具身智能的真正“涌现”特性体现在跨任务和跨场景的应用中，而最出色的本体形态，有望在中国这片土地上孕育而生。
5月29日，正值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”论坛阶段，联汇科技（OmAI）的CEO兼首席科学家赵天成在接受澎湃新闻记者的采访时，发表了上述观点。
随着具身智能的潮流不断涌现，为了使机器人能够深刻洞察物理世界的本质，视觉语言模型（VLM）、视觉语言动作模型（VLA）等具有具身智能特性的大型模型便应运而生。目前，如何使具身智能具备与人类相似的规划与操作能力，已成为学术界和产业界共同面对的难题。
赵天成，毕业于卡耐基梅隆大学的计算机专业，对视觉语言模型领域进行了长达多年的潜心研究，并多次担任国际顶级会议的领域主席，同时，他还担任了国家重点研发计划（青年科学家）项目的负责人。其创立的OmAILab人工智能实验室于今年二月发布了VLM-R1开源视觉语言大模型，该模型运用了生成式奖励处理优化（GRPO）的强化学习技术，实现了DeepSeek R1方法从纯文本领域向视觉语言领域的成功迁移，目前该模型在GitHub上收获了近5000颗星。
当前的发展态势与2017年、2018年的大型语言模型颇为相似，众多技术路线竞相绽放，呈现出百花齐放的局面。然而，尽管方向明确，旨在构建‘世界模型’，赵天成指出，全球各实验室在实现这一目标上各有独到见解。目前，成熟的VLM模型在理解和生成功能上尚未实现统一。我们正开展研究，探索如何实现统一结构”。
赵天成表示，VLM-R1之所以受到广泛关注，起初的发布旨在提升模型对复杂物体的理解和视觉推理能力，而如今，基于其开放的框架，社区已经开发出了众多创新的应用。
终端用户迫切需求的是一个能够产出成果、执行任务的全面智能实体（Agent）。我们致力于研发那些能够真正部署在实体终端上的智能体，无论是机器狗、无人机抑或是摄像头，均有潜力转化为智能体。赵天成指出，智能终端所遭遇的挑战远超单一模型层面，实现具身智能并非单靠某一公司的力量就能实现，必然涉及到生态分层的商业模式。我国制造业实力雄厚，目前并非只有少数几家企业在进行硬件本体的研发，而是有十几家甚至上百家企业投身其中。我们致力于优化“大脑”功能（即AI能力），并与专注于“小脑”研发、即运动控制领域的企业建立合作关系，这种模式能显著提高工作效率，并助力机器人行业步入良性发展的轨道。
赵天成指出，我国在具身智能这一领域拥有显著的优势，特别是在供应链制造业以及数据领域。他以小脑系统为例，阐述道：“小脑与硬件的高度匹配，使得我国更有可能孕育出最优秀的本体。我个人认为，这无疑是一个极具确定性的判断。”
赵天成还向记者透露，他所在的团队即将推出一款机器人大脑平台。这一平台的目标是，通过与众多硬件制造商的紧密合作，让智能硬件不再局限于硬件本身，而是能够融入不同的应用场景，实现智能化。
赵天成指出，该机器人大脑集成了语言交流、三维空间感知、记忆存储以及决策执行控制等四大核心功能，并且能够根据不同的应用环境迅速完成功能定义。
在论坛当天，赵天成以移动机器人智能体为示范，具体呈现了其VLM在服务场景中实现多模态感知、长程记忆以及自适应决策的完整流程：机器狗通过地图和视觉导航，定位目标并执行相关任务，接着依靠记忆自行返回起点。
赵天成指出，物理终端智能体与一般智能体有一个明显的区别，那就是它们必须做到“迅速”，必须保证反应的及时性，不能出现我发出指令后，机器人却迟迟没有动作的情况，这种情况是任何人都难以容忍的。
赵天成指出，通过强化学习技术，可以使得规模更小的模型具备处理特定场景下复杂任务的能力，从而提升其响应速度。此外，通过优化模型结构，比如用一次性生成方案的方式替代GPT等自回归生成模式，可以在根本层面上实现加速。对于一些特别复杂的逻辑判断，目前普遍存在速度较慢的问题，预计还需要一到两年的时间进行持续优化。
赵天成指出，通用人工智能AGI的具身智能何时能够实现，他坚信这必须依赖于大量的某种学习方式，进而促使智能的涌现。他强调，这种智能的涌现应当是跨越不同任务和场景的，而不仅仅是局限于抓取物品、叠衣服等基础技能。
技术开源打破了“单一阵营”的界限，为机器人大脑平台带来了从理论模型到物理终端的转化工具，这种协同创新正在加速推动具身智能技术的更新迭代。
