeepTech：你作念物理出身，又想在多数数据里找 pattern，听起来更像是该去作念 AI for Science，为什么是去作念大模子？

姜旭：你说得很对，那时进入这个行业最大的驱能源、最诱导我的，即是最终去措置那些科学问题。那是起点。

但 AI 能力的演进是有一定的轨则的。大模子的爆发是从数据量最多、数据最容易获取的文身手域先启动的，之后才向各种其他领域扩散。AI for science 今天正处在爆发的过程中， 许多细分标的还是达成了冲破或者处于冲破的前夕。

另外，language 自己仍然是最紧要的 backbone，它不单是是东说念主类交流的弁言，同期亦然东说念主想考、推理的特殊紧要的弁言，科学最终照旧要构建在东说念主类推理基础之上。

DeepTech：那为什么临了又采用去作念机器东说念主？

姜旭：我离开 OpenAI 是要去达成一件影响力更大的事。采用机器东说念主这个标的有几点原因。

最先，机器东说念主背后代表的其实是 physical AGI，是 AGI 特殊紧要的一部分，是其中的一半。如果能解锁 physical AGI、通用机器东说念主，这件事的经济价值和历史真义真义都特殊要紧，是一个富余大、富余有趣的问题。

其次，我刚离开 OpenAI 的时候，对机器东说念主这个标的了解得不够多。其后我花了一段期间去想考和学习，最终发现这件事的本质，跟我之前解过的扫数大模子问题莫得各异。

它本质上即是一个多模态模子的问题。把机器东说念主的输入和输出，都通过多模态模子数据表征的方式去向理，那机器东说念主的问题恐怕就休养成一个多模态问题。多模态模子怎样磨练、怎样 scale，这些都是还是被充分研究过的问题。从第一性旨趣上，这个问题在我看来是势必可解的。

正因为如斯，我信托我方畴昔在大模子领域丰富的经历和布景，会为具身这个领域带来专有的价值。

DeepTech：从离开 OpenAI 到得当创业，中间快要一年。这段期间你在干什么？

姜旭：那段期间即是在想考和迭代标的。刚离开的时候，脑海里有几个我合计值得作念的见识。对我来说比拟自然的，是连接作念大模子，我在这个方进取也作念过一些探索和尝试。

但最终我得出一个论断：在纯模子的赛说念里，我很难找到一件富余大、富余有趣，况且头部模子公司不会作念、或者我有十足上风的事情。

按我敌手艺演进趋势的走漏，模子的能力范围会无穷拓展，头部模子公司的业务范围也会无穷拓展，是以终极景色下，模子即是端到端去称心东说念主扫数的行状和内容需求，东说念主把需求给到模子，模子把东说念主需要的行状或内容复返回来。中间可能就莫得异常多创业公司的大机会。

是以那时一个很紧要的想考是：我要作念的事情里一定要有一些部分是这些模子公司不擅长的。那就一定要带上供应链和硬件，这是中国专有的上风，扫数的模子公司都不太具备这方面的基因。

DeepTech：这个论断是你我方独自想考得出的，照旧也从别东说念主那里得到了什么启发？

姜旭：最先我有一个我方的直观。有了这样一个直观和标的感之后，就会作念许多 research，然后去找这个行业里最顶尖的 researcher 交流和我方去研究，最终酿成论断。

我一启动离开 OpenAI 之后径直归国了，2023 年底又从头回到好意思国，跟那时最顶尖的 robotics 领域的一些 researcher 交流，像 Google、伯克利、斯坦福的一些东说念主。很难说是某一个特殊具体的东说念主，更多的是我对这件事有一套我方的解析框架，框架里有一些那时嗅觉比拟无极的场所，我去研究和跟这些东说念主聊，再去阐述那些点。

大部分公司都在重叠苦涩的训戒

DeepTech：那当今让咱们聊聊你所采用的这条路，大语言模子奏效，是因为找到了领域化压缩语言的方式。在具身智能领域，对应的冲破是什么？物理宇宙的步履怎样变成可以领域化磨练的数据？

姜旭：具身智能的冲破，会跟大语言模子特殊访佛。大语言模子最关节的点是压缩了全东说念主类互联网的文本数据，也即是伊利亚说的压缩即智能。

我在创业之前想清亮的，是架构层面的事情：机器东说念主问题本质上是一个多模态模子问题，这是架构层面的时期延续性。这个时期的大主题，即是用同样一套框架、同样一套方法论，去一个一个冲破垂直的模态，从文本到语音到视频到图像。对具身智能来说，这是一个比拟自然的延续。

但里面有一个中枢问题：这套框架到底怎样用到具身智能领域。更具体的最中枢的问题是，用什么样的数据来预磨练模子。这亦然咱们创业第一年最中枢去探索的问题。最终咱们得到的谜底，跟大语言模子特殊访佛：最 scalable 的方式，即是去效法、去压缩互联网级别的东说念主类视频里的 human actions。

DeepTech：你在 OpenAI 作念的是预磨练和 RLHF。当今作念这件事，这套想路具体怎样平移？哪些径直能用，哪些得从头发明？

姜旭：这需要先雅致一下大模子统共磨练的旅途。畴昔几年大模子爆发以来，主要出现了三次范式级别的创新。

第一次是预磨练，你可以把它设想成完成了常识的压缩。其次，在预磨练模子的基础上作念对王人，有点像常识的索求。只须这两步都完成，模子才富余灵巧、富余泛化、富余好用，对王人中枢措置的是好用这个问题。临了，差未几一两年前出现了 reasoning，赋予了模子深度想考的能力。

对应到具身智能领域，咱们最先要措置的即是常识压缩的问题。这是这个领域里到面前为止许多公司都莫得措置好的少许：当模子能力不够强的时候，它到底是预磨练的瓶颈，照旧对王人的瓶颈？相对应地，咱们到底是要措置常识压缩的问题，照旧常识索求的问题？

我认为大部分公司都在走弯路。具身智能正在经历我方的 bitter lessons，大部分公司正在重叠 NLP 当年的弯路，都聚焦在了常识索求这一步，跳过了预磨练，径直在作念对王人。是以咱们中枢要为这个领域孝顺和措置的，即是东说念主类步履的压缩。这个压缩是通过预磨练完成的，在以东说念主类为中心的数据上，把东说念主类的数据压缩进预磨练的模子里。

DeepTech：说到数据，你们预磨练的数据主要起原是那处？

姜旭：咱们主要使用了互联网领域的东说念主类动作数据。

DeepTech：有不雅点认为，纯互联网视频有一些问题是完全无法措置的，还需要真机数据等其他数据来补充。你怎样看？

姜旭：这是一个特殊好的问题。大模子能 work，一定是需要两步：通过互联网数据完成常识的压缩，再通事后磨练完成常识的索求。对于常识压缩这一步，只须互联网数据才有可能完成。

但只是用互联网数据作念预磨练是不够的。互联网数据的自制是量特殊大、富余低廉，能掩盖到各种万般的长尾场景、各种 corner case；它的坏处亦然这个，里面有各种万般不真实的数据、杂音、无理的数据。这些问题，一定要通过高质料的后磨练数据才能消颤抖。是以一定是这两个结合起来。

这条旅途的中枢上风在于：如果你的预磨练作念得富余好，你就不需要那么多真机数据来作念对王人，最终也能磨练出一个富余通用和强大的模子。

我举个例子，在 ChatGPT 的统共磨练历程里，预磨练阶段咱们用到几万亿个 token，后磨练履行上只用到了不到 10 亿个 token，中间差了好几个数目级。这亦然今天这个领域大部分已有玩家没想清亮、没措置好的问题，寰球都在后磨练阶段、在真机数据上作念了特殊多的职责。

DeepTech：互联网数据质料狼籍不王人，数据清洗是不是这里面很紧要的一部分？

姜旭：对，使用互联网数据一个中枢的挑战，即是数据的清洗和处理。

我我方在 OpenAI 期间也部分参与过预磨练模子的文本数据处理，是以我知说念这件事的紧要性和复杂进度。而且很关节的是，我知说念，是有可能通过一套方法，把特殊复杂、杂音很大的数据处理好，变成可用的数据的。咱们把同样的想想和方法用到了视频数据上头。

这亦然咱们畴昔一年探索出新范式过程中很紧要的一个里程碑，其中差未几有一半甚而更多的元气心灵，都花在研发数据处理和清洗的管线上，这是一个特殊复杂的过程。

DeepTech：这算是你们的一个专有壁垒吗？

姜旭：可以这样说。它需要富余强的东说念主，富余多的 know-how，再花富余多的期间和成本在上头，才能把它作念好。

DeepTech：那么在模子架构上你们作念了什么采用？比如 Physical Intelligence（Pi）用的是 flow matching，也有其他用自总结的。你们走的是哪条路？

姜旭：我先说一个判断。我认为具身大脑统共的框架应该跟今天 agent 选择的框架比拟访佛：底层有多个模子去具体推广，顶层是一套 model harness 的框架，把这些模子合理地组织、串起来。最底层的模子都是端到端的模子。是以咱们磨练的是端到端的模子。

咱们其实更把具身 foundation model 动作一种面向物理宇宙的多模态大模子。它学习的不单是语言，而是视觉、动作、交互以及真实宇宙中的连气儿步履。

从行业面前的发展来看，信得过 scalable 的途径毛糙照旧两类：自总结（autoregressive）和 flow matching。咱们会把自总结更多走漏成一种对大领域时序步履数据的压缩与表征学习，而 flow matching 更接近连气儿动作空间里的生成建模。两者对应的是不同的 inductive bias。

当今行业里选择 flow matching 的团队会更多一些，但并不是某一种架构十足最优，纯自总结自己完全是可以成立的。

咱们里面其实两条途径都还是跑通了。现阶段会更多聚焦在自总结上，因为它在大领域预磨练阶段磨练遵循更高，也更妥贴快速 scale。

但直露讲，咱们并不认为模子架构自己是这个阶段最中枢的壁垒。对具身智能来说，更关节的问题照旧数据，尤其是大领域预磨练数据。咱们当今更中枢的事情，其实是先用一套相对浅易、自如、还是被考据 scalable 的架构，把数据领域和步履掩盖度信得过作念起来。

DeepTech：自总结有一些缺点，比如精度赔本、推理速率慢。这些怎样措置？

姜旭：这里面许多问题，其实并不是自总结自己的问题。像精度赔本、磨练不自如这些，更多照旧一些关节算法细节莫得信得过作念好。包括 tokenization、万古序建模、磨练计谋这些，大模子领域其实还是积蓄了许多练习履历，斗鱼体育app中国官网下载都是咱们也曾反复措置过屡次的问题。

推理速率亦然访佛的。当今许多 flow matching 模子之是以显得更快，一个很紧要的原因是它的 action head 还比拟小，本质上还莫得进入信得过 scale 的阶段。改日如果具身模子连接往更大领域发展，推理优化最终照旧会变成一个特殊系统性的工程问题。

而且咱们合计，自回清偿有一个很大的上风，即是它能够自然袭取统共 foundation model 领域畴昔几年积蓄下来的手艺红利。不管是计较遵循、长程驰念、RL 范式，照旧统共磨练基础设施，其实都还是特殊练习了。

是以咱们当今更中枢的事情，照旧先把数据领域、预磨练和真实宇宙交互信得过作念起来。

DeepTech：我了解到你们的模子是跨履行的，面前履行跑通了哪几种形态？

姜旭：先解释一下，因为咱们的模子效法的是东说念主类的动作，压缩的是 human actions，而 human 是一个特殊高解放度、动作特殊丰富的履行。以这样的履行为基础，咱们事实上可以把东说念主体作念出来的各种动作，map 到各种其他形态的硬件履行上。

到面前为止，咱们有两款全自研的硬件履行，一款东说念主形机器东说念主，另一款是解放度低许多的轮式居品，都可以搭载咱们的模子，咱们也尝试过宇树的履行。如果是一个低解放度的履行，咱们就把东说念主体的动作作念一个更低解放度的近似就可以了。举个例子，咱们最终达成了东说念主在物理宇宙里通用的举止能力、take action 的能力之后，可以把它简化成东说念主的要点点的出动，这时候出来的就相称于是一个出动模子。

DeepTech：你提到你们达成了初步的 scaling，这个“初步”具体是什么情况？

姜旭：咱们面前所处的研发阶段，如果对标 OpenAI 的 GPT 系列，相称于是 GPT-2.5 的水平。这个对标有两个层面的真义真义。

第一个层面，径直从数据量上看，咱们当今的数据量还是越过了当年 GPT-2 磨练用的数据体量，模子大小也比 GPT2 略略大一些。自然模子大小在这个阶段对咱们来说不那么关节，因为怎样 scale 模子，这件事在大模子领域还是解过了，中枢是莫得东说念主解过怎样 scale 具身的数据。

第二个层面，从咱们面前能达成的、从数据处理到模子磨练的整条管线来看，咱们还是能作念到：恐怕拿来一段视频数据，只须里面有东说念主，就可以把它变成咱们的磨练数据源，能灵验地从视频里学习到东说念主的畅通讯息、视觉信息。

DeepTech：那离上限还有多远？

姜旭：咱们算过按这个旅途最终能达到的上限。咱们在数据量上还可以引申好几个数目级，差未几有四个数目级的引申空间。从 GPT-2 到 GPT-4，数据上差未几是引申了三个数目级。是以信托咱们的模子能力还会有屡次质的飞跃。

DeepTech：到了阿谁数目级的上限，就足以达成通用能力了吗？

姜旭：我信托到阿谁级别，就足以达成初步的通用机器东说念主。对标 GPT 系列，应该至少能达到 GPT-3.5 那种初步可用的景色。

中枢原因是，今天咱们磨练出来的模子，教唆侍从能力还是发扬得可以了，还是远远越过咱们当年磨练 GPT-3 时的景色。咱们那时候看到能说几句完整的话、语法上莫得彰着无理，就很振作了。在这个基础上再有四个数目级的进步空间，我信托一定会有一个畅通智能、具身智能上的飞跃。按照 GPT系列对模子版块迭代的界说，每一代模子要比上一代强一百倍，那进步四个数目级，差未几能达成两代模子的迭代。

DeepTech：我传闻，在你们看来，物理宇宙的畅通泛化可能比语言泛化容易许多。这个论断你们是怎样得出来的？

姜旭：Scaling law是咱们研究怎样 scale 模子的一个很紧要的器具，它中枢讲的是模子能力会跟着数据量、磨练算力的参预和模子大小细则性地变化。这三条趋势线是直线，就会有斜率。咱们面前看到的是，具身的斜率可能比语言的斜率还要大一些。这是一个特殊特地想的发现，意味着这个问题可能比语言要浅易一些。

另外一个是自然进化的例证。掌持了高等语言能力的只须东说念主类，但其他扫数动物都具备畅通的能力，具备跟物理宇宙交互、改换物理宇宙的能力。说白了，连蚂蚁都有一个夹爪，可以作念 pick and place。是以，这件事可能莫得语言那么难。

DeepTech：这个论断还挺反共鸣的。之前看到的许多说法，都是说真实宇宙的泛化更难。

姜旭：我认为今天寰球合计它反共鸣，一个很紧要的原因是，寰球作念的方式可能都辨别，莫得确凿邻接大模子那套想想方法论的精髓。

畴昔三年，统共具身智能赛说念一个很紧要的进展，是寰球逐渐酿成共鸣，要选择大模子那套想路。但这里面有一个很大的 gap：许多首创东说念主、许多团队之前莫得作念过大模子，在解析层面、knowhow 层面有一些误区，诬蔑了大模子里一些很中枢的点。许多团队在这方面是有常识盲区的。

DeepTech：嗅觉你对这个判断很有自信。

姜旭：因为我我方在大模子标的作念过太多景色，有奏效的，也踩过许多坑。我在 OpenAI 四年，也见过太多周围的共事用访佛的想想方法论去解其他领域的问题。这统共过程，帮我设立起了对这条手艺途径特殊久了的审好意思。

DeepTech：那你合计这个判断会被质疑吗？我个东说念主合计，这篇著述发出来之后，可能会有不少东说念主质疑你。

姜旭：可能会吧，但我其实异常享受被质疑、且最终被解释是正确的这样一个过程。

DeepTech：你会怎样看待这些质疑？

姜旭：我可以分享一段我的经历。我刚加入 OpenAI 的前两周，读的第一篇 paper 即是 Scaling Law 那篇，那时照旧 draft，还没发表出来。我读完大受颤动，很确信我赶上了一次手艺立异。

By the way，我一直合计我方的手艺 taste 照旧比拟可以的，在一个手艺早期的时候，我就能比拟精确地看到它的改日和后劲。阿谁时候 OpenAI 在外界看起来照旧一家比拟奇怪的公司，但里面其实还是发生了六合弥远的变化，外界并不知说念。我出去跟别东说念主聊天，不时有东说念主问我 OpenAI 是作念什么的，我说 OpenAI 是要去作念 AGI 的。这个时候我会看着对方的目光，庸俗对方的目光和色彩传达出来的是质疑，仿佛在说，这是一家骗子公司。

我是很享受这个过程的。大模子被证实了，这家公司作念的事情也被证实了。

我合计最终有价值的事情，都是要反共鸣且正确，be contrarian and right。如果是一件强共鸣的事情，它的相对价值要小许多。这亦然为什么我在 2023 年阿谁期间点采用离开 OpenAI，我认为阿谁时候大模子还是变成一件强共鸣的事了。

交互会从头界说机器东说念主

DeepTech：你认为具身智能的末端是什么？

姜旭：我合计许多东说念主当今走漏具身智能，照旧一种“替代东说念主”的逻辑。比如扫地、作念饭、搬东西，本质上照旧在复刻东说念主还是会作念的事情。但我合计具身智能信得过特地想的场所，是许多新的能力和价值，可能会从耐久 interaction 里自然长出来。

前提是，它得先信得过进入现实宇宙。

而这背后最中枢的问题，其实照旧：怎样 scale intelligence。可以这样走漏，大模子这几年信得过奏效的场所，本质上是第一次把许多手艺用一个正确的措施组合了起来。先通过预磨练，在全互联网数据上完成大领域的效法学习；之后再通过强化学习、对王人、reasoning，把这些能力一步一步信得过开释出来。

许多畴昔失败的探索，并不是算法自己错了，而是措施错了。在预磨练这套范式信得过被走通之前，许多 AGI 的探索其实都联接在强化学习，前大模子时期的 NLP 本质上在作念对王人。

今天具身智能领域，其实也很像阿谁阶段。真机数据、遥操、真机强化学习这些标的自然有价值，但它们更妥贴“后磨练”。这个行业到今天为止，其实还莫得信得过措置“具身预磨练”这个问题。

枯竭一个富余强的预磨练基座，模子就很难信得过得到对物理宇宙的泛化走漏，也很难耐久在真实宇宙里络续出动、不雅察、interaction。

信得过大的变化，会发生在这之后。当 intelligence 能够耐久存在于现实宇宙，并络续 interaction，它会逐渐酿成对环境、对东说念主、对生活自己的走漏。许多今天还不存在的 intelligence、interaction，甚而新的价值形态，可能都会从这里启动出现。

DeepTech：那这个末端，跟东说念主的关系会是什么样的？

姜旭：从能力演进的角度，我合计具身智能临了会和大语言模子很像。它会先去效法东说念主，然后逐渐超越东说念主的能力。今天的代码模子，还是能看到特殊彰着的迹象了，它还是不单是辅助东说念主写代码，而是在进入一种新的配合景色。具身智能以后也会是访佛的过程。

但我合计更紧要的少许是，当具身智能耐久存在于真实宇宙里，耐久和东说念主分享空间、分享环境，这里最关节的变化是：interaction 的期间模范变了。

当 interaction 从几秒钟的一次调用，变成耐久共存之后，它和东说念主的关系也会发生本质变化。它不再只是“推广一个任务”，而会启动逐渐走漏东说念主的习气、环境的变化、空间里的隐含轨则，冉冉酿成一种对真实宇宙的“具身直观”（embodied intuition）。

到阿谁时候东说念主和 AI 可能会统共创造出许多畴昔根底不存在的新价值、新步履，甚而新的生活方式。

DeepTech：要达成你说的这种机器东说念主，它需要具备哪些能力？怎样排优先级？

姜旭：统共大模子的研发想路，并不是从需求启程去倒推说咱们要作念什么，它是反过来的，是从数据红利启程。咱们看这个宇宙上存在最多数的数据是什么，就从这些数据里把它蕴含的丰富信息作念一个深度挖掘，这是大模子范式的本质。

是以沿着咱们的想路，最先是能够全面地效法和学习东说念主的各种万般的能力，这取决于现存的存量数据里包含了哪些东说念主的步履和动作。

对于手艺演进的旅途，咱们跟这个领域有一些不太一样的不雅点。我认为最启动能够解锁出来的，是通用出动的能力，是 mobility。它会最先在模子能力上冲破，况且能最快酿成贸易闭环、最快商用。下一步才是通用 manipulation，模子能力上才富余强，并找到合适的应用落地场景，酿成贸易闭环。措施上是先通过 mobility，让具身智能安全地进入物理宇宙，下一步再去谈如何用手段改换物理宇宙。

mobility 和 manipulation 这两个，对应到大语言模子的发展历史，相称于是 language 和 coding 之间的关系。一启动 language 的存量数据最大，能力上率先冲破，找到一个合适的居品形态，即是 ChatGPT。跟着模子研发的进展、language 能力的进步以及 coding 自己能力的进步，最终才解锁出 Claude Code 和 Codex 这种全新的居品形态，大领域施展经济价值。

DeepTech：也有点像东说念主类，先从爬行、走路启动，再去学各种能力。

姜旭：对，它最先要能在开放的物理宇宙里安全地出动。

DeepTech：你之前在小红书上提到你们当先的居品要先作念一些好玩的东西，那么第一款居品具体会是什么样的？

姜旭：我合计“好玩”其实是一个很紧要的词。因为许多东说念主会默许，机器东说念主最紧要的是“完成任务”。但如果你回头看大模子的发展过程，会发现信得过让 AI 爆发的，其实并不是一启动就去措置坐褥力问题，而是 interaction。

ChatGPT 最早改换宇宙，也不是因为它先替东说念主完成了什么复杂职责，而是它第一次让大领域用户启动自然地和 AI 交互。具身智能许多新的能力和价值，未必是一启动被遐想出来的，而可能是在耐久与东说念主共存和交互中长出来的。是以咱们第一代居品从能力上来说，它会具备通用的 mobility，以及通用的想考和 interaction 能力。

DeepTech：会是之前一些报说念提到的那种随同型机器东说念主吗？

姜旭：“随同”自己并不是一种居品类型，它更像是耐久共存和交互之后自然产生的一种截至、一种脸色上的价值。但咱们信得过感兴味的，并不单是情怀价值。

更紧要的是，当 intelligence 启动耐久存在于真实宇宙，并络续 interaction 之后，它会不会启动产生许多额外的新价值。因为如果你仔细不雅察，东说念主类在现实宇宙里绝大部分期间，其实都不是在“操作”。更多时候，咱们是在出动、不雅察、想考。

按照之前的推演，咱们会把率先能够解锁出来的出动能力去贸易化，让机器东说念主能够在物理宇宙里面主动地出动、不雅察和交互，把数字宇宙的 agent 延迟到物理宇宙，达成 embodied agent。

DeepTech：我嗅觉当今不少东说念主对你们的了解，可能还停留在“随同机器东说念主”上。

姜旭：咱们本质上照旧一家基模公司，只不外作念的是具身基础模子。基模赛说念有一种说法叫作念“模子即是居品”，在具身领域应该是基模+硬件履行即是居品，改日咱们的模子会有各种形态的“壳”，最先从一个轻巧的 embodied agent 启动，改日会有搭载咱们模子的各种形态机器东说念主居品。

DeepTech：这款居品约略多久之后能见到？

姜旭：再保留点隐讳感，但征服不会是两年之后了！

DeepTech：你们定位是具身大模子公司，硬件履行贪图我方造吗？

姜旭：咱们暂时是我方造。背后中枢的原因是，统共行业还处在特殊早期，还莫得酿成程序和共鸣。自然存在具身智能这样一个大赛说念，但寰球磨练模子的方式、算法旅途、居品落地的标的、应用的场景，事实上林林总总，每家公司都有我方的谜底。这个期间点，很难找到凹凸游的供应商来配合咱们，去 exactly 打造一个能适配咱们模子能力的硬件。

咱们这套想路最中枢的，是围绕模子能力的变化来想考：在什么期间点能解锁出什么样的模子能力，咱们就如何打造一款合适形态的居品。跟大模子研发和迭代的想路特殊像，并不是一个传统的、去作念浮滥级机器东说念主的想路。是以暂时咱们只可端到端地既作念模子磨练，又去界说和打造我方的硬件。

但弥眺望，咱们会但愿把模子变成一个开放的生态，去跟领域里各种万般形态的硬件完成适配。

最终依赖的照旧东说念主

DeepTech：你团队的领域当今有多大？

姜旭：当今全职约略六十东说念主摆布。

DeepTech：你的团队布景很各种，来自 OpenAI、大疆、微软、华为、字节。你刚才也提到，OpenAI 早期团队是比拟割裂的。在组建团队时，你会特地志地去幸免这个问题吗？

姜旭：特殊好的问题。我认为 OpenAI 奏效一个很中枢的原因，是它背面酿成的扁平文化和特殊高效的组织。

我的判断是，本质上咱们即是一家多模态大模子公司，一定要选择最顶尖大模子公司的组织模式：保持一个小的团队，保持特殊高的东说念主才密度，打造一个扁平、高效的组织。

从创立启动一年多，我也作念了蛮多探索和想考。对 OpenAI 来说有一个相对容易的点，它需要的主要即是作念算法的东说念主，相似的东说念主见识更容易调解，想考问题、作念事情的方式更容易接近。对咱们来说，一个中枢挑战是，团队里既有作念硬件的，又有作念软件算法的，算法这边又分红机器东说念主算法、大模子，还有传统的软件工程，是布景特殊不一样的一群东说念主。

最终我摸索下来，发现谜底其实蛮浅易的。这样一个扁平的组织，最终不依赖于组织的结构和划定来作念事情，更多依赖于东说念主。

DeepTech：是以中枢难点是筛选东说念主？

姜旭：对，扫数不断的难度都放到了筛选东说念主这一步。筛选东说念主又包含两种类型。一种是还是有一些职责履历、在职场里酿成了职责习气的东说念主，对这些东说念主，咱们一定要按咱们的程序去测度，看他是否能适合、是否合适咱们想打造的扁平文化组织的要求。另一种是可塑性更强、更白纸的，刚毕业甚而还没毕业的学生，这些东说念主可以在咱们团队文化磨合得比拟好的情况下，在里面培养和磨练。

DeepTech：识别东说念主这件事，是不是也需要一种 taste？

姜旭：完全是的。我在 OpenAI 期间也见过多数特殊优秀的东说念主，优秀体当今不单是是手段、业务水平层面，更紧要的是 ownership。OpenAI 招东说念主的时候特殊可爱招有创业经历的东说念主，这可能也跟 Sam Altman 的布景运筹帷幄，他之前是 YC 的 president，OpenAI 也有多数东说念主之前是 YC 的 founder。这些东说念主除了业务能力除外，庸俗会有特殊强的主东说念主翁精神，会把公司的事情当成我方的事情来作念。

DeepTech：那么你招东说念主时，最垂青的特色是什么？

姜旭：主如若三个方面。第一个是最基本的业务能力，他在所处的模块上，手段要达到一定水平。其次是 ownership，主东说念主翁精神，他是不是能把这些事情当成我方的事情来作念。这个特殊紧要，因为一个扁平文化的组织本质上是莫得不断的，要每个东说念愚弄理我方，同期不断景色，甚而不断其他东说念主，是以对东说念主的要求极其高。第三个方面，是一个东说念主作念采用的能力和 taste。

这三个方面如果都很优秀，这个东说念主即是一个很好的 manager。是以咱们当今在公司里选了许多优秀的 manager，可是寰球都莫得 manager 的 title，寰球在这样一个文化里共同不断、共同治理公司。

DeepTech：面前的团队，在这个阶段够了吗？

姜旭：咱们举座的团队膨胀速率照旧比拟慢的，招东说念主一直保持着比拟高的筛选程序，很克制，是以咱们险些扫数岗亭都有空白。

现阶段尤其是大模子标的，咱们大模子团队招的东说念主广泛都是大模子公司布景的。这一定进度上跟我我方之前的经历和 OpenAI 的光环运筹帷幄，这个光环也能帮咱们诱导到大模子领域一些顶尖的选手，加入咱们统共磨练具身的 foundation model。

事实上，咱们磨练的这个具身 foundation model 从统共体量到挑战，还是不亚于磨练任何其他领域的 foundation model 了。也借这个机会说一句，咱们当今一直在招东说念主。如果你身上有我刚说的这三点特色，又信托从预磨练启程去作念具身基础模子这条旅途，想跟咱们统共把具身的 foundation model 训出来，宽宥你来找咱们聊。

DeepTech：海表里的同业里，你合计作念得比拟好、比拟有代表性的有哪些？

姜旭：我会比拟看重那些大模子公司下场去作念这件事，比如我的老东家 OpenAI，我会看重他们的进展。Google 不太好说，Google 和 OpenAI 照旧两码事，两家公司在组织文化上其实有特殊大的各异。

大公司里有特殊多职责的东说念主，但枯竭 owner，大公司耐久有这样一个窘境，Google 也耐久会有这个挑战。

今天要在这个领域达成冲破，需要的方法和手段，exactly 即是大模子那套东西。我更信托会有一些大模子公司在这个领域里比拟早地作念出冲破。如果一个团队里贫穷富余多的大模子履历和 knowhow，会遭受比拟多的挑战。

DeepTech：2026 年以来这几个月，国内具身智能赛说念还是有好几家上百亿估值的公司了。你怎样看这个赛说念如今的热度？

姜旭：一个繁盛发展的行业，早期一定会有一些泡沫，泡沫自己是一个平素的时势。

略略不太合理的场所在于，一些公司可爱对标同业，贫穷寂然的探索和创造，也贫穷对行业前沿的更有劲的冲破和推动。

DeepTech：你一启动说，你们本年一个很紧要的主题亦然融资，那你们进展如何？

姜旭：咱们正在 close 新的一轮融资。咱们在融资节拍上，也作念了一个有点反共鸣的采用。

客岁上半年咱们融已矣一轮，那时市集照旧蛮火热的。但我信托具身智能、AI 是这个时期的大主题，是全社会、全宇宙会 all in 的大标的。在 AI 时期大海潮里，资源并不是最稀缺的，一个顶尖的团队和一条确凿能达成智能冲破的研发旅途，才是最稀缺的。咱们客岁一年都在打造团队、探索模子研发旅途和居品落地标的。本年咱们除了融资外，还会有更多的对外发声；要推动范式级别的改换一定是需要更多东说念主的参与。

咱们就活在科幻里面

DeepTech：你说你们的模子当今到了 GPT-2.5 的时刻。那距离信得过的 ChatGPT 时刻，还有多远？

姜旭：按照咱们这条旅途，咱们在年底之前应该能够达成，相称于从 2.5 到 3.5，高出一代模子。高出一代要有一百倍的进步。对咱们来说，以面前的水平为基础，再进步一百倍应该不会是一个根人性的挑战。

DeepTech：这个谜底有点出乎我的预感，我以为会更慢少许。

姜旭：我对咱们面前所走的这条旅途，极其乐不雅，极其有信心。

DeepTech：本年年底有点太近了，咱们再来瞻望更远少许的事吧，在本年除外，你改日三到五年乃至以后的主义是什么？

姜旭：我的大判断是，具身智能会沿着大模子走过的旅途，把大模子紧要的那些里程碑再走一遍。

最先是完成预磨练，预磨练的冲破和 3.5 时刻会是行业的拐点，具身智能居品才会启动大领域地落地应用，出当今咱们的生活里，进一步聚集到全新的、真实宇宙的数据。这有点像今天的 Coding Agent，当大模子作念长程任务、写代码的能力冲破到一定进度，启动能完整地请托职责，进入到用户的电脑这样一个更复杂、全新的环境，而那些数据是之前模子见不到、互联网上也不存在的。由此就酿成了数据飞轮。

大模子是要在数字宇宙里效法和超越东说念主的能力，具身是要在物理宇宙里效法和超越东说念主，三到五年摆布，约略率会全面地超越东说念主的能力。

DeepTech：在这个过程中，你当今最期待的一件事是什么？

姜旭：具身智能的 ChatGPT 时刻，模子能力强到可以大领域地进入到物理宇宙，进而出现第一个 PMF 的居品之后，数据飞轮和贸易飞轮都会转起来。在这个基础之上，通用具身智能将会看起来不再那么远处和不可设想。

DeepTech：那你比拟惦念的问题有哪些？

姜旭：我以前在 OpenAI 的四年期间，前后差未几有一年多期间都在对王人的团队里。对王人中枢要措置的一个特殊关节的问题，即是安全。

具身智能存在特殊访佛的问题。它的手艺演进旅途会跟大模子特殊像，存在的风险也会跟大模子特殊访佛。安全问题是急需统共领域去看重、提前想考、研究和布局的标的。

看得更远少许，当代漂后社会是东说念主创造的，但当这个星球上出现了一个从才调解膂力上都全面超越东说念主的全新群体之后，是否会影响到咱们今天的漂后，咱们的漂后会如何演变，是每个东说念主都要去想考的问题。

DeepTech：这是一个听起来特殊科幻、又特殊现实的问题。

姜旭：是的。当智能启动耐久存在于物理宇宙，它就不再只是一个被调用的器具、而是可以通过络续不雅察、络续学习、络续交互和操作反过来影响现实宇宙自己。

那时候，东说念主类靠近的就不再只是一次手艺升级，而是一种新的“存在”。

咱们其实还是活在科幻里了。

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成斗鱼体育app中国官网下载