“具身智能真正的‘涌现’是跨任务跨场景的，最好的本体将萌生于中国。 ”
5月29日 ，在2025张江具身智能开发者大会“具身·无界：智能模型的范式创新与架构革命”论坛期间 ，联汇科技（OmAI）CEO兼首席科学家赵天成在接受澎湃新闻记者采访时作出上述表述 。
随着具身智能浪潮的兴起，为了让机器人能真正理解物理世界 ，视觉语言模型（VLM） 、视觉语言动作模型（VLA）等具身智能大模型应运而生 。当前 ，如何让具身智能像人类一样进行规划与操作，成为学术界与产业界共同面临的挑战。
赵天成毕业于卡耐基梅隆大学计算机系，在视觉语言模型领域有着多年的深入研究 ，多次担任国际顶会领域主席 ，是国家重点研发计划（青年科学家）项目负责人 。其创办的OmAILab人工智能实验室在今年2月推出了VLM-R1开源视觉语言大模型，采用生成式奖励处理优化（Generative Reward Processing Optimization, GRPO）强化学习技术 ，将DeepSeek R1的方法从纯文本领域迁移到了视觉语言领域 ，目前在GitHub上已获得近5000颗星 。
“当前具身智能模型的发展状态，与2017年、2018年的大语言模型有相似之处 ，呈现出百花齐放的态势 ，存在诸多技术路线。但方向较为明确，就是构建‘世界模型’ 。 ”赵天成表示 ，目前全球各实验室在实现世界模型方面均有各自不同的思路 ，“成熟的VLM模型，其理解与生成功能目前仍是分离的 。我们正开展研究 ，探索如何实现统一结构 ”。
对于VLM-R1的走红 ，赵天成称，最初发布的目的是让模型能够更好地进行复杂物体理解与视觉推理，目前社区已基于其开放框架衍生出众多新应用。
“终端用户真正需要的是一个能交付结果 、完成任务的完整智能体（Agent） 。我们团队专注的是可以实际部署于物理终端的智能体 ，不论是机器狗 、无人机还是摄像头 ，都可以变成智能体 。”赵天成认为，智能终端面临的挑战比单模型层面要大得多 ，具身智能绝非仅凭一家公司之力便可做成 ，必然会存在生态分层的商业模式，“中国的制造业实力强劲 ，当下并非一两家 ，而是有十几上百家企业在从事硬件本体研发。我们专注于做好‘大脑’（AI能力）部分，与从事本体研发、打造‘小脑’（运动控制）的公司展开合作 ，这才是效率更高的商业模式 ，可以推动机器人真正进入良好的发展循环” 。
赵天成强调，中国在具身智能领域具备显著优势 ，尤其是在供应链制造业和数据方面 。他以小脑系统为例表示 ，“小脑和硬件的高度吻合意味着，在中国更有机会萌生出最好的本体，我认为这是具有较高确定性的事情 ”。
赵天成同时也向记者透露 ，其团队近期将推出机器人大脑平台 ，旨在通过与更多硬件厂商合作，使智能硬件超越单纯硬件属性 ，成为能结合应用场景的智能体 。
据赵天成介绍 ，上述机器人大脑涵盖语言交互 、3D空间感知 、记忆以及决策执行控制四大板块，能够依据应用场景实现快速定义 。
在当天的论坛上 ，赵天成便以移动机器人智能体为例 ，展示了其VLM在服务场景中融合多模态感知、长程记忆与自适应决策的完整闭环案例：机器狗结合地图与视觉进行导航，寻找目的地并完成相应动作 ，随后凭借记忆实现自主返航。
赵天成强调 ，物理终端智能体与普通智能体存在一个显著差异，就是必须要“快 ” ，要确保响应的时效性 ，“不能出现我说一句话，机器人过了很久才行动的情况，这是任何人都无法接受的” 。
他表示 ，可以通过强化学习 ，使更小的模型能够解决特定场景的复杂任务，进而提高响应速度；也可借助模型结构的改进 ，例如替代类似GPT的自回归生成方式 ，采用一次性生成一套方案的方法，从本质层面实现提速 。“对于一些特别复杂的逻辑判断 ，现在总体来说会慢一些 ，可能还需要一两年时间去不断进化 ”。赵天成预测道 。
那么，具身智能的AGI（通用人工智能）何时能够到来？赵天成认为 ，一定是通过海量的某种学习方式 ，使其涌现出智能，“真正的涌现应当是跨任务跨场景的 ，而不仅仅是抓取 、叠衣服等初级能力 ” 。
技术开源打破“单一阵营”的壁垒 ，机器人大脑平台提供了从理论模型到物理终端的转化工具，协同创新正加速推动具身智能技术的迭代发展。
