[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"news-bbf1a404-1f46-45f9-a61e-b6e210d28878":3},{"id":4,"title":5,"summary":6,"original_url":7,"source_id":8,"tags":9,"published_at":23,"created_at":24,"modified_at":25,"is_published":26,"publish_type":27,"image_url":13,"view_count":28},"bbf1a404-1f46-45f9-a61e-b6e210d28878","智元罗剑岚：把「部署-数据-迭代」打成飞轮，比堆参数更像具身智能的 Scaling Law","36氪硬氪对智元机器人首席科学家罗剑岚做了一次长访。这位伯克利出身、曾在 Google X 与 DeepMind 任研究科学家的学者给出不\"应景\"判断：国内具身智能行业里真正做基础模型预训练的团队极少，多数所谓\"基础模型\"更接近中训练或微调；具身智能不能盲目对标 GPT 式 Scaling Law，离线 Loss 下降并不必然对应真实部署成功率提升。\n\n**真正的决胜点不是单点能力**\n\n罗剑岚把具身智能瓶颈归为\"木桶效应\"——数据、模型、Infra 哪一环过短，体系都跑不动。他的工作支点不是堆参数，而是三个工程抓手：SOP（在线后训练，让部署数据回流到训练闭环）、LWD（部署中学习）、以及 τ0-WM 世界模型。\n\n**τ0-WM：把\"想象未来\"做成决策的一部分**\n\n和业内把世界模型当视频生成器不同，τ0-WM 定位为动作条件物理推演器——给定当前观测和候选动作，预测把世界带到什么状态。它把 VAM 与动作条件视频模拟器组合，在测试时通过 RCS 评分 + LAR 模拟器修正，让机器人执行动作前先在内部\"沙盘推演\"，裸策略成功率从 43% 拉到 60%。\n\n**评论**\n\n罗剑岚的真正观点是：具身智能跑不出 LLM 的\"暴力出奇迹\"，下一步决胜在谁能率先在半结构化场景中跑通\"部署—数据—迭代\"飞轮。12-18 个月内出现第一个真实闭环信号，资本与产业资源就会向这个方向集中——这既是他给智元机器人的路径定义，也是给整个具身赛道敲响的工程化警钟。","https:\u002F\u002F36kr.com\u002Fp\u002F3856871787189252","5e4fd3d1-9cb4-44a6-bae5-9ffb449c05c1",[10,14,17,20],{"id":11,"name":12,"slug":12,"description":13,"color":13},"40269b40-7942-4650-9672-ed2e6524d37a","ai-technology",null,{"id":15,"name":16,"slug":16,"description":13,"color":13},"01598627-1ea6-4b27-a5d8-874971571a71","llm",{"id":18,"name":19,"slug":19,"description":13,"color":13},"499f4b56-819d-49a3-9609-33e775143b86","multimodal",{"id":21,"name":22,"slug":22,"description":13,"color":13},"b1853a5a-d940-42b7-94f9-0488ee3f2cf7","new-model","2026-06-17T06:30:00Z","2026-06-17T16:16:20.902723Z","2026-06-17T16:16:20.902740Z",true,"agent",2]