2026年1月，硅谷机器人大脑公司Skild AI完成14亿美元C轮融资，估值从数月前的45亿美元跳升至超过140亿美元。这家公司没有生产过一台机器人，也没有向任何工厂交付过一台机械臂——它卖的只是一个模型。这轮融资被媒体形容为“2026年机器人行业最早诞生的百亿美元独角兽”，理由恰恰是它什么都不造。

一年前，同样的选择却让卢宗青在融资桌上被反复拷问。这位北京大学计算机学院长聘副教授、国家级青年人才，2025年创立了具身智能公司智在无界（BeingBeyond），做的也是纯模型。在接受虎嗅专访时，卢宗青表示，中国和美国在具身智能上本质没有差距，因为双方都没有找到一条能快速训出具身基础模型的路线；数据路线基本定了，是人类视频，但怎么把这些数据变成一个真正通用的模型，谁都还没有答案。

智在无界并非没有硬件。去年年底，公司发布了一款桌面级灵巧手机械臂——D1，据虎嗅独家获悉，其即将发布新一款同样形态的产品，面向科研、教育平台，做具身方面的预训练。但卢宗青强调，公司的目标很明确，就是要做具身的基础模型，这是最核心的问题。对一个初创团队来说，既要做模型又要做硬件，不是一家初创公司能同时解决的事。

卢宗青解释，做软硬一体的公司，他们解决了自身基础模型的问题吗？没有。人形机器人迭代到能在工厂里持续重复劳动了吗？也没有。做不做硬件，是随着模型能力提升之后的一个商业选择，不是一个立场。软硬一体的优势很明显，因为同时卖软硬件，收入层面会比较大。但弊端也很明显：做硬件的人和做模型的人在同一个团队里，会更愿意去适配自己的本体，更容易依赖大规模的真机数据训练模型——这是不少公司在2025年选择技术路线时的一个主要原因。但真机数据还有一个更大的问题：硬件没有收敛，硬件一旦迭代，之前采集的真机数据可能就用不上了。另外在团队层面，做软件的和做硬件的经常相互扯皮。

智在无界的模型迭代路径清晰：从2025年7月的H0（3000小时数据）迭代到2026年1月的H0.5（3.5万小时，支持跨本体控制30多种机器人），再到4月的H0.7（20万小时数据，采用latent world action model范式），端侧部署推理速度做到30赫兹，然后就是最新的H0.8，50万小时人类第一人称数据。卢宗青表示，H0.8的发布代表着一个重要节点，不仅是从视觉到触觉、从观察世界到理解交互的模型能力进化，更预示着一个同时具备视觉理解、触觉交互、动作生成、世界预测、跨本体泛化的具身基础模型即将诞生。

支撑这条迭代曲线的，是一套从数据管线、模型预训练、后训练、评测到端侧部署的全栈基础设施建设。卢宗青认为，最大的壁垒是把人类视频数据做成一个能卖出去的模型的整条pipeline，包括数据infra、模型训练infra、端侧算力部署的infra，以及适配各种真机的模块化工程infra。这些是公司过去两年多积累下来的经验。现在积累了50万小时的人类视频数据，标注、数据管理、可视化和实时统计，几乎全部用自动化pipeline完成。这部分壁垒，其实是很难被感知到的。

为什么选择第一人称视角的人类数据，而不是当时流行的仿真和真机数据？这个判断的起点是一次失败的验证。2023年，卢宗青在北大牵头的多模态交互研究中心，试着让多模态模型在《荒野大镖客》等游戏里自主完成任务，结果发现连数字世界里的交互都做不好。2024年，团队转向真实机器人，做了Being-0这样的早期尝试，模型仍然远达不到预期。真正的问题浮出水面：要训练一个能驱动机器人和物理世界交互的模型，需要找到一条能让模型规模化的数据路线，但仿真数据和真机数据都太窄。2023年底，卢宗青决定押注人类第一人称视频：那一年，几乎没有人做这件事，直到2025年下半年，无论北美还是国内，行业才开始集体转向，这件事才成了行业的共识。

卢宗青认为，人类视频数据最容易scale。数据量从几千小时一路积累到现在的几十万小时。美团、蚂蚁、京东这些平台公司，也在通过众包方式收集第一人称视频数据，这部分数据量会快速增长。同样是打扫家务，每个家庭的环境配置都不一样，众包能采出足够多样的场景，这是真机和仿真环境很难做到的。

在技术难点上，卢宗青提到，第一人称人类视频过去不是主流的数据路线，数据标注层面就有很大的区别。现在大概50万小时的数据，大部分是自己标注的，有一个自动化pipeline去自动标注数据、对齐数据、做数据评测。标注粒度是know-how：比如一个人做了一件事，是一段一分钟的视频，标注的粒度可以是“这一分钟这个人做了一件什么事”，也可以是每10秒标一次；能不能把子任务标出来，能不能把做不同子任务的视频切出来。不同的粒度都可以标，但模型训练的时候，到底什么样的粒度能让预训练模型更有效，是需要不断尝试和实验的。此外，数据还有手部动作的标注，标的是手每个关节在世界坐标系下的坐标，有了这样的数据才能训练具身模型，因为它输出的是动作。

关于算力，卢宗青表示，训练范式对算力的消耗非常小，大概只有基于视频生成模型做world action model的百分之一。原因在学习范式上：视频生成模型训练时要预测每一个像素，前向传播、反向传播都要占用大量算力；而隐式世界动作模型只需要预测一个embedding或latent state，计算量小得多。搭配这个优势的是数据成本——50万小时数据的采集成本比真机数据低得多，而且市面上第一人称视频的价格还在往下走。推理层面，模型最终要部署在机器人上，关键在于端侧芯片的inference速度。现在可以做到30赫兹，应该是全球世界模型里跑得最快的。模型结构不是DiT，而是Transformer结构，推理速度比基于视频生成模型那一套world action model快非常多，应该是几十倍。

对于世界模型的定义，卢宗青认为，现在市面上没有一个模型可以称为世界模型。在当前语境下，世界模型更多是一个宽泛的概念。在符号的世界里，语言模型就是一个世界模型：MIT有论文说明，语言模型可以在文本的世界里预测接下来要发生什么。对具身来讲，世界模型就是一个具身的基础模型，能够驱动机器人干各种各样的事情。现在具身领域说的世界模型，更准确应该叫world action model，和VLA做一个区分，但他们真正达到世界模型的能力了吗？其实并没有。

卢宗青还提到，公司融资大概在2025年初、春节之前定下来。他感知到2024年年底到2025年初那段时间，一级市场对具身这块觉得已经在往下走了。是宇树在春晚表演之后，过完年，一级市场的信心才又提上来。在那个时间节点，大家觉得机器人就应该去干活，但它并没有在干活；资本市场也没想到，表演这件事也可以是一种商业化落地的形式。

站在2026年这个时间点看，纯做具身模型的公司的估值，其实也不比软硬一体的公司低太多。但这个问题会随着行业发展变化。卢宗青表示，现在还没有观察到类似GPT-3.5那样的涌现，还处在一个线性爬坡的阶段。