没有身体就没有AGI！Hillbot苏昊对谈千寻高阳：具身智能泡沫很大但进展真实 - 智源社区
没有身体就没有AGI！Hillbot苏昊对谈千寻高阳：具身智能泡沫很大但进展真实
Multimodal
Embodied AI
Agent
量子位<br/> 2025-11-28 11:30 分享
以下文章来源于mp.weixin.qq.com
允中 发自 凹非寺
量子位 | 公众号 QbitAI
两位长期站在具身智能第一线的亲历者，给出了罕见清晰的判断。
UCSD终身教授、Hillbot联合创始人苏昊
直截了当，表示“没有具身智能就没有通用物理智能、通用智能”。
清华大学助理教授、千寻智能的联合创始人高阳
则补上一句现实的验证路径：“只要去scale数据就能解决，本质没有任何区别。”
绿洲资本举办的AGM<br/>（Annual General Meeting）<br/>现场，就具身智能这个话题——它正从一个技术分支，转变为理解通用智能的关键入口，苏昊和高阳分享了自己的洞察。
除了教职和创业者身份外，苏昊还是最早提出“Embodied AI”概念的学者之一；高阳曾在UC伯克利深耕机器视觉研究，拥有具身大模型训练与机器人真实场景实验上的丰富一线经验。
面对具身智能具身智能研究及产业化落地，就技术演化、模型路线等议题，两人有共识，也有不同的观点。
对谈重点围绕几个核心问题展开：
具身是否是通往AGI的必经之路？
技术突破的真正瓶颈在哪里？
中国在这条路径上的结构性优势是什么？
下一次可感知的跃迁会在何时到来？
中国具身智能两位先锋的转折与抉择
绿洲
：想先请两位老师分享一下，你们是怎么开始创业的。
高阳
：我想先分享当时在伯克利的一些所思所想。
我博士最开始做计算机视觉，两年之后，开始做机器人的学习。大概2016年，我们在伯克利的这拨人，大家只是冥冥之中认为说，机器人这件事情对于智能来讲是一个最终的、闪耀的明珠，<br/>但是我们其实不知道怎么做，只是都觉得它是解决智能非常重要的最后一英里。
当时OpenAI也已经成立了，也有一些老师，比如说包括Pieter Abbeel在里面做兼职。OpenAI当时就开始天天讲“大算力出奇迹”，伯克利的其他老师认为他在讲一些不靠谱的东西。这个过程持续了大概三年左右，直到GPT-3.5出来，我觉得有一部分人的思维开始改变了，觉得看到了不一样的东西。
那时候其实已经到了2021年左右，我已经回国了。
最开始我还没觉得什么，因为大家对“数据越大，模型说话越来越像人类”的事情没觉得稀奇，直到OpenAI做了post-training，做了RLHF，在那个时间点，我觉得伯克利很多非常资深的教授，包括我自己，对于AI的研究该怎么做，信仰都崩塌了，因为发现OpenAI说的竟然是对的。这可能是我思想层面上转变最大的一个瞬间，发现这个东西真的work，它竟然能够通过这么简单的方法，只要去scale数据就能解决。
为什么我现在在做具身的创业？其实也就在那一个时刻我意识到，对于具身智能也是一样，本质没有什么不同。<br/>只是说我们在解决的不仅仅是说话，而是包括做动作、对于视觉、语言、触觉、听觉等等各种各样输入的模态，进行系统化反应的问题，本质没有任何区别。
从第一性原理去推导，无论时间长短，在几年时间之内，具身智能也会因为完全一样的技术变化趋势和外推，产生巨大的飞跃。
所以在那个时间点，我就知道了具身智能要来了，然后我想去做这个事情。
绿洲
：感谢高阳老师的分享，那苏昊老师呢？
苏昊
：我进入人工智能领域的时间还要再早一点，大概是2002年，还远在深度学习的年代之前。
那时候我在北航的导师是一位数理逻辑学家，当时大家都在研究如何做自动的定理证明。后来就发现这个规则的边界是有限的，对于常识的表达非常难。差不多那个时候，我开始更加地相信统计学习的方法。但那个时候统计学习最主要的应用场景还是自然语言处理。
2005年那时候研究用生成式模型去写对联，当时有一天我就觉得有些事情不对劲，因为我的程序也可以把对联写好，但它好像没有一种真正的心智。
比如说当他说到“蓝田日暖玉生烟”，当你说到“日”的时候，你是有很多意象，你会感受到某种温暖，有很多想象。<br/>这一部分是感官和文字的连接。我发现在符号的世界里，缺乏这种连接。<br/>于是这就让我进一步思考一个视角，就<br/>是智能应该是对物理世界交互过程中产生的一种抽象<br/>，这个视角就导致我的兴趣转向了计算机视觉。计算机视觉就是更底层一点、有关物理世界的理解了。
时代发展得实在是很快，到了2008年，当时也很有幸作为学生的Leader，参与了ImageNet这个项目。结果就发现计算机视觉，原本认为是一个非常复杂的问题，现在看起来也可能可解。
计算机视觉也是我博士最主要的经历，这一点跟高阳是类似的，所以我们其实很多年前就认识。那个时候我们在计算机视觉领域取得一定进展之后，就自然而然地去想，有没有可能再回到我们AGI的问题上去，就是计算机视觉在AGI整个框架里应该往哪儿放？那么我们离实现AGI还有多远？
视觉实际上就是机器人的眼睛，实现了物理信号到一种符号，或者说一种内在的、可以用来理解和推理表达的转换，必须要进一步地推动对空间的理解，这就构成了我后来的一部分工作，就是空间智能的研究。
在空间智能的研究又进一步取得了所谓突破之后，我们就开始认真地去想，通用智能该咋做了。这个时间点应该是在2017年左右。<br/>所以我当时内心最大的一个疑惑就是，通用智能到底该怎么定义。<br/>我当时觉得可能还是要回到跟人的类比中去想，人是对世界是有非常多认知能力的。如果具备了所有的认知能力，我们就可以认为得到了跟人类似的一种智能体。
在当时，我想计算机视觉的能力是帮我们把信号映射为符号。可如果机器要有一个自我意识，要有进一步的认知能力，那他最缺什么呢？
我想了很久，最后得到的落脚点叫做<br/>“缺乏一种概念的涌现能力”<br/>，也就是人让他认知什么，他就可以认知什么。他自己不知道他自己是谁，他也不知道该认知什么，所以问题就在于概念涌现怎么解决。我觉得从如何解决概念涌现这个角度出发，这套思考就把我引向了定义“具身智能”这个问题上。
作为人类我们会去讲知行合一，我们会去讲认识世界、改造世界是统一的。如果你要没有“行”，也没办法验证“知”。如果你没有改变世界的这个目标，你就没有认识世界的这样一个驱动力。但是要改变世界，没有形态、没有身体那是不可能的。
所以我们必须得考虑在具备一个形态、身体加持的前提下来实现通用智能。<br/>从这个角度来说，我会认为没有具身智能就没有通用物理智能、通用智能。<br/>所以说这个具身智能是通用智能的一个出口，就构成了这样一个理解。我看到学界不只是我，也有其他的老师有一定的这种共识，所以我们就开始推动具身智能。这种理解也就导致了我们对技能栈、技术栈的一种选择。
差不多2022年左右，通过ChatGPT、Transformer的成功，我们看到了一些有趣的事情，这其中的一点就是，如果围绕着概念涌现这个问题，那么Transformer里面所谓的Attention机制，能够帮我们实现一定的概念空间的组合编排，这构成了非常大认知能力上的突破。同时强化学习和世界模型，在我们研究过程中也有了很大的进展，高阳老师当年也有工作，对我有所启发。
几件事让我感觉具身智能作为一个学科，它相对清晰了，底层所需要的逻辑、突破所需要的核心技术点都在那儿了。<br/>我们也进一步认识到，要想把这样一套通用的物理智能、具身智能框架完全实现，需要很大的力量加持，如果没有一个资本的支撑，在学校里是无论如何都达不到的。
我觉得从宏观、从对整个技术的理解来看，都觉得应该做这个事儿，于是就做了。
通向AGI，必须要有“身体”
绿洲
：感谢两位老师。因为现在有很多讨论，是从纯AI的角度走向AGI，也有一派说一定要有身体，才能真正地走到AGI。那在两位老师看来，身体它是必须有的吗？还是说直接可以从AI、多模态来通往AGI？
苏昊
：我整个思维的起点就是，必须有。
我觉得刚才张津剑
（绿洲资本创始合伙人）
讲得特别地好，对我也非常地有启发<br/>，我们将迎来一个agentic的时代。在这个时代，如果它是一个虚拟智能体，我想它总体来说还是在商业社会、在工业工作流的效率提升的场景里的一种加速效果，一种资源再分配的效果。
但如果进一步地再问两个问题，比如说刚才讲的科学发现，那真的需要把观察和实验统一起来，那么我们是需要身体去物理上做操作、做实验。如果我们今天要拓展人类的生存空间，到沙漠里，到深海里，这个时候需要建立新的认知，要不要做到知行合一、做到在新的环境下感知和交互的配合？我们人类要不要走出地球？我觉得肯定要的，而且这件事情也花不了太久。
因为按照刚才的逻辑，科学发展那么快，生产力的释放那么快，我们不能整天在地球上零和博弈。我们有很多的准备，准备好了都要离开地球，让肉身上去登陆火星，还是改造月亮？
如果从这个角度来看，我会认为一个更大的AI视角、通用的智能，甚至是超人类的智能，它一定要通过具身走过去。
高阳
：我非常认同。
如果真的要走向AGI，我们一定要有一个身体。我觉得刚才苏老师从非常哲学的层面上讲了很多，我可以讲一些比较具象的例子来说明。
比如说我们要出门，走到门口掰一下门把手，然后想推出去，这个对人来讲太简单了，都是下意识去完成的。但是当你训练机器人去做这样事情的时候，会发现它有无数种方法失败，这种失败是很难想象的。
比如说没有掰到底，它就开始往后推；或者掰到了底但继续往下，把门把手都掰断了，还是没有往后推等等。为什么呢？因为它现在在比较简单的训练范式之下，没有真的与环境交互的经验，所以他没有办法学习到“我手要掰到这儿才能把门推开”。
其实这个事情不仅对于机器人，对于当前的大语言模型，包括视觉语言模型也是同样的道理。<br/>这也是为什么大家最近在大语言模型进入到了post-training、RLHF的时代，因为我们要让Agent能够和现实之间有一些交互。通过这些交互，Agent就知道什么东西做对了，什么东西做错了，才能从经验的交互里去学习到底什么是对的，什么是错的。
刚才我讲了一个具身世界的例子，比如说Agent的例子，我让他去订机票，让他去给我写代码。其实现在大家都在做，无论是在Docker或者虚拟机环境里去做强化学习，来强化这个技能。
对于即使非具身这些应用，比如说视觉语言模型、VLM模型，大家也发现了，<br/>因为当前我们训练主要的范式，是非强化学习的范式，是看互联网上图文数据这样被动学习的范式，<br/>即使是最先进的模型，比如说GPT-4，包括Gemini 2.5 Pro，很多时候你问他“这个图片里面一个物体在另一个物体的左边还是右边”，它都经常会说错。这些知识在人类的语言里是没有经常被提到的，人类不需要说这些东西，他看图片就知道东西是在我的左边还是右边。那么就没有一个语言层面上的监督，去让视觉语言模型学会这个知识点。
所有这些例子其实都指向说，我们未来如果要让无论是虚拟的agent还是真实的机器人具备通用的能力，和现实世界或者和环境交互，是特别重要的一环。
我的结论是，<br/>如果我们真的要获得AGI，真的想让机器人去处理我们物理世界问题的话，与真实环境的交互和经验是必不可少的一环，也的的确确需要具身智能来达到这个目标。
中国具身的优势在哪里？
绿洲
：另一个问题是，既然“拥有身体”这么重要，是未来通向AGI的必经之路，那现在中美两国在技术上有差距吗？以及你们觉得中国有什么优势，在哪些维度能有胜出的机会？
高阳
：本质上中美两国是最领先的玩家，在技术上没有什么特别大的区别。
我最近也去美国很多次，比较客观地去看待这个事情的话，美国的优势在于说，虽然这些最顶尖的公司是接近的，但美国的人才数量，说实话还是比中国在绝对数量上多一些的
成为付费用户可以阅读 千寻智能 所有资料
了解更多 →