面壁智能将密度定律应用于具身智能领域

WAIC 2026上，具身智能成了最拥挤的赛道，没有之一。现场听到的，越来越多是量产、订单和场景落地——面壁智能正是在这个节点发布了具身智能模型系列MiniCPM-Robot，想把已经进入手机、汽车、消费硬件的端侧模型，进一步推向物理世界。

不过，面壁智能联合创始人、首席科学家刘知远在采访中直言：“目前具身智能发展还处于非常早期阶段，甚至连ChatGPT时刻还远未到来。”学术合伙人、多模态智能首席科学家姚远也补充道，针对一个固定任务采集上千条数据、再训练一个专家模型、做出一段表现不错的视频，并不困难；真正棘手的，是机器人换一个房间、换一台本体、换一种物体之后，还能不能继续完成任务。

这恰恰是MiniCPM-Robot最值得关注的地方。面壁智能进入具身智能领域后，首先打造了一个1.5B端侧通用VLA模型，并把密度定律带到了这里。

01 密度定律，进入具身

过去几年，大模型行业信奉的是Scaling Law——参数、数据和算力持续扩大，模型能力随之提升。但面壁智能发现了另一个现象，并在2024年提出了密度定律：模型智能密度会随时间呈指数级增强，达到相同智能水平所需的参数量，约每3.5个月缩小一半。

刘知远把这一类比作“模型制程”的持续进步——如果摩尔定律提升的是芯片电路密度，密度定律提升的，就是单位参数所能承载的智能。这套逻辑支撑了MiniCPM过去几年的发展：新一代语言模型MiniCPM5-1B只有约10亿参数，可以运行在手机和浏览器；MiniCPM-V 4.6则以约1.3B参数，继续压缩端侧多模态模型的体积和计算成本。

如今，这条曲线延伸到了具身智能领域。WAIC 2026期间，面壁智能正式发布具身智能模型系列MiniCPM-Robot，其操作模型的参数约为1.5B。姚远说，这套模型没有为某一个场景单独设计一套参数，而是尝试用一个模型控制不同本体，覆盖多种任务和环境。在相关评测中，它已经可以与过去3-4B、甚至规模更大的专用模型取得相当效果，部分指标甚至更好。

参数小只是其一，具身模型还要持续处理摄像头输入。传统多模态和具身方案处理一帧图像，通常要消耗约256个视觉Token，MiniCPM-RobotManip将其压缩到了64个。

如果具身机器人同时接收3-4路摄像头画面，即便每路视频每秒只保留一帧，一分钟也会积累数百帧图像，形成几万甚至十万级Token。视觉Token压缩不下来，机器人的记忆就无从谈起。因此，MiniCPM-RobotManip进一步支持1分钟原生视频上下文，通过视觉压缩、流式上下文管理和专门的后训练，让历史观测直接进入模型——机器人不再只看当前画面，还能利用此前发生的信息作出判断。

姚远举了两个简单的例子：如果任务要求机器人按照牌子上的数字按几次按钮，缺少记忆的模型按下按钮时，其实不知道自己已经按了几次；制作三明治也是一样，它需要理解任务进行到哪一步，而不是每看到一帧画面就重新作出一次孤立的反应。

与此同时，面壁智能还推出了追踪导航模型，通过纯视觉和纯本地部署，在不增加额外传感器、不提前建图的情况下进行目标追踪。在电梯、地下停车场等弱网或断网环境中，这一模型仍然可以稳定运行。

泛化、效率、记忆构成了MiniCPM-Robot的三个关键词，它们最终指向同一个目标：在有限的端侧算力中，装进尽可能完整的具身智能。

值得留意的是，此前面壁智能提出的密度定律主要在语言模型和多模态模型上得到验证，进入具身智能领域后，情况变得更复杂。语言模型处理的是数字世界中的Token，具身模型还要面对传感器误差、本体差异、控制延迟和真实环境的随机性。这样的小模型能否继续保持能力，跨本体数据能不能放进同一套参数而不互相干扰，仍然需要在更多真机部署中验证。面壁要验证的，不只是模型能不能继续变小，还要证明更小的模型是否可以在物理世界中承担更复杂的任务。

02 面壁智能为何选择“先通用后专用”？

在具身智能领域，Demo几乎成了衡量技术进度的唯一窗口。普通人手中没有一台可以随时测试的人形机器人，只能通过企业发布的视频判断模型能力。一台机器人能做三明治、叠衣服或者打乒乓球，很容易被理解为具身智能已经取得了实质性突破。

但Demo背后隐藏着数据成本。为了让机器人完成一个固定任务，具身智能团队可以提前在同一个场景采集数百甚至上千条数据，再对模型进行专门微调，只要环境变化不大，机器人就可以获得不错的展示效果。姚远认为，这类结果不能代表具身基础模型的真实进度——当前不少模型依然缺少基础性、泛化性和通用性，场景一旦出现没有见过的物体，或者任务步骤发生改变，原本流畅的动作就可能失效。

更现实的问题是，那些随机性极低、重复度极高的任务，传统机械臂和自动化设备已经完成得很好。具身智能如果长期停留在固定工位，只是用更复杂的模型重新完成一次成熟自动化方案，其技术意义和商业收益都需要重新计算。刘知远将这种路线概括为“先专用后通用”，它延续的是上一代专用人工智能的思路。

2010-2018年，上一批人工智能创业团队在做人脸识别时收集了大量人脸数据，做自动驾驶也收集了大量驾驶数据，但模型可以把一项任务做得很好，却无法把能力迁移到其他领域。今天，一些具身智能团队仍在重复这条路径：一个任务对应一套数据、一次微调和一个模型。

对于这一模式，刘知远引用了一个产业界形象的比喻：如果你的目标是登上月球，却一直通过爬树来训练自己，无论树爬得多高多好，也到不了月球。在他看来，通用具身智能应该“先通用后专用”。

他指出，一个人在学习开车之前，就已经通过十几年生活形成了对物理世界的常识——他可能没有学习过牛顿定律，却知道水泥柱不能撞、地面上的塑料袋通常不需要紧急避让。在这些通用认知的基础上，人只需要较短的时间就能学会驾驶。模型也应该先成为一个足够聪明的“大学生”，再成为司机、程序员、家务机器人或者工厂中的机器人。

实际上，过去几年大语言模型的技术发展，走的正是这样一条路。今天Claude的编程模型已经足够出色，用户愿意为之付费，但它并非只是靠代码数据堆出来的——它首先继承了基础大语言模型的语言、知识和推理能力，随后才成长为一个“专业程序员”。具身智能要获得更高的专业能力上限，同样需要一个通用基座。

这也是为什么面壁智能没有把某一个场景的深度优化作为MiniCPM-Robot的首要目标。姚远说，团队现阶段更关注基础数据、训练方法和工程链路，希望让一套参数支持更多任务、场景和本体。“真实场景的数据闭环仍然重要，但它需要建立在通用基础能力之上。”面壁选择先通用后专用，实际上是相信，大语言模型已经走过的通用化路径，也能够在具身智能领域再次发生。

03 具身智能的ChatGPT时刻，还远未到来

面壁选择在此时进入具身智能，并不意味着这个行业已经成熟。恰恰相反，刘知远给出的判断是：具身智能的技术路线仍未收敛，基础模型、数据体系和商业模式都处在探索阶段。

2018年前后，预训练模型领域同时存在BERT、GPT和T5等多条技术路线，当时GPT甚至不是最被看好的方向，直到GPT-3和ChatGPT相继出现，行业才逐渐向生成式架构收敛。如今的具身智能同样存在VLA、世界模型、强化学习等多种技术路线，虽然今年很火的世界模型补充了具身智能对未来状态进行预测的重要能力，但未来具身基础模型最终以什么形态出现，仍然没有明确答案。姚远指出，当下具身智能的关注度远高于2018年的大语言模型，路线收敛可能会更快，但这仍需要一定的时间。

与此同时，数据是另一个尚未解决的问题。大语言模型可以直接利用互联网文本，具身智能却没有同等规模、天然存在的动作数据：互联网视频数据量巨大，却缺少精确动作和关节信息；仿真数据容易扩大规模，但与真实世界存在一定差距；真机数据精度高、任务也更贴合，却昂贵而又稀缺。越容易获得的数据，数据量越大，但精度和场景贴合度越低；越接近机器人真实任务的数据，成本越高、数量越少——这就是当下具身数据的现状。

此外，具身基础模型还需要同时使用文本、图文、视频、人类动作、仿真和真机数据，需要回答不同来源的数据怎样进入一套模型、是否相互干扰，以及模型如何从观测中形成对物理世界的常识。姚远指出，数据层面的Scaling Law依然成立，更多有效数据仍然会带来能力提升，但参数规模的Scaling Law尚未形成共识，具身模型还要满足实时推理要求，不可能简单复制语言模型不断扩大参数的路径。

正是由于这诸多问题的存在，刘知远指出，现在大家都还没有找到具身智能的ChatGPT时刻。ChatGPT之所以成为大语言模型的分水岭，不是因为它完成了一次成功演示，而是因为任何用户打开网页，都可以立即测试它，并在不同任务中感受到它的通用能力。具身智能暂时缺少这样的产品和评判方式，普通人无法随时测试一台机器人，企业发布的Demo也很难完整呈现成功率、数据量和环境约束——这正是具身智能距离ChatGPT时刻最远的地方。

就面壁智能而言，MiniCPM-Robot是进入具身智能的第一步，也让面壁智能离AGI又近了一步。接下来，更值得期待的，是面壁智能的密度定律能否加速具身智能领域的智能涌现。