革新具身智能的研發(fā)范式，大曉機(jī)器人希望構(gòu)建行業(yè)開放生態(tài)

出品 | 創(chuàng)業(yè)最前線

作者 | 燁楠

編輯 | 閃電

美編 | 邢靜

審核 | 頌文

大曉機(jī)器人給出了具身智能“大腦”的新解法。

在產(chǎn)業(yè)的演進(jìn)中，具身智能，既需要快速、穩(wěn)定的執(zhí)行能力，也需要對環(huán)境、因果與時間的持續(xù)理解。在這一層面來說，VLA（視覺語言動作模型）更像一套高效的執(zhí)行接口，而世界模型則可能更接近基于真實物理世界的底層認(rèn)知系統(tǒng)。

12月18日，大曉機(jī)器人在上海舉辦發(fā)布會，正式發(fā)布行業(yè)首創(chuàng)的ACE具身研發(fā)范式、首個開源且商業(yè)應(yīng)用的開悟世界模型3.0（Kairos 3.0）、讓具身本體擁有自主空間智能的具身超級大腦模組A1，并與多個行業(yè)伙伴展開合作，形成產(chǎn)業(yè)生態(tài)體系。

1、技術(shù)范式革新：從“為難機(jī)器”到“以人為中心”

2024年，商湯科技開始實施“1+X”戰(zhàn)略，開啟以生成式AI為核心業(yè)務(wù)，重組拆分的生態(tài)企業(yè)矩陣聚焦各自場景化AI和細(xì)分市場的發(fā)展模式。

而近日發(fā)布的大曉機(jī)器人，正是商湯科技在布局具身智能產(chǎn)業(yè)的核心戰(zhàn)略落子。

大曉機(jī)器人由商湯科技聯(lián)合創(chuàng)始人王曉剛擔(dān)任董事長，華人頂級AI科學(xué)家陶大程擔(dān)任大曉機(jī)器人首席科學(xué)家。大曉機(jī)器人的名字也便是從兩位組建者的名字中各取一字組成。另外，這個名字還涵蓋了“大千世界，曉識萬象”的寓意，大曉希望讓機(jī)器人真正洞察并理解萬象規(guī)律，才能使其學(xué)會與世界精準(zhǔn)交互。

這正引出了大曉機(jī)器人的使命：讓機(jī)器人擁有“聰明的大腦”。

以往的具身智能研發(fā)多以機(jī)器人本體為中心，通過遙控操作采集數(shù)據(jù)，導(dǎo)致成本高企、效率低下，且模型難以泛化。特斯拉和Figure AI的視覺學(xué)習(xí)新路徑，推動了具身智能的數(shù)據(jù)采集從“遙控操作”向“自主學(xué)習(xí)”的范式轉(zhuǎn)變。

特斯拉采用的視覺方案的思路源于自動駕駛領(lǐng)域的啟發(fā)，但自動駕駛與具身智能存在本質(zhì)差異：自動駕駛場景中不會發(fā)生物理接觸或交互，而在具身智能場景下，無論是人還是機(jī)器人，都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。

在過去長期的研究中，人體工程學(xué)、力學(xué)等領(lǐng)域已對人體受力、觸覺相關(guān)信息有了深入研究，這為環(huán)境式采集提供了研究基礎(chǔ)。此外，基于傳統(tǒng)的技術(shù)路徑中，行業(yè)目前仍然面臨著數(shù)據(jù)荒的頑疾。

目前，具身智能領(lǐng)域的真機(jī)數(shù)據(jù)量級僅為10萬小時，而智能駕駛?cè)缣厮估璅SD V14每日訓(xùn)練量相當(dāng)于500年人類駕駛經(jīng)驗。這一差距源于“以機(jī)器為中心”的局限：傳統(tǒng)遙操就像讓人去遷就機(jī)器，采集員需遙控各類機(jī)器人，成本高昂，數(shù)據(jù)綁定硬件，無法通用。

基于此，大曉機(jī)器人開辟出一條不同于傳統(tǒng)路徑的技術(shù)路線：“以人為中心（Human-centric）”的ACE具身研發(fā)范式，為行業(yè)發(fā)展帶來根本性的革新。ACE具身研發(fā)范式中環(huán)境式數(shù)據(jù)采集可實現(xiàn)一年千萬小時的數(shù)據(jù)收集，開悟世界模型3.0則不斷放大真實數(shù)據(jù)價值，使其達(dá)到上億小時數(shù)據(jù)規(guī)模的效果。

這種ACE范式，通過環(huán)境式采集真實世界中人的行為與環(huán)境交互數(shù)據(jù)，構(gòu)建能夠理解物理規(guī)律、因果關(guān)系與長期記憶的世界模型，再將這一“大腦”遷移到不同機(jī)器人本體之上。這意味著，機(jī)器人不再被限定在某一具體形態(tài)或單一任務(wù)中，而是試圖獲得跨場景、跨本體的通用能力基礎(chǔ)。

舉個例子，在即時零售倉儲場景中，該方案已實現(xiàn)多視角數(shù)據(jù)采集，覆蓋數(shù)萬種SKU，完成倉儲分揀與打包全流程。在居家、零售等多元場景中，ACE范式也已實現(xiàn)對人體自然行為、物品交互軌跡的精準(zhǔn)捕捉，甚至能復(fù)現(xiàn)遙操作范式下難以實現(xiàn)的生鮮抓取、精細(xì)化放置等任務(wù)。

但這種范式，要求對物理世界具備更強(qiáng)的建模能力，也要求模型能夠處理高度復(fù)雜、未結(jié)構(gòu)化的數(shù)據(jù)。換言之，ACE范式獲取的，可能不是更容易的數(shù)據(jù)，但一定是更接近真實世界的數(shù)據(jù)。

從行業(yè)角度看，具身智能的數(shù)據(jù)采集也正在經(jīng)歷一次認(rèn)知與技術(shù)范式的轉(zhuǎn)變。因為具身智能行業(yè)稀缺的，除了數(shù)據(jù)本身，還有能夠讓數(shù)據(jù)形成通用智能的路徑。

2、開悟世界模型3.0開源，形成產(chǎn)業(yè)合作迭代

以環(huán)境式采集數(shù)據(jù)為基，大曉機(jī)器人發(fā)布了首個開源且商業(yè)化應(yīng)用的世界模型——開悟世界模型3.0，形成跨本體的統(tǒng)一世界理解框架。

世界模型的核心在于，它致力于在AI模型中建立起真實物理世界的運(yùn)行規(guī)律，區(qū)別于VLA以語言為中介連接感知與動作，依賴語義推理執(zhí)行指令的機(jī)制。

簡單來說，VLA模型解決的是“此刻該做什么”的問題。它將視覺與語言信號迅速轉(zhuǎn)化為動作指令，在短時任務(wù)、確定性場景中具備顯著優(yōu)勢。這種能力對于機(jī)器人“可用性”的提升至關(guān)重要，也是當(dāng)前行業(yè)得以快速驗證商業(yè)場景的重要基礎(chǔ)。

而世界模型所關(guān)注的，是“為什么要這樣做，以及接下來可能發(fā)生什么”。它并不追求直接生成動作，而是通過對物理規(guī)律、因果關(guān)系與時間演化的建模，為決策提供背景與邊界。沒有世界模型，機(jī)器人很難在長時序任務(wù)中保持一致性，也難以在環(huán)境變化時進(jìn)行有效調(diào)整。

在大曉機(jī)器人看來，具身智能“大腦”更合理的結(jié)構(gòu)是，讓世界模型作為認(rèn)知與預(yù)測層，負(fù)責(zé)理解世界、生成可能性空間；再由VLA或類似執(zhí)行模型，負(fù)責(zé)將決策轉(zhuǎn)化為具體動作。這種分層結(jié)構(gòu)，在自動駕駛、復(fù)雜系統(tǒng)控制中已被反復(fù)驗證。

作為首個“多模態(tài)理解—生成—預(yù)測”的世界模型，開悟世界模型3.0能夠深度理解真實世界的物理規(guī)律與人類行為的底層邏輯，讓模型能形成“知其然，知其所以然”的思維鏈。

多模態(tài)理解，即通過圖像、視頻、相機(jī)位置、3D軌跡，以及力學(xué)元素、觸覺等一系列內(nèi)容的感知與融合，與物理世界建立關(guān)聯(lián)；其次是多模態(tài)生成，在理解物理世界后，需要生成復(fù)雜的具身行為，以及可訓(xùn)練的數(shù)據(jù)和場景；最后是多模態(tài)預(yù)測，根據(jù)不同機(jī)器人本體、觀察到的圖像及視頻狀態(tài)，可預(yù)測機(jī)器人的后續(xù)動作。

這種“理解-合成-預(yù)測”的融合能力，正是強(qiáng)大的開悟世界模型3.0的核心。更重要的是，大曉機(jī)器人選擇將這一世界模型進(jìn)行開源，向全行業(yè)開放API。

通過云平臺與API開放，開悟世界模型3.0能夠吸引開發(fā)者反饋，豐富場景庫。而開源換來的社區(qū)影響力也更為關(guān)鍵，這一策略，將加速大曉機(jī)器人在具身智能產(chǎn)業(yè)的生態(tài)構(gòu)建。

目前，開悟世界模型3.0已與沐曦股份、壁仞科技、中科曙光等多款廠商國產(chǎn)芯片成功適配并展開合作，幫助世界模型在長時序、多視角動態(tài)場景下進(jìn)行完整訓(xùn)練與推理閉環(huán)，共同推進(jìn)具身模型在國產(chǎn)芯片生態(tài)中的研發(fā)與應(yīng)用。

3、具身超級大腦模組A1，從機(jī)器狗走向多元商業(yè)場景

選擇以世界模型為長期核心，并不意味著放棄商業(yè)現(xiàn)實。

當(dāng)天，大曉機(jī)器人正式推出了具身超級大腦模組A1?；诖髸詸C(jī)器人團(tuán)隊領(lǐng)先的純視覺無圖端到端VLA模型優(yōu)勢，搭載具身超級大腦模組A1的機(jī)器狗無需預(yù)采高精地圖即可適應(yīng)復(fù)雜、動態(tài)、陌生環(huán)境。依托模型的視覺理解和運(yùn)動規(guī)劃能力，機(jī)器人能實現(xiàn)動態(tài)環(huán)境下魯棒、安全、合理的路徑生成，真正實現(xiàn)“自主行動”。

大曉機(jī)器人已經(jīng)與智元等本體公司展開合作，搭載了具身超級大腦模組A1的三款機(jī)器狗在現(xiàn)場進(jìn)行展示。

具身超級大腦模組A1具備擁有云端交互能力，依托云端模型平臺，能實時解析自然語言指令與圖像語義的意圖關(guān)系，像人一樣理解復(fù)雜的現(xiàn)實世界，生成可執(zhí)行的中間指令（如“前進(jìn)50厘米”“繞過障礙”“靠近目標(biāo)”），再由底層控制器精確執(zhí)行。這使得機(jī)器狗不僅能夠在復(fù)雜環(huán)境中完成自主巡檢、跟隨、避障等多樣任務(wù)，而且能根據(jù)自然語言指令精準(zhǔn)完成任務(wù)。

此外，大曉機(jī)器人結(jié)合Insta360全景感知方案與商湯方舟通用視覺平臺，構(gòu)建起全方位、高精度的環(huán)境感知體系。不僅能覆蓋超10個行業(yè)，還可實現(xiàn)超150個智能化應(yīng)用場景適配，覆蓋從日常行為分析到特殊風(fēng)險預(yù)警的全需求。

目前，大曉機(jī)器人已經(jīng)通過具身超級大腦模組A1，將階段性能力落地到安防、巡檢等To B場景，并可實現(xiàn)長期穩(wěn)定工作，讓具身智能真正具備了走進(jìn)產(chǎn)業(yè)一線的實用價值。

這些策略，也在為世界模型的發(fā)展鋪設(shè)行業(yè)生態(tài)，并爭取成熟的時間窗口。通過真實場景持續(xù)運(yùn)行，世界模型得以獲得更多反饋，數(shù)據(jù)體系也隨之?dāng)U展。另一邊，VLA等執(zhí)行模型在其中承擔(dān)著效率加速器的角色，使系統(tǒng)在當(dāng)前階段依然具備實用價值。

以具身超級大腦模組A1為開端，大曉機(jī)器人希望建立起從四足機(jī)器人短期規(guī)模化的商業(yè)場景，到中期聚焦物流倉、前置倉等工業(yè)與商業(yè)服務(wù)場景，長期指向家庭場景的階段性商業(yè)化目標(biāo)。

在具身智能的技術(shù)路徑尚未收斂、規(guī)模商業(yè)化仍處于探索階段的當(dāng)下，大曉機(jī)器人的意義，或許并不在于給出一個終極答案，而是提供了一種更完整的技術(shù)組織方式：讓執(zhí)行模型跑在前面，讓認(rèn)知模型決定前進(jìn)的方向——大曉機(jī)器人指出了一條讓具身智能從單純的“會動”走向“可用”的商業(yè)化落地必經(jīng)之路。