亮源新创：互联网视频能否成为具身智能的预训练层？

01｜真正迁移的不是 ChatGPT 产品形态，而是训练阶段的分工

亮源新创的出发点来自一个训练经济学判断：机器人行业直接把遥操作和强化学习当作主要规模来源，会让每一小时训练数据都绑定具体硬件、场地、操作员和安全成本；语言模型的突破则来自先在更大、更便宜、覆盖更广的语料上形成通用先验，再用规模更小但更精确的人类反馈完成行为对齐。公司试图把同样的顺序改写为物理世界的“可规模化预训练—可规模化对齐—可规模化部署”。

这个类比有解释力，但不能照搬。文本预训练的输入和输出共享 token 接口，网页上的一句话可以直接成为下一词预测目标；视频中的人类行为没有天然动作标签。摄像机不知道手施加了多少力，也不知道人物为什么停下，更没有记录没有被选择的动作会造成什么结果。Physical AI 的预训练不是把视频切成更多 token 就结束，而是要把观测还原为对行动有用的变量。

因此，Scaling 的第一层含义不是参数更多，而是新增数据仍然带来可测的下游能力增益。若视频量扩大十倍，却只改善场景识别和视觉流畅度，没有减少机器人对齐数据，训练曲线就没有跨越模态边界。第二层含义是复用：一个任务上学到的行为结构能否被下一种本体调用。第三层才是部署：真实运行产生的失败能否修正共享模型，而不是只修补某台机器人的规则。

访谈用内部“GPT-2.5”描述当前模型资源位置，并预期未来出现类似“GPT-3.5”的能力跃迁。这类比喻可以表达团队的研发节奏，却不是行业通用的模型代际，也没有对应公开学习曲线、模型卡或统一评测。它不能回答参数、数据和算力分别增长多少，更不能替代跨任务成功率与适配成本。投资和技术判断应把它视为公司目标，而不是已经发生的能力结论。

公司当前最有价值的信号是组织结构与技术路径一致：姜旭在 OpenAI 参与过 InstructGPT、ChatGPT 和 GPT-4 的预训练、对齐、优化与基础设施，团队同时覆盖数据、模型、算力、硬件和部署。最主要的风险也来自同一结构：语言模型经验能提高训练系统能力，却不能自动提供接触动力学、机器人安全或制造复利。跨领域迁移最终只能由真机数据效率证明。

把路线写成一句可检验的命题，就是：在相同机器人数据预算下，经过大规模人类视频预训练的模型，能否在未见环境、任务和本体上更快达到相同成功率，并在运行中更少需要人工介入。只要比较实验没有回答这句话，视频规模、团队履历和融资都仍是能力的先验概率，而不是能力本身。

02｜互联网视频、机器人数据与部署失败不是替代关系，而是三种不同监督

互联网视频最适合提供的是行为覆盖。它包含人如何在拥挤空间移动、如何从语言和场景判断目标、如何接近物体、如何把长任务拆成连续动作，也包含大量失败前兆和社会互动。即使没有精确控制信号，视频仍能教会模型哪些状态通常相邻、哪些对象可以被作用、一个任务大致走到哪一步。公司把视频清洗和处理列为过去一年最大的研发投入之一，说明它把数据工程而非单一网络结构视为预训练瓶颈。

但视频不能承担精确执行监督。关节位置、速度、扭矩、接触力、触觉、摩擦、执行器延迟和控制频率大多不在画面里；相机移动还会与人物动作混在一起。一个人把杯子放稳，视频记录了结果，却未记录抓取力的安全区间。机器人数据的职责因此不是重复教模型什么是杯子，而是把抽象行为映射到本体状态和可执行动作，并校准现实世界的代价。

部署数据又与遥操作示范不同。示范通常偏向成功、动作干净、场景受控；产品运行暴露的是遮挡、传感器漂移、用户打断、意外接触、路径被占用以及系统不知道自己错了。它最稀缺的价值是失败和恢复：哪一步需要人工接管，机器人能否发现偏离，什么安全机制阻止错误扩大。只有这些数据被结构化并回流共享模型，部署才不是售后成本，而是训练资产。

三类数据也对应三种完全不同的合规问题。公开视频需要来源授权、人物隐私和删除机制；机器人对齐数据涉及操作员、场所和设备知识产权；长期交互产品还会记录家庭或办公空间中的敏感信息。若数据权利不能跨产品版本继续使用，数据规模不会自然变成护城河。真正的 Data Scaling 需要同时记录数据量、有效监督密度、使用权和对下游曲线的边际贡献。

合理的训练账本不应只统计小时数，而应为每条样本标记它改变了什么能力。视频数据看对象与行为覆盖、动作可辨识度和相机混杂；机器人数据看状态—动作同步、接触信息和本体多样性；部署数据看失败类型、恢复路径、人工介入和真实任务代价。只有把数据职责分开，团队才能知道下一笔预算应该购买更多预训练覆盖，还是补充某个动作接口。

03｜通用动作表征是整条路线的承重墙

从视频到机器人，中间必须存在一个不依附于具体身体、又保留动作后果的接口。亮源新创把它称为 Universal Action Representations。理想情况下，这个表示至少要拆开三件事：任务意图回答“为什么行动”，环境中的期望变化回答“世界应当怎样改变”，本体映射再回答“这台机器人用哪些关节和控制频率实现变化”。如果三者混成一个 latent，所谓跨本体就会把人类手臂、相机视角或某台机器人的动力学一起记住。

最有意义的抽象单位不是“人的右手向左移动”，而可能是“末端相对目标的位姿变化”“身体质心跨过某个支撑区域”或“保持安全距离并通过狭窄空间”。这类表示能被双足、轮式和四足通过各自控制器解释。可一旦任务进入摩擦、柔性物体和精细接触，身体无关的高层意图还不够，模型必须知道某种硬件能否实现动作，以及动作失败会造成什么后果。通用性因此来自分层，而不是删除本体差异。

Latent Action Pretraining（LAPA）提供了一个重要的行业参照：先从无动作标签视频中学习离散潜动作，用这些潜动作预训练 VLA，再以较少带动作的机器人数据映射到真实控制。结果支持“无标签视频可以成为动作预训练材料”，也暴露关键边界——潜动作首先是画面变化的压缩，不天然等于真实因果动作；背景和相机变化仍可能被误编码。亮源新创若采用不同结构，也必须回答同一组混杂问题。

V-JEPA 2 给出另一种证据。其视觉世界表征先在超过百万小时互联网视频上自监督预训练，随后用不足 62 小时的无标签机器人视频训练动作条件模型，并在 Franka 机械臂上进行目标条件规划。这个结果说明大规模被动视频可以提高机器人规划的样本效率，但仍保留了机器人域对齐阶段。它支持亮源新创的训练分工，却不能证明任意互联网视频都能自动变成跨本体策略。

公司内部同时探索自回归和 Flow Matching，当前更重视自回归预训练的扩展效率。架构选择本身不是决定性差异：自回归适合把序列预测和大规模训练组织成稳定目标，Flow Matching 常用于连续、多峰动作分布；真正应该比较的是同等算力和真机数据下的学习曲线、控制延迟、长时误差与恢复能力。如果更换生成头就显著破坏跨本体表示，说明主干尚未形成稳定动作接口。

访谈还提到位于多个端到端模型之上的 model harness。它可以负责选择、组合或约束不同策略，让移动、交互与安全模块共享高层状态；也可能只是把多个专用模型编排在一起。二者商业含义完全不同：前者可能形成可扩展的模型平台，后者更接近系统工程。判断方式是观察新增能力时究竟复用了共享表征，还是新增了一套数据、模型和规则。

跨本体最强的验证不是同一网络在三台机器人上都能运行，而是适配曲线。应固定任务难度和成功率阈值，记录冻结多少主干参数、增加多少适配参数、采集多少新数据、需要多少人天，并与从头训练或常规 VLA 微调比较。若第二种、第三种本体的边际成本持续下降，Universal Action Representations 才从概念变成资产。

04｜为什么先做移动：它是预训练假设最容易被证伪的第一站

亮源新创把首款产品指向具有通用移动、思考和交互能力的轻量级具身智能体。移动优先并不只是避开灵巧手的硬件难度，它与视频预训练的数据分布一致：人体行走、转身、绕行、停靠和跟随在公开视频中大量可见，动作效果主要体现在身体和相机轨迹；手指力、接触点、摩擦和遮挡后的状态则很难从普通视频恢复。

移动也更适合检验跨本体抽象。双足、四足和轮式底盘的低层控制完全不同，但高层任务可以共享目标位置、可通行区域、动态障碍、社交距离和恢复策略。如果同一表征能把“穿过人群去到桌边”映射到不同身体，路线会得到早期强证据。相反，如果能力只在自研硬件和固定路线成立，就说明共享的可能只是导航语义，而非跨本体行为模型。

LightParkour 是当前最具体的公开技术证据。项目从短人类动作种子出发，在物理仿真中扩展地形与运动分布，通过 Real2Sim2Real 训练一个循环深度策略，再部署到 90 cm、18.9 kg、21 个主动关节的 Lightbot 0。项目与论文报告策略以深度视觉、本体感知和速度指令为输入，在机载设备上以 50 Hz 运行，不依赖运行时参考轨迹、技能标签、外部跟踪或离板状态估计。

它证明了团队能把动作参考、物理仿真、感知策略和自研硬件闭成一个工程环，也说明公司不是只做视频研究。然而 LightParkour 的训练证据来自短动作种子、物理建模和仿真随机化，不是访谈所描述的互联网规模视频基础模型；其目标是复杂地形运动，也不是多任务交互智能。把它放在正确位置，结论应是“本体与运动控制能力已出现”，而不是“行为预训练主张已被证明”。

移动产品的商业挑战也不低。传统导航栈已能在结构化场所完成定位、路径规划和避障，基础模型必须在开放指令、未知环境、动态人群、语义目标和失败恢复上提供明显增量。若产品只完成“从 A 到 B”，客户会按底盘、续航和成本采购；只有当系统能理解模糊目标、处理打断并在环境变化中恢复，预训练行为先验才会进入定价。

因此，首代产品 Demo 不应只展示一次流畅行走。更有价值的是在未提前建图或布局变化的环境中，由自然语言给出含歧义目标，中途加入移动障碍和用户改口，并展示机器人如何识别不确定性、请求确认、重新规划、在失败后恢复。还应同时报告百次任务成功率、每小时接管、恢复率、端到端延迟和不同本体适配成本。

05｜自研硬件不是终局，而是把模型缺失变量暴露出来的实验装置

公司当前同时做模型、算力、数据、硬件和部署，并披露已经开发人形与较低自由度轮式本体，也在第三方本体上做过实验。对一家声称长期提供通用模型的公司，这看似矛盾：如果目标是跨本体，为什么还要自己造机器人？答案在于早期市场没有统一、可观测、可安全修改的参考平台。没有底层控制与传感器权限，团队很难区分模型错误、执行器误差和系统集成问题。

自研本体的合理角色是测量仪器。它应让团队控制时间同步、动作频率、传感器、故障注入和数据回流，快速暴露表示中缺失的变量；一旦接口稳定，外部本体接入成本应下降。若每次模型迭代都必须依赖自有机械、专用零件和创始团队联调，硬件就不再是实验装置，而会把公司锁进垂直整合和制造现金流。

长期开放生态能否成立，取决于接口而非口号。至少需要定义观测规范、形态描述、动作空间、时间同步、安全约束、适配器训练和评测协议。第三方本体厂商愿意接入的条件，是模型能缩短其开发周期、提高开放任务成功率，且不会夺走客户和运行数据。亮源新创尚未公开 SDK、模型许可、适配成本或合作清单，因此开放平台仍是方向，不是已建立的生态。

首款轻量级具身智能体还承担另一项任务：建立类似 ChatGPT 的低摩擦交互入口。语言模型的能力并非在产品出现前完全不可见，但对话界面让用户可以随时提出任务、纠正结果并产生偏好数据。物理智能体若长期存在于同一空间，也能获得上下文、习惯和任务反馈；它的价值可能从单次自动化转向持续协助、环境记忆和主动服务。

这种交互飞轮比网页对话更敏感。机器人会记录空间布局、人员活动与物品位置，也能采取有物理后果的动作。产品必须把数据同意、离线能力、删除权、权限分层、儿童与访客保护以及紧急停止做成系统结构，而不是上线后的隐私条款。模型越能主动行动，越需要清楚区分“可以建议、可以准备、可以执行、必须确认”的权限边界。

商业化最好的首场景未必是任务最复杂的场景，而应同时满足四个条件：移动与交互确有未满足需求；错误可以被安全停止和恢复；用户愿意持续使用并授权反馈；现场分布足够丰富，能改善共享模型。一个封闭、每次都由工程师兜底的展示空间会产生漂亮 Demo，却不能形成可扩展数据资产。

融资和组织扩张提高了执行概率，也提高了验证压力。公司从 2026 年 5 月访谈中的约 60 人增长到 8 月公告中的超过 100 人，并完成数亿元 Pre-A 轮。高密度小团队的叙事将在百人阶段接受新考验：模型、硬件和产品需要共享同一组里程碑，否则每条线都可能有自己的 Demo，却没有一条产品闭环。

管理上最重要的共同指标不是各模块的论文、模型参数或硬件版本，而是端到端学习效率：每个真实失败从发生到进入评测集需要多久；修复是否提高多个本体而非单台样机；一个版本的能力提升是否降低下一客户的部署工时。只有这些指标把模型、数据、硬件和产品绑在一起，全栈才是优势而不是组织负担。

06｜把宏大叙事改写成五道证据门：每通过一道，模型才获得更多行动权

亮源新创的路线拥有一套自洽的理论：公开视频提供最大的行为覆盖，人类动作表征承担跨本体翻译，少量机器人数据完成对齐，自研硬件制造闭环，长期交互产品产生部署反馈。它的优势是正面解决机器人数据不可无限扩张的问题，也与创始团队的大模型训练经验相匹配；风险是链条上的每一个箭头都可能损失信息，而任何一处损失都能被下游工程暂时掩盖。

第一道门应验证视频是否学到行为，而不只是外观。需要在未见人物、背景和相机条件下测试任务进度、可供性、动作顺序和零动作识别，并用相机扰动、背景替换和动作交换检查混杂。第二道门验证对齐效率：在同一机器人数据预算下，与无视频预训练、通用视觉预训练和 LAPA / V-JEPA 类基线比较，报告达到相同成功率所需的真机小时。

第三道门是跨本体。固定一组从未参与预训练的任务，分别接入轮式、双足或四足平台，公开冻结参数比例、适配参数量、标定时间和新数据量。若所谓通用动作表示只能在同形态机器人之间迁移，适用范围应被准确限定。第四道门是长期运行：模型必须在传感器噪声、布局变化、打断和失败后恢复，报告连续运行时长、每百小时接管和不可恢复故障。

第五道门才是商业复利。应把第二种本体、第二类任务和第二个独立客户与第一次交付比较，统计全口径工程人天、专用硬件、训练算力、现场支持和单位毛利。客户或硬件伙伴承担的适配成本也必须计入，否则成本只是被转移。只有边际成本下降，基础模型才产生平台效应。

LightParkour 已让公司获得一部分本体工程和运动控制证据，融资与百人团队提供了扩大实验的资源；公开资料仍缺预训练数据构成、模型结构、视频—动作对齐消融、跨本体曲线、产品 SLA 和客户部署。这个证据位置既不应被低估为“只有概念”，也不能被抬高为“通用物理智能已经出现”。更准确的表述是：训练范式明确、工程系统开始形成、核心迁移命题尚待公开验证。

如果路线成功，亮源新创最重要的资产不会是某一代机器人，而是一套让互联网行为知识不断被翻译到新身体的生产机制；每增加一个本体，模型会更懂哪些行为可共享、哪些必须本地校准。如果路线失败，最可能的原因也不是视频不够多，而是人类行为与机器人动作之间不存在足够稳定的低成本接口，导致每次落地仍需大量真机工程。

未来跟踪时，应少问“模型到了 GPT 的哪一代”，多问五个数字：视频预训练节省多少机器人数据，新本体适配需要多少天，未见任务成功率提升多少，每百小时人工接管多少，第二个客户的交付成本下降多少。它们共同回答同一个问题：亮源新创是在训练一个可以复用的 Physical AI 基础模型，还是在为每台机器人重新建设一套智能。