作者 | 汤安迪
编辑 | 周欢
11 月 7 日，香港科学馆，2026 未来科学大奖周·科学峰会「计算机科学专场」。
主持人称他为「 past winner 」。
任少卿，2023 年未来科学大奖-数学与计算机科学奖得主，获奖理由是 ResNet 的奠基性工作。
（奇偶工作室：ResNet 由何恺明、孙剑、任少卿、张祥雨四人提出，2015 年发表，是此后几乎所有大模型的底层骨架。）
他现在的身份有三个：中国科学技术大学讲席教授、通用人工智能研究所所长，蔚来高级副总裁。三个身份刚好对应这场演讲的三条主线：学术、产业、和两者的结合。
以下是他 25 分钟演讲与随后圆桌问答的实录节选，经奇偶工作室整理。
1、
草原上的猎豹
任少卿：我做 AI 研究 15 年了，最近 10 年都在做自动驾驶，也就是今天很流行的词，physical AI，物理人工智能。
大模型很擅长回答数字世界的问题：编程、数学、解题。但它在物理世界会怎么样？算法、数据、应用，会和数字世界一样吗？我的答案是：不一样。
想象我们在草原上遇到一只猎豹。你跟语言模型说「猎豹来了」，它会告诉你：危险，快跑。但对物理世界来说，事情没这么简单。这段视频是前沿模型生成的，它想说明三件事：
第一，感知。猎豹藏在草丛里逼近，肉眼和摄像头可能看不见，但人有嗅觉、有听觉。真实世界需要多传感器，而我们现在有的——摄像头、麦克风——远远不够。
第二，行动。发现猎豹之后，你要控制自己的身体跑起来。对人手这样一个动作：拿起杯子、用力、放下——背后是极其精细的力控。
第三，实时。语言模型可以想几秒甚至几分钟再回答。但真实世界不行：给车的指令每 0.1 到 0.2 秒就要发一次，晚几秒，车就撞了。
感知、行动、实时，这三件事，是物理 AI 和数字 AI 的本质区别。
2
非做不可
任少卿：AI 一直在追两件事，能力和泛化。从数字世界走向物理世界，是泛化的下一级。
第二，生产力。过去人类生产力的约束，说到底是人的数量。物理 AI，尤其是机器人，有可能把这个约束松掉，把全社会的生产能力抬到下一个量级。
第三，这件事对中国有特殊意义：制造业优势。物理 AI 不是新词，它有自己的历史。
大约四十年前到十年前，是感知阶段：计算机视觉、3D 感知，落到工业质检、缺陷检测——今天已经成熟。最近十年，是任务智能阶段：自动驾驶，无论是量产车的辅助驾驶还是 Robotaxi，机器从「能看见」变成了「能行动」。
再往后三到五年，我们期望 AI 从任务专用走向通用物理智能。之后还有第三阶段：集体物理智能——AI 不再属于某一台机器人，而是属于整个工厂、整套自治系统。
物理 AI 的 ChatGPT 时刻，我们预期在一到两年内出现。最近 GPT-6 的进展确实给物理世界带来了不少惊喜，但要做到精确控制和通用干活，还差两件最要紧的事。
3
数据的死结
任少卿：第一要紧的是数据。数字 AI 能从网上学，因为网页上有人类几千亿条文本。但物理世界没有这样的「网」。
数据有两个短板。第一是量。网上有大量数据教模型怎么答题、怎么编程，但没有数据教它怎么控制机器人、怎么拿起杯子、怎么喝水。
第二，即便有了量，还需要提炼。网页上的每一条数据都是人上传的，人上传时天然会做筛选。但物理世界没有几十亿用户替你筛选，你得造一整套系统，自动完成对海量真实世界数据的过滤和提炼。
过去两三年，行业靠遥操作（tele-operation）采数据；最近一两年，用第一视角（egocentric）数据把规模做大。但我认为，两三年后，关键是从开环数据走向闭环数据，on-policy 数据，机器人在真实任务里自己采自己的数据，价值远高于开环数据。
这要求一个前提：把足够大规模的机器人真正造出来、放进工厂和家庭里，让 on-policy 的数据闭环转起来。此外仿真数据也很重要——它是闭环数据，价值更高。但仿真之外，真实世界的数据采集，尤其是 on-policy 采集，一样都不能少。
（奇偶工作室：on-policy 数据指模型在自身当前策略下交互产生的数据，区别于人类示范或离线采集的数据，是强化学习和机器人学习的核心概念。）
4
智能的三层
任少卿：第二要紧的是模型和算法。新传感器的数据，图像、声音、力觉，和文本完全不同：噪声大得多，需要新的建模方法来处理高噪声信息。
解决了数据和模型，目标是三层智能。
第一层，知道该做什么，任务生成。机器人要理解人的意图，结合环境信息想明白自己该干嘛，并且和人高效沟通。沟通效率，本身就是智能的体现。
第二层，知道怎么做，环境泛化。这就是过去两年行业里热议的 VLA（视觉-语言-动作模型）在做的事。
第三层，把它做好，行为生成。四五年前的带模型运动控制，就是干这个。
知道做什么、知道怎么做、把它做好，这就是我们定义机器人智能的三件事。
还有一个判断：未来五年，物理 AI 的模型训练流程会和大语言模型越来越像——预训练、中间训练、微调、强化学习，架构和学习参数逐渐趋同，物理 AI 模型和数字 AI 模型最后会合并成一个。但数据不会，数据的难题是物理世界独有的。
5
闭环
任少卿：物理 AI 和真实世界的交互，核心是闭环。
举个例子：两个外观一模一样的箱子，重量完全不同。人怎么办？手一掂，发现搬不动，就加大力气——全程靠触觉和力反馈闭环调整。
机器人要做到同样的事，从模型到控制到硬件，整个系统必须能实时适应真实世界。
安全也一样。过去十年自动驾驶教会我们一件事：怎么评估一个故障率低至百万小时量级的系统，怎么在一天之内完成从模型到数据的适配。
这些系统工程能力，接下来五年要逐一搬到每一台家用机器人身上。
所以我们认为，一套通用物理 AI 系统有四个部分：第一，大规模、可量产的机器人本体；第二，基座模型——我认为五年内它会和大语言模型融合；第三，让模型在真实世界实时跑起来的技能与智能体；第四，应用——工厂、家庭和其他场景。
6
圆桌开始
物理 AI 的 ChatGPT 时刻
张亚勤给任少卿的问题，是全场最直接的一个：你说的那个时刻，凭什么？
张亚勤：少卿，你讲讲数字 AI 和物理 AI 的差别。显然我们有几大缺口：数据缺口、scaling 缺口、递归自我改进的缺口。还有一点我相信你也同意——物理 AI 里有一个领域已经实现了自己的「ChatGPT 时刻」：自动驾驶，Level 4，无论用的是 Waymo 还是萝卜快跑，安全水平已经提升了大约一个数量级，车开得比人 safer、更好，这已经是事实。
当然，这是一种很特殊的物理 AI、很特殊的机器人。你说物理 AI 的 ChatGPT 时刻几年内就会到来，你的底气是什么？是来自大模型本身的原生能力，还是来自别的东西？
我自己一直认为，更通用的物理 AI 基座模型还要五到十年。
任少卿：好问题。物理 AI 不是从零开始的。我们有自动驾驶，包括 Robotaxi，也包括量产车上的辅助驾驶。实际上，今天已经有上千万辆车带着高算力硬件在路上跑，支撑辅助驾驶和 Robotaxi 运转。过去十年，我们从这个领域学到的是：怎么把传感器和推理芯片做到便宜了几个数量级，怎么搭系统、搭数据闭环、搭安全体系。这套东西可以平移到机器人上。
但要让机器人真正进入真实世界，还差两件事。
第一件是通用智能。自动驾驶的地图告诉你目的地，车照着走就行。机器人不行。在家里，你想让机器人叠衣服——夏天的和冬天的不一样，叠好还要分开放：主卧、儿童房，位置都不同。这需要机器人理解人、做长程规划。最近一个月，GPT-6 这一代模型在通用智能上展现的进展，让我们看到通用智能进入物理世界的路径。我认为这是革命。
张亚勤追问：那么一两年出原型，更多是基于理论方向的判断，还是工程收敛的判断？
任少卿：理论层面，它已经出现了。工程层面——延迟、实时性、多样环境的适应、不同传感器和控制器之间的协同——还需要做。原型上我认为一到两年。到产业应用，还要更长：三到七年，甚至十年。
让 AI 从行动中学世界，而不是从文本中学世界。
•END•
Question. Write.Narrate. Believe. Become a story.易简传媒的愿景是提问和传播商业故事，让读者更开阔，更聪明。有 2500 万微信粉丝关注我们的账号，欢迎大家关注：
↓↓↓
