
“有一件事我确实极致热爱,那就是创业本身。”
“清华、00 后、世界模型”,刘松铭完全踩中了这组火热一时的投资标签。
他生于 2000 年,2024 年以 RDT-1B 具身模型崭露头角,2025 年底,他在博士三年级时创立 LiberAI,陆续拿到来自真格、红杉、美团龙珠、顺为等机构的 6 轮投资,今年 11 月初发布了世界模型 Liber-0。
一位没有投资 LiberAI 的知名机构合伙人说,刘松铭是 “中国最强 00 后创始人”。
只看履历,这是一套熟悉的叙事:一位年轻研究员做出了有影响力的成果,趁势创业,希望把技术推到极致。
但刘松铭身上却有跳出标签的反差。
许多 “researcher founder”(研究者型创始人)是为了追求某项技术而创业。刘松铭是因为一直想创业,才选了物理 AI 技术。
他看到,物理 AI 是为数不多的、能作为独立公司与基模合作,又不被基模吃掉的方向。
他是世界模型的明星创业者,却认为只做模型很危险。
在创业之初,刘松铭就看到基模会进入物理 AI,很可能会吃掉任务规划层,类似后来 GPT-6 Astra 对具身智能的冲击:
所以我们 day one 就是一家全栈公司,自己做核心的本体设计、关键部件,还有数采设备。
这种模型、硬件和 Infra 的垂直整合打法,迭代更慢、投入更重、团队更复杂,被一些投资人认为 “不够干净”、不够聚焦模型本身。
但刘松铭认为,也正是因为物理世界碎片化、初期单个场景规模小、迭代周期比软件更慢,才会让 OpenAI 等巨头短期内无法真正重兵入场;边缘地带的新公司才有空间积累未来的博弈筹码,长出自己的硬件、产品和交互数据。
他想搏到的大未来,是在个人机器人市场到来后,成为 “对标苹果的特别大的” 公司。这种野心并不罕见,比较罕见的是,他同时会说,现阶段他们的实际商业对手是非标自动化公司。
站在客户角度,比的是我们的模型加硬件,能不能比他们(非标自动化公司的方案)更有成本优势和部署效率。
一个不太 00 后,也不太清华博士生的 26 岁创业者,做了一家不纯做模型的 “世界模型” 公司。刘松铭现在相信,“软硬一体全栈,可能就是通向那个终局的、胜率最高的玩法之一。”
没读完博士,也不想拿教职,创业是唯一选项
晚点:“清华、00 后、世界模型”,你和 LiberAI 身上都有很多标签。你会怎么描述你们是一家什么公司,实际要做什么?
刘松铭:首先 “00 后” 是个客观描述,我确实是 2000 年出生的,我没法抗拒这个标签。而 “世界模型” 或任何其他技术本身都不构成一个公司的使命,它更多是一个手段。
所有公司的最终使命一定是产生商业价值。对我们来说,就是利用物理 AI 技术,实现 physical agent(物理智能体)这个产品。
晚点:为什么物理 AI 和世界模型领域会出现 “小天才扎堆创业” 的现象?
刘松铭:这背后的本质是,从技术突破到它成为创业方向的时间在变短。
这在物理 AI 上表现得更明显,一是因为物理 AI 真正开始发展的时间就比较晚,比如 Google RT-1 是 2022 年下半年的工作,这个领域做研究的这帮人也就比较年轻。二是随着大模型变强,通过 AI 学各种知识的速度也在变快,这压缩了积累经验的时间。
晚点:2024 年 10 月,你在清华朱军教授实验室做的 RDT-1B 使你在业界崭露头角。那时就有投资人劝你创业,为什么当时没有创业?
刘松铭:因为我当时对怎么做 scaling(规模化扩展)还没有把握,我连三个月后要做什么都列不出来。创业不能等到有十成把握,但我觉得至少要有六七成。
晚点:你认为缺什么呢?那时已经有了 VLA(视觉-语言-动作模型),包括你自己做的 RDT(Robotics Diffusion Transformer) 也是这个大方向上的探索。
刘松铭:VLA 的突破是在机器人领域引入了用预训练带来泛化性的想法,在这之前,主流做法是针对不同任务分别采数据,做模仿学习或者强化学习。
但当时,大规模预训练的数据从哪儿来还不清楚。包括 RDT-1B,它的主要数据也是真机遥操,这类数据生产慢、成本高。所以那时我是初步看到了做预训练是有益的,但还不知道怎么去做大规模预训练。
晚点:当时业界还有一种常见搭配,一个像你这样的学界新锐做技术负责人,再搭一个有业界资源的行业资深人士做一号位。你有收到过这类邀请吗?
刘松铭:也有,但我这次想做一号位。关键要看,这件事是靠什么驱动的。如果资源很重要,技术负责人作为招牌去融资、招人,资源型创始人去搞定更多资源,这种搭配是合理的。
但我能看到这个领域在技术上仍有很大瓶颈,这个阶段真正重要的是技术突破,公司的主要投入都得放在算力和数据上。而当投入这么大时,一号位就必须有技术判断力,因为他要决定怎么花钱,怎么更有资本效率地做模型、做各种事。
晚点:你去年底开始创业时是博士三年级,你考虑过读完博士、拿到教职再创业吗?现在青年教授创业也很常见。
刘松铭:没有。时机很重要。而且创业一直是我矢志不渝的追求,我也没考虑过别的职业可能性。
晚点:从什么时候开始有这个追求的?
刘松铭:大概上中学时,我在想人生目标是什么?常见的一种目标是获得资源、金钱、地位和影响力。但再往上想一层,人为什么需要这些东西?我认为最终是为了做事,肯定不是为了享受,享受花不了太多钱。
既然最终目标是做事,其实没必要绕很大一圈,创业就是最直接的方式:它既有可能带来超乎寻常的杠杆、资源和影响力,本身又是一个直接做事的过程。
晚点:为什么中学时会开始想这些?
刘松铭:从小我父母没那么关注我成绩怎么样,他们最关注的是 “你要成为一个什么样的人”,不是他们告诉我 “要做什么”,而是他们问我 “要做什么”。
晚点:你之前为创业做了哪些准备?
刘松铭:一直在准备。高中竞赛后选清华,是因为做过功课,知道清华的创业教育和孵化体系很好。从化工系转到计算机系,是因为化工太重资产,年轻人没什么创业优势,而 IT 机会更多。
大一、大二我参加了清华创协和启创计划,一方面学知识产权、投资条款、企业运营和看财务报表;另一方面做实践,在学长和老师指导下做过在线教育的创业,那次我不是一号位。
到我大四时 ChatGPT 来了,我觉得时间到了,但我没条件做基模,我列了很多方向:AI 应用、多模态视频生成、AI for Science、Robotics……
我的思路很简单:基模一定会非常大,投入非常高。那我必然要做应用,而且得壁垒足够厚,能作为独立公司和基模合作,而不是被吃掉。我认为跟物理世界结合的应用有独特的问题和挑战,更有可能长出独立公司。2023 年我就看到了这个方向,在等技术信号更成熟。
晚点:会有人评价你 “很会做题” 吗?一种典型的科技创业者是 “极致热爱”,比如汪滔从小喜欢航模,一步步做出大疆无人机。而像你这样名校出身、履历很好的 “尖子生” 来创业,看起来是步步为营,选择也很多。你怎么看这种特质?
刘松铭:这和领域有关。如果 “极致热爱” 是指从小鼓捣一个事,那在具身智能或物理 AI 领域,10 年、20 年前的技术和现在完全不一样。
而且有一件事我确实极致热爱,那就是创业本身。
创业时已看到基模冲击,第一天就是全栈公司
晚点:你正式创立 LiberAI 是在 2025 年年底。后来引起世界模型热潮的英伟达 WAM(世界动作模型)DreamZero 还没发布。你看到了什么技术更成熟的信号?
刘松铭:2024 到 2025 年陆续发生了三件事。第一是视频模态开始在具身训练里起作用。当时我实验室的同门做了 Vidar,可以明显看到用视频训出的基座模型,能帮物理模型更好地泛化。(注:2025 年 7 月发布的 Vidar 是清华朱军实验室与生数科技联合推出的具身模型,和今年 2 月英伟达发布的 WAM DreamZero 一样以视频生成模型为骨干。)
第二是来自我自己的研究:我们做了很多 UMI(通用操作接口)的探索,发现用 UMI 采集无本体数据,效果能媲美真机遥操。这能大幅降低采数据的成本。但 UMI 用的是夹爪,而互联网视频里都是人的动作,两者还是有 gap。
要弥补这个 gap,机器人就得更像人,得有灵巧手。这是第三个信号,去年下半年,高自由度灵巧手也更成熟了。
几个因素叠加,我觉得用人类数据训练具身模型的这条路线越来越清晰了。
晚点:你前面提到,选择物理 AI 是因为你认为这个方向不会被基模吃掉。而今年 9 月发布的 GPT-6 Astra 作为基模也有很强的空间智能,这如何冲击了你最初的创业假设?
刘松铭:其实我刚创业时就预判到基模公司一定会进来。一是基模能力持续提升、资本开支也在增加,它既有能力,也有动机去渗透更多场景。二是我和硅谷朋友交流,2025 年下半年就传出 OpenAI 在招机器人团队,进场只是早晚的问题。
晚点:即使知道 OpenAI 会做具身,也有不同的做法。有人认为 OpenAI 会建一个相对独立的团队,用具身的方法做具身。而后来 Astra 展现了直接操作机器人的能力。这超出你的预期吗?
刘松铭:速度上有点儿超预期,效果上没有。
物理世界的智能系统有 3 层:
System 2 负责感知、规划和理解,也就是常说的 “具身大脑”;
System 1 负责接收指令,转换成动作序列;
System 0 是更底层的运控,把动作序列可靠地执行出来。
客观说,Astra 确实在叙事上冲击了具身智能。原本一种观点是,这三层都属于具身公司。但是我创业时就觉得 System 2 有风险,Astra 展现的正是这一层能力——用写代码的方式理解世界,感知距离、大小和深度。
那既然具身的模型层可能变薄,纯做模型就很危险,就得加别的东西把壁垒变厚。所以我们 day one 就是一家全栈公司,自己做核心的本体设计、关键部件,还有采集数据的设备。
刚开始融资时,不少投资人认为我们 “不够干净”,不够聚焦模型层,这是反当时的主流叙事的。
晚点:2026 年的一批新公司确实更侧重模型本身;而 2023、2024 年最早那批具身公司也自然地选了全栈,一是中国有供应链优势,二是有些公司是从硬件转过来的。
刘松铭:我们和那批全栈公司的区别在于一号位的背景。我们是 “硬件服务模型”,不是 “模型服务硬件”。
晚点:你们这次发布 Liber-0 技术报告时也详细测了 Astra。它擅长什么、不擅长什么?边界在哪?
刘松铭:我们对比了两种模式:一是让 Astra 做 System 2、我们的模型做 System 1;二是直接用 Astra 当策略模型(包括 System 2 和 System 1)。在零样本成功率上,前者是 Astra 直接做策略模型的好几倍。
Astra 直接控动作有个明显特征:它能把机械臂移到目标附近,但总差 “最后一毫米” 碰不到,会在那儿来回抽搐、反复尝试。它不擅长与 “物理接触” 和 “可形变物体” 强相关的操作。它的长处也很明显:语义理解、任务拆解和规划,操作失败时能靠高层规划带机器人回到正确路径上再多试几次。
从实验看,Astra 的推理模式吃不掉所有东西,很多物理操作必须靠不经慢思考的直觉反射完成。尤其机器人操作需要低延时,需要应对信息不完全的环境,这都属于物理 AI 的独特挑战。
晚点:GPT-7 发布后呢?10 月时,宇树创始人王兴兴说:等 GPT-7 发布,可能就把具身问题击穿了。
刘松铭:某种程度的冲击是必然的。但至少 GPT 的现有范式解决不了所有问题。
理想分工是:基模厂商拿走更通用、与本体无关的 System 2,提供统一接口;我们做 System 1、System 0,去啃物理交互的硬骨头。这部分的商业回报对我们已经很好了,但对基模大厂来说,碰这些脏活累活根本不值得。
我们也正在和 Kimi 合作:一是用它的基模做 RSI(递归自我改进),缩短硬件和具身漫长的研发周期;二是长远看,很多科研或生产闭环既要处理虚拟世界的信息,也需要物理世界的操作接口,他们解决虚拟世界闭环,我们解决物理世界操作。
除非 GPT-7 专门针对物理接触甚至触觉做了特别的训练,或专门推出更小的端侧动作模型,否则我觉得这种分工是更长期、更本质的结构。但就算他们做了专用的具身模型,由于在实际部署中硬件、模型和 Infra 骨肉相连,模型也很难被当做独立产品卖。
而且 GPT 做小模型也有一个风险,就是参数太小会丧失推理能力。最终还是要回到更有效的计算资源配置上。直觉型模型和长思考模型的计算开销、成本和优化方向都不同。本该用直觉反射去做的事,非要用长思考模型做,这不自然。一定有更轻、更便宜的办法。
Liber-0,220 万小时数据的验证与发现
晚点:你们刚发布了创业以来的第一个成果,世界动作模型 Liber-0。它有哪些显著的能力提升?
刘松铭:它验证了几个重要假设。最直接的是可以系统性地做 Zero-shot(零样本)了——遇到新任务不需要任何示教或训练就能直接完成。
我们的测试里,简单抓取放置(Pick-and-Place)的零样本成功率能到 60%~70%,非抓取放置能到约 30%;以前几乎是零成功率的长程任务,现在也有了 10% 以上的成功率。之前行业里还没人系统测过零样本的长程成功率,我们可能是第一个。
我们也跑通了从人手数据到高自由度灵巧手的迁移,灵巧手的自由度和控制难度要比标准夹爪高很多。
Liber-0 的发布视频,展示了零样本完成长程任务、模型数据组合、自有手套采数方式、LEO 硬件本体平台和模型训练思路。
晚点:你们这次让 GPT-6 出了 60 道题,其中抓取、非抓取和长程任务各 20 道。有哪些以前对机器人很难、现在能零样本做到的任务让你印象深刻?
刘松铭:用 GPT-6 出题本身就是创新,比人去想任务更客观。印象最深的还是长程任务,以前觉得基本不可能零样本完成,现在看到了曙光——比如先把桌面上的物体装进袋子,再拉开抽屉把袋子放进去、关上抽屉,有四五个子任务。
晚点:还验证了哪些假设?
刘松铭:第二是,在这个领域做 scaling 不只是堆更多数据,还要懂怎么更有效地 scale。
这和 LLM(大语言模型)不同,纯 LLM 的数据格式都是文本;但具身数据,怎么采、怎么处理、用什么设备,都会影响 scaling 的效率。
我们验证发现,不同数据源的曲线差别很大,我们自研手套采集的物理数据的曲线是最陡的之一。这也是我们做全栈的原因:最终模型效果不只取决于训练,还取决于数采设备和本体设计,垂直整合是有意义的。
这也和我们的第三个验证有关,就是整套系统是互相增强的——数据、本体、模型训练如果各提升 30%,乘起来就是约两倍。比如我们设计的本体平台 LEO,腰部自由度和人基本一致,手腕也能像人一样球形旋转,这在拧转类操作里很关键,和别的本体对比效果明显不同,验证了我们成立公司的根本假设。
晚点:你们这次用了 220 万小时的数据做训练,它们是怎么构成的?
刘松铭:很大一部分是互联网数据,就是各种包含人类操作的视频。其次是第一人称视角(ego)数据,包括开源和供应商采集的视频,以及我们自有手套的数据;第三是真机数据,包括我们自己的遥操数据和开源的跨本体真机数据。
实验结论是:数据绝对量没那么重要,多样性、采集方式以及有没有精确动作信息更关键。
晚点:对比其他几个公布了数据量的模型,今年 8 月的 GEN-1.5 用了 50 万小时的数据,9 月的 Dyna-2 用了 100 万小时。不同公司的数据配比有什么区别?
刘松铭:GEN-1.5 主要用了 UMI 数据,Dyna-2 预训练用的都是第一人称人类视频,在后训练里加了机器人数据。
而我们在 3 个阶段的预训练里都混用了视频、ego 和机器人真机数据,逻辑