唐都钰创办观行数智，提出“主动式物理AI”，设计双模型架构ProAgent与评测体系ProactiveXBench；团队称其ProAgent在介入时效等特定指标上优于GPT-6等通用模型，并已在Reachy Mini机器人上做60个案例验证。
AI解读：唐都钰曾任华为智能助手“小艺”多模态大模型研发负责人，职级21级；他创办观行数智，方向是面向物理世界的主动式AI系统。
他把现有物理AI称为“被动式”：任务起点是人类明确指令，AI解决的是怎么做（How），而非判断做什么（What）与何时行动（When）。
主动式物理AI面对持续展开的事件流，需要持续接收环境信息、理解事件、判断变化是否形成需求，再决定是否介入、如何介入、调用何种设备以及介入时机。
唐都钰称“主动做事”能力不会随智能增长而涌现，还涉及风险判断、职责边界与行动时机，需单独研究；团队为此设计双模型协同架构ProAgent，StreamingJev做轻量前置判断，Response Model判断事件性质并规划回应。
团队建立自动化数据流程，从公开视频提取场景变化并转化为带推理过程的决策序列，区分“出现了变化”与“形成了需要”；已与具身公司合作接入具体设备，并建立评测体系ProactiveXBench，含Timing、Progress、Outcome三维度。
团队称在介入时效等特定指标上ProAgent已优于GPT-6等通用模型，并首先把能力放在Reachy Mini机器人上，在60个案例中验证导引、警示与互动；这些均为团队说法，来源未给出第三方复现或更大规模数据。
华为前AI首席专家、小艺大模型前负责人唐都钰创办观行数智，方向是“主动式物理AI”：让机器在无人下达具体指令时，自行判断环境中是否出现需要介入的事件，并决定何时、以何种方式行动。
据量子位报道，唐都钰此前职级达到21级，曾从0到1开发小艺大模型并落地到数亿台终端；他把新方向描述为补齐行动链路的前半段，而不只做指令之后的执行。
报道给出的最新进展是：团队设计了双模型协同架构ProAgent，并建立评测体系ProactiveXBench；团队称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，且已首先把能力放在Reachy Mini机器人上，在60个案例中验证导引、警示与互动。
“主动式”与“被动式”的区别
唐都钰把现有物理AI归为“被动式”：起点来自人类明确指令，例如“把苹果放进篮子里”“从冰箱里取出一瓶水”“将散落的玩具整理好”，AI在接到任务后识别环境、规划行动、调用身体执行。
按他的说法，这类系统主要解决如何完成任务（How），不自主判断需要做什么（What）以及何时行动（When）。
“主动式物理AI”面对的是一条持续展开的“事件流”：持续接收现实环境信息，理解正在发生的事件，判断某种变化是否已经形成需要，再决定要不要介入、以什么方式介入、调用何种设备介入，以及应当在什么时候介入。唐都钰称这一过程为流式判断（StreamingJev）。
报道提到，这类设想并非首次出现：微软研究院1998年做过LookOut原型，能判断读到约见邮件时是否需要查日历或填写日程；次年微软研究员系统讨论过主动式交互；2000年微软研究院用摄像头追踪人的位置，让人走向屏幕时切换正在使用的电脑界面。
难点被放在边界与时机
报道称，“主动”本身很难：提醒早一步容易变成打扰和责备，出手晚一步帮助又失去意义。看见需求只是第一步，更重要的是边界判断与时机把握。
同一动作在物理环境中可能有不同含义：一个人突然倒坐在地，可能只是随性休息，也可能突然昏厥；孩子伸手靠近水杯，可能只是主动观察，也可能无意识将其碰倒。
唐都钰认为，“主动做事”的能力不会随着智能增长而涌现，因为它还涉及风险判断、职责边界以及行动时机，是一个需要单独研究攻克的复杂问题。
唐都钰还向量子位表示，这项能力的重要意义将在未来被显著放大。他判断届时人类身边会出现非常多的智能终端，如果每台设备都需要等待用户逐一发出命令，它们本质上仍是需要用户主动判断能力边界的复杂工具。
ProAgent双模型与数据、评测
观行数智设计了一套双模型协同架构ProAgent。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，报道中比作哨兵。
第二部分的Response Model更像指挥员：当StreamingJev识别出需求，Response Model进一步判断事件性质，规划回应方式，并决定调用何种设备。唐都钰表示这种分工很大一部分出于现实考虑——让一个大模型持续处理环境中的所有信息，推理成本高、反应速度也会大幅变慢；轻量模型完成前置判断后，系统可把更多计算资源留给关键时刻。
数据方面，报道称普通互联网视频通常只记录发生内容，不会标注合适、AI需要介入的时点。观行数智的解法是建立自动化数据流程，从公开视频中提取场景变化，并转化为带有推理过程的决策序列，其中既包含应该提醒或行动的正向样本，也包含应该继续观察的监督信号，希望让模型学会区分“出现了变化”与“形成了需要”。
据透露，观行数智已与具身公司合作，让系统真正进入具体设备，补充推理过程、动作空间与执行反馈。团队还建立评测体系ProactiveXBench，评估从发现需求到完成介入的完整轨迹：Timing关注反应时机，Progress观察介入时长和任务状态，Outcome关注最终结果，对应“没赶上趟、撂挑子、白忙活”三个易错环节。
团队给出的测试结果是：在介入时效等特定指标上，ProAgent模型已优于GPT-6等通用模型。目前团队也将这套能力首先放在Reachy Mini机器人上，在60个案例中验证导引、警示与互动。
唐都钰的履历与团队状态
报道称，唐都钰2015年在哈尔滨工业大学攻读博士，师从哈工大SCIR研究中心主任、中国中文信息学会情感计算专委会主任秦兵教授，研究让机器理解人类情感，同年入选IBM全球博士英才计划。2016年博士毕业后，他进入微软亚洲研究院，将研究拓展至代码智能，主导CodeBERT、CodeGPT等相关研究。
科研之外，他曾带年轻研究者共同研究，其中就包括后来成为DeepSeek-V3、DeepSeek-R1核心贡献者之一的郭达雅。报道称两人科研渊源始于郭达雅本科四年级，延续到其博士阶段；唐都钰论文累计引用已超过3万次，并入选全球前2%顶尖科学家榜单的终身科学影响力名单。
创业方面，报道称主动式物理AI没有成熟的数据体系，也缺少统一的模型架构和评测标准，需要从需求定义开始重新建立训练数据、决策模型与硬件之间的关系；团队建设沿产学协同展开，与哈工大实验室保持深度合作。
唐都钰最近多了一个身份：中关村学院的“AI模型杰出技术专家”。报道称这是一所2024年成立的国家级高等教育科研机构，鼓励科研人员将技术带出实验室、尝试创业；在他看来，创业与加入高校并不矛盾，只是在不同维度推动同一个长期目标。