對(duì)話大曉機(jī)器人王曉剛：從數(shù)字世界到物理世界，探索機(jī)器人新范式

十一年前，王曉剛和湯曉鷗一起，讓計(jì)算機(jī)視覺的識(shí)別率第一次超越了人類肉眼。那是 2014 年，人工智能 1.0 時(shí)代的開端，視覺技術(shù)從實(shí)驗(yàn)室走向了安防、手機(jī)和汽車。

十一年后，當(dāng)所有人都還在為大語言模型狂歡，或者忙著在發(fā)布會(huì)上展示機(jī)器人“疊衣服”、“做咖啡”的 Demo 時(shí)，王曉剛嗅到了一絲危險(xiǎn)的氣息。互聯(lián)網(wǎng)上的語料快被榨干了，純粹的數(shù)字世界正在逼近天花板。

2025 年，具身智能被視為繼大語言模型后的下一塊人工智能高地，玩家們都在賭誰能先造出通用的“機(jī)器管家”。但現(xiàn)實(shí)是殘酷的：大多數(shù)機(jī)器人依然只能在視頻里閃爍高光，一旦走進(jìn)真實(shí)的雜亂環(huán)境，就會(huì)因?yàn)槿狈ΤＷR(shí)而寸步難行。

圖｜大曉機(jī)器人核心科學(xué)家團(tuán)隊(duì)（來源：大曉機(jī)器人）

在 12 月 18 日舉行的新品發(fā)布會(huì)前夕，我們與王曉剛進(jìn)行了一場(chǎng)深度對(duì)話。此時(shí)此刻，具身智能賽道正處于一種“冰火兩重天”的狀態(tài)：一方面是資本的狂熱追捧，另一方面是技術(shù)落地中遭遇的“數(shù)據(jù)荒”與“物理幻覺”瓶頸。

現(xiàn)有的機(jī)器人研究范式是否走錯(cuò)了方向？為什么說互聯(lián)網(wǎng)語料快被“榨干”了？Sora 等生成式模型在物理世界中存在什么致命缺陷？以及，為什么要在這個(gè)時(shí)間點(diǎn)選擇開源，并押注國產(chǎn)芯片生態(tài)？

在這個(gè)時(shí)間節(jié)點(diǎn)，大曉機(jī)器人不僅要發(fā)布一個(gè)新的世界模型，更要開源一套全新的生存法則。“現(xiàn)在的研究范式走錯(cuò)了，”王曉剛直言不諱。他拋出了一個(gè)判斷：如果繼續(xù)以“機(jī)器”為中心去訓(xùn)練大腦，具身智能將永遠(yuǎn)困在 Demo 里；唯有回到以“人”為中心，用世界模型重構(gòu)物理規(guī)律，才能撞開 AI 3.0 的大門。

圖｜大曉機(jī)器人首席科學(xué)家陶大程（來源：大曉機(jī)器人）

以下是對(duì)話全文。

AI2.0 到 AI3.0：從數(shù)字世界到物理世界

“互聯(lián)網(wǎng)語料快被榨干了，我們必須打破數(shù)字與物理的墻”

DeepTech：你現(xiàn)在的新身份是大曉機(jī)器人董事長(zhǎng)。和之前在商湯負(fù)責(zé)研發(fā)、汽車、芯片等業(yè)務(wù)的角色相比，現(xiàn)在側(cè)重的目標(biāo)有什么不同？

王曉剛：其實(shí)我在商湯是從 2014 年開始的，當(dāng)時(shí)和湯老師一起創(chuàng)立商湯。那時(shí)候我們是第一個(gè)做到人臉識(shí)別超越肉眼識(shí)別率的。在過去十年里，我在商湯負(fù)責(zé)過研發(fā)，也包括手機(jī)、互聯(lián)網(wǎng)、汽車、芯片等很多不同的業(yè)務(wù)方向。今天我們面臨的，是從人工智能 1.0 到 3.0 的躍遷。

所謂人工智能 1.0 時(shí)代，就是 2014 年那個(gè)時(shí)候。我們有了視覺技術(shù)，靠的是大量人工標(biāo)注和小模型來實(shí)現(xiàn)人工智能的應(yīng)用。到了 2.0 時(shí)代，也就是大模型，特別是大語言模型帶來的通用化能力。因?yàn)槿祟悮v史上幾千年積累了海量的語言文字?jǐn)?shù)據(jù)，記錄了人類的行為，大模型把這些沉淀的智能提取出來，賦能各個(gè)行業(yè)。

DeepTech：所謂的 3.0 是什么？

王曉剛：今天我們也看到，大語言模型依賴的這些互聯(lián)網(wǎng)語料、數(shù)字世界的沉淀和積累，也到了一個(gè)瓶頸。未來兩三年，這些語料的價(jià)值也會(huì)逐漸被“榨干”。

所以人們想打破數(shù)字世界和物理世界的限制，通過具身智能，通過跟物理世界的交互去產(chǎn)生新的智能，這就是我們說的人工智能 3.0 時(shí)代。

這里面一個(gè)很重要的任務(wù)，就是通過技術(shù)的創(chuàng)新，讓商湯從原來的 2.0 時(shí)代進(jìn)入 3.0 時(shí)代。

DeepTech：大曉機(jī)器人和商湯是什么關(guān)系？

王曉剛：大曉在商湯“1+X”戰(zhàn)略布局。我們希望完成一個(gè)軟硬結(jié)合的產(chǎn)業(yè)鏈垂直整合。之前商湯做得比較多的是軟件和 ToB 的賦能角色，但在具身智能這個(gè)領(lǐng)域，我們有機(jī)會(huì)做軟硬一體，把業(yè)務(wù)做得更大。

所以我這邊的目標(biāo)總結(jié)下來就是三點(diǎn)：第一，實(shí)現(xiàn)從 AI 2.0 到 3.0 的跨越；第二，把商湯歷史上積累的經(jīng)驗(yàn)沉淀帶到物理世界；第三，完成軟硬結(jié)合的垂直整合。

DeepTech：既然是生態(tài)企業(yè)，大曉和商湯具體怎么分工？哪些是共享的，哪些是大曉獨(dú)立研發(fā)的？

王曉剛：這是一種非常緊密的合作關(guān)系。大曉提供具身智能的軟件平臺(tái)和硬件平臺(tái)。但機(jī)器人要進(jìn)入千行百業(yè)，需要了解行業(yè)的痛點(diǎn)和渠道，這正是商湯過往積累的優(yōu)勢(shì)。

商湯的業(yè)務(wù)團(tuán)隊(duì)可以基于大曉提供的軟硬件具身平臺(tái)，去開發(fā)具體的行業(yè)應(yīng)用，解決具體的痛點(diǎn)。這能解決目前具身智能落地的一個(gè)大問題——很多公司演示的 Demo 很好，但對(duì)場(chǎng)景理解不深，難以落地。

舉個(gè)例子，我們會(huì)推出一個(gè)“具身超級(jí)大腦模組 A1”。現(xiàn)在這個(gè)模組加裝在四足機(jī)器人（機(jī)器狗）上，有了它，機(jī)器狗就能在室外不依賴高精度地圖實(shí)現(xiàn)點(diǎn)到點(diǎn)的自主導(dǎo)航。

這個(gè)過程中，機(jī)器狗采集到的視頻數(shù)據(jù)，會(huì)跟商湯后臺(tái)的“方舟平臺(tái)”打通。方舟平臺(tái)上有超過 150 個(gè) AI 相關(guān)的應(yīng)用。通過這種結(jié)合，機(jī)器人的應(yīng)用價(jià)值就被極大地放大了。

范式革命：以人為中心的具身智能

“以機(jī)器為中心的范式走不通，必須轉(zhuǎn)向以人為中心”

DeepTech：2025 年是你所說的 AI 3.0 時(shí)代的一個(gè)關(guān)鍵節(jié)點(diǎn)嗎？會(huì)有什么標(biāo)志性事件？

王曉剛：我覺得 2025 年一個(gè)非常重要的代表性突破，或者說改變，是研究范式的改變。

大家對(duì)具身智能的期待源自于互聯(lián)網(wǎng)時(shí)代的經(jīng)驗(yàn)。在 2.0 時(shí)代，大模型讓我們以為，只要有一個(gè)強(qiáng)大的大模型，機(jī)器人就能在物理世界里通用了。但在過去兩年里，大家在執(zhí)行過程中遇到了巨大的阻力。

DeepTech：阻力具體體現(xiàn)在哪里？

王曉剛：之前大家的做法是：先有了各種不同形態(tài)的機(jī)器人，結(jié)構(gòu)各不相同。人們通過遙操作（Teleoperation）控制這些機(jī)器人去采集數(shù)據(jù)，然后把數(shù)據(jù)聚合在一起，試圖訓(xùn)練一個(gè)通用的機(jī)器人大腦。

但大家發(fā)現(xiàn)，這種模式是不成功的。

首先，訓(xùn)練出來的所謂“大腦”很難用到不同的本體上，數(shù)據(jù)不能共享。其次，通過人操作機(jī)器采集數(shù)據(jù)的效率非常低，而且往往不是在真實(shí)的生產(chǎn)生活環(huán)境中采集的。

我們把這種舊的研究范式叫做 Machine-centric（以機(jī)器為中心）。它的核心邏輯是 VLA（Vision-Language-Action），通過視覺和語言指令，直接讓機(jī)器去完成特定任務(wù)。這種范式訓(xùn)練出來的大腦不需要理解物理世界到底是什么樣，只是為了完成任務(wù)。

DeepTech：2025 年的新范式是什么？

王曉剛：2025 年一個(gè)非常大的轉(zhuǎn)變，就是從 Machine-centric 轉(zhuǎn)變?yōu)?Human-centric（以人為中心）。

這個(gè)起點(diǎn)大概在 2025 年年初。當(dāng)時(shí)我們團(tuán)隊(duì)在南洋理工大學(xué)的劉子緯教授帶領(lǐng)下，提出了“環(huán)境式采集”。

所謂環(huán)境式采集，就是利用第一視角的眼鏡、穿戴式設(shè)備，以及第三視角的傳感器，在人真實(shí)的生產(chǎn)生活環(huán)境中去記錄人的行為。通過這些記錄，訓(xùn)練出一個(gè)“世界模型”。這個(gè)世界模型要理解人跟物理世界交互的規(guī)律是什么，因果關(guān)系是什么。

今年，劉子緯教授發(fā)布了 Egolife，記錄了 300 小時(shí)人類行為時(shí)，像 Meta 的 Yann LeCun 團(tuán)隊(duì)就基于這個(gè)數(shù)據(jù)集完成了具身世界模型的訓(xùn)練。到了 8、9 月份，特斯拉和 Figure AI 也宣布轉(zhuǎn)向視覺路線，通過攝像頭記錄人的行為來快速積累數(shù)據(jù)。

DeepTech：這種新范式帶來的最直接的好處是什么？

王曉剛：數(shù)據(jù)量級(jí)的躍升。

在以機(jī)器為中心的時(shí)代，大家積累的數(shù)據(jù)大概是十萬小時(shí)這個(gè)量級(jí)。要知道，特斯拉 FSD 做自動(dòng)駕駛用到了大概 400 萬小時(shí)的高質(zhì)量數(shù)據(jù)。具身智能的場(chǎng)景復(fù)雜度更高，需要的數(shù)據(jù)更多。

通過以人為中心的研究范式，我們能積累的數(shù)據(jù)可以達(dá)到千萬小時(shí)這個(gè)級(jí)別。這才是讓具身智能具備通用化能力、擁有強(qiáng)大大腦的正確路徑。

所以，2025 年發(fā)生了非常重要的變化，給具身智能的發(fā)展打開了一條新的思路。

解密：環(huán)境式采集與數(shù)據(jù)壁壘

“一天采集效率提升 100 倍，解決上萬種物品的抓取難題”

DeepTech：你提到的“環(huán)境式采集”技術(shù)聽起來很有意思，在實(shí)際落地中具體是怎么做的？一天能產(chǎn)出多少數(shù)據(jù)？

王曉剛：我們這套采集方案，需要人佩戴第一視角的攝像頭，同時(shí)還會(huì)帶上全景相機(jī)，這樣能看到人周圍的環(huán)境和自己的身體。手上和胸口也會(huì)帶攝像頭，特別是手上會(huì)帶一些觸覺傳感器，能感受到接觸物品時(shí)的材質(zhì)和力。周圍環(huán)境里也會(huì)部署深度攝像頭等。

所有的設(shè)備都是同步的。人不需要操作機(jī)器人，只需要正常做工作，數(shù)據(jù)自然就被采集下來了。

DeepTech：可以舉一個(gè)具體的落地場(chǎng)景嗎？

王曉剛：比如我們?cè)诤贾莸囊粋€(gè)閃購倉（前置倉）試點(diǎn)。

現(xiàn)在的零售行業(yè)，大家在網(wǎng)上下單，城市里有很多這樣的前置倉。倉庫里有大量貨品，需要工作人員進(jìn)行分揀、打包，交給外賣小哥。這個(gè)工作需要 7x24 小時(shí)進(jìn)行。

這個(gè)場(chǎng)景最難的地方在于，物品類別特別多，有上萬個(gè) SKU。以前大家做具身智能，用真機(jī)采集數(shù)據(jù)，基本只能覆蓋幾十個(gè)或者上百個(gè)類別。面對(duì)上萬個(gè)類別，真機(jī)采集根本做不過來。

DeepTech：用環(huán)境式采集能解決這個(gè)問題嗎？

王曉剛：對(duì)。有了這套設(shè)備，工作人員可以一邊工作，一邊采集數(shù)據(jù)。

一個(gè)人一天工作 10 個(gè)小時(shí)，就能采集 10 個(gè)小時(shí)的數(shù)據(jù)。而且因?yàn)槿耸值撵`活度遠(yuǎn)高于遙操作機(jī)器人，單一采集效率可能有 10 倍的增長(zhǎng)。

更重要的是部署方便。以前得在實(shí)驗(yàn)室里雇人操作機(jī)器人，現(xiàn)在我可以有幾百人、上千人都帶著這些設(shè)備，在正常工作中采集。這樣數(shù)據(jù)積累的速度可能是原來的 100 倍，也就是兩個(gè)數(shù)量級(jí)的增加。成本更低，效率更高。

DeepTech：采集上來的數(shù)據(jù)質(zhì)量如何把控？有沒有具體的標(biāo)準(zhǔn)？

王曉剛：我們有一套自動(dòng)化的流程來提取關(guān)鍵信息。

比如人的肢體 3D 姿態(tài)、手部的 3D 手勢(shì)、接觸物品的種類和姿態(tài)、物品的 3D 形狀等。還會(huì)提取人與環(huán)境交互的信息，比如我坐在椅子上、趴在桌子上、爬梯子，這些 3D 交互關(guān)系都會(huì)被建模。

還有材質(zhì)信息，比如一個(gè)瓶子，人通常抓哪里？抓的時(shí)候摩擦力如何？受力情況如何？這些都會(huì)通過自動(dòng)化流程提取出來。

核心：開悟 3.0 世界模型

“解決‘水倒進(jìn)槽里杯子卻滿了’的物理幻覺”

DeepTech：采集了數(shù)據(jù)之后，如何解決跨本體復(fù)用的問題？畢竟人的手和機(jī)器人的手不一樣。

王曉剛：這就體現(xiàn)了世界模型的重要性。

我們把采集的數(shù)據(jù)輸入到世界模型里。世界模型有三個(gè)部分：第一是多模態(tài)理解，理解世界是什么樣子；第二是生成，大腦可以想象場(chǎng)景；第三是預(yù)測(cè)，預(yù)測(cè)動(dòng)作和結(jié)果。

我們即將發(fā)布的“開悟 3.0”世界模型平臺(tái)，既包含了人類數(shù)據(jù)，也包含了一些不同類型機(jī)器人的本體數(shù)據(jù)。

在平臺(tái)上，你可以選擇場(chǎng)景和任務(wù)，然后選擇機(jī)器人本體（比如宇樹、智元等）。因?yàn)槲覀冇羞@些機(jī)器人的物理參數(shù)，世界模型就會(huì)根據(jù)任務(wù)生成針對(duì)該本體的視頻和 3D 軌跡數(shù)據(jù)，用來訓(xùn)練這個(gè)本體。

這就是我們說的“一腦多形”——一個(gè)世界模型大腦，適配不同的機(jī)器人形態(tài)。

DeepTech：“開悟 3.0”和市面上其他的世界模型（比如 Sora、Gen-2 等）有什么技術(shù)上的不同？

王曉剛：市面上的模型，比如李飛飛團(tuán)隊(duì)的 World Labs，很多只能生成靜態(tài)的世界，做漫游，無法把物體和環(huán)境分離開。

我們的模型可以做到物體與環(huán)境的解耦。比如桌子上的電腦、水杯，我可以把它們分離開，甚至進(jìn)行編輯——把桌子換個(gè)形狀，把電腦換個(gè)牌子，把房型換掉。這極大地拓展了數(shù)據(jù)的泛化性。

另一點(diǎn)非常重要的是對(duì)物理規(guī)律的表達(dá)。

DeepTech：物理規(guī)律是現(xiàn)在生成式視頻的一個(gè)大痛點(diǎn)。

王曉剛：對(duì)。像 Sora、Gemini、Cosmos 這些模型，本質(zhì)上是生成式網(wǎng)絡(luò)，缺乏對(duì)多模態(tài)世界的深刻理解和物理預(yù)測(cè)。

舉個(gè)例子，我們讓機(jī)器人拿杯子去水龍頭接水。這需要符合流體力學(xué)。但在 Sora 生成的視頻里，有時(shí)候你會(huì)發(fā)現(xiàn)，水明明倒在了水槽里，杯子里的水卻莫名其妙漲起來了；或者水倒進(jìn)杯子，周圍水槽卻有水濺出來。這都是不符合物理規(guī)律的。

如果不解決這個(gè)問題，機(jī)器人就會(huì)學(xué)到錯(cuò)誤的邏輯。我們?cè)跇?gòu)建世界模型時(shí)，底層加入了很多物理常識(shí)和規(guī)律的約束。

DeepTech：你們內(nèi)部怎么量化這個(gè)“物理規(guī)律”的準(zhǔn)確性？

王曉剛：我們有一個(gè)指標(biāo)叫“成片率”。

生成視頻后，我們會(huì)檢查它是否符合物理規(guī)律。早期可能 100 個(gè)視頻里只有個(gè)位數(shù)是可用的，現(xiàn)在我們的成片率已經(jīng)越來越高，能達(dá)到 50% 以上。

更精細(xì)的度量還包括相機(jī)位姿的反推準(zhǔn)確性、生成圖像與真實(shí)圖像的差異等。

戰(zhàn)略：開源與國產(chǎn)芯片適配

“在具身智能領(lǐng)域，我們希望成為開源的標(biāo)桿”

DeepTech：我聽說大曉這次會(huì)開源開悟 3.0，具體會(huì)開源到什么程度？

王曉剛：我們的模型、工具鏈、以及部署方法都會(huì)開源。

特別值得一提的是，這次我們把開源模型適配到了國產(chǎn)芯片上，包括沐曦、海光、壁仞等。

在國產(chǎn)芯片時(shí)代，模型需要和芯片做深度適配，我們做完軟硬協(xié)同優(yōu)化后，極大提升了芯片性能，能達(dá)到 A 卡（英偉達(dá)）的效果。有了模型和算力基礎(chǔ)，我們就能構(gòu)建物理世界的“DeepSeek 時(shí)刻”，實(shí)現(xiàn)“算力—模型—應(yīng)用”的全方位迭代。

DeepTech：開源對(duì)大曉的商業(yè)化有什么影響？

王曉剛： 開源和平臺(tái)是相輔相成的。開源能讓大家熟悉我們的模型。同時(shí)，世界模型的訓(xùn)練和推理需要大量算力，我們把 API 部署在云上（商湯大裝置、騰訊云等）。用戶使用云服務(wù)時(shí)，我們和云廠商都能獲得收益。

DeepTech：從長(zhǎng)期看，開源對(duì)初創(chuàng)公司的護(hù)城河有什么意義？

王曉剛：在大模型領(lǐng)域，DeepSeek 是一個(gè)很好的例子。它通過開源產(chǎn)生了巨大的行業(yè)影響力。

我們希望在物理世界、在具身智能領(lǐng)域，讓“開悟 3.0”成為對(duì)標(biāo) DeepSeek 的存在。這個(gè)行業(yè)需要先發(fā)優(yōu)勢(shì)。當(dāng)我們先把高質(zhì)量的開源項(xiàng)目做出來，用的人多了，就會(huì)形成聚集效應(yīng)。芯片公司也會(huì)主動(dòng)來適配我們，生態(tài)就建立起來了。

落地：產(chǎn)品與未來

“機(jī)器狗，前置倉，到家庭機(jī)器人”

DeepTech：這次發(fā)布會(huì)有哪些交付形態(tài)的產(chǎn)品？

王曉剛：我們會(huì)發(fā)布幾樣?xùn)|西：ACE 研發(fā)范式：環(huán)境式采集（Ambient Capture Engine）；開悟 3.0 平臺(tái)，并且開源；以及具身超級(jí)大腦模組 A1，這是一個(gè)軟硬結(jié)合的產(chǎn)品，目前最先搭載在四足機(jī)器人上。

有了這個(gè)模組，機(jī)器狗在戶外就具備了自主空間能力，不需要人遙控，可以通過語音控制它去目的地執(zhí)行任務(wù)。我們的機(jī)管平臺(tái)還和商湯的方舟平臺(tái)打通，直接調(diào)用 150 多種 AI 應(yīng)用。

此外，我們?cè)谀＝M硬件上也有創(chuàng)新，引入了 Insta360 的全景相機(jī)。現(xiàn)有的機(jī)器人攝像頭視野窄、不穩(wěn)。全景相機(jī)能做到 360 度無死角，畫質(zhì)和穩(wěn)定性大幅提升，這對(duì)夜間作業(yè)和 AI 識(shí)別非常有幫助。

DeepTech：大曉目前最優(yōu)先落地的場(chǎng)景是哪些？

王曉剛：我們有近期、中期、遠(yuǎn)期的規(guī)劃。

近期（現(xiàn)在），重點(diǎn)是戶外四足機(jī)器人。雖然提供情緒價(jià)值（表演）的市場(chǎng)比較成熟，但規(guī)模有限。我們看重的是生產(chǎn)力提升，比如電力巡檢、文旅、智慧城市。加上我們的模組，機(jī)器狗就能具備空間自主能力，實(shí)現(xiàn)規(guī)模化應(yīng)用。

中期（2 年左右），我們希望把前置倉（閃購倉）這個(gè)場(chǎng)景做下來。明年大概會(huì)有十幾萬個(gè)這樣的倉庫，場(chǎng)景非常類似。一旦做好，規(guī)模化落地速度會(huì)很快。

遠(yuǎn)期（5 年后），就是家庭場(chǎng)景。這目前還屬于預(yù)研性質(zhì)，也是像 Figure AI 這樣的公司的長(zhǎng)遠(yuǎn)目標(biāo)。

DeepTech：最后一個(gè)我比較好奇的問題，“大曉”這個(gè)名字是怎么來的？是你和大程（商湯聯(lián)合創(chuàng)始人）老師的名字合在一起的嗎？

王曉剛：（笑）是這樣。我和大曉機(jī)器人首席科學(xué)家陶大程是中科大的師兄弟，在湯老師那邊讀碩士時(shí)還是寢室室友，關(guān)系非常好，有很深的信任。在具身智能這個(gè)機(jī)會(huì)點(diǎn)上，我們覺得能一起合作做些事情。

但“大曉”這個(gè)名字還有衍生的含義。我們?cè)诎l(fā)布會(huì)上給出的解釋是：“大千世界，曉識(shí)萬象”。

“大千世界”講的是我們的世界模型，要理解這個(gè)世界；“曉識(shí)萬象”講的是我們的環(huán)境式采集，通過感知去理解人和環(huán)境的交互。這正好契合了我們未來具身智能的兩個(gè)核心方向。