观点摘录：

具身智能的出现，有可能会推翻莫拉维克悖论，其所对应的默会知识，可以通过训练数据的同步，瞬间让大量机器人掌握，这是具身智能最重要的优势，但在未来可能会对人类构成巨大的挑战，因此，具身智能之间的通讯需要由人类来掌握。

具身智能何时迎来自己的“DeepSeek时刻”，取决于涌现能力何时会呈现。团队正在进行一项研究，推导一个相关公式，这个公式有望计算出“DeepSeek时刻”何时到来。

发言内容：

我曾开设过一门名为《人工智能经济与伦理》的课程，其中有一个概念被反复提及，那就是莫拉维克悖论，复杂的问题，机器人容易干，而简单的问题，机器人干不了。今天看到具身智能的时候，我认为莫拉维克悖论或许可以推翻了。

我们把知识分为四大类：可表达，可感知，叫明知识；可表达，不可感知的量子力学，叫明知识二；可感知，不可表达，叫默会知识，具身智能就属于此类；还有一类叫暗知识，比如说围棋的棋谱。具身智能所对应的默会知识，常见于学习倒咖啡、扫地、弹钢琴、写书法等场景。过去，人类掌握这类知识几乎完全依赖师徒传授，它无法通过文献完整传递，必须靠师傅手把手指导。所以一个人会骑自行车，他的孩子不一定会。但是，当我教会一台机器人骑自行车，再将训练后的参数同步给成千上万台同类机器人，那所有接收到参数的机器人都能瞬间掌握这项技能。这就是具身智能最重要的优势，却也暗藏隐患，若这些机器人形成协同联动，未来可能对人类构成巨大的挑战。因此，我们此前在伦理层面提出，具身智能之间的通讯需要由人类来掌握。

具身智能领域会不会像大模型领域一样有基座模型，也有行业的垂类模型，目前我尚不敢下定论。现在看来在大模型领域，垂类模型是不成立的，随着GPT系列模型的迭代，绝大多数垂类模型已被淘汰，仅存的例外多是涉及保密数据。不过，具身智能领域或许会有所不同，当跟硬件相关时面临的就不再是纯算法问题，也许可以有基座模型，也可以有垂类模型，从生态的角度看，理论上是有可能成立的。

具身智能何时迎来“DeepSeek时刻”这是一个伪命题，更准确的表述应是具身智能的涌现能力何时会呈现？以GPT-3为例，它在参数规模达到1700亿时实现了模型泛化，那么具身智能的参数达到何种水平才能具备涌现能力？只有这一能力落地时，才可以认为迎来了属于具身智能自己的“DeepSeek时刻”。

我们团队在开展一项相关研究，把人工智能看作一个耗散结构，看它内部非线性到多大数值的时候，会出现一个相变，这个相变的出现就意味着能力的提升，目前我们正在推导相关计算公式。斯坦福做过一个神经交叉熵的研究，我们也在做这个研究。也许这个公式能推导出来时，会对大家有所帮助，可以算出来具身智能在什么时候可以迎来“DeepSeek时刻”。