5月16日，在杭州举办的具身智能前沿沙龙上，浙江大学"百人计划"研究员、浙江省高层次青年人才陈昊带来了题为《如何走出具身智能的规模法则》的重磅演讲。作为法喜设计的参会观察，这场演讲不仅揭示了具身智能领域的关键技术路径分歧，更让我们看到了AI内容创作与具身智能之间的深层交叉可能。

世界模型：表征优先，而非像素生成

陈昊开篇即点明核心立场：具身智能的世界模型构建，表征学习应当优先于像素生成。这一判断直击当前行业痛点——大量研究资源投入在视觉重建的精细度上，却忽视了机器人真正需要的，是对物理世界结构和因果关系的抽象理解。这与法喜设计在AIGC内容生产中的体悟高度一致：生成一幅漂亮图像只是起点，理解图像背后的结构逻辑，才是从"模仿"走向"创造"的关键跃迁。

从LLM进化看机器人规划的路径选择

陈昊以大语言模型的进化轨迹为镜，精准剖析了机器人规划的两条路线。2020年GPT-3开启大规模预训练，实现了海量知识涌现；2022年InstructGPT引入SFT监督微调，让模型对齐人类指令，完成了"模仿"阶段；2024年o1/R1引入RLVR强化学习，原生推理能力涌现，彻底超越了单纯模仿范式。

由此，他对比了机器人规划的两种路径：当前主流路线类比SFT——VLM预训练后直接走VLA端到端，本质仍是模仿学习；而他的判断是类比原生推理——VLM预训练后跳过单纯模仿，直接走RLVR后训练，向具备原生推理能力的高阶形态进化。这一判断的核心逻辑在于：模仿永远有天花板，推理才能打开新世界。

三条表征路径：JEPA受限、π0.6部分可行、StaMo更优解

陈昊进一步展示了三条表征学习路径的对比：JEPA路径受到表征能力的根本性限制；π0.6的RL Token路径部分可行但仍有不足；而他们提出的StaMo方案则展现出更优的架构设计。

StaMo的核心突破在于：仅用两个Token即可实现完全自洽的世界表征，同时支持图像重建与动作的自然涌现，且整个过程完全无监督学习。这意味着模型无需依赖海量标注数据，就能从感知到行动建立完整的认知闭环。该方案已入选CVPR 2026 Highlight（论文链接：arxiv.org/abs/2510.05057），是具身智能表征学习领域的前沿成果。

RLVR为什么能赢？

陈昊给出了RLVR胜出的三大理由：第一，完整继承VLM的世界知识与原生推理能力，保留泛化性；第二，Reward信号可灵活设计，无需依赖海量人类演示数据，数据效率更高；第三，支持对分布外（OOD）场景的有效外推，这是模仿学习永远无法企及的能力边界。在法喜设计看来，这与AIGC内容生产的逻辑异曲同工——单纯模仿已有风格终有尽头，只有建立起"理解-推理-创造"的闭环，才能持续产出有生命力的原创内容。

已验证的起点，未突破的瓶颈

陈昊坦诚地划分了当前技术的边界：语言Token预测涌现了知识推理能力，图像生成验证了感知泛化——但这些只是"意图理解+粗粒度规划"的起点。真正未突破的核心瓶颈在于视频的精确结构理解，以及物理与运动的规模法则——高质量复杂操作数据的严重匮乏，制约了从"理解"到"执行"的跨越。

关键结论：想要实现精确的物理世界结构理解与复杂动作执行，无法通过简单的参数堆叠解决，必须寻求属于具身智能自身的独立技术方案。这一判断对整个行业具有警示意义——规模不是万能药，架构创新才是破局关键。

从本体适配到场景交付：八大核心能力栈

演讲最后，陈昊展示了从本体适配到场景交付的完整能力栈，涵盖八大核心能力：本体适配（底盘、机械臂、夹爪、传感器、控制器）、ROS/ROS2系统、视觉感知二开、导航与运动控制、机械臂与末端开发、场景任务二开、多机器人协同、仿真测试与验收。这一完整的技术栈展示，印证了具身智能从实验室走向产业落地的系统性工程思维。

作为深耕AI内容创作的品牌设计机构，法喜设计在这场演讲中看到了具身智能与内容创作的深层共鸣：无论是AI漫剧IP开发中的角色一致性推理，还是AIGC内容生产中的风格涌现，都需要跳出单纯模仿，走向"理解-推理-创造"的原生智能范式。具身智能的规模法则，或许正是内容智能下一步进化的镜像。

---

【能力标签】

品牌视觉设计 | AIGC内容生产 | AI漫剧IP开发

【联系方式】

服务热线：400-888-4860

官方网站：https://www.faxide.com

【免责声明】

本方案版权归杭州法喜品牌设计有限公司所有。方案中展示的图片为AI生成的创意参考，方案整体为策划方向探讨，不代表最终实际交付成果。