本周「十字路口」的嘉宾王家伟是 24 岁的深朴智能（Simple AI）首席科学家。中科大少年班、MSRA、DeepSeek、字节 Seed——这条路直通大模型的最前沿，但毕业时，他却转身向具身走去。为什么呢？
他想离开的不是大模型，而是只能跟随既定计划的状态。他说：「风浪越大，鱼越贵」 ——具身的路线、评估和产品都还没有共识，风险更高，却也给了年轻研究者定义问题的空间。
本期播客中，我们从 GPT-6 Astra 出发，讨论了「OpenAI 会不会降维打击具身模型」的问题。王家伟认为，通用大模型会承担越来越多理解与规划，但当杯子开始滑落，机器人仍需要能快速反应的动作模型。
深朴智能因此从 HiFi-UMI 数据、具身基础模型、Agentic OS 一直做到本体：开源 2,000 小时数据，内部积累数万小时；模型已观察到一定的 Zero-shot 泛化；Agentic OS 则把上层意图与底层动作连接起来。
最后，我们讨论了在美国的具身同行们最新发布的各种工作：GEN-1.5 对预训练与自然涌现的验证、π0.7 对 steerability 的强化、以及 Skild AI 为 Demo 专门训练的 In-Context Learning 是否被高估。
微信收听播客：
小宇宙收听播客：
🎬 视频播客已同步上线于 @Koji杨远骋 的视频号、小红书、哔哩哔哩、Youtube 等平台
快问快答
👦🏻 Koji
我们先快问快答。你的年龄？
🧑🏻💻 王家伟
24 周岁，下个月过 25 岁生日。
👦🏻 Koji
求学经历？
🧑🏻💻 王家伟
小学和初中在小县城，高中在合肥一中；高二参加高考进了中科大少年班；2020 年拿到中科大和 MSRA 联合培养 PhD 的机会，2026 年刚刚毕业。
👦🏻 Koji
MBTI 和星座？
🧑🏻💻 王家伟
MBTI 是 ENTJ，不过 E 大概只有 50%。天秤座。
👦🏻 Koji
一句话介绍深朴智能。
🧑🏻💻 王家伟
深朴智能是一家面向家庭的通用具身智能公司。Slogan 是 Keep The World Simple，让世界变简单，这也是英文名 Simple AI 的由来。
👦🏻 Koji
上一场播客和清华叉院助理教授徐梦迪聊，她在李飞飞组做过博士后。她说飞飞特别喜欢引用爱因斯坦的一句话：让事情保持简单，但不要过于简单。你怎么看？
🧑🏻💻 王家伟
这话很有道理。AI 领域有一个著名的奥卡姆剃刀原理，过度设计很多事情反而不 work。保持简单，做好充分的实验验证，才能证明事情真正有效。
过去很多学术研究，比如 NLP 和早期的 CV，都在过度设计模型结构，后来突然发现，一个架构非常 simple 的 GPT 把事情全干掉了。
👦🏻 Koji
前几天遇到一个研究员，OpenAI o1 出来后他们也做类似的训练，因为他是做 Infra 的，他设计了一套非常复杂的架构。结果 DeepSeek-R1 发布，他们团队花了两周删代码，删掉了 90%， 发现根本不需要那么复杂的设计。
🧑🏻💻 王家伟
是的。
👦🏻 Koji
在深朴智能之前的工作经历是怎样的？
🧑🏻💻 王家伟
刚 PhD 毕业，主要经历在博士期间。在 MSRA 待得最久，跟着博导霍强老师做文档智能研究。
2024 年大语言模型展现出很多小模型做不了的能力，我去了 DeepSeek 多模态组实习，参与了 DeepSeek-V3 的预训练数据工作。
后来觉得语言模型开始从 Chat 往 Agent 演进。Chat 很难产生大商业价值，但 Agent 能真正提升工作效率。所以在 2025 年，我去了 ByteDance Seed 内部很早做 Agent 的团队实习。
👦🏻 Koji
现在在深朴智能做首席科学家，小时候梦想过长大做科学家吗？
🧑🏻💻 王家伟
还真想过，过生日时确实许过愿。
👦🏻 Koji
小时候想象的科学家和今天实际的工作，有什么相同与不同？
🧑🏻💻 王家伟
当时想的是在实验室做生物、化学实验，或者在数学这种基础学科里提猜想，对计算机科学家完全没有概念，这是最大的不同。
相似的地方在于，我确实有机会去探索大家还不知道答案的领域。
👦🏻 Koji
现在花时间最多的研究课题是什么？
🧑🏻💻 王家伟
具身基础模型的预训练到底应该怎么做。目前各种技术路线完全没有收敛，我们在走一条自己的路。
GPT-6 能成为机器人大脑吗？
👦🏻 Koji
前两天，GPT-6 Astra 发布，社交媒体上全是它直接驱动机械臂做各种任务的视频。你看到那些演示是什么感受？
🧑🏻💻 王家伟
挺有冲击力的。一开始很难想象一个通用的语言模型，在具身任务比如抓积木上，成功率能做到这么高，能力超乎想象。
其实用 LLM 做 Robotics 并不是新概念，几年前行业里就在做 Code as Policies，前几个月李飞飞老师团队和 Jim Fan 团队也发布了 CaP-X。但早期的 Code as Policies 还要依赖小模型做感知和识别，GPT-6 把小模型的感知定位能力原生融合了进去，充分调动了 3D 空间理解、场景认知、长程规划和试错反思能力。
有一个 demo 让我印象很深：机械爪上绑了一支笔去画金门大桥。看成品会觉得惊艳，但仔细看过程，它其实画了四遍。第一遍明显在摸索如何用笔，第二遍勾出轮廓，第三遍、第四遍细节才真正清晰。很大能力来自任务的试错、理解与经验总结，再结合底层的定位与空间理解。
👦🏻 Koji
画四遍是每画完一遍有摄像头传回去，自己再去调整？
🧑🏻💻 王家伟
它实时读取视频流。画完一张如果不好就丢掉，换一张新白纸，但之前的上下文一直留在上下文窗口里。
它清楚刚才经历了什么、为什么没画好，逐渐调整用笔和控制末端的操作能力。
基模公司会击穿具身模型吗？
👦🏻 Koji
现在有一种说法，OpenAI、Anthropic 这类基模大厂才能做出终极的具身大脑，这对垂直做具身模型的创企可能会是降维打击，你怎么看？
🧑🏻💻 王家伟
具身系统就像人一样，除了负责理解与决策的大脑，必须要有控制肌肉反应的小脑。
GPT-6 确实能直接操纵机械末端，但仔细看，执行频率非常慢，单次推理耗时很久，视频很多经过了 16 倍或 32 倍速快进，静态环境可行，但真实物理世界是动态的，比如桌上有半杯水，如果机械臂抓取的瞬间打滑，杯子一旦倾斜打翻，系统几乎无法 recover。
这种毫秒级的动态调整不能单靠大脑慢思考，必须依赖具备肌肉反应的小脑 Action Foundation Model。
大脑和大模型之间肯定有重叠，但分工很清晰：上层是大模型做复杂场景理解与任务规划，底层必须配上优秀的 Action Policy，做到快速调整和敏捷反应。
👦🏻 Koji
你认为具身大脑未来会在语言模型架构里加入具身数据自然涌现，还是会有全新的架构出来？
🧑🏻💻 王家伟
大脑这一侧大概率已经收敛在 GPT 这一类架构上了。它的常识推理和 Agentic 能力极其强大，从头造一套新范式把它替代掉并不现实。
更合理的路径是沿着现有路线往前推，把第一人称视角和第三人称视角的交互视频转换为可训练的任务形式训进去，强化物理世界理解能力。基模大厂也都在这么做。
👦🏻 Koji
聊聊少年班，一届大概多少人？
🧑🏻💻 王家伟
三十几个人。
👦🏻 Koji
这批人身上有什么共同点？
🧑🏻💻 王家伟
自驱力强，思维敏捷，对新知识的吸收和转化速度非常快。
👦🏻 Koji
少年班是怎么选拔的？
🧑🏻💻 王家伟
高一、高二甚至初三，年龄在 15 周岁以内去参加高考。成绩达到中科大在当地录取线下浮 20 分以内进面试。
面试当天把所有候选人聚在一起，同时上一堂大学难度的数学课和物理课，刚上完立马发试卷考试，直接考验在没有基础的前提下，专注力和短时间内的知识消化转化能力。
通过之后再由院长一对一聊，问一些开放性问题，比如跟不上教学、想换专业怎么办。
👦🏻 Koji
面试淘汰率高吗？
🧑🏻💻 王家伟
大概 100 个人进复试，选三四十个。
👦🏻 Koji
少年班经历留下最大的影响是什么？
🧑🏻💻 王家伟
最直接的是摆脱了高三，没有经历过高强度的题海战术。
👦🏻 Koji
没有被高三荼毒，交大 ACM 班俞勇老师曾说，大学第一年花大量精力帮学生洗刷高三带来的毒害，大二才算真正进入培养。
🧑🏻💻 王家伟
大一全是基础通识课，数理化生和计算机都要学，看清兴趣点再选专业，我大一下就选了计算机。
科大的科研资源很多，本科就跟着老师做很早期的 AI for Science，用计算模拟研究生物分子马达的相变过程。
另外我当了挺长时间少年班班长，学生工作做得多，比较擅长沟通，人缘也还不错。
👦🏻 Koji
很典型的 ENTJ。
🧑🏻💻 王家伟
对。
什么才是真正的聪明？
👦🏻 Koji
在周围全是天才的环境里成长，你现在怎么理解“聪明”？
🧑🏻💻 王家伟
以前理解比较粗浅，觉得是思维敏捷、学东西快。现在看，思维敏捷的人太多了，这不稀缺。
我觉得聪明最核心的特质有两点：第一是会提好问题；第二是清楚自己的不足，并且愿意直面它。
👦🏻 Koji
你的不足是什么？
🧑🏻💻 王家伟
对硬件的理解不够深。我的父亲是计算机老师，我从小对软件极度感兴趣，但对焊板子、搭电路一直提不起劲。
在深朴智能做 Robotics 硬件是绕不开的必修课。我知道这是短板，所以会经常向硬件团队请教，寻求支持。
为什么离开大模型做具身？
👦🏻 Koji
很多人习惯发挥优势，之前在 DeepSeek、Seed 做大模型多模态这种偏软的工作，转到具身意味着要直面大量陌生的硬件和工程挑战，为什么做这个选择？
🧑🏻💻 王家伟
作为一个 New Grad，希望能去到一个能自己定义事情的领域。
大语言模型已经比较收敛、高度工业化了。年轻毕业生进大厂，绝大多数时候是在执行定好的计划，很难按照自己的想法去探索新方向。但具身智能目前整个行业都处在高度未收敛的状态，有太多关键点等待突破。面对没有强认知的东西，我有一种本能的冲动想去彻底搞清楚。
👦🏻 Koji
对多数人来说，技术没有收敛意味着巨大风险，但在你眼里是机会？
🧑🏻💻 王家伟
风浪越大鱼越贵。正因为没有标准答案，才有做出突破性成果的可能。
导师也一直鼓励我：年轻人就该去闯，就算失败了也无所谓，只要积累了足够经验，随时能开启下一段事业。我对风险的承受度比较高，风险和机会永远并存。
👦🏻 Koji
眼下最大的风险是什么？
🧑🏻💻 王家伟
时间。如果底层路线踏错了，探索几年发现完全走在错误的路上，这种打击对个人来说是最大的。
👦🏻 Koji
具身领域的各种探索里，哪些技术路径的风险正在浮现？
🧑🏻💻 王家伟
核心在于大家对具身的“智能”定义模糊。机械臂按固定轨迹抓起一个杯子，根本谈不上智能。
在深朴智能内部，重点关注模型的三种核心能力：
第一是适应能力，包括 Zero-Shot 泛化，以及面对完全 OOD 场景时只需 Few-Shot 就能迅速适应；
第二是 Steerability，可操控性。不仅能听懂自然语言，还能理解图像和视频输入，给一段人类演示视频能立刻 follow；
第三是原生上下文理解能力。很多具身模型只依赖当前单帧 Observation，忽视了时间序列上的因果，而物理世界的 Dynamics 必须依靠 Context 才能涌现。
基础模型完全是沿着这三点去做的。
👦🏻 Koji
回顾读 PhD 这几年，正好赶上大模型和具身飞速发展，怎么划分自己的研究阶段？
🧑🏻💻 王家伟
主要分两个阶段。前半段在 MSRA 霍强老师组做文档智能，也是博士课题。霍老师非常看重研究的实用价值，我们做的 OCR、版面分析、表单理解算法，都部署进了微软云 API 和内部基础设施，我习惯了去思考学术研究能不能对落地产生实际商业价值。
后半段大模型时代来临，希望成为浪潮里的弄潮儿，先后去 DeepSeek 和 Seed 实习，做多模态语言模型、强化学习和 Agent。
DeepSeek：不靠工作强度换成果
👦🏻 Koji
去 DeepSeek 时是在 V2 发布之后、R1 问世之前，当时团队内部是怎样的氛围？
🧑🏻💻 王家伟
研究者心态非常纯粹，不急着考虑商业化落地，注意力都在推动智能边界上。
印象最深的是工作强度并不大，但产出极其惊人。这说明对 Researcher 来说，高强度工作时长不是产出好成果的必备条件。团队少而精，每个人独当一面的 Scope 很大，底层核心的训练和推理 Infra 代码都能接触到。
👦🏻 Koji
当时是怎么加入 DeepSeek 的？
🧑🏻💻 王家伟
一方面有 MSRA 的师兄提供信息，另一方面当时做 DeepSeek-VL2，文档处理是核心应用方向，HR 找到我，背景很 match 就去了。
👦🏻 Koji
DeepSeek 体验很好，后来为什么选择去了 Seed？
🧑🏻💻 王家伟
当时 DeepSeek 核心资源倾斜在语言模型上推 R1，多模态团队资源相对受限，而且继续做下去很多是在复用过去的经验。
我当时已经看到 Agent 的潜力，而 Seed 内部正好有一个很早探索 Agent 的团队，就决定过去实习。
👦🏻 Koji
在 Seed 和 DeepSeek 两家顶尖团队，实习体验有什么不同？
🧑🏻💻 王家伟
DeepSeek 人少扁平，负责的边界更广。
Seed 像一台极其庞大且精密运转的仪器，专业分工极细，每个人都锚定在关键点上，很难 touch 到范围之外的事。
这是一把双刃剑：好处是工程团队把 Data Infra、Training Infra 准备得非常完善，拿来就用；代价是研究人员对底层链路的掌控感相对弱一些。
👦🏻 Koji
后来发生了什么具体事件，促使离开纯软件的大模型领域，跨入具身智能创业？
🧑🏻💻 王家伟
2025 年底在 Seed 实习时，我特别想推模型自进化——把模型部署成 API 对外提供服务，通过收集用户反馈自我迭代。