清华团队做了个具身智能大脑，Aha时刻，绝了！

"

数字世界会反过来长进物理世界，虚实之间再没有边界。

—— 凯文·凯利

📌 本文看点

大家好啊，我是甲木，这周一直频繁出差，去完上海 AGI Builder，又去杭州，接着返京 Force 原动力和 ISC 大会，现在终于到家能安静的写点东西了……

来聊聊前段时间去『清华』参加发布会的见闻。

— 跟朋友们在现场看具身智能的发布

发布方是一念 Unisonmind（清华团队），发布的产品叫UnisonMind。

一句话解读：

行业首发。

它可以同时进入三种以上完全不同形态的机器：机器狗、人形机器人、电动轮椅。

一个大脑，几种不同的本体。现场不是每台设备各自跑一套系统，它们共享的是同一个上层认知内核。

这已经不是我第一次去看一念团队做的东西了。

更早之前，一念团队的好朋友英健就跟我聊过这个方向：如果机器人想从「会执行程序」走向「能理解世界」，核心问题可能不在腿、不在轮子、不在机械臂。

而在背后有没有一个足够统一、足够实时、足够靠近物理世界的大脑。

这两年，通过春晚也能发现具身智能确实很热。

机器狗、人形机器人、机械臂、电动轮椅、服务机器人，各种视频每天都能刷到。

但说实话，我看多了之后，而且也在行业里，都知道演示得很热闹，背后其实基本是三类东西：

第一类，是遥控或者遥操。第二类，是提前写好的脚本。第三类，是多个模型拼在一起，视觉管视觉，语音管语音，动作管动作，中间靠规则和接口硬串。

这几种方案不是没价值。工程上能跑起来，已经不容易。

但它们离真正进入真实世界，还有很长一段路。

真实世界不是舞台。

人会突然走动，光线会变，声音会重叠，任务会被打断，硬件也会出故障。

你让机器狗在舞台上整齐跳舞，和让它在一个真实小院里听懂人话、找人、数球、去咖啡店，完全不是一回事。

前者更像表演。后者才开始接近「理解世界」。

具身智能最难的地方，其实在于持续理解正在发生的世界。

这次，一念团队搞出来了。

我建议大家先别急着听技术词。

先看几个现场片段。

1. 机器狗数乒乓球

第一个是数乒乓球。

工作人员在机器狗面前颠球，球连续起落，节奏并不固定。机器狗要一边看，一边数，最后报出次数。

这个任务对人来说不算离谱。但对模型来说，很要命。

因为球不会停下来等它想明白。颠球的间隔、速度、轨迹都不稳定，一次有效触球可能只发生在很短的瞬间。

如果只是抽帧去解决，再交给模型判断，大概率会漏。

所以数乒乓球这个任务，重点是它在连续时间里保持了一个正在更新的状态。

2. 连续数字倒序播报

第二个是连续数字倒序播报。

现场连续给它一串数字，它要听进去，记住顺序，最后再倒着说出来。

这也不是简单复读，它得在连续输入里保持短期状态。

然后根据新的任务要求，把刚才的信息重新组织成输出。

这其实就是物理世界里很常见的能力。人不会一次只接收一条整齐的输入。现实里，信息总是一边发生，一边进入。

3. 在人群里找白衬衫

第三个是找人。现场让机器狗去找穿白衬衫的人。

它在一群人里找目标，没有提前录入人脸，也不是固定点位识别。

更有意思的是，现场有个人外面披着衣服，但里面也是白衬衫。机器狗注意到了这个细节，还主动补充了出来。

这个细节比「找到了」更值得说。

因为它说明系统并没有做标签匹配，而是在现场环境里做了语义判断。

4. 机器人导览两幅画

还有一个机器人导览画作的场景。它要在现场，面对作品、观众和自己的位置，完成讲解。

很多模型都会说话。但 UnisonMind 证明的是，视觉理解、语言表达、身体位置和现场关系，可以进入同一个任务过程。

5. 轮椅找店

我个人更关注的是轮椅。

一台搭载 UnisonMind 的电动轮椅，接收人的指令，识别标牌，判断空间关系，再带着人往目标位置移动。

机器狗和机器人，很多时候大家会下意识觉得是科技玩具。

但轮椅不一样。轮椅这个场景，背后是很具体的人。

一个行动不便的人，能不能少依赖别人一点？能不能用一句自然语言，让设备理解自己的意图？

技术如果最后只停在炫技上，其实没什么意思。但如果它能让一个人的日常生活更有自主性，那就很值得认真看。

尤其是康养类的场景，或许我们以后都会遇到 emmm

比如点咖啡，不在话下。

还有一个非常搞笑的场景，啸天的贱贱人格，看着机器人蹲在那，直接问：「你是来拉屎的吗」 - -

讲到这里，就可以回到 UnisonMind 最核心的差异。

真实世界没有暂停键。人会移动，球会起落，声音会重叠，新指令会随时插进来。

一个真正进入物理世界的模型，不能只在输入结束后回答。它必须一边看、一边听、一边更新判断。

现在很多 VLM 都是抽帧，会有很大局限。用一个简单类比：

普通聊天机器人，像收到消息才上线。UnisonMind 想做的，是像一个始终在场的人。它知道刚才发生了什么，也知道现在正在发生什么。

当然，只有流式还不够。如果视觉是一个模型，语音是一个模型，动作又交给另一个系统，中间靠规则临时拼接，它依然很难形成稳定的世界理解。

一念给 Physical AGI 提了一个「3+1」框架。

我用人话翻译一下。

01一个脑子实现多模态

视频、图像、语音、文字，以及设备自身状态，都进入同一个世界表征。视觉、语音、动作，不能各做各的。

02理解和生成统一

它不只要看懂，还要根据任务说话、移动、交互。理解和输出，最好属于同一个认知过程。

03流式输入、理解和生成

它不能做完一次问答就下线，而要持续运行。任务可以被打断，可以被修正，也可以被重组。

+1完整端侧运行

核心大脑在设备本体上，端侧模型意味着参数量不大。

UnisonMind 是一个只有11B 参数量的模型，机器人背上的显卡（agx）就是他们的驱动引擎。（可以看出来，朴实无华，就这么焊在背上了……）

能把一个 10B 上下的模型，压进端侧，还要同时跑视觉、语音、认知、生成、保证实时，这件事的难度，懂的人自然懂。

当然，也不是没有代价。

现场是能感觉到「等待」的。部分任务从接令、理解到行动，反应不算快。流式叠加端侧算力的限制，这是真实的短板，我不藏着。

他们有一句官方表达：

一个统一符号空间，一个持续演化的世界。这句话有点技术，但意思其实不复杂。

它的目标，是让设备拥有一个统一的「世界状态」。它知道自己看到了什么，听到了什么，自己处在什么位置，刚刚发生了什么，下一步可能发生什么。然后再决定输出语言，还是输出动作。

话说回具身智能本身。真正困难的地方，恰恰在这里。

它更像系统工程，模型、硬件、控制、传感器、延迟、现场噪声、安全边界，全部搅在一起。

你只懂模型，不够。你只懂机器人，也不够。你必须愿意把手伸进真实世界里，去碰那些麻烦、脏活、边界情况。

这也是我对英健他们团队印象很深的地方。

这次现场还有一个点，我觉得应该写出来。

它并不是一个只保留成功镜头的精剪 Demo。

现场有 20 多位来宾，全程录像。人群在走，指令是临时给的，现场有声音干扰，硬件状态也会变化。

其中轮椅演示里，确实出现过一次异常转圈。

这个事情不能被包装成成功。故障就是故障。

但它也提醒我们一件事：Physical AI 面对的不是干净的数据集。它面对的是一个会随时出意外的世界。

真实世界里，本来就有噪声、遮挡、误解、网络问题、硬件问题。

所以判断一套具身智能系统，不能只看它成功完成了几次任务。还要看意外发生后，它能不能感知、回应、调整，并尽量保持安全。

这也是为什么我更愿意看真实现场，而不是看一条剪得很漂亮的视频。漂亮视频当然有传播力，但真实现场更能暴露技术水平。

最后说说我真正关心的想象空间。

UnisonMind 最有意思的地方，不在于机器狗会不会点咖啡。而在于它让「大脑」和「身体」开始解耦。

机器狗是一种身体。人形机器人是一种身体。轮椅也是一种身体。未来扫地机器人、配送机器人、陪伴设备、工业设备，都可能是新的身体。

如果底层执行参数和 API 接口适配好，上层认知就有机会复用。

以前是一种硬件做一套系统。机器狗有机器狗的系统，轮椅有轮椅的系统，机器人有机器人的系统。每一种都要重新做一遍。

但如果同一个认知底座可以适配多种设备，具身智能就有机会从「项目制」走向「平台化」。

这才是我觉得它有想象空间的地方。它更像一个物理世界里的 AI Runtime，而非一个单点产品。

当然，这条路还很长。跨本体迁移到底能做到多深，底层控制如何标准化，端侧算力怎么继续提升，安全边界怎么定义，都还需要大量验证。

但方向上，我认为是对的。（当然，评论区如果有高人欢迎随时补充~）

AI 如果要真正进入物理世界，最后一定不能只靠云端大模型远程发号施令。它必须长在设备里，持续在线，和真实世界共享同一条时间线。

我不会说一念已经实现了 Physical AGI。这句话太大，也太早。完整的 Physical AGI，需要更多设备、更多环境、更长时间尺度的验证。

但我愿意说，不管是这次在清华小院里还是现场发布会，我第一次比较具体地看见了一条路线：

它要看见世界，听见世界，记住刚才发生了什么，也理解现在正在发生什么。

以前我们讨论具身智能，经常盯着腿、手、轮子和机械结构。但这次，我更关注的是那个「脑子」。

因为身体可以有很多种。真正决定它能不能走进世界的，是它有没有能力持续理解世界。

具身智能的下半场，拼的是谁能更稳定地和真实世界待在一起。

KK 在《五千天后的世界》里说，再过五千天，数字世界会反过来长进物理世界，虚实之间，再没有边界。

而这五千天的第一天，可能就是从一个脑子、接上一个身体，开始的。

以上。