加入我们

愿景

我们相信，通用物理智能（Physical AGI）将是继语言智能之后最深刻的技术变革。它能理解物理世界，并在开放环境中可靠地行动；它将大幅提升社会生产力，建立连接智能与物理世界的闭环基础设施，并推动基础科学取得突破性进展，惠及每一个人。

为什么难，我们如何应对

数据：闭环难以获取

通用物理智能需要的不是单一的动作数据，而是覆盖“感知、语言理解、思维链推理、动作执行、外界反馈”完整闭环的数据。现有数据大多只覆盖其中一两环：

• 互联网数据有感知和语言，没有动作与反馈；
• 遥操作数据有感知和动作，却缺少语言化的意图、推理过程和对结果的评价。

难点在于以可规模化、本体一致的方式获得闭环上每一环的高质量信号，并让它们在时间和语义上对齐。我们构建贯通这一闭环的数据体系。

模型：需要同时在多个时间尺度上工作

物理智能需要：

• 长程记忆，跟踪跨越数分钟的任务状态；
• 由 System 2 的慢思考做规划与推理，再落实为高频的 System 1 策略和更底层的 System 0 运动控制；
• 各层之间异步执行，思考不能阻塞动作；
• 多模态上下文学习（in-context learning），能从少量示范或纠正中即时适应。

现有的视觉-语言-动作模型大多是单一频率、短上下文、同步推理，难以同时满足这些要求。我们把这些能力作为一等公民来设计模型结构。

模型与机器人：必须联合迭代

模型的上限受制于本体：运控的带宽与精度、硬件的自由度与传感器、采集设备的一致性，都直接决定模型能学到什么、能做成什么。我们让模型设计充分理解并适配运控、硬件与数据采集，同时让本体和采集为模型的需求而演进，并在真实部署中形成闭环。

来自大语言模型的启发

大语言模型的发展表明，进步不只来自规模，还来自更有效的 scaling、更高的效率，以及与人类价值观的对齐。Physical AGI 需要把这些经验带入物理世界：

• 更有效的 scaling：找到物理智能沿哪些维度扩展（数据多样性、本体、模型规模、算力），并建立让扩展可预测的规律；
• 高效：训练与推理足够高效，既能在真机上实时控制，也能支撑大规模的快速迭代；
• 与人类价值观对齐：行为遵循人类意图，在物理世界中保持安全可靠，因为这里的错误会带来真实的后果。

我们把这些作为贯穿模型、数据与基础设施的设计原则。

工作职责

我们的工作覆盖从数据到部署的完整链路：基础模型的预训练方案与动作表示，本体一致、质量与配比严格可控的具身数据体系，以及加速二者的 Agent 基础设施，并在让模型完成生产性工作的真实部署中接受检验。具体分为三个方向：

• 基础模型研究：面向物理智能设计模型结构与训练方法，让模型具备长程记忆、分层规划与高频执行、异步控制和多模态上下文学习的能力。
• 数据研究：构建通向通用具身语言与动作智能的数据管线，覆盖从感知、语言、推理到执行与反馈的完整闭环。
• Agent 基础设施研究：利用前沿 LLM/Agent 构建自动化的数据合成、训练与评测管线，大幅提升研究迭代的速度与规模。

我们希望与这样的人合作

• 真心相信 Physical AGI 终将实现，愿意为之长期投入，并对模型为何成功、为何失败有自己的洞察；
• 把前沿 LLM 与 Agent 当作日常研究的主力工具，清楚它们能让研究效率提升多少；
• 能看清模型能做到什么、做不到什么，并在真实场景中找出它的失效方式；
• 深知数据决定能力的上限，愿意把大量精力投入到细致的数据工作中；
• 深知基础设施决定迭代的速度，能搭建可复现、可自动化、可扩展的系统；
• 做研究讲证据、重实验，有好的问题嗅觉和清晰的思路，不迷信既有结论，包括我们自己的判断；
• 把团队的成功放在个人之前，坦诚沟通，对工作有主人翁意识，并能着眼全局；
• 有真机经验，对机器人整体系统有充分理解，尤其对运动控制与硬件抱有好奇心；
• 数学功底扎实、工程能力出色，在某个方向上有深入的积累，有大规模训练经验更佳。

实习、全职均可。如果你有意愿，或者希望交流，欢迎联系我：zpschang@gmail.com。

联系我