Sergey Levine是加州大学伯克利分校电气工程与计算机科学系副教授，同时也是Physical Intelligence公司联合创始人。他在Invest Like the Best播客中直言，通用机器人模型能从更广泛数据源中获益，从而超越那些只盯单一任务的窄模型。根据Levine的表述，“语言模型之所以征服各种应用领域，就是因为它们能调动海量数据”。机器人领域同样如此。过去机器人学习总卡在高成本训练和长尾场景处理上，每个应用都需要海量数据才行。现在通用模型能打破这个瓶颈。Levine强调，理解物理世界是关键，这样模型才能跨任务和不同硬件通用。举例来说，不用单独训练洗碗专家或叠衣专家，一个懂物理交互的模型就能搞定。链上数据显示，类似AI基础模型已在生成式任务中证明威力，机器人版正蓄势待发。
Levine的公司Physical Intelligence押注这个方向。他认为，通用具身基础模型一落地，就会引发机器人应用的“寒武纪爆炸”。过去想搞新机器人应用，得从零解决智能问题，太费劲。未来不一样。机器人不必长得像人，专为任务定制工具更靠谱。Levine举医用机器人为例，长远看，它们不限于人形，也不需人类实时操控。自主系统将接管手术和护理。历史难题在于，多模态语言模型虽能灌输常识知识，但落地物理场景总掉链子。Levine指出，生成式AI擅长知识提取，强化学习则推向超人类性能，二者结合才能解锁机器人控制。训练成本降下来后，机器人就能高效应对多样应用，不再每个场景都重头攒数据。BTC现报$73,242（涨1.18%），市场对AI相关叙事仍旧热情高涨。
医学和设计领域的变革最有看头。Levine预见，机器人将演变为独立工具，不再受人类外形或控制限制。想想手术台上的专用机械臂，比拟人机器人灵活多了。物理交互理解是基石，帮助模型从理论跳到现实。过去AI练得越多越强，但开放世界适应难。现在通用框架正攻克这个痛点。Levine的斯坦福博士背景和伯克利教职，让他深耕深度强化学习，从端到端神经网络政策训练起步。Physical Intelligence团队正推这个范式。机器人不再是科幻，成本有效训练让它触手可及。设计哲学转向实用，专精任务胜过模仿人类。