具身创业90天成独角兽，凭什么？丨量子位 x 郎咸朋

【本期嘉宾】郎咸朋，昆仑行机器人联合创始人兼CTO。李根，量子位联合创始人、总编辑。【本期节目介绍】“具身百机大战也会跑出蔚小理。”离开理想、创办昆仑行后，郎咸朋第一次公开露面。近1.5小时里，他完整讲述了自己从百度、理想一路走到具身智能创业的技术选择和判断思考。为什么说自动驾驶不是终点，而只是具身智能的起点？为什么机器人真正需要的是“理解”，而非“模仿”？从VLA到世界模型，技术路线为什么还在不断变化？2026年创业，为什么还要坚持软硬件全栈自研？以及那些更现实的问题：为什么光靠融资活不下去、最后拼的是“自我造血”能力？机器人进家庭还要几年？关于昆仑行Day one的思考与野心，都在这一期里。【内容提要】00:02:15 早在Scaling Law流行前，他就笃信“数据决定论”：85%的准确率，为什么还是不能用？00:08:57 从理想出走那天，自动驾驶已经不再是终点——VLA做完才发现，它天生是为具身准备的00:13:57 行不行、合不合、久不久：怎么挑联合创始人，为什么“合适比熟悉更重要”00:17:56 出发永远比想清楚更关键：注册公司之前，只有三件事必须想透00:28:05 都2026年了，为什么还坚持软硬全栈自研？攒出一台机器人，离量产还差得远00:38:28 “理解”世界，还是“模仿”动作？被讲窄了的四种具身智能00:48:48 数据编译、一脑多形，和一杯水：怎么考出机器人是真懂，还是死记硬背01:00:51 现在的具身，就像十年前的自动驾驶：百机大战打完，也会跑出自己的“蔚小理”01:12:31 轮式铺量、出货更快，那为什么昆仑行偏要死磕全人形？四个能力，第一天就得一起练01:19:59 几亿甚至十亿都不够：光靠融资，谁也撑不到具身落地那天01:27:55 留给未来同事的一句话：对物理AGI要有信仰——节目中提到的概念——VLA（视觉-语言-动作模型）把“看到的画面、听到的指令、要做的动作”打通在一个模型里的架构，最早用在自动驾驶。郎咸朋认为它天生就是为具身智能准备的，自动驾驶只是它的第一个应用。世界模型（World Model）让AI在“脑子里”建立起对物理世界如何运转的理解，从而能预判“做了这个动作会发生什么”。郎咸朋认为，一个完整的世界模型不仅要能预测或生成未来状态，还应具备动作生成、结果预测和场景渲染等能力。模仿学习 vs 物理因果（理解）模仿学习是让机器人照着人类示范“学样子”；物理因果更强调理解动作为什么会产生某种结果，例如重力、摩擦力、受力关系等物理规律，这样遇到没见过的新场景也能应对。数据编译昆仑行提出的数据处理思路。不直接拿原始数据训练，而是先把场景里物体的物理量、物理规律显式算出来，“编译”进训练样本，让每条数据天然带着物理因果，以此提高数据的“信息密度”和使用效率。一脑多形指同一个“机器人智能大脑”能够适配不同形态、不同本体的机器人。昆仑行认为，如果模型真正学习的是底层物理规律，而不是某一种机器人的动作分布，就天然更有可能实现“一脑多形”。影子模式自动驾驶中的一种数据获取方式：系统可以在车辆正常运行过程中持续采集真实驾驶数据，而不一定直接控制车辆。对话中以此对比具身机器人，说明机器人很难像汽车一样低成本、大规模获得真实任务数据。MoT架构 / 联合因果注意力机制MoT是把大模型拆成多个“专家”分工的架构。多数团队按“文本、视频、动作”这种模态来分，昆仑行则按“目的、动作、结果”这条因果链来分，并让注意力单向流动——做动作时不能“偷看”结果，以贴合物理因果。运控/移动/交互/操作四种智能郎咸朋把具身智能拆成四块：运控（跳舞、平衡）、移动（自主导航，近似自动驾驶）、交互（语言对话）、操作（动手干活）。他认为业内常把“具身智能”狭隘地等同于“操作智能”，其实前三者也很关键。