湯曉鷗學生創業做機器人，不押注VLA，要走李飛飛的世界模型路線

搜狐科技《超級瓦力——對話具身智能50人》欄目第14期，對話大曉機器人CEO王曉剛。

• 現有技術路線存在缺陷，包括VLA模型，它不太理解真實的物理世界和物理規律。

• 很多公司在做本體，但真正缺乏的是理解世界的大腦、能解決實際問題的產品。

• 明年國內將出現大量即時零售倉儲應用場景，這類場景需要7×24小時服務，機器人能夠充分發揮優勢

出品｜搜狐科技

作者｜常博碩

編輯｜楊 錦

2025年，具身智能無疑是最擁擠也最焦慮的賽道之一。

在這個賽博世界里，人形機器人價格已經被壓縮至萬元以內，看似繁榮的背后，技術路線的分歧也愈發尖銳。

VLA、端到端、強化學習、世界模型……各種名詞被頻繁提及，卻很少有人真正回答一個問題：機器人究竟該如何真正“理解”這個世界?

就在這個背景下，商湯科技聯合創始人王曉剛，選擇以一種新的方式，加入競爭。

2025年12月，商湯科技聯合創始人、執行董事王曉剛出任大曉機器人董事長。

大曉的切入點顯得異常克制：不涌入擁擠的本體賽道，不押注VLA，不追逐短期演示效果，而是將全部籌碼，押在一個被反復提及卻逐漸成為行業共識的方向上——世界模型。

“VLA是以機器為中心的范式，它并不需要真正理解物理世界。”王曉剛在多次采訪中反復強調這一判斷。

在他看來，當下主流具身方案的核心問題并不在算力或者參數規模，而是研究范式本身的起點就存在偏差。

過去兩年，隨著大語言模型和多模態模型的突破，行業普遍期待把“會說話的大腦”直接裝進機器人身體里。VLA模型正是這一思路的典型產物。

輸入語言、視覺信號，輸出動作序列，仿佛機器人只要模仿得足夠多，就能獲得通用能力。但在王曉剛看來，這種路徑天然受困于本體結構和數據效率，難以支撐真正的長時序、復雜任務，更談不上跨場景泛化。

相比之下，大曉選擇了一條更“底層”的路線。

以人為中心的環境式采集、開悟世界模型，再加上具身交互，三層架構共同構成了大曉具身技術體系的核心。

在具身智能尚未形成技術收斂的當下，大曉的入局，或許并不意味著終極答案已經出現，但它至少清晰地提出了一個問題和新的解法：

當機器人真正走向物理世界，究竟是“會做動作”更重要，還是“理解世界”更重要？

而這個問題，很可能決定下一階段具身智能競爭的方向。

帶著對行業的困惑與技術路線選擇的疑問，搜狐科技等媒體與王曉剛進行了一場深入的對話。

以下為搜狐科技等媒體與大曉機器人董事長王曉剛的采訪實錄（經編輯）

大曉到底做什么？

媒體：想問一下大曉機器人的名字是如何確定的，以及這些名字背后有著怎樣的意義？

王曉剛：它取自大程名字里的一個字，也用了我名字中的一個字。我和陶大程（大曉首席科學家，澳大利亞科學院院士、新加坡南洋理工大學杰出教授）本身都是湯曉鷗教授的學生。

媒體：大曉機器人主要側重于機器人本體還是大腦？如果側重大腦，技術路線是世界模型、VLA還是端到端？

王曉剛：大曉機器人在產品化落地方面，輸出的是軟硬一體的方案。

當前我們能夠看到現有技術路線的明顯缺陷，包括VLA模型，是以機器為中心的，通過輸入指令、圖像和視頻，直接輸出動作，它不太需要去理解真實的物理世界和物理規律。

簡單粗暴地使用端到端或VLA，并不能解決具身智能對“大腦”的期望。

媒體：ACE技術范式具體意味著什么，又能實現怎樣的效果？

王曉剛：我們提出的世界模型分為三部分。一是多模態的理解，包含圖像、視頻、相機位置、3D軌跡，還有力學元素、觸覺等一系列內容。

其次，理解物理世界后，需要生成長時動靜態交互場景，這些交互行為需具備物理規律和因果思維鏈，并形成長時間記憶。

三是預測功能，根據所選機器人本體、觀察到的圖像及視頻狀態，可預測機器人后續動作。這種“理解-合成-預測”的融合能力，正是世界模型的核心。

媒體：大曉機器人在硬件方面，包括傳感器、電機、減速器、控制器等，是與哪些企業合作？

王曉剛：我們投資的企業中，鈦虎、鹿明等都會有合作關系，它們與硬件相關。在傳感器方面，我們與影石Insta360合作，將全景相機的能力賦予到機器人上，這是一個關鍵的零部件亮點。

為何現在入局？

媒體：商湯科技將具身智能業務剝離出來成為一個獨立的公司，是出于哪些方面的考量？

王曉剛：商湯過去更多聚焦于ToB軟件業務，近年來隨著大模型的發展，我們布局了大裝置和基礎設施，但在端側的軟硬協同整體產品方面仍有空白。機器人的出現提供了一個良好契機，讓我們有機會實現軟硬件整合。

媒體：您認為目前具身智能這個行業的頭部卡位已經完成了嗎？新創業公司的機會點在哪？

王曉剛：我認為頭部卡位還沒有完成，這個領域還遠未成熟，目前行業技術路線存在明顯缺陷。比如特斯拉和Figure AI都放棄了以真機為主的技術路線，轉向以視覺為主的技術路線。但視覺為主的技術路線并非終極方案，所以我們提出了“以人為中心”的ACE研究范式。

第二點看場景落地，目前能夠成規模量產的機器人場景，要么是提供情緒價值的表演性質產品，要么是作為科研平臺存在，尚未出現能大幅提升生產力的規模化應用。

第三點是產業鏈層面，機器人行業的產業鏈分工尚未完善，成本依然很高。因此，我認為整個機器人產業的格局遠遠沒有確定下來。

媒體：現在具身智能賽道競爭非常激烈，人形機器人價格已降到萬元以內。商湯在這個節點加入具身智能賽道，背后的契機是什么？大曉的核心競爭力體現在哪里？

王曉剛：第一點是我們看到了一個與以往不同的新研究范式，也就是以人為中心的ACE研究范式。

如果一直沿著原有的范式前進，追趕或超越會非常困難，只有在這種革命性變化出現時，我們才有機會實現突破。

第二點是產業落地。商湯過去十幾年積累了幾千家客戶，覆蓋眾多行業方向，，當我們進入這個領域時，能夠快速實現規模化的場景落地，讓機器人的價值成倍放大。

媒體：對于大曉機器人來說，有沒有明確的短期或長期目標？或者說，想要在行業內達到一個什么樣的位置？

王曉剛：短期的話，除了提供情緒價值的表演類機器人外，我們認為能夠規模化落地的，是搭載了導航能力與各類AI應用能力的四足機器狗。

中期看好工業場景與商業服務場景，其中會優先選擇閃購倉、前置倉這類商業服務場景。明年國內將出現大量前置倉與閃購倉，這類場景需要大量人力支持7×24小時服務，機器人能夠充分發揮在這類環境中的優勢。

更遠期的目標則指向五年后的家庭場景，但這更多涉及前沿技術的探索。

為什么不押注 VLA

媒體：以人為中心收集環境的數據優化世界模型的路徑，涉及到無窮無盡的場景、動作，它是可以去窮舉的嗎？

王曉剛：基于VLA訓練出來的模型，會被受困于它的本體。世界模型采取了可能是更本質的方式，能覆蓋更多的場景。關鍵是你這套范式是不是一個能夠很容易拓展的，有一千個人、一萬個人在用這種方式采集數據，能夠產生回流。

媒體：所以這是我們開源最本質的原因是嗎？

王曉剛：對，一旦開源以后別人可以給你各種反饋，給你提供各種場景。這也是中國和其他的國家在人工智能發展路徑上一個很差異化的點。

媒體：未來機器人能夠做的事情會有哪些關鍵的變化？

王曉剛：在世界模型的加持下，對于泛化性世界模型應該有突破機會。像前置倉的場景，有上萬的SKU，零售場景用VLA很難把這個規模達到上萬種不同的類別，但是在新的范式下是有可能做到這一點的。

運營編輯 |曹倩審核｜孟莎莎