文｜邱曉芬 蘇建勛

編輯｜蘇建勛

“外界對(duì)我們的認(rèn)知，和我們實(shí)際的業(yè)務(wù)狀況，確實(shí)存在一定差距。”在「星動(dòng)紀(jì)元」的北京辦公室中，創(chuàng)始人陳建宇對(duì)《智能涌現(xiàn)》表示。

「星動(dòng)紀(jì)元」成立于2023年8月，由清華大學(xué)交叉信息研究院助理教授陳建宇創(chuàng)辦。2025年7月7日，「星動(dòng)紀(jì)元」宣布完成近5億元A輪融資，由鼎暉CGV資本和海爾資本聯(lián)合領(lǐng)投，厚雪資本、華映資本、襄禾資本、豐立智能等跟投，老股東清流資本、清控基金等繼續(xù)追加投資。

盡管成立不過(guò)兩年，在機(jī)器人硬件業(yè)務(wù)上，「星動(dòng)紀(jì)元」接連發(fā)布了靈巧手、輪式、全尺寸人形等產(chǎn)品，這些動(dòng)向，讓不少人誤將星動(dòng)紀(jì)元視作一家機(jī)器人本體公司，甚至“覺(jué)得我們是一家靈巧手公司”。

這不是陳建宇希望公司被貼上的標(biāo)簽。

做一款通用、智能的機(jī)器人，是陳建宇在近十年前看到AlphaGo時(shí)就定下的目標(biāo)，這意味著機(jī)器人不能只擁有軀干，更需要大腦去應(yīng)對(duì)不同場(chǎng)景。

“同時(shí)做大腦和本體，看起來(lái)可能會(huì)非常難，但對(duì)我來(lái)說(shuō)，因?yàn)槲叶寄茏觯赃@是一個(gè)自然選擇。”陳建宇對(duì)《智能涌現(xiàn)》表示。

在一眾具身智能創(chuàng)始人中，陳建宇有著稀缺的交叉領(lǐng)域研究背景，他過(guò)往的學(xué)術(shù)方向兼具了“本體”與“大腦”。

2011年，陳建宇本科被保送到清華大學(xué)精密儀器系，這是國(guó)內(nèi)最早從事雙足人形機(jī)器人研究的單位之一；在美國(guó)加州大學(xué)伯克利分校就讀博士期間，他又著手研究MPC（模型預(yù)測(cè)控制）和端到端強(qiáng)化學(xué)習(xí)，這也正是如今具身智能“大腦”的重要技術(shù)路線。

事實(shí)上，相比硬件層，陳建宇在機(jī)器人算法層面的研究成果更顯著，他曾提出新一代人形機(jī)器人學(xué)習(xí)算法框架DWL，獲得機(jī)器人領(lǐng)域難度最高的頂會(huì)RSS最佳論文提名獎(jiǎng)；他首創(chuàng)的融合生成式世界模型的具身大模型算法VPP，被選為人工智能最頂級(jí)會(huì)議ICML的Spotlight論文。

在與《智能涌現(xiàn)》三個(gè)小時(shí)的采訪中，有一半的時(shí)間，陳建宇都在和我們討論算法和“大腦”。

但只有算法，或者只有本體，都不是陳建宇認(rèn)為可以實(shí)現(xiàn)“通用人形機(jī)器人”目標(biāo)的路徑。他需要的，是一套“體系”，其中包括軟硬兩套通用架構(gòu)，其中：

軟件層面，「星動(dòng)紀(jì)元」發(fā)布了融合理解與生成式的VLA模型ERA-42。這一機(jī)器人大腦融合了世界模型，能夠?qū)κ澜缟疃壤斫獠?shí)時(shí)預(yù)測(cè)；

硬件層面，「星動(dòng)紀(jì)元」正在開(kāi)發(fā)通用化、模塊化的機(jī)器人產(chǎn)品。讓機(jī)器人就像樂(lè)高一樣，根據(jù)不同場(chǎng)景需求靈活變化形態(tài)，包括雙足、輪式、人形等。

此外，由于機(jī)器人當(dāng)下供應(yīng)鏈并不完善，「星動(dòng)紀(jì)元」從機(jī)器人本體最小單位開(kāi)始自研，如關(guān)節(jié)模組、控制單元、電機(jī)、減速器等。

當(dāng)軟、硬兩層架構(gòu)成熟后，讓機(jī)器人實(shí)現(xiàn)什么功能、長(zhǎng)成什么形態(tài)，都會(huì)在業(yè)務(wù)拓展上更加敏捷，這也解釋了「星動(dòng)紀(jì)元」在本體上布局迅速的原因：目前其人形機(jī)器人業(yè)務(wù)已經(jīng)推出三款面向客戶的成熟產(chǎn)品：五指靈巧手XHand 1、輪式服務(wù)人形機(jī)器人Q5、全尺寸人形機(jī)器人STAR 1。

星動(dòng)紀(jì)元產(chǎn)品線 圖源：企業(yè)官方

在商業(yè)化策略上，陳建宇喜歡談到一個(gè)概念：“沿途下蛋”。比如他認(rèn)為，機(jī)器人靈巧手做出來(lái)了，可以先出售，不用苦苦等待整機(jī)，這樣不僅有利于逐步拉低硬件的成本，還可以獲取一定的數(shù)據(jù)，形成數(shù)據(jù)飛輪，反哺研發(fā)。

據(jù)陳建宇介紹，目前，在全球市值TOP 10的科技巨頭中，有9家是他們的客戶。截至6月，「星動(dòng)紀(jì)元」在2025年已累計(jì)交付超200臺(tái)產(chǎn)品，另有上百個(gè)訂單在量產(chǎn)交付中。在「星動(dòng)紀(jì)元」的客戶名單中，匯集了海爾智家、聯(lián)想、北自科技等……

近日，《智能涌現(xiàn)》與陳建宇進(jìn)行過(guò)一次長(zhǎng)談，他分享了關(guān)于機(jī)器人領(lǐng)域算法、本體產(chǎn)品、商業(yè)化的種種思考，當(dāng)中涉及到的陳建宇團(tuán)隊(duì)的多篇學(xué)術(shù)研究，我們也附錄至文后，以下為編輯后的訪談實(shí)錄：

做本體還是做大腦？“這從來(lái)不是一個(gè)問(wèn)題”

智能涌現(xiàn)：從你之前在清華、伯克利的學(xué)術(shù)方向來(lái)看，你兼具了“本體”與“大腦”研究經(jīng)歷，這在具身圈子的創(chuàng)始人中算是比較少有的，那在創(chuàng)業(yè)方向的選擇上，當(dāng)初你是否會(huì)考慮只做本體/大腦？或者說(shuō)，這個(gè)選擇對(duì)于你來(lái)說(shuō)是個(gè)問(wèn)題嗎？

陳建宇：這對(duì)我來(lái)說(shuō)從來(lái)不是一個(gè)問(wèn)題。主要基于兩個(gè)判斷：

第一，是否需要做本體和大腦？這個(gè)答案從一開(kāi)始就是確定的。如果只有本體沒(méi)有大腦，機(jī)器人就是廢鐵。如果只有大腦沒(méi)有本體，那就不是機(jī)器人了。我們最終要商業(yè)化閉環(huán)，一定是軟硬一體交付到客戶。

第二，我們是否都有能力做？同時(shí)做大腦和本體，看起來(lái)可能會(huì)非常難，但對(duì)我來(lái)說(shuō)，因?yàn)槲叶寄茏觯赃@是一個(gè)自然選擇。

從我個(gè)人近十年的經(jīng)歷來(lái)說(shuō)，最開(kāi)始做過(guò)機(jī)器人硬件、機(jī)電系統(tǒng)，到博士階段搞軟硬件結(jié)合、各種控制，再到后面搞AI領(lǐng)域。我搞機(jī)器人AI到現(xiàn)在也快十年了，最早從AlphaGo時(shí)代開(kāi)始，我就往這塊研究了，大概是 2016、2017 年左右。

智能涌現(xiàn)：2022年AI大模型的出現(xiàn)，給你之后的工作方向帶來(lái)哪些影響？？

陳建宇：我們經(jīng)歷了幾個(gè)階段——

第一階段是，將語(yǔ)言模型與現(xiàn)有機(jī)器人工作相結(jié)合。2023年ChatGPT剛出來(lái)后，我就嘗試通過(guò)語(yǔ)言提示，讓ChatGPT假設(shè)自己是一個(gè)機(jī)器人，進(jìn)行任務(wù)規(guī)劃，例如規(guī)劃?rùn)C(jī)器人怎樣應(yīng)用其傳感器、先識(shí)別目標(biāo)再行動(dòng)等，那時(shí)它已經(jīng)能做得比較不錯(cuò)。基于此，我們完成了一篇論文，這是全球首篇結(jié)合語(yǔ)言模型和人形機(jī)器人的研究。

2023年做出全球第一篇大語(yǔ)言模型和機(jī)器人結(jié)合的工作，改進(jìn)了上層語(yǔ)言模型規(guī)劃與下層強(qiáng)化學(xué)習(xí)策略的對(duì)齊問(wèn)題。

第二階段是，受谷歌啟發(fā)，2023年左右，我們開(kāi)始了端到端的VLA（Vision-Language-Action）雛形的研究，并成為國(guó)內(nèi)最早復(fù)現(xiàn)RT-2的團(tuán)隊(duì)。后來(lái)，我們發(fā)現(xiàn)了實(shí)際操作中的一些問(wèn)題，提出了改進(jìn)方法，也就是現(xiàn)在大家熟知的快慢系統(tǒng)VLA的框架。

2024年9月，首次提出在VLM基礎(chǔ)上增加高頻動(dòng)作處理模塊的VLA方案，該架構(gòu)發(fā)表后，行業(yè)內(nèi)頭部機(jī)構(gòu)，包括 Physical Intelligence的Pi0（2024年10月），F(xiàn)igure AI的Helix（2025年2月），NVIDIA的Groot N1等均陸續(xù)發(fā)布類似架構(gòu)的VLA模型。

RT-2本質(zhì)上是一個(gè)慢系統(tǒng)，側(cè)重于思考，雖然能處理語(yǔ)言，但缺乏對(duì)動(dòng)作的有效處理。我們添加了一個(gè)快系統(tǒng)，用于更細(xì)致地輸出更精細(xì)的動(dòng)作，并以更高頻率運(yùn)轉(zhuǎn)。

第三階段是，Sora視頻生成式模型的出現(xiàn)帶來(lái)的啟發(fā)。此前理解物理世界，如英偉達(dá)的仿真器，需手動(dòng)編寫物理規(guī)律，過(guò)程復(fù)雜且難以精準(zhǔn)建模。而Sora能生成細(xì)節(jié)豐富的視頻，如人走路、手抓物體、倒水等，機(jī)器人需要這樣的通用世界模型。

因此我們考慮將其引入機(jī)器人中，隨后我們提出了一系列融合生成式模型的VLA算法框架。

2024年9月發(fā)布PAD架構(gòu)，首次提出融合世界模型，被NeurIPS收錄。

2024年12月發(fā)布VPP架構(gòu)，首次提出預(yù)訓(xùn)練的視頻預(yù)測(cè)模型，并與PAD架構(gòu)進(jìn)行融合，被ICML收錄。

2024年9月，提出iRe-VLA框架，首次證明了強(qiáng)化學(xué)習(xí)可以用于訓(xùn)練端到端的具身大模型并提升其性能。

2025年1月，提出UP-VLA，一個(gè)統(tǒng)一理解與預(yù)測(cè)的具身模型，將理解、預(yù)測(cè)、策略學(xué)習(xí)融合，同時(shí)預(yù)測(cè)未來(lái)畫面與底層動(dòng)作，被ICML收錄。

我們的模型既能預(yù)測(cè)未來(lái)，又能直接端到端控制機(jī)器人的具體動(dòng)作，包括每個(gè)關(guān)節(jié)的細(xì)微調(diào)整。

比如，杯子放到邊緣時(shí)，機(jī)器人會(huì)擔(dān)心它掉下去，時(shí)刻在做預(yù)測(cè)，這有助于提前做好準(zhǔn)備。我們已經(jīng)迭代了幾代大模型，提出了全球首創(chuàng)的融合生成式世界模型的VLA模型。

現(xiàn)在據(jù)我們所知，國(guó)外頂級(jí)的幾個(gè)團(tuán)隊(duì)也在做這件事，上個(gè)月Meta使用了類似的方法，融入了世界模型。

智能涌現(xiàn)：聽(tīng)上去你們?cè)谀Ｐ秃退惴▽用娴幕I備非常充足，那現(xiàn)在還缺什么？

陳建宇：首先是數(shù)據(jù)。

語(yǔ)言模型開(kāi)始做的時(shí)候，網(wǎng)上的人類語(yǔ)言數(shù)據(jù)已經(jīng)非常多，你只需要把數(shù)據(jù)扒下來(lái)，再做一些處理就可以。但對(duì)機(jī)器人來(lái)說(shuō)，數(shù)據(jù)天然就沒(méi)有這么多。

Waymo公司最近把他們?cè)谂f金山的駕駛數(shù)據(jù)加進(jìn)去，雖然是很大的體量，但跟語(yǔ)言模型的數(shù)據(jù)量相比，差得太遠(yuǎn)了。如果按照這樣方式去收數(shù)據(jù)，可能要收幾萬(wàn)年才能達(dá)到ChatGPT的訓(xùn)練數(shù)據(jù)量。

機(jī)器人的飛輪效應(yīng)比自動(dòng)駕駛更難實(shí)現(xiàn)，因?yàn)樵诼访嫔吓艿能嚤緛?lái)就很多。

智能涌現(xiàn)：現(xiàn)在很多公司用真機(jī)遙操作的方式產(chǎn)生數(shù)據(jù)，你們會(huì)考慮采用嗎？

陳建宇：我們采用了組合方式。先是基于非常大量的視頻數(shù)據(jù)做預(yù)訓(xùn)練，訓(xùn)練出一個(gè)比較通識(shí)的基座，再用更精細(xì)的遙操數(shù)據(jù)來(lái)調(diào)整你的目標(biāo)。這樣對(duì)真機(jī)遙操作數(shù)據(jù)的需求量就會(huì)減少，而不是直接靠它去做底層的預(yù)訓(xùn)練。

智能涌現(xiàn)：對(duì)于機(jī)器人“大腦”來(lái)說(shuō)，什么樣的數(shù)據(jù)才是真正對(duì)模型有用的？

陳建宇：我們需要多樣性的數(shù)據(jù)。舉個(gè)開(kāi)車的例子，如果全是開(kāi)得特別好的數(shù)據(jù)，模型可能就無(wú)法處理稍微危險(xiǎn)的情況。因此，一定要涵蓋各種各樣的不同場(chǎng)景。

比如，學(xué)習(xí)倒水的視頻，不能一直拿著同一款杯子，在同一位置進(jìn)行。不同姿態(tài)、水杯的形狀，都會(huì)對(duì)液體高度產(chǎn)生影響，所以我可能需要多一些維度，以提高其多樣性。

此外，并非所有情況都是白墻實(shí)驗(yàn)場(chǎng)景，還需要嘗試不同的背景。種類多、且每個(gè)種類收集大量數(shù)據(jù)，這樣會(huì)更有效。

智能涌現(xiàn)：機(jī)器人像人，這件事情很重要嗎？

陳建宇：人形是重要的，通過(guò)訓(xùn)練人形，你可以得到一個(gè)厲害的基礎(chǔ)，然后你再把這個(gè)基礎(chǔ)降維到其他形態(tài)上。

雖然機(jī)器人未來(lái)形態(tài)可能不同，但很大一部分組件是共用的，包括大模型、關(guān)節(jié)模組，只是尺寸不同。硬件技術(shù)是統(tǒng)一的一套，軟件技術(shù)也是統(tǒng)一的一套，不論是機(jī)器人的手、足式還是輪式，不同的形體，其實(shí)用的是我們同一套軟硬結(jié)合的底座。

這也是我們?yōu)槭裁匆鋈诵螜C(jī)器人的原因。人形不是我們最終的目的，而是一個(gè)重要手段。通過(guò)與人類行為數(shù)據(jù)相結(jié)合，我們可以更好地利用這些數(shù)據(jù)。這也與我們的方法是呼應(yīng)的，因?yàn)槲覀兪菑暮Ａ康娜祟愐曨l數(shù)據(jù)中直接學(xué)習(xí)。

智能涌現(xiàn)：曾經(jīng)有機(jī)器人公司的創(chuàng)始人認(rèn)為，大腦不重要，本體重要，有本體就不在乎大腦，您怎么看？

陳建宇：訓(xùn)練AI的前提是先有本體，然后繼續(xù)采集數(shù)據(jù)，再訓(xùn)練再調(diào)整，所以必然慢于本體。

作為初創(chuàng)公司，我們考慮“沿途下蛋”，本體研發(fā)出來(lái)后先出售。我們現(xiàn)在靈巧手產(chǎn)品的毛利非常高，做人形時(shí)也會(huì)拉低邊際成本。我們現(xiàn)在陸續(xù)對(duì)整機(jī)進(jìn)行規(guī)模化售賣，量產(chǎn)準(zhǔn)備也做好了，后面我們的模型和解決方案也會(huì)逐步商業(yè)化。

圖源：企業(yè)官方

智能涌現(xiàn)：那只做大腦的公司，未來(lái)能力有可能比你們強(qiáng)嗎？

陳建宇：我認(rèn)為如果只做大腦，會(huì)缺少很多東西，商業(yè)化模式就會(huì)缺失，可能缺少很多供血方式，不一定能走得更遠(yuǎn)。而商業(yè)模式能帶來(lái)更多資源，從而能投入更多研發(fā)，產(chǎn)品也能做得更好。這里面還有飛輪效應(yīng)，通過(guò)商業(yè)化，提前積累數(shù)據(jù)，飛輪效應(yīng)可能帶來(lái)很多好處。

只做大腦的公司，不確定性高。如果使用多種本體，那每打通一種本體都需重新做數(shù)據(jù)打通，耗費(fèi)大量精力，難以規(guī)模化。

大火的VLA路線，“L”的部分太重了

智能涌現(xiàn)：VLA路線是大模型與具身智能的結(jié)合，引起了機(jī)器人和大模型領(lǐng)域?qū)W者的關(guān)注。不過(guò)現(xiàn)在行業(yè)里也有一些不同的聲音認(rèn)為，VLA范式存在著一定的局限，比如訓(xùn)練存在割裂的問(wèn)題、數(shù)據(jù)量難以與VLM匹敵等等。您本人如何看待如今大火的 VLA路線？

陳建宇：當(dāng)前的VLA模型，它的“L”部分(即Language，語(yǔ)言)太重了。模型首先是一個(gè)純語(yǔ)言模型，再拓展到視覺(jué)，變成視覺(jué)語(yǔ)言模型。在這基礎(chǔ)上，再把動(dòng)作連接起來(lái)，變成視覺(jué)語(yǔ)言動(dòng)作模型。

從進(jìn)化論的角度，這個(gè)過(guò)程是反過(guò)來(lái)的——生物是，先有爬蟲類的控制動(dòng)作部分，再逐步發(fā)展到大腦皮層，有了視覺(jué)和語(yǔ)言，語(yǔ)言是最后進(jìn)化出來(lái)的。事實(shí)上，很多訓(xùn)練好的猩猩和猴子也能做很靈巧的工作，但它們不需要語(yǔ)言。

現(xiàn)在，我們反過(guò)來(lái)了，先有了語(yǔ)言，再逐步補(bǔ)上其他部分。

我覺(jué)得對(duì)于很多應(yīng)用來(lái)說(shuō)，（語(yǔ)言）其實(shí)是不必要的。對(duì)于機(jī)器人，第一步就是要先開(kāi)始干活，重要的是它要做什么動(dòng)作。我認(rèn)為這存在一定問(wèn)題，所以我們最近在研究，在預(yù)訓(xùn)練階段，同時(shí)訓(xùn)練語(yǔ)言視覺(jué)和動(dòng)作，而非先專注于語(yǔ)言。這樣應(yīng)該能取得更好的效果。

智能涌現(xiàn)：對(duì)于機(jī)器人大腦，有的企業(yè)會(huì)根據(jù)場(chǎng)景或者具體功能，分成好多層模型來(lái)做，您怎么看待這種技術(shù)方式？

陳建宇：大家會(huì)按兩個(gè)維度為機(jī)器人大腦做分層。一個(gè)是縱向維度，比如感知模型、預(yù)測(cè)模型、控制模型。此前的無(wú)人車或者機(jī)器人都是沿著這個(gè)pipeline逐步發(fā)展的。另一個(gè)是橫向的維度，按任務(wù)類別去訓(xùn)練，一類任務(wù)訓(xùn)一個(gè)模型。

只要?jiǎng)澐至藢哟沃螅鼈冎g就很難形成聚合效果。比如，按橫向任務(wù)來(lái)劃分，會(huì)使A任務(wù)和B任務(wù)形不成合力，即使切分成1000個(gè)任務(wù)并全部完成，甚至更多，也不可能涌現(xiàn)出新東西。涌現(xiàn)，一定是很多任務(wù)綜合在一起才行。

而我們是相對(duì)統(tǒng)一的，把縱向和橫向都合并了。目前，我們已發(fā)展到通過(guò)統(tǒng)一模型微調(diào)學(xué)習(xí)一個(gè)垂直任務(wù)，比單獨(dú)訓(xùn)練單任務(wù)的小模型都更好，且更快。

智能涌現(xiàn)：強(qiáng)化學(xué)習(xí)是推動(dòng)大模型推理能力躍升的核心，那么您認(rèn)為強(qiáng)化學(xué)習(xí)之于機(jī)器人的意義是什么？

陳建宇：目前VLA實(shí)際上還沒(méi)有這樣的強(qiáng)化學(xué)習(xí)機(jī)制。本質(zhì)上，VLA仍是一個(gè)surprise learning，是一個(gè)離線學(xué)習(xí)過(guò)程。類似于，你先觀察很多人怎么做，然后直接學(xué)習(xí)。

以打乒乓球?yàn)槔琕LA相當(dāng)于教練手把手教你幾遍，然后你就直接去打，可能還是打不好；

而強(qiáng)化學(xué)習(xí)是，首先你要看別人怎么打，教練再教你更精細(xì)的動(dòng)作，之后你還要自己不斷調(diào)整練習(xí)，嘗試打出好球，這也是進(jìn)一步與物理世界對(duì)齊的過(guò)程。如果沒(méi)有這一步，很多比較精細(xì)、復(fù)雜的工作你可能就做不了。

談產(chǎn)品、場(chǎng)景、和機(jī)器人的未來(lái)

智能涌現(xiàn)：現(xiàn)在投資人和行業(yè)對(duì)你們的定位和觀察似乎存在差距，不知您是否有同感？

陳建宇：外界對(duì)我們的認(rèn)知，和我們實(shí)際的業(yè)務(wù)狀況，確實(shí)存在一定差距。我們是搭建了一套比較全面的體系，這套體系是通用的，可能有的人沒(méi)有找到其中的邏輯，也可能我們之前沒(méi)有充分展示。

智能涌現(xiàn)：你所說(shuō)的“體系”是什么？

陳建宇：分為軟件和硬件兩部分。如果一句話描述硬件模塊，就像搭樂(lè)高一樣去搭建機(jī)器人。我們從硬件的最小單位硬件開(kāi)始自研，如機(jī)器人的關(guān)節(jié)模組、電機(jī)、減速器、控制器等；實(shí)現(xiàn)了從零件、到部件的模塊化、通用化。

比如我們手是一個(gè)模塊，可以適配于不同的機(jī)器人，甚至里面的關(guān)節(jié)鍵拆下后可以用于重新組合成另一款機(jī)器人。我們的大腦是端到端通用大腦，適用于不同任務(wù)，可以迅速調(diào)整到不同的本體上。

圖源：企業(yè)官方

智能涌現(xiàn)：有了這套底座后，未來(lái)形態(tài)可擴(kuò)展嗎？

陳建宇：非常可擴(kuò)展，任意機(jī)器人都可以，無(wú)非是有幾條胳膊、幾個(gè)肘、幾條腿，以及各有多少自由度等。

智能涌現(xiàn)：好像把機(jī)器人模塊化了，可以根場(chǎng)景隨意變化形態(tài)，那怎么做產(chǎn)品形態(tài)定義？

陳建宇：人形可能是機(jī)器人終局情況下數(shù)量最多的，但是具體的場(chǎng)景下，需求是不同的，所以我們會(huì)需要不同的形態(tài)。

比如，如果你的場(chǎng)景需要上下樓梯，就需要雙足的形態(tài)，如果完全是平地，輪式就夠了，如果是要在某個(gè)3C工廠里替代一個(gè)固定的工位，可能只要一個(gè)上半身也就夠了。

智能涌現(xiàn)：現(xiàn)在終端出貨量有多少？

陳建宇：超過(guò)200臺(tái)，客戶也涵蓋得很廣，全球市值前十的科技巨頭里，有九家都是我們的客戶，有的一家就買幾十個(gè)，都是拿來(lái)用的。

智能涌現(xiàn)：挑選場(chǎng)景的標(biāo)準(zhǔn)大概是什么？

陳建宇：高價(jià)值、可復(fù)用。

高價(jià)值，指的是這個(gè)“人”的薪水有多高，就說(shuō)明這個(gè)場(chǎng)景的價(jià)值有多高，會(huì)在能力邊界內(nèi)找盡量高價(jià)值的任務(wù)和場(chǎng)景。現(xiàn)在是面向兩類高價(jià)值場(chǎng)景，一個(gè)是工業(yè)，一個(gè)是服務(wù)。

我們工業(yè)領(lǐng)域的產(chǎn)品被稱之為人形機(jī)器人中的六邊形戰(zhàn)士，手很靈巧，跑跳運(yùn)動(dòng)能力非常強(qiáng)，力量、敏捷和智力拉滿；另一款服務(wù)機(jī)器人很小巧，我們會(huì)重視它的外觀、擬人理論性和交互，這是服務(wù)業(yè)特有的屬性。

智能涌現(xiàn)：目前你們的機(jī)器人產(chǎn)品智能化水平如何？

陳建宇：我們把產(chǎn)品根據(jù)智能化劃分為兩個(gè)級(jí)別，一個(gè)是產(chǎn)品化級(jí)別，一個(gè)是demo級(jí)別。

圖源：企業(yè)官方

我們的demo產(chǎn)品可以使用螺絲槍打螺釘、拿起掃碼槍掃碼，或者拿起勺子去舀水，成功率已經(jīng)很高。

而產(chǎn)品化級(jí)別的產(chǎn)品，智能化程度要求更嚴(yán)苛，我們?cè)谧鑫锪鲌?chǎng)景，比如找標(biāo)簽、掃碼、分揀等，現(xiàn)在已經(jīng)能達(dá)到不錯(cuò)的成功率，也正在真實(shí)場(chǎng)景中落地。

智能涌現(xiàn)：除了物流，你還看好哪個(gè)場(chǎng)景？

陳建宇：下一個(gè)就是制造領(lǐng)域，因?yàn)橹圃焐婕案?xì)的操作。物流主要是移動(dòng)物品或搬箱子，更簡(jiǎn)單一些，而制造則更復(fù)雜，比如需使用不同工具找標(biāo)簽、或者做更復(fù)雜的手部靈巧操作翻面等。

制造領(lǐng)域里，星動(dòng)紀(jì)元旗下的機(jī)器人STAR 1實(shí)訓(xùn)搬運(yùn)工作

智能涌現(xiàn)：關(guān)于人形機(jī)器人，現(xiàn)在的零部件大部分是通用的，還是要自己造開(kāi)模？

陳建宇：我們不會(huì)自己去加工具體零部件，不然成本算不過(guò)來(lái)。

不過(guò)，我們自研設(shè)計(jì)非常深入，到電機(jī)這一層，電機(jī)、齒輪、控制器電路板、驅(qū)動(dòng)器等全部都是我們自己設(shè)計(jì)，圖紙都是我們?cè)O(shè)計(jì)的。

智能涌現(xiàn)：在生產(chǎn)制造場(chǎng)景中，哪些工作人類仍無(wú)法被機(jī)器人替代？若所有生產(chǎn)制造場(chǎng)景均能被替代，將會(huì)如何？

陳建宇：我認(rèn)為純流產(chǎn)線上的人力密集型工作，這些工作理論上都能被替代，但目前難以實(shí)現(xiàn)。如果被替代，將帶來(lái)極大的社會(huì)結(jié)構(gòu)變革。機(jī)器人先替代苦活、累活、危險(xiǎn)活等，因?yàn)楝F(xiàn)在越來(lái)越多的年輕人不愿從事這些工作。

我認(rèn)為這有助于將人類從枯燥勞動(dòng)中解放出來(lái)，讓人們從事更有價(jià)值的工作。這種替代也將帶來(lái)更高的生產(chǎn)效率，使所有物品變得更便宜。

未來(lái)機(jī)器人本身將成為一種終端產(chǎn)品，并可能是規(guī)模最大的，可能介于手機(jī)和汽車之間。未來(lái)家庭可能會(huì)擁有一到兩個(gè)家用機(jī)器人或終端機(jī)器人，這些機(jī)器人將提供服務(wù)和情緒價(jià)值，這種形態(tài)的產(chǎn)品在未來(lái)5年就會(huì)開(kāi)始出現(xiàn)。

機(jī)器人大戰(zhàn)前，先儲(chǔ)備糧草

智能涌現(xiàn)：融資目前對(duì)你來(lái)說(shuō)的意義是什么？

陳建宇：可以想象未來(lái)競(jìng)爭(zhēng)會(huì)比較激烈，要提前做好準(zhǔn)。現(xiàn)在是因?yàn)檫€沒(méi)有開(kāi)始打商業(yè)化的大仗。

現(xiàn)在機(jī)器人領(lǐng)域融資的規(guī)模和智能汽車、電動(dòng)汽車、大模型相比，少很多。但未來(lái)，機(jī)器人的制造規(guī)模可能要達(dá)到電動(dòng)汽車的水平，未來(lái)，機(jī)器人的模型規(guī)模可能要到大模型的水平。

智能涌現(xiàn)：海爾能夠給予我們的戰(zhàn)略幫助會(huì)是哪些層面？（注：海爾是本輪投資方）

陳建宇：首先是場(chǎng)景會(huì)跟我們?nèi)ス蚕恚浯危a(chǎn)品定義是現(xiàn)階段就能進(jìn)行，比如零售，把機(jī)器人放到他們的門店里，利用我們的機(jī)器人產(chǎn)品做引流、導(dǎo)覽、指示，服務(wù)等。

智能涌現(xiàn)：機(jī)器人在家庭場(chǎng)景的應(yīng)用，能幾年之內(nèi)實(shí)現(xiàn)？

陳建宇：我覺(jué)得是漸進(jìn)式的。如果快的話，可能3-5年能看到一些雛形，比如說(shuō)在一些高凈值的家庭里面。但對(duì)于普通家庭，要求更高，他們需要既普適又便宜的機(jī)器人。

智能涌現(xiàn)：據(jù)我所知，美的海爾也早就說(shuō)要進(jìn)入機(jī)器人領(lǐng)域，你們和大公司之間是怎樣的關(guān)系？

陳建宇：商業(yè)中都是競(jìng)爭(zhēng)與合作并存，要辯證地看待競(jìng)爭(zhēng)與合作。如果是互聯(lián)網(wǎng)大廠，我們可以成為硬件供應(yīng)商。如果是傳統(tǒng)制造類，我們則可能成為軟件供應(yīng)商。

智能涌現(xiàn)：汽車公司都有很大的自動(dòng)駕駛團(tuán)隊(duì)，現(xiàn)在都在走端到端路線，硬件又搞了很久，未來(lái)汽車行業(yè)會(huì)都走到機(jī)器人賽道上嗎？

陳建宇：我覺(jué)得機(jī)器人會(huì)是智能汽車的延伸，但是不會(huì)是所有人都選這個(gè)。大企業(yè)制定戰(zhàn)略通常較為嚴(yán)謹(jǐn)，前期可能投入較少進(jìn)行跟進(jìn)和研究。

目前，這些大廠并沒(méi)有真正大力投入機(jī)器人，還是在做技術(shù)儲(chǔ)備，人數(shù)投入跟我們創(chuàng)業(yè)公司差不多。

智能涌現(xiàn)：大模型公司現(xiàn)在已經(jīng)趨近于共識(shí)，這個(gè)領(lǐng)域不會(huì)有很多玩家，但在機(jī)器人似乎更允許多個(gè)玩家存在？

陳建宇：是的，因?yàn)闄C(jī)器人更豐富、更多樣，不像基座大語(yǔ)言模型那樣統(tǒng)一。機(jī)器人會(huì)有很多不同的形態(tài)，而且涉及硬件制造，硬件迭代比軟件慢。

機(jī)器人的市場(chǎng)足夠大，細(xì)分更細(xì)，存在的玩家也更多。與語(yǔ)言模型不同，語(yǔ)言模型一旦推出，所有人都能瞬間使用，更容易形成壟斷。而機(jī)器人領(lǐng)域更加基礎(chǔ)、分散，有更多的公司存活。

陳建宇教授的過(guò)往研究成果附錄：

2023年做出全球第一篇大語(yǔ)言模型和機(jī)器人結(jié)合的工作，改進(jìn)了上層語(yǔ)言模型規(guī)劃與下層強(qiáng)化學(xué)習(xí)策略的對(duì)齊問(wèn)題。相關(guān)論文：Doremi: Grounding language model by detecting and recovering from plan-execution misalignment（http://arxiv.org/abs/2307.00329v1），被機(jī)器人頂會(huì)IROS收錄。

2024年9月，首次提出在VLM基礎(chǔ)上增加高頻動(dòng)作處理模塊的VLA方案，發(fā)表了HiRT論文——HiRT: Enhancing Robotic Control with Hierarchical Robot Transformers（https://arxiv.org/abs/2410.05273）。

2024年9月發(fā)布PAD架構(gòu)，首次提出融合世界模型，被NeurIPS收錄。 相關(guān)論文：Prediction with Action: Visual Policy Learning via Joint Denoising Process（https://arxiv.org/abs/2411.18179）

2024年12月發(fā)布VPP架構(gòu)，首次提出預(yù)訓(xùn)練的視頻預(yù)測(cè)模型，并與PAD架構(gòu)進(jìn)行融合，被ICML收錄。相關(guān)論文:Video Prediction Policy: A Generalist Robot Policy with Predictive Visual Representations, ICML 2025 Spotlight（https://arxiv.org/abs/2412.14803）

2024年9月，提出iRe-VLA框架，首次證明了強(qiáng)化學(xué)習(xí)可以用于訓(xùn)練端到端的具身大模型并提升其性能。相關(guān)論文：Improving Vision-Language-Action Model with Online Reinforcement Learning（https://sites.google.com/view/ire-vla）

2025年1月，提出UP-VLA，一個(gè)統(tǒng)一理解與預(yù)測(cè)的具身模型，將理解、預(yù)測(cè)、策略學(xué)習(xí)融合，同時(shí)預(yù)測(cè)未來(lái)畫面與底層動(dòng)作，被ICML收錄。相關(guān)論文：UP-VLA: A Unified Understanding and Prediction Model for Embodied Agent（https://arxiv.org/abs/2501.18867）

end