第一期 · 往期回顾具身智能与 AI 困境
当工具越来越聪明，人还需要练习什么？从提问与基础能力，聊到具身智能的技术路线、产业格局，以及 AI 是否真正理解自己在说什么。
主讲嘉宾 · 梁庆远上海交通大学毕业，14 年投资与咨询经验。现任广州工控科创集团高级投资总监，聚焦先进制造与硬科技投资。
圆桌嘉宾 · Mango北京航空航天大学机器人队队长，现任歌尔 Alpha Labs 人工智能研发中心研究员。
主持 · 活动组织者
第一期原版资料
《具身智能的技术追问》：一个投资人的“外行”问题清单，围绕数据、模型架构、可靠性与硬件本体展开。
阅读圆桌观点与金句
以下根据本期对话整理。产业趋势与 AI 意识相关表述为圆桌讨论观点，不代表已经确定的结论；金句按提供的对话整理稿摘录。
AI 时代，人需要培养哪些能力？
提问题的能力，需要亲手练习来支撑
讨论认为，AI 擅长处理具体任务，但有价值的提问仍依赖人的知识和直觉。如果把基础任务全部交给 AI，而自己没有动手理解，就难以提出更高阶的问题。对话以高等数学与黎曼猜想作类比：基础训练是抵达高级问题的阶梯。
基础能力是高级能力的基石
机器人学等复杂能力，需要基础动力学等知识层层支撑。基础没搞懂，既难以开展高端工作，也可能无法识别 AI 输出中的错误。
提问之外，还需要反思与批判性思维
能得到答案，并不意味着答案可靠。对 AI 输出的真伪、推理过程和适用范围作判断，同样是需要持续练习的能力。
AI 的未来与产业格局
基础设施化与市场集中，是一种趋势判断
圆桌提出，大规模普及的技术可能像水、电一样，逐渐成为低成本的基础设施。大模型可能趋向大宗商品，利润空间受到压缩；少数大型企业或公共部门可能掌握关键能力，硬件厂商也可能面临代工化压力。这是讨论中的预测，而非既定结果。
考试得高分，不等于拥有自我意识
讨论区分了模型的任务表现与自我意识、情感。对话用“按概率预测下一个 token”解释语言模型的生成过程，并追问：表现得像理解，是否等于真正理解？这一说明不构成对 AI 意识问题的最终判断。
金句摘录
“如果你连最基础的任务都交给 AI 做，你自己都不会做的时候，你是没法提出更高级的问题的。”
“任何要大规模普及的东西，最终都会变成像自来水一样便宜的基础设施。”
“AI 输出的每一个 Token，并不是因为它知道下一句要说这个，而是通过概率算出‘这里应该出现这个字’。”
讲稿里的六个技术问题
- 数据路线仿真与真机数据怎样配合？跨机器人本体的数据共建，如何处理格式、质量标准与利益分配？
- 架构收敛VLA、世界模型与统一自回归架构，会逐渐收敛，还是长期多路线并存？
- 可靠性长尾从 80% 到 99% 的成功率，增加数据是否足够？触觉闭环、控制架构与长程任务误差如何改进？
- 评测标准如何区分见过与未见物体、单步与长程任务、实验室与真实产线，让成功率可比较？
- 软硬协同算法怎样适配硬件个体差异？软硬一体优化与模块化路线如何取舍？
- 形态与操作机器人形态应如何服务场景？如果物体操作更难，投入是否应该更多关注手与操作能力？