出品｜虎嗅科技组
作者｜陈伊凡、刘煊琦
编辑｜苗正卿
头图｜AI生成
2026年1月，硅谷机器人大脑公司Skild AI宣布完成14亿美元C轮融资，估值在短短数月内从45亿美元跳升至超过140亿美元。
这家公司的独特之处在于，它从未亲手制造过一台机器人，也未向任何工厂交付过机械臂——它出售的仅仅是一个模型。
媒体将此轮投资定义为“2026年机器人行业诞生的首个百亿美元独角兽”，而其核心逻辑恰恰在于“不造硬件”。
这种选择曾让卢宗青在融资过程中备受质疑。作为北京大学计算机学院长聘副教授及国家级青年人才，他在2025年创立了具身智能公司智在无界（BeingBeyond），同样专注于纯模型研发。
[图片：卢宗青本人，由本人提供]
在与团队交流数周后的美国时间7月28日，特朗普政府发布禁令，禁止进口中国新款机器人及电力逆变器。就在前一天，智在无界发布了隐式触觉世界动作模型Being-H0.8。该模型基于50万小时的人类视频数据进行预训练，这一数据规模使其稳居全球具身模型的第一梯队。
当时，投资人反复追问两个问题：“为何不做硬件？”“为何坚持用人数据训练模型？”
这两个疑问几乎占据了卢宗青2025年的大部分精力。彼时，银河通用等软硬一体企业携自研机器人排队冲刺IPO，宇树科技三登春晚后以420亿元估值上市。相比之下，一家只卖“看不见”的模型的公司，似乎难以在同等的估值体系中找到位置。
我问他：“一旦涉足硬件本体，估值与纯软件模式恐怕会有云泥之别。”
卢宗青并未否认这种落差，但他指出，对于初创团队而言，既要打磨模型又要兼顾本体开发，并非能够并行解决的难题。他的目标更聚焦于解决具身智能领域最核心、也尚未被攻克的痛点——通用的具身基础模型。
当然，智在无界并非完全脱离硬件。去年年底，公司推出了一款面向科研和教育平台的桌面级灵巧手机械臂D1。据虎嗅独家了解，他们即将发布一款同形态的新产品，旨在为具身智能预训练提供支持。
至于为何舍弃当时流行的仿真或真机数据，转而拥抱第一人称人类视角？
这一判断源于一次失败的实验。2023年，卢宗青在北大牵头建立的多模态交互研究中心，尝试让多模态模型在游戏如《荒野大镖客》中自主完成任务，结果发现模型连数字世界的交互都难以胜任。2024年，团队转向真实机器人，推出了早期尝试Being-0，但模型表现仍远未达标。
问题逐渐清晰：要训练能驱动机器人与物理世界交互的模型，必须找到一条可规模化的数据路径，而仿真和真机数据的局限性过于明显。
2023年底，卢宗青决定押注人类第一人称视频。那时几乎无人涉足此道，直到2025年下半年，北美与国内行业才开始集体转向，这一路线才成为共识。
智在无界的模型迭代轨迹清晰可见：从2025年7月的H0版本（3000小时数据），到2026年1月的H0.5版本（3.5万小时数据，支持跨本体控制30多种机器人），再到4月的H0.7版本（20万小时数据，采用latent world action model范式，端侧推理速度达30赫兹）。最新的H0.8则整合了50万小时人类第一人称数据。
支撑这一迭代曲线的，是一套涵盖数据管线、模型预训练、后训练、评测及端侧部署的全栈基础设施。这套体系推动了规模化数据的持续沉淀与模型能力的不断进化，助力机器人逐步适应开放且复杂的真实物理世界。
卢宗青表示，Being-H0.8的发布标志着重要节点。这不仅意味着模型能力从视觉延伸至触觉，从观察世界升级为理解交互，更预示着一个集视觉理解、触觉交互、动作生成、世界预测及跨本体泛化于一体的具身基础模型即将诞生。
这部分工作虽难以被投资人直观感知，却是卢宗青眼中公司真正的壁垒。
他认为，中美在具身智能领域并无本质差距，因为双方均未找到快速训出具身基础模型的捷径。虽然数据路线已基本锁定为人类视频，但如何将其转化为真正通用的模型，目前尚无定论。
**硬件未收敛，便不被硬件束缚**
虎嗅：回顾您的学科背景与研究经历，这些学术积淀如何塑造了您看待具身智能行业的视角？是否存在与当前主流共识不同的观点？
卢宗青：抛开过往经历，我的行事逻辑始终指向解决更本质的问题。
无论是在北大、智源研究院从事研究，还是如今创业，目标都非常明确：攻克具身智能的根本难题。这个根本问题即通用具身基础模型。它是制约具身智能大规模落地的瓶颈，也是公司需解决的核心任务。
目前，学术界与工业界均缺乏清晰路线来解决这一根本问题。
虎嗅：从发现问题到决定创业，中间约有一年时间。这期间你们做了哪些验证？
卢宗青：那一年多，我们主要测试多模态模型在游戏环境中的自主操作能力，包括《荒野大镖客》等作品。很快我们发现，当时的多模态模型在数字世界的交互环境中也难以完成任务。这让我们意识到，真正能理解环境并与之交互的模型，必须在真实的物理环境中行动。
2024年，团队转向机器人领域，开展了Being-0等工作，试图结合多模态模型与机器人的具身能力。然而，模型效果远未达到预期。由此我们开始思考：若要训练能驱动机器人与物理世界交互的模型，何种数据路线最具规模化潜力？
2023年底，我们决定依靠海量人类视频驱动模型预训练。当时鲜有人为此努力，直至2025年下半年，北美与国内业界才开始转向利用更多人类视频数据训练模型。
虎嗅：融资期间，是否恰逢具身智能最火热的阶段？
卢宗青：并非如此。公司融资大致在2025年初、春节前敲定。在一级市场，我能感知到2024年底至2025年初春节期间，市场对具身领域的热情有所回落。是宇树科技在春晚表演后，过了春节，一级市场的信心才重新提振，随后才出现了诸多融资新闻。
在那个时间节点，市场普遍认为机器人应投入实际工作，但它们并未真正干活；资本市场也未预料到，“表演”本身也可作为一种商业化落地形式。
虎嗅：融资时，投资人反复拷问的问题是什么？
卢宗青：主要是两点：一，为何不做硬件？二，为何选用人类视频数据训练模型？
虎嗅：涉足硬件后，估值与纯软件模式相比应有显著差异。
卢宗青：站在2026年的视角看，纯做具身模型公司的估值，其实并未比软硬一体公司低太多。但随着行业发展，这一情况可能变化。
先谈为何不做硬件。我们的目标明确，即打造具身基础模型，这是核心所在。对初创团队而言，同时搞定模型与硬件，难度极大。
那些做软硬一体的公司，解决了自身基础模型问题吗？没有。人形机器人实现了在工厂中持续重复劳动吗？也没有。
是否做硬件，应随模型能力提升而成为商业选择，而非立场先行。
虎嗅：若未来软硬一体公司也发力模型，与纯模型公司相比，各自优劣势何在？
卢宗青：软硬一体优势明显，因软硬件双售，收入规模较大。但弊端亦存：同一团队中，硬件与模型开发人员更易倾向于适配自有本体，依赖大规模真机数据训练模型——这是不少公司在2025年选择技术路线的主因。
真机数据另有隐患：硬件未收敛，一旦迭代，此前采集的数据可能失效。此外，团队内部常因软硬件责任归属产生摩擦，硬件指责软件不行，软件抱怨硬件受限。
对我们而言，目标清晰：专注模型，且该模型必须适配不同机器人本体及末端执行器，具备跨本体与跨场景泛化能力。这迫使模型必须足够通用，方能实现商业化。
当然，劣势直接：不卖本体，收入上限不及软硬一体公司。
虎嗅：2023年至今，具身智能技术路线有何演变？人类视频是否已成为收敛路线？
卢宗青：我不认为其他路线被淘汰。2023年主流是仿真训练后部署至真机；2024年起OpenVLA出现，利用真机数据训练模型，此方式延续至2025年上半年；2025年下半年，业界才意识到人类视频数据的重要性。如宇树的运动控制工作，仍在仿真器中训练，仅各阶段所用数据不同。
当前思路是：预训练阶段主要使用大规模人类视频，后训练阶段辅以真机或仿真数据。
虎嗅：为何坚信人类视频是训出通用基础模型的路径？
卢宗青：因该类数据易于扩展。我们的数据量从数千小时积累至数十万小时。美团、蚂蚁、京东等平台公司也正通过众包收集第一人称视频数据，这部分数据量将快速增长。
同样是家务打扫，各家环境配置各异。众包能采集足够多样的场景，这是真机和仿真环境难以企及的：真机只能在固定环境中采集特定任务数据。
虎嗅：此举的技术壁垒何在？
卢宗青：最大壁垒在于将人类视频数据转化为可商用模型的整条Pipeline，包括数据基础设施、模型训练基础设施、端侧算力部署基础设施，以及适配各类真机的模块化工程基础设施。这些是我们过去两年多的积累。
目前，我们积累了50万小时人类视频数据，标注、数据管理、可视化及实时统计几乎全部由自动化Pipeline完成。这部分壁垒不易被外界感知。
虎嗅：技术难点主要集中在哪些环节？
卢宗青：难点众多。首先，第一人称人类视频非主流数据路线，导致数据标注存在巨大差异。我们约50万小时数据大多自行标注，拥有自动化Pipeline进行自动标注、对齐及评测。
难吗？不难，关键在于Know-how：何种数据、何种标注粒度，能训出有效模型。
虎嗅：能否举例说明标注粒度？
卢宗青：例如，一段一分钟视频记录一人做事。标注粒度可以是“这一分钟做了什么”，也可以是每10秒标记一次；若包含子任务，能否标出子任务？能否截取不同子任务的视频片段——从第几秒到第几秒，他在做什么？
不同粒度均可标注，但预训练模型究竟哪种粒度更有效，需不断尝试实验。这便是数据层面的Know-how。
虎嗅：以往此类工作多由人工完成，如东南亚或国内的数据标注工厂。你们已完全实现自动化？
卢宗青：完全实现了AI化。前述仅为文本层面标注。我们的数据特色还包括手部动作标注，标记手部每个关节在世界坐标系下的坐标。唯有如此，才能训练具身模型，因其输出的是动作，而非仅对画面或视频的理解。
虎嗅：从H0到H0.5、H0.7，版本号如何确定？哪一代投入精力最大？
卢宗青：H0代表从零开始，当时仅用3000小时数据尝试训练。H0.5有两个本质提升：一是数据量从千小时跃升至3.5万小时；二是本体泛化性极佳，可跨本体部署，控制30多种不同本体。我们认为跨本体泛化能力是重大里程碑，故定为H0.5。
H0.7亦有两大变化：数据量从万小时增至几十万小时，数量级再次跨越；其次，我们从基于VLA训练转为提出隐式世界动作模型Latent World Action Model的全新训练范式。巧合的是，Pi的模型也称0.7，但我们先发，大家不约而同。
发布H0.8的最大区别在于引入触觉——非在后训练阶段通过传感器采集真实物理信号，而是在预训练阶段即融入。我们在视频数据中标注接触点，这些信息融入预训练。当然，后训练阶段的传感器数据依然必要。
虎嗅：迭代至今，哪一代模型让您观察到类似GPT-3.5的涌现现象？
卢宗青：尚未观察到，目前仍处于线性爬坡阶段。
虎嗅：训练这样一套具身基础模型需要多大算力？
卢宗青：这正是我们的优势之一。我们的训练范式对算力消耗极小，约为基于视频生成模型的World Action Model的百分之一。原因在于学习范式：视频生成模型需预测每一像素，前向与反向传播占用大量算力；而隐式世界动作模型仅需预测Embedding或Latent State，计算量大幅降低。
搭配此优势的是数据成本——50万小时数据采集成本远低于真机数据，且市面上第一人称视频价格持续走低。
虎嗅：推理层面呢？
卢宗青：模型最终部署于机器人，不存在节省Token之说，关键在于端侧芯片Inference速度。许多动态场景任务，如视频中展示的接小球，不仅要求动作输出准确，端侧GPU推理速度还需极快。目前我们可达30赫兹，应为全球世界模型中运行最快者。准确输出动作加上快速推理，这两点至关重要。
在端侧部署基础设施上，我们能适配不同端侧芯片。此外，模型结构采用Transformer而非DiT，推理速度比基于视频生成模型的World Action Model快数十倍。
虎嗅：自去年起，业界开始将这些模型理解为世界模型。在您看来，世界模型的定义究竟是什么？
卢宗青：目前市面无模型可称世界模型。
在当前语境下，世界模型概念宽泛。举例而言，在符号世界中，语言模型即为世界模型：MIT论文表明，语言模型可在文本世界中预测后续发展，表现形式即文本本身。
对具身智能而言，世界模型即具身基础模型，能驱动机器人执行各类任务。具备这两点后，才有可能构建真正似人脑的模型：兼具语言能力，又能在物理世界中交互并完成任务。
现具身领域所称世界模型，更准确应称为World Action Model，需与VLA区分。但它们真正达到世界模型能力了吗？并未。
虎嗅：为何不先在垂类场景做透，再拓展至通用？后者难度是否更小？
卢宗青：我不认同从专用模型走向通用模型的观点，原因有二。
其一，从NLP发展看，初期NLP模型均为专用模型，机器翻译及其他语言相关模型在单一领域表现不佳，反而是GPT-3.5凭借统一大语言模型，解决了所有语言相关问题。具身智能同理。
其二，在某场景做到极致又有何益？做穿某一场景，并不意味着能处理各类事务。相反，紧盯单一场景会发现，最终仍是工程化主导，尤其是B端场景，需满足生产节拍、计算ROI——这些非模型易解之事，需靠工程化方法实现交付。这不能提升模型本身，仅证明工程能力强。
我们的思路是：提升数据量，探索学习方法，增强模型操作与通用能力，再依据模型能力选择适配场景商业化，而非死磕单一场景。此为战略选择。分拣即是良好场景，物流公司曾与我们对接，将其做穿价值巨大，但这不等于能做穿后即实现通用基础模型，逻辑不通。
虎嗅：当前客户需求中，有哪些是公司成立前未曾想到的？
卢宗青：近期拜访的B端客户中，许多需求出乎意料。我们发现产线上仍保留大量人力。这些人特点鲜明：不干单一活，多数留在产线的人并非只做一事；只做一事的工种，往往是难用自动化替代的。
虎嗅：这部分如何应对？
卢宗青：商业化分两块：License销售模型加后训练服务是一部分；另一部分，探索高价值场景。此举绝非为了替代人力或与人力算ROI，而是探讨机器人加入后，如何提升产线良率与生产效率，据此审视场景。
此类场景中，我们多用机械臂加末端执行器，而非人形双臂机器人，因现行人形机器人难以很好适应产线作业。对预训练而言无区别，仍用大量人类视频；区别在于后训练数据。但影响不大，因大部分算力与数据集中于预训练阶段。
我们旨在打造标杆性场景，服务于后续模型License商业化——基于模型树立标志性场景，吸引系统集成商将本体与模型集成落地。
**中美具身模型无本质差距**
虎嗅：行业终会整合吗？如数据公司消失，本体或模型公司进行垂直整合。
卢宗青：长期来看，产业分工仍将存在：数据归数据公司，模型归模型公司，本体归本体公司，不排除个别公司全能。长时期内，我们定位具身基础模型公司，在此生态位上与多方合作——本体公司、数据公司、软硬一体公司及芯片公司。世界人工智能大会期间，我们将官宣与这些公司的战略合作。技术突破前，无需将所有环节装入一家公司。
虎嗅：目前模型层面，中美差距几何？
卢宗青：本质上无差距。因双方均未探索出快速训出具身基础模型的技术路线。数据路线基本确定，大规模人类数据已成定局。未定的是，如何通过一种学习范式，基于这些数据训出通用具身基础模型，目前无人掌握确切方法。有的公司基于语言模型范式训练VLA；有的自称原生基础模型公司，但具体怎么训，大家也不清楚。尚无公认方法表明，沿此路径Scale数据、Scale参数量，就能训出类似GPT-3.5的模型。
虎嗅：未来竞争对手来自同行还是大厂？
卢宗青：当真到了那一天，比如基于千万小时视频训出通用具身基础模型时，竞争对手既有同行也有大厂，格局类似当下语言模型：字节、阿里在做，智谱、MiniMax、Kimi、DeepSeek等创业公司也在做。但大厂在语言模型上的大量投入始于GPT-3.5出现之后；此前并未大量投入。具身智能在字节内部仍边缘化，参与者寥寥。OpenAI虽招揽机器人人才，但其正与Anthropic激烈竞争，不会大规模投入。非大厂做的事创业公司不能做，而是等技术真正突破后，大厂才会砸重金入场。在此之前，我们有时间领先优势。
虎嗅：明年若积累至千万小时人类第一人称视频数据，具身智能是否会迎来涌现？
卢宗青：此数据量可能是训练通用具身基础模型所需规模。在此数据量下，我们有望训出具涌现能力的通用具身基础模型。但这取决于将数据转化为模型的方法——该方法我们尚未掌握。我能保证的是，公司最终能收敛至正确方法，但不能保证当前方法即为终极方案。
虎嗅：人类视频路线未来会被其他路线替代吗？
卢宗青：从数据量角度看，可能性不大。最终训练具身基础模型，最大数据来源仍是人类视频。这并非非此即彼——即便此刻，我们也会使用真机数据，只是占比极少，绝大多数仍为人类视频。因训练基础模型需足够大的数据覆盖率与分布广度，无论现在还是将来，数据量最大、分布最广的便是人类视频数据。
虎嗅：具身智能的ChatGPT时刻，大概何时到来？
卢宗青：语言模型训出后，部署于服务器供推理，人们能立刻感受到变化。但具身模型必须部署在
