187: 对话LiberAI刘松铭：Astra来袭，00后物理AI创始人看到的胜率

概览

本期《晚点聊》对话 Liber AI 创始人刘松明，围绕年轻创业者为何集中进入物理 AI、世界模型如何从研究走向产业，以及具身智能公司该如何面对基础大模型厂商的竞争展开。刘松明认为，世界模型只是技术手段，公司的最终使命仍是以物理 AI 和物理 Agent 产品创造商业价值。

Liber AI 的核心判断是：纯模型公司的壁垒可能随着基础大模型进入机器人领域而变薄，因此公司从成立第一天起就选择模型、数据、采集设备、机器人本体和场景应用相结合的全栈路线。其重点并非与基础模型正面竞争，而是聚焦动作执行、物理反馈、运动控制、硬件适配和实际交付。

节目重点介绍了 Liber AI 新发布的世界动作模型及相关实验。团队报告称，模型已展现零样本完成抓取、非抓取和部分长程任务的能力；自由手套数据能够弥补互联网视频缺少精确动作信息的问题，并部分替代成本更高的真机遥操作数据。与此同时，触觉、强化学习、硬件可靠性和场景闭环仍是尚未解决的关键问题。

对商业化，刘松明采取相对克制的态度：短期继续投入模型、算力和数据，同时通过零售服务等场景做 POC，目标是在两到三年内跑通一个由模型泛化能力驱动、可复制且能持续产生收入的标杆应用。他认为，技术进展本身相对确定，真正的不确定性在于模型能力、硬件成熟度与商业落地节奏能否匹配。

分段落总结

[01:28] “00 后小天才”标签与年轻创业潮

[事实] 刘松明出生于 2000 年，认为“00 后”首先是客观年龄标签，也反映出一批年轻创始人集中进入前沿技术创业的现象。

[事实] 他将这一现象归因于物理 AI 本身起步较晚、研究者整体年轻，以及大模型降低专业知识和经验的获取门槛。

[事实] 他认为，从技术突破到创业和商业转化的时间正在缩短，年轻研究者进入前沿产业并非单纯的“揠苗助长”。

[04:08] 世界模型是手段，商业价值才是使命

[事实] 刘松明认可 Liber AI 正在沿世界模型路线探索，但不认为“世界模型”适合被定义为公司的使命。

[事实] 公司的核心目标是利用物理 AI 技术实现物理 Agent 产品，并产生商业价值。

[事实] Liber AI 与典型“New Labs”式公司的区别，在于其不会长期割裂技术研究与商业应用，而是强调两者之间的紧密联系。

[05:30] 创业前捕捉到的技术信号

[事实] Liber AI 在 2025 年下半年启动，早于随后出现的世界模型热潮。

[事实] 团队观察到，互联网视频和视频生成模型开始能够帮助物理模型训练，人类数据有望成为机器人预训练的重要来源。

[事实] 早期实验还显示，低成本的操作数据可以接近遥操作数据的效果，但假爪数据与互联网中的人类动作之间存在本体差异。

[事实] 随着灵巧手逐渐成熟，团队判断以人类数据、互联网视频和类人本体为核心的训练路线开始变得清晰。

[08:32] 从 VLA、RDT 到机器人预训练

[事实] 刘松明所在团队较早参与 VLA 和大规模机器人数据训练，验证了不同任务之间存在可共享能力，预训练可以一致提升多种任务的表现。

[事实] RDT-1B 的工作表明，即使面对未见任务，经过预训练的模型在加入少量后训练数据后，也优于只使用后训练数据的模型。

[事实] 当时的主要瓶颈不是预训练是否有用，而是高质量机器人数据如何低成本、大规模地产生。

[事实] RDT 采用与连续动作数据更匹配的 Diffusion 方法，并通过详细开源训练方法和踩坑经验降低其他研究者的试错成本。

[11:31] 从化学竞赛到计算机与物理 AI

[事实] 刘松明通过化学竞赛进入清华，最初就读化工系，随后转入计算机系，并先从 AI for Science 等与自身化学背景有交集的方向切入。

[事实] 他选择计算机和 AI，一方面是看到更多创业机会，另一方面是认为相较化工，这些领域对年轻创业者而言没有那么重资产。

[事实] 他总结跨领域学习的方法是：先理解领域规则和关键痛点，再辨认自身已有优势与缺失能力，围绕核心问题快速补齐。

[事实] 在机器人研究中，他将预训练方法、数据来源以及有说服力的 Demo 视为影响研究价值的重要因素。

[20:59] 研究成果如何转化为创业资源

[事实] RDT 发布后建立的交流社群迅速扩展至多个群、上千名参与者，使刘松明连接到研究同行、产业人士和后来的创业伙伴。

[事实] 产业反馈让他同时看到机器人柔性操作的真实需求，以及当时模型能力仍不足以解决多数实际问题。

[事实] 面对投资和创业邀请，他没有立即行动，因为当时尚不能明确列出未来几个月的技术路线和资源投入方式。

[事实] 他认为，在没有六七成把握知道“该怎么做”之前，贸然创业会增加技术和融资风险。

[24:26] 竞争、技术一号位与资本效率

[事实] 刘松明从早期便把同期创业公司视为潜在竞争者，认为行业终局虽然很大，但公司必须先在有限场景和商业窗口中活下来。

[事实] 他不认同仅由资源型创始人主导、年轻研究者担任技术负责人的固定搭配。

[事实] 在算力和实验数据占据主要投入的阶段，他认为一号位必须具备技术判断力，以决定资源如何配置并提高资本效率。

[事实] Liber AI 的成立、融资和寻找合伙人同步推进，首轮投资发生在公司团队尚未完全建立时。

[28:37] 行业周期与基础大模型的必然进入

[事实] 刘松明回忆，2025 年下半年资本市场一度认为具身智能热潮已过，随后世界模型和年轻创始人又推动行业升温。

[事实] 团队创业时已预判基础模型能力与算力会持续扩张，并必然寻找机器人等新场景。

[事实] OpenAI 招聘机器人相关人才等信号强化了这一判断；基础模型空间理解能力进展的速度略超预期，但方向本身没有超出预期。

[推测] Liber AI 的路线并非基于短期热点命名，而是试图提前适应基础模型不断扩大能力边界的长期趋势。

[33:40] System 2、System 1 与全栈路线

[事实] 节目将机器人能力粗略分为三层：System 2 负责感知、理解与规划，System 1 将指令转为动作序列，System 0 负责可靠运动控制。

[事实] 刘松明判断 System 2 最容易被基础大模型覆盖，因此纯模型具身智能公司的壁垒可能被削弱。

[事实] Liber AI 从成立第一天起便选择全栈路线，以产品、硬件、运动控制、数据和场景部署加厚壁垒。

[事实] 公司的技术重点长期放在 System 1 以下，包括动作执行、失败重试、物理反馈、力与触觉、运控以及硬件适配。

[事实] 对基础模型厂商，团队倾向于合作而非正面对抗：让其处理通用理解和规划，Liber AI 处理更接近物理世界的部分。

[39:06] 创业本身才是长期热爱

[事实] 刘松明表示，自己并非从小只热爱某一项具体技术，而是从高中阶段便明确希望创业，且没有认真考虑上班或从事教职。

[事实] 他把创业理解为直接调动资源、完成有社会价值之事的方式，而不是先追求财富或影响力、再间接做事。

[事实] 家庭教育较少强调成绩，更常追问他想成为什么样的人、想完成什么事情，这促使他较早思考人生目标。

[事实] 清华的创业培训、管理课程和早期项目实践，让他接触了法律、财务、知识产权、招聘和企业运营等基本能力。

[44:23] 早期创业尝试与物理应用选择

[事实] 本科阶段，刘松明曾参与在线教育推荐系统项目，尝试利用疫情期间积累的线上教学数据提供个性化题目推荐。

[事实] 在接触 ChatGPT 后，他判断基础模型会成为高投入、现象级的基础设施，创业公司需要寻找与其协作而非被其覆盖的位置。

[事实] 他比较过 Agent、AI 应用、多模态、视频、AI for Science 和机器人等方向，最终认为与物理世界结合的应用具有更独特的问题和更厚的壁垒。

[49:19] 新模型的零样本能力

[事实] Liber AI 发布的新模型被定位为世界动作模型，团队重点验证了零样本执行能力。

[事实] 按刘松明介绍，模型在抓取任务上的零样本成功率约为 60%—70%，非抓取任务约为 30%，部分四五步长程任务也能达到 10% 以上成功率。

[事实] 团队使用大模型生成抓取、非抓取和长程任务题目，希望以相对客观的方式测试零样本能力。

[事实] 长程测试包括把桌面物品装入袋子、再放进抽屉等多步骤任务，涉及抓取与抽屉操作。

[52:44] Scaling 的关键不只是数据量

[事实] 团队发现，不同数据类型、采集方式、处理方式和硬件设备对应不同的 Scaling 效率曲线。

[事实] 自由手套采集的物理动作数据呈现出较陡的性能提升曲线，说明提升效果不仅取决于数据数量，也取决于数据结构和质量。

[事实] 模型效果由训练方法、采集设备、机器人本体等多个环节共同决定，这成为 Liber AI 选择垂直整合的重要依据。

[事实] 实验还显示，模型可以从手套数据中学习真机数据未包含的技能，从而降低对昂贵真机数据的依赖。

[56:43] 220 万小时数据与自由手套的桥梁作用

[事实] 团队称预训练使用了约 220 万小时的人类经验数据，组成包括互联网视频、第一视角视频、自由手套数据、真机操作数据和跨本体数据。

[事实] 互联网视频规模大且成本低，但缺少精确的物理动作信息；自由手套既保持人类动作形态，又补充手部运动数据，因而能连接互联网视频与机器人控制。

[事实] 团队认为，跨本体学习不可避免，因为大量知识来自人类数据，而最终执行载体是机器人。

[事实] 模型将本体信息作为条件输入，以便根据人的手、机器人夹爪或不同机器人结构调整动作策略。

[61:17] 手套数据为何能降低真机成本

[事实] 团队实验中，一万小时自由手套数据带来的操作表现超过两百万小时互联网视频数据，差异主要来自互联网视频缺乏动作信息。

[事实] 自由手套数据配合 25% 的真机遥操作数据，效果可超过只使用完整真机遥操作数据的方案。

[事实] 刘松明解释，遥操作存在人的观察视角与机器人记录视角不一致、动作迟缓和缺乏直接反馈等问题，而手套数据与自然人类动作更对齐。

[事实] 团队估计，自由手套可替代约 75% 的真机遥操作；真机遥操作每小时可能达到上千元人民币，手套方案成本低至少一个数量级。

[66:20] 硬件为模型服务，而非单纯追求功能

[事实] Liber AI 并不打算自研所有零部件，而是优先控制会直接影响模型效果的硬件设计，其余成熟环节依赖外部供应链。

[事实] 机器人本体重点优化腰部、手腕、关节自由度和灵活度，使硬件形态更接近人类，从而更有效地迁移人类数据中的动作知识。

[事实] 团队披露，其本体在旋拧、弯腰等测试中的成功率超过 90%，相较对比平台高约 30 个百分点。

[事实] 模型可以适配不同本体，但团队认为，与人类形态更接近的本体更容易承接人类知识，自己的模型与本体配合时效果最佳。

[72:37] 三阶段预训练与开放技术报告

[事实] 模型采用三个预训练阶段，先从互联网视频学习物理认知，再逐步提高含物理动作信息的数据比例。

[事实] 三个阶段始终混合视觉与动作数据，只是配比不同；团队不认为“看”与“动”可以被完全割裂。

[事实] 后续独立的后训练阶段可能引入强化学习，以及针对特定本体的适配。

[事实] 团队选择详细披露数据配比、核心假设和对比测试，并开放模拟器供外部测试，理由包括推动路线验证、增强行业信心和建立技术品牌。

[77:11] 当前不足：触觉、强化学习与硬件耦合

[事实] 刘松明明确表示，触觉仍未成熟，团队需要解决传感硬件的稳定性、成本、可靠性以及如何有效利用触觉数据的问题。

[事实] 团队对类似 RLHF、能够跨任务一致提升成功率的强化学习方法探索仍不足。

[事实] 实际开发中，硬件对模型的影响比团队预期更深，构型、传感器选型、运控算法和电机参数都可能显著影响 System 1 的表现。

[事实] 软硬件深度耦合能形成差异化壁垒，但也会因为硬件迭代周期较长而拖慢整体研发速度。

[81:06] 资源投入与商业 POC

[事实] 公司成立近一年内，资源投入最多的是算力和数据，包括采集设备与采集人员。

[事实] 硬件研发的重要性很高，但在研究阶段不一定最耗资金，其主要约束是设计质量和不可压缩的迭代周期。

[事实] 下一阶段仍以模型为核心，同时开展场景 POC，目的不是立刻追求收入，而是理解场景需求、基础设施和数据如何与模型形成闭环。

[事实] 公司展示了机器人完成奶茶制作的应用，但该系统仍在完善，尚未实现完全无需人工干预。

[84:48] 真实场景中的“最后一毫米”

[事实] 奶茶任务暴露出力觉、声音和触觉等非视觉信息的重要性，例如机器人需要判断按压泵是否真正出料。

[事实] 团队当前倾向于尽量不改造环境，以降低部署成本，但这会带来更多工程与可靠性问题。

[事实] 人工兜底可以接受，但如果频率过高，节省人力的商业价值就无法成立。

[推测] 场景能否落地，取决于模型成功率、传感硬件、环境改造成本和人工兜底成本之间的综合平衡，而非单项能力指标。

[88:43] 场景选择与两到三年的商业目标

[事实] 公司关注商业零售和服务等场景，同时也在探索工业、物流和家庭应用。

[事实] 家庭场景面临泛化与安全问题；工业场景则面临节拍、人工成本和跨工位复制能力等约束，没有一个场景是完美的。

[事实] 场景选择标准包括相对标准化、能力可复制、模型能够满足节拍和容错要求、人工兜底少、客户需求真实，并能沉淀数据或场景 Know-how。

[事实] 公司希望未来两到三年跑通一个由模型泛化能力创造价值、可以复制并持续产生收入的标杆应用，但当前尚未确认具体场景。

[94:15] 基础模型、制造巨头与真正的竞争者

[事实] 刘松明认为，基础模型厂商即使进入机器人领域，最终仍须面对逐个客户交付、硬件可靠性和场景基础设施等繁重工作。

[事实] 他判断 OpenAI 等公司未必具备深入交付的组织基因和经济动力，因为其软件业务可能拥有更高回报。

[事实] 汽车或先进制造巨头重视规模，在机器人年交付量仍很小时，也未必会长期重投入。

[事实] 对 Liber AI 更现实的竞争者，是既有非标自动化和上一代交付公司；竞争关键是新模型与硬件能否形成更低成本、更易复制的解决方案。

[推测] 该判断基于当前市场规模和组织激励，若机器人需求快速扩大，大型平台与制造企业的投入意愿可能改变。

[99:32] 与基础模型的理想分工

[事实] 刘松明认为，基础模型更适合处理通用、与本体无关的 System 2 能力，具身智能公司则负责 System 1、System 0 和物理场景交付。

[事实] Liber AI 正与 Kimi 探讨合作，包括利用基础模型缩短硬件研发周期，以及在虚拟与物理世界之间建立研发或生产闭环。

[事实] 测试中，基础模型在语义理解、任务拆解、规划和失败后的重新引导方面表现较强。

[事实] 当基础模型直接承担动作策略时，在强接触、形变控制和“最后一毫米”精细操作上表现不足；团队称其专用模型的零样本成功率可达到前者的数倍。

[事实] 刘松明认为，机器人既需要慢速推理，也需要低延迟的直觉和反射；后者可能长期需要专门模型。

[106:06] 从“脏活累活”走向消费级大市场

[事实] 刘松明承认，物理应用、硬件和交付市场在当前阶段更慢、更累，回报也不如通用软件迅速。

[事实] 他认为基础模型生态位已被领先公司占据，后来者更现实的选择是加入其生态，或进入其暂不具优势和缺乏投入意愿的物理应用层。

[事实] 如果未来形成面向消费者和家庭的大市场，全栈公司的硬件、产品和交付积累可能成为向上扩张的筹码。

[事实] 他预期行业从碎片化走向集中后，可能出现一家对标苹果的大型机器人公司，并将此视为 Liber AI 的长期愿景。

[109:53] 融资储备、资本纪律与周期意识

[事实] 面对一级市场降温，公司选择在能够融资时尽量储备资金，而不是等资金紧张后再融资。

[事实] 刘松明强调资本纪律，即比较不同 Scaling 路线的效率曲线，用更少资源完成更多验证。

[事实] 他将自己的风险意识部分归因于家庭经商经历：从小观察企业周期和曾被低估的风险，使他不只考虑最佳情形。

[事实] 他认为行业低谷是暂时的，但恢复时间难以精确预测，公司应按三至五年的尺度准备资金和组织能力。

[115:05] 全栈团队的文化与决策方式

[事实] 公司文化的关键词包括 taste、克制、极简和协作；所谓 taste，是看问题、拆问题和做取舍的方式。

[事实] 团队推崇做减法，避免遇到问题就不断增加补丁，使产品、模型架构和工作流尽量简单。

[事实] 全栈团队容易因专业背景、信息和立场不同产生摩擦，因此公司重视能够对齐目标、协调矛盾的管理者。

[事实] 公司鼓励充分讨论和不同意见，但最终重大决策由刘松明拍板，因为他承担最大责任。

[事实] 他认为错误决策常源于信息不足和过早下结论，尤其在熟悉领域，人更容易依赖未经验证的假设。

[122:10] 招聘、行业不确定性与五年愿景

[事实] 刘松明现阶段投入精力最多的工作是招聘，并把组织视为需要逐步搭建的产品，每位新成员都为公司增加新的能力。

[事实] 他认为说服资深人才的关键，是让对方相信赛道足够大、公司有机会获得市场份额，同时展现创始团队的专业度和坚定判断。

[事实] 他判断短期几个月的技术进展和五年后的长期方向相对清晰，最大不确定性位于中期，即模型能力、硬件条件和商业化速度如何匹配。

[事实] 团队仍在思考未来产业利润如何在基础模型、专用模型、硬件、场景基础设施和供应链之间分配。

[事实] Liber AI 的长期目标是用机器人让人摆脱繁重劳动和生活琐事，并最终面向个人与家庭提供服务。

播客点评/总结

本期的突出价值，在于它没有把物理 AI 简化为单一模型竞赛，而是把数据采集、模型训练、本体结构、运动控制、感知反馈、客户交付和资本周期放在同一框架中讨论。自由手套、跨本体学习和软硬件耦合的实验，为“为什么需要全栈”提供了较具体的论据。

刘松明的表达兼具技术细节与商业意识。他既承认基础模型会削弱部分具身智能公司的模型壁垒，也直面交付成本、场景碎片化和非标自动化公司的现实竞争，没有把行业终局的巨大想象直接等同于短期商业机会。

本期的局限是，主要性能数字、成本估算和竞争判断来自公司创始人及其技术报告在访谈中的自述，转录稿没有提供独立复现或第三方验证。关于基础模型厂商缺乏交付动力、五年内出现通用机器人以及未来诞生“机器人领域的苹果”等结论，应视为受访者的判断，而非已被证明的行业事实。

这期节目适合关注具身智能、机器人基础模型、世界模型、软硬件协同和科技创业的人，也适合希望理解前沿技术公司如何在研究突破、资本效率与商业落地之间做取舍的创业者和投资人。