(资料图)

6月28日，在青年科学家成果转化暨具身智能高质量发展研修会上，千寻智能具身智能部负责人解浚源表示，具身智能现状可能处在类似于GPT1-GPT3之间的阶段，VLA（视觉-语言-动作模型）的兴起为具身智能开启了“Scaling Law”的可能性。

千寻智能创立于2024年2月，成立4个月就完成近2亿元种子轮+天使轮融资。今年3月，千寻智能刚刚宣布一笔5.28亿元人民币Pre-A轮融资，由阿美风险投资旗下Prosperity7 Ventures（P7）领投，招商局创投、广发信德、靖亚资本、东方富海、华控基金、达晨财智、柏睿资本、弘晖基金等参投。

在千寻智能两位创始人中，韩峰涛曾任珞石机器人联合创始人CTO，有丰富的机器人制造和量产经验。另一位联合创始人高阳是清华大学交叉信息研究院的助理教授，同时也是千寻智能的首席科学家。

解浚源表示，具身智能涵盖“本体”与 “运控”，即 “小脑” 与 “大脑”两大核心领域。在本体层面，机器人早已实现灵巧操作与高动态运动，机械性能长期领先于智能算法，而 “大脑” 层面的技术路径曾长期面临瓶颈。

转折点出现在VLA模仿学习路线的兴起。他表示，Diffusion Policy生成模型解决了传统行为克隆的 “多模行为平均化” 难题，可从随机初始状态生成多元可行路径。而VLM（视觉语言模型）与Diffusion Policy的结合（即VLA范式），借助互联网数据预训练赋予模型 “世界先验知识”，仅需少量真机数据即可实现强泛化能力，为具身智能开启了 “Scaling Law”的可能性。

大模型训练本质是“用规模换能力”，通过预训练积累通用知识，再通过指令微调与RLHF对齐人类需求，最终依托Scaling Law实现性能突破。

解浚源表示，受大模型训练范式启发，千寻智能也是采用了类似的范式，通过“互联网数据预训练+真机数据模仿学习+强化学习优化” 的三段式架构：预训练阶段，利用互联网数据隐含的真实世界知识，让模型具备基础认知。模仿学习阶段，通过真机采集数据做模仿学习，最后用强化学习将成功率从95%提升至99%以上，补足最后精度缺口。

解浚源将当前具身智能发展阶段类比为“GPT1-GPT3之间”，他认为若Scaling Law成立，通过量产与基础设施建设，机器人数据量按每年一个数量级递增。例如，今年百台、明年千台、后年万台，3年至5年内具身智能技术效果有望实现GPT1到GPT4级别的跨越。