新华未来机遇对话丨面壁智能邹振盛：经济账是具身智能规模化落地的“最后一公里”

9月23日，由中国经济信息社数字经济研究中心举办的新华未来机遇对话·闯关——从“演示级智能”到“规模化应用”具身智能高质量发展研讨会在京举行。北京面壁智能科技股份有限公司（以下简称“面壁智能”）工程副总裁邹振盛认为，具身智能不是一家公司的游戏，而是一场生态协同。只有把通用模型底座做深，场景迁移才有工程意义。具身智能规模化落地的“最后一公里”，不是酷炫的Demo，而是可靠性以及“让客户算得过来账”。

北京面壁智能科技股份有限公司工程副总裁邹振盛发言现场

面壁智能成立于2022年，由清华大学自然语言处理实验室技术成果转化而来，专注高效大模型的全栈研发、产业应用与生态构建，是国内端侧智能赛道公开估值最高的独角兽企业。

具身智能底座的核心是模型，模型迭代的核心是数据。作为国内最早布局大模型研究的机构之一，面壁智能创造性提出大模型演进的密度定律（Densing Law），自主研发的MiniCPM系列端侧模型已在汽车、手机、具身智能等领域实现产业落地。据介绍，其训练数据主要来自高质量数据治理后的开源数据、自采数据以及向专业数据供应商采购的外部数据三大渠道，按类型分又分为真机数据、UMI 数据、人类第一视角（ego-centric）数据等。

“不同训练阶段需要不同的数据配比策略，这是模型持续进化的关键保障。”邹振盛认为，人类第一视角（ego-centric）数据是目前唯一供给能扩展到千万小时量级的具身数据，因此最有潜力成为支撑具身 Scaling Law 的预训练底料，但它缺少动作标签和本体感知，需要跨本体对齐；真机遥操作数据是当前后训练的主力，对接触密集任务的成功率增益最直接，但采集成本较高。

推进具身智能的关键是将其放在真实世界。在邹振盛看来，具身智能的落地节奏取决于三个维度：任务可定义度（即成功标准是否明确）、失败代价的可承受性、数据回流的难易程度。据此形成清晰的场景梯队，第一梯队是汽车、物流分拣等任务标准化程度高、数据回流顺畅的场景，第二梯队为特种场景，第三梯队为商业服务，第四梯队为家庭场景，因其非标特性突出，任务成功定义难以统一，数据回流也最为困难。谈及制约下游大规模商用的核心因素，他坦言：“真正的卡点不止在模型能力，还在可靠性与系统工程。关键是，能否让客户算得过来经济账。”

展望未来2—3年，邹振盛判断，端侧大模型的产业格局将沿着“感知—思考—行动”能力闭环逐步展开。“成熟度最高的是语言模型，多模态次之，具身VLA模型仍在演进中。”据他分析，在应用场景上，车载将率先规模化，在模型能力密度提升和端侧芯片算力增强的双轮驱动下，消费电子将紧随其后，机器人也将会是最大的商业化场景。对于产品研发来说，关键要找准目前所具备的AI能力能解决什么消费者痛点。

邹振盛呼吁，具身智能不是一家公司的游戏，而是一场生态协同。希望有更多产业伙伴加入，共建多模态协同的数据闭环和评测体系，同时建立公开可用的数据集标准与交易机制，打破数据孤岛，推动端侧智能真正走向万物智联。

“新华未来机遇对话”系列研讨沙龙，旨在搭建高端智库交流平台，架起行业洞察趋势、凝聚共识、链接资源的桥梁。活动与业界人士共同聚焦未来产业发展，对行业热点、焦点、难点展开“头脑风暴”，以思想碰撞催生新思路，以集智聚力破解新难题。

编辑：于青

版权声明：未经新华财经书面授权许可，严禁任何个人或机构以任何形式复制、引用本文内容或观点。

免责声明：新华财经（中国金融信息网）为新华社承建的国家金融信息平台。任何情况下，本平台所发布的信息均不构成投资建议。如有问题，请联系客服：400-6123115