北大卢宗青团队打造具身智能模型 50万小时人类视频训练机器人大脑

具身智能创业公司智在无界（BeingBeyond）创始人、北京大学计算机学院长聘副教授卢宗青，近期在专访中披露了团队研发通用具身基础模型的核心路径。不同于行业多数选择软硬一体的路线，该公司坚持“只做模型、不做机器人本体”，希望打造可适配不同形态机器人的通用“大脑”。

卢宗青的具身智能研究始于数字世界通用Agent探索，2023年尝试让多模态大模型在《荒野大镖客2》中完成任务时，发现模型对视觉与空间的理解存在本质瓶颈——现有模型交互能力不足，核心是缺乏对物理世界的深度认知。基于此，他转向具身基础模型研发，认为具身智能的核心是打造跨本体、跨场景迁移的通用模型，而非绑定特定机器人本体。

智在无界目前聚焦两条模型线：Being-H系列针对手部与末端操作，Being-M系列覆盖人形机器人全身移动操作。近期发布的Being-H0.8模型，将预训练所用人类视频规模从20万小时扩展至50万小时，首次在预训练阶段融入人手与物体的接触信息，通过标注接触位置、临近度等触觉相关特征，解决纯视觉方案在临界接触判断、遮挡场景抓取中的缺陷。

为支撑50万小时数据的处理，智在无界搭建了完整的数据管线，涵盖数据筛选、标注、对齐、传输等环节，同时构建了模型训练、设备侧部署的基础设施。团队表示，数据规模与质量需协同推进，50万小时数据均为蕴含人手动作与交互的有效数据，且覆盖多场景、多任务，避免单一任务数据的局限性。

技术路线上，智在无界的模型从预训练阶段就融入动作预测，区别于英伟达FLARE等隐式模型，其核心是通过动作与后果的联合学习，让模型掌握物理世界的因果关系而非相关性。Being-H0.8的触觉模态补充，将通过金字塔式触觉编码器实现统一表征，适配不同原理的触觉传感器，减少信号冲突。

商业化层面，Being-H系列因聚焦灵巧操作，离商业化更近，目前已与跨国企业开展工业场景操作类任务的概念验证，未来将通过模型授权给本体公司的方式落地。团队认为，具身智能商业化不一定局限于替代人力，也可拓展至机器人表演等新场景。

卢宗青透露，Being-H0.8已健全数据、训练、部署等全链路环节，下一代模型将进入全新训练范式阶段，长期目标是打造端到端的通用具身模型，让机器人像语言模型一样完成多场景任务。

来源

• 信号源：甲子光年
• 原文：独家专访北大卢宗青：如何用50万小时人类视频，训练机器人“大脑”｜甲子光年