能够泛化的人工智能。

今天的人工智能听起来很聪明，却在一本正经地胡编乱造。它没有空间感，也没有时间感。它从未触碰过这个世界。

通往真正智能的唯一路径，是让人工智能像人一样学习：通过一个能看、能触摸、能听、能说、能唱、能动的身体，感受重力，经历时间，体会痛苦与愉悦，并学会区分自我与世界。

这需要三样东西。一个身体，一个能从经验中泛化的心智，以及一个世界。今天的人工智能无法泛化。它并不理解自己在做什么。不理解自己的身体。不理解周围的空间。不理解行动的后果。真正的泛化，需要把这些一并理解。这就是为什么每一个机器人演示都是摆拍出来的。

设想一下：在一个它从未见过的房间里，你让机器人绕过你指的那两张桌子，把第三张桌子上的钥匙取回来。它知道那是你的钥匙，因为是你扔过去的。没有任何公开演示能做到这一点。仿真里做不到，实机上也做不到。这就是每一家机器人公司都会撞上的那堵墙。

这三样，我们都在做。身体。心智。世界。我们已获专利的架构（US 11,537,850 B2⁠，第二项专利已核准，另有 5 项在审⁠）阐述了运动、触觉、痛觉与愉悦如何共同塑造一个具身人工智能感知世界、形成意图的方式。与婴儿的发育学习同理，但快得多。

摄像机对画面里的每一个像素一视同仁。你不是这样。你以低分辨率接收一整片宽阔的视野，同时把最锐利的视力投向一小块区域，投向你选择注视的任何地方。我们的虚拟人以同样的方式观看。210 度乘 130 度的视野，每只眼睛有 5 度的中央凹，两者再融合成一个立体中央凹以获得深度。

下面是它在仿真器中的表现，目光扫过一个从正午走向月夜的世界。宽视野是虚拟人能够看到的范围。中央凹是它正在注视的地方。

大多数合成语音，本质上是对某个曾被录音的人的重新混合。BioFold 直接对人类声道本身建模，我们的虚拟人则像孩子学说话那样，学习如何控制它。由此得到的声音可以实时运行，每次调用都完全一致，并且可以属于一个从未存在过的人。

物理建模语音是一个小众且鲜有人涉足的领域。BioFold 仍处于早期阶段，但我们相信，它或许已经是世界上听起来最接近真人的声音。

接下来你听到的一切，都不是由人工智能生成的。每一个声音都直接来自物理模型，由人工调校。没有任何采样，也没有从录音中拼接。下一步是把控制权交给我们的人工智能，让它像孩子学会使用自己的声音那样学会驱动这个模型，并把它推向远超手工调校所能达到的高度。