标题：北大卢宗青：现阶段世界模型和VLA都不触及本质｜具身先锋十人谈

正文：

一名具身大脑的创业者，卢宗青拥有耀眼履历：他是紧随DeepMind之后的中国新生代强化学习研究者，北京大学计算机学院长聘副教授，曾负责智源研究院多模态交互研究中心，主持首个国家自然科学基金委原创探索计划通用智能体项目，还多次担任NeurIPS、ICLR、ICML等顶级会议领域主席。

2023年，他带领团队尝试用多模态模型研发通用Agent，使智能体能在《荒野大镖客2》和办公场景中完成任务，相关论文今年被ICML 2025录用。但他坦言对这项研究不满意，因其泛化性不足。

完成上述研究后，卢宗青意识到当前多模态模型缺乏与世界交互能力。因模型缺失物理交互数据，所谓的泛化能力本质上是“抽象”的，无法理解动作与世界关系，更无法预测世界。这促使他决定开发通用具身人工智能模型。

卢宗青微信头像充满个性：戴墨镜的络腮胡青年，白色T恤印着墨色苹果。初见他时，你会觉得他是温和学者；聊到技术愿景时，他又展现出桀骜态度。

在对谈中，他强调自己与其他人的出发点不同。他人追求落地应用，他则致力于寻找更统一、更本质的解法——一个适用于通用具身智能的通用能力基座。他多次提及“VLA没错”“遥操作和真机数据有价值”，随即补充“但是”。

他批评某些具身创业公司所说的世界模型是在“搞笑”，仅限建图，最多如自动驾驶导航。他甚至表示，现阶段语言模型无法抵达通用泛化人工智能，只有更多元视觉信息才能通向AGI。

这正是他创立的公司「智在无界」BeingBeyond在做的事，他们通过标注1500万条互联网视频中的人类关节动作，让模型学习人类运动模式。

他坚信互联网视频数据是唯一可扩展之路，尽管这条路艰辛，但别无选择。BeingBeyond的第一代模型以“0”开头命名，拒绝使用“1”，也未透露后续命名规则。

在一次大会上，他显得孤独，因为所有人都在谈论VLA、世界模型、遥操数据。他认为那些“有价值但不本质”的技术在会场中几乎淹没了他的声音。

他提到，中国强化学习起步较晚，原因之一是AlexNet出现后大家都转向CV。他也反思投资人的“非共识”言论，最终投出的仍是共识。

BeingBeyond年仅5个月，能否成为穿越周期的技术领导者尚不可知。但他深知这条路漫长且艰难，即使获得联想之星、星连资本的数千万天使轮融资，资金也并非充裕。

卢宗青创立BeingBeyond后接受的首次专访中，回顾了他的学术历史，探讨了具身智能泛化路线及公司愿景。以下是访谈内容整理：

为何研究强化学习？源于DeepMind在Atari Game上的成果以及强化学习解决NP问题的能力。他特别提到AlphaGo论文，这是决策层突破的里程碑。

如何转向具身智能？在智源研究院设立多模态交互研究中心时，ChatGPT刚推出，团队开始探索强化学习与大模型结合，而非RLHF或推理结合。

他们曾在2023年用GPT-4V操控电脑，还测试了《荒野大镖客2》等游戏，证明多模态模型在语义规划上有优势，但在与环境交互和预测后果上不足。

为何选择互联网视频？他认为大多数团队关注物体运动轨迹，而他们专注于人体关节位置。这种方式更直接，数据量更大，已有1500万条全身运动数据，手部操作数据也在积累。

关于世界模型，他认为现阶段无法实现物理层面的预测，仅限语义层面。真正有用的世界模型应基于动作，而非导航功能。

公司为何叫BeingBeyond？Being代表生成与存在，Beyond寓意超越。第一代模型以Being开头，未来可能以Beyond开头。

公司规模精简，仅有五名全职员工。他强调，即便获得更多资源，也不会急于投入硬件，而是专注模型迭代。预计两三年后可实现规模扩大。

他欣赏乔布斯，认为未来或许能打造自己的机器人，并希望最终实现2C产品。