Z Potentials｜LiberAI 刘松铭，在世界模型的百家争鸣时刻，他要定义最陡峭的 Scaling 曲线

📌 一句话摘要

本文深度访谈了 LiberAI 创始人刘松铭，一位 00 后清华特奖得主，阐述了他对世界模型的技术路线选择、Scaling 策略以及创业理念的独特见解。

📝 详细摘要

本文是 Z Potentials 对 LiberAI 创始人刘松铭的深度访谈。刘松铭拥有化竞金牌、清华特奖等亮眼背景，师从朱军老师，在 PhD 阶段曾两次做出领先硅谷的技术判断。他于 2025 年底创立 LiberAI，公司成立三个月即完成数亿元融资。文章核心围绕 LiberAI 的世界模型技术路线展开：刘松铭认为，世界模型的核心是让 Scaling Law 曲线最陡峭，即用更少的物理数据、更短的时间获得更强的泛化能力。为此，LiberAI 提出了三大秘籍：模态对齐（利用海量视频数据反哺稀缺的物理数据）、归纳偏置（将物理规律作为人类先验注入模型）和软硬件协同（数据采集、本体设计与模型架构同步迭代）。访谈还深入探讨了其数据采集范式的选择（直接采集人手交互数据）、对机器人本体拟人性的思考，以及他个人通过冥想保持清醒、坚持长期主义的创业哲学。文章展现了这位年轻创始人对技术路线的深刻思考和对公司文化的独特定义。

💡 主要观点

- LiberAI 的核心目标是定义最陡峭的 Scaling 曲线。 公司的一切技术选择，包括模型架构、数据采集和硬件设计，都服务于一个目标：以更低的边际成本、更快的速度提升物理世界的智能水平。

模态对齐是 LiberAI 模型的核心差异化优势之一。 通过将物理模态与视频模态在因果意义上对齐，模型可以利用海量视频数据的泛化性来弥补物理数据的稀缺性，实现四两拨千斤的效果。

引入归纳偏置是应对物理数据稀缺的关键策略。 将物理规律作为人类先验注入模型，可以缩小模型训练的搜索空间，加速收敛，并避免生成不符合物理规律的结果。

直接采集人手交互数据是最优的数采范式。 这种方式无感、轻量、成本低，且由于人手是与生俱来的，管理和培训成本接近于零，能有效降低数据 Scaling 的边际成本。

机器人本体的拟人性设计对 Scaling 效率至关重要。 本体与人类越接近，embodiment gap 越小，从人类数据预训练到机器人本体数据后训练所需的转换数据就越少，从而加速 Scaling。

💬 文章金句

- LiberAI 的世界模型，是要以物理智能为纵轴，做 Scaling 边际成本最低、速度最快的世界模型。

• 好的对齐能起到四两拨千斤的效果，最著名的例子是 LLaVA-1.5，它仅使用大约 1M 的图文对就达到了当时的开源 SOTA，不到预训练文本的千分之一。
• 这个领域的技术路线是一整个系统，硬件、数采和模型彼此像血肉一般紧密相连，一旦要变，一切的一切，设计、生产、供应链、运营都要推倒重来，切换代价是极其巨大的。
• 保持清醒是很难的，坚持做长期正确的事也是很难的。我的办法是经常冥想，也是一种'每逢大事有静气'吧。
• 市场热度就像激流，会带来势能与动量，我们会顺势而行，但也会有自己的目标和路径——LiberAI 是一个有 Character 的公司。

📊 文章信息

AI 初评：82

来源：Z Potentials

作者：Z Potentials

分类：人工智能

语言：中文

阅读时间：25 分钟

字数：6017

标签： 世界模型, 具身智能, Scaling Law, 模态对齐, 归纳偏置

阅读完整文章