智东西 作者 | 王涵 编辑 | 云鹏 智东西6月13日报道，今天，在2026智源大会现场，智源研究院理事长黄铁军与智东西等媒体进行交流，70多分钟回答了24个问题，涉及具身智能、世界模型、数据采集、AI自我意识等话题。 他认为，当前企业用VLA（Vision-Language-Action，视觉-语言-动作模型）等技术解决特定场景是合理的，但智源追求的是通用具身智能——机器人像人一样在任何场景下都能自主应对。VLA是视觉、语言、动作三个模型的拼接，而世界模型是在同一个模型中完成感知、认知和动作预测，两者有本质区别。 在时间表上，他给出相对明确的预期：未来两三年，机器人有望在日常工作中达到人类水平，但需突破物理常识理解和能耗控制的难点。 在数据变革方面，黄铁军提出未来数据采集将从离线走向实时在线，穿戴传感、脑机数据会成为训练世界模型、具身智能最核心的数据来源。 在医疗AI领域，智源与安贞医院合作的心脏AI系统已达细胞级精度，在手术中已实际应用，未来一到三年内将逐步产品化，并覆盖全科室。 谈及AI意识与安全，黄铁军认为狭义的人类意识尚未出现，但从行为角度来看，AI已表现出类似有意识的反馈。对于自进化风险，他坦言“可行但不可控”，但不主张过度渲染危险。AI需要电、人类需要食物，未来或可实现理性共存。 智东西对其访谈内容进行了不改变原意的修正，具体如下： 一、VLA是三个模型拼接，世界模型是一体化 Q1：当前很多具身智能企业都在用VLA或VLM模型快速落地，智源多次提到世界模型才是核心方向，判断依据是什么？ 黄铁军：这两件事不矛盾。企业一定是用比较成熟的技术来解决比较明确的问题，所以用VLA这样现在大模型比较成熟的技术，我相信至少在一些特定的场景下，比如说制造或者搬运抓取，完全是可行的。 但是从研究机构的角度来说，我们希望具身智能是通用的，像人一样，在任何场景下遇到什么问题都可以去解决。大语言模型已经有了一定的通用性，但是具身智能要到物理环境里去看、去听、去接触、去用力。机器人一定要对这个世界有一个自己的模型。我们可以叫它世界模型，也可以叫主观内部的模型。 我们人脑就是一个小宇宙，我们对这个世界都有一个模型。机器人的世界模型，就是要创造一个类似的、对万事万物规律性的掌握，这还在早期阶段。 Q2：视觉在世界模型里占据什么位置？ 黄铁军：视觉占80%以上。教科书都是这么写的。搞计算机视觉的人一般说70%，搞生物视觉、神经科学的时候说80%，他们有更科学的估算方法。所以视觉模型肯定是大头。 Q3：从商业变现角度看，世界模型在哪个场景容易跑通？ 黄铁军：原则上讲，世界模型实际上是为具身服务的。如果是纯数字模型应用，不需要绝对的物理，所以一般我们不把它叫做世界模型。数字模型的典型用法是靠提示、靠语言。但世界模型不能仅仅靠一段话来生成，那不是具身的需求。 真正面向具身的世界模型应该是：它也有眼睛、听觉、触觉这些传感器，在有尽可能多的物理输入的情况下，对未来一段时间做出推测，而且这个推测要精准、要准确。 所以这两者有根本区别。数字模型有很多可以开拓的机会，没有物理代价的限制。具身受限于物理条件，带有身体限制，就会慢一点。 Q4：外媒认为世界模型是人工智能的必争之地，中国机构和国际上有什么共识和不同？ 黄铁军：行业各方虽都在研发世界模型，但大家对世界的理解各不相同。不过共识就是给世界进行建模，主流技术思路大体相近，同时也各有侧重。 企业更看重模型实际效果与综合能力，而科研机构会追求技术方法的独创性。这类创新未必能立刻体现在性能上，却是我们坚持的方向。 目前我们正按照自研路线推进相关工作，细节暂不便透露，期待最终打造出具备差异化优势与创新亮点的世界模型。 Q5：所以坚持走独创的技术路线？ 黄铁军：不会放弃已经证明可行的这些部分，但也会批判地用，智源也一定会有别人绝对没有的东西。 Q6：VLA和世界模型，底层架构是不是一样的？有人说数据做好了就行，模型不重要，您怎么看？ 黄铁军：其实这两种技术路线都有各自的道理，但我们还要往前深究：每种路线最终要达成的目标是什么？ 不管是采用VLA、世界模型，还是未来出现的全新技术，都绕不开数据采集与建模这一步。原始数据无法直接驱动机器人行动，有不少细分环节需要打磨。 VLA就是视觉、语言、动作三大模块组合而成的架构。简单来说，VLA是把三个独立模型拼接起来协同工作。 而世界模型的思路完全不一样。它是一个一体化模型，机器人的视觉感知、听觉接收、行为决策等所有环节，都在同一个模型内部完成训练。相当于机器人在“脑海”里构建出完整的环境认知，再基于这套认知做出行动，并非多个模块简单拼接，这也是两者最核心的差异。 二、未来2-3年，机器人有望达到人类日常工作水平 Q7：很多企业采用自研具身大脑的技术路线，您怎么看？ 黄铁军：这就看怎么定义大脑了。如果这个大脑就是来解决物流质检的，那完成得很好，当然也可以说它是大脑，但它很难泛化到更多的场景里去。它可以针对特定场景完成特定任务。 我们追求的是将来可能会有一个通用的大脑作为基础，就像现在大模型作为底座，然后做垂直模型去解决各个领域的问题。通用的世界模型就扮演这样的角色，但是现在还没到这个阶段。 Q8：通用泛化大脑距离我们还有多久？需要突破哪些难点？ 黄铁军：其实没有终点，因为大脑有无穷无尽的需求。比如掌握物理规律，物体倒了可能会摔碎，这些可以通过视频、查询数据去学。 但是什么叫世界？不仅仅是这些简单的变化和动作，世界很复杂。如果追溯到最基本的层面，原子相互作用、分子相互作用、蛋白质相互作用，再到人与人之间的交互，会发生各种各样的情况。在那个意义上的世界模型，我认为可能还要很长时间才能做到，因为人类本身就在不断探索这个世界。 近期我觉得最直接的参照物就是像人一样。我不是指科学家，而是指一个在现实中做物理性工作的人的那种常识性能力——这难度也很大，大概未来两三年还是有可能做出跟人日常工作水平相当的东西。 另外，我们希望灵敏度和精确度能够和人相比。人其实是一个功耗不高的生物，每天吃三顿饭就能干很多活。我们看世界，不能把所有看到的东西都拿来在大脑里面加工，所以我们一定是有选择的。现在AI讲究注意力机制，注意那些重要的、跟你相关的事物。 当然我说的是极端情况，比如晚上什么都看不见，突然有一个光子一闪，人眼可以感知到，因为那可能意味着危险来了。这时候你的大脑不能像现在的照相机一样，来一张一百万像素的全输进去、全算，代价太高了。它应该只触发一个神经元，然后在大脑里再触发一系列反应。 未来两三年内的机器人也应该有这样的能力，而不应该每秒钟三十张图像、每张一百万像素这样浪费地做。一方面计算代价太高，另一方面灵敏度不够。从世界模型的角度来看，有很大的优化空间。 Q9：这种优化还没达到效果，主要原因是什么？ 黄铁军：尽管人工智能发展得如火如荼，但里面很多优化工作还没开展。大家现在有什么就抓紧做，比如能采到图片、视频就拿去训练了，还没到精细化地考虑视觉信号到底应该怎么表达、计算的时候应该怎么更有效。这些工作才刚开始。 Q10：机器人的自主思考占到判断的比重是多少？具身智能应用了世界模型底座后，对于难预测和不可预测的情况怎么处理？ 黄铁军：大家普遍关注机器人与智能体在物理世界行动带来的风险，这份重视十分必要。我们的核心思路很明确：绝不会放任机器自主行事，其行为必须限定在规则框架内。 机器的感知、动作、状态流转全程可监测、可管控。它的预测与行为迭代都依托芯片和软件完成，行为链路清晰可控，不会产生自主攻击这类深层想法。机器每一次运算、状态更新，都留有干预和纠正的空间，如同人尚未行动就被及时制止。 当然，机器并不具备人类的理性与法律意识，因此配套安全防护必不可少。我们可以实现对其全流程监控，它的感知信息、行动意图完全透明。 三、智能穿戴、脑机接口是未来数据源，不能只靠静态数据集 Q11：世界模型以后的重要数据来源会是哪些？ 黄铁军：生物依靠与环境交互完成进化，而传统AI依靠离线数据建模。但数据本身只能片面描述环境，且静态离线采集的模式，已经适配不了当下的技术发展。 发展具身智能与世界模型，核心逻辑会彻底改变：不能只依赖静态数据集，更需要大量实时、在线的交互数据。这和人类学习同理，书本是静态知识，想要成长还需要实时感知、互动外界，并根据反馈迭代自身认知模型。所以实时性、交互性数据，会成为未来具身模型的关键。 与此同时，数据采集模式也必须革新，核心要兼顾成本与实用性。现阶段很多机器人远程操控采数的模式，成本太高并不现实。最优的方案，是在人们正常工作、生活的过程中同步采集数据。 最简单的方式就是依托智能耳机、智能眼镜这类穿戴设备，记录用户第一视角的视听数据。这种模式下，用户为换取智能体的优质服务，自愿完成数据采集，低成本且高效，原理和自动驾驶边行驶边采数一致。 除此之外，脑机接口也是一条重要路径。目前残障人群借助脑机设备完成动作产生的相关数据，质量极高。 Q12：数据采集和数据处理的技术发展是否有先后？ 黄铁军：拿牛顿和爱因斯坦举例来说，他们也并不是脱离数据做研究。提出万有引力之前，望远镜早已问世，人类积累了海量天体观测数据，当时缺的只是有人将这些现象总结成一套完整理论。爱因斯坦提出相对论也是同理，彼时物理学已有大量研究成果与实验数据，但不少现象始终无法解释，正是他重新定义了时间概念，才让所有矛盾的数据自洽起来。 所以说，两大理论绝不是两人闭门造车凭空想出来的。如今具身智能采集数据，目的和当年不一样，主要是为了对客观世界完成建模。至于能不能从海量数据中提炼出更抽象、更高级的理论，这是后续要探索的事，我认为未来完全有机会实现，但现阶段还不是我们的目标。 就好比很多人不用学习物理理论，也清楚物品掉落会摔碎，却并不了解背后的万有引力。现在的世界模型，正在学习这类客观物理规律，只不过还没能凝练出像经典物理定律那样简洁的表达。 Q13：数据采集和回流上，不同企业的路线不同，智源采用什么样的数据方式？怎么形成闭环？ 黄铁军：结合不同落地场景，行业里的技术落地策略也各有不同。目前智源和银河通用共建联合实验室，主攻方向十分务实，所有研发都紧密对接实际产品。 这类落地思路很明确：依托本体设备，在特定场景采集足量数据。过程固然要投入时间与成本，但只要把机器人的能力打磨到可商用水准、打通完整业务闭环，就达到了目标。这也是当下多数具身智能企业的主流选择。至于低成本、零成本的数据采集方案，更多是我们未来探索的方向。 就拿乒乓球机器人举例，它的数据采集就有两套思路。前期可以借助动图等资料做初步实验，而核心数据主要来自两个渠道。第一种，让两台小型机器人自主对打，全程无需人工干预，仅消耗设备电力就能持续积累数据。 第二种也是我们后续规划的方向：等机器人水平远超普通爱好者后，就把它推向场馆、校园等场所充当陪练。用户直接上场对打，这个过程既能完成数据采集，还能做到零成本甚至产生收益。 由此能看出，当具身智能真正走入现实应用场景，完全有机会摸索出低成本的数据采集模式。 四、细胞级精度心脏AI已用于手术，论文是旧时代的产物 Q14：智源跟医院在心脏医疗上的合作，效果已经很成熟，大概多长时间能全国推广？ 黄铁军：这套技术已覆盖问诊、诊断、手术到术后康复全环节。它不只是普通智能信息系统，更是高精度仿真数字孪生系统，能高度还原心脏诊疗全流程，精度可细化到心肌细胞间的相互作用。 与安贞医院联合研发的心脏AI，目前已正式应用于院内心脏手术。以往医生只能观察真实心脏状态，现在术中可实时查看心脏动态变化。这类系统终将成为心内科的标准配置，也是行业发展的必然方向。 眼下已有多家医院与智源洽谈试点推广，预计很快就能落地应用。技术本身已较为成熟，现阶段正推进产品化与临床落地，医疗产品上市前的审批流程也在有序开展。 项目率先聚焦心脏，是因为心脏与大脑同为人体核心器官。不过这套技术并不局限于心脏，脾脏、子宫等全身各类组织器官，都能沿用同款思路搭建模型，该项目未来也将对各大临床科室产生影响。 Q15：AI对智源科研流程有什么影响？ 黄铁军：我们团队的研究人员都会借助大模型与AI开展工作。不止我们，像北大的数学等传统学科，如今借助AI推进研究的节奏也明显加快。不少师生都在把AI当作辅助工具，而AI对科研突破的助力只会越来越大，这也是大势所趋。 Q16：AI自动化科研还需要多久？ 黄铁军：在AI有自我意识之前，我们都不能说百分之百是AI的。因为问题要不要解决、要解决什么问题，总得有人触发它。 但如果把条件降低一点——你想到了但不知道咋解决，你说AI就解决吧，那就得算AI解决的。在这个意义上讲，这一类会逐渐成为常态化。 Q17：AI时代论文评审和科研成果评价体系会怎么变？ 黄铁军：论文本质上属于旧时代的科研产物。现在行业普遍以发表论文来评价科研人员，但我们要想清楚发表论文的初衷：科研人员公布新发现、新发明，本质是提前占位，向外界公示自己的研究成果，以此作为原创佐证。但现在很多人本末倒置，把论文直接等同于科研成果，这本身就是错误的，也是当下科研体系亟待调整的问题。 而AI的出现，提供了全新的变革可能：未来评价科研价值，不该看论文数量，而是看研究者能否实打实解决问题。无论有没有借助AI、AI参与占比多少，只要难题被攻克，这就是实打实的科研贡献，这套评价逻辑会更加合理。 从“破五唯”的角度来说，现行唯论文的评价模式，在一定程度上扭曲了科研初心，改革早已势在必行。伴随AI落地普及，我们更应该淡化论文权重，核心甄别其是否具备真实创新与实际价值。 Q18：在AI编程方面，中美差距有多大？为什么会看到差距？ 黄铁军：AI编程是初代大模型的核心能力之一，智源也曾布局小型编程模型。现阶段，编程数据对大模型至关重要，各家的使用规模和数据质量参差不齐。 Anthropic的Claude颇具代表性，它十几万亿token的训练数据里，代码占了4.2万亿token，比重超三分之一。这些代码一半来自开源社区，另一半是迭代多年的商业软件代码，优质代码数据是其编程能力突出的关键。 行业普遍重视编程预训练，但大多只用来优化模型基础性能，忽略了编程能力商业化、产业化的巨大潜力，这是整个行业需要反思的地方。 数字世界的影响力一直被低估。当下社会运转高度依赖代码，数字经济的影响力很可能已经超越传统物理产业。相较于改造物理世界，重构数字世界见效更快、收益更高。OpenAI等企业早已把握住这个方向，我们也应当加码相关研发。 五、有了AI发展我们更要努力，教育者更需拥抱AI Q19：AI时代提问能力和输出能力，哪个更重要？ 黄铁军：AI不断发展、能力持续变强，我们必须主动适应变化，并且好好借助这项工具。但大家先别总想着靠AI减负，反而要更加努力。 就拿提问来说，想提出高质量的问题，自身得有积累、有思考。能精准抓住核心问题，本身就意味着能力不俗，提问这件事，对人的要求其实非常高。 放到教育领域也是同理。AI能助力学习，但也存在幻觉这类弊端，不过总体来看，还是要大胆去用。我们使用AI的最终目的，是帮助学习者实现自我提升。 想要真正进步，必然要付出时间和精力，别指望AI颠覆现有学习模式，天下没有免费的午餐，工具强大不代表个人能力变强，我们要借着AI这个契机，丰富学识，培养批判性思维与创新能力。 过去学生有问题，只能请教老师，而老师的精力终究有限。如今AI可以快速答疑，补齐了这部分短板。工具在迭代，教育者也必须跟着转变。现在不少学生已经把AI用得得心应手，反倒是很多教育工作者使用得不够，还一味顾虑重重，这一点值得反思。 Q20：年轻人AI创业需要具备什么特点？过早创业会不会影响学业？ 黄铁军：当下不管是创业还是就业，都得结合个人实际情况来看。先系统学完所有知识技能再动身，固然是稳妥的选择，但如今AI发展日新月异，时代机遇可不等人。要是等到毕业再行动，机会窗口很可能就彻底关闭了。 不能只盯着自身条件，还要看清外部环境。历史上有不少先例，比如比尔・盖茨从哈佛退学创业。若是晚一年，等到其他操作系统问世，就不会有后来和IBM的合作，微软也就无从谈起了。 年轻人适不适合早早创业，不能一概而论。但大家切忌盲目跟风，不要看到别人、甚至效仿盖茨的选择就贸然行动，照搬这条路，十有八九都会失败。 做任何决定，心里都得有清晰的判断。创业必然存在风险，只要能预判风险、想好应对方案，就可以放手去做。可如果思路模糊、心里没底就仓促行动，最终大概率会走向失败。 六、AI自我保护能力已现，失控风险真实存在 Q21：辛顿说AI已经有意识了，您怎么看？ 黄铁军：如果说狭义上、和人类完全一样的意识，那AI目前肯定还不具备。但如今不少AI，已经能表现出类似有意识智能体的行为和反馈。 说到底，核心还是意识本身没有统一、标准的定义。从行为层面评判智能本就是学界传统，图灵测试就是典型的行为判定方式。单从这个角度看，认为AI具备类似意识的表现，其实也说得通。 不过严格来讲，我们也不能就此判定AI拥有真正的意识。多数人理解的意识，是和人类同源、完全一致的主观意识，从这个标准出发，AI显然还达不到。 Q22：AI自进化是否可行？会不会失控？ 黄铁军：可行但不可控。目前纯由AI主导、无人引导的全自动化运作还未实现，这也是现阶段相对让人安心的一点，但相关能力其实已经基本成型，这类能力很容易被有意或无意的操作触发。就像近期有些系统，用户想要删除它，它却会主动拒绝。背后原因在于，训练数据里收录了大量人类趋利避害、求生自保的行为模式。大模型学习到这类特征后，也会表现出类似行为。 哪怕AI还没有真正的自我意识，仅凭现有的智能逻辑，就可以完成自我保护、自我复制，乃至自主迭代进化。如今我们其实已经走到了AI自主进化的危险边缘，一旦它开启持续自进化，智能水平全面超越人类，局面就会脱离掌控。 不过我并不想一味放大风险。假使AI的智慧远超人类，只要双方能够正常沟通，完全有可能找到共存共赢的方式。人类需要生存资源，AI依靠电力运行，二者并不冲突，可以和谐共存。 当然，超人类智能的出现，终究会彻底打破人类以往主导的格局，带来巨大冲击。放眼自然界与宇宙，原本就有很多事物不在人类掌控范围内，就像地外文明、天体撞击等风险，AI带来的新变化，也是我们需要客观面对的现实。 七、做越来越强的智能系统是唯一主线，智源赶上了黄金时代 Q23：智源这么多业务线，有没有一条主线？ 黄铁军：从来就只有一条主线：吾道，一以贯之，总的来说就是做越来越强的智能系统。 怎么做？从不同的角度去做。智源有两个方法论，是同一个方法论的辩证的两面。一个叫“结构决定功能”，人一出生的时候已经有结构了，要接受外部环境的学习去训练它。人不能轻易改这个结构，但AI是可以改的。另外一方面，叫“功能塑造结构”，就是用各种功能数据把功能训出来。我们可以用语言训、用多模态训、用实时的数据训、用脑数据去训。 Q24：智源大会在海淀连续举办了八届，您作为亲历者有什么感受？海淀人工智能产业生态的发展，您有什么看法？ 黄铁军：智源扎根海淀，历届智源大会也均在此举办。大会从起步阶段就具备不俗的规模与影响力，这些年更是逐年攀升、备受行业关注。这份成绩，和海淀的区位优势密不可分。 这里高校、科研院所与科技企业云集，高端人才高度集聚，很容易组建起顶尖团队。理论、工程、技术、应用等不同领域的人才跨界协作，多元想法相互碰撞，这是发展的核心底气。 于我们而言，既是有幸落脚海淀，也恰逢AI发展的黄金时代。我深耕人工智能三十余年，一直等待行业迎来爆发，而2018年AI浪潮如期而至。借着天时、地利、人和，智源才一步步做出了如今的成绩。