年初，DeepSeek閃亮登上大模型的銀幕，鎂光燈下，觀眾看到了一群年輕的身影。

少年浩氣展虹霓，日新月異的AI時代，年輕人悄然撐起了半邊天。

大模型的新浪潮已翩然而至，具身智能的新浪潮還有多遠？

我們與三個具身智能領域的年輕人展開對話，傾聽他們的故事，感受時代的脈搏。

他們分別出生于98、01、02年代，性格各異，想法迥然。有的還在讀博，有的已入業(yè)界。

在這三個年輕人的身上，我們找到最大的共同點，是少年郎的癡，敢，愛，狂。他們無一例外，都深深愛著自己的理想。

天下熙熙，皆為愛來。Z世代，是一個時代，一種品質。

我笑他人看不穿

“我總忍不住扒開問題上的層層面紗，分析其背后的本質?！?/p>

譚恒楷打小就問自己：宇宙的邊界是什么樣的？人為什么會生老病死？如何才能一直復制人體干細胞？哥德巴赫猜想能不能再往前證一步？

接觸具身后，他又問自己：為什么它不work？為什么它能work？AGI的本質是什么？又從何而來？

旅游的時候他也沒放過自己。去趟貴州，看到大梵山，他想：如何在物理世界搭建AGI？去趟新加坡，看到濱海灣，他思：如何在商業(yè)世界切入AGI？

《盜夢空間》里的五層夢境，譚恒楷估計能達到最深一層。

譚恒楷是清華計算機系本科直博，大二開始在朱軍的實驗室里跟著蘇航做強化學習。在蘇航的指引下，他漸漸轉向具身智能領域，開始研究機器人。

23年他就能用強化學習和FCNet網(wǎng)絡架構把機器狗下肢做到特別魯棒，幾乎覆蓋了所有真實世界地形，五道口時不時就能看到他的機器狗在爬樓梯。

但譚恒楷認為，人和動物的本質區(qū)別在于使用和制造工具，所以機器人最本質的問題還是手。

要解決本質，首先要解決數(shù)據(jù)和模型問題。譚恒楷和其他幾個同學把研究工作分成三個方向：

一，做模擬器大量任務的生成；

二，讓sim2real能夠更高效地表示低維的視覺特征；

三，訓練一個有足夠泛化性的具身大模型

OpenVLA 是基于自回歸，從語言任務里做離散token的建模。譚恒楷和團隊卻選擇用擴散模型做連續(xù)token的建模，“我們發(fā)現(xiàn) diffusion 對動作多峰分布的建模很強，diffusion head 越大，建模效果越好。”

他們訓練出了當時全球最大的diffusion policy——RDT-1B。

通過整合互聯(lián)網(wǎng)上上百萬條機器人操作數(shù)據(jù)，他們構建了一個unified action space，輸入當前圖像和語言任務指令，輸出機器人action的軌跡，得到1.2B參數(shù)量的具身大模型。

他們還出于數(shù)據(jù)不足的考慮，通過引入大量模擬器數(shù)據(jù)和Bounding Box這樣的視覺低維特征引導，提出一個操作算法框架ManiBox，成功實現(xiàn)了機器人空間泛化的抓取和倒水等操作任務，發(fā)現(xiàn)了具身智能空間泛化性的scaling laws。

工作是完成了，譚恒楷卻發(fā)現(xiàn)，action數(shù)據(jù)的稀缺，才是具身的本質問題。

Sora的預訓練視頻有接近千萬小時，Tesla FSD車隊也有上千萬小時數(shù)據(jù)，而具身才幾千，足足相差數(shù)萬倍，很難訓練出一個泛化性的模型。

并且，長遠來看，具身智能有各式各樣的硬件本體，會導致機器人的action模態(tài)不統(tǒng)一，action輸出后也不好在服務器上作快速部署和算法迭代。

譚恒楷當機立斷：VLA去掉A，我們不要action了！

大家紛紛驚掉了下巴。啥？把action去掉？那還叫具身智能嗎！

譚恒楷想的是，用image space替代action space，讓機器人從互聯(lián)網(wǎng)數(shù)據(jù)的視頻模態(tài)中學習物體的運動、接觸信息和物理知識。

基于這個想法，他們在今年五月份提出了具有Unified Observation Space的具身視頻基座模型VIDAR，來克服數(shù)據(jù)不足和機器人本體異構的問題。

他們還提出了AnyPos模型，用一種叫ATARA（任務無關的action）的技術，把action從基座模型解耦出來，實現(xiàn)自動化規(guī)?；腶ction采集，以此解決action數(shù)據(jù)不足的問題。

花幾百萬訓練成本，干劍走偏鋒的事，譚恒楷并非沒有糾結過。畢竟在目前的具身領域，機器人通過互聯(lián)網(wǎng)視頻和圖像學習物理世界智能還是一個非共識的事情。

一番深度思考后，他說服了自己。首先，要達到涌現(xiàn)，數(shù)據(jù)采集量的資本開支動輒就要上百億。其次，就算能采，這個數(shù)據(jù)量也遠不是現(xiàn)在具身公司的數(shù)采工廠能采集到的。

“具身靠共識是走不通的，就像風險投資一樣，得靠非共識才行?！?/p>

別人貪婪我恐懼，別人恐懼我貪婪，這是資本市場教會他的。

本科畢業(yè)后，譚恒楷在今日資本待過一陣，跟著徐新學習了很多投資上的真知灼見。他覺得，單靠一個人的力量很難做出震驚世界的工作，還得借助資本，把實驗性預算變成可重復性的生產(chǎn)性預算。實習三個月，他把大模型和具身的創(chuàng)始人基本見了個遍。

“創(chuàng)業(yè)就是把自己 all-in，只有一次全壘打的機會，要選就選最偉大的。如果他的理想、技術、scale up范式都能讓我信服，我就跟他干?！?/p>

譚恒楷的目標是：找一個偉大的組織。

找了一圈后他發(fā)現(xiàn)——

我的意中人到底在哪！

譚恒楷有點技術理想主義，渴望找到一個屬于具身的 DeepSeek，“梁文峰自己都還在寫代碼，一個十年沒訓過神經(jīng)網(wǎng)絡的人，他能引領AI技術的發(fā)展嗎？”

很多創(chuàng)始人還是買流量、搞用戶增長、做數(shù)據(jù)飛輪閉環(huán)那一套。譚恒楷認為，在AGI技術未收斂的時候，數(shù)據(jù)飛輪對模型能力沒有提升?！発imi最開始也砸錢去買流量，結果DAU被 Deepseek 10天超過，這就是互聯(lián)網(wǎng)思維套在AI時代上的一個錯誤例子?！?/p>

Christensen在《創(chuàng)新者的窘境》里講到，所有創(chuàng)新者都沒法在下一個顛覆性的時代里占得先機。其中有商業(yè)模式的問題，也有技術認知的局限。這就是為什么，Google打不過OpenAI，大廠打不過DeepSeek。

00后的譚恒楷不吃互聯(lián)網(wǎng)那一套，正因如此，他認為自己能夠突破“創(chuàng)新者的窘境”。大廠的基因決定他們做不了通用智能，打賞、豆包、投流、產(chǎn)品，這些在AGI時代都沒用。要突破窘境，不是增量的改進，也不是VLM變VLA，而是顛覆性的技術范式。

具身有很多自動駕駛、傳統(tǒng)CV切過來的人，但人臉識別那一套感知智能畢竟已是上一代AI，技術上并沒有降維打擊的優(yōu)勢。譚恒楷認為，自動駕駛、硬件、VLA，都不是AI最本質的變量。最本質的變量，是物理世界的智能。

ChatGPT等大模型的出現(xiàn)，讓他看到AI真正涌現(xiàn)出來的一些智能。目前具身的GPT時刻還未來臨，就像17年transformer剛出來的時候，現(xiàn)在正是百花齊放的探索階段?！拔腋杏X周圍有熱情的年輕人其實并不多，清華搞計算機的同學中就沒幾個，大家該更狂妄一點，堅持做難而正確的事情?！?/p>

譚恒楷上高中的時候，他爸總和他講，不必為短期波動而焦慮，你要扎根一個方向，并且長期執(zhí)行下去。當時譚恒楷的競賽和文化課成績都不理想，老師同學對他一番熱諷加冷嘲。在學校沒有傾訴對象，譚恒楷一腔苦水只能回家跟爸媽倒。

“我爸說過很多話跟段永平很像，他老說，快就是慢，慢就是快。想賺快錢，錢來的就慢，賺慢錢，反而能享受到時間的復利?！?/p>

股票，最重要的，是等。人生，最重要的，也是等。

父母這塊堅強的后盾，穩(wěn)穩(wěn)頂在了譚恒楷的背后?？嘧x一年，他拿到了NOI銀牌，全國前100名。教練都震驚了，從沒見過一年就學到這種成績的，一般人可都要7、8年的時間吶！

譚恒楷喜歡巴菲特，自己也是個價值投資者。他8歲時受父親熏陶開始接觸股票，后經(jīng)徐新的耳濡目染，在a股、港股、美股中秉持長期主義的投資理念，和“偉大的公司”一起成長，年化收益率能達到40%。

除了股市上的研究，他聊起房市也津津樂道，“我覺得現(xiàn)在北上廣的房價已顯著高于其內(nèi)在價值，不是好的投資選項?！?/p>

很多具身的研究就像北上廣的房子，外表高大上，實則價值虛空，為做demo而做，為發(fā)paper而發(fā)。譚恒楷不愿做反復雕花的工作，要做，就必須能為社會帶來真正的生產(chǎn)力。

就像老爸跟他講的：“與你未來做千億美元市值的偉大公司相比，幾百幾千萬的房子算得了什么？你需要考慮區(qū)區(qū)一個房子的問題嗎？”

一眼看穿本質，譚恒楷決定，不再考慮區(qū)區(qū)一個“房子”的問題。

向前踮起，向后落下

“要不得！

要不得！

注重調查！

反對瞎說！”

吳銘東的手指停在這段話上，機場的廣播已響了兩次，催促從北京到上海的旅客盡快登機。他合上書，泛黃的封面，五個黑體字洋洋灑灑：毛澤東選集——第一卷。

因科研工作需求，吳銘東經(jīng)常往返兩地。從北京到上海，他只帶了四本書，分別是毛選的一到四卷。

吳銘東覺得自己以前有一點飄，像個不斷踮起腳看向窗外新奇的孩童。讀讀毛爺爺?shù)闹腔郏梢苑乐沟羧胨级粚W和先入為主的陷阱。

16年AlphaGo的橫空出世，驚艷了還是高中生的吳銘東，他覺得AI的終極問題，就藏在機器人靈巧的雙手中。入學北大的第一天，每個新生都要畫出自己想象中 20 年后的樣子。吳銘東畫的主題是——AI 機器人革命下人類文明的變革。

在他的畫中，機器人解放了血肉之軀的底層痛苦，使人類可以更專注地解決社會關系、階級關系、剝削、壓榨、不公平等人性之惡的痛苦。由此，文明進入一個新的階段。

吳銘東刷B站視頻的時候，?？吹胶芏嗵熨x異稟的人與理想失之交臂，最終在螺絲廠里消磨人生。他總是一陣惆悵：他們只是活著，又有什么錯？如果機器人能幫助人類減輕這種無意義的痛苦，那該多好呀。

“那個時候不知道現(xiàn)實有多難有多苦，只是很天真地在幻想這些事情?！?/p>

吳銘東高中就讀于湖南雅禮中學，“我們學校出來的都比較有個性?！?為了能夠更自由地發(fā)展個性，他擇校時選了北大，入校后成為北大圖靈班的一員。

吳銘東大一的研究方向是生成模型，當時具身智能領域尚未迎來爆發(fā)期。2020年，導師董豪從視覺轉型到具身領域。吳銘東也跟隨董豪的步伐，投入了具身智能的研究。

2023年，吳銘東在董豪的帶領下進入業(yè)界。機器人普遍面對數(shù)據(jù)稀缺的問題，吳銘東最初的行業(yè)目標是采集高質量數(shù)據(jù)，通過模仿學習的范式用VLA做機器人。

可是，覆蓋現(xiàn)實場景的復雜性注定要花費高昂的代價采集海量數(shù)據(jù)。不僅如此，即使擁有非常大的訓練集，也無法保證訓練出的策略能在新任務上實現(xiàn)100%的成功率。

要想提升成功率，機器人得具備主動適應的能力。

從23年到24年初，董豪和吳銘東一直在研究如何解決適應性和成功率的問題。直到24年2月份，全球首個真機強化學習（SERL）工作破土而出。

很多論文里，機器人只需 20 次的成功率，就會被認為是百分百成功。實際中，一個機器人在工位干一個月需要幾十萬次操作，如此龐大的操作次數(shù)，無法保證每一次的成功率都是百分百。

SERL的原理是，讓機器人在環(huán)境中自動交互，通過獎勵信號的反饋取長補短，優(yōu)化成功率，形成一個閉環(huán)的學習能力。吳銘東發(fā)現(xiàn)，強化學習是提高真實世界成功率必不可少的一環(huán)，而模仿學習是加速強化學習的“催化劑”。

柳暗花明又一村，他開始轉向SERL的研究。24年3月初，吳銘東在實驗室里成功復現(xiàn)了SERL。

在吳銘東看來，真機強化學習比強化學習更具挑戰(zhàn)性。真實世界變量多，交互效率還不到仿真的1%。在如此有限的采集量下達到百分百的成功率，非常考驗算法的設計和系統(tǒng)的工程能力。

“做真機強化學習的人一定要有軟硬結合的能力，不能只會迭代算法，還要會迭代硬件。”

復現(xiàn)SERL之后，他召集了一批北大的科研同學，開展對SERL的廣泛探索。

具身目前還沒有探索出一條能真正落地的路線，隨著場景擴大，每一步都有不同挑戰(zhàn)。吳銘東期待做出一個data flywheel式的AGI，能從猩猩進化成智人、從智人進化到人類，在真實世界中自我迭代。

理想很豐滿，現(xiàn)實很骨感。真機強化學習目前主要在二指夾爪上成績矚目，若未來用到靈巧手上，一方面要面臨探索空間大的難題，另一方面還得讓硬件適應算法。

前腳是技術上的窘迫，后腳是量產(chǎn)上的困境。如果團隊沒有打過量產(chǎn)的仗，哪怕做出技術，也可能吃大虧，試錯成本 10 個億都頂不住。

將登太行雪滿山，吳銘東感嘆：我還不曾參透這個世界的邏輯。他品嘗到了一絲沒有調查，沒有發(fā)言權的滋味。

讀博士、刷論文，步入業(yè)界后才驚覺，原來這些指標之上，還有一個估值邏輯叫可靠性。他從沒想過，可以交付什么產(chǎn)品？幾年內(nèi)達到銷售預期？有些人很早就深入調查實體經(jīng)濟和供應鏈，而自己卻連核心零件要選好二供都不知道。

不過，奮發(fā)自有時。98年的吳銘東是一個包袱少、敢試錯的有志青年。作為一批在互聯(lián)網(wǎng)時代成長起來的年輕人，他在技術研究上有明顯的優(yōu)勢。吳銘東表示，“年輕人趕上了技術紅利，能探索更多有潛力的領域，很多老師都羨慕我們吶?！?/p>

他覺得，商場風雨，該老少搭配，干活不累。老一輩可以改進場景適應技術，年輕人可以改進技術適應場景。

具身智能本身涵蓋很多學科，視覺表征、強化學習、數(shù)據(jù)采集、硬件操作，都是藥鋪里的甘草——少不得一味。吳銘東建議，你最好在每個核心算法領域都有能發(fā) paper 的水平，再找一個軟硬件兼?zhèn)涞娜珬Ｆ脚_，豐富行業(yè)認知。

“可以多和 senior 合作，抓住身邊人?！?他很感謝董豪老師提供的平臺，讓他擁有一個更全棧性的視角。

吳銘東每月往返北京和上海差不多一兩次。去機場的路很長，滴滴司機不時會跟他聊幾句。得知他的工作內(nèi)容后，吳銘東被問到最多的一個問題就是：有了AI，我還能開車嗎？

他反問道：“你敢讓AI開滴滴嗎？AI是感受不到痛苦的。它撞車沒事，人呢？”

吳銘東覺得，AI是為人民服務而生的，并非取代。他計算過，普通人一天有14個小時的自由時間，假設機器人每天做4小時家務，就能幫人類延長 4/ 14——也就是接近30% 的生命！

“但人類也要警惕過度依賴AI的思維模式，” 他指出，一個充斥著復雜性的大腦，去模仿一個架構清晰的神經(jīng)網(wǎng)絡，未必是真正的進步。這種單向的趨同，可能會侵蝕人類思維獨有的“神性”。

為什么我們覺得殘缺的維納斯美呢？或許AI就不這么覺得。人類能夠擁抱殘缺之美，這就是人類大腦的神秘之處，是——“不可復制的神性”。

本科畢業(yè)那一天，吳銘東回宿舍收拾東西。在書桌角落，一摞文件的最下面，他找到了入學第一天的那幅畫。看到的一瞬間，他后知后覺，原來當初天真的理想，如今正在慢慢實現(xiàn)?，F(xiàn)實曾一度讓他迷茫，所幸，他仍有勇氣走在理想上。

機器人的問題還在鉆研，入學時的畫還在家中，他笑著說，

“或許這就叫神奇的命運?！?/p>

他踮起的腳，終于落下。

快哉！樂哉！瀟灑哉！

TVB最經(jīng)典的臺詞是：做人嘛，最重要的就是開心啦。

王乾旭也是這么想的：人生只活一次，最重要的就是開心啦。

初看王乾旭三字，內(nèi)有乾坤，旭日東升——這名字，是算命先生給起的。2002年的一天，王乾旭呱呱落地。當時王姥姥日思夜想，給外孫起個啥名好呢？

某天王姥姥上街溜達，遇到一個會算命的，那人掐指一算，就叫王乾旭吧！

王乾旭是吉林長春人，從小被放養(yǎng)長大。小學學奧數(shù)，別的孩子都被家長逼著老老實實坐在板凳上，王乾旭可不是。他覺得奧數(shù)又累又難，王媽媽就跟他說，不想學就別學了，你多玩一玩吧。

初中的時候，王乾旭每天在課堂外探索人生，跟形形色色的人聊天。在一次考試中，他“陰差陽錯”地考了年級第一。王乾旭突然覺得，考第一挺好，大家都夸我，那就再考一考。

于是，他再次“陰差陽錯”地考進了吉林省最好的高中里最好的班，周圍人水平噌噌噌地一下子拔高不少。這時候，可不能再陰差陽錯了，他開始拼命努力學習。

“我的學習方法都是和好朋友討論出來的”，王乾旭說。他們高中班有 20 幾個考進清北的同學，貢獻了充分交流的土壤。從那時開始，王乾旭就知道交流與合作的重要性?！罢胬硎窃睫q越明的，跟別人合作交流才能改變自己?！?/p>

考進北大后，王乾旭在專業(yè)探索上花了不少時間。他高中時最喜歡的學科是物理，但跟同學老師討論后，他發(fā)現(xiàn)物理研究并非自己所想，倒是計算機的廣袤天地更容易讓他找到興致所向。

上大學前都沒怎么用過電腦的王乾旭，不作他想，一步踏進計算機的大千世界。

北大像圖靈這樣拔尖的班都有輪轉，王乾旭所在的實驗班也有到三個科研組輪轉的機會。大二下學期他轉入董豪教授的Agibot實驗室，董豪當時正跟楊耀東合作機器人，機緣巧合之下，王乾旭開始接觸具身智能。

當時國內(nèi)研究靈巧手和機械臂的人很少，董豪剛好就是一個。但是這個硬件太新，連經(jīng)驗豐富的學長都不太會用。寒假時大多數(shù)人都回家了，沒剩下幾個人的實驗室，正等著新鮮事物填補空白。王乾旭靈機一動，跟朋友合伙：要不咱試試！

其實王乾旭的主要興趣不在硬件，而是怎么利用硬件開發(fā)算法，但這次心血來潮的研究，觸發(fā)了他對具身的興趣。他后來回憶，真是幸運啊，這么早就找到了自己喜歡的東西。

大三下學期，王乾旭從董豪的科研組轉進朱毅鑫教授的實驗室CoRe。在朱毅鑫的推薦下，王乾旭開始和斯坦福的機器人實驗室進行遠程合作，并結識了 Jeannette 教授。教授很喜歡王乾旭，愿意讓他去斯坦福做暑研。

不管是朱毅鑫還是Jeannette，都極大程度地給予了他定義科研的權利。在自由的環(huán)境下，王乾旭得以“野蠻生長”。在投稿ICLR的一篇論文中，王乾旭研究了一種叫蒸餾特征場（DFF）的方法，拋去傳統(tǒng)的NeRF技術，僅用點云作為載體，成功將2D的信息通過3D的特征來表示。

這種高維信息的點云特征場可以定義三維中每一個空間點的特征，從而編碼機器人各種各樣的幾何形態(tài)和軌跡。這樣，特征場就有了非常好的場景泛化性。

在斯坦福暑研期間，王乾旭隔壁的實驗室招了很多中國實習生，他隔三差五跑去隔壁組跟別人嘮嗑，一個月下來跟大家都混得挺熟。

在交流過程中，王乾旭發(fā)現(xiàn)動畫生成的“人”雖然操作不精確，但每一個動作都非常符合人的認知，而且動畫領域對語義和人體運動的理解甚至比機器人領域還要細致。

他突發(fā)奇想，誒！可以先生成語義作為一個參考軌跡，讓機器人和人的認知達成一致，然后再把物理和控制信息補齊。

但是，語義的信息很具體，而且頻率高。一個機器人拿杯子，就要涉及到接觸、拿起、杯子的幾何形狀等等。面對紛繁復雜的信息源，模型如何從不同的數(shù)據(jù)路徑中提取到有價值的信息并進行組合呢？

王乾旭想，可以設計一個接口，把視覺模塊和控制模塊解耦，讓它們分別從不同的數(shù)據(jù)源中學習信息。

這個構思源起于MIT副教授何愷明。在美國暑研期間，王乾旭在學姐鄧叢悅的介紹下，與何愷明在MIT的校園里見了一面。何愷明雖專攻視覺，但對機器人也有諸多想法，倆人聊了一個多小時。

“何教授的理解很透徹，我做interface design的思考很多來自于那天聊天中的啟發(fā)。見面那天的kaiming一身T恤牛仔褲，特別平易近人?！?/p>

王乾旭覺得應該探尋不同形態(tài)機器人操作中的共性，嘗試定義統(tǒng)一的數(shù)據(jù)表示方式。讓機器人像視覺模型一樣可以通過世界上的每一個人收集數(shù)據(jù)，學到的知識又可以應用到每一個機器人。

他表示，有做interface想法的人不少，但真正在做的不多?！斑@才是 exciting 嘛，如果所有人都一樣，那就很沒勁?！?/p>

今年年初，王乾旭收到了康奈爾大學的博士offer，準備繼續(xù)追逐自己的科研夢。他希望未來能夠成為一個肩膀，別人踩著他走到了更遠的地方。“當肩膀被踩是一種幸福，因為踩得最多的永遠是那個最厲害、最正確的那個人?！?/p>

成功的人不一定快樂，王乾旭是功成不必在我，功力不可唐捐。做一件真正值得、熱愛、快樂的事情，事了拂衣去，何樂而不為？

他希望可以在科研室里待到90歲?！拔矣X得李嘉誠30歲后就可以不用做生意了，但是他一直做到90歲！你說這人為什么怎么老不知足??？因為他喜歡，就像我喜歡科研一樣?！?/p>

追求快樂的小王，也有不快樂的時候?？歼M北大后，王乾旭發(fā)現(xiàn)周圍很多同學都是競賽出身，從小就目標清晰。兩相比較下，他發(fā)現(xiàn)自己選“錯”過很多東西。

“選擇本身沒對錯，當你知道自己想干什么后，選擇就有了對錯。”他后悔小時候沒參加競賽，也后悔沒更早進科研組，還后悔自己視野不夠，比如參加兩次國際學生會議都沒提前了解參會教授的信息。

但錯誤的選擇也讓王乾旭明白了人生的節(jié)奏和容錯。人生容錯很高，知道自己想要什么來評價選擇對錯本來就很不容易，保持好的心態(tài)和節(jié)奏，下次不要做錯就好。

當生活中的欲望、煩惱、壓力沒法平衡的時候，王乾旭會去做心理咨詢。他覺得國內(nèi)現(xiàn)在競爭壓力太大，自己“選擇錯誤”的軌跡其實是人生長河中正常的經(jīng)歷，但是很多人都不允許你走錯一步。心理醫(yī)生雖不能幫他解決問題，但是能幫他調整心態(tài)，讓他自己更好地解決問題。

王乾旭的微信頭像是一張手寫圖片：我能行。寫于2017年，當時王乾旭還在讀初中，有個老師跟他說，就你這分，肯定考不上師大附中。他特別不高興，凌晨2點都沒睡著，忿忿不平中想著，你不相信我，可我相信我！

他當即一骨碌爬起來，把自己的QQ頭像換成了這張圖片：我能行。

上高中后，王乾旭從QQ換成微信，頭像的圖片卻保留至今。除了初中考試打的雞血，他覺得我能行這三個字還有更深刻的含義。

初中的我能行，是相信自己能考好；后來的我能行，是相信自己可以做到；現(xiàn)在的我能行，是相信自己擁有追求夢想的勇氣和底氣。他覺得，我有這么好的智慧，得做一些更有價值理想的東西。

“我可不是一個普普通通的人，” 他這樣評價自己。

找到，且知道

電影《四百擊》的最后一幕，14歲的安托萬終于逃離了少管所，來到一望無際的海邊。他找到了自由，卻不知該走向何方。

少年自當扶搖上，少年應有凌云志，少年壯志不言愁，年少的我們，理當鮮衣怒馬，一往無前。

可是，沖的背后，更重要的是知。

在向具身智能前行的征途中，三個年輕人的熱烈、迷茫、思索，匯聚成他們對AI世界的自我認知。

知時代，

AI時代，年齡和資歷如過眼云煙，年輕人可以在非常短的時間內(nèi)經(jīng)受完整的科研訓練，抓住技術的爆發(fā)點扶搖直上，闖出一片天地。

知方向，

VLA風頭已過，強化學習或將成為落地咽喉。顛覆的技術范式，得靠“非共識”去突破。

知自己，

譚恒楷的知，是看破廬山真面目。

吳銘東的知，是自知不知是為上。

王乾旭的知，是心明志遠行自堅。

安托萬還不知道自己的立身之所，三個Z世代的年輕人已在具身大地上撒下了幾粒種子。

雷峰網(wǎng)(公眾號：雷峰網(wǎng))

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉載。詳情見轉載須知。