本文来自微信公众号： 卫诗婕-漫谈Light the Star ，作者：卫诗婕，原文标题：《「具身是一场马拉松，世界模型和 VLA 都不是答案」｜华为天才少年的具身启航，与墨奇黄青虬的访谈》
看一看表，还有二十几年，
是时候该开始做了。
这是一个在2026年才正式浮出水面的具身明星项目。
墨奇智能成立于2025年底，半年内完成超过10亿元天使轮融资。创始人黄青虬是前华为「天才少年」，亲历华为智能驾驶从0到1、从第一代到第四代的完整建设，离职前，他领导200余人团队，时任AI模型开发部部长，并把端到端方案推向量产。
从去年年底开始，这个项目是具身领域投资人们纷纷约见和抢注的对象。
从本科、博士到华为工作，黄青虬完整经历了机器人的小脑、大脑及系统的学习、探索和实践。其中穿插着清华火神队、汤晓鸥成立的MMLab以及华为自动驾驶，这些人工智能的传奇之地。
这是一期信息量很高的访谈。它能解答一个问题：为什么在2026年，具身浪潮已经狂飙了三年、全行业有数百家具身企业之后，这个赛道仍然有新选手的机会。
要点概览：
具身是马拉松，不需要弯道超车。
具身量产需要更严格的定义。今年能产出5000台靠谱机器人的公司，不会超过三家。
数据的质量，远远重要于数量——在一个人人都高喊「1000万小时」「1亿小时」数据的时刻，黄青虬认为，今天行业接触到的具身数据「质量是不够高的」，且缺乏统一的标准。
VLA和世界模型是一体两面，但它们都「不本质」。
组建一个「温柔且坚定」的团队，有趣也很重要。
嘉宾|黄青虬（墨奇智能创始人ex华为天才少年）
PART ONE
最后下场的「天才少年」：
在华为还有未尽的使命
卫诗婕：我们节目采访过的几位嘉宾，都是你同期的20级华为天才少年——行云的季宇、灵初的陈源培，还有智元的彭志辉，它石的丁文超。你们在华为有交集吗？
黄青虬：跟志辉没有交集，跟丁文超有一些。我们俩几乎前后脚进的华为，还特别有缘分：当时座位不太够，我们俩在同一个会议室办公。我之前更多是偏做感知的背景，他更多是偏做规划控制的，我从他身上学到很多理解系统的不同角度。
卫诗婕：同期的华为「天才少年」里，已经有不少人进入具身创业。你是目前最晚的，为什么？
黄青虬：主要是我在华为还有一些未尽的使命。当时我们在做智能驾驶的端到端，从2023年开始研究，到2025年真正商用量产，经历了一年半。
大家都会说22年、23年ChatGPT出来了，但在我看来，GPT解决的是一个虚拟世界的问题，大模型跟具身还是有本质区别的。
举两个例子。第一，大模型是轮次式的对话，晚几秒回答也没问题；但具身，或者说车，是一个实时系统，你必须每一刻每一分每一秒都在做决策。第二，具身和车是一个闭环系统——你的每一个决策都会影响你的环境。
所以只有GPT这个东西，并不足以支撑具身能做成。还需要有一个AI真的去搞定一个闭环系统、去驱动一个底层控制系统，这条链路真正被验证之后，具身这个事才有可能发生。我觉得我正好就在干这个事，那我应该留下来，把它推到商用量产。
卫诗婕：你什么时候看到爆发节点到了？
黄青虬：两个点。第一，大模型从GPT出来之后，一路推到coding，推到agent。第二，真正在智驾里面把一段式端到端做出来了——输入一个图像，输出一个控制信号，你发现用AI去做它是work的，而且可泛化、可大规模商用。
那时候我发现，这两个技术一结合，高层的语义理解和底层的控制系统，都可以用一个AI系统去驱动。这可能是做具身更好的时间点。大概是25年的年中、下半年。
卫诗婕：2023年看到别人创业，你完全没动过心？
黄青虬：完全没有。当时我沉浸在项目里，也觉得技术还没ready，差一口气。到2025年下半年，我们把端到端真正推向量产，我才出来。
卫诗婕：公司为什么叫「墨奇」？
黄青虬：「墨」来自墨子。墨子造过很多工程器械，我把他理解为中国机器人最早的起点。“奇”来自奇点爆发。我们希望从最初的起点，一直走到具身真正爆发的奇点。
卫诗婕：成立半年就拿到超过10亿元融资，被投资人追着见，在意料之中吗？
黄青虬：完全出乎意料。离职消息出来以后，微信都被加爆了。更多关注意味着更多资源，也意味着大家都盯着你。做得不好，负反馈也会更严重。
卫诗婕：给这次创业的信心打多少分？
黄青虬：90分。聊到后面，也可以说95分吧（笑）。还有5%做不成，所以压力肯定在。
卫诗婕：投资人问过你类似的问题吗？
黄青虬：好像没问过我。他们可能默认觉得我能做成。
PART TWO
具身是一场马拉松，
不是百米冲刺
卫诗婕：具身赛道已经狂飙了三年，前两年已经出现许多高估值、成建制的公司，为什么2025年、2026年还不断有新公司出现？
黄青虬：因为技术范式没有收敛。以数据采集为例，前两年大家做遥操作，现在转向无本体采集，综合效率可能提高十倍。别人过去积累三年的东西，你也许三个月就能追上。格局还没有固定，壁垒也没有完全形成。
我一直说，具身是一场马拉松。百米冲刺才需要严格对齐起跑线；终点在100公里外，起步差几个身位没那么重要。更重要的是团队能不能长期保持凝聚力，技术范式变化时，有没有判断力和审美。
卫诗婕：那你怎么追上已经跑了两三年的公司？
黄青虬：我不觉得需要弯道超车。刚才说了，范式未收敛，我只要持续往前跑，每一步比别人多一厘米，半年、一年、五年以后，慢慢就可能跑到前面。
我跟团队讲，脏活累活、笨功夫要做好。硬件就抠每个细节，把可靠性做好；算法和数据就拆到每一个小模块，逐个验证精度和效率。地基打牢，后面才可能进步得快。
卫诗婕：批量出现具身创业公司，是不是意味着具身创业的门槛其实不高，人人都可以做？
黄青虬：在这个时代，创业的门槛是不高的，但是创业成功的门槛是很高的。具身是一个非常复杂的系统，既涉及硬件又涉及软件，垂直整合的能力需要非常强的人才能把这个事做成。
卫诗婕：行业热度这么高，会不会也放大团队分裂？
黄青虬：会。创业门槛低，容易让每个人的ego都变大。看到一个和自己差不多的人拿到融资，就会想“那我是不是也可以”。说好听一点，是乐观、敢冒险；说得不好听，就是浮躁。人才因此被分散，有些头部团队做一段时间就裂成两三家公司。
所以我们团队希望找“谦虚但自信、温柔但坚定”的人——对技术判断有自信，也能听进不同声音；能坚持靠谱的观点，但不用剧烈冲突的方式解决分歧。更关键的是，创始人自己得先是这种人。同样气质的人会互相吸引。
卫诗婕：你是这样的人吗？怎么成为这样的人？
黄青虬：我觉得我应该算是。可能因为从小当班长，小学、初中、高中都是，大学又当团支书。一直在组织大家做事，慢慢练出一点亲和力。
卫诗婕：没有人挑战班长的权威吗？
黄青虬：有调皮的小孩会挑战。但等他要抄作业的时候，就屈服了（笑）。
PART THREE
数据的战争：
真实的人，在真实的场景，干真实的活
卫诗婕：具身有很多路线，有走B端的，有走C端的。你怎么思考？
黄青虬：具身终极的市场肯定还是在C端。任何一个通用的品类，最终一定要走到C端，才有足够大的市场和利润，让你有足够的资金去做基础模型。而且这一波通用人形机器人，最本质的是通用，最通用的场景我觉得就是家庭——如果家庭这个场景做不下来，那它不能称之为通用。
但站在今天，C端还达不到那个进入的点。叠个衣服都叠得不够整齐，在产品不成熟的阶段贸然进入C端，对你的品牌、对整个行业可能都是负面的伤害。第二，C端对安全、隐私的要求很高。比如以下棋、逗宠物这样的轻量功能先进去，但因为隐私，数据很难回流——而AI是需要数据回流才能持续迭代的，那现在进入的意义也不大。
所以我的观点是，以B端作为跳板，但最终要走入C端。
卫诗婕：怎么通过B端作为跳板？
黄青虬：选择的第一个出发点是，这个场景要有泛化性。你选了什么场景，就意味着你在什么场景采数据；你采了什么数据，就意味着你能训出什么样的基础模型。如果去做一个很专用的活，你很难在这个数据上训出一个有通用智能的基础模型。所以我们找了一个跟家庭比较像的场景——第一站会去一些酒店、商住公寓，做房间清洁。里面接触到的就是类家庭的场景，足够多样、足够复杂。
第二个出发点，它要具备阶段性进入的可能。这个场景即便我做不到100%，哪怕完成30%、50%也可以先进去。任何一个功能，哪怕再简单，如果要做到100%才能进去，那要花的时间肯定非常长。比如酒店的房间清洁，其实是160多个子任务的集合——哪怕我只能把地上的垃圾捡走、把冰箱里的矿泉水换上去，我也可以先进去帮阿姨完成一部分动作。这样我就能进入真实场景，就能回流数据、发现真实的问题。
卫诗婕：此时此刻，关于数据的战争已经开始了。各家都紧锣密鼓，甚至不惜代价。
黄青虬：这一两年非常多这样的公司刚成立就铺开去采数据，喊出的口号可能是1000万小时、1亿小时。但对这个事，我的观点可能跟大家不太一样：我觉得数据的质量，会远远重要于数据的数量。
而且在今天，至少我们接触到的这些具身数据，我觉得质量是不够高的。遥操的数据、UMI的数据、Ego的数据，市面上能对外提供数据的供应商，我们可能都会去拿样例或者采购小部分，自己也做采集设备去采。但整个行业的数据质量非常参差，大家并没有一个统一的标准，说这个数据按这样搞就一定能训出一个不错的模型。
卫诗婕：现在行业都在搞无本体采集，能讲讲采集方式的演进吗？
黄青虬：之前是有本体，叫遥操作：我有一台机器人，人拿一个VR设备在旁边动，机器人跟着同步动。它有几个劣势：效率低；成本高，因为你需要一台机器人在那；而且大家都是在室内的摆拍场景反复摆，多样性也低。
为了解决这些痛点，就扩展到无本体。前些日子比较火的是UMI，手上带个跟机器人长得一样的夹爪，这时候就不需要机器人在了。后来大家觉得手上带夹爪还是影响工作效率，就改成手套——但阿姨戴着不舒服，工人戴着也不舒服。所以又演进到连手套都不要，只在头上戴一个头环，头环上有个相机，把人正常干活的第一人称视角拍下来，让模型来学。
整体想解决的就是采集效率和场景泛化性。整个AI的发展肯定都要scaling law，前提是数据能够scale up。所以无本体肯定是大趋势。但除了无本体，我还有三个原则一直比较坚信：得是真实的人，在真实的场景，干真实的活。
卫诗婕：怎么讲？
黄青虬：现在有些公司拿的是无本体的数据，但还是在摄影棚里操作，是一个假设的、摆拍的场景。他雇的人可能是专业的数据采集员，并不是真实干这个活的工人或服务员。这些人的目标是我做出一个动作并且拿到回报——并不是为了把桌子擦干净而去擦桌子，而是为了做出擦桌子的动作去擦桌子，所以很多轨迹会有变形。
我们叫in the wild的采集。我坚信一定要让真实的服务员或工人，带着我们的设备，进真实的场景，就在他日常干活的时间里面把数据采上来。
我们今天的AI，本质就是从数据里总结规律、学习智能。数据质量就决定了它能学到什么样的智能：如果你的数据都是摆拍的轨迹，它自然就学出一个摆拍的轨迹；面对真实场景时，可能就做不出这个动作。
卫诗婕：我们都在期待具身产生scaling law，具身的Scaling Law跟大语言模型的Scaling Law，会有什么区别吗？
黄青虬：我一直觉得具身的scaling law会更难。
具身是跑在端侧的系统，算力受限，就意味着模型参数量不可能太大，不可能像大语言模型一样做几百B甚至几千B。
但同时，具身吸收的数据量又比大语言模型更大——大语言模型处理的是文字，最多是图片；具身是实时接收高清视频流，还有语音、文字，各种多模态信息，而且必须实时做操作。
具身模型的参数量更小，要吸收的信息量又更大，这就意味着你对模型结构的设计有更大的挑战。
卫诗婕：具身公司里，有的先做基础模型，有的先追求出货。你的优先级是什么？
黄青虬：如果一定排序，基础模型在前。拉长时间，智能上限决定一家公司的上限。但量产也必须做，因为机器人不到真实场景7×24小时运行，你不会知道硬件到底靠不靠谱。
我们的办法是找那些只需要较低后训练成本就能落地的场景，让模型和量产互相推动。基础模型负责提高上限，真实场景负责暴露问题、产生数据。
PART FOUR
算法不重要？
「架构可以抄，infra、人才和组织抄不来」
卫诗婕：我在了解这个行业其他创始人的判断时，经常听到一句话：算法不重要。或者说算法在现阶段不重要，有钱就能搞到算法人才。
黄青虬：算法肯定非常重要，算法是这波智能的核心。
大家的核心观点可能是：现在算法离爆发还没那么近，我可以等别人做成了，再去挖一些人，或者抄一下他的方案，大力出奇迹。但这一点我不太认同。算法架构本身你去抄是容易的，但你在探索算法过程中积累下来的东西——比如infra，比如人才，比如你所形成的组织氛围——这些是抄不来的。等到爆发的那一刻，你就那么有信心马上能挖来几个人，这几个人就能融合在一起，有足够的infra把这个东西做出来？我觉得不太成立。
卫诗婕：班长说，抄作业是得不到好成绩的（笑）。
黄青虬：对对对（笑），还是得有自己思考的过程，才是锻炼真正的能力。
有一点很意外的是，我们成立才半年，但花在算力上的投入，可能至少能排到行业前五名。从这个现象你就可以看到，大家在算法上的投入，其实没有跟这个行业的热度形成匹配关系。
卫诗婕：你能透露一下钱最大的流向吗？
黄青虬：目前最大的流向就是两块，人才和算力。算力应该已经到了千万一个月的级别。
卫诗婕：这个行业很多公司声称自己在训大脑。什么样的级别能判断出他到底是不是真的在训大脑？
黄青虬：如果真要做大脑，现阶段到千卡级别，这是一个门槛；如果要做得比较好，可能需要到万卡这个级别，才有可能做出突破性的成果。
卫诗婕：倒推的话，一家初创公司现阶段得融多少钱，才能支持18个月的高效训练？
黄青虬：以1000卡来算，一个月差不多接近1000万，一年就是一个多亿。那至少要融3个亿，才能支撑这家公司两年的算力投入。
卫诗婕：这也是头部公司早期的融资卡位。如果融不到这个钱，你基本上跟训大脑这件事就没什么关系了——可以这么理解吗？
黄青虬：可以这么理解，训大脑确实是一个很烧钱的工作。
卫诗婕：你会做全栈吗？很多全栈公司会把灵巧手、零部件都自己做，他们有一个指标叫自研率。
黄青虬：软件、硬件、算法我觉得都需要做。在现在这个市场环境下，很难只通过软件授权去获取商业回报，更多还是要软硬一体，把它当成一个产品卖给客户。
但具体到硬件里面，我们不追求自研率。什么东西会自研？如果一个零部件，它的供应商的成熟度跟进步速度跟不上我们了，那我们会选择自研。
比如灵巧手，我们现在没有自研。我们去酒店试了一下，我带上一个夹爪，在酒店能干70%的活；但用算法它现在可能干不到5%。这说明瓶颈还不在执行器——我先把算法从5%提到65%。如果执行器不是瓶颈，那就没必要自研。
卫诗婕：2026年被行业里成为「具身量产元年」，有些公司已经完成量产，声称完成了首个PMF。在这种情况下，你怎么规划接下来12到18个月？
黄青虬：首先我们并不想被这种市场节奏带着走。他们能形成一定的PMF，也是在一个比较垂直的赛道，而这种垂直行业足够多，并不存在说我占了这个工位，其他工位你们就进不去了。
我们最着急的是两个核心的基础能力。第一是硬件的可靠性。我看到很多机器人公司确实可以做一些demo，但你能不能7×24小时、一年都不坏地在那运行？我相信现在没有哪家机器人公司能做到。
第二是基础模型的能力。你做一个垂直工位的时候，是花了多大精力去专门采数据、做微调，才把这一个工位完成的？如果每个工位都要花很多人、很多算力、很多数据，那这个东西从场景应用上也是不可以scale up的。基础模型足够强的情况下，你再做一些简单的微调，落地到具体场景是顺其自然的事情。
PART FIVE
清华火神队传奇：
复杂系统的难点在于，
从硬件、软件一路串到算法，误差会被不断放大
卫诗婕：刚才聊了许多对行业的判断，现在来追溯一下这些判断是从哪里来的。你对机器人的兴趣最早从什么时候开始？
黄青虬：小学看动画片《铁甲小宝》，里面有各种可爱的机器人，会跟人类朋友一起解决生活中的困难，那时候就觉得，我要有这么一个机械伙伴就好了。后来看《变形金刚》、《黑客帝国》，知道了更高层面的命题，机器人去保护人类、保护世界，我就觉得，哎呀，好有意思。
高考成为状元以后，各校招生老师会到家里介绍专业。热能、环境这些我都听不太懂，听到清华自动化里有很多老师做机器人，我说这个有意思，就选了自动化。
卫诗婕：进清华以后，你加入了非常著名的火神队——这是国内最早做双足机器人的机构之一？
黄青虬：是的。大一暑假开始进赵明国老师的508实验室。从循线小车、自平衡车，到加入火神队踢RoboCup（机器人世界杯比赛）。本科四年，除了吃饭睡觉，我感觉60%的时间都在实验室。
卫诗婕：赵老师也是个传奇。
黄青虬：的确。赵老师很特立独行。业界当时的主流是ZMP（第一代人形运控的核心算法，详情欢迎前往视频版）时，他坚持研究被动行走和动态步态；今天运控走向AI，他仍然认为运动学、动力学这些传统知识应该融合进去。他让我学到一件事：不要随大流，要有自己的判断。
卫诗婕：你在火神队是队长，怎么当上的？
大二时，队里做运控的人多，感知没人做，赵老师就让我去。我从传统图像算法做到卷积神经网络，又带大家重构系统，大三成了队长。
卫诗婕：大家现在公认运控方面，宇树是做得很好的。你们这些古典运控派，会怎么看宇树？
黄青虬：宇树肯定做得非常好，它表现出来的运动性能、秀的这些demo确实非常惊艳。
运控发展到今天的第四代，是基于强化学习的这一代，从算法层面的门槛相对之前没那么高了，因为AI能做很多事。以前运控还挺难的，说实话我自己也没太学明白——当时你有很多优化目标：希望机器人跑得快、步态类人、不要倒下；同时全身所有关节的扭矩都可以控制，可优化的变量又特别多。但到了强化学习这一代，我不太需要做非常细节的数学建模，更多是设立一些奖励机制——比如你倒下了就该受到惩罚——让模型在仿真里面不断试。
宇树在这方面确实领先。但我觉得更大的领先在于：今天的运控很依赖仿真环境，而宇树是能把Sim to Real的gap做得特别小的这么一家公司，它的硬件、关节、电机的能力确实非常强。
卫诗婕：这是可以被追上的吗？
黄青虬：我觉得可以。因为这里面更多的是工程经验，并没有一个非常不确定性的技术在里面。后面这些公司只要持续打磨，慢慢是能追上的。
卫诗婕：那你觉得不确定性是在大脑层面？大脑层面范式又未收敛。但你刚才又说你的信心有90分。
黄青虬：对，我觉得现在整个具身最不确定的就是在大脑。这个信心更多来自于：虽然我不知道最终它长什么样，但我知道我把基础的东西搭好了，把数据做到高质量了，以及我有一个足够好的团队，那大家肯定能在试错的过程中把它试出来。
卫诗婕：你们当年做的是人形双足运控，而你负责感知决策——相当于做了机器人的小脑，但有一点涉及大脑？
黄青虬：在今天看来可能是大脑，那个时候我们叫它机器人的眼睛。我们那时候的大脑是一个决策系统，非常简单，就是一个状态机：if你看到了球跟球门，那你就射门；if你看到球没看到球门，那你就转一圈。是一个基于规则的系统。
卫诗婕：那不就是今天的VLA吗？
黄青虬：你这么说确实有点道理。只不过那个时候不太支持语言指令，更多是V（Vision）进去之后，L（Language）被替换掉——L就是我刚才说的那条简单的规则，然后A（Action）就是它去做一个动作。
卫诗婕：火神队留给你最大的影响是什么？
黄青虬：“细节决定成败”。一个步态不对，不一定是算法错了，可能只是某颗螺丝没拧紧。复杂系统从硬件、软件一路串到算法，误差会被不断放大。必须把系统拆到足够细，逐个检查最小模块的输入输出，再把它们组装起来。
PART SIX
MMLab的黑羊文化：
汤晓鸥、林达华…从0到1建立一个系统
卫诗婕：本科毕业后，你进入了汤晓鸥成立的MMLab主攻多模态。为什么会从运控转向AI和多模态？
黄青虬：做感知时赶上ImageNet，第一次用神经网络识别足球和球门，觉得这个东西很有魔力——当时是我大四，去刚成立不久的商汤实习。印象特别深刻：那时的商汤团队只有十几个人，在文津国际公寓租了一套公寓，客厅办公，卧室睡觉。
就这样算是入门了计算机视觉。我自己有点脸盲，但机器居然能把人分清，会觉得这件事潜力很大。
卫诗婕：MMLab可以视作商汤的技术母体。这和汤晓鸥教授的理念有关系吗？
黄青虬：有非常大的关系。汤老师的很多理念在今天看来都特别先进。
比如他倡导的黑羊文化。他给商汤选的吉祥物是一只黑羊，black sheep在英文里的意思就是不合群的、格格不入的小孩。他想告诉大家，每个人都可以特立独行。他非常尊重个体差异，因为他坚信只有多样化，才能发展出一些不一样的东西。如果大家都同质化了，那其实就是一个流水线式的paper生产工厂，这不是他建这个实验室的初衷。
他还欣赏两种研究：一种是你去close掉一个领域——你做了一个算法，做完之后这个领域的所有问题就解决掉了；另一种是你去open一个领域——你提出一个之前大家没想到、但特别有研究价值的问题。
卫诗婕：学习了。后来大家得知他去世的消息，在你们圈子里会有震动吗？
黄青虬：会，大家非常非常遗憾。汤老师不只是对MMLab，我觉得他对整个华人圈、对中国的AI事业都起到了举足轻重的作用。我相信如果他还在，也会继续推动中国AI更进一步。
卫诗婕：你在MMLab做了什么题目？
黄青虬：我做的题目非常有意思，同学都特别羡慕我——我做的是电影解析。
做AI你需要很多时间去看数据。我的同学做超分辨率，在看蝴蝶，把翅膀放大10倍看纹理清不清晰；做人脸识别的在看各种各样的脸；做动作识别的在看跳高、跳远。只有我每天在看电影。
当时林达华老师跟我说，做图像、做短视频已经有很多人研究了，但怎么用AI去解析一个两个小时长的、有声音、有音乐、有对话、有图像、还有故事情节的多模态数据，是没有人研究过的。而且给的问题非常开放：用AI解析电影，做什么题目，你自己选。我做了电影里的人物识别、做了说一句话去搜出对应剧情片段，也做了一些生成式的，比如给一部电影，自动剪辑出一个预告片。
卫诗婕：（自动剪辑）这件事现在大家都还在努力呢。你当时还一手搭建了学术界首个大型多模态长视频数据集MovieNet——好长的title。
黄青虬：这个也非常好玩，或者说前两年我发不出文章，跟这个也有关系（笑）。当时其他东西大家可以去YouTube、去Google Images上爬，但我想去爬电影，发现所有电影都爬不到，能爬到的是50年前、已经过了版权保护期的黑白电影。
然后我就想了个办法：去买光碟。去了香港卖DVD机跟卖光碟的那些小伙伴那里，买回来发现，一是没有那么多电影，可能也就几百部；二是每一部都要放到光驱里去拷，几百部拷完可能要花半年。最后发现，像清华、中科院这些校园网的IPv6上，大家在做资源共享，上面有很多版权不那么显名的电影就放在那里。当然有点灰度，我不知道能不能播（笑）。
卫诗婕：这段经历里，最大的认知升级是什么？
黄青虬：是这个课题带给我的：我做的事从一个命题作文，变成了一个开放性的课题。
原来做的事情非常明确，我就是把这个足球识别出来，想尽办法让准确率越来越高。但博士期间，你去研究电影，你去研究电影的什么东西，是没有人告诉你的，你得自己去想。从封闭式问题到开放式问题，这种转变带来的挑战会更大。
卫诗婕：本科时赵明国老师说不要随大流，在MMLab汤老师说要做black sheep。那在开放式的命题里，你怎么找到属于自己的那只黑羊？
黄青虬：我会从这个问题本身出发：它区别于其他课题，有什么特质？
第一个特质是它有多种模态。有人研究NLP，拿的是一大堆文本；有人研究语音识别，拿的是一大堆语料；有人研究CV，拿的是一大堆视频图像。但我拿到的东西是三种模态都有。基于这个，我就可以去做跟别人不一样的、跨模态的东西。
本质上今天具身也好、多模态大模型也好，大家在解决的就是信息压缩跟模态对齐这两个核心问题。你抽象来看，大语言模型是语言模态到语言模态；视觉语言模型是视觉加语言模态再到语言模态；具身，就是视觉加语言模态再到动作模态。
卫诗婕：你能举个例子吗？所谓模态对齐，到底在做什么？
黄青虬：打个比方。你在餐厅拿到了一个汉堡，在书店拿到了一本书，在体育馆拿到了一个球拍，它们之间你其实很难对比。所谓模态的对齐在干什么？我给它建立一个统一的标准跟空间——比如我给它们定个价，球拍卖多少钱，汉堡卖多少钱，这样就可以通过价格去做对比。
具身本质上也是在做这件事：图像的输入是一个特征空间，语音的指令是另一个特征空间，最终要它做的动作又是一个空间，我要让这三个模态互相转化。只不过现在大家是用一个端到端的模型去做，这个过程隐含在神经网络里面去了。
卫诗婕：MMLab留给你最重要的东西是什么？
黄青虬：MMLab留给我最重要的能力，是从0到1建一个系统：自己定义问题，找数据，提出方法，再建立评价标准。
卫诗婕：你觉得，什么是系统？
黄青虬：输入、输出、算法和评价标准合在一起，才是完整的系统。
PART SEVEN
在华为，把99.99%推向真实世界
卫诗婕：博士毕业后，为什么没有继续做视频，而是去了刚起步的华为车BU？
黄青虬：我还是喜欢机器人，看到一个物理实体能动，会更有成就感。另一个原因是，我想去一个荒凉的地方，从技术原型、产品到规模量产，把完整生命周期走一遍。华为车BU 2019年成立，我2020年加入，当时第一代产品刚起步，很适合开荒。
卫诗婕：你在华为第一次真正的“战役”是著名的「北汽极狐」，听说你是被拉去「救火」的？
黄青虬：北汽极狐是华为第一款要量产的车。亮相前几周，为了降低成本和满足车规要求，车上的机械式激光雷达换成了半固态激光雷达，但原来的算法一下就崩了。我之前没做过激光雷达，但当时被拉去救火。
卫诗婕：我突然想到你在火神队的时候，也是某个东西没有人做，赵老师就让你去。为什么总是你呢？
黄青虬：我觉得可能是幸存者偏差。那些被扔过去、没有做好的人，可能今天就上不了你的节目了（笑）。
卫诗婕：但为什么总是你？
黄青虬：可能还是我比较勇敢和乐观吧。
接任务那晚，我十二点多给mentor打电话，问他「万一搞不定怎么办？」。他说，没事，责任是我的，搞不定就搞不定。我后来想，我才入职半年，还是应届生，做砸了应该也不会把我开掉吧（笑），那就试试吧。
卫诗婕：你从没做过激光雷达，怎么上手？后来居然还做成了。
黄青虬：我上手第一天，其实就是去看数据。然后你会发现，背后很多东西很像。图像上每个像素背后是RGB（色彩模式：红、黄、蓝三原色）三个通道的值，而激光雷达上每个点是一个深度值——这个点距离你多少米，以及它的材质有多强的反射率。
卫诗婕：你又开始提取特征了。
黄青虬：对。抽象到这个程度之后，你会发现背后的原理比较像，别人在三维数据上验证过的模块，你就可以复用过来。我们带着六七个人重新梳理数据、模型和模块，最终三周的时间，真的把它做到了比原来的激光更好的性能。
卫诗婕：你最终离开华为时，已经是一个200人团队的Leader，是怎么做到的？
黄青虬：后面第二段是去做前融合的BEV感知网络：一是把整个表达空间统一到鸟瞰视角下，后面所有的感知模型就有一个统一的空间去做表达；二是「前融合」——把激光、毫米波、相机视觉都放到神经网络里面去融合，原来三个模块并成一个。再往后，就是感知跟规控做连接、合并，那就到了大家说的端到端：最前端直接是图像，最后端是未来行驶的轨迹。
有意思的是，组织的发展过程跟技术是匹配的。一开始智驾都是分模块的，每个人负责一个模块；后来激光跟毫米波可以放到一个神经网络里处理，那就是两个模块做了融合，团队也做了融合。
就这样，团队也从六七个人逐渐扩到200多人。技术从激光、毫米波、视觉各自为战，走向BEV前融合，再走向感知和规控合并的端到端；组织也随着模块融合不断重构。
卫诗婕：华为给你最深的烙印是什么？
黄青虬：务实，以及对量产的敬畏。学术榜单上99.99%的准确率看起来很高，但推到100万辆车上，万分之一的缺陷也可能对应大量问题。产品不是刷榜，每个环节都不能有短板。
算法和算法系统也是两件事。模型架构只是其中一部分。数据怎么准备、怎么清洗，训练怎么在千卡或万卡上稳定运行，版本怎样快速迭代，评测体系怎么比较不同模型，这些合在一起，才是算法系统。如果一版模型要训一个月，基本就不用玩了。
到2025年，我们把ADS 4.0的端到端版本推到100多万辆车上。对我来说，这是在华为的毕业作品。它证明从图像输入到控制输出的AI闭环可以量产。
卫诗婕：从小团队到200多人，你怎么管理？
黄青虬：我没有特别研究过管理，最重要的三个字是同理心。知道一个人接到工作时会担心什么，给他需要的支持；他过于亢奋时拉一把，低落时给一点鼓励。
卫诗婕：很认同。但是当你的团队大到一定规模，同理心不可能充分使用在每一个人身上。
黄青虬：的确。但这时候，文化就有了作用。你连接的十个人学会并认可这种做法，他们再连接一百个人。共同的做事方式传播开来，就是组织文化。
卫诗婕：你去华为的选择令我感到挺意外的——因为毕竟MMLab是一个非常自由快乐的机构，而华为在大家印象当中是很苦的、高压严肃的企业形象。
黄青虬：我觉得天才少年最大的意义，并不在于给了这些人什么超越市场预期的薪资或title，而是它一定程度上打破了华为给人的固有印象。它打破了自己传统的职级体系，也打破了整个人员招聘的规范，大家会看到这个东西是可以打破的，也许意味着它内部并没有那些不可打破的条条框框；第二，它愿意给优秀人才这么高的待遇，说明它是尊重个体差异、尊重人才的。
卫诗婕：「华为天才少年」这个标签，对你究竟意味着什么？
黄青虬：所有的标签，都是大家在某个历史时期给你的一个浓缩的评价，在今天看来意义已经不是特别大了——就算它能代表什么，也是5年前、6年前的我。它更多是一张名片的作用。
PART EIGHT
别迷信大词：
VLA和世界模型都不够本质，
AI本质上是一门实验科学
卫诗婕：今天大家都在追VLA、世界模型。你怎么看？
黄青虬：我自己的看法是，这些东西其实不本质。
不管智驾也好、具身也好，把模型抽象来看，就是把高维度的输入token压缩到低维度的token，同时做一个模态的对齐跟转换。
对具身来说，就是从视觉和语言模态转换到动作模态。
那为什么会有VLA、世界模型？核心是因为在这个系统里面，输入的维度特别高，但输出的维度很低。而模型的训练，就是它得到一些反馈，然后去纠正原来的参数。输出维度很低，就意味着它每一次拿到的反馈很低，所以训练过程会特别慢。
大家自然就想到：动作这个模态很稀疏，那我能不能同时给模型加上一些稠密的输出，来加速训练？比如让它去做图像生成、去预测下一帧——这就是大家说的世界模型的其中一种范式，是像素上、空间上的稠密信号。再比如VLA里常做的CoT思维链：我让你收拾桌面，机器人并不知道怎么收拾，我要给它讲解——这个空的矿泉水瓶可能是垃圾，你要扔垃圾桶；这里有个手机，手机不能扔，要放桌上摆好。这是逻辑推理上的稠密信号。
所以VLA跟世界模型其实是一体两面，只是方式的不同。核心是：我有视频输入、语言输入，有动作输出，我要以最快、最高效的方式做模态对齐，并且让模型保持足够的泛化性跟效率。这是我们优化的永恒不变的目标。至于中间是加一点视频预测，还是加一点语言推理，我觉得不是最关键的地方。
卫诗婕：听起来像是条条大路通罗马。
黄青虬：AI本质上还是一门实验科学。当然你的技术判断、你的审美很重要，它可以帮你在100个方法里筛出那10个可能有效的，但最终那10个到底哪个有效，还是靠实验。所以为什么AI这么费算力？很多时候是花在做实验、花在试错上面。
卫诗婕：你怎么看现在大家对世界模型的追逐？它的定义也非常纷繁。
黄青虬：用世界模型肯定没错，但更关键的是更细一层：你怎么用？你是只用它做视频生成的监督，来增加稠密反馈；还是让它当成一个仿真器去产生数据；亦或是当成一个在线仿真器，让模型在里面探索、试错？做法也有很多：显式的视频生成是一种，训隐式特征、JEPA是一种，做3D生成也是一种。
所以我不太倾向于用一个这么大的词去泛泛地讲所有东西，需要具体去看：你的世界模型怎么训练的？用在什么地方？怎么用的？我们大部分都做过尝试，各有优劣势——这个方向确实还没有收敛，这也是现在还有这么多人出来创业做世界模型的原因。
卫诗婕：墨奇怎么做技术选择？
黄青虬：我们会建立一个不断扩充的工具集。论文里的新方法、团队成员的想法、和业界交流得到的思路，全部列出来，合并同类项，再一起排优先级。凭直觉和经验先筛一轮，剩下的分工做控制变量实验，拿结果回来判断。
卫诗婕：你怎么能确保，直觉和经验不会筛掉那个最终work的方法or方向？
黄青虬：漏掉好方法当然有可能，只能相信团队的审美。
卫诗婕：你们的审美是什么？
黄青虬：我们大的审美是，simple but work，美的东西都是简洁的。我们AI界有一个特别的人叫何恺明，他的方法就都是simple but work——很简单、很简洁，但确实非常work。
卫诗婕：但你又非常强调华为的量产经历让你务实。如果算法的taste和务实冲突了，会怎么办？
黄青虬：并不冲突，它其实是两面。最终那个结论，你肯定是用实验结果说话、靠最终用户的反馈，这就是务实。但为什么需要taste？因为今天每个人脑子里可能都有几十个idea，从这上百个、上千个idea里，你不可能都去做实验、都去拿到用户反馈。所以是两个阶段：先靠taste做初筛，再用务实的实验结果去做最终判断。
卫诗婕：2024到2025年智驾行业也在炒VLA，但华为并没有跟进。
黄青虬：核心是我们内部做了很多对比，发现加入language这个模态，对智驾来讲作用并不明显，所以最终没有去跟随这个热点。
华为的目标一直非常明确，叫以客户为中心。所有的东西，最终他问你的问题就是：你上了这个东西，客户的体验能不能提升？客户的安全性能不能提升？如果不能，只是它有一些新的技术、新的词能拿去宣传，那这种方案一般都会被拒绝。今天的具身，somehow也有这种现象——有些更看重落地，有些更看重基础模型；有些更看重单点能力的上限，有些更看重系统级别有没有短板。
卫诗婕：基础模型和量产，你更关注哪个？
黄青虬：如果一定要排优先级，肯定是基础模型排在前面。具身是一个超大市场、超长赛道，拉长时间看，智能的上限决定这家公司的上限。落地怎么解决？我们去找一些最小成本、通过后训练就能落地的场景——因为你不到一个真的场景里7×24小时地跑，其实是不知道你的硬件到底可不可靠的。
PART NINE
量产的定义需要更严格：
今年能够产5000台靠谱机器人的公司，
不会超过三家
卫诗婕：你有没有推演过：如果未来几年西方做出了断代式的、闭源的脑模型，会不会重演——中国只能做硬件，利润的大头被硅谷拿走？
黄青虬：在这个时代应该不太可能发生。
第一是大模型，今天中美肯定还有差距，但至少已经把差距拉到了半个身位。第二，具身跟大模型不一样，它不是纯虚拟世界的东西，还需要硬件，整个数据采集也依赖一整套软硬一体的系统——而具身模型的数据是从头来过的。在这一点上，中国至少在硬件供应链这一块还是有比较大的优势。借助这个优势，我们可能可以建立起数据的优势；借助数据的优势，说不定还能建立模型的优势。
卫诗婕：如果优秀的脑模型能出现在中国，是你还是别家先做出来，有什么区别吗？
黄青虬：一个模型的「出来」，是因为它形成了一定的社会影响力。比如大家常说的GPT时刻——在ChatGPT之前，OpenAI也好、Google也好，都贡献了非常多的技术点。它整个演进并不是从0突然蹦到1，而是这些最聪明的人从0做到0.1、0.2、0.3，只不过最终从0.9到1的那个时间点，刚好出现在OpenAI身上。
整个具身也是这个现状。我确实不能保证最终引爆的那个点出现在墨奇，但只要我是这里面的一员，我一直往前推，即使不是1出现在这，那有可能2、有可能3出现在这。更多的是说，你要让自己保持在第一梯队。
卫诗婕：范式革新往往意味着推倒重来。华为智驾从1.0到4.0，每一代都是推倒重来。当你发现可以去推倒的时候，你是兴奋的还是痛苦的？
黄青虬：整体是更兴奋的。维护旧模块会让你陷入无尽的长尾问题，当一个模块的上限就卡在那的时候特别难受——我们叫跷跷板，你改了这个问题，那个问题就解决不了。但你每次推倒重来，是在提升智能的上限，一旦上限提上去，很多问题可以迎刃而解。
卫诗婕：但是团队（能否欣然接受这样的巨变）呢？
黄青虬：对团队是有冲击的。维护旧模块的人会更不开心——你看着别人做新的，同时还知道可能再过几个月我的模块就要被替换掉，这种心理落差肯定会有。我们比较好的方式是轮换着来：你做第一代，有人在做第二代；做第二代的人把它做到商用的时候，第一代的人去做第三代。
卫诗婕：我知道你们还在打磨原型机。现在很多公司已经宣称量产，你们为什么仍把第一个产品叫原型机？
黄青虬：因为我对量产的定义可能更严格。一个东西如果不能稳定运行7×24小时，不能生产一万台并保证每台一致，在我看来就是原型机。过分的overclaim没有意义，短期可能有收益，长期还是要回到实际价值。
卫诗婕：所以你觉得这个行业是有overclaim现象的。
黄青虬：肯定是有的，这么高的热度、竞争激烈的情况下，必然有一些真真假假。而且吹过的牛能去兑现，那我觉得也是好事。
卫诗婕：按照你的观察，大家喊出的量产数字，并不意味着他已经实现了？
黄青虬：在我看来，今年能够产5000台靠谱机器的公司，我觉得不会超过三家。
卫诗婕：你觉得你什么时候能产5000台靠谱的？
黄青虬：我们希望我们明年可以。
我们希望自己成为一家「靠谱」的公司，所谓靠谱指的是：我们希望模型开源以后，别人下载下来就能达到接近宣传的效果；对外展示的demo，到了真实现场也差不多；交付的硬件能7×24小时稳定运行半年、一年。这就是我说的靠谱。
卫诗婕：未来12个月的考卷是什么？
黄青虬：第一个是推出硬件原型机，并进入真实客户场景做POC；第二个是开源第一个基础模型，希望它真的好用、靠谱。第一款机器人是轮式底盘，面向服务场景，计划在8月的WRC（世界机器人大会）和大家见面。我们希望明年具备生产5000台靠谱机器人的能力。
PART TEN
做一家“温柔但坚定”的公司：
看一看表，是时候开始做了
卫诗婕：你想建立怎样的团队？
黄青虬：学术和工程两类人都需要。修过bug很重要，前沿算法的taste也重要。另外我觉得好玩也挺重要的：做机器人很苦，产品和团队的调性会影响人的心情，心情又会影响灵感。
这个行业的硬件给我带来的一个认知是：可能不是所有硬件都像车一样稳定，你随时不知道它会出什么幺蛾子，所以你需要非常健康的心态去看这些东西。
最近为了准备产品亮相，我们从各部门调了一支「机械医疗队」，每天到不同调试现场给机器人“义诊”——其实就是修机器人，但是说成给「它们」治病。诶，说出来好像没那么好玩了（笑）。
卫诗婕：挺好玩的。今天你进来时，我感觉你是个很快乐的人。你平时会生气吗？压力怎么消化？
黄青虬：我基本没怎么生气过，可能痛感比较轻。压力特别大时就早点睡，而且不管压力多大，我都睡得着。
在华为接紧急量产任务时，我也会害怕；每次推翻上一代方案，面对不确定技术，也都有压力。但我没有遇到过真正觉得跨不过去的困难。
卫诗婕：你觉得乐观是一种天赋还是一种方法？
黄青虬：乐观对我来说是一种可以被环境和身边的人塑造出来的方法。
小时候我看科学书，想试试母鸡怎么孵蛋，就从冰箱拿了一个鸡蛋，塞进袜子，放到爸妈被窝里。后来蛋都臭了，他们也没有责备我，只觉得好玩。一个允许试错的环境，会让人更敢探索。
卫诗婕：介绍介绍团队吧？
黄青虬：优秀的人太多了，介绍不完，我挑几个。
第一个成员是我们的架构师董思远，MIT的PhD，在机器人行业算是一个老炮了，很早就在研究视触觉和抓取，导师现在是波士顿动力的算法科学家。他从最传统的机器人运控、抓取、manipulation，一直做到learning based的东西，拿过机器人顶会的best paper，从操作到运控到硬件能力都非常全面。
卫诗婕：你希望这家公司一直保有哪些特质？
黄青虬：我最希望保有的特质就是靠谱。不管在任何阶段，都能提供最靠谱的东西——现在做最靠谱的原型机、最靠谱的模型，未来做最靠谱的产品。
卫诗婕：你最终想造出什么样的机器人？
黄青虬：我希望它是人的伙伴。它在办公室里跑来跑去，看你坐太久，会提醒你起来走走，或者主动倒杯水。以后进入家庭，可以陪你玩游戏；去户外能一起踢球、拍照、拎包。它不是一个冷冰冰的工具，而是参与生活的伙伴。
卫诗婕：按照RoboCup的愿景，2050机器人应该要踢赢人类了。你说的画面，2050能实现吗？
黄青虬：肯定能实现，我觉得十年左右，机器人伙伴就有机会出现。
卫诗婕：最后，为什么一定要出来创业？在华为，也许也有机会能做成一番事业。
黄青虬：还是内心有一点火苗。如果我自己预判这个时间点——未来的5到10年会爆发（具身的智能），而我错过了这么一个自己亲手去造一台从小就梦想去造的机器人的机会，那我会觉得是一个非常非常大的遗憾。所以还是鼓起勇气，成立了这么一家创业公司，真的希望自己能够花5年、10年，甚至20年的时间去打造这么一个机器人出来。
还有一个比较有意思的：我们当时在打RoboCup的时候，它的目标是说2050年，机器人的足球冠军要踢赢当年的世界杯冠军。你看一看表，还有二十几年——是时候该开始做了。