前华为小艺大模型负责人创业，押注“主动式物理AI”
内容提要
华为前AI首席专家唐都钰创办观行数智，提出“主动式物理AI”，让机器无需指令即可自主感知环境、判断需求并适时介入。团队设计双模型架构ProAgent：轻量模型负责事件流判断，响应模型规划行动，并建立数据流程与评测体系ProactiveXBench。唐都钰认为AI从被动走向主动是趋势，该能力不会随智能增长自然涌现，需专门攻克。
延伸解读
主动式物理AI：从执行到预判的范式转变
文章指出，当前物理AI主要解决“如何执行指令”，而唐都钰提出的“主动式物理AI”则向前补齐了行动链路，让机器自主判断“需要做什么”和“何时行动”。这要求系统持续处理事件流，并做出是否介入的决策。这种转变意味着AI从被动工具转向主动伙伴，但技术挑战巨大，涉及风险判断、职责边界和行动时机，并非智能增长自然涌现的能力。
双模型架构ProAgent：平衡效率与响应
为应对持续环境信息处理的成本与速度问题，观行数智设计了双模型协同架构ProAgent。轻量模型StreamingJev负责实时判断事件流，决定是否需要介入；响应模型则规划具体行动并调用设备。这种分工将计算资源集中于关键时刻，既降低了推理成本，又提升了反应速度，是主动式物理AI在工程上的一种务实解法。
数据与评测：主动式AI落地的关键瓶颈
主动式物理AI缺乏成熟的数据体系和评测标准。观行数智通过自动化流程从公开视频中提取场景变化，构建带推理过程的决策序列，并建立ProactiveXBench评测体系，从时机、进度和结果三个维度评估介入轨迹。这些努力旨在让模型学会区分“变化”与“需求”，但数据闭环仍需与具身公司合作，在真实设备中补充反馈，才能持续迭代。
创业背景与趋势判断：顺势而为的必然选择
唐都钰曾任华为小艺大模型负责人，拥有从模型训练到终端落地的全链路经验，其学术背景涵盖情感计算和代码智能。他认为AI从数据世界走向物理世界、从被动走向主动是两大趋势，因此创业并非豪赌，而是顺势而为。尽管物理AI技术路线尚未收敛，但提前布局主动式能力，有望在未来的多终端环境中定义更自然的人机交互。
Q&A
什么是主动式物理AI？
主动式物理AI是指让机器无需人类指令即可自主感知环境、判断需求并适时介入的AI系统。它面对的是持续展开的事件流，需要持续接收环境信息，理解正在发生的事件，并判断某种变化是否形成了需要，然后决定是否介入、以什么方式介入、调用何种设备介入以及何时介入。
主动式物理AI和传统物理AI有什么区别？
传统物理AI主要聚焦于解决“如何更好地执行人类提出的要求”，任务起点来自人类明确指令，AI解决的是如何完成任务（How）。而主动式物理AI则向前补齐了一次完整行动链路，需要自主判断需要做什么（What）以及何时行动（When），面对的是持续展开的事件流，而非单一任务链。
观行数智的ProAgent双模型架构是如何工作的？
ProAgent采用双模型协同架构。第一部分的StreamingJev负责持续读取现实环境中的事件流，进行轻量化判断，给出“是否需要介入”的讯号，如同哨兵。第二部分的Response Model更像指挥员，当StreamingJev识别出需求后，Response Model会进一步判断事件性质，规划回应方式，并决定调用何种设备。这种分工是为了降低推理成本、提高反应速度，把计算资源留给关键时刻。
为什么主动做事的能力不会随智能增长而自然涌现？
唐都钰认为，主动做事的能力涉及风险判断、职责边界以及行动时机，是一个需要单独去研究攻克的复杂问题。尽管大模型能力提升能让机器更准确地识别画面和描述事件，但主动介入需要判断边界和时机，例如同一个动作可能有完全不同的含义，提醒过早可能变成打扰，过晚则失去意义。因此，这种能力不会随着智能增长而自然涌现。
观行数智如何解决主动式物理AI的数据和评测问题？
在数据方面，观行数智建立了一套自动化数据流程，从公开视频中提取场景变化，并将其转化为带有推理过程的决策序列，包含应该提醒或行动的正向样本，以及应该继续观察的监督信号，让模型学会区分“出现了变化”与“形成了需要”。在评测方面，团队建立了ProactiveXBench评测体系，从Timing（反应时机）、Progress（介入时长和任务状态）、Outcome（最终结果）三个维度评估AI从发现需求到完成介入的完整轨迹。
唐都钰的创业背景是什么？
唐都钰曾任华为智能助手“小艺”多模态大模型的研发负责人，职级达到21级。他于2015年在哈尔滨工业大学攻读博士学位，师从秦兵教授，研究情感计算，同年入选IBM全球博士英才计划。2016年博士毕业后进入微软亚洲研究院，从事代码智能研究，主导了CodeBERT、CodeGPT等。他的论文累计引用超过3万次，入选全球前2%顶尖科学家榜单。
主动式物理AI目前的应用验证情况如何？
目前，观行数智已与具身公司合作，让系统进入具体设备，补充推理过程、动作空间与执行反馈，形成数据闭环。团队将这套能力首先放在了Reachy Mini机器人上，在60个案例中验证导引、警示与互动。根据团队测试结果，在介入时效等特定指标上，其ProAgent模型已优于GPT-6等通用模型。
