幂级智能封硕: 走下展示台,机器人还差几个9 ?| 星连被投动态
如果一个机器人端十次盘子,能成功九次,你会让它来家里帮忙吗?
听起来已经不错。但剩下那一次,可能是盘子摔了,也可能是热汤洒了。要是把任务换成组装一台仪器,甚至做一台手术,九成的把握就更不够了。90%只是1个9,往后还有99%、99.9%,一直到8个9——99.999999%。9越多,留给机器人犯错的余地就越小。
在清华大学自动化系副教授、幂级智能首席科学家封硕看来,物理AI真正要走的,就是这条不断增加“9”的长坡。
按他的判断,如今机器人的任务成功率连1个9都还没达到,而工厂生产大约需要4个9,进入家庭这类安全攸关的场景可能需要6个9,做手术则可能要8个9甚至更高。从1个9走向8个9,可能需要很长时间,但每往前一步,都可能打开一个此前进不去的商业场景。
这条路,这位91年出生的清华人已经走了十年。
2016年AlphaGo击败人类时,正在清华读博的封硕想到的是另一个问题:棋盘只是一种玩具,可以让模型无所顾忌地试错;真实的机器人却要面对昂贵的错误成本,任何一次失败都可能导致巨大的损失。机器人要走进千家万户,首先得接近“万无一失”。此后他一直在做这件事情:先是让无人车迈向超越人类驾驶员的水平,再让无人机、无人船、机器狗都学会克服边缘场景,不断逼近更多的“9”。
走着走着,他发现了一个所有人都绕不开的难题,并把它写成论文,登上了2023年《Nature》封面。他给这个难题起名“稀疏度灾难”:真正有价值的数据太少,又零零散散地藏在海量数据里,AI很难学到。自动驾驶总被罕见路况难住,机器人做任务的成功率至今不到90%,根子都在这里。他给出的解法叫“密集学习”——把有用的数据“浓缩”出来再学。
2026年1月,封硕与师兄石梦凯创办幂级智能(DenseAI),把这套方法带向更大的战场。他的想法很朴素:最了解机器人的,就是它们自己,可以通过历史经验从海量数据中挑出对自己最有价值的一批。幂级智能要做的,是让机器人自我迭代。
01 做一个物理AI的大脑
2026年1月幂级智能注册,名称同音“密集智能”。创业的想法其实更早?
封硕:很早之前就有创业的想法,直到2025年才开始付诸行动,并找到师兄石梦凯共同创业。
为何选择这个时间点?
一是技术发展到了拐点——环境建模对物理AI确实至关重要;
二是需求强烈——具身智能发展两年,这一问题始终无人解决,许多头部公司也未能突破,模型的大脑层面没有重大进展,我们认为这是很好的契机;
三是研究范式发生了变化——智力须与数据、场景、资本更早结合。过去是实验室先做0到1,再到市场做1到10、10到100;AI时代不是这样,可能从0开始大家就要一起干,否则没有数据、没有算力、留不住人才。
用最简单的话来说,你们做的就是一个大脑,可以接到各种机器人身上?
封硕:对,我们是一个物理AI的大脑。
当前的世界模型研究中,约有一半人在做“下一帧视频生成”,你们做的是“下一状态的预测”,二者有什么区别?
封硕:我们做的必然是物理智能——视频生成仍停留在数字世界。世界模型的核心,是提供物理直觉。
比如我拿这个杯子,拿之前脑子里并没有清晰的画面,也没有牛顿定律式的精确计算,有的只是物理直觉——知道它大概会被拿起来,但起来的轨迹既算不出、也没有画面。为机器提供这种物理直觉,就是世界模型的核心目标。
很多人会觉得你们的数据缺少“动作”“力”这些标签,不担心吗?
封硕:大家要想,我们做的是物理直觉——人脑子里有力吗?没有。
物理上有两种预测:一种是看着现在的状态,预测接下来会怎样,这是运动学;另一种要先知道施加了什么动作、多大的力,再算接下来会怎样,这是动力学。我们认为世界模型做的是前者——物理直觉不是动力学,动力学是物理计算。牛顿之前,人正是凭直觉活在这个世界上的;即便如今学了牛顿定律,你拿杯子时会去算吗?不会。人不需要,机器也不一定需要。
那VLA还有必要吗?
封硕:VLA(视觉-语言-动作模型)只是一个过渡性产品——它是在视觉语言模型(VLM)上嫁接了一个动作输出,是拼接式的工作。未来机器人的大脑不太可能是这么简单的架构:其中当然包含语言能力,也必然包含世界模型与物理直觉,某些情形下还需要精确计算,以及记忆。世界模型提供的正是物理直觉,这是整套体系中非常重要的一部分。
您和石梦凯是怎么认识的?
封硕:本科就认识了。他比我高一届,09级自动化,河北省榜眼。我们都是清华双肩挑,都做学生工作——我是系学生会主席,他是系团委书记;后来我接任团委书记,他担任校科协主席。
十年前恰逢大众创业、万众创新,清华的创业热潮高涨,校科协正负责创新创业事务。我们虽未直接创业,但都深度参与其中,在各自心中埋下了一颗创业的种子。
现在公司30多人,清一色清华背景。另三位联创是我们邀请入伙的师弟,学生时代便相识,毕业后各自进入不同行业,此时相邀共同创业,确实志同道合。
为什么一定要创业,才能做您信赖的那条技术路线?
封硕:我们一定是一家技术驱动的公司,但不会只做一个Neo Lab式的纯研究室。物理AI的能力不是一蹴而就的,这是条长坡——能力从1个9(成功率90%)拉到8个9可能需要很长时间,但每解锁一个9,便可能解锁一个新的商业场景。正如大语言模型:能力每提升一步,突然就能写代码了,再提升一步,突然能做数学、做agent了。
我们下场的核心逻辑是:要在国家高度重视的赛道里,解决关键性的瓶颈问题。目标至少是与国际顶尖水平并跑,最好是领跑。我也希望借这个平台吸引志同道合的人、志同道合的资本,哪怕是志同道合的竞争对手,谁能把这面旗帜扛下来都好。
无论公司商业上取得什么成绩,我们这群清华人衡量这件事的重要尺度是:在物理AI的未来版图上留下自己的名字。功成不必在我,功成必定有我——这是我们团队的一份情怀和使命。
02 过去十年,每一步都在为世界模型做准备
您说世界模型要让机器“认识世界”。这个念头最早是什么时候有的?
封硕:2016年,我在清华读博。那一年我的研究方向从自动驾驶编队控制,转向了交通环境建模,直接原因是AlphaGo——AlphaGo对我们那代人的震撼不亚于ChatGPT。AI在围棋上超越人类,让我意识到AI时代真的来了:这么强的东西进入物理世界,会是多么强大?
所以我选了无人车作为载体,但不是研究车该怎么开,而是预测车上路之后,周围可能发生什么。
当时自动驾驶圈的人大多在做感知、预测、规划控制这些模块,相当于让车“认识自己”,把外部环境当作一个看不透的黑箱;我做的是让车“认识世界”,理解和预测它所处的环境——本质上就是今天说的世界模型。
当时这个方向冷门吗?
封硕:做的人极少。那时“世界模型”这个词还没出现,大家以为我们在做传统的交通仿真,其实完全不同。传统仿真粒度很粗,我们要把人的行为、车的行为,甚至泡沫飞来、轮胎掉落这样的意外都建模出来,否则车辆无法应对。
我们当时的结论是:自动驾驶迟迟无法实现,核心在于对世界的理解不够,corner case(罕见的极端情况)一出现就崩溃。如今自动驾驶也开始做世界模型了——车的大脑里没有对世界的认识,光改决策控制,做不到无人驾驶。
后来您去密歇根,做出了NADE(自然对抗驾驶环境)。这一步练的是什么?
封硕:NADE发表于2021年,是我们领域第一篇Nature子刊。其中的E指Environment,环境,也就是今天的世界模型。研究智能有一个经典框架:Agent与Environment交互——Agent是认识自己,Environment是认识世界。AlphaGo把Agent做到了极致,但棋盘是固定、封闭的;自动驾驶面对的是开放、随机的环境,所以把Environment做好格外重要。
N指Naturalistic,真实——构造的环境必须真实。但光真实还不够,还得有强度。可以理解为造了一个真实世界加一个“强化训练营”,智能体进去后周围全是教练,哪里不会就补哪里。同时有数学方法保证,在训练营里练出来的本事能校准回真实世界,不会练偏。
再往后,您提出了“稀疏度灾难”,登上了Nature封面。它该怎么理解?
封硕:工业界一直在讲corner case、长尾问题,但长尾到底是什么、难在哪里,始终没有清晰的界定。我们在2023年提出了“稀疏度灾难”(curse of rarity)这个科学问题,对标AI领域经典的“维度灾难”(curse of dimensionality)。
说白了,就是真正有价值的数据太少,又零零散散地藏在海量数据里,AI很难学到。AI在常见场景里表现很好,可情况稍微一变,就崩了。
这就像我找到了一个山谷,还做完了地质勘探,证明所有从草原过来的人都必须经过这里,并解释了它为什么这么难走。而密集学习,就是在这个山谷里架桥修路。我们的核心贡献就是加了dense(密集)这个词,公司叫DenseAI,中文名“幂级智能”,就是这么来的。
这个问题是怎么想通的?
封硕:最初看到的是现象——训练越往后,有用的数据越少,模型越难提升。我回头从头读深度学习的经典著作,发现从原理上看,深度学习建立在统计学之上,天然对稀少的高价值数据不友好,甚至会把它们当成噪声丢掉。在海量数据里,少数数据会被当作“离群值”,可它们恰恰可能最有价值。
论文被选为封面的消息,是我在国内出差途中收到的。那天五点多起床赶飞机,收到邮件非常高兴,迷迷糊糊还把行李箱弄丢了,后来联系机场才找回来。2016年AlphaGo登上Nature封面时,对我来说是完全遥不可及的存在。在整个物理AI领域,我们这篇可能是第一篇。
《Dense Reinforcement Learning for Safety Validation of Autonomous Vehicles》
稀疏度灾难和今天的机器人有什么关系?
封硕:衡量具身智能的核心指标是任务成功率,目前连一个9(90%)都没达到。真正落地需要几个9?工厂生产大约需要4个9(99.99%);服务老人、进入家庭这类安全攸关的场景,可能要6个9;机器人做手术,则可能要8个9、9个9。
从1个9到9个9,背后正是稀疏度灾难:成功率要求越高,能用的数据就越少、越稀疏,而且谁也不知道这些数据该长什么样。
就像一个学生已经考了94分,要冲100分该做哪些题?没人知道。给竞赛题、大学题未必有用,会做的题里也可能藏着薄弱知识点。现在才走到一个9,越往后,这个问题越关键。
那怎么把这些“该做的题”找出来?
封硕:最初是请专家写规则,判断什么情况可能危险;最新的研究已经完全不用人写规则,纯靠学习。
还是拿学生做题打比方。做题时大脑毫无波澜,说明题太简单;苦思冥想仍不得其解,说明题太难。只有让大脑处在“跳一跳够得着”状态的题才有价值。放到模型上也一样——算法就像大脑皮层,模型参数的变化就像脑电波。密集学习负责读出这个信号,判断高价值数据在哪里,再回到数据源头把它们挑出来。
您的方法砍掉了99%的数据,效果反而更好。为什么?
封硕:这在统计学上可以严格证明。让模型学那些无效数据,不仅没用,还会起反作用——就像做题,刷简单题顶多浪费时间,刷乱七八糟的题反而可能把自己带偏。
强化学习尤其如此。它会用过去学到的经验来指导当下的学习,这叫“自举”(bootstrapping),是TD learning的基本特性。过去学错了,现在只会错上加错——而过去的错误,大多来自噪声数据。
(TD learning,即“时序差分学习”,是强化学习中最常用的一类方法。它不等一件事彻底结束再总结经验,而是边走边学:用自己对“下一步”的估计,去修正对“这一步”的估计。好比开车回家,不必等到家才判断路线好坏,每过一个路口就根据剩余路程的估计调整一次预期。好处是学得快,代价是如果之前的估计本身有错,错误会被一路传递下去。)
所以数据筛选的理念就是less is more。最终,数据效率可以提升3到5个数量级,也就是一千倍到十万倍。论文中有一个强化学习案例:不做筛选,模型什么都学不会;做了筛选,就能学会。这已经不是快多少的问题,而是从不能到能。
自动驾驶之后,您又做了无人机、无人船、机器狗。为什么?
封硕:2023年之后接连拿了一些奖,最重要的意义是给了我们底气——不必急于短期内再出成果,可以沉下心来押注那些困难的、崭新的问题。
我想验证的是:海陆空天的无人系统,是不是都有这个问题?环境建模是不是都至关重要?我们构建的其实是这个世界的环境。无人车对应交通世界,机器狗对应地形世界,无人机对应空气的世界,船对应海洋的世界——这些都是一个个小世界。
结果是,我们确认了稀疏度灾难是一个普遍性问题;密集学习也从后训练拓展到了预训练。这两点,是我们今天做具身智能最重要的技术支撑。
03 物理智能的数据从哪里来
算力、算法、数据,做物理AI最缺哪一个?
封硕:算力依托摩尔定律指数增长,算法依靠人才,发展得都不错,唯独数据是瓶颈——没有能够规模化(scaling)的数据,一切都无从谈起。
AI科技评论:现在行业里很多公司在大量采集遥操作数据,你们怎么看?
封硕:我个人认为,遥操作(由人远程操控机器人完成动作,同时记录数据)、穿戴设备采集这类方式很难规模化:一是不真实,头盔、手套会引入偏差;二是成本高,需要专人配合;三是周期长,有新需求就得重新采。
它适合少量用在后训练——大脑总得适配具体的机器人身体,但不应拿来做预训练(即打基础的大规模学习)。
那什么样的数据,才能孕育物理智能?
封硕:大语言模型用的是互联网上的全部数据,AI在数字世界里学习,产生了数字智能。那么,什么样的数据才能产生物理智能?这是根本问题,解决不了,后面都是水中花、镜中月。
我们认为这类数据要满足三点:边际成本几乎为零,尽可能真实,能够快速规模化。那就是真实世界中已经存在的数据——全球超过10亿颗摄像头,以及各种智能设备记录下的、人在真实世界中的行动和操作。理论上,这些数据足以诞生物理AI,至少预训练阶段如此。
这些数据从哪来?会用安防数据吗?
封硕:我们要的不是安防数据,而是生产生活中为管理服务所产生的记录数据。比如超市的摄像头记录了上货、取货,餐厅的摄像头记录了服务员端盘子、后厨操作——这些原本用于人工管理,未来可以由AI代看,在管理过程中孕育新的智能。
也不是直接购买,而是商业合作、互利共赢。可以参考特斯拉:马斯克先卖车,没有智能的车仍然是一辆好电车,用户在使用中自动产生数据,数据学完再用回车上。而具身智能这条路走反了——先造机器人,没有智能的机器人卖不出去,便采集不到数据、训练不出模型,进而更卖不出去,形成死循环。
你们把这套思路叫“海水淡化”,怎么理解?
封硕:如果训练模型需要的是淡水,遥操作就像挖井——挖一口有一些水,但没法规模化,成本很高。而我们是海水淡化:海水已经存在,无穷无尽,但不能直接喝,越喝越渴——这正是稀疏度灾难。
为什么此前没人用这些数据?因为质量参差不齐,高价值数据分布得异常稀疏,直接处理行不通。人喝海水越喝越渴,先要知道原因:盐分会让细胞脱水;理解了机理,把盐去掉,剩下的就能喝了。密集学习就是那套“去盐”的方法,这正是我们过去多年所做的事。
为什么不用仿真数据?
封硕:仿真只能模拟人能精确计算的东西。想把真实世界的事情完全仿真出来,我认为是mission impossible。比如仿真这个杯子掉落,你很难精确定义推它那一下的力度和它的初始姿态,微小的差别在演化中会被不断放大。目前只在高度受限的情形下可行,比如两个刚体碰撞。
后记
封硕不是一个喜欢抒情的人。
他不怎么谈热爱、命运,更愿意谈问题、瓶颈、数据和验证。即使说到《Nature》封面,他的表达也很克制:高兴、惊喜,然后继续回到那篇论文真正解决的问题上。对他来说,荣誉不是叙事的高潮,只是继续往下走的底气。
这也是他身上有辨识度的地方——他习惯把抽象概念还原成一个可以被证明、被验证、被推进的问题。
“世界模型”在别处可能是一种想象,一种关于AI未来的宏大修辞;在他这里,必须被拆成更具体的东西:机器如何认识环境,如何从海量数据中找到高价值信息,如何在进入真实世界之前建立一点接近人的物理直觉。概念可以宏大,但方法不能悬空。
封硕甚至会对概念本身保持警惕。
比如,他不认为生成一段足够逼真的视频,就等于理解了世界;也不认为把视觉、语言和动作简单拼接起来,就是机器人未来的大脑。对行业里那些还没有被充分定义的词——世界模型、具身智能、物理AI,甚至大脑和小脑——他并不急着附和,而是不断追问:它们到底在解决什么问题?
一个技术路线究竟能不能成立,不能靠叙事说服人,最终要回到数据从哪里来、模型如何训练、能力怎样提升、效果能否复现。封硕给出的判断常常直接,甚至有些冷静:数据是一切的基础;遥操作难以支撑预训练;智能体要进入物理世界,首先要认识世界。
但冷静不等于无趣。
封硕解释复杂问题的方式其实很生活化。高价值数据的筛选,被他说成学生考了94分以后不知道该做哪些题;海量真实数据的利用,被他说成海水淡化;世界模型最终要提供的,不是精确计算,而是人伸手拿杯子之前那种“大概会怎样”的直觉。
这些比喻不是为了制造浪漫,而是为了校准理解。它们背后依然是同一件事:把复杂问题拆开,找到真正的困难所在,再建立一套方法去解决它。
访谈里最有人味的细节,也带着这种气质。得知论文被选为《Nature》封面时,封硕在赶早班飞机,因为高兴和迷糊,把行李箱弄丢了。这个故事没有被渲染成命运时刻,它更像一个提醒:再重要的成果,也发生在普通的一天里,落在一个要赶飞机、会丢行李的人身上。
封硕不是一个急于被看见的人。相比讲述个人,他更在意问题是否被准确说出;相比表达信念,他更在意路线是否经得起验证。创业以后,这种特质变得更明显。幂级智能不是一家靠愿景驱动叙事的公司的样子,而更像一个研究问题的延伸:从源头解决物理智能的数据问题,再一步步验证模型、世界模型和具身任务之间的关系。
封硕身上有一种少见的稳定感。不是对结果盲目乐观,而是对方法有把握,对困难有准备,也愿意接受时间给出的检验。
在这个行业普遍追求更快、更大、更热的时刻,这种稳定反而显得稀缺。真正的长期主义也许不是把未来讲得更动人,而是知道哪些瓶颈终将到来,然后提前站过去。















