2026年1月，矽谷機器人大腦公司Skild AI完成14億美元C輪融資，估值從數月前的45億美元跳升至超過140億美元。這家公司沒有生產過一台機器人，也沒有向任何工廠交付過一台機械臂——它賣的只是一個模型。這輪融資被媒體形容為“2026年機器人行業最早誕生的百億美元獨角獸”，理由恰恰是它什麼都不造。

一年前，同樣的選擇卻讓盧宗青在融資桌上被反覆拷問。這位北京大學計算機學院長聘副教授、國家級青年人才，2025年創立了具身智慧公司智在無界（BeingBeyond），做的也是純模型。在接受虎嗅專訪時，盧宗青表示，中國和美國在具身智慧上本質沒有差距，因為雙方都沒有找到一條能快速訓出具身基礎模型的路線；資料路線基本定了，是人類影片，但怎麼把這些資料變成一個真正通用的模型，誰都還沒有答案。

智在無界並非沒有硬體。去年年底，公司釋出了一款桌面級靈巧手機械臂——D1，據虎嗅獨家獲悉，其即將釋出新一款同樣形態的產品，面向科研、教育平台，做具身方面的預訓練。但盧宗青強調，公司的目標很明確，就是要做具身的基礎模型，這是最核心的問題。對一個初創團隊來說，既要做模型又要做硬體，不是一家初創公司能同時解決的事。

盧宗青解釋，做軟硬一體的公司，他們解決了自身基礎模型的問題嗎？沒有。人形機器人迭代到能在工廠裡持續重複勞動了嗎？也沒有。做不做硬體，是隨著模型能力提升之後的一個商業選擇，不是一個立場。軟硬一體的優勢很明顯，因為同時賣軟硬體，收入層面會比較大。但弊端也很明顯：做硬體的人和做模型的人在同一個團隊裡，會更願意去適配自己的本體，更容易依賴大規模的真機資料訓練模型——這是不少公司在2025年選擇技術路線時的一個主要原因。但真機資料還有一個更大的問題：硬體沒有收斂，硬體一旦迭代，之前採集的真機資料可能就用不上了。另外在團隊層面，做軟體的和做硬體的經常相互扯皮。

智在無界的模型迭代路徑清晰：從2025年7月的H0（3000小時資料）迭代到2026年1月的H0.5（3.5萬小時，支援跨本體控制30多種機器人），再到4月的H0.7（20萬小時資料，採用latent world action model範式），端側部署推理速度做到30赫茲，然後就是最新的H0.8，50萬小時人類第一人稱資料。盧宗青表示，H0.8的釋出代表著一個重要節點，不僅是從視覺到觸覺、從觀察世界到理解互動的模型能力進化，更預示著一個同時具備視覺理解、觸覺互動、動作生成、世界預測、跨本體泛化的具身基礎模型即將誕生。

支撐這條迭代曲線的，是一套從資料管線、模型預訓練、後訓練、評測到端側部署的全棧基礎設施建設。盧宗青認為，最大的壁壘是把人類影片資料做成一個能賣出去的模型的整條pipeline，包括資料infra、模型訓練infra、端側算力部署的infra，以及適配各種真機的模組化工程infra。這些是公司過去兩年多積累下來的經驗。現在積累了50萬小時的人類影片資料，標註、資料管理、視覺化和即時統計，幾乎全部用自動化pipeline完成。這部分壁壘，其實是很難被感知到的。

為什麼選擇第一人稱視角的人類資料，而不是當時流行的模擬和真機資料？這個判斷的起點是一次失敗的驗證。2023年，盧宗青在北大牽頭的多模態互動研究中心，試著讓多模態模型在《荒野大鏢客》等遊戲裡自主完成任務，結果發現連數字世界裡的互動都做不好。2024年，團隊轉向真實機器人，做了Being-0這樣的早期嘗試，模型仍然遠達不到預期。真正的問題浮出水面：要訓練一個能驅動機器人和物理世界互動的模型，需要找到一條能讓模型規模化的資料路線，但模擬資料和真機資料都太窄。2023年底，盧宗青決定押注人類第一人稱影片：那一年，幾乎沒有人做這件事，直到2025年下半年，無論北美還是國內，行業才開始集體轉向，這件事才成了行業的共識。

盧宗青認為，人類影片資料最容易scale。資料量從幾千小時一路積累到現在的幾十萬小時。美團、螞蟻、京東這些平台公司，也在通過眾包方式收集第一人稱影片資料，這部分資料量會快速增長。同樣是打掃家務，每個家庭的環境配置都不一樣，眾包能採出足夠多樣的場景，這是真機和模擬環境很難做到的。

在技術難點上，盧宗青提到，第一人稱人類影片過去不是主流的資料路線，資料標註層面就有很大的區別。現在大概50萬小時的資料，大部分是自己標註的，有一個自動化pipeline去自動標註資料、對齊資料、做資料評測。標註粒度是know-how：比如一個人做了一件事，是一段一分鐘的影片，標註的粒度可以是“這一分鐘這個人做了一件什麼事”，也可以是每10秒標一次；能不能把子任務標出來，能不能把做不同子任務的影片切出來。不同的粒度都可以標，但模型訓練的時候，到底什麼樣的粒度能讓預訓練模型更有效，是需要不斷嘗試和實驗的。此外，資料還有手部動作的標註，標的是手每個關節在世界座標系下的座標，有了這樣的資料才能訓練具身模型，因為它輸出的是動作。

關於算力，盧宗青表示，訓練範式對算力的消耗非常小，大概只有基於影片生成模型做world action model的百分之一。原因在學習範式上：影片生成模型訓練時要預測每一個畫素，前向傳播、反向傳播都要佔用大量算力；而隱式世界動作模型只需要預測一個embedding或latent state，計算量小得多。搭配這個優勢的是資料成本——50萬小時資料的採集成本比真機資料低得多，而且市面上第一人稱影片的價格還在往下走。推理層面，模型最終要部署在機器人上，關鍵在於端側晶片的inference速度。現在可以做到30赫茲，應該是全球世界模型裡跑得最快的。模型結構不是DiT，而是Transformer結構，推理速度比基於影片生成模型那一套world action model快非常多，應該是幾十倍。

對於世界模型的定義，盧宗青認為，現在市面上沒有一個模型可以稱為世界模型。在當前語境下，世界模型更多是一個寬泛的概念。在符號的世界裡，語言模型就是一個世界模型：MIT有論文說明，語言模型可以在文本的世界裡預測接下來要發生什麼。對具身來講，世界模型就是一個具身的基礎模型，能夠驅動機器人幹各種各樣的事情。現在具身領域說的世界模型，更準確應該叫world action model，和VLA做一個區分，但他們真正達到世界模型的能力了嗎？其實並沒有。

盧宗青還提到，公司融資大概在2025年初、春節之前定下來。他感知到2024年年底到2025年初那段時間，一級市場對具身這塊覺得已經在往下走了。是宇樹在春晚表演之後，過完年，一級市場的信心才又提上來。在那個時間節點，大家覺得機器人就應該去幹活，但它並沒有在幹活；資本市場也沒想到，表演這件事也可以是一種商業化落地的形式。

站在2026年這個時間點看，純做具身模型的公司的估值，其實也不比軟硬一體的公司低太多。但這個問題會隨著行業發展變化。盧宗青表示，現在還沒有觀察到類似GPT-3.5那樣的湧現，還處在一個線性爬坡的階段。