速途網(wǎng)專訪（報(bào)道：王佩）一只搭載全景相機(jī)的機(jī)器狗正嘗試?yán)斫饧t燈停綠燈行的含義，而在它背后，一群頂尖AI科學(xué)家正試圖用“以人為中心”的新范式，重新定義機(jī)器人與物理世界的交互方式。

“現(xiàn)有的本體硬件與實(shí)際需求仍存在較大差距。”面對(duì)速途網(wǎng)關(guān)于技術(shù)路線的追問，大曉機(jī)器人董事長(zhǎng)王曉剛直言不諱。

圖：大曉機(jī)器人董事長(zhǎng)王曉剛

在這場(chǎng)采訪中，王曉剛系統(tǒng)闡述了大曉機(jī)器人的技術(shù)路線——具身智能被期待擁有一個(gè)強(qiáng)大的“大腦”，這源于過去幾年在大語言模型和多模態(tài)模型上取得的突破，大家期待將這種語言模型的能力賦予機(jī)器人，以實(shí)現(xiàn)通用化能力。

但是，我們能夠看到現(xiàn)有技術(shù)路線的明顯缺陷，包括VLA模型。

VLA模型是以機(jī)器為中心的，通過輸入指令、圖像和視頻，直接輸出動(dòng)作，它不太需要去理解真實(shí)的物理世界和物理規(guī)律。我們期待將來有一個(gè)更強(qiáng)的“大腦”能去理解世界，這就是大曉提出的世界模型，與之伴隨的是ACE環(huán)境式采集范式。

王曉剛表示，以前以機(jī)器為中心，基于不同物理結(jié)構(gòu)的本體采集真機(jī)數(shù)據(jù)，很難綜合得到一個(gè)比較通用化的“大腦”。現(xiàn)在環(huán)境式采集“以人為中心”，通過第一視角、第三視角和多模態(tài)數(shù)據(jù)，更好地對(duì)人和物理世界的交互進(jìn)行建模，并利用這些數(shù)據(jù)訓(xùn)練我們的世界模型。簡(jiǎn)單粗暴地使用端到端或VLA并不能解決具身智能對(duì)“大腦”的期望。

特斯拉“視覺方案”路線與大曉的“世界模型”

像特斯拉和Figure AI提出的所謂“視覺方案”，只有視覺維度也會(huì)存在缺陷。在王曉剛看來，視覺確實(shí)是機(jī)器人理解世界的第一步，但要真正掌握物理規(guī)律、實(shí)現(xiàn)與人的自然交互，觸覺、壓力等力學(xué)感知必不可少。

具身智能的核心，本質(zhì)是研究“人與物理世界如何接觸”。對(duì)人體的理解，不能只看外在動(dòng)作，還要洞察力的傳遞、肌肉的協(xié)作。對(duì)世界的建模，也不能脫離人的需求和交互場(chǎng)景，畢竟我們所處的世界本就是圍繞人建立的。

過去很多技術(shù)研發(fā)，只是讓機(jī)器人“完成任務(wù)”，卻沒有記錄人與環(huán)境真實(shí)的交互邏輯。比如打拳、跳舞或許能脫離具體環(huán)境，但穿衣、遞物這些日常動(dòng)作，核心是人與物體的力感反饋和精準(zhǔn)配合，這才是真正的難點(diǎn)。

大曉提出的“世界模型”更像是一個(gè)理解物理世界的“大腦”。該模型分為三部分：多模態(tài)數(shù)據(jù)融合、復(fù)雜行為生成與預(yù)測(cè)功能。通過這三者的結(jié)合，機(jī)器人不僅能理解環(huán)境，還能生成具備物理和因果一致性的長(zhǎng)時(shí)序行為。

與特斯拉從自動(dòng)駕駛繼承而來的純視覺方案不同，大曉強(qiáng)調(diào)多模態(tài)融合的必要性。“自動(dòng)駕駛場(chǎng)景中不會(huì)發(fā)生物理接觸，而具身智能需要與周圍物體和環(huán)境產(chǎn)生物理接觸，因此必須納入其他維度的信息。”王曉剛解釋道。

數(shù)據(jù)革命：以人為中心的環(huán)境式采集

傳統(tǒng)機(jī)器人數(shù)據(jù)采集面臨兩大困境：真機(jī)數(shù)據(jù)采集效率低下，仿真數(shù)據(jù)與真實(shí)差距過大。

大曉的解決方案是“環(huán)境式采集”——讓人戴上第一視角傳感器，結(jié)合周圍第三視角攝像頭，記錄人在真實(shí)生產(chǎn)生活中的行為。“采集效率會(huì)非常高，且能在真實(shí)場(chǎng)景中完成，還能記錄人在長(zhǎng)程、復(fù)雜環(huán)境下完成的動(dòng)作。”王曉剛表示。

這種方式與特斯拉和Figure AI近期采取的數(shù)據(jù)采集方式有相似之處，但大曉有更多環(huán)境視角數(shù)據(jù)，并通過世界模型進(jìn)一步放大了數(shù)據(jù)價(jià)值。“通過世界模型，我們能將有限的真實(shí)采集數(shù)據(jù)迅速放大。”

今年年初，團(tuán)隊(duì)發(fā)布了Ego Life數(shù)據(jù)集，記錄了人們?cè)谡鎸?shí)環(huán)境中數(shù)百小時(shí)的數(shù)據(jù)。此外，他們還與西南設(shè)計(jì)院合作，獲取大量房屋戶型數(shù)據(jù)，用于訓(xùn)練機(jī)器人在不同家庭環(huán)境中的適應(yīng)能力。

落地邏輯：從機(jī)器狗到家庭場(chǎng)景的漸進(jìn)路徑

具身智能的落地路徑一直備受關(guān)注，大曉選擇了一條從易到難、從B端到C端的漸進(jìn)式路線。

短期來看，搭載導(dǎo)航能力與各類AI應(yīng)用的四足機(jī)器狗是規(guī)模化落地的突破口。“此前這類產(chǎn)品未能廣泛應(yīng)用，很大原因在于空間自主能力不足。”王曉剛指出。

中期目標(biāo)則聚焦于工業(yè)與商業(yè)服務(wù)場(chǎng)景，特別是閃購(gòu)倉(cāng)、前置倉(cāng)等物流場(chǎng)景。這些場(chǎng)景需要大量人力支持7×24小時(shí)服務(wù)，機(jī)器人具備較強(qiáng)的可復(fù)制性。

家庭場(chǎng)景被列為遠(yuǎn)期目標(biāo)。“我們期待機(jī)器人完成一些復(fù)雜任務(wù)，但安全性是關(guān)鍵問題。”王曉剛坦言，“就像自動(dòng)駕駛領(lǐng)域有主動(dòng)安全機(jī)制，機(jī)器人進(jìn)入家庭后，如果碰到人，責(zé)任該如何界定？這些都是需要解決的問題。”

行業(yè)卡位：頭部未定，格局遠(yuǎn)未成型

盡管機(jī)器人賽道熱度空前，但王曉剛認(rèn)為行業(yè)頭部卡位遠(yuǎn)未完成。

“從技術(shù)路線來看，目前機(jī)器人行業(yè)原有的技術(shù)路線存在明顯缺陷。”他舉例說，“特斯拉和Figure AI在過去兩三個(gè)月內(nèi)，都放棄了以真機(jī)為主的技術(shù)路線，轉(zhuǎn)向以視覺為主的技術(shù)路線。”

在產(chǎn)業(yè)鏈層面，機(jī)器人行業(yè)的分工也尚未完善。“從零部件、傳感器到計(jì)算芯片等環(huán)節(jié)，都存在很大的垂直整合空間。”王曉剛指出，當(dāng)前機(jī)器人成本依然很高，在質(zhì)量、可靠性、一致性等方面，行業(yè)還處于相對(duì)初期的階段。

這種不成熟的狀態(tài)，反而給了新入局者機(jī)會(huì)。大曉背靠商湯積累的客戶資源與技術(shù)能力，試圖在具身智能領(lǐng)域找到自己的生態(tài)位。“商湯過去十幾年積累了幾千家客戶，覆蓋眾多行業(yè)方向，但此前缺少機(jī)器人載體的軟硬件平臺(tái)。”

團(tuán)隊(duì)底色：教授創(chuàng)業(yè)團(tuán)的默契

大曉團(tuán)隊(duì)的組成頗具特色——匯聚了陶大程等多位頂尖AI科學(xué)家。這支以教授為主的團(tuán)隊(duì)，有著深厚的學(xué)術(shù)背景與彼此間的默契。

“我和大程在碩士階段跟著湯老師讀書時(shí)就是室友，有很好的默契；其他幾位老師也都是我們的學(xué)生。”王曉剛透露。這種基于師生關(guān)系的信任網(wǎng)絡(luò)，成為團(tuán)隊(duì)協(xié)作的重要基礎(chǔ)。

在王曉剛看來，具身智能賽道仍需要持續(xù)創(chuàng)新。“很多教授自己也想過創(chuàng)業(yè)，這些明星教授任何一位都可以去創(chuàng)業(yè)，但今天我們要團(tuán)結(jié)起來，集中科研力量和創(chuàng)新能力去做更大的事。”

團(tuán)隊(duì)分工上，陶大程主要負(fù)責(zé)帶領(lǐng)教授團(tuán)隊(duì)聚焦具身智能方向的持續(xù)研究創(chuàng)新，王曉剛則負(fù)責(zé)公司整體戰(zhàn)略規(guī)劃與商業(yè)落地。“這樣就能把研究上的領(lǐng)先性、創(chuàng)新性與現(xiàn)實(shí)中的落地工程化能力結(jié)合起來。”

商湯布局的“1+X”戰(zhàn)略正在顯現(xiàn)其前瞻性。大曉作為“X”中的重要一環(huán)，承載著一代AI科學(xué)家由創(chuàng)新技術(shù)向產(chǎn)業(yè)落地的初心。在商湯的方舟平臺(tái)已接入幾十萬路攝像頭數(shù)據(jù)的背景下，一旦具身智能體與方舟打通，上百種AI應(yīng)用都可以遷移到具身平臺(tái)上。

在速途網(wǎng)看來，具身智能的競(jìng)賽不僅是技術(shù)路線的比拼，更是數(shù)據(jù)采集范式與產(chǎn)業(yè)生態(tài)的較量。當(dāng)特斯拉和Figure AI轉(zhuǎn)向視覺路線時(shí)，大曉堅(jiān)持的多模態(tài)融合與以人為中心的ACE范式能否成為破局關(guān)鍵，將決定其在即將到來的機(jī)器人量產(chǎn)之年能占據(jù)怎樣的位置。

世界模型開源、與國(guó)產(chǎn)芯片廠商合作、構(gòu)建自己的數(shù)據(jù)采集體系——大曉正在下一盤多維度的棋。而棋盤的另一端，眾多參賽者也在加速布局。具身智能的頭部卡位戰(zhàn)，或許才剛剛開始。