EP03 Generalist、π 和 Sunday：通用具身落地的技术趋势与挑战
1｜📒The Alphaist 播客栏目介绍 《The Alphaist》 是一档由Alphaist Partners打造的深度对话栏目。 我们关注技术与创业的第一性原理，聚焦那些正在改变世界的早期创始人、工程师与产品探索者。 每期节目，我们会围绕一个具体的科技创业方向展开深度对话。在这里，我们不追热点、不讲空洞概念，而是用最真实的一线经验去回答创业者最关心的问题：什么值得做？为什么是现在？我们应该怎样做？ The Alphaist 相信：时代真正的机会，往往藏在那些不喧嚣、但正在被新技术、新需求、新产品悄然改变的新生领域。 我们希望用这档节目，陪伴新一代的 Alpha 创业者们，记录与见证那些改变世界的勇敢开始。 📢 我们建了一个 The Alphaist 行业交流群，希望聚集同频的一线工程师、研究者与创业者，在这里分享行业进展、一手消息，以及任何还没琢磨透的问题。为保持良好的社群氛围，入群需经过审核，点击链接填写申请问卷：https://alphaist.feishu.cn/share/base/form/shrcn8vew7eoXd6Vk8VPjrIXJAN 2｜🤖本期播客介绍 2024年11月，三家硅谷公司几乎同时投下重磅炸弹：Generalist AI 宣称找到了机器人领域的 Scaling Law，Physical Intelligence 发布了能从错误中学习的 π0.6，Sunday Robotics 用一只200美元的手套重新定义数据采集。 这不是巧合，而是一个信号——具身智能可能正在逼近它的"ChatGPT时刻"。 但真相远比Demo复杂：27万小时数据够不够？机器人真的会涌现吗？为什么"端到端"让工程师又爱又恨？当硅谷还在Research Lab模式里探索时，中国公司已在问"三年内能做什么产品"——谁会笑到最后？ 本期嘉宾： * 冯思远：Toyota Research Institute 研究员，Diffusion Policy 联合作者 * 俞冠廷 (Peter Yu)：XYZ Robotics CTO * 张强 (Jony)：国地共建具身智能机器人创新中心首席研究员 我们将深入讨论： * Scaling 的信仰：Generalist 声称找到 Scaling Law，但怎样定义Scaling Law？ * 从模仿到经验：Physical Intelligence 为什么让机器人"从错误中学习"？ * 数据革命：Sunday 的三指手套能否打破数据采集瓶颈？ * Evaluation 困境：没有公认的 Benchmark，我们怎么知道在爬“正确”的山？ * 形态之争：为什么三家最前沿的公司都选择了"非人形"？ * 中美路径：Research Lab vs 产品导向，哪种模式更适合探索期？ 3｜🕙时间轴 研究范式转变 * 05:12 范式转向：Diffusion Policy让监督学习"又可以了"，完美接上LLM趋势 * 07:53 工程务实：Right tool for the right job，VLA每次evaluate都很expensive * 08:28 端到端代价：模块化可以写Spec做Unit Test，VLA只能说"大概能跑" * 10:34 意外的跨界：π0.6出来后，来讨论的反而是自动驾驶的人——他们每天能用的数据不到1% Generalist：Scaling的信仰 * 12:04 Bet against Scaling Law，基本上不是一个好主意 * 12:58 Evaluation困境：没人知道task长什么样，没人能复现任何实验 * 15:18 数据质量的隐忧：两只手夹爪做daily life，但工业场景用吸盘吸箱子——这很难transfer * 17:07 Harmonic Reasoning：可能是observation和action同步predict，不是新想法，但工程实现很难 Physical Intelligence：从错误中学习 * 21:21 路径转变：采了很多数据后发现光靠现有的数采方式纯怼pretraining还是不够的，开始转向Post-Training * 22:32 Language Model的启发：数据飞轮到瓶颈后，RL是更好利用数据的方式 * 26:12 经验学习：不只学对的，从错误中也能学——看别人失败的视频也能学开车 * 26:47 RECAP的聪明：把问题切得很好，每部分都stable，接起来就好用 Sunday：数据采集革命 * 27:48 200美元手套：Skill Capture Glove让普通人在家就能采集数据 * 28:50 两指到三指：三指是复杂度和通用性的最佳平衡点 * 31:03 Long Horizon的真相：线性"长程任务"只是model prediction，分支场景才有挑战 * 33:02 范式跃迁实证：Dishwasher demo从"10人1年"变成"1人1周" 中美格局与Evaluation * 34:17 路径分野：国内注重落地和system，硅谷像OpenAI一样"不落地"做Research * 36:37 机器人特殊性：causal system无法做offline benchmark，线上evaluation成本太大 * 37:51 国家标准的尝试：中国已有具身智能相关团标和国标，但"通用"这个东西太难定义 * 39:23 评测悖论：用uncertain的世界模型去评测uncertain的policy，是否合理？ 具身形态与落地 * 42:19 迭代速度优先：形态次要，关键是"怎么加快迭代速度" * 43:22 硬件是天花板：想法验证阶段把天花板定太低是不利的 * 45:02 Superhuman才有价值：搬更重、看更精、天上飞、水下游——要有differentiation * 49:19 殊途同归：工业派心里都有走向家庭的梦想，南坡北坡都在攀登同一座山 * 50:56 PC类比：最早的PC也没定义用户任务，卖给Developer让他们自己想 未来预测 * 57:18 乐观派：三年内会出现具身的ChatGPT时刻 * 58:02 谨慎派：周期性过程，最近两年轻算法偏工程 * 59:18 建设派：真正产生value要10年，一半以上问题跟硬件有关 4 ｜🅰️ 关于我们 Alphaist：一家生于2025的美元新基金，和它的十年赌局 如果你喜欢The Alphaist的播客内容，希望参与我们整个探索和创作过程，欢迎加入我们：加入我们｜品牌内容负责人/实习生招聘中 微信公众号：Alphaist Partners
1｜📒The Alphaist 播客栏目介绍 《The Alphaist》 是一档由Alphaist Partners打造的深度对话栏目。 我们关注技术与创业的第一性原理，聚焦那些正在改变世界的早期创始人、工程师与产品探索者。 每期节目，我们会围绕一个具体的科技创业方向展开深度对话。在这里，我们不追热点、不讲空洞概念，而是用最真实的一线经验去回答创业者最关心的问题：什么值得做？为什么是现在？我们应该怎样做？ The Alphaist 相信：时代真正的机会，往往藏在那些不喧嚣、但正在被新技术、新需求、新产品悄然改变的新生领域。 我们希望用这档节目，陪伴新一代的 Alpha 创业者们，记录与见证那些改变世界的勇敢开始。 📢 我们建了一个 The Alphaist 行业交流群，希望聚集同频的一线工程师、研究者与创业者，在这里分享行业进展、一手消息，以及任何还没琢磨透的问题。为保持良好的社群氛围，入群需经过审核，点击链接填写申请问卷：https://alphaist.feishu.cn/share/base/form/shrcn8vew7eoXd6Vk8VPjrIXJAN 2｜🤖本期播客介绍 2024年11月，三家硅谷公司几乎同时投下重磅炸弹：Generalist AI 宣称找到了机器人领域的 Scaling Law，Physical Intelligence 发布了能从错误中学习的 π0.6，Sunday Robotics 用一只200美元的手套重新定义数据采集。 这不是巧合，而是一个信号——具身智能可能正在逼近它的"ChatGPT时刻"。 但真相远比Demo复杂：27万小时数据够不够？机器人真的会涌现吗？为什么"端到端"让工程师又爱又恨？当硅谷还在Research Lab模式里探索时，中国公司已在问"三年内能做什么产品"——谁会笑到最后？ 本期嘉宾： * 冯思远：Toyota Research Institute 研究员，Diffusion Policy 联合作者 * 俞冠廷 (Peter Yu)：XYZ Robotics CTO * 张强 (Jony)：国地共建具身智能机器人创新中心首席研究员 我们将深入讨论： * Scaling 的信仰：Generalist 声称找到 Scaling Law，但怎样定义Scaling Law？ * 从模仿到经验：Physical Intelligence 为什么让机器人"从错误中学习"？ * 数据革命：Sunday 的三指手套能否打破数据采集瓶颈？ * Evaluation 困境：没有公认的 Benchmark，我们怎么知道在爬“正确”的山？ * 形态之争：为什么三家最前沿的公司都选择了"非人形"？ * 中美路径：Research Lab vs 产品导向，哪种模式更适合探索期？ 3｜🕙时间轴 研究范式转变 * 05:12 范式转向：Diffusion Policy让监督学习"又可以了"，完美接上LLM趋势 * 07:53 工程务实：Right tool for the right job，VLA每次evaluate都很expensive * 08:28 端到端代价：模块化可以写Spec做Unit Test，VLA只能说"大概能跑" * 10:34 意外的跨界：π0.6出来后，来讨论的反而是自动驾驶的人——他们每天能用的数据不到1% Generalist：Scaling的信仰 * 12:04 Bet against Scaling Law，基本上不是一个好主意 * 12:58 Evaluation困境：没人知道task长什么样，没人能复现任何实验 * 15:18 数据质量的隐忧：两只手夹爪做daily life，但工业场景用吸盘吸箱子——这很难transfer * 17:07 Harmonic Reasoning：可能是observation和action同步predict，不是新想法，但工程实现很难 Physical Intelligence：从错误中学习 * 21:21 路径转变：采了很多数据后发现光靠现有的数采方式纯怼pretraining还是不够的，开始转向Post-Training * 22:32 Language Model的启发：数据飞轮到瓶颈后，RL是更好利用数据的方式 * 26:12 经验学习：不只学对的，从错误中也能学——看别人失败的视频也能学开车 * 26:47 RECAP的聪明：把问题切得很好，每部分都stable，接起来就好用 Sunday：数据采集革命 * 27:48 200美元手套：Skill Capture Glove让普通人在家就能采集数据 * 28:50 两指到三指：三指是复杂度和通用性的最佳平衡点 * 31:03 Long Horizon的真相：线性"长程任务"只是model prediction，分支场景才有挑战 * 33:02 范式跃迁实证：Dishwasher demo从"10人1年"变成"1人1周" 中美格局与Evaluation * 34:17 路径分野：国内注重落地和system，硅谷像OpenAI一样"不落地"做Research * 36:37 机器人特殊性：causal system无法做offline benchmark，线上evaluation成本太大 * 37:51 国家标准的尝试：中国已有具身智能相关团标和国标，但"通用"这个东西太难定义 * 39:23 评测悖论：用uncertain的世界模型去评测uncertain的policy，是否合理？ 具身形态与落地 * 42:19 迭代速度优先：形态次要，关键是"怎么加快迭代速度" * 43:22 硬件是天花板：想法验证阶段把天花板定太低是不利的 * 45:02 Superhuman才有价值：搬更重、看更精、天上飞、水下游——要有differentiation * 49:19 殊途同归：工业派心里都有走向家庭的梦想，南坡北坡都在攀登同一座山 * 50:56 PC类比：最早的PC也没定义用户任务，卖给Developer让他们自己想 未来预测 * 57:18 乐观派：三年内会出现具身的ChatGPT时刻 * 58:02 谨慎派：周期性过程，最近两年轻算法偏工程 * 59:18 建设派：真正产生value要10年，一半以上问题跟硬件有关 4 ｜🅰️ 关于我们 Alphaist：一家生于2025的美元新基金，和它的十年赌局 如果你喜欢The Alphaist的播客内容，希望参与我们整个探索和创作过程，欢迎加入我们：加入我们｜品牌内容负责人/实习生招聘中 微信公众号：Alphaist Partners