大资本配资对话智谱、银河通用、光轮、滴普：“大语言模型究竟会不会把具身模型吃掉？”｜甲子光年

“你的很多深渊，是伪装成你的未来的。”

整理｜刘亚琼刘景丰

2026年9月3日，GPT-6 Astra发布，再次突破了人们对AI能力边界的想象。

基模的边界在哪里？

10月23日晚，由中关村科学城管委会、中关村发展集团联合主办的“清河夜话”圆桌对话上，甲子光年创始人&CEO张一甲，将这一问题抛给四位嘉宾：智谱CEO张鹏，滴普科技创始人兼董事长、CEO赵杰辉，银河通用机器人CFO孙登科，以及光轮智能联合创始人、总裁杨海波。

他们站在不同的视角：基座模型、企业AI、Physical AI的模型、本体、数据与测评。

2026年，AI的发展每走一步都在创造历史，但当AI能力越强，打开的问题空间越大，复杂度越高。

AI的边界究竟在哪里？它逐渐超乎大部分人的预测：从眼前看，一部分人看到的是，LLM似乎正在吞噬一切，Physical AI不过是其中的子集；一部分人认为，真正可怕的是基模“那看不见的基础上的差距”；更长远看，智能终局如何，在不断翻转的预期里，什么是幻象，什么是真相？

赵杰辉在现场说了一句精妙的回答——

“你的很多深渊，是伪装成你的未来的”。

以下为本场圆桌对话的文字实录，经「甲子光年」编辑，在不改变原意的基础上略有删改。

1.从AGI到Physical AI，

AI的边界在哪里？

甲子光年创始人&CEO张一甲

张一甲：AI发展越快，线下面对面深度交流就越珍贵。今天，我相信在座各位都和我一样有一种“混搭感”。不同的产业有着不同的时钟：AI争分夺秒，而城市更新需要一砖一瓦；不同的视角又有不同的取景框。

上一场嘉宾在谈“百年京张AI创新带”，给了我们一个大全景；接下来，和我对话的是几位AI企业家，希望我们的对话可以走进AI的中景、近景、特写，一起感受真实的水温和这个行业的颗粒度。有请今天的几位老朋友和我们一起聊聊。他们分别是智谱CEO张鹏，滴普科技创始人、董事长、CEO赵杰辉，银河通用CFO孙登科，以及光轮智能联合创始人、总裁杨海波。首先请每位嘉宾简单做一下自我介绍。

张鹏：大家好，我是张鹏，来自智谱。在座各位大概都了解我们，我们是一家做AI、做大模型的公司，根植海淀、根植北京，服务大家。谢谢。

赵杰辉：大家好，我是滴普科技赵杰辉。大家可以在我们官网下载刚刚上线的DeepWorks，可能跟WorkBuddy非常不同。上面有很多最近比较热的基础模型和决策模型，有可以自动做企业数据整理的Deepexi模型，也有很多垂直领域的深度专家。我们上线推广只有两、三天就紧急扩容。现在可以免费体验，包括智谱的模型，也可以在里面使用。

张一甲：我喜欢这样的讨论。

孙登科：大家好，我是银河通用的孙登科。银河通用是一家做具身智能机器人的公司，大厅那台机器人就是我们的产品，能说会跳、能干活，也能提供情绪价值。大家如果有合作或下单需求，欢迎会后联系我们。感谢管委会和中发展组织本次活动，也感谢臻澐提供会客厅。我这次从深圳当天往返来参与活动，能赶上咱们晚间Panel非常开心，很期待后续和各位的交流。

杨海波：大家好，我是杨海波，来自光轮智能。我们不做模型、不做本体，而是为模型和本体服务的物理AI数据与评测基础设施。我们基于仿真做数据、评测，支撑行业的发展。后面期待更好地服务行业，让具身智能尽快走入千家万户。谢谢大家。

张一甲：几位嘉宾所在的企业都在行业中领先，大家的话语体系也非常实干。如果今天的夜话能让大家都“带一带货”，也不虚此行。当然，作为一个围炉夜话，难得把大家聚在一起，我们还是要从技术前沿聊起。

现在千行百业都已经知道人工智能，而越接近“风暴眼”的人，越能感受到人工智能的威力。9月发布的GPT-6 Astra给行业带来很大变化，越来越多原本很科幻的问题回到了我们的日常讨论中：AI的边界到底在哪？它强大到了什么地方？Astra发布的时候，OpenAI总裁Greg Brockman直接说：“Welcome to the AGI era.”首先想问问四位，你们对于当下AI所处节点的真实认识是什么？

张鹏：从入行干这个事开始，尤其是开始做大模型，我们就在不停地被问这个问题，不停地讨论到底什么是AGI，今天这个是不是真的AGI，或者是不是要把这个词改成AI之类的。

我一直有个观点：这件事从来没有一个清晰、统一、一致的定义，甚至AI的定义也不是那么清晰——但我们就是在定义不确定的前提下，把事情推到了今天。回过头看，可能5年前看今天能做到的很多事情，已经接近科幻了，所以感触也非常深。

一甲问我们怎么看这件事，我本人不像很多美国人那样，比较激进地认为今天就是AGI的时代。首先，严谨地说，AGI到底是什么都没有定义清楚，怎么来定义今天就是一个AGI的时代？这个逻辑有先有后。

但确实，今天我们看到了最早一批科学家对AGI或者AI的定义中，很多事情已经实现了。大家再也不说图灵测试了，这是第一个表象，这件事已突破了原先大家对它的很多想法。

所以现在每一天做的进步，每往前一厘米，其实都在创造历史，都在全新地塑造AGI的定义、AI的定义、这个世界的定义，这是让我们最兴奋的地方。

回过头来讲，GPT-6 Astra是不是终点？当然不是。GLM-5.3是不是终点？当然不是。越做这件事，就越会发现还有很多问题没有解决掉。

比如今天坐在这里的滴普，跟我们算是上下游关系，我们的模型给他的产品提供服务；后面还有两位做数据、做本体硬件的，还有太多问题需要我们解决。仅仅会回答问题、会写点代码，绝对不够，人类世界的问题多了去了。我相信这是一个AI爆发的时代，但这个爆发仍然只是这个世界里很小的一部分。

张一甲：非常同意。AI能力越强，打开的问题空间越大，涉及范畴就越大，复杂度也越大。所以我们都认为，这不仅不是终点，连“下半场”都不算。今年年底，我们甲子引力年终盛典定的主题就叫“第二序章”。这当然不是终点，甚至不能叫下半场，它顶多是“第一序章”的结束和更大空间的开始。这也是我们达成共识的部分。

张鹏：一甲是学数学出身，就像我们刚才上台前沟通的，这是数学最好的一个时代。把数学换成任何一个领域，其实都一样，可能都是一个最好的时代。

赵杰辉：我特别同意。AI不能用线性思维去理解。如果从泛化的角度讲，我认为AI是没有边界的，它能够触达的范围极其大。

但深入去看，不知道大家有没有这样的体会。我们现在有400多家大企业客户，跟客户交流时发现，所有人都相信AI没有边界，但员工用了AI之后，自己划水的时间多了，企业的效率却并没有提升。这是当前阶段的一个边界。所有员工都在用AI，但要快速提升一个完整工作流的整体效率，效果并没有想象中那么大。这个边界是什么？如果所有知识都是完全公开的，AI就没有边界。但在企业里，为什么最近微软也在发一些决策模型（Decision Model）？因为企业内部还有一些边界。

第一层是中等边界，也就是企业内部的模态数据，比如工业中CAD、CAE的数据。随着基础模型的发展，这些也会被卷进去。

还有一层，比如我们帮安踏、百丽等大企业以及离散制造企业，做非常深度的OTB滚动。这些知识，他们过去轻易不会拿出去。有了AI之后，他们又没办法用AI把这部分知识用起来，做全流程决策。

这时，能不能让这些知识基于某种逻辑，被快速、自动地整理出来，和基础模型形成配合？所谓下一代知识库，到底是什么？

我看到很多研究，包括RAG、GraphRAG，这些都只是外挂的东西。比如我有一套自己不能公开的、非常深度的业务流知识，这套知识能不能自动生成一种让推理效能快速提升的东西？决策模型要做的就是这件事。再在基础模型的对话里，让它们联合完成一个具有确定性的工作流决策，这是决策模型出现的重要原因。

如果自动生成的东西，成功率只有80%，那剩下20%是不是也要处理？下一代知识库，就是Agent加一个模型——一个决策模型。持续进化之后，企业不愿公开的内部知识，也可以快速整理成一个知识体系，而且这个知识体系可以自进化。随着我解决一个具体工作问题，它又会被编回去。

这是我们做的第一步，现在已经可以开放使用。特别是在离散制造业，经营决策类的具体知识可以快速形成一个持续进化的知识体系，并且在一个对话里，基于不断扩大的基础模型智商，做确定性的全流程优化。

现在大家都在讲FDE（Forward Deployed Engineer，前沿部署工程师），我认为FDE这件事并不一定会一直存在。因为原来他们做的知识整理工作，也会被智能体整合，基础模型会在深度场景里被再次深度使用。

在这个基础上，我们也做了离散制造中的故障定义，比如帮大族激光做的事情。基于这个领域的具体知识，让GLM-5.3在一个会话里被“@”。大家在我们官网上下载后可以发现，我们把专业知识库、基础模型、垂直专家模型，和MES、PLM、ERP等生产系统，放在一个对话里，只用一个“@”符号连接。你可以持续“@”下去，这个对话就会变成一个入职以后，可以基于你的知识、生产系统来完成工作的东西。当然，基础模型提供的是整个语义层面的智商。

这样在一个泛化、无边界的东西里，一些微观的场景也会变得无边界。所以总体来说，我相信AI将来真的是没有边界的。

张一甲：感谢杰辉。我给了你一个很短的Prompt，你给了我一个巨长的思维链和回答，信息量特别充沛。

接下来问孙总，我想换个问法。说得直白一点，Astra发布之后，行业存在一种声音——无论它是无心插柳，还是有意为之，很多效果和成就让大家觉得，Physical AI是否可能是AGI路上的一个子集？它是否会证伪一部分具身、世界模型、Physical AI的已有投入，告诉大家，事实上跟我们原来的想象不一样？还是你不认为这个声音是正确的？

银河通用机器人CFO孙登科

孙登科：一甲非常专业和犀利。这个问题说得直白一点，就是大语言模型会不会把具身模型吃掉？

回答之前，先跟大家分享一个小插曲。9月份 GPT-6 发布后，GitHub 上出现了一项开源评测，将 GPT-6 与包括 π 在内的具身模型放在一起进行比较，结果引起了我们的关注。我们发现，这项研究的技术视角很有意思，对具身模型的能力提出了新的检验标准。后来我们了解到，这项工作正是银河通用内部一个小团队自主开展的研究。

这其实很能体现银河通用的研发文化。我们鼓励开放探索和自由创新，支持小团队围绕感兴趣的技术问题自主开展研究，在算力和研发资源上给予支持，不要求所有探索都必须先经过正式立项。我们希望给研究人员足够的空间，让他们能够快速验证想法、探索技术边界。当团队拥有充分的探索空间，创新就不只来自预先规划的研发项目，也可能来自那些自发开展、最终带来意外惊喜的研究。

回到这件事，我们做了很深度的研究，分享一下我们的判断。简单讲，可以粗略理解成一个快系统、一个慢系统。语言模型代表智能的最高水平，是一个相对慢的系统，我们把它叫S2。具身模型干的是S1和S0，也就是物理空间里机器人的操作动作、规划、环境理解，以及最后涉及小脑的一些控制，这些是具身模型的核心。

S2这部分，语言模型更多解决的是人类智能的水平。举个例子，一个顶级的化学科学家，去化工厂现场操作，可能不如一个高级工程人员对现场理解得更好、操作得更精准。这两个方向的差别有点类似。

再具象一点，回到技术上，我相信智谱可能很快，今年、明年会奔到10万亿级参数。但对具身模型需要的S2来说，可能不需要那么大级别的参数，比如1万亿。只要有一定智能，能操作快系统来干这件事就可以了。

所以，最终的结论是，我跟鹏总应该可以持续愉快交流。

张一甲：鹏总认同这个观点吗？

张鹏：好像我得说点不一样的（笑）。其实有一部分是认同的。

智能到底是什么，还是我刚才那个说法，它没有明确的定义。我们在脑子里做思想实验，包括解数学题、逻辑推理，算不算智能？当然大家都觉得算。但使用工具、操作设备，这算不算智能？其实也算。你可以看很多科学研究，人类进化史中，几个所谓智能的明确标志点，最早的一个就是使用工具，并不是思考、语言。所以广义来讲，这也是智能的一部分。但它确实有差别。人类进化之后，大脑、小脑的功能分工，也是近现代科学仔细研究之后才得到的结论。严格来讲，大脑、小脑都不能独立存在，这是生物体的限制。

刚才他说，也许对于机器人、具身或者Physical AI这件事，所谓的S2不太需要特别大的参数，言下之意是，可能不太需要一个化学家级别的智能去操作设备。这是效用论，用最低的成本达到这个效果就好了，并不太考虑最好的情况是什么。但我们也是做科学、做研究出身的人，谁不想拥有一个思考能力和动手能力都最顶级的东西？在不考虑成本的前提下，谁都想要。这不是效用论，而是追求科学的极致。

从这个角度看，假如智能包括这两端，未来我们想要的又是一个全知全能、没有上限、超越人类限制的东西，或者叫ASI，或者叫其他任何，它一定会走向统一，不可能是分离的东西。

当然，我也同意他最后那句话，我们有生之年可能一直可以这么对话下去——因为这个问题可能在我们有生之年解决不了。

张一甲：那我也可以继续参与下去。鹏总心中的意思是，强大的AI理论上应该德智体美劳全面发展，没有必要把德智体美劳拆成5个AI。

张鹏：没错。我真的思考过这个问题。我觉得做AI的这帮人、科学家，或者全体人类，都有一个潜意识，叫“造神”。人天生不完美，有太多限制，包括肉体等各种限制。但人类集体潜意识里有一件事，就是要造出一个全知全能、完美的东西。最早是神话，神话里的上帝之类，都是全知全能的。AI让大家看到了一个可能性。今天走到现在，我们都觉得AI具备一定智能水平，像一个新的物种。这个物种有没有可能超越人类，成为全知全能的物种？这是潜意识里的一个渴望。

张一甲：很多父母也希望孩子全能。

张鹏：那是另外一件事。

张一甲：终于可以有一个各个维度都比普通人更强的新物种存在，前提是给它足够的算力和资本。我听明白鹏总的意思了——理论上，我们无法推翻一个最强智能应该所有维度都能做的可能性。但因为现实问题，这件事可能有生之年做不完，所以可能需要银河通用和光轮智能，可以这么认为吗？

张鹏：对，也需要我们。

张一甲：杨总，你的观点是？

杨海波：我挺同意刚才张鹏总提到的，一定会出现一个德智体美劳全面发展的超级智能、超级物种。

AI区别于人的很大一点，人是循环往复地学习，每个人都要从小学、初中、高中开始学；但AI是水涨船高式的学习。假设一个AI已经掌握大学生的能力，它就不用再读前面的知识。上一代AI因为某种原因停止了，新一代AI也不用再学大学以前的知识，而是从大学开始往前演进。所以它掌握的知识一定是叠加的，涌现的能力也一定超乎想象。回答一甲的问题，AI肯定没有边界，或者说，它的发展超乎所有人的想象。就像最想象不到LLM的人，可能是做NLP的人。我觉得它肯定会有跨越式发展。

我们同时在服务一些语言模型和物理AI模型，可以从供给端看到一个很大的趋势：语言模型开始切入物理AI的世界，掌握物理AI的能力，而且获得了不错的表现。

所以我觉得一定会融合，会有很好的融合来解决不同阶段的问题。现在的模型大，端侧算力可能达不到，可以有快慢系统，但这些可能是偏二阶的技术探讨。最终融合到一个模型，可能是一个大趋势，当然可能也是很遥远的未来。

但是随着数据供给、模型学习知识的提升，它掌握的能力是不是不止于此？比如用Astra可以规划到目标，下一步可不可以规划到执行，这是一个未知的问题。但相互融合、相互协调，让AI更好地落地，肯定是一个大的趋势和方向。

2.中美AI竞争，

“基础上的差距才是最可怕的”

智谱CEO张鹏

张一甲：感谢大家的回答。下一个问题想单问下张鹏总。基础模型在相当长一段时间里，仍然是这个赛场上最吸睛的一条主干道，当然具身也是。

站在今天这个时间点，能不能客观评价一下，国产基模和OpenAI、Anthropic等其他头部模型相比，分别处在什么位置？整体差距是什么样的？哪些能力在快速追平，甚至可能超越？哪些能力的差距反而可能进一步拉大？

张鹏：这个问题也是每天都在被问，答案每天都在变的问题。我想客观一点回答，不用我的主观想法来答。

有一个很有意思的Benchmark，叫Vending-Bench，让LLM通过Agent控制一台自动售货机。售货机可以进货、定价、卖货、挣钱，目标就是以固定的本金，在一段时间内挣到最多的钱。听起来简单，但仔细想想，里面挺复杂，有决策、有风险，包括跟供应商砍价、保证供货安全等情况，所有这些都模拟了。

不说细节，就说最后它做了两张很有意思的图。一张是美国最顶尖模型与中国模型在这个Benchmark上的效果，分别随着时间拟合成一条线，两条线都在上涨，涨得很快；另一张是闭源模型与开源模型的两条线。这两张图基本重合，因为美国和中国走了闭源、开源两条路。在水平轴上横着切一条线，两条曲线之间的距离，就是时间上的差距。从这两条线的这个距离来看，差距是在不断缩短的。大概三四个月前，我看这个差距大约是150天。今天再翻那个图，已经缩到100—110天之间了。这是在那个Benchmark上看到的差距。

中美前沿模型时间差分析图，图片来源：Andon Labs，Vending-Bench 2，Frontier lag analysis（Chinese vs. Western）

开源与闭源模型时间差分析图，图表来源：Andon Labs，Vending-Bench 2，Frontier lag analysis（Open vs. Closed）

回答你的问题，可以用这个图来看：表象上的能力差距，大概就在这个水平。我个人觉得，这是一个相对客观的数字，最顶尖水平之间大概是这样的差距。但作为从业者，我感觉总体差距比图上看出来的100天、150天要大很多。这个“大”，不在于模型简单地在一个Benchmark上得分的差距，而在于整体研发体系的差距。他随时可以再发下一个版本，我们要发下一个版本却费老劲了，这就是差距，他可以更快。

前两天跟人聊天，我打了个比方：美国人在前面跑，是在无人区里趟一条路。很多原始创新来自美国，中国后来居上，也做了很多工作。最开始，我们跟在后面跑。他把路径、方法趟出来，我们从数据、算力、算法等各方面做优化，在这个基础上追它。包括我们自己想，能不能走一条自己的路，但这条路本身的启发也来自西方、来自美国，这必须承认。你会觉得离前面的领先者越来越近，是在于他前进的阻力很大，没有路，要自己开路，试错成本非常高。而你前面有一个目标、一个身影，路径基本清晰，跟着他走，成本更低，速度当然更快，追他很容易。

但有一个问题：你并不知道前面是什么，只有他知道。你只能看到他的后背，而他能看到前面。他可能走到某个地步突然发现，走过这条路，让他形成了一种新能力，可以不用两条腿走了。他给自己造出一辆车，四个轮子，像推土机一样往前推，不管前面是灌木丛、树，还是土堆，都直接推过去。但你还在后面用两条腿跑，因为你只能看到他的后背。这时，差距可能再次被拉开，而且不知道还能不能再次收拢。所以你刚才问的整体差距，基础上的差距才是最可怕的。

我们一直说，必须追，必须把距离缩到一个所谓的安全线以内。安全线是多少？不知道。但肯定不是用参数量衡量的。所以智谱从来不说，美国人做了10万亿，我们就必须做10万亿，不是这个意思，它不本质。本质上还是对这件事的理解：方向对不对？路径对不对？这是一条直达珠峰顶的路径，还是一条直达月球的路径？你一定要想清楚。

所以我们一直在思考一个问题：怎么追，沿着什么方向追？这就涉及我们对Scaling的理解。模型的发展仍然遵循Scaling Law，但Scaling不等于简单增加参数，而是要找到正确的扩展方向，即Scaling Right。模型规模需要结合训练数据、算力投入、推理成本和实际应用场景综合考虑。更进一步，我们也在思考Scaling Correctness，希望验证一个技术方法在规模扩大后是否依然稳定、能否保持收益，以及效果能否提前预测。

为支撑下一阶段的技术发展，我们也在持续加强全球研发力量，包括布局新加坡研发中心。同时，基础设施也要同步准备。我们会继续加强国产芯片适配，并再建一个10万片规模的国产算力集群。适配国产芯片，是一项投入大、周期长、需要持续积累的工作，智谱愿意做第一个吃螃蟹的人：用最好的模型去打磨国产芯片，再用国产芯片训练和服务下一代模型。

张一甲：谢谢张鹏非常真诚的分享。发自内心希望给你加油助威，在座观众也许可以有钱的出钱，有订单的出订单。杰辉，刚才你提到，你们的平台可以调用智谱的模型，跟智谱有上下游关系。那么基模水涨船高，对你们的业务周期来讲，是一个压缩过程，还是怎样的过程？

赵杰辉：我觉得现在是一个非常大的助力。可以这样理解，未来的Agent，特别是面向企业的Agent，它要做什么？企业有很多具体知识，有基础模型，最后还有多个要执行的生产系统，要在一个会话里把它们非常丝滑地连起来。甚至最后生成工单，也可以生成给机器人。我们已经通过插件的方式，把很多机械臂接进来了，这在大族已经实现了。

听起来是一个宏观过程，但实际上要在每一个节点上发布decision模型，做数据整理，形成专业的、能够快速做决策的能力。基础模型在这里起的作用，是在会话里做任务的语义理解。它越好，整合能力就越强，所以仍然非常重要。

当然，现在基础模型很多，我们也做了Auto，就是模型路由。不用每件事都用10万亿参数的模型去做，成本又高、效率又慢。大部分情况下，可能像DeepSeek-V4-Flash这样的模型就够用了，有30%的困难任务，再调一个参数量更大的模型。

所以结合企业知识和刚才讲的流程，保证每一个Token在企业里的价值密度提升；模型路由，则让Token成本得到控制，最后是这样一个过程。

张一甲：杰辉的角色很有意思，有点像Bridge，你坐席左右两侧的议题都在衔接。我们把话题抛向物理世界的两位企业家。

赵杰辉：我把他们连接起来。

张一甲：那你问下一个问题吧。

赵杰辉：我支持它（基础模型）会把它（物理AI）吃掉。

张一甲：还是把时间给到右边两位。毕竟今天的主题是AI走向物理世界，这个身位又跟基模不太一样。很多人觉得，在Physical AI这件事上，我们国家有优势，有场景、有数据，也有实业基础。问题变得更直接了，请两位判断一下现在具身产业的发展情况。从可交付，到可以在真实环境中持续交付商业价值，这个过程中，最大的难点是什么？最期待突破的是什么？

孙登科：具身基模比语言模型，从时间上看可能晚两三年，当然后面的发展曲线可能不一样。所以我们现在核心还是边搞技术研发，边沿途下蛋。客观讲，具身模型今天还没有出现2022年11月底的ChatGPT时刻。

第一阶段，我们还是在Transformer框架下，先把模型拉到充分的泛化能力。大概是什么感觉？就是一台机器在这里，给它一个任务，比如把这些水壶里的水倒进几个杯子，在Zero-shot情况下，基本能达到70%—80%的成功率。我们希望基模到这个程度。目前看，两年左右应该能到这个阶段，这是我们在做的最重要的事情。

我们在观察更高效的技术范式。今天阶段性的AI等于Transformer大模型，但回到5年前，AI可能等于CNN神经网络，或者LSTM，还是比较弱的监督式学习。今天大家谈AI，都是Transformer加大模型。但客观上，Transformer的效率还是比较低。一个万卡、十万卡集群，动辄是GW量级，与人脑相比，差了好几个数量级。所以跟人类比，Transformer的效率还是有差距的。

尤其在具身领域，后面会不会有更高效的技术范式出现？我们觉得一定会出现。以Transformer大模型为架构，从具身模型来说，今天肉眼可见的一些物理AI、具身机器人能干的事情，应该都能覆盖。但再往后一个更新的阶段，我们判断还是会有一些新技术范式，这反倒是我们在追求的。

回到一甲的问题，具身模型、具身智能，或者现在叫物理AI，比语言模型好的一个点在于：这是中国第一次跟美国在一个战略级赛道上，站在同一起跑线。今天，美国的人形机器人、具身模型没有比中国强，甚至个别点我们比他们好。我们的机器人、模型已经展现出很强的运动能力、干活能力，美国很多时候可能还停留在遥操阶段。在这个赛道上，中国有本体、有数据。更重要的是，我们占据全球80%左右的产能，有丰富的场景多样性。我觉得在具身模型、或者说物理AI领域，中国确实有机会走到前面。

当然，挑战在于，美国在整个AI上的储备比我们高一点。就像鹏总刚才提到的，系统级工程会不会不知不觉又迸发出一个新东西，快速领先我们？这值得关注。但目前看，在Transformer架构下，中国有机会把具身这一仗赢下来。

张一甲：好的，谢谢。杨总。

光轮智能联合创始人、总裁杨海波

杨海波：我觉得当前具身的卡点不是硬件，而是智能能力。机器人在大赛上可以跳得比人高、跑得比人快，但可能拿不好一个杯子。从这个角度来说，数据和评测是驱动、推进智能能力向前发展的重要因素。今年年初，我们在行业里说，2026年是具身数据规模化的元年。去年还是百小时、千小时级别；今年几乎到了百万小时，大厂到了几百万小时，是一个巨大的跨越。在这个跨越之下，能力都在提升，但这种提升仍然处于早期。是否能达到刚才孙总说的70%—80%，我觉得还存在一定难度，特别是跨场景泛化能力还比较薄弱。

随着数据规模扩大，模型不断提升，另一方面，评测能力也非常重要。数据有数据的金字塔，评测也有评测的金字塔。评测最下面一层，我们认为还是要在仿真下完成大部分评测，因为真实环境下的评测非常困难。自动驾驶的评测是天然的。如果车有自动驾驶能力，每个驾驶员的驾驶动作都在评测它。但具身没有那么多本体在世界上评测自己。比如插拔线缆，一点非常细小的变化，可能就把线缆插破了，或者让机器人手臂出了问题，成本代价过于高昂。必须在仿真下实现可复现、规模化，特别是可溯源的评测。在仿真下完成99%的测试，实现能力提升、确保能力表现，才能让它从Demo走向真正的规模化交付，这是非常重要的一点。

基于这两点，我觉得在物理AI，特别是具身领域，国内优势挺大。本体和数据都是很大的优势，数据优势的前提是我们有很多样化的场景。所以中国在具身和物理AI领域的领先，非常值得期待。

张一甲：刚才几位提到了很多值得展开讨论的议题。包括孙总说，Transformer不一定是最优解。理论上，肯定不能证明它是全局最优解，但如果用一个新方法去推翻它，付出的可能不仅是技术代价，还涉及整个产业的沉没成本、重资产配置，来论证一个新技术可能比上一个技术更合理。杨总说的数据和评测问题，也是行业里非常值得聊的话题。

3.“你的很多深渊，伪装成你的未来”

中关村围炉夜话之「清河夜话」现场

张一甲：但因为今天时间有限，我们最终收敛到同一个问题，请四位嘉宾用最后一轮回答告诉我们。

发自内心地说，现在互联网上关于人工智能的信息是非常浮躁的，画风可能一夜之间翻转，唱赞歌和唱衰的可能是同一拨人。隔两个礼拜再讨论一个议题，都会害怕问出的问题是不是过时了。这个状态，某种意义上让人挺无奈的。

所以最后一个问题，想留给四位企业家：当下能否用一种清醒的方式告诉大家，什么是幻象，什么是真相？以及最后一问，如果明年此刻再来一次这样的夜话，你希望我们讨论什么主题？

杨海波：我们做的是数据和评测，是支撑全行业的生意。最近一直强调两个概念，叫“复售”和“复购”，我觉得可以很好地回答行业里什么是实在的东西。

怎么理解复售？过去数据的定制化比较多，A for A、B for B。到了具身领域，最近几个月，我们开始基于自己掌握的标准做一些标品。这些标品不基于某一个客户的需求，而是基于我们对数据、对模型、对行业的理解，以及与最头部客户的迭代，打造一些标准化的数据，为不同的客户提供服务，实现价值。这个价值很大。对客户来说，如果去年还是几百、几千小时，大家都愿意买独家。到今年上到几百万小时，买独家的压力都挺大。对我们来说，毛利也很好。所以行业都在接受这种方式。我觉得这种复售体现了AI行业里比较实在的东西。

另外，对单一企业来说，要实现复购。复购有产品本身的原因，但能和单一客户不断迭代、成长，也是很重要的前提。这种迭代基于我们的数据和评测，我不仅提供数据，同时给他评测产品，帮助他找到差距。就像学习过程中，要学知识、要考试，考完还要给错题本。这样持续学习，合作就会非常牢固。在我们看来，这是比较实的地方。

孙登科：确实我们被问了很多，比如机器人会不会统治地球，人类会不会像恐龙一样？我觉得这个肯定是幻象。但什么是可以期待的？就是机器人把所有脏活、累活，大家不愿意干的活都干了，我们就负责坐在甲板船上畅谈、享受生活。我觉得这个非常可以期待。

滴普科技创始人兼董事长、CEO赵杰辉

赵杰辉：我觉得这个问题问得挺好，因为我是经历过周期的人。我们2018年成立，刚开始做大数据相关。到疫情那几年寒冬，重新挑选了一批人，（企业）活下来。为什么？大家突然发现，大数据的投入和产生的价值完全不匹配。所以没有转型的大数据公司，基本都死了，没死的基本也被忘了。我们当时快速做了转型。

我觉得作为创业者，既要能看到远方，也要能看到眼前，不能只看远方、不看眼前。眼前是什么？我在华为11年、阿里4年，当时任老板说过一句非常经典的话，我一直记着：什么是高科技？毛利低于70%的，都不叫高科技。研发成本可以很高，但服务一个客户的毛利如果低于70%，这个产品线就不是高科技，可能会被砍掉。我觉得，毛利代表你真正服务客户时的竞争力，这是衡量高科技最核心的、眼前的东西。

也要看到远方。现在流动性枯竭，资金都在回归，大家都在回撤，这是正常现象。这个阶段过去之后，就像疫情带来的寒冬让大数据产业重新洗牌一样。

我们这些经历过的创业者知道，这个时候要看公司的增长、毛利、现金流。但也不要去否定远方。所有人都会相信，五年、十年之后，AI也好、机器人也好，会以一种你不知道的形态成为社会主流。

你说现在有泡沫，这是一回事，但也得相信五年、十年之后，它一定是真的。眼前的事情也很重要。

张一甲：杰辉这番话让人很感动。我还依稀记得，2018年你刚出来创业，我们一起吃过一顿饭。真正在这个行业里经历过周期的人，才知道它有多残酷。每次谈到远方，都是有人在付出代价，选择的代价。

张鹏：很荣幸最后一个。我觉得最大的幻觉，就是我们认为自己能看清终局，认为我们所想的终局就是真正的终局。

回过头看过去几年，全世界没有多少人能预测这个过程中发生的每一件事，甚至绝大部分事情都预测不到。所以真正的真相在于，我们都是蒙着眼睛，或者看不清未来，在往前摸索。这是第一对幻象与真相。

第二对幻象与真相是，从一开始中国在这件事上一直处于跟随者的状态，可能从来没有人想过什么时候能超越，甚至变成领先者。但真相是，我觉得这是有可能的。

张一甲：孙总频频点头，物理AI第一天就认为自己是世界SOTA。

张鹏：这对我也是一个激励，我们也一直想做这样的事情。

今年，我们做了一件对自己来说破天荒的事：把自己的模型放在国产的大集群上，在超过10万卡的集群上训练、推理，服务全球客户，甚至美国客户。大家可能觉得这件事无所谓，但对我们来讲，很有历史意义。我们在努力找到一条自己独立开辟的路，这件事的难度，绝对不是跟着别人跑能比的。所以，我们还在想办法建下一个10万卡集群，想办法在海外建研发团队，聚集全球智力，立足北京发展。

我也不知道刚才说的这些东西，最终哪个对、哪个错。幻觉和真相，可能永远都搞不清楚。但没关系，认清大的目标、认清当下，一步一个脚印，踏踏实实把事情做好。也许有一天，到了那个时间节点，历史会判定我们做的是对是错、是好是坏。这都没关系，是后人的事情。我们在当下这个条件下，就应该把这件事做好。

赵杰辉：刚才和很多创业者中间交流时提到一句话：“你的很多深渊，伪装成你的未来”。

张一甲：很精彩。2023年，我在甲子引力年终盛典上说过一句话：企业家精神是社会进步最重要的组成因子，只是过去可能在经济学里没有得到足够重视。

什么叫企业家精神？站在AI的语境里，相信通过刚才短短一场对话，大家可以感受到：既有星辰大海、科幻般的想象力，也有世界竞争中商战和技术战的逻辑，同时也有家国情怀的理想主义。

过去一个小时，我已经尽可能努力让大家呈现更多信息量。刚才其实想到，明年此时的topic是什么，也许不重要。明年此时，我们五个人能够囫囵地坐在这里再来一场，这件事比较重要。

今天的圆桌就到这里，谢谢大家。

简配资提示：文章来自网络，不代表本站观点。