具身智能正朝着“大一统”的方向发展。北京人形大模型项目的负责人鞠笑竹提到，团队在训练过程中经常出现所谓的“Aha Moment”，这使他看到了具身技术向通用人工智能（AGI）演进的潜力，由此坚定了快速迭代和系统化的技术攻坚策略。这种信心来源于对自身模型团队能力的认可，以及对具身技术快速发展规律的理解——在早期阶段，团队能够探索的方向和可能性更加广泛，而在面临更多看法分歧时，勇于选择非主流的想法更加重要。

本期节目请来了三位从大语言模型（LLM）领域转向具身大脑和世界模型研究的专家。北京人形多模态大模型的专家代勇表示，如果将具身智能的发展阶段与LLM的技术历史做对比，当前的具身智能并非处于GPT-1或GPT-3.5的阶段，反而更接近Bert。代勇解释道，Transformer架构问世后，技术界首先探索的便是Bert，它像是一个特定任务的解决方案。Bert框架下可针对各种任务进行微调，因此每个特定场景都会有其独特的微调模型。而GPT则是智能的一种“统一时刻”，它消除了Bert时期各种模型繁杂的现状，使得一个模型能够适应多种不同任务。

今日的具身智能与Bert时期颇为相似，因为它们正处于一个尚未达成一致的技术环境中，模型结构、训练方式和数据来源尚未统一。前华为AI首席专家唐都钰表示，在Bert时代的人往往并不意识到自己正处于这一阶段，研究员们会为了不同场景训练多样化模型，并通过更多数据提高Bert的能力。同时，由于Bert采用双向注意力机制，期初在理解任务上的表现可能优于GPT。

如今，具身智能行业对于大脑模型的路径存在不确定性与共识共存的现象。模型评估标准的缺失、落地场景高度依赖后训练，以及对VLA与世界模型技术路径的持续辩论，正如同Bert时代的情形。尽管如此，代勇对未来持乐观态度。他认为，从Bert到GPT的进程中，技术的无限可能反而激励了更多的探索热情，这是一个充满活力与创新的时期。唐都钰也指出，技术的不确定性为创业团队创造了更多机会。一旦技术发展趋于一致，竞争将更多地转向计算资源、工程能力和系统化。在技术尚未稳定的时刻，确实需要加大探索与创新的步伐。他也选择离开华为，筹备自己的创业项目，旨在建立一个“主动式物理因果大模型”，这将帮助实现多模态感知与底层执行的主动认知规划。

北京人形多模态大一统模型的负责人张怡对具身模型的未来展望为“大一统”。在8月20日的世界机器人大会（WRC）上，北京人形正式推出了自己的Pelican-Unify大模型，成为全国首个统一的具身世界模型，集成了视觉理解、动作控制与世界模型等多重能力。张怡认为VLA的技术不应被完全否定，而世界模型在短期内也难以反映现实，它们可以在新的技术探索中相互融合。通过探索，各项技术可以独立迭代，最终实现技术的逐步收敛。

代勇则将理想化的世界模型类比为“永动机”。如果真能够构建一个真正意义上的世界模型，便能依靠仿真完成所有训练，形成一个“数据→模型→更多数据→更强模型”的闭环，但这实际上是不切实际的，因为建立如此的世界模型需要庞大的数据积累和探索能力。技术不相信童话，智能不会凭空产生，具身智能需要的是有志于探索的人去不断发掘极致的落地场景，寻找合适的技术架构，积累高质量的数据，从而迎来自己的“GPT时刻”。