當(dāng)20萬(wàn)個(gè)小時(shí)的人類視頻，被壓縮進(jìn)一塊端側(cè)芯片，會(huì)意味著什么？

或許這代表著第一個(gè)可端側(cè)部署、可商用的具身世界模型，真的來(lái)了。

這也是人類視頻路線的開(kāi)創(chuàng)者BeingBeyond，在這個(gè)具身世界模型走向分水嶺時(shí)，所交出的滿分答卷。

當(dāng)機(jī)器人從Demo表演走向真實(shí)環(huán)境，難以真正理解環(huán)境、理解任務(wù)，更難在變化中持續(xù)做出判斷。越來(lái)越多的人意識(shí)到——機(jī)器人學(xué)習(xí)行動(dòng)的方式，本身就值得重來(lái)一遍。

作為基于大規(guī)模人類行為數(shù)據(jù)訓(xùn)練、能夠在不同機(jī)器人之間遷移，并在真實(shí)環(huán)境中執(zhí)行復(fù)雜任務(wù)的具身智能世界模型，Being-H0.7，正是BeingBeyond對(duì)這個(gè)問(wèn)題的最新回答。

Being-H0.7放棄了高算力、高延遲、難以部署的視頻生成式方案，轉(zhuǎn)而用一種更接近人類物理直覺(jué)的隱空間推理方式，在模型內(nèi)部直接完成對(duì)未來(lái)狀態(tài)和動(dòng)作結(jié)果的判斷。

這也使得Being-H0.7能夠進(jìn)一步把世界模型壓進(jìn)端側(cè)硬件與實(shí)時(shí)運(yùn)行場(chǎng)景，成為業(yè)內(nèi)首個(gè)可在端側(cè)部署，可商用的世界模型。

而BeingBeyond作為業(yè)內(nèi)首個(gè)提出人類視頻預(yù)訓(xùn)練的玩家，在過(guò)去不長(zhǎng)的時(shí)間內(nèi)，即對(duì)外展現(xiàn)了人類視頻預(yù)訓(xùn)練、模型部署和數(shù)據(jù)采集閉環(huán)全棧技術(shù)體系。

這套閉環(huán)的技術(shù)體系正在讓具身智能由通用基座+專家能力的兩級(jí)躍遷，成為行業(yè)可規(guī)模化落地的契機(jī)所在。對(duì)于一個(gè)長(zhǎng)期停留在展示層面的行業(yè)來(lái)說(shuō)，BeingBeyond作為深耕具身大腦模型的代表性玩家，巨大的商業(yè)價(jià)值正在被看見(jiàn)。

論文鏈接:

https://research.beingbeyond.com/projects/being-h07/being-h07.pdf

理解世界的另一條路

具身智能走到今天，行業(yè)其實(shí)已經(jīng)默認(rèn)了一套相對(duì)主流的技術(shù)推進(jìn)邏輯：先讓機(jī)器人能動(dòng)起來(lái)，再讓它準(zhǔn)確地動(dòng)，最后再去逼近更復(fù)雜的任務(wù)理解與執(zhí)行能力。

沿著這條思路，過(guò)去幾年行業(yè)逐漸形成了幾種主流方法。第一類是VLA，第二類是世界模型，第三類是直接通過(guò)遙操作采集真機(jī)數(shù)據(jù)，它們分別對(duì)應(yīng)三種不同的期待：VLA希望解決“理解”，世界模型希望解決“預(yù)測(cè)”，遙操作希望解決“落地”。

這些方法都有價(jià)值，也推動(dòng)了機(jī)器人能力的快速進(jìn)展。問(wèn)題在于，它們大多建立在訓(xùn)練數(shù)據(jù)主要來(lái)自機(jī)器人本體本身，這一相對(duì)有限的前提。這意味著，模型學(xué)到的能力很容易被鎖定在特定硬件、特定任務(wù)和特定場(chǎng)景里。

尤其是世界模型這條路，到了真實(shí)部署階段，問(wèn)題會(huì)暴露得更明顯。

英偉達(dá)的Cosmos Policy、DreamZero等方案，仍然在沿著預(yù)測(cè)下一步畫面的方式，希望通過(guò)想象未來(lái)的視頻幀來(lái)輔助當(dāng)前動(dòng)作決策。但一方面，視頻生成本身對(duì)算力要求高，很難做到端側(cè)實(shí)時(shí)運(yùn)行；另一方面，圖像終究是二維信息，對(duì)流體、柔性物體、復(fù)雜接觸等三維動(dòng)力學(xué)過(guò)程的表達(dá)非常有限，很多時(shí)候只能生成看起來(lái)合理、但卻難以支撐真實(shí)操作的動(dòng)作。

在這個(gè)節(jié)點(diǎn)，BeingBeyond給出了另一種判斷。在他們看來(lái)，如果機(jī)器人最終要面對(duì)的是人類世界，那么訓(xùn)練它的數(shù)據(jù)也不應(yīng)該只是機(jī)器人自己產(chǎn)生的數(shù)據(jù)，而應(yīng)該是規(guī)模更大、分布更接近真實(shí)世界的人類行為數(shù)據(jù)。

比起讓機(jī)器人反復(fù)學(xué)習(xí)“某一只手怎么抓某一個(gè)物體”，更關(guān)鍵的可能是先讓它理解，人類在真實(shí)世界里是如何完成動(dòng)作、組織任務(wù)、處理交互的。

這也是BeingBeyond選擇從人類視頻出發(fā)的原因。相比依賴真機(jī)和遙操作，人類視頻的規(guī)模更大、場(chǎng)景更多、任務(wù)更豐富，能夠?yàn)槟Ｐ吞峁┮环N更接近真實(shí)分布的行為先驗(yàn)。沿著這條路徑，機(jī)器人有機(jī)會(huì)學(xué)到跨場(chǎng)景、跨任務(wù)、跨本體遷移的行動(dòng)能力。

基于這種思路，Being-H0.7沒(méi)有繼續(xù)沿著視頻生成式世界模型往前推，而是轉(zhuǎn)向了一條更接近人類物理直覺(jué)的路線。Being-H0.7在模型內(nèi)部引入一塊隱空間，用來(lái)壓縮當(dāng)前觀察、任務(wù)目標(biāo)和對(duì)未來(lái)變化的判斷，再由這塊中間表示直接指導(dǎo)動(dòng)作生成。

這種做法更像人類在現(xiàn)實(shí)中的反應(yīng)方式。打乒乓球時(shí)，運(yùn)動(dòng)員不會(huì)先在腦子里生成下一秒的完整畫面，再?zèng)Q定怎么揮拍；更多時(shí)候，依賴的是長(zhǎng)期經(jīng)驗(yàn)積累下來(lái)的快速判斷，知道物體會(huì)怎么運(yùn)動(dòng)、受力之后會(huì)發(fā)生什么、什么動(dòng)作大概率會(huì)失敗。Being-H0.7試圖讓模型學(xué)到的，正是這種接近“潛意識(shí)”的物理直覺(jué)。

為了讓這種判斷真正成立，BeingBeyond又往前補(bǔ)了一層基礎(chǔ)：超過(guò)20萬(wàn)小時(shí)的人類視頻預(yù)訓(xùn)練。海量人類行為數(shù)據(jù)的意義，不只是規(guī)模大，更在于其中天然包含了大量隱含的物理規(guī)律和任務(wù)結(jié)構(gòu)。模型在這些數(shù)據(jù)里學(xué)到的，也不只是動(dòng)作本身，而是動(dòng)作背后的條件、結(jié)果和約束。

在實(shí)驗(yàn)結(jié)果上，Being-H0.7在6項(xiàng)榜單上H0.7綜合排名全球第一（其中4項(xiàng)登頂），成為當(dāng)前覆蓋能力范圍最廣的具身世界模型之一。

最終，Being-H0.7把世界模型的信息壓縮了至少百倍，開(kāi)始真正進(jìn)入端側(cè)硬件和實(shí)時(shí)運(yùn)行場(chǎng)景，Being-H0.7可在端側(cè)計(jì)算平臺(tái)Orin NX（約75TOPS）上進(jìn)行實(shí)時(shí)部署。這意味著，BeingBeyond也成為業(yè)內(nèi)首個(gè)在同等算力芯片上部署世界模型實(shí)時(shí)運(yùn)行的團(tuán)隊(duì)。

機(jī)器人的下一步進(jìn)化

在具身智能這樣一個(gè)高度工程導(dǎo)向的領(lǐng)域里，路徑分歧往往來(lái)自一個(gè)并不“技術(shù)”的源頭——團(tuán)隊(duì)如何定義問(wèn)題。

機(jī)器人本體，是中國(guó)大多數(shù)團(tuán)隊(duì)的起點(diǎn)，畢竟這是中國(guó)團(tuán)隊(duì)更擅長(zhǎng)、也更容易落地的一條路徑。順著這個(gè)起點(diǎn)，大家往往圍繞具體硬件優(yōu)化控制策略，通過(guò)遙操作積累數(shù)據(jù)，再在單一本體上反復(fù)打磨模型能力。

這種方式既是能力結(jié)構(gòu)的延續(xù)，也是一條更容易走通的路徑，在很長(zhǎng)一段時(shí)間里推動(dòng)了機(jī)器人能力的快速提升。但它也在無(wú)形中強(qiáng)化了一個(gè)前提——數(shù)據(jù)來(lái)自機(jī)器人本體本身，能力也隨之被鎖定在具體硬件和場(chǎng)景之中。

BeingBeyond的起點(diǎn)與大多數(shù)中國(guó)團(tuán)隊(duì)并不相同，這種差異，很大程度上來(lái)自創(chuàng)始人盧宗青看待問(wèn)題的方式。和許多圍繞具體本體反復(fù)打磨控制策略的團(tuán)隊(duì)不同，作為科學(xué)家，盧宗青更習(xí)慣先追問(wèn)一個(gè)更前置的問(wèn)題：如果目標(biāo)是通用能力，模型究竟應(yīng)該從什么樣的數(shù)據(jù)里學(xué)習(xí)？

對(duì)于多數(shù)機(jī)器人團(tuán)隊(duì)來(lái)說(shuō)，數(shù)據(jù)首先是遙操作、是真機(jī)、是和具體硬件強(qiáng)綁定的；但對(duì)他來(lái)說(shuō)，機(jī)器人最終要面對(duì)的是人類所處的物理世界，那么更接近真實(shí)任務(wù)分布的數(shù)據(jù)，未必只存在于機(jī)器人本體上，也可能首先存在于人類行為本身。

基于這種認(rèn)知，BeingBeyond最早在業(yè)內(nèi)提出了以人類視頻進(jìn)行模型預(yù)訓(xùn)練，并以此構(gòu)建了一套模型訓(xùn)練、部署、數(shù)據(jù)采集的閉環(huán)技術(shù)能力體系。

沿著這一思路，團(tuán)隊(duì)逐步發(fā)展出以人類行為為核心的訓(xùn)練范式。一方面，通過(guò)大規(guī)模人類視頻構(gòu)建行為先驗(yàn)，讓模型不再?gòu)牧銓W(xué)習(xí)動(dòng)作；另一方面，通過(guò)統(tǒng)一動(dòng)作空間，將不同機(jī)器人本體映射到同一表達(dá)體系中，使這些先驗(yàn)?zāi)軌蛟诓煌布g遷移。再結(jié)合多模態(tài)建模能力，將視覺(jué)、語(yǔ)言與動(dòng)作統(tǒng)一到同一序列中進(jìn)行訓(xùn)練，形成所謂的human-centric learning路徑。

Being-H系列模型是這一認(rèn)知路徑的自然延伸。

稍早的Being-H0.5已經(jīng)驗(yàn)證了一個(gè)關(guān)鍵假設(shè)，即在足夠規(guī)模的人類行為數(shù)據(jù)與多本體數(shù)據(jù)共同作用下，模型可以在不同機(jī)器人之間遷移，并在復(fù)雜任務(wù)中保持穩(wěn)定表現(xiàn)。通用模型第一次在跨本體維度上接近專用模型的能力邊界。

Being-H0.7，則開(kāi)始強(qiáng)化在真實(shí)環(huán)境中的穩(wěn)定性與任務(wù)完成度——包括在更復(fù)雜場(chǎng)景下的連續(xù)操作能力、多步驟任務(wù)中的誤差控制，以及不同本體之間更高效的適配能力。

H0.5證明human-centric learning能走通，而H0.7證明了這條路能真正走進(jìn)現(xiàn)實(shí)場(chǎng)景。

在這套體系里，Being-H系列解決的是最上層的問(wèn)題：即機(jī)器人如何獲得通用能力。Being-Dex處理的是更貼近業(yè)務(wù)的一層——這些能力如何在具體場(chǎng)景中快速落地；而U1則把問(wèn)題再往前推一步，回答高質(zhì)量數(shù)據(jù)從哪里來(lái)、如何持續(xù)獲得。

三者對(duì)應(yīng)的是一個(gè)相對(duì)清晰的結(jié)構(gòu)：模型層提供通用具身智能的基座能力，適配層把新任務(wù)的學(xué)習(xí)周期壓縮到30分鐘級(jí)，數(shù)據(jù)層則通過(guò)靈巧手?jǐn)?shù)據(jù)采集系統(tǒng)，將數(shù)據(jù)范式從過(guò)去的夾爪操作，推進(jìn)到更接近真實(shí)人類操作的表達(dá)方式。BeingBeyond搭建了從數(shù)據(jù)采集，到模型訓(xùn)練，再到任務(wù)部署的生產(chǎn)鏈。

這樣的閉環(huán)，在過(guò)去很長(zhǎng)一段時(shí)間里很難見(jiàn)到。原因在于，具身智能的三個(gè)關(guān)鍵要素長(zhǎng)期是割裂的：數(shù)據(jù)難以規(guī)?；@取，模型能力不足以支撐跨場(chǎng)景泛化，而部署又高度依賴具體本體。

全新產(chǎn)業(yè)結(jié)構(gòu)下的機(jī)會(huì)

最近幾年，能夠觀察到業(yè)內(nèi)一個(gè)明顯的趨勢(shì)是，本體與具身大腦開(kāi)始分化，并且整個(gè)市場(chǎng)的目光包括資本，開(kāi)始越來(lái)越多的聚焦在具身大腦板塊。

這種趨勢(shì)建立在幾個(gè)前提之上：

一是數(shù)據(jù)的變化。以人類視頻為代表的海量數(shù)據(jù)，讓具身模型第一次擁有了可以持續(xù)擴(kuò)展的訓(xùn)練來(lái)源；二是模型能力的變化，大模型在多模態(tài)建模上的進(jìn)展，使視覺(jué)、語(yǔ)言和動(dòng)作的統(tǒng)一建模成為可能；三是工程體系的變化，數(shù)據(jù)、訓(xùn)練和部署逐漸形成閉環(huán)，開(kāi)始能夠在真實(shí)環(huán)境中反復(fù)迭代。

這進(jìn)一步帶來(lái)的變化是，越來(lái)越多機(jī)器人本體公司，選擇把智能外置。

從商業(yè)角度看，自研模型的成本依然很高。一套完整的具身模型體系，意味著持續(xù)的數(shù)據(jù)投入、算力開(kāi)銷和團(tuán)隊(duì)建設(shè)，年成本往往在千萬(wàn)級(jí)別以上，而外部模型一旦具備通用能力，可以在多個(gè)場(chǎng)景中復(fù)用，邊際成本明顯更低。

從效率角度看，本體公司更現(xiàn)實(shí)的需求，是快速上線新任務(wù)、在不同場(chǎng)景中復(fù)用能力，同時(shí)控制研發(fā)投入，而不是從零開(kāi)始反復(fù)訓(xùn)練模型。

當(dāng)本體和大腦不再必須綁定在一起，分工的空間就出現(xiàn)了。隨之而來(lái)的一個(gè)問(wèn)題是，什么樣的具身大腦公司具備真正的價(jià)值？在行業(yè)越來(lái)越聚焦到落地可行性的當(dāng)下，毫無(wú)疑問(wèn)的是，距離大規(guī)模商業(yè)化的距離越近，其價(jià)值越能被看見(jiàn)。

目前業(yè)內(nèi)的一個(gè)共識(shí)是，“通用能力打底、專家能力專精”，則是通往規(guī)模化落地的一個(gè)最可行路徑。

BeingBeyond所構(gòu)建的人類視頻打底，為模型場(chǎng)景及構(gòu)型的泛化提供基礎(chǔ)，即所謂的通用能力；而在垂直落地場(chǎng)景落地的專家能力，U1完美彌合了真實(shí)場(chǎng)景數(shù)據(jù)采集的最后一塊拼圖，為模型提供大規(guī)模高質(zhì)量的真實(shí)場(chǎng)景專家數(shù)據(jù)。

這種從人類視頻路線開(kāi)始，到數(shù)據(jù)采集的閉環(huán)，讓BeingBeyond的行業(yè)價(jià)值被看見(jiàn)。作為少數(shù)同時(shí)具備人類視頻預(yù)訓(xùn)練、模型部署和數(shù)據(jù)采集閉環(huán)全棧自研能力的公司之一，BeingBeyond目前已與國(guó)內(nèi)多家頭部具身本體公司建立了合作關(guān)系。

變化正在發(fā)生。曾經(jīng)每家具身公司都試圖同時(shí)做本體、數(shù)據(jù)和模型，投入重、鏈條長(zhǎng)，也很難快速做出成果；未來(lái)，更清晰的具身智能的產(chǎn)業(yè)結(jié)構(gòu)或許會(huì)逐漸形成，一類公司專注機(jī)器人本體和場(chǎng)景落地，另一類公司專注通用智能能力的提供。

從這個(gè)角度看，Being-H0.7的出現(xiàn)，更像是一個(gè)信號(hào)，具身智能開(kāi)始從各自為戰(zhàn)，走向更明確的分工體系。