國內第一視角數據最早押注者，北大盧宗青：隱空間才是具身的路

在2025年6月的智源大会上，北京大学助理教授卢宗青给出了一个在当时看来颇为“另类”的判断：人类视频，尤其是第一视角的人类视频，才是具身智能领域唯一能够持续规模化的数据路径。这一观点与彼时行业主流关注点形成了鲜明反差——当几乎所有团队都在打磨机器人本体、搭建仿真素材场、甚至豪掷千金建设数据飞轮时，卢宗青的话犹如一颗投入湖面的石子，涟漪虽未立即扩散，却已让部分从业者开始重新审视具身智能的底层逻辑。作为国内最早押注第一视角人类视频数据的研究者之一，卢宗青并不是在大会上随意抛出观点。据公开报道，他长期关注具身智能的数据来源与学习范式，并坚信真正的技术突破口不在模型架构的细枝末节，而在数据选择的源头。

在智源大会上，他明确表示：“人类视频是具身智能唯一可以 scale up 的数据路径。”这句话背后，是对现有技术路线的一次冷静清算。回顾2025年年中的具身智能行业，热潮之下不乏隐忧。机器人本体硬件的迭代速度令人振奋，但高质量的交互数据却始终稀缺。许多实验室依赖昂贵的遥操作设备，让操作员穿戴动捕服、操控机械臂，逐一采集抓取、放置、装配等动作数据；另一些团队则转向仿真环境，试图通过物理引擎生成海量合成数据。然而，前者受限于人力成本与场景覆盖，后者则常常面临“仿真到现实”的鸿沟。数据飞轮的概念被反复提及，但真正转起来的却寥寥无几。卢宗青的切入点，正在于打破这种“以机器人为中心”的数据获取惯性。

他认为，第一视角的人类视频天然包含“感知—决策—动作”的完整闭环：佩戴或固定在第一视角的摄像头记录下人的眼睛所看、头部所转、手部动作以及随之而来的环境变化。这种信号与机器人执行任务时所需的输入-输出格式高度契合。更重要的是，人类日常活动的视频数据在互联网、可穿戴设备以及影视素材中存量巨大，且仍在持续产生，几乎无需专门采集。“与其依赖昂贵的机器人采集或人工设计的仿真环境，不如直接从人类日常活动中获取海量交互信号。”这是卢宗青对数据来源问题的直接回答。在他看来，人类每天都在进行数以亿计的物理交互——倒水、拧瓶盖、整理桌面、操作工具，而第一视角视频恰恰忠实地记录了这些交互的全过程。

如果能够将这些数据有效利用，具身智能模型便能在近乎真实且极度多样的场景中学习行为规律，从而摆脱对人工采集规模的依赖。但仅仅强调数据规模，还不足以解释卢宗青观点的深层价值。他提出了一句更具哲学意味的论断：“隐空间才是具身的路”。这句话直指当前技术路线中关于“如何建模世界”的分歧。主流尝试中，一种是显式物理建模，试图让机器人理解重力、摩擦、碰撞等物理规律；另一种则是世界模型，希望通过预测未来帧或状态来构建对环境的理解。然而卢宗青认为，这些路径可能并未触及本质——真正的答案在于隐空间，即不直接建模物理世界的全部细节，而是在隐空间里学习紧凑的表征与决策策略。

所谓隐空间，可以理解为一种经过压缩的、抽象的表征空间。模型不再需要显式地推算“这个杯子会如何倾斜”，而是从高维视频数据中直接提炼出可泛化的行为模式。以第一视角视频为例，模型看到的是连续的像素流，但经过隐空间编码后，它可能学习到“接近物体→调整抓取姿态→施加力→观察反馈”这一连串潜在状态转换。这种学习方式更接近人类在经验中形成直觉，而非依靠精确的物理方程。卢宗青对世界模型的怀疑，也因此具有了清晰的立足点。世界模型试图让智能体在内部模拟未来，但其预测往往被环境的随机性和开放性所压制，尤其在长时程任务中，误差会迅速累积。

而隐空间学习则不同，它并不追求对全局状态的精确预测，而是专注于与决策相关的关键表征，从而更好地适应复杂、动态的真实世界。卢宗青直言：“世界模型可能也不是最终答案。”这无异于给那些将世界模型奉为圭臬的研究者泼了一杯冷水。更深一层来看，卢宗青的判断带有鲜明的逆主流色彩。当行业普遍忙于搭建数据飞轮、收集机器人本体数据时，他提醒人们注意数据的“质”与“源”——不是所有数据都值得等权重地投入模型训练，第一视角人类视频所蕴含的交互意图和因果结构，是普通第三方视角视频或机械重复的机器人动作数据所无法比拟的。

这种对数据本质的敏感，源于他对具身智能核心问题的长期思考：一个能在家居、医疗、工业等多种场景中泛化的智能体，究竟需要什么样的经验？卢宗青将讨论拉回了一个更朴素的起点：先解决数据从哪里来、如何 scale up 的问题，再谈模型架构的终局。在他看来，具身智能的确定性技术尚未出现，现在谈“终局”为时过早。数据源的突破，才是驱动算法与模型进化的真正动力。如果人类视频数据能够被充分挖掘，那么具身智能的训练将不再受限于实验室的机械臂和仿真引擎，而是可以借用整个人类活动史作为学习素材。这一判断也引发了行业内外的反思。

在智源大会之后，一些投资人和研究者开始尝试调研第一视角数据集的潜力，各类可穿戴摄像头、智能眼镜的布局也被重新审视。不过，也有质疑者指出，第一视角视频虽然规模巨大，但其标注成本高、隐私问题复杂，且需要解决视角迁移到机器人执行器的转化难题。卢宗青对此并未回避，他认为，这些挑战属于工程问题，而数据源的方向性选择才是更根本的战略问题。事实上，卢宗青的早期押注并非毫无根基。早在行业热议具身智能之初，他便带领团队着手收集和整理第一视角人类视频，并探索其在机器人操作学习中的应用潜力。这种研究路径在当时显得冷门，甚至被认为“偏离主流”，但正是这种长期主义的坚持，让他在智源大会上能够自信地提出与主流相悖的论断。

他所强调的“隐空间才是具身的路”，也不只是抽象的概念，而是要落成一整套从数据采集、表征学习到策略优化的方法论。如今，回看卢宗青在2025年6月的演讲，其价值或许不在于给出了终极答案，而在于为被热潮裹挟的行业提供了一次冷静的校准。当所有人都在追逐“更好看的机器人”和“更复杂的仿真器”时，他提醒大家：具身智能的智能，最终要从真实的人类经验中来。数据是第一位，架构是第二位；没有强大的数据源，再精巧的模型也只是空中楼阁。这并不意味着卢宗青的路线一定正确——第一视角人类视频能否真正支撑起通用具身智能，尚需时间与实践检验。但至少，他已经走出了一条值得关注的方向。

在技术尘埃落定之前，敢于在数据源头下注的人，或许正在为未来的具身智能铺设看不见的轨道。而卢宗青所说的“隐空间”，也许正是那条轨道通向的下一站。