当具身处在它的 Bert 时代，GPT 时刻不会凭空发生

北京人形大模型负责人鞠笑竹说，他们过去一段时间的训练工作里，频繁出现 “Aha Moment”——这让他看到了具身迈向 AGI 终局的可能性，让北京人形坚定了一种 “快速迭代” 的 “体系化” 的技术攻坚打法。 这种底气既来自于对自身模型团队工作的自信，同样也源于对身处快速发展期的具身技术发展规律的认知——越是早期，团队能做的事情就越多；越是有分歧，敢押注非共识就越珍贵。 北京人形多模态大模型资深专家代勇说，如果把具身的智能发展阶段和 LLM 的技术历史对比，今天的具身既不是在 GPT-1 更不在 GPT-3.5，反而更像是 Bert。 当 Transformer 出现后，人们先探索的是 Bert。而 Bert 则像是一种专有模型的解决方案。代勇说，在 Bert 技术框架下，会有 “各种各样的任务”，随后在 “预训练模型” 的基础上根据各种不同的任务微调。因此每一个任务和场景都会有自己的微调模型。 “处在 Bert 时代的人不知道自己在 Bert 时代”，前华为 AI 首席专家、前小艺大模型技术负责人唐都钰说，研究员根据不同的场景训练不同的模型，堆更多的数据喂给模型，Bert 能力也会上涨。由于 Bert 是双向 Attention，“所以在早期 Bert 上做理解任务，效果可能就是会比 GPT 还要好”。 代勇却很乐观。在他看来，对于研究者来说，Bert 到 GPT 时期，无限的技术可能反而让人有更多开垦的欲望，“是大家最有激情、最愿意努力冲刺的峥嵘岁月”。 唐都钰说，技术上的不确定性会给创业团队带来更多机会。如果技术发展趋于统一，最后 “比的更多是算力资源、工程化和体系化”。在技术尚未收敛的时候，更需要做技术上的探索和创新。 他做出了自己的选择：从华为离职，正筹备创业，计划做 “主动式物理因果大模型”，做多模态感知与底层执行之间的主动认知规划层，形成可跨设备泛化的主动式物理模型。 8 月 20 日，北京人形在世界机器人大会（WRC）正式发布了自己的 Pelican-Unify 大模型，成为全国首个统一表征具身世界模型，集成了视觉理解、动作操控、世界模型等多项能力。 张怡认为 VLA 不应该判死刑，世界模型在短期也无法真的复刻世界 ，二者可以在新的技术探索中融合。在探索中，各条技术可以独立迭代，逐步获得更多清晰的技术 know-how，从而实现技术的收敛。 如果实现真正意义上的 “世界模型”，那么完全依靠仿真就可以完成所有的训练，形成一个 “数据→模型→更多数据→更强模型” 的循环，其实是 “鸡生蛋、蛋生鸡” 的悖论，如同永动机一般地自我迭代，在当下的具身技术现状中是不现实。因为真的建设一个那样的世界模型，又需要庞大的数据积累和模型探索能力。 技术不相信童话，智能不会凭空发生，具身需要的是有人刨土、种树、施肥，找到更好的落地场景、探索更合适的技术架构、积累更高质量的数据，它才能迎来自己 GPT 时刻。