作为理想智能驾驶从0到1、一路做到150万辆车量产的核心负责人之一配资融资配资，郎咸朋却把这八年称作自己"探索具身智能的起点"。
他和来自华为的任庚联手创办了昆仑行。
这家具身新势力在成立后的三个月内，就拿下数十亿人民币融资、跻身独角兽俱乐部。
但相比融资，他在这次访谈里反复强调的，是另外两件事。
第一，具身智能真正要解决的是"理解"。
昆仑行因此选择物理因果世界模型和"数据编译"路线，希望机器人学到的是背后的物理规律。
第二，具身最终拼的是量产和自我造血。
元股证券:ygzq.hk在郎咸朋看来，今天的具身智能很像2015、2016年的自动驾驶：路线未定、Demo满天飞，真正的洗牌要等到规模交付开始。
只靠融资，大家都做不到具身智能实现那一天。
本次访谈，我们和郎咸朋详细聊了聊他从百度、理想到昆仑行的三段经历，"理解而非模仿"背后的数据编译与物理因果世界模型，关于具身智能的四种智能与量产节奏，以及这场"百机大战"会在什么时候、因为什么而洗牌。
完整版可以订阅我们的视频播客，你可以在视频号、Bilibili、抖音、小红书、小宇宙、喜马拉雅等全平台收看。
以下为完整对话实录。
AI落地关键是数据
量子位：创办昆仑行之前，是哪些关键的经历塑造了您，把您带到了今天的地方？
郎咸朋：我觉得比较关键的有三段经历。
第一段经历是我读博期间的经历。
我读博所在的实验室是机器人国家重点实验室，后来我又跟着老师转到了其他的研究室，现在我兜兜转转又回来做机器人，我觉得这是冥冥之中的，我感觉有一种宿命在这里面。
读博期间，我觉得是培养了我对学术和研究科研方面的一些基础能力，这对我后边所有的科研工作都打下了一个非常好的基础。
第二个经历我觉得是在百度。
在百度的话我的第一份工作是做街景，就是把街景里边的人脸和车牌儿，这种属于个人隐私的这种信息都需要提取出来，然后模糊掉。
在做这个工作的时候，我们当时用了传统的machine learning，传统的CV的方法，其实表现都不太好。
后来我们用了深度学习，因为百度是最早研究和使用深度学习的公司，当时给我了很大的冲击。
确实是用了深度学习之后，检测识别的准召率（准确率和召回率）都上来了，提升了15个点左右，从原来70%多准召提到了85%。
但是很遗憾，模型本身跟最终的工程落地还是有区别的。
因为你85%的准召就意味着你每标100个框，有15个是漏的，你还要人为去修正这30个框，而且要从100个里边去找，还不如我从头自己标一遍，可能效率更高一些。
所以说从技术的先进性到实际的工程落地，还有很大的gap要做，这是我两个非常大的体感。
第三个，在百度我最大的收获就是，数据对人工智能的应用有决定性的价值。
因为刚才也提到了85%的准召还是不能用，然后我们回来自己做了一些研究，发现在模型不动的基础上，我们能动的就只能是数据了。
把数据整个的规模double了一下，又精标了里边的一些错误，用了当时一个开源框架的模型，配上我们精标的数据之后，它竟然达到了惊人的90%的准召。
我们也是很震惊。哦，原来AI落地的关键，虽然模型很重要，但更关键的是数据本身。
第三个我觉得最重要的经历是理想。
我们用8年时间真是从0到1，然后到100的，把自动驾驶从Demo的技术，然后慢慢落地成量产的产品，最终是150万辆车的大规模落地。
△图源自理想汽车官网
我觉得是这对我来说，是非常重要的技术拓展。
这里我觉得最核心的还是，如何去打造真正的用于服务于自动驾驶的数据闭环，并且亲手把它从有图到轻图到无图，到端到端再到VLA，进行这样一个范式的逐步迭代。
量子位：你觉得理想这段经历对你最大的收获是什么？
郎咸朋：从技术上来说的话，是一个完整的量产的数据闭环。
大家提到数据闭环，以为这里边只有数据本身，其实并不是，它涵盖了从数据本身的采集，自动化管线的流程，也包括了训练的管线、评测方式的迭代，这是一个完整的量产落地工程。
第二的话我觉得是范式的迭代，我觉得这是非常关键的一点。
就是刚才也提到是从有图到轻图到无图，再到后边的端到端加VLM，再到VLA。
这些范式的切换我也是亲身经历过的，我知道范式切换，它对组织和资源所带来的成本和代价是什么。
其实最关键的还是，你一上来你的方向和认知是否是对的。
虽然说这里边有些具体切换的过程，但是你一上来，如果说你没有想清楚数据驱动的方向的话，那你只能被动地跟着这个行业，跟着别人去走。
那你每次范式切换就意味着你前面所做的所有的工作，基本上都要清零，我觉得这个代价是很大的。
我觉得不管是现在的创业也好，还是过去做自动驾驶也好，我认为最主要的还是第一，你的方向和认知要想得非常清楚。
第二，在走的过程当中，你可以小步地迭代去做。
还有就是在组织管理上的一些成长。当然理想汽车和李想本人都给我很大的帮助，我也非常感谢，理想给我这样一个平台，能让我用8年时间能把我对自动驾驶的认知，逐步地去落地到实际的工程量产上去，也非常感谢这段经历。
离开理想，具身是新起点
量子位：离开理想的核心的出发点和原因是什么？如果没有具身智能的机遇，还会做出这个决定吗？
郎咸朋：离开理想我觉得最大还是源于我自身对创业的渴望，以及对技术的追求吧，我觉得这两点是最本质的。
第一，我从百度到理想来做自动驾驶，我并不是走了一条非常稳妥的路线，在当时看来。
在外人看起来是稳妥的选择，但是在我看来是唯一的选择。
因为我当时的认知就是——我要做以数据驱动为基础的自动驾驶，我认可的是Tesla的路线，而不是高精地图加规则算法的路线。
所以，我必须要找到有车有数据的地方，并且公司的CEO或者负责人，他的认知是跟我高度一致对齐的，这样我才能做好这件事情，所以我当时从百度来了理想。
当然还有一个原因就是我对自己职业发展的驱动力，是我希望我的技术做到最好，也希望这个技术能被更多人看到。
如果说我只是单纯focus在技术本身的话，我可以留在高校研究所去做研究，也可以留在百度继续去做技术上的一些预研，我觉得这都没有问题。
但对于我个人来说，我更希望我做的先进技术会被更多人使用，被更多人看到。所以有这么一个出发点，我从百度来了理想去做自动驾驶。
在做自动驾驶的过程当中，我们做到VLA之后，实际上它是一个更加通用的具身智能的框架，自然而然我们也会从自动驾驶去切换到具身智能来看这个问题。
做完VLA之后，感觉自动驾驶可能触达到了一定的天花板。但是在整个具身智能来看，这才是刚刚开始，而且VLA也不是最终局的解决方案，我们还要去探寻更多的技术解决方案的可能性，这为我打开了新的视野。
在这两方面的加持下，我内心的原动力，以及技术的拓展性的前提下，我选择出来创业也是非常顺理成章的事情。
量子位：有没有什么时刻，让你觉得自动驾驶已经不是终点？
郎咸朋：我觉得从技术上说，其实还是做到VLA之后。
你看VLA的框架，如果拆开看，VLA（视觉-语言-动作模型）它天生不是为自动驾驶服务的，它是为具身服务的。
△图片由AI生成
但是，落在车上或落在自动驾驶上是它的第一个应用，但它其实可以做更多的事情。
其实我做到这一步的时候，我就会发现具身是一个更开拓、更开放的场景。
而且对于自动驾驶来说的话，它的场景和任务还是相对窄的。不管你是在北京开车，还是在纽约开车，从宏观上讲，还是在同一个驾驶任务和条件下来做这件事情。
具身智能不是，我们将来可能走进千家万户、千行百业，每一个场景都是独立的、独特的，所以说它的上限会更高一些。
在做到VLA之后，我认为这个上限就被打开了。自动驾驶，它不是终点，它只是一个起点，是我们探索具身智能的起点。
量子位：你和任庚是如何携手的？之前看没有公开的交集。
郎咸朋：我们是经人介绍认识的，之前确实没有任何的合作和交集。
其实选择合伙人我们看的就是三个方面——行不行？合不合？久不久？
行不行，就是看你的能力行不行，这个很容易验证，就是从你过往的工作的成果和成绩上就能看出来。
我认为我跟任总，我们俩过往的工作能力都是在自己的做的产品和工作上都有非常好的呈现，而且我们能力还有一定的互补性。
配资在线门户
△昆仑行创始人兼CEO任庚
我是在技术和研发上，他是在商业和管理上，我觉得我们俩非常契合。
第二个合不合的话，我们其实也对整个的具身智能不管是产品、技术，还是商业的发展，我们都做了很多的交流，我们会发现——我们对很多问题都是非常惊人的一致。
虽然说之前没有讨论过，但毕竟我们之前都有这种0到1的经历，所以说我们在认知上是高度对齐的。
久不久就是我们认知只要对齐了，而且我们对整个具身行业的判断，我们都认为它不是一个短期的事情，它是一个甚至三年、五年，甚至十年的长周期的事情，所以说我们的合作也是相当长久的基础。
行不行、合不合、久不久，我们认为这三条我们都是没有问题的。
而且这里面还有一个非常关键的问题，就是选合伙人合适比熟悉更重要，因为你选的是要把事情做成的人，而不是选一个你相处比较舒服的人。
当然最好是都有，但是我觉得前者是更重要的，对于创业来说。
量子位：跟相亲结婚有点类似，但可能标准就在于说合适比熟悉更重要。
郎咸朋：对对对。
量子位：决定合伙创业，有没有什么决定性的时刻？
郎咸朋：其实我们没有太多的磨合，因为我们在过往能力的背景上，在认知上我们都非常契合。
所以说我们交流的时间也不是特别长，我们很快就达成了一致，然后就一起来做昆仑行了。
量子位：这名字也很有意思，为什么取这个名字？
郎咸朋：这个名字还是有一定来历的，我可以好好讲讲。
当时我们其实也起了很多很fancy的名字，就是很科幻呀，但后来我们还是选择了昆仑行。
因为我们觉得我们做这个行业，我们不只是为自己做的，也是站在整个国家的行业背景上来做。
所以说自然而然就想到"昆仑"，因为昆仑是中华民族的一个图腾标志嘛，昆仑一说出来，大家就知道肯定是个中国公司，肯定代表中国。
那么"行"，就是表示我们使命必达，我们一定要把它做成，一定会行。
所以昆仑行加起来就是中华民族在具身智能上一定行，一定能做到世界之巅。
△图片由AI生成
量子位：为什么会有这么强烈的民族情感？
郎咸朋：因为我们是站在整个国家的趋势和导向上去做这件事情，我们希望在探索物理AGI的历史上，一定会留下我们所有同事每个人的名字，我们希望做到这一点。
出发比想清楚更关键
量子位：在注册公司之前，想清楚了哪些问题？
郎咸朋：这是非常重要的一个话题。
我觉得有些是一定要想清楚的，有些是可以边做边迭代的。在方向性的一些问题上，一定要想清楚，一定要达成共识。
我们想清楚了三件事。第一件事就是我们的范式，对于具身智能来说，它的第一性原理就是你的范式要选对。
那么第二的话就是你的方法，即你的范式怎么落成具体可以操作的方法。
第三是你的商业路径是什么？我觉得在这三个问题上我们达成了共识。
那么首先说说范式。我们认为做具身不能沿用自动驾驶的范式，因为自动驾驶不管是VLA也好，还是端到端也好，本质上还是模仿学习。
当然现在看到很多机器人的动作也是通过模仿人类的行为来做的，但这并不本质。
你在一个场景可以模仿，有上万个场景，你怎么去模仿呢？我们做机器人的范式是理解，而不是模仿，这是最重要的一个区别。
然后第二步，怎么来做？从方法上，我认为数据还是最重要的。如果你收集了一大堆模仿学习的数据，那你只能做出模仿学习的成果来。
我们在数据上有一个公式，数据效率等于你的获取效率乘以你的使用效率。
过往自动驾驶和GPT等等这样数字AGI的成功，是成在了数据的获取效率上。
互联网的数据，或者人类开车的数据，这些基本上可以零成本地获取。但是在具身上不行，你不可能说我先把机器人请到你家里去，你先手动操作两年，然后你再去做，这不现实。
那么在机器人上，如果你的获取效率没有之前的便利性的话，那么自然而然我觉得应该在使用效率上下功夫。
在使用效率上，我们现在要做的就是数据编译的工作。
这个可能跟别人是不太一样的地方，而且编译后的数据，它是富含物理因果的一些要素和属性的，这样便于我们去训练我们自己的物理因果的世界模型，而不是一个纯相关性的模仿学习的模型。
第二个就是在实际的工程落地上，我们要交付我们的产品，光有模型是不行的，一定要有很强的工程化落地的支撑。
这个支撑里面我们有两个方面，第一个方面是我们的训练和数据的管线的工程化，就是可以类比之前的数据闭环，但只不过我们现在是数据编译的一个管线。
第二个是我们量产的部署，部署到机器人上，我们的工程化的落地是使用了Agent的工程框架，而不是之前的软件硬件拼凑的工程框架。
这里面可以类比一下Anthropic，大家觉得Claude code好用，它的模型固然强，但是它的这套Agent的机制也是支撑它最终变得好用的非常重要的一个部分。
这也是我们团队的一个优势。因为我们不管是从理想来的，还是从华为来的，我们都是完整地做过很多0到1、1到100的工程项目的。
基于我们过去的经验，我们认为模型和工程都很重要，在最终的产品落地上。
还有第三点是商业路径上，我们也考虑得很清楚。
上来需要先从toB开始做，然后再做到toC进家庭，家庭是我们的终点，而不是我们的起点。
因为家庭太复杂了，每个家庭的场景和内容都是千变万化的。
还有一个问题，你进家庭之后，对你的安全性、可靠性、稳定性是有非常高的要求的。
因为家庭有老人和小孩，如果说你的技术还不成熟就进家庭的话，不单是对这个家庭可能会造成一些危险，对整个行业也会带来很大的影响。
△图片由AI生成
这是我们在出发之前，在范式、方法和路径上做的一些思考，我们觉得这个想清楚了，我们就开始做。
在里边还有一些细节，比方具体的方案上，模型怎么设计，数据管线怎么搭建，我觉得这些可以边做边做边迭代。
我认为创业最大的一个感受就是出发永远比想清楚更关键。方向想清楚就可以了，具体的就出发之后，咱们边做边迭代吧。
量子位：现在比较稀缺的就是谈论toC场景的安全，或者说很长尾的问题，真正做过大规模量产的人才会去谈论和思考这些问题。
郎咸朋：是，做自动驾驶的时候，安全性非常关键。
量子位：创业过程中遇到的技术难题多？还是组织搭建的难题多？
郎咸朋：这两方面都有一些具体的问题需要解决。
刚才我也提了很多技术上的想法，在组织上，我觉得我们要充分发挥两种组织的优势。
像华为这种组织体系，它有比较完善的流程，我们的全栈自研，在硬件体系上可以参考华为这种模式来处理。
之前你也知道我是在软件和模型方面做过的事情比较多，但在这段时间，我也充分地去摸了摸、看了看整个硬件的体系。
我认为硬件体系是非常复杂的，大家可能觉得是不是我把机器人攒出来就叫量产了？其实不是。
真正的量产交付是要先经过研发和试制，再经过小批量的试生产，再进行交付，交付完还有售后，这一整个全链条。
硬件我觉得跟软件非常不同的一点是，软件可以做到全栈，有全栈工程师。
但硬件没有全栈工程师，硬件一定是分门别类非常细化的，你要把这些不同的零部件，不同的方向的硬件的人组织到一起，去协同地实现研发、试制和交付，需要有很好的组织体系作为保证。
像华为这样的组织体系，它是能够达成这一点的。但是因为我们是创业公司，也不用说像华为那样，一上来就很庞大的。
用任总的话说，就是我们神似形不似，我们掌握其中的精髓，但具体在做的时候，可以进行一些简化和完善。
在AI方面的话，我认为还是要快速迭代的，保持一个之前在理想的这种快速迭代的模式。因为创新不是被计划出来的，它一定是迭代出来的。
在具体的组织规划上，我们需要让大家充分达成共识的前提下，去发挥每个人的能力快速迭代。
量子位：可以在边打仗的过程当中边学习，边形成真正的昆仑行的组织。
郎咸朋：是这样。
全栈自研才能量产
量子位：当今具身，有人做本体，有人做大脑，有人做操作系统。为什么上来就做全栈的具身智能机器人？特别是在2026年这个时间节点。
郎咸朋：从技术和商业上都有考虑吧。
具身智能如果想成功，它的一个最关键的标志是你要量产，要自我造血。
那么在这里边，全栈软硬一体的自研，一定是最佳的选择。
第二从技术上讲，我们要在一个完整的技术底座上，搭建基座去做我们的技术研发，而不是一上来就是先做其中一部分。
现在也可以看到，你要真正地想去做你的模型也好，硬件本体也好，你必须软件硬件同时做，你才能做出比较完整的设计。
就拿运动控制为例，你要是做运控的话，你只做下半身或只做上半身，可以做是可以做，但它并不像人。
我们人到这个桌子旁边拿一个水杯，我是走过来，一边走一边拿的，是一种全身的操作，而不是我先走到这儿停下，然后上半身再去拿这个杯子。
如果说你不是软件硬件同时来做的话，你是不可能达到这样一个设计的。
从技术上来说，你的软件和硬件必须一体化的设计，你才能达到最优的效果。
从商业上来说，最终你的成功与否，是看你的整机出货，你的量产交付，是不是能达到预期，而不是只是做其中一部分。
量子位："全栈自研"，栈到什么程度？是本体硬件每个环节都自研，还是只在关节、核心零部件这些关键处自研？
郎咸朋：关键的零部件上，肯定是要自研的，像关节、驱动电机，还有本体设计，这些是我们一定要自研的。
很多人觉得是不是现在已经有供应商可以提供很多的供应了，我可以很快地攒一个机器人出来了。
△图片由AI生成
但你攒一个机器人出来，只是一个实验，或者一个原型样机，它并不代表你能通过量产的试制，更不用说进行大规模的交付了，这些我觉得都还不成熟。
所以，我们要去做自己的电机和关节、结构的自研。
第二，我们需要在一个非常完整的技术底座上，去做我们所有的机器人的设计和研发。
量子位：这套全栈具身智能的理念，投资人一开始就buy in了吗？还是也经历过一个说服的过程？
郎咸朋：我们投资人都是很非常buy in我们的观点的。
因为我们定的目标很明确，我们就是要做机器人的量产交付。我们认为企业成功与否，或能不能过生死线的这个核心标准，就跟当年我们做车一样——你的交付量是多少，是一个道理。
量子位：听说昆仑行很快就独角兽了。有说法是10天，有说法是90天，哪种是准确的？
郎咸朋：大家对融资额或融资数目确实挺关注。
实际上是我们是在三个月之内吧，我们达到了数十亿规模的这样一个融资额。
但是我更想跟大家聊的是，不要过分关注融资这个数本身。因为融资只是我们的手段，不是我们的目的。
我们还是希望能把融来的钱，更多地投到我们刚才所说的研发量产和项目上，我们更早地去拿出自己的产品，更早拿出自己的可让大家看见的东西，这是我们更关注的。
量子位：是因为你跟任总两个人的名字就值这么多钱？还是你们在BP里面展示了什么，获得了这么大的认可？
郎咸朋：早期投资肯定是还是看人的，看团队的。
我跟任总我俩过往的经历和过往的这些成绩吧，投资人都是非常认可的。
而且我们刚才提到的这些方向和判断，投资人也非常buy in，所以说对我们的认可也体现在我们的融资额上。
量子位：为什么在具身智能创业里，华为出来很多人，理想出来很多人？作为一家华为+理想的公司，你怎么看?
郎咸朋：我觉得这非常合理。
因为理想和华为，是到目前为止中国这个市场上，在全栈自研，包括0到1、1到10这样一个阶段走得最好的两个公司。
而且这两个公司都有各自的特点，华为擅长体系化、组织协同，在硬件量产以及组织协作上有很好的经验。
理想就是产品迭代，和AI的0到1，在自动驾驶方面也有很好的落地的经验。我觉得华为人和理想人受到市场上的认可是非常合理的。
我也非常高兴地看到，自己以前的一些战友，或者一些熟人，也各自在自己的领域都做得挺好的。
但是我觉得其实再往后走，还是需要把整个的能力建设在自己的组织上。因为人可能会流动，比方一个算法可能跟着人走，但是组织的能力才是最重要的护城河。
不管是刚才我说的体系化作战能力，还是创新迭代的能力，这些要让它长在自己的组织上，这是昆仑行我们自己要做的非常重要的工作。
量子位：为什么在你们的理念里，工程被强调到高过模型的位置？是模型层面已经差不多了，还是说工程无论如何都是更重要的那一端？
郎咸朋：不是差不多了，是恰恰相反，因为我觉得还是属于比较早期。
你刚才的描述也不是特别准确，我觉得最终模型和工程是平衡的。
但现在呢，我认为模型大家都在比较早期的这样一个摸索阶段，如果说你想把现在的模型的能力落地到具体的产品上，可能需要更多的工程兜底的策略。
不是说模型不重要，而是说你最终交付给用户或客户的，是在这个场景里能完美表现的产品。
如果只靠模型或只靠工程，我觉得都不行。
我觉得像过往，像我这种0到1到100，就是真正地把一个AI的自动驾驶的产品做到量产，这种经历的人也不多。这就是我们公司的一个核心优势吧，这是最终能达到可交付、可落地产品的一个非常重要的能力。
具身要理解不要模仿
量子位：在这么多具身公司里，如果给你们贴个"工程派"的标签，你们认可吗？
郎咸朋：这个我们不care，我们care的还是最终交付我们的产品。
最终具身智能如果要落地的话，它是有自己的节奏的。
具身智能包括什么呢？包括运控智能、移动智能、交互智能，还有最难的操作智能。
大家现在讲的具身智能，可能很狭隘地就把它归类到操作智能上了，它能干活才叫具身智能，其实不是，我觉得前三个也很重要。
△图片为AI生成
运控智能就是现在大家看到的跳舞表演这种，这也是一种运控智能，那在表演类的机器上已经做得比较好了。
移动智能跟自动驾驶更相关一些，自动驾驶就是非常好的移动智能，我们可以把自动驾驶的相关技术落地到现在的导览、巡检机器人上。
交互指的是语言表达类的交互，得益于现在大语言模型的这种发展，我觉得也相对来说比较成熟了。
但是操作智能，我认为现在还属于比较早期，所以说这个谁能先把操作智能做出来，谁能突破这个上限。
但是不代表操作智能没做出来，具身智能就没有发展，前面三个其实依然也在迭代当中。
量子位：在离开理想的时候，你觉得实现加入理想时候期望的智能驾驶目标了吗？
郎咸朋：当时我从百度来理想做自动驾驶的时候，我内心的一个目标，没有跟别人说过的，就是我做的自动驾驶车一定要比别人都多，在路上实际能跑的那种。
从这个角度上来看的话，现在应该是实现了。
因为理想的辅助驾驶是标配，在路上已经超过150万辆车，这些车上都带着我和团队一起做的自动驾驶功能。从这个角度上说，我觉得还是实现得挺好的。
量子位：连点成线来看，你觉得你在理想的时期，智能驾驶技术经历了哪几个阶段？
郎咸朋：技术范式就是从有图做到轻图，做到无图，再到端到端加VLM，加再做到VLA。
我觉得这个范式的迭代里边有小范式迭代，有大范式迭代，最大的范式迭代就是从无图到端到端加VLM这个迭代。
我认为最主要的还是说我们一开始锚定的这个认知——就是数据驱动，我觉得这个从来没有变过。
这里边到底是技术本身发展带来的，还是量产交付带来的？
我觉得是交织在一起的。没有量产交付这么多车，就没有这么多数据，那么没有这些数据也喂不出来我们的模型。
就是跟刚才我说的工程和模型之间，它是一个balance的状态，不能说一头强一头弱，这样是不合理的。
但是这里边也有偶然因素。比如说2022年底的时候，ChatGPT 3.5的爆发，让我们一下子就get到了大模型的端到端训练的范式，从预训练到后训练到finetune的范式。
我觉得最核心的还是你的认知上的超前判断，以及坚持。
另外就是你在做量产的时候，不断去验证和累积你的认知上的一些能力，等到技术爆发那一刻，我们是最先站到这个台前的。
量子位：相当于有了道的领悟，里面的术其实是可以随着道去变化的。
郎咸朋：我确实有一句话也能很好诠释这一点吧，就是有道无术，术尚可求之；有术无道，止于术。
量子位：端到端VLM、VLA和世界模型，也是具身智能机器人里大家争论的技术路线，这对你们启动昆仑行创业的过程中，有什么讨论吗？
郎咸朋：现在词儿确实是很多，现在大家可能VLA提的也少了，主要是世界模型了。
但是不管怎么样，我能看到这里边一个趋势，就是大家慢慢地还是从对动作的模仿，转到了对世界的理解，我觉得这个方向和趋势是更加清晰了。
大家慢慢也意识到VLA的一些局限性，它对动作的模仿并不本质。
实际上现在对世界模型的看法，我觉得也不是完全趋同。
对于世界模型其实可以分三类，第一类是模拟叫渲染器，渲染就是渲染图像像素，视频生成。
第二类是模拟器或者仿真器，做这个仿真的，对于状态和动力学进行仿真。
第三类是输出动作，我怎么去做出更好的动作策略。
我认为一个好的世界模型，这三点都应该包括，它既能去做渲染，又能做动作的生成，还能做生成的评价。
△图片为AI生成
我们的世界模型从设计的第一天开始，就是把握住了这样一个叫"物理因果"的第一性原理。
首先有一个行为的目的、目标，有了目标产生了动作，动作产生了一个结果，这个结果评价动作的好坏。
那么我们在模型设计里边，其实也是这么来设计的。我们现在整个的模型架构是一个MoT的架构，很多人也在用MoT，但是它是从模态上去分多个专家的，文本的、视频的和动作的。
但是我们从一开始的理念不是这么分的，我们分的就是目的、干预和结果。
我们的目的呢，是一个就是用自回归的方式去做文本和场景的理解，是产生我们动作的目的。
第二个是action（动作），动作是我为了这个目的，我要做什么？
第三个才是我的结果，就是我做了这个动作之后，我会产生什么样的结果？是用因果的关系来分的我们的专家。
我们是设计了一个叫联合因果注意力机制，跟之前的MoT有所区别。
之前MoT架构里面，它的注意力机制是完全share的，三个专家可以完全地共享，但是我们认为不合理。
当我在做动作的时候，我应该只能看到我的目标是什么？等我做完动作之后，动作和目标产生这样的结果。
在我们的因果注意力机制里面，我们的注意力机制是单向流动的。换句话说，我在做动作的时候，我不能偷看我的结果是什么，这样就作弊了，也不符合我们因果第一性的原理。
我们的世界模型既可以生成动作，又可以生成对这个结果的预测，还能渲染最终的视频的结果，我们是同一套架构能做各种各样的事情。
这是我们对现在的世界模型一些思考，但是我认为随着技术的迭代，我相信将来还会有很多范式的迭代，但是我们的目标没有变。
从一开始就跟我们做自动驾驶一样，从一开始我是要实现数据驱动的。那么现在我做具身智能也是，从一开始我就要实现模型对世界的本质的理解的。
过程当中的具体的方案我可以迭代，但这个方向我是始终非常坚定的。
量子位：公开报道里提到你们走的是"物理因果VLA"的技术路线，刚才你讲了不少世界模型的东西。这只是名词或概念上的选择，还是说你们在两者间其实有某种倾向？
郎咸朋：我刚才说的，是我们在不断迭代我们达到物理因果，或者对这个世界理解的路径。
这个路径到底是什么？刚开始可能是VLA，但现在我们慢慢迭代到world model，后续可能还会有其他的迭代。
我觉得还是我说的那样，就是实现的方法可以迭代，但是实现的方向我们是不变的。
数据编译与一脑多形
量子位：能展开讲讲数据编译吗？
郎咸朋：数据编译是一个我们非常核心的一个技术细节吧，我就不展开讲了。
但是我觉得可以讲讲里面的一些概念。我们认为如果你想做物理因果的实现的话，那你的数据里面一定要富含物理因果。
刚才从模型的架构设计上，我们已经含了物理因果了，但是我觉得数据本身也要含物理因果。
数据编译的第一步是把我们在这个场景里边所有的物体，它的物理量进行显式的处理，比如说它的重力、重量、受力分析、摩擦力等等，我们会做一个显式的表达。
可能不是像大家想象的那样，就是我拿一个带触觉的传感器去摸一摸这个杯子呀什么的，它就给我反馈的东西。
因为我们收集的一些数据里面，或者我们看到一些数据里面，它并不一定都带这种力的传感器，所以我们要通过自己的模型去把它算出来啊，到底它的受力、摩擦、触觉是什么样子的？
第二个的话是我们要落实很多的物理机制，比如说一些物理规律，像牛顿第二定律等等，这些物理机制我们要沉淀下来。
第三我们要把刚才的这些物理量和机制编译成我们的最终的训练样本，训练样本里边儿就带着这些物理量和物理规律。
第四我们还会用一些数据的回传的机制，不断地去迭代和修正，去挖掘出，就跟我们当时在自动驾驶里边的影子模式一样，去挖掘出一些它表现不好的一些数据，回来再重新进行标注和编译。
量子位：所以这其实是把客观物理世界的规律——包括那些还没法量化的部分——做token化转换，听起来像是一种"数据编译"的工作？
郎咸朋：对，我们是从源头上接，我们不会很平凡地去使用原始的数据，我们会把这个数据进行一次加工，加工成我们适合我们自己这个模型训练的数据。
量子位：一脑多形也是昆仑行强调的，为什么不是一脑一形，或者套娃具身？为什么从起步就需要一脑多形？
郎咸朋：这个不是我们选择的，而是我们天生就支持一脑多形。
我们的模型学的实际上是物理的因果，物理规律它天然就是一脑多形的。
但是如果你学的是分布，学的是模仿，学的是动作，那就是一脑一形的，还是在学人类的这种动作的模仿。
如果说一旦出现分布外的一些场景，在你训练样本分布外场景的话，它的表现就会大打折扣。
而我觉得是学习物理规律，才是最终能解决机器人能不能理解世界的最本质的能力。
量子位：理想的智驾之所以能成功，有清晰的量产车数据路径，但昆仑行没有类似的量产数据飞轮基础，你怎么看？
郎咸朋：数据这块，我们的一个公式就是，数据效率等于获取效率乘以使用效率。
在我们的物理因果模型上，我们认为在一定规模前提下，其实使用效率更加关键。
而使用效率达成就是我刚才说的这种数据编译，它让一条数据富含更多的物理量，然后更加符合物理因果的这种模型的要求，而不是简单地去堆砌规模。
如果是简单地堆规模的话，就能上去的话，那我觉得还是在堆相关性，在堆模仿学习。
那么刚才你提到理想有150万辆车队，去做大规模的这样影子数据的收集，这恰恰是因为我们之前做自动驾驶的话，还是一个模仿学习的这样一个本质，所以这么做是合理的。
但是到了具身这一块的话，它没有影子模式的前提，所以我们不得不去重新去审视对数据使用的做法。
如果说还是在去追求获取效率的话，那我认为这个上限是有天花板的。
它因为不管现在是用真机的这种采集也好，还是什么也好，它的成本会随着规模的增大而放得非常大，这跟之前自动驾驶的影子模式是完全不一样的——基本上零成本地去获取数据。
UMI的数据，或者Ego的数据，合成的数据，互联网数据，这些数据我认为都不能直接用，需要经过数据编译之后才能成为有效的数据。
如果说你想直接用于模仿学习的预训练或者后训练的话，还是非常有挑战的，我认为这是范式的问题。
如果你的范式走的是模仿学习，那在这条路上数据会是非常大的卡点。但如果你走的是对世界的理解，对物理规律的理解的话，走数据使用效率这一帧的话，我觉得是更合适的选择。
举个例子，我们发现一些物理规律，比如说牛顿的万有引力，他不是在全世界全看一遍苹果落地的数据之后，他才得出这个结论，他只是通过少数的数据就可以判断出这个规律。
我觉得这是也是人类学习和总结规律的做法，所以我接下来要做的就是怎么把数据编译这件事情做好。
量子位：具身现在还没收敛，数据这块争论特别多——真机数据、合成数据、纯仿真的路线各执一词，WAIC现场也一直在强调这个。但在你们这好像不成问题，因为最后都要经过"数据编译"这一层，是这样吗？
郎咸朋：对，是的，因为但是也要保证一定的数据规模。
我们现在是从真机数据开始，然后慢慢再迭代到更大规模的数据，像这种Ego数据，像互联网数据，但是我觉得这是一个探索的过程，我觉得都挺难。
但是前面是难在你怎么铺规模上，后面我们做法是怎么去做编译上，但一旦编译通了，我觉得后边的发展迭代速度会非常快。
量子位：先toB再toC，那在toB，出于数据或商业化的考虑，有没有优先落地的方向？
郎咸朋：一个比较符合逻辑的选择，是先进入到一些相对简单，但是能让你收集大量数据的地方。
比如说我们看到了工厂的上下料，看到了物流的一些场景，我们认为这些虽然看起来比较简单，而且它确实也有一定的商业价值，但是它对我们去验证数据编译的产线，以及我们的工程落地和模型的效果都是挺好的一些场景。
我们会从这些相对简单、但也有一定商业价值的的场景入手去做这个问题。
量子位：相对来讲也是有一个清晰的做判断的方式，去做落地的路径的。
郎咸朋：对，一定要进场景，进真实场景，而不是实验室场景。
因为真实场景它会有各种各样的一些挑战，我觉得这些才是检验我们的物理因果模型，能否cover这些场景的最大挑战。
而且还有一个，模仿学习和物理理解学习，它最大的不同是模仿学习训练集和测试集是同分布的。
但是我认为同分布的话，它并不代表它真正理解了，有可能你还是极致的模仿。
但对于物理因果模型来说的话，它可以实现我在分布外也一样有效，这是检验一个模型到底它是真正理解，还是说它在模仿的最本质的一个区别。
量子位：如果由你来设计一个实验或benchmark，你觉得什么样的比较好检验具身的理解能力？
郎咸朋：我觉得这个benchmark一定把训练集和测试集分开，测试集里边一定要包含训练集没有出现的场景和物理的一些量。
比如说就拿杯子来说，机器人拿一个杯子，我们现在正在做的事情就是，我给它训练集全都是空杯，杯子里没有任何水，没有任何液体的状态，去让它做训练。
△图片由AI生成
但是考试或者是评测的时候，我是把里边的水装到不同的深度，让它去拿这个杯子，看杯子里边水会不会洒出来，这就是非常形象的一个例子。
就是我的训练集和测试集一定要分开，这样才能去对比出来机器人它到底是理解，还是死记硬背。
"具身大战也会有蔚小理"
量子位：在今年WAIC现场，你重点关注了什么？
郎咸朋：今年我第一的感受是人流量确实大，关注度确实高。
第二的话我觉得一个好的表现就是，大家都在强调自己进场景了，纯的表演类的，唱歌跳舞的表演是少很多了。
但是，我也看到大家同质化其实还比较严重的，就是那几个场景，工业场景、家庭场景，还有一些商业的场景，像药店、零售仓等等，我觉得大家还是没有完全打开。
第二，可以看到一个好的表现是纯的遥操和云端部署少了，大家都是在本地真机上进行了部署。
那这带来的一个现象就是大家的失误还是比较多，但失误代表真实，这是非常好的一点。
还有我觉得比较可惜的就是，没有在操作智能上看见非常有亮点的突破。
但我也看到有些公司在工业场景的部署上，还是非常的下功夫的，比较完整，它不是一个demo，不是一个流水线，而是完整的工厂的一个生产管线了，我觉得这是一个好的开始。
大家真正考虑实际场景的ROI了，考虑怎么去解决实际场景的问题了。我觉得这是非常好的现象，但现在我感觉还不是特别多。
量子位：昆仑行能跳出这几个应用场景，或者有什么不一样的地方吗？
郎咸朋：我还想回到刚才，就是对具身智能的定义，大家现在展示的都是操作智能类的场景。
但实际上运控智能、交互智能和移动智能也是具身智能的一些方面，只不过这些大家觉得拿来做demo不够fancy，不够有意思。
操作智能如果想进实际的场景的话，时间还是比较长的，一方面模型需要突破，另外一方面工程的落地也需要完善。
量子位：随着这几棵树或者这几个分叉，它上面的智能，能够展现不同的成熟度，它结出的果或它能够落地的场景也会更多。
郎咸朋：大家不要只盯着操作智能。
量子位：你认为具身智能机器人现在，最像自动驾驶发展的哪个阶段？
郎咸朋：有点像十年前吧，大概2015、2016年的那样一个阶段。
这个阶段我觉得有几个明显的特点。
第一个是路线的不确定性，有很多技术路线的讨论，百家争鸣，百花齐放。
第二，大家也都是做各种各样的demo，有的demo做得看起来还是非常好的，甚至有些自动驾驶demo，你感觉它明天就可以上路了。
第三就是大家都没有量产，没有一家开始出货，真正的就是在操作智能上开始出货。这是比较共性的几个判断。
量子位：但没有量产，可能也有一些不同的意见，有的机器人已经开始卖了，或者是有几千台的出货量……
郎咸朋：哦，我说的是操作智能。
因为大家演示的是操作智能嘛，就跟当年演示的自动驾驶都是L4的一些功能。
量子位：一个具身机器人展现出什么样的能力，才能被定义为"操作智能"？
郎咸朋：能够实际地进到工业或商业场景，甚至家庭场景，能够取代人真正干活的能力，这才是真正有具备操作智能。
一个比较简单和直接的衡量就是它能不能出货，能不能真正地就是进入工厂、家庭、商业场景，是否真的有人愿意为它买单，而不是做前期的一些研究或测试，这个我觉得非常不同。
量子位：就相当于您讲到的自动驾驶2015、2016，大家买那个林肯MKZ，然后改一辆车出来，就可以获得很大融资的阶段，到后来就是真正能够原生地造一辆车、一个车队，就是后来量产的开始。
郎咸朋：而且当时真的就是为了自动驾驶功能，大家愿意买这辆车，而不是一个附属。
量子位：现在具身公司太多，已经有"百机大战"的说法了。你觉得洗牌会在哪个阶段、因为什么样的事件而发生？
郎咸朋：真正的量产交付那天到来，就是真正的开始出货。
而且这个出货不是简单的一台、两台、100台，而是真正的可以达到自我造血的出货量，我觉得那个时候这个大战吧，就可以告一段落了。
谁真的能通过自己的量产交付，能够自我造血，并且正向循环，谁就能真正在这个泡沫里面生存下来。
量子位：这需要全栈的能力，不是说单一的你模型好或数据多，还是什么商业化的场景之类的能力。
郎咸朋：是的，因为现在大家还都在做demo，都在做测试，都在做实验，我觉得这还并不本质。
因为你要是真正做一个具身智能公司，你一年的收入能不能撑得起你的研发费用？我觉得这是最重要的。
量子位：所以那个时候就是开始交付或量产，大家就能排出个一二三，排出个排名出来了。
郎咸朋：是的。这就是我跟任总，我们俩认知非常像的一点。
我们不认为单点的技术突破或单点的商业行为是最终的评价标准，而就看一条——你的量产交付能不能自我造血，这是唯一的判断标准。
量子位：任总此前放话说"24个月要进入行业前三"，这是个什么样的目标？又靠什么来保证它实现？
郎咸朋：24个月进行业前三，是我们任总的一个经营的目标。
但是作为我来说的话，我从技术上给一些实现的路径吧，我觉得第一个就是范式。
我们的范式最重要的还是数据编译为主，这种对物理世界理解的范式，而不是走模仿人类动作的范式。
第二就是我们把整个具身智能看成了四个智能，而不是只有操作智能，所以说这四个智能对我们的渐进式发展是非常重要的。
第三就是我们商业路径是从工业、商业的一些场景开始，慢慢地走入家庭，而不是一上来就直接就进家庭，我觉得这样也不合理。
量子位：这个"行业前三"，是把帽子扔过墙、倒逼自己的一种说法？还是你们确实立了这么个目标、想让自己长到那个位置？
郎咸朋：我们确实是从第一天就有这个目标，不管是跟投资人说，还是跟自己团队内部说，因为我们就是坚信我们团队能力的全面性。
因为我们团队不管是从AI也好，硬件也好，商业体系也好，还是团队的管理也好，我们在整个的行业里面，也是可以拿出来数一数二的。
而且我们也坚信整个商业的落地，就是我刚才说的交付的能力，我们也是数一数二的。
量子位：不到前三会活不下去吗？
郎咸朋：到前三才有自我造血能力。
量子位：你们觉得这个领域里面能够真正实现自我造血的，只有前三名才能实现。
郎咸朋：这个跟新能源车刚开始也是类似的吧，头部的企业不会特别多。
虽然刚开始大家非常热闹，但真正大浪淘沙之后，留下的不会特别多。
量子位：所以具身智能也会有蔚小理，或许还有别的公司，但是最后大家所记住的或率先出来的，其实也就前三。
郎咸朋：对，我觉得你想发展得好，一定要去争做行业的头部，前三我觉得是必要的。
量子位：如果把"前三"这个目标拆解开，你们当前最重要、最首要的一件事是什么？
郎咸朋：当前最首要的工作是把基础能力建好，不管是数据能力，工程能力，还是模型能力，我觉得这是第一位的。
第二个是团队，就是在核心岗位上找到合适的人，这些我们都已经在做了。
第三就是我们的执行力。
量子位：这个行业前三会加什么定语吗？
郎咸朋：就是看出货量。
全人形才是最优解
量子位：假如我来应聘，我是向您汇报的一号位，我一上来可能会大量铺轮式机器人，冲出货量的快速爆发，你怎么看这种打法？
郎咸朋：我觉得都挺好的。
但是不是只做轮式，因为我觉得轮式机器人的话，它相当于是把移动这一块儿，或运动控制这一块儿先抛弃掉了，然后只做上半身的操作，再加一个基础的移动能力，这不符合我刚才说的四个能力都要同时发展的前提。
我们觉得还是要做全人形的机器人，它是让我们整个的技术的基础更加全面和扎实的前提。
双足的运控，再加上全身的操作能力、移动能力、交互能力、操作能力，这些都是我们一开始就要打好基础。
量子位：你们怎么看触觉？
郎咸朋：触觉是相当重要的一个模态。
在我们的世界模型里边，我们未来的一个迭代的方向就是把多模态数据，多模态的输入加进来，触觉是我们觉得非常重要的一个环节。
我们人去做一些动作的时候，到最终的动作执行并不是靠视觉去检验的，而是靠触觉去检验的。
就跟我现在跟你访谈一样，我去拿这个杯子，即便我眼睛看着你，我依然可以拿到这个杯子，而且我感知这杯子到底拿得怎么样完全是从触觉来的。
所以说触觉对我们的数据编译，它将来会成为我们的一个ground truth，就是最终我们会拿触觉来做我们的真值，去做数据编数据编译的校验。
我们觉得如果没有触觉的话，就会少很多的信息。
我觉得应该在几个智能同时发力的前提下，慢慢地去达到操作智能，这可能是一个比较好的路径。
量子位：触觉能力其实是你们讲的"物理因果"里一个很重要的获取途径、或者说量化方式？
郎咸朋：可以这么理解，因为触觉本身它就是物理的。
量子位：那你们自己会自研手吗？
郎咸朋：我们现在还在讨论当中。
量子位：你怎么看现在灵巧手这个行业？
郎咸朋：要做灵巧手的话，前提你要解决一个问题——你是什么样的模型？你需要什么样的数据？
如果这两个定义还没有清楚的前提下去做手的话，可能并不是非常smart的选择。
而且手本身它也会带来更多的自由度，一个手20个自由度的话，两个手又多了40个自由度，会对我们模型的训练和预研也会增加很多的不确定性。
△图片由AI生成
应该先解决模型和数据本身的要求之后，我们再反过来去定义手，是更好的选择。
量子位：相当于先把模型或先把自己想要什么样的数据跑通，再去看手的问题。
郎咸朋：对，但是我们也会跟进业界灵巧手的进展，我们其实也买了很多的灵巧手在做测试和实验。
量子位：有什么观感吗？
郎咸朋：还是那句话，就是手虽然出来了，但是与手所配合的模型和数据怎么做，大家其实还没有共识。
这就是行业发展的一个现象吧，大家也都齐头并进地做，但是对于我们来说还是要先想清楚，或者先验证好模型和数据，再回来找到更合适解决触觉的方式。
光靠融资活不下去
量子位：为什么具身智能如此之难，进来的公司还这么多？比自动驾驶时代创业还热闹。
郎咸朋：因为这个赛道足够长，天花板也足够高。
它跟之前的不管是自动驾驶也好，还是大模型也好，有很强的相关性，自然的这些人才或者创业者会往这方面流动，都是非常正常的现象。
具身智能是需要这些创业者和技术人员来共同参与的，否则它的发展也会变得相对缓慢。
量子位：有人质疑过你们的创业时间点吗？觉得2026年才出来做这么一家公司，太晚了、没赶上趟？
郎咸朋：很多人也问过我这个问题，但是我们回答都是"肯定是不晚"。
因为很多现在的硬件本体，还是模型、数据，还没有达到收敛的状态，还是在不断迭代发展当中的。
而且整个的具身智能要达到完全取代人的操作智能，还需要比较长的时间。
从这个维度上来看的话，现在其实一点都不晚。
量子位：实现你说的"前三"或自我造血，你们对自己需要多大体量的资金，有过预估吗？
郎咸朋：如果说以现在的各家的融资额，我觉得都不够。
因为最终要实现操作智能的话，一定是要进行模型的预训练，或大量的模型训练的资源的。
如果你想训练一个模型的话，不管是几亿和10亿这样量级的投入都是不够的，可能是几十亿甚至百亿的量级。
我觉得前提是一定要先做好自我造血，你肯定是以自我造血的资金来源为支撑，去探索后面的具身智能模型的这样迭代，这才是最合理的路径，而不是只靠融资的方式。
如果只靠融资的话，大家都做不到具身智能实现那一天。
量子位：具体到昆仑行，在实现自我造血这个节点之前，大概需要多大体量的资金？
郎咸朋：现在我们融资的额度，已经可以支撑我们把第一款产品量产上市了。
在量产上市之后，我们就会进入一个比较健康的正向造血的能力里边。
我们以后再融的钱的话，那肯定是一方面是加快我们的模型或AI的迭代速度，另外也会增加我们在量产和营销这方面的投入。
量子位：这个听起来有点理想汽车的模式和路径。
郎咸朋：我们确实有能力能做到这一点。
量子位：假如有潜在候选人正在看这期播客，你会怎么说服他们、让他们相信加入你们是个很好的选择？
郎咸朋：还是那句话，与谁同行比你要去的地方更关键。
你来昆仑行，跟你同行的是我们这样一帮人，首先我们对于整个AGI的方向是非常坚定的，我们有信仰，我们是一定要实现物理AGI，实现的方式不是模仿是靠理解。
另外如果现在加入昆仑行创业公司的话，你将会完整地见证一个真正的事物，从它初步的认知到成为落地产品的完整过程，这个过程我认为如果一旦做到了还是非常兴奋的。
量子位：类似于您当年选择这个理想汽车那个节点的机会。
郎咸朋：是，这个过程肯定是充满了挑战和不确定性，但是一旦做成了，对每个人参与其中的人来讲都是非常非常重要的体验。
量子位：大家都在问机器人进家庭的时间表，你们的时间表是什么样的？
郎咸朋：参考自动驾驶的话，可能需要5到10年。
但是我觉得跟当年做自动驾驶也不太一样，现在的AI的进步速度还是非常快的，它会加快这个时间的到来。
5年左右，是一个比较合理的数字。
量子位：您觉得具身智能，它还是会沿着自动驾驶或智能驾驶的车辙在走。
郎咸朋：发展规律吧，所有技术的发展规律都是如此。
量子位：我之前还听人半开玩笑地说，智能驾驶发展的节奏，很大程度上是被车厂压着的——很多传统车厂做不到一年好几次迭代，其实是在压着智驾的研发和迭代。
郎咸朋：我觉得可能这个说法也不太公允，还是技术本身是需要时间和过程的。
而且据我做智驾的体感来讲的话，软件或者模型你可以迭代，但是你的安全性和稳定性验证还是需要时间的。
我们可以通过一些仿真或者技术手段缩减时间，但是不能简化，也不能跳过。
而且为什么说模型本身和工程本身都很重要，工程的里边包含了刚才所说的可靠性、稳定性的安全性的测试和检验的过程。
这个就是不能或缺的，特别是进家庭，安全性的检测是更重要的。
量子位：对具身机器人来说，你觉得现在硬件制造这一端还存在什么问题？或者说它现在处于什么样的状态？
郎咸朋：我觉得硬件的制造，大家不要太狭义地看这个问题。
硬件本身它有自己的规律，从它的研发到原型机、试制、小批量的交付，到大批量的交付、量产以及后续的维护维保，我觉得它是一个非常长链条的过程。
而且这里边一定会有大量的供应链和供应商的加入，怎么去做好他们的管理，也都是非常难的事情，所以说量产制造只是其中的一环吧。
现在整个的机器人的产业和供应链还在发展当中，虽然说我们有很好的基础了，现在攒一个机器人已经不是非常困难的事情了，但我觉得这里面还是有很多技术的挑战。
大家不要太乐观去考虑这个硬件的问题，认为硬件已经解决了，我们只要做个大脑就出来就行了，我认为不是这样的。
量子位：之前因为硬件的缘故，具身公司形成了产业带——有大湾区一派、上海汽车那一派。而亦庄这一派你们算比较有代表性的。选在北京亦庄，背后有什么原因吗？
郎咸朋：选在亦庄的话，是因为亦庄的地理位置和环境，相对来说是非常优秀的，亦庄政府也给了我们很多的支持。
量子位：站在今天这个Day One，您最想向未来的同事强调、分享的初心是什么？留一句话或一些思考给未来。
郎咸朋：其实我创办昆仑行，或者做具身智能的初心，就是要实现物理AGI。
我们要坚持自己的信仰，不断地突破自己的极限，去实现我们对物理AGI的突破。
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
🌟 点亮星标 🌟
科技前沿进展每日见配资融资配资
全国配资公司开户提示：本文来自互联网，不代表本网站观点。