📌 一句话摘要 郎咸朋阐述具身智能的范式、数据编译与商业路径，强调仅靠融资难以实现物理 AGI，需自我造血并长期投入。 📝 详细摘要 在接受量子位专访时，前理想汽车智驾负责人郎咸朋分享了新创公司昆仑行的技术路线与商业策略。他指出具身智能的核心范式应是“理解”而非模仿，提出数据效率＝获取效率×使用效率，并通过“数据编译”让机器人学习物理因果。公司采用基于目的‑动作‑结果的 MoT 结构和单向因果注意力机制，先以 toB 场景（工厂上下料、物流）落地，再逐步进入家庭。郎咸朋强调只有进入行业前三、实现自我造血，才能支撑数十亿乃至上百亿的模型训练费用，单靠融资难以支撑物理 AGI 的实现。 💡
📌 一句话摘要
郎咸朋阐述具身智能的范式、数据编译与商业路径，强调仅靠融资难以实现物理 AGI，需自我造血并长期投入。
📝 详细摘要
在接受量子位专访时，前理想汽车智驾负责人郎咸朋分享了新创公司昆仑行的技术路线与商业策略。他指出具身智能的核心范式应是“理解”而非模仿，提出数据效率＝获取效率×使用效率，并通过“数据编译”让机器人学习物理因果。公司采用基于目的‑动作‑结果的 MoT 结构和单向因果注意力机制，先以 toB 场景（工厂上下料、物流）落地，再逐步进入家庭。郎咸朋强调只有进入行业前三、实现自我造血，才能支撑数十亿乃至上百亿的模型训练费用，单靠融资难以支撑物理 AGI 的实现。
💡 主要观点
-
具身智能的范式应从模仿转向理解。
郎咸朋认为机器人只能靠模仿无法覆盖上万场景，必须让模型具备对物理世界的因果理解，才能实现通用操作能力。
数据编译是提升数据使用效率的关键。
通过显式标注物理量、沉淀机制、将物理信息嵌入训练样本并循环回标，昆仑行希望把模型从关联学习转为因果学习。
商业路径采用先 toB 后 toC 的阶段性布局。
公司先在工厂上下料、物流等可控场景实现量产交付，积累收入自我造血，再逐步攻克家庭场景的高安全性要求。
模型结构采用目的‑动作‑结果的 MoT 与单向因果注意力。
不同于传统按模态划分专家网络，昆仑行按因果图划分，使注意力只能从目的流向动作，再流向结果，防止模型“作弊”。
💬 文章金句
- 只靠融资，谁都撑不到具身实现的那一天。
- 合适比熟悉更重要。
- 有道无术，术尚可求之；有术无道，止于术。
📊 文章信息
AI 初评：84
来源：量子位
作者：思邈
分类：人工智能
语言：中文
阅读时间：18 分钟
字数：4493
标签：
AI 机器人, 具身智能, 大模型, 数据编译, Agent 框架
阅读完整文章