清華團隊做了個具身智能大腦，Aha時刻，絕了！

數字世界會反過來長進物理世界，虛實之間再沒有邊界。

—— 凱文·凱利

本文看點

01

現場五個真實演示

02

為什么它是個大腦

03

一個腦子多種身體

大家好啊，我是甲木，這周一直頻繁出差，去完上海 AGI Builder，又去杭州，接著返京 Force 原動力和 ISC 大會，現在終于到家能安靜的寫點東西了……

來聊聊前段時間去『清華』參加發布會的見聞。

— 跟朋友們在現場看具身智能的發布

發布方是一念 Unisonmind（清華團隊），發布的產品叫UnisonMind。

一句話解讀：

「這是一個端側部署、實時運行的原生多模態模型。支持流式輸入與持續狀態更新，是一套可以進入不同本體的認知大腦。」

行業首發。

它可以同時進入三種以上完全不同形態的機器：機器狗、人形機器人、電動輪椅。

一個大腦，幾種不同的本體。現場不是每臺設備各自跑一套系統，它們共享的是同一個上層認知內核。

這已經不是我第一次去看一念團隊做的東西了。

更早之前，一念團隊的好朋友英健就跟我聊過這個方向：如果機器人想從「會執行程序」走向「能理解世界」，核心問題可能不在腿、不在輪子、不在機械臂。

而在背后有沒有一個足夠統一、足夠實時、足夠靠近物理世界的大腦。

這兩年，通過春晚也能發現具身智能確實很熱。

機器狗、人形機器人、機械臂、電動輪椅、服務機器人，各種視頻每天都能刷到。

但說實話，我看多了之后，而且也在行業里，都知道演示得很熱鬧，背后其實基本是三類東西：

第一類，是遙控或者遙操。第二類，是提前寫好的腳本。第三類，是多個模型拼在一起，視覺管視覺，語音管語音，動作管動作，中間靠規則和接口硬串。

這幾種方案不是沒價值。工程上能跑起來，已經不容易。

但它們離真正進入真實世界，還有很長一段路。

真實世界不是舞臺。

人會突然走動，光線會變，聲音會重疊，任務會被打斷，硬件也會出故障。

你讓機器狗在舞臺上整齊跳舞，和讓它在一個真實小院里聽懂人話、找人、數球、去咖啡店，完全不是一回事。

前者更像表演。后者才開始接近「理解世界」。

具身智能最難的地方，其實在于持續理解正在發生的世界。

這次，一念團隊搞出來了。

而且順便帶著聰哥、袋鼠、蒼何、小李、塔塔等好朋友去小院拜訪了好幾次，他們大受震撼 哈哈哈

01

ON SITE

直擊現場情況

我建議大家先別急著聽技術詞。

先看幾個現場片段。

1. 機器狗數乒乓球

第一個是數乒乓球。

工作人員在機器狗面前顛球，球連續起落，節奏并不固定。機器狗要一邊看，一邊數，最后報出次數。

乒乓球

這個任務對人來說不算離譜。但對模型來說，很要命。

因為球不會停下來等它想明白。顛球的間隔、速度、軌跡都不穩定，一次有效觸球可能只發生在很短的瞬間。

如果只是抽幀去解決，再交給模型判斷，大概率會漏。

所以數乒乓球這個任務，重點是它在連續時間里保持了一個正在更新的狀態。

2. 連續數字倒序播報

第二個是連續數字倒序播報。

現場連續給它一串數字，它要聽進去，記住順序，最后再倒著說出來。

滾滾數數

這也不是簡單復讀，它得在連續輸入里保持短期狀態。

然后根據新的任務要求，把剛才的信息重新組織成輸出。

這其實就是物理世界里很常見的能力。人不會一次只接收一條整齊的輸入。現實里，信息總是一邊發生，一邊進入。

3. 在人群里找白襯衫

第三個是找人。現場讓機器狗去找穿白襯衫的人。

它在一群人里找目標，沒有提前錄入人臉，也不是固定點位識別。

更有意思的是，現場有個人外面披著衣服，但里面也是白襯衫。機器狗注意到了這個細節，還主動補充了出來。

滾滾找人

這個細節比「找到了」更值得說。

因為它說明系統并沒有做標簽匹配，而是在現場環境里做了語義判斷。

4. 機器人導覽兩幅畫

還有一個機器人導覽畫作的場景。它要在現場，面對作品、觀眾和自己的位置，完成講解。

楊戩導覽兩幅畫

很多模型都會說話。但 UnisonMind 證明的是，視覺理解、語言表達、身體位置和現場關系，可以進入同一個任務過程。

5. 輪椅找店

我個人更關注的是輪椅。

一臺搭載 UnisonMind 的電動輪椅，接收人的指令，識別標牌，判斷空間關系，再帶著人往目標位置移動。

輪椅找東西

機器狗和機器人，很多時候大家會下意識覺得是科技玩具。

但輪椅不一樣。輪椅這個場景，背后是很具體的人。

一個行動不便的人，能不能少依賴別人一點？能不能用一句自然語言，讓設備理解自己的意圖？

技術如果最后只停在炫技上，其實沒什么意思。但如果它能讓一個人的日常生活更有自主性，那就很值得認真看。

尤其是康養類的場景，或許我們以后都會遇到 emmm

比如點咖啡，不在話下。

還有一個非常搞笑的場景，嘯天的賤賤人格，看著機器人蹲在那，直接問：「你是來拉屎的嗎」 - -

機器人加上拉屎的.mp4

02

THE BRAIN

為什么說這是一個「大腦」

講到這里，就可以回到 UnisonMind 最核心的差異。

流式輸入，和持續狀態更新。

真實世界沒有暫停鍵。人會移動，球會起落，聲音會重疊，新指令會隨時插進來。

一個真正進入物理世界的模型，不能只在輸入結束后回答。它必須一邊看、一邊聽、一邊更新判斷。

現在很多 VLM 都是抽幀，會有很大局限。用一個簡單類比：

普通聊天機器人，像收到消息才上線。UnisonMind 想做的，是像一個始終在場的人。它知道剛才發生了什么，也知道現在正在發生什么。

當然，只有流式還不夠。如果視覺是一個模型，語音是一個模型，動作又交給另一個系統，中間靠規則臨時拼接，它依然很難形成穩定的世界理解。

一念給 Physical AGI 提了一個「3+1」框架。

我用人話翻譯一下。

01一個腦子實現多模態

視頻、圖像、語音、文字，以及設備自身狀態，都進入同一個世界表征。視覺、語音、動作，不能各做各的。

02理解和生成統一

它不只要看懂，還要根據任務說話、移動、交互。理解和輸出，最好屬于同一個認知過程。

03流式輸入、理解和生成

它不能做完一次問答就下線，而要持續運行。任務可以被打斷，可以被修正，也可以被重組。

+1完整端側運行

核心大腦在設備本體上，端側模型意味著參數量不大。

UnisonMind 是一個只有11B 參數量的模型，機器人背上的顯卡（agx）就是他們的驅動引擎。（可以看出來，樸實無華，就這么焊在背上了……）

能把一個 10B 上下的模型，壓進端側，還要同時跑視覺、語音、認知、生成、保證實時，這件事的難度，懂的人自然懂。

當然，也不是沒有代價。

現場是能感覺到「等待」的。部分任務從接令、理解到行動，反應不算快。流式疊加端側算力的限制，這是真實的短板，我不藏著。

他們有一句官方表達：

One codebook. One evolving world.

一個統一符號空間，一個持續演化的世界。這句話有點技術，但意思其實不復雜。

它的目標，是讓設備擁有一個統一的「世界狀態」。它知道自己看到了什么，聽到了什么，自己處在什么位置，剛剛發生了什么，下一步可能發生什么。然后再決定輸出語言，還是輸出動作。

話說回具身智能本身。真正困難的地方，恰恰在這里。

它更像系統工程，模型、硬件、控制、傳感器、延遲、現場噪聲、安全邊界，全部攪在一起。

你只懂模型，不夠。你只懂機器人，也不夠。你必須愿意把手伸進真實世界里，去碰那些麻煩、臟活、邊界情況。

這也是我對英健他們團隊印象很深的地方。

03

REAL WORLD

不完美，反而是物理世界的真實考題

這次現場還有一個點，我覺得應該寫出來。

它并不是一個只保留成功鏡頭的精剪 Demo。

現場有 20 多位來賓，全程錄像。人群在走，指令是臨時給的，現場有聲音干擾，硬件狀態也會變化。

其中輪椅演示里，確實出現過一次異常轉圈。

這個事情不能被包裝成成功。故障就是故障。

但它也提醒我們一件事：Physical AI 面對的不是干凈的數據集。它面對的是一個會隨時出意外的世界。

真實世界里，本來就有噪聲、遮擋、誤解、網絡問題、硬件問題。

所以判斷一套具身智能系統，不能只看它成功完成了幾次任務。還要看意外發生后，它能不能感知、回應、調整，并盡量保持安全。

這也是為什么我更愿意看真實現場，而不是看一條剪得很漂亮的視頻。漂亮視頻當然有傳播力，但真實現場更能暴露技術水平。

04

ONE BRAIN

一個腦子，多種身體

最后說說我真正關心的想象空間。

UnisonMind 最有意思的地方，不在于機器狗會不會點咖啡。而在于它讓「大腦」和「身體」開始解耦。

機器狗是一種身體。人形機器人是一種身體。輪椅也是一種身體。未來掃地機器人、配送機器人、陪伴設備、工業設備，都可能是新的身體。

如果底層執行參數和 API 接口適配好，上層認知就有機會復用。

「這件事一旦成立，商業路徑會完全不一樣。」

以前是一種硬件做一套系統。機器狗有機器狗的系統，輪椅有輪椅的系統，機器人有機器人的系統。每一種都要重新做一遍。

但如果同一個認知底座可以適配多種設備，具身智能就有機會從「項目制」走向「平臺化」。

這才是我覺得它有想象空間的地方。它更像一個物理世界里的 AI Runtime，而非一個單點產品。

當然，這條路還很長。跨本體遷移到底能做到多深，底層控制如何標準化，端側算力怎么繼續提升，安全邊界怎么定義，都還需要大量驗證。

但方向上，我認為是對的。（當然，評論區如果有高人歡迎隨時補充~）

AI 如果要真正進入物理世界，最后一定不能只靠云端大模型遠程發號施令。它必須長在設備里，持續在線，和真實世界共享同一條時間線。

ENDING

我不會說一念已經實現了 Physical AGI。這句話太大，也太早。完整的 Physical AGI，需要更多設備、更多環境、更長時間尺度的驗證。

但我愿意說，不管是這次在清華小院里還是現場發布會，我第一次比較具體地看見了一條路線：

「AI 不再只是屏幕里的回答者。它開始變成常駐在設備里的大腦。」

它要看見世界，聽見世界，記住剛才發生了什么，也理解現在正在發生什么。

以前我們討論具身智能，經常盯著腿、手、輪子和機械結構。但這次，我更關注的是那個「腦子」。

因為身體可以有很多種。真正決定它能不能走進世界的，是它有沒有能力持續理解世界。

具身智能的下半場，拼的是誰能更穩定地和真實世界待在一起。

KK 在《五千天后的世界》里說，再過五千天，數字世界會反過來長進物理世界，虛實之間，再沒有邊界。

數字世界那個腦子，已經有了。

物理世界這個腦子，剛剛開機。

而這五千天的第一天，可能就是從一個腦子、接上一個身體，開始的。

以上。

我是甲木，熱衷于分享一些 AI 干貨內容，同時也會分享 AI 在各行業的落地應用。

如果你覺得今天這篇有收獲，歡迎點贊、在看、轉發三連，我們下期再見