对话郎咸朋：具身也会有“蔚小理”，靠融资实现不了物理AGI

邓思邈 发自 凹非寺

量子位 | 公众号 QbitAI

郎咸朋创业之后，第一次开口了。

理想汽车前智驾一号位，8年把辅助驾驶从0做到150万辆量产，交付端到端和VLA；

今年3月创立了具身智能公司昆仑行——90天内连融三轮，规模达数十亿元，跑成一家独角兽。

这是他出来创业后的首次公开露面。

近2小时聊下来，有几条信息足够劲爆：

具身智能有多烧钱？训一个具身大模型，几亿、十亿都打不住，得几十亿甚至上百亿。

只靠融资，谁都撑不到具身实现的那一天。

眼下这场“百机大战”，在他看来会像新能源车一样大浪淘沙，最后跑出具身智能自己的“蔚小理”。

至于整个行业走到哪一步，他的参照系是十年前的自动驾驶——

2015、2016年那阵，路线不定、demo满天飞，但没一家真出货……

90天，跑出一家具身独角兽

郎咸朋是理想前智驾一号位，用8年把理想的辅助驾驶从零做到150万辆车规模的量产。

他的搭档任庚曾任华为国家CEO、阿里巴巴集团副总裁、阿里云中国区总裁，现在是昆仑行的创始人兼CEO。

两人在各自不同领域取得成功后，如何双向选择，携手同行？一直是外界的疑问。

关于这一点，郎咸朋与任庚有着高度一致的共识：

行不行、合不合、久不久。

行不行看能力，这个最好验证，从过往做过的产品和成绩里就能看出来，而且两人的能力要互补，他管技术和研发，任庚管商业和管理。

合不合看认知，两人围绕具身智能的产品、技术、商业聊了很多，发现判断惊人地一致。

久不久看这件事值不值得长期投入，他们认定具身不是三五年的短期生意，是一件能做十年的事。

三条都过关，剩下的就快了。两人很快就达成一致，然后一起出来做了昆仑行。

在他看来，选合伙人还有一条更要紧的标准。“合适比熟悉更重要。”

郎咸朋说，创业选的是能把事做成的人，不是相处起来舒服的人，最好两样都占，但前者更关键。

至于公司为什么叫昆仑行，郎咸朋说这名字有讲究，值得好好说说。

一开始他们想过不少很fancy、很科幻的名字，但最后还是落回了昆仑行。

“昆仑”是中华民族的图腾，一说出来大家就知道，这是一家有很强的民族使命感的中国公司；“行”代表使命必达，一定能行。

两个字合起来，是中华民族在具身智能上一定行。

名字背后是一个更大的判断。在郎咸朋眼里，昆仑行是站在时代的趋势上做这件事，他希望在探索物理AGI的这段历史里，能留下公司每一个人的名字。

创业之前，想清楚的三件事

注册公司之前，有些事必须先想清楚，有些可以边做边改。

昆仑行想清楚的是三件：范式、方法、路径。

先说范式。郎咸朋把范式选对，称作具身智能的第一性原理。

做自动驾驶时，如果一上来用规则去做，就不会有后来理想汽车的成功。

做具身也一样。他的判断是，不能沿用自动驾驶那套范式，因为无论端到端还是VLA，底子都还是模仿学习。

机器人的范式应该是理解，不是模仿。一个场景可以靠模仿，上万个场景没法靠模仿。

范式怎么落成能操作的方法，是第二件事。

郎咸朋的答案还是数据，他将数据效率概括为一个公式：

数据效率＝获取效率×使用效率。

过去自动驾驶和大模型的成功，占的是获取效率的便宜，互联网数据、人类开车的数据，几乎零成本就能拿到。

具身不行，你不可能先把机器人搬进用户家里、让人手动操作两年再来训练。

获取这条路不好走通，昆仑行押的是使用效率，做法就是他们提到的数据编译，让机器人学会理解物理世界所需要的信息和知识。

光有数据和模型还不够，得有工程兜底。

这一点郎咸朋拿Anthropic这家公司打了个比方，大家觉得Claude Code好用，模型强是一方面，但支撑它真正好用的，是背后那套Agent机制。

昆仑行做机器人的工程落地，用的也是Agent的工程框架，而不是过去软件硬件简单拼凑的做法。

第三件是商业路径。昆仑行的选择是先toB再toC，从工厂上下料、物流这些相对简单可控又有商业价值的场景入手，家庭放到最后落地。

家庭是终点，不是起点。

原因是家庭太复杂，而且对安全性、可靠性的要求极高。

家里有老人有小孩，技术不成熟就进去，不只对这一个家庭有风险，对整个行业也会造成伤害，这是郎咸朋做自动驾驶多年留下的职业警觉。

范式、方法、路径想清楚后，剩下的细节，比如模型怎么设计、数据管线怎么搭，郎咸朋认为可以边做边迭代。

他把这条经验总结成一句话，“出发永远比想清楚更关键。”

把“理解”写进模型和数据里

范式选了理解，落到技术上是两件具体的事，模型怎么设计，数据怎么做。

先看模型，昆仑行的世界模型从第一天起，就锚定了一个叫「物理因果」的第一性原理。

郎咸朋的类比是人，人做事先有目的，为目的产生动作，动作产生结果，结果再回过头评价动作的好坏，他们的模型就照这个顺序设计。

昆仑行现在这套模型的架构是MoT，是一种由多个专家网络分工的结构。

MoT本身不算新，很多团队都在用，昆仑行的不同点在于分法。

别人大多按模态分，文本一个专家、视频一个专家、动作一个专家；昆仑行按目的、动作、结果来分，分的是一张因果图。

跟它配套的，是一个自研的「联合因果注意力机制」。

过去MoT里几个专家的注意力是完全共享的，郎咸朋认为不合理。做动作的时候，模型只应该看到目的；动作做完，负责结果的专家才能看到动作和目的产生了什么。

所以他们让注意力单向流动。用他的话说，做动作时不能偷看结果，“这样就作弊了”，也不符合因果。

昆仑行希望借此避免模型通过结果反推动作，让模型学习到的关系更符合真实物理世界中的因果顺序。

按照郎咸朋的描述，这套世界模型还试图用同一套架构、参数和权重，同时完成多种任务：既可以生成动作，也可以预测动作结果，还可以渲染最终的视频。

不过，郎咸朋并没有将当前方案，描述为一个已经收敛的终局架构。

在他的判断中，具身智能还处于非常早期的阶段，具体模型和方案必然会继续调整。

正如自动驾驶曾经历有图、轻图、无图、端到端和VLA等多次范式切换，世界模型也可能只是当前阶段通往物理智能的一种实现方式。

模型之外是数据。昆仑行的另一项核心工作——数据编译，具体分为四步。

第一步，把场景里每个物体的物理量显式标出来，重力、重量、受力、摩擦。

这些不一定靠触觉传感器去测，很多是模型自己算出来的。

第二步，沉淀物理机制，比如牛顿第二定律这类规律。

第三步，把物理量和机制编译进训练样本，让样本自带物理。

第四步，用数据回传的机制不断迭代，把表现不好的数据挖出来重新标注和编译。

编译过的数据富含物理因果，训出来的就不是一个只会找相关性的模仿模型。

这套做法还带来一个郎咸朋很看重的性质，「一脑多形」，一个大脑驱动多种形态的机器人。

他说这不是刻意设计，是天生如此。

模型学的是物理规律，而物理规律对任何形态都成立，天然就一脑多形；反过来，如果学的是分布、是模仿人的动作，那就只能一脑一形。

别把具身智能看窄了

在展台上，现在的机器人几乎都在干活，比如拿药、分拣、上下料等等。

但在郎咸朋看来，把具身智能等同于“会干活”，太窄了。他把具身拆成四个智能：

运控、移动、交互、操作。

运控智能是唱歌跳舞那类表演，在表演型机器人上已经做得不错，但工作级全身运控远未成熟。

移动智能跟自动驾驶最近，把自动驾驶的技术挪到导览、巡检机器人上就是，只是不带操作。

交互智能是跟人对话，得益于大语言模型，这两年也相对成熟了。

真正难、真正还处在早期阶段的，是操作智能，让机器人实际进场景、取代人干活。

现在大家演示的都是关于它的应用场景，于是很多人默认「能干活才叫真具身」。郎咸朋认为除了操作智能以外，前面三种智能也在迭代，也很重要，“大家不要只盯着操作智能”。

这套四分法，直接决定了硬件怎么选。

最省事的做法其实是大量铺轮式机器人，先把原型做起来。

郎咸朋认可这是大家自然会想到的路子。

轮式相当于把移动和运动控制这块砍掉了，只留上半身操作加一个基础的移动能力，不符合四个智能全面发展的前提。

所以昆仑行一开始就坚定做全尺寸、全人形，自研关节驱动电机、本体和关键结构。

他不否认轮式上手更快，但从技术角度，人形才是最优质的选择，双足运控加全身的操作、移动、交互，这些技术基础第一天起就得打好。

顺着操作往下，自然绕不开灵巧手。

业内一直有视觉派和触觉派之争，郎咸朋把票投给了触觉。

他的理由是人。人做一个动作，最终不是靠眼睛检验的，是靠手感。拿杯子的时候，眼睛看着别处也能拿到，杯子拿得稳不稳，全靠触觉。

所以触觉是相当重要的一个模态，未来会作为他们数据编译的真值，反过来校准编译出来的数据。而且触觉本身就是物理的，正好接上昆仑行物理因果这条线。

至于灵巧手要不要自研，郎咸朋说内部还在讨论中。

他的顺序是先想清楚要什么模型、什么数据，再反过来定义手。因为手会带来大量自由度，一只二十个，两只就多四十个，太早动手只会给训练增添不确定性。

光靠融资活不下去

那，具身智能现在整体走到哪一站了？

郎咸朋的判断是，有点像十年前的自动驾驶，2015、2016年那个阶段。

特征有三个，技术路线不确定、百家争鸣；大家都在做各种demo，有些做得像明天就能上路一样；但没有一家真正开始出货。

有人会立刻站出来反驳，已经有XX公司卖出几千台了。郎咸朋说，他指的是操作智能，就像当年演示的自动驾驶Demo清一色展示的是L4功能。

在他这里，真正的操作智能有个很直接的门槛，能不能进工厂、进商场、进家庭，取代人真干活，有没有人愿意为它买单，而不是停在前期的研究和测试阶段。

回顾自动驾驶的2015、2016年那会儿，买一辆林肯MKZ改装出来，就能拿到一笔不小的融资；到后来才是正向造车、造车队、真量产，而且那时候用户是真为了自动驾驶功能买单。

具身到现在，还处在前半段。

既然大家都还没走到出货那一步，这场被叫作“百机大战”的混战，何时会见分晓？

郎咸朋的答案只有一条，量产交付能不能自我造血，靠自己的营收养活研发，而不是靠融资续命。

任庚曾对外放过一句话：

昆仑行在最短时间内进入行业前三。

为什么非得是前三？

郎咸朋的说法是，到了前三才有自我造血能力。

就像新能源车一样，刚开始热闹归热闹，大浪淘沙之后，头部剩不了几家，具身智能也会涌现它的“蔚小理”……

那到底要烧多少钱。郎咸朋说，以现在各家的融资额，都不够。

真要做出操作智能，一定要做模型预训练和大量训练，而训一个模型，几亿元、十亿元的量级都不够，可能得是几十亿甚至上百亿。

所以前提一定是先自我造血，拿自我造血挣来的钱去养后面的模型迭代，而不是只靠融资。

只靠融资，谁都撑不到具身实现的那一天。

关于昆仑行，郎咸朋说现在的融资额，已经足够让公司第一款产品量产上市；上市之后，公司就进入一个健康的正向造血状态。

往后再融的钱，一是加快AI迭代，二是加大量产和营销的投入。

至于外界最关心的机器人进家庭是哪一年，郎咸朋给的是参考自动驾驶的节奏，大概五到十年。

但他也补充，AI现在进步的速度太快，会把这一天不断往前拽，五年左右会比较合理。

One More Thing

对话中，郎咸朋提到一个细节：他读博时待的，是机器人领域的一个国家重点实验室。

后来兜兜转转做了十几年自动驾驶，如今又绕回了机器人。

“我感觉有一种宿命在里面。”他说。

从百度到理想，再到昆仑行，中间那条线一直没变过，强调数据、工程化和真实落地，方向比具体的“术”更关键。

他用一句话来形容：

“有道无术，术尚可求之；有术无道，止于术。”