前混元多模态RL infra负责人淏楠：Astra或是具身的GPT-3时刻

前段时间，@Sxy_Cherotich 经 @zhuohaol 介绍认识了前混元多模态RL infra负责人王淏楠。淏楠读过5所大学，最早在MiroMind做agent，后来转向多模态、主导过UniRL，最近加入某具身公司负责模型训练。

让 @Sxy_Cherotich 意外的是，淏楠选择在这个时间点投身具身智能。当前具身公司估值已经很高，落地和商业化的难点业内都清楚，Astra发布后，也有人开始思考是不是没必要自己做大脑了。

但淏楠认为，现在做具身反而是好事，Astra可能是具身领域的GPT-3时刻，让初创公司的路径更清晰：做好本体、具体场景和本地小模型，出错时借助Astra这类更强的大模型接管，再把恢复轨迹回流训练。Astra的出现，意味着更强的模型能真正进入数据采集和异常接管的生产闭环。

因为同时做过agent、多模态、具身，淏楠对各个领域的前沿进展都有实践认知。@Sxy_Cherotich 邀请他录制了一期播客，聊了他的转型选择、跨领域收获、各赛道技术现状和机会，以下是整理的核心观点：

第一，视频生成目前还看不到像R1那样高效的测试时扩展曲线，能力更依赖预训练和数据。Seedance的优势就在数据上，其他团队短时间内很难真正追上。

第二，视频已经能产出接近电影水平的内容，但整体发展大概还只有60分，处在半山腰。关键卡点是普通人还没有一套足够顺手的创作工具，能把自己的审美真正放进创作过程，这或许是未来半年到一年比较明确的可做方向。

第三，H3发布后出现了一批实时互动、直播demo，但离真正落地还有距离。生成模型仍要优先追求质量，而越追求一致性和质量，速度往往越慢。

第四，很多世界模型在讲具身的故事，但这未必合理。对不少任务来说，理解当前状态→执行一步动作→再根据反馈继续理解，可能比先仿真整个世界更接近落地。真机数据也不会轻易被仿真替代，尤其在灵巧操作里，某一台机器的物理细节是模型必须学会的东西。