一台四足机器人,只喂了8分钟真实世界数据,就能在有人走动、有物体挪移的办公室里,单靠一个前置摄像头自主导航——没有别的传感器,也没有针对这个场景的额外训练。这是具身智能初创公司 General Intuition 的CEO Pim de Witte在接受采访时抛出的细节。他给出的解释更大:这不是个案,而是机器人行业即将复刻语言模型走过的路。
耳熟的叙事,未必是已经发生的事实。
一个类比,一场演示
de Witte的逻辑很直白:GPT-3之前,各家公司为不同任务从零训练专用NLP模型;GPT-3之后,大家改成在一个通用基础模型上做微调。他认为机器人也该这样——不再为每种机身、每个环境单独采集海量真实数据,而是先有一个通用的“空间-时间直觉”模型。
General Intuition的训练素材,是数百万小时的视频游戏数据:玩家在哪一帧按了哪个键、画面随之如何变化。公司的判断是,游戏里的“按键-画面”天然是一组因果标注,比互联网文本或视频更适合喂给模型练空间感。
这个模型被拿去玩游戏,也被拿去接管四足机器人——后者只用了8分钟真实数据做微调。de Witte自己也承认这个结果超出预期:“机器人只靠前置摄像头就能zero-shot完成,这在办公室里、有动态物体、有人走过的情况下,对我们来说是个很大的惊喜。”
公司的终局野心不是造机器人,而是做机器人界的“基础模型供应商”——用他的话说,“不做自动驾驶公司,而是让下一个做自动驾驶的人容易十倍”。
一个月翻倍的估值
比技术演示更具体的,是钱的节奏。General Intuition此前完成过一轮约1.34亿美元的种子融资;今年6月中旬有消息称公司正在以约20亿美元估值洽谈3亿美元新融资;最终敲定的数字是23亿美元估值、3.2亿美元,领投方为Vinod Khosla的Khosla Ventures,General Catalyst、Bezos Expeditions、Eric Schmidt、Innovation Endeavors等机构跟投。
Khosla、Bezos Expeditions、Eric Schmidt这类名字,本身就是一种叙事背书——他们下注的往往不只是技术细节,也是“下一个平台级公司”的故事本身。这也是为什么估值能在传闻曝出后短时间内继续上调:资本市场买的不是那8分钟demo,是“机器人届OpenAI”这个位置。
游戏数据 vs 真实数据,谁更可能赢
具身智能领域眼下明显分成两条路线。General Intuition押注游戏动作数据加极少量真实微调;以Physical Intelligence为代表的另一条路线,坚持认为大规模真实机器人遥操作数据不可替代——机械臂抓取的力反馈、接触面的摩擦、刚性碰撞,这些游戏引擎里根本不存在的物理细节,恰恰是机器人真正难的部分。
两边谁对,眼下没有答案。原文和公开材料都没有披露那台四足机器人demo的具体机型、任务难度、失败率,也没有第三方复现——“零样本成功”的边界条件完全是黑箱。抓取、拧螺丝、上下楼梯这类涉及刚性接触力的任务,游戏引擎里根本不存在对应的物理反馈,这恰恰是真实数据阵营认为不可跳过的部分。
一个demo证明的是可能性,不是可复现性。
- 风险.23亿估值目前完全建立在单一演示和创始团队自述之上,没有独立评测,也没有已知的机器人公司客户案例支撑其“基础模型供应商”的商业模式。
接下来该看什么
de Witte的类比很吸引人:GPT-3之前大家各自为战,之后收敛到少数几个基础模型。但语言模型的收敛,建立在互联网文本本身就足够贴近真实语言分布这个前提上。机器人要处理的是物理世界,游戏引擎里的物理规则和真实世界的摩擦力、惯性、碰撞反馈存在系统性差异——这中间隔着的,不是一个类比能填平的。
孙子说“兵者,国之大事,死生之地,存亡之道,不可不察也”。放到机器人身上分寸小得多,但道理相通:一个能在办公室里走两步的demo和一个能规模化部署的基础模型,中间隔着的复现次数、任务边界、失败率,才是真正决定这个赌注成不成立的东西。在有人拿出第三方评测之前,“机器人的ChatGPT时刻”更像一个正在被资本买单的故事,而不是已经落地的技术拐点。