對話它石智航丁文超：不VLA、不仿真、不遙操，它石智航的具身大腦沒有Plan B

　　2026年3月，它石智航在AWE完成線下首秀，全球首個“能幹活”的通用具身大模型AWE3.0也同期發布。值此之際，時隔一年量子位再次深度對話它石智航。

　　以下為報道原文：

　　天使輪拿下2.42億美元 後，它 石智航到底 幹啥去了？

　　2025年年初，這家公司是資本市場毫無疑問的寵兒。天使輪融資額刷新紀錄，明星創始團隊，讓它石自創立之初，便一躍成為具身智能賽道炙手可熱的名字。

　　然而接下來的一年裡，它石智航選擇了一條截然不同的路：沒有參加各種行業大會，沒有頻繁對外發聲，沒有出現 在春晚或 各 類展示 活動中 ，一直踏實幹活。

　　一年後，這家以技術工程和産業落地集結的明星團隊，交出了答卷——

　　利刃出鞘，一鳴驚人。

　　它石A1機器人，1小時内完成亞毫米級柔性線束完整裝配任務百餘次，創下全新吉尼斯世界紀錄。

　　一系列成果讓它石首次在線下亮相，便吸引了央視、新華網 等頭部官媒的組團報道。

　　線束裝配 ，是地獄級的工業場景。

　　長程操作、柔性操作、亞毫米精度，不可能三角全部集齊 ，被喻為工業自動化界的「哥德巴赫猜想」。

　　時隔一年，高調亮相的它石，直接打爆了這個場景，如期兌現了對投資人的承諾。

　　而同樣是時隔一年，量子位也再次來到了上海——

　　從它石智航聯合創始人、首席科學家丁文超 這裡，獲得了關于這家公司更多的技術進展和背後的具身洞察。

　　真幹活 的具身大腦

　　當圈内還在争論機器人何時能真正幹活時，它石智航已用硬核技術，交出了答卷。

　　專攻幹活，而且要幹就幹最難的。這是它石從創立之初就确立的技術路線。

　　它石為A1機器人選擇的挑戰，叫作亞毫米級線束裝配任務。

　　這 是具身智能 最兇險的試金石。

　　首先是精度 。

　　線束的孔位極小，容錯空間幾乎為零 。

　　機器稍有偏差，插不進去;力道稍大也不行，會損壞插接孔位。

　　其次，線是軟的 。

　　這和玻璃杯不一樣，你一碰，線會變形 。

　　因此，模型每走一步，面對的都是一個和上一秒截然不同的物理世界，傳統預先設計好軌迹的模式，在這裡完全失靈。

　　而就是這樣難度的任務，還不是插接一根就能完事 。

　　線束少則十幾根，多則幾十根，每一根的插接狀态都會影響下一根的空間和角度。

　　丁文超把這類任務概括為具身智能的不可能三角。傳統工業自動化精度高但柔性弱，具身方案能做長程任務但精度差。

　　想要三者同時兼顧，難如登天。

　　而如今，它石不僅經受住了這一考驗，還将其徹底打穿，裝配效率創下吉尼斯世界紀錄。

　　甚至還保留了極高的「活人味」。

　　在他們發布的一次線束裝配「圖靈測試」中，超過50%的投票者 都分不清到底哪個才是機器人，誤把選項A認作真人。

　　既能幹活，又保證了動作的絲滑程度，這就是它石潛心鑽研一年所打造的具身大腦——

　　AWE 3.0。

　　這個名字，有兩處值得細細琢磨。

　　第一，AWE，全稱AI World Engine，AI世界引擎 。

　　不是VLA，也不是3D資産生成模型，而是一個真正意義上，能夠作為具身大腦的世界模型。

　　依托超十萬小時Human Centric數據訓練。

　　第二，3.0，對标GPT-3 。

　　采訪中，丁文超拿GPT的發展脈絡來做參照。

　　GPT-3做了兩件事：把聊天場景打磨到極緻，同時指明了這條Scaling曲線的走向。GPT-3出現之後，已經沒人再懷疑LLM這條路。隻不過GPT-3.5把它徹底引爆了。

　　AWE 3.0想做的，是同一個邏輯。

　　用線束裝配對标聊天場景，把它打爆，同時驗證模型在其他幹活任務中的泛化能力。

　　丁文超坦言，做之前就清楚這是塊硬骨頭，但真正上手才發現，還是低估了難度。用傳統方法，幾乎不可能完成。

　　但也正是這座珠穆朗瑪峰般的裡程碑，催生出突破，最終彙聚成AWE 3.0。

　　這個世界模型最核心的特點，叫隐空間 。

　　關鍵在于「隐」這個字。這是一個經過壓縮和抽象的中間世界，肉眼無法直接看到，對于具身智能來說卻是更本質的學習環境。

　　面對柔性操作中層出不窮的突發狀況，模型不再簡單模仿動作軌迹，而是在隐空間裡持續推演未來的多種可能，再據此做出決策。

　　這和GPT-o1有幾分相似：在正式輸出答案之前，先在思維鍊裡推理一遍。

　　丁文超把這個過程叫作「未動先想」。

　　這當然能提高整個系統的魯棒性，但出乎意料的是，在隐空間裡思考的過程中，模型竟然湧現出一項全新的技能：自我糾錯(Failure Recovery)。

　　當插接力度或角度出現異常，機器人會把線拔出來，換個角度再試一次。

　　對于真實工業場景而言，這是一個象征着成熟度的關鍵信号：機器人會反思了 。

　　不再需要人手把手教，即便遇到超出訓練範圍的場景，機器人也能自己在嘗試中找到解法。

　　而這一切的實現，沒有用到一秒鐘的遙操數據。

　　全部是基于真人在真實場景中的實際操作，人類和機器人共享同一套感知體系。

　　長期以來，關于具身訓練數據，行業有個共識：遙操數據 精度最高 。

　　丁文超卻說，在亞毫米級精度的任務上，這個結論完全站不住腳。

　　遙操作根本幹不了亞毫米級的事，操作過程中會猶豫、抖動，反而變成了訓練數據中的「噪聲」。

　　的确，線束這個場景，要求太恐怖了。孔位極窄，對絲滑度的要求非常高。

　　但人能完成這個任務。

　　雖然不能百分百零偏差，但人的糾錯能力極強，可以在操作中感受阻力，并據此迅速調整角度和力度。

　　從第一性原理出發，丁文超指出，想要習得這種局部微調的能力，唯一方式，就是從真人身上采集數據。

　　這也是他在去年采訪中反複強調的Human Centric 。

　　一年過去，這一理念沒有發生變化，并且已經成功落地。

　　這就是它石今年的第二項成果，SenseHub 數采套件 。

　　這是一套以人為中心的 一體化數采套件 。

　　非常輕便，一雙手套，一個能夠固定在胸部或頭部的第一視角攝像頭，完全無需像遙操那樣進行專業培訓，哪怕是清潔工、超市員工，佩戴上就能成為采集員，也不會影響工作。勞動者在日常工作過程中，順手就能把數據采了，完全是“被動式”采集。

　　與此同時，它石發起具身數據 星火計劃 ，邀請生态夥伴加入，基于Human Centric推進具身數據标準建設、共建Human Centric數據集，構建産業級數據共享生态。該計劃初期将彙聚超過1000萬小時的标準化優質數據，目标推動實現1億小時級别的數據共享 。

　　2026年，Human Centric正在從它石率先驗證的技術路線，快速演變為整個行業的共識。

　　具身智能的數據Scaling，這才剛剛拉開帷幕。

　　采訪結束，已是夜裡十一點，其中一間小會議室裡，董事長李震宇和CEO陳亦倫也在熱烈讨論。

　　寒暄中，李震宇說這是創業後的常态。陳亦倫則幽默補充：一般這個點才剛開始， 具身智能 的征程，往往越聊越興奮。

　　剛剛亮相的技術和成果，無疑是它石智航「日新月異」的新起點。而負責技術研發推進的丁文超 ，給出了更多細節和實踐認知。

　　對話原文 ：

　　具身智能 的“準Zero-shot時代”已然來臨

　　量子位：A1刷新線束裝配吉尼斯世界紀錄令人印象深刻，研發過程中有什麼挑戰？哪些環節比預想的要難？

　　丁文超： 硬件遠比我們想象的要重要。

　　你可以把它理解成兩頭往中間靠 的過程：

　　一方面，通過合理的數據組織、網絡訓練、網絡架構和任務設計，讓模型能人機通吃 ;

　　另一方面，機器人自身也得往人的方向去靠，自由度、靈活度，還有響應的及時性。

　　最開始我們采購了很多市售關節回來測，結果發現，要麼響應延時有問題，要麼扭矩脈動太大。這些都會導緻機器人沒辦法像人一樣靈活。

　　于是我們做了一個決定：從5月份開始，全 棧 硬件自 研 。

　　核心是兩塊。

　　第一是關節完全自己做 ，非常低的減速比、高精度、GAP極小的行星關節，這在市面上非常少見。

　　第二是靈巧手 。很多手套數據用夾爪去映射，信息損失太大。所以我們在去年開始研發21自由度靈巧手，和人手完全匹配。

　　原本我們覺得，具身領域做硬件的公司那麼多，産業鍊應該是成熟的。結果發現這個行業跟汽車工業相比，差距太大了。

　　品控、标準化、流程化，很多地方還處在草台班子的狀态 。

　　量子位：有沒有什麼是以前覺得很難，但實際下來，相對比自己預期、認知要容易一些的？

　　丁文超： 我覺得有三方面。

　　第一個，剛才講過了，跨本體映射其實沒想象中那麼難 。

　　這對業界是個反常識。直到今天，很多人還覺得人到機器人的跨本體映射是個大問題，但我們解決得還不錯。

　　第二，端到端網絡到底能做到什麼精度？ 之前我們心裡的答案是毫米級，但最近有了新突破，我們能做到亞毫米級。

　　這也是個反常識。大家一直覺得端到端網絡特别依賴數據驅動，精度上是不是不如傳統方法?事實證明不是。

　　還有第三點，以人為中心的生态擴展，比我預想的快得多 。

　　現在各家在追這種采集方式，投入都特别大。很多人在深入研究我們的數據采集套件。

　　本以為大家轉彎還需要時間。沒想到2026年，已經快成為以人為中心的數據采集元年了。

　　量子位：亞毫米 級這個 目标，是你們在實踐中發現可以做到，還是場景本身倒逼出來的？

　　丁文超： 兩者都有，但倒逼的成分很大 。

　　線束插接場景本身就需要達到亞毫米級精度，逼着我們去想怎麼讓網絡動作更連續、更絲滑，怎麼實現failure recovery，插錯了也能局部微調重試。

　　這些能力，如果我們一開始選的是疊毛巾，可能永遠不會被逼出來 。

　　量子位： 那現在已經實現了亞毫米級操作，如果讓模型去疊毛巾，需要重新學習嗎?

　　丁文超： 真正的泛化，不隻是模型本身的泛化，數據和模型的覆蓋範圍也要泛化 。

　　對外聚焦線束，是因為我們想先把這個場景徹底打穿 。但其實從第一天起，我們就同步在工廠、物流、倉儲、洗衣房、酒店等多個場景 采集數據，全部用于訓練。

　　那時很多投資人還有所保留，覺得把一個場景做深、完成商業化就夠了。但我們的判斷是：方法論層面的過拟合才是最緻命的 ，模型的過拟合反而相對容易消解。

　　現在我們内部已經有N個可落地場景在并發推進，節奏比我自己預期的還要快。

　　量子位： 具身智能 的GPT時刻，怎麼定義？

　　丁文超： 去年聊這個詞的時候，大家還定義不清楚。現在我可以給一個更具體的描述：準Zero-shot時代 。

　　不是說推到一個新場景完全零基礎就能上，而是你已有的核心skills，在新場景裡基本都能遷移、都能用。

　　對标語言模型，大概相當于GPT-3 的水平;如果某些任務徹底打穿，可能就到GPT-3.5 了。

　　這個時間點比大家預想的早，說實話，也比我自己的預期快。我們規劃的模型節奏是2.0、3.0、3.5、4.0 ，但我現在判斷3.5到4.0這段還會進一步加速。

　　兩個趨勢已經肉眼可見：一是泛化數據的持續積累，二是有限數據下模型能力的快速提升。

　　一旦準Zero-shot成立，機器人就不隻能進工廠、做一個工序，而是可能同時覆蓋多個工序。C端機會也會更早湧現。

　　量子位：AWE 2.0意味着什麼？

　　丁文超： 1.0是内部版本。2.0我們有點參考GPT-2的意味。

　　GPT-2代表早期Scaling Law成立 ，并且在一些任務上已經能蓋過Bert這類小模型。對我們來說，2.0意味着我們真正完成了跨本體部署，從Human Centric數據到模型訓練，再到機器人上的部署，這條鍊路跑通了。

　　3.0則不僅能夠看到線束場景打穿，還看到了其他若幹場景的湧現;3.5是我們在其中幾個場景徹底打爆。

　　4.0就是去年跟大家講的世界引擎。為什麼要同時預測環境和動作?最終是為了服務強化學習。模型充當自己的仿真器，自己預測環境、預測動作，做長程思考、高并發多場景并發推演。

　　量子位：AWE 3.0類比GPT系列的話，3.0相當于什麼階段？

　　丁文超： GPT-3出來之後，已經沒有人懷疑這條路能不能走通，隻是3.5才把它徹底引爆到終端用戶。

　　我們現在也處于類似的位置。AWE 3.0出來，加上接下來會發布的泛化任務，大家應該不再懷疑具身還會有Scaling的瓶頸，不再懷疑泛化能不能實現。

　　GPT-3最大的貢獻，就是把這條Scaling曲線的方向指明了 。春江水暖鴨先知，真正關注GPT-3的人，那時候就已經開始投身大模型創業。

　　具身現在也到了這個時刻。

　　量子位：3.0出來之後，有沒有做同行評測或benchmark跑分？

　　丁文超： 具身的benchmark現在說實話比較混亂，非常像早期的自動駕駛。

　　各家都說自己最牛，學術榜單持續存在，八仙過海各顯神通，每家都曾經拿過某個榜單的第一。但後來大家發現，榜單的第一第二根本沒意義。

　　具身現在正處于從第一階段邁向第二階段的節點。第一階段就是現在，大家在吹各種benchmark，但你仔細深挖評測指标和評測環境，會發現偏差非常嚴重。

　　我們内部有自己的benchmark體系，用in-house數據集和公開數據集，跟業界各個SOTA模型對比，包括閉環實驗。

　　從我們内部的橫向比較看，現在能公開接觸的模型，距離真正能幹活的通用模型還有非常遠的距離。

　　随着具身從垂直場景走向多場景、走向更C端，橫評時代很快就會來臨。

　　量子位： 具身智能 的Scaling Law，好像跟當年GPT引發的風潮不太一樣。GPT時代越做越大，但 具身領域 卻出現了做得更小更精的方向，你怎麼看？

　　丁文超： Scaling Law要拆成三個階段：數據Scaling、參數Scaling，以及推理Scaling 。

　　對具身來說，數據Scaling Law的紅利遠遠還沒吃完 。

　　現在大家覺得具身模型的方差比較大，小模型有時候反而好，大模型反而差，根本原因是第一波紅利沒吃完。

　　數據Scaling沒做紮實的時候，模型Scaling就處于一種不穩固的狀态，很容易掉進局部最優，導緻各種noise和方差。

　　但隻要把數據Scaling做得足夠紮實，大模型能力強于小模型 ，這是毫無疑問的。

　　如果2026、2027年大家解決了數據Scaling Law的問題，大家一定會想方設法擴張模型。

　　量子位：那如今數據Scaling Law的瓶頸在哪？

　　丁文超： 最大的問題是量級。

　　遙操作有一個緻命問題：它不會激勵你去解決跨本體的問題。硬件一升級，之前的遙操作數據不能複用。所以想靠遙操達到千萬小時級别，根本不可能。

　　真正的鑰匙，是Human Centric 。

　　我們内部的數據量确實漲得很快，我們也發起了星火聯盟數據生态計劃，讓更多人參與進來一起疊代。

　　現在我們在沖刺的目标就是千萬小時級别，我們想要的收益，就是把模型推到一個新任務、新地方，能以準專業的狀态把任務基本完成。

　　量子位：所以數據Scaling Law沒有兌現，也就證明了仿真合成數據、 遙操作 數據這條路走不通？

　　丁文超： 是的，我非常有信心表達這個觀點。

　　今天我可以直接告訴大家： 真實場景裡無處不在的Human Centric數據，一定會帶來第一 波巨大 的數據紅利。

　　全球首個能幹活 的具身超級 大腦AWE3.0誕生

　　量子位： AWE 3.0這個模型，參數量和主要特點是什麼?

　　丁文超： 第一，模型size和數據量之間有一個對應關系。30B能吸收接近百萬小時，100B以上才能吸收千萬小時級别 。

　　數據節奏、模型節奏，兩者必須齊頭并進。

　　第二，這個模型應該是目前市面上推理速度最快的同規模模型，通過隐空間内異步動作輸出的方式，輸出效率可以做到十倍以上 。

　　這一點非常反常識。大家以前覺得要實現絲滑運行，必須靠大小腦雙系統，大腦低頻推理，小腦高頻執行，兩者割裂配合。

　　但我們是一個模型，橋梁是隐空間裡的隐變量。

　　量子位： 隐 空間内的動作輸出，是一開始就設計好的，還是實踐中摸索出來的？

　　丁文超： 完全是實踐中的認知。

　　最初我們隻是想到模型要同時預測環境和動作，但線束任務對絲滑度的要求極高，倒逼我們去想：模型這麼大，怎麼還能做到這麼流暢？

　　從第一性原理看，雙系統大小腦本質上還是兩個不相幹的東西湊在一起。我們還是想在統一的模型架構裡解決這個問題，最終就催生了在隐空間這條路。

　　量子位：去年聊的時候還沒那麼笃定要all-in-one，現在已經是确定的方向了？

　　丁文超： 把所有東西集成在一個模型裡，肯定是大趨勢。大小腦的融合也是必然方向。

　　我甚至覺得，具身領域将來會湧現出自己的原生基礎模型。

　　你看現在業界所有模型，本質上都是外來戶 。VLA是把VLM搬過來加一個action頭;world action model、video action model是把視頻預測模型搬過來，再拼一個動作輸出。

　　這些“外來和尚”在具身領域遇到的問題都很類似。

　　VLA的問題是泛化 ，到一個新場景，action需要大量新場景數據才能變好。

　　video action model大家現在讨論得還不多，但我可以預告一下：第一，視頻預測的幻覺會影響動作質量 ;第二，視頻預測很難維護精細的空間結構 ，導緻模型最終還是在記動作。

　　原生模型可以完全避開這兩個問題。我們所有數據天然就是視覺、語言、動作三種模态對齊的，訓練時可以在任意模态之間互相轉換。

　　vision to vision是視頻預測， vision+language  to action是端到端， vision+language  to  vision+action 就是世界模型。

　　現有的所有範式，在這套框架下得到了大一統，也沒有VLM強行加action head帶來的那種割裂感。

　　量子位：你說VLM、video action model會遇到這些問題，是思想實驗，還是你們真的踩過坑？

　　丁文超： 兩者結合。

　　第一，我從第一性原理判斷它必然會有這些問題。

　　第二，我們有一個不小的research team，會持續跟蹤業界所有SOTA方法，包括VLA、視頻動作模型、世界動作模型，全部納入我們自己的benchmark。

　　我們每發一版模型，都會在N個任務上跟現有SOTA做比較。

　　另外我想補充一點：談原生模型，前提是你有沒有足夠的數據 。原生模型玩的就是數據，追求的是三種模态完美對齊。

　　量子位：當前的模型規模，是數據量決定了它，還是先定了規模再去配數據？

　　丁文超： 是在實操中摸出來的。我們的數據量和模型規模都是一點點往上漲，慢慢發現數據漲到一定規模，模型size就需要提升到下一個level才能繼續吸收。

　　這個對應關系，是從自動駕駛時代積累的經驗，加上具身這邊數據量快速增長的實踐，綜合感受出來的。

　　量子位：你們内部評價模型好壞的标準是什麼？

　　丁文超： 三個維度。

　　第一是成功率 ，這是一切的基準。

　　第二是完成效率 ，因為我們第一個場景是要真正落地工廠的。

　　第三是類人性 ，賞心悅目也是指标。

　　有意思的是，我們在線束插接這個子任務上，效率已經超過人了。

　　這裡面有個trick：人沒法左手畫圓右手畫方，但機器人可以，通過對數據合理的組織，我們讓機器人做到了雙手并行 ，這樣自然就比人快。

　　量子位：類人性這個 維度很有意思 ，你加這個指标是為了讓動作 更絲滑 ，還是有更深的 考量 ？

　　丁文超： 第一性原理上，你追求絲滑，追求看起來像人，最終都是為了讓機器人真正進入人類社會。

　　去年你也問過我機器人最終的形态會是什麼，我當時說拟人形是大趨勢 。

　　哪怕在垂直場景有特制形态，完成動作的方式也應該貼近人，這種親和性是人類社會的一種剛需 。

　　你看現在大家為什麼喜歡看機器人跳舞？ 因為它給人的感覺像自己。

　　展會上我們的雙足機器人隻要出來，現場就圍得人山人海。

　　哪怕是從貨架上抓一個水瓶，這個動作可以很機械，也可以很絲滑，給人的感官完全不同，人想要使用它、信賴它的欲望也完全不同。

　　所以類人性這個指标，一方面是在評價模型能力，另一方面，對于人和機器人将來真正共生 ，也是非常關鍵的一點。

　　量子位：訓練成本對一家創業公司來說，壓力大嗎？

　　丁文超：好鋼用在刀刃上 。我們沒有一口氣鋪幾千張卡漫無目的地訓，而是随着數據量上升，看到模型吃不住了再加參數，每一個實驗都仔細評估價值。

　　我們的目标是打經濟仗，在有限投入下 拿最大 ROI 。

　　具身的生命周期可能比自動駕駛還要長 ，上面可能有若幹次決戰，所以彈藥和糧草必須存夠，每一次決戰都要有主動出擊的能力。

　　支撐具身智能 的基石，超級數據範式Human Centric

　　量子位：數據質量的把控，你們是怎麼做的？

　　丁文超： 這件事比很多人想象的要難得多。

　　Human Centric意味着采集主體是人，不像設備那麼可控。我們早期就遇到過，現場工作人員被動式采集，結果在現場玩了15分鐘手機 。

　　後來，我們在采前、采中做了工作。

　　采前是約法三章，現場培訓 ，明确哪些行為不允許。

　　采中是在APP上做監測，檢測到異常狀态就報警 。

　　這樣基本上能把八九成的問題篩掉，後端數據産線的利用率會非常高。

　　量子位：AWE 3.0的訓練數據，全部是Human Centric采集的嗎？還是有一些配比？

　　丁文超： 這裡有個反常識的結論。

　　大家一直認為遙操作數據精度最高，Human Centric數據精度上是短闆。但在亞毫米級任務上，結論完全相反 。

　　遙操作根本幹不了亞毫米級的事，操作過程中會猶豫、抖動，反而變成了噪聲。我們亞毫米級的模型，完全是用Human Centric數據訓練的。

　　随着我們把更多場景擴展開，靠Human Centric數據支撐整個模型訓練到部署，完全可以做到。

　　量子位：所以後續模型疊代，核心就是數據量級的持續擴展？

　　丁文超： 對，以前大家總想着數據有一座金字塔，高質量數據、中等數據、大規模數據各種配比，搞得很複雜。

　　但我覺得未來可能根本沒有什麼數據金字塔。你把一種數據打磨到極緻，把所有細節做好，質量可能比配比來的數據要高。

　　量子位：那為什麼此前行業裡會形成數據金字塔這樣的共識？

　　丁文超： 任何一個細節沒做好，都會給你帶來錯誤的結論。

　　Human Centric數據要做到亞毫米級精度，門檻極高 。

　　佩戴在人身上，要把動作完整恢複出來，傳感器同步、标定、雲端自動化标注算法 ，每一個環節都不能出問題。

　　現在業界大多都還沒搞清楚怎麼把Human Centric數據做到很高精度，更不用談後面部署到機器人上完成閉環任務。

　　量子位： 遙操作 數據的成本應該比Human Centric低吧？

　　丁文超：恰恰相反 ，遙操作數據的成本遠高于Human Centric。

　　你算一下遙操作的成本：得買一台機器人，得有數采中心或者把機器人推到現場，還得有專業遙操員。

　　遙操員這個行業現在慢慢興起，但流失率很高，工作枯燥 ，培訓一個新遙操員又要一兩個月。

　　Human Centric完全不同。

　　采集者可以是清潔阿姨、超市工作人員。他們戴上數采手套就能在日常工作中順帶完成數據采集。

　　量子位：你們選擇了開放這個生态，如果有更大體量的玩家來 怼 數據，會削弱你們的護城河嗎？

　　丁文超： 正确的方法論，别人終究會擠進來。與其守住硬件設備，不如把門檻真正建立在AI上。

　　就像大模型訓練一樣，大家都知道怎麼訓，但最終訓出來的模型差異還是會體現出來，這就是不傳之秘。

　　量子位：線束這個模型，大概學習了多久？

　　丁文超： 與其說訓練了多久，不如說是随着數據量級持續提升的一個過程。

　　大概時間線是這樣：AWE 2.0從去年年中開始，那時候Human Centric的采集、訓練、部署已經走通了。

　　從AWE 2.0到AWE 3.0明顯加快了，數據運轉更順，模型上也有很多新感覺湧現出來，年後沒多久就在3月發布了AWE 3.0。

　　這也是為什麼我判斷後面節奏會進一步加速，随着數據量越來越大、模型越來越成熟，智能湧現的時間也會縮短。

　　量子位：Sergey那篇關于叉勺（Spork）的 博客你 看了是什麼感受？

　　丁文超： 有些觀點我同意。

　　仿真數據沒用。Sergey自己也采了幾千小時數據，是真正走過這個過程的人，他知道機器人部署到真實世界需要多少數據、怎麼才能泛化。

　　他說仿真是叉勺，勺子能喝湯、叉子能插牛排，但集成為叉勺，又什麼都幹不好 ，這個比喻我覺得很恰當。

　　分歧在于：有了真實數據之後，怎麼高效利用？

　　他的路徑是遙操作獲取基礎數據，加上大規模真機強化學習，我對這條路是有疑問的。

　　所以答案就是，大的方向上有共鳴：真實世界的數據才是走向泛化的金鑰匙。

　　但怎麼把數據閉環魯棒性提升、真正走向規模化商業落地，路徑是不同的。

　　量子位：這種路徑差異，會不會有中國與矽谷環境不同的原因？中國有更豐富的人力資源，所以可以做Human Centric采集。

　　丁文超： 有這個因素，但不是全部原因。

　　早期Generalist這類公司還在宣傳幾十萬小時數據，現在有些矽谷公司開始說我隻需要10小時、20小時數據就夠了。26、27年這個分歧會越來越明顯。

　　但讓我比較驚訝的是Generalist，作為在矽谷的公司同樣堅定走Human Centric路線，而且scale在10萬小時級别以上。所以環境不是決定性因素，更深層的原因可能是慣性。

　　量子位：達到什麼樣的數據量級，才能支撐到你們說的4.0水平？

　　丁文超： 具身比自駕複雜得多，本體自由度更高，是複雜3D環境，還有大量密集的contact操作，場景豐富度也更高。根據我們現在的實踐經驗，具身所需的數據量至少是自動駕駛數據量級的10倍。

　　具身可能有三個坎：

　　10萬小時是模型能力不錯;100萬小時是準産品級，可以deliver給各種用戶;1000萬小時之後，數據Scaling law的讨論會變少，大家開始讨論模型架構，前沿公司開始做強化學習。

　　量子位： 具身的 數據采集比自動駕駛複雜得多，你們怎麼保證采集質量和覆蓋度？

　　丁文超： 我們有一套自動化調度系統，每天彙總返回來的數據，check場景覆蓋了哪些、任務做了哪些、動作pattern的分布，然後第二天針對性補缺，再去采。

　　這套系統保證我們不會偏科，不會在一個場景過度采集，那樣重複度太高，變成同質化數據，不是有效的scale。

　　量子位：采集過程中有沒有讓你意外的地方？

　　丁文超： 人的行為實在太豐富了。越采集，越對人的行為産生敬畏。

　　遙操作 相當于帶着義肢去操作 ，很多人的本能行為在那個狀态下都會變形。但如果直接從人身上采，你會發現人很多日常動作裡藏着大量自己都沒意識到的操作智慧。

　　最讓我印象深的是failure recovery。人的精度并不是絕對的 ，移了1厘米還是1.5厘米其實自己不一定知道。但人的局部微調能力極強，出了問題能自然地調整修正。

　　這也是為什麼我們一定要把人的行為原原本本全量記錄，所以我們做了五指采集手套 ;執行器也必須能原原本本還原人的行為，所以要做21自由度靈巧手 。

　　超級本體，為AI而生

　　量子位：手套和靈巧手之間是什麼關系？

　　丁文超： 完全鏡像。手套捕捉人手的完整自由度，有兩個核心優勢：一是能采集末端觸覺，二是無懼遮擋。

　　用VR眼鏡采集，手一擋就丢失數據 。手套不存在這個問題。

　　靈巧手這邊，人手大概20到21個自由度，做到這個數字基本就能描繪人手所有運動，這就是為什麼大家都在追求20自由度以上。

　　我舉個例子。我們展示的刺繡任務裡有個頂針動作，夾爪很難做。縫紉工人為什麼戴扳指?就是為了捏住針之後用指頭把它頂過去。

　　夾爪隻能夾，沒法頂，所以用夾爪做刺繡就要繞很多彎路。這就是手的價值。

　　量子位：靈巧手研發難度怎麼樣？

　　丁文超： 挺有挑戰的。在這麼小的空間内實現這麼高的自由度，技術路徑本身就有争議，準直驅還是繩驅，電機設計、減速器設計……都是一點點摸索出來的。

　　線束場景倒逼我們把Human Centric逼到亞毫米級，而靈巧手，倒逼我們把電機和減速器的設計制造能力逼到極限。

　　我們應該是目前世界上屈指可數可以做到準直驅、高自由度、還能集成到人手尺寸的公司。今年ICRA (機器人國際頂會)我們會對外展示。

　　量子位：靈巧手解決之後，會解鎖哪些場景？

　　丁文超： 線束場景裡我們現在用夾爪完成的工序大概覆蓋70%的任務，剩下的比如纏膠、理線，手會方便很多。

　　如果真的想做通用工業解決方案，繞不開靈巧手。

　　量子位：為什麼機器人手都做五根手指，不做六根七根？

　　丁文超： 六根手指，數據就對不上了。你從人身上采不到六指數據，還得自己造數據，邊際效應馬上就顯現 。

　　所以機器人手的自由度大概率是小于等于人手，這樣才能最大化利用Human Centric數據。

　　量子位：手的終極目标是什麼？

　　丁文超： 人手能做的任何動作，靈巧手都能做出來。全身人形其實現在已經基本可以做到動作模仿，手也在朝這個目标走。剩下的問題就是手腦協同。

　　量子位：你們有A和T兩個系列，各自的優勢是什麼？

　　丁文超： T是雙足，A是輪式雙臂。

　　本體層面，各家整機設計現在其實收斂了，差異沒那麼大。我們比較有特色的是關節。

　　以前大家設計關節，電機扭矩、減速比都是越大越好。但我們發現本質上是一個distribution match(分布匹配)的過程：你要讓機器人執行動作的空間和流暢度，盡可能貼近人的數據分布。

　　把這個目标拆解，整機構型大家都差不多是拟人型，真正關鍵的就是關節，包括末端靈巧手關節到核心關節。

　　機器人本體你可以理解成以關節為核心的一堆連接件，關節才是一切。

　　遙操作會天然把 你降速 ，你感受不到機器人還需要變得更好。

　　但一旦你采集的是人的數據，你就會永遠想讓機器人去匹配人的動作分布，這個驅動力就會持續逼着你把關節做得更好。

　　量子位：本體為AI而生，怎麼理解？

　　丁文超： 傳統的本體設計是正向的，關節要出多大扭矩、減速比定多少，憑感覺來。

　　為AI而生是反向推導。我們采集了大量人的數據，知道人在完成各種任務時末端需要多大力度、多快速度，這形成了一個distribution A。

　　我們設計本體，就是讓機器人的工作空間、力輸出、運動速度形成的distribution B，盡可能去匹配distribution A。這樣AI模型在上面适配，遷移會更順滑。

　　這本質上是個雙向奔赴的過程。一邊是模型通過空間預訓練、全身端到端、各種技巧讓遷移更魯棒;另一邊是硬件朝人靠攏 。兩者同時收緊，中間的gap才能消掉。

　　量子位：當初為什麼選線束這麼難的場景？

　　丁文超： 真正觸動我們的，是親眼在線束工廠看到的那一幕：密密麻麻全是人，空氣裡彌漫着汗味 ，工人非常忙碌。

　　我們也訪談了工人，他們自己幹得很痛苦。插線的錯誤率大約是千分之三，但隻要 一根線插錯 ，整條線束就要重做。

　　工人壓力很大 ，流失率極高，幾個月就換一批人，管理成本也居高不下。

　　我們當時調研了很多場景，判斷标準很簡單：有沒有大量的人在幹這件事？ 線束完全符合，這是真需求。

　　第一步是從需求出發，第二步才分析這個任務有沒有門檻，發現它兼具長程、柔性、高精度，确實很難。但我們對自己這個團隊有信心，決定去磕它。

　　早期有很多人不看好，覺得太精細了。但畢竟之前沒有人展示過具身能在這麼精細的任務上持續穩定工作，有這個反應也很正常。

　　量子位：你們有沒有Plan B，一個比線束更容易的場景？

　　丁文超： 選了線束之後，我們沒有給自己想過退路 。

　　我覺得這一代具身智能的價值就在這兒：解決柔性、長程、高精度三者兼具的問題。

　　任何不滿足這三個特質的場景，傳統自動化都能解決，不需要具身智能。你可以沿着這個邏輯去審視市面上各家具身的落地場景。

　　線束通了，其他場景是能力外溢的問題。成功率、精度、柔性外溢出去，很多裝配場景雖然沒有線束那麼極端，但也有毫米級子動作、多工序要求，我們的能力是夠用的。

　　量子位：批量化落地的核心挑戰是什麼？

　　丁文超： 大腦的量産。

　　以前機器人公司有量産經驗的都集中在小腦，解決本體一緻性、産線問題，這些路已經探得差不多了。

　　大腦的量産是新問題，不僅是硬件量産，還包括模型能力的量産。

　　比如硬件之間稍有差異，模型還得能泛化。還有一個更少人想過的問題：生命周期内的泛化 。

　　機器人在客戶現場用久了會有損耗，響應特性會變化，你的模型随着機器狀态的改變，還能不能穩定工作？ 這個維度，現在很多人都還沒考慮過。

　　量子位：你們做了數據、模型、本體、關節、靈巧手，每一塊拆開都能做一家獨角獸，你們怎麼定位自己？

　　丁文超： 我們不是一家生态公司，初衷完全不同。

　　如果是為了做生态而做生态，你每一塊都不會追求極緻。但我們是真的想解決問題，還是第一性原理出發，這才驅動我們把每件事做到極限。

　　如果我們把自己定位成生态公司，我們沒必要把減速比、自由度這些東西推到極緻，能賣出去滿足基本需求就行了。但這兩種做法，差異性很大。

　　量子位：随着規模變大，你們怎麼平衡敏捷和複雜度？

　　丁文超： 我對具身行業有個3+3+3的判斷。前三年是認知收斂期，現在到接下來三年是打硬仗期，再往後三年是淘汰賽 。

　　現在這個階段，技術路徑逐漸收斂，會催生硬件平台的标準化。我們現在做關節、做手，某種程度上是在牽引這個标準的制定。

　　但這些标準在兩三年内會慢慢固化，固化之後各個子部件會有更多能力外溢。

　　大廠下場也會加速這個過程 ，他們的标準化經驗會推動行業收斂更快。

　　當前 最關鍵的還是兩件事：第一，在工廠裡證明真的能幹活；第二，對未來有想象力。

　　大腦時代開啟，它石已 讓具身 智能真幹活

　　量子位：過去一年有什麼讓你興奮的進展？

　　丁文超： 具身大腦上的競争激烈度會上升得很快，這讓我興奮也讓我警惕。

　　說實話，中國整體的大腦進展是慢于矽谷的 。

　　中國最成熟的是本體和小腦，在大腦上有原創性創新的公司非常稀缺。

　　矽谷陸續湧現一些公司，不追求本體硬件能力，專注刷大腦，Generalist 這類進展很快。

　　過去一年我們絕大多數精力都投入在大腦上，就是因為意識到大腦能力的決定性作用。

　　量子位：春晚上機器人那麼熱鬧，你怎麼看？

　　丁文超： 兩點感受。

　　第一，友商的表現讓我覺得，本體和小腦的競賽基本上已經結束了 。再給其他公司6到12個月，大家都能達到類似水平。

　　雖然還有很多公司在往裡沖，但問題已經收斂，隻不過各家時間上滞後幾個月而已。

　　第二，大腦時代開始了 。這對行業是好事，因為人們一直低估了具身的行業價值。

　　以前大家的估值邏輯很粗，就是能賣多少台機器人。但一旦具身大腦真的能批量轉換生産力，整個估值邏輯要重寫。

　　我覺得大腦的引擎完全可以接住第二波增長，整體價值還會繼續往上走。3+3+3，淘汰賽最終還是會來。

　　量子位：你們希望外界給你們貼什麼标簽？

　　丁文超： 能幹活的具身通用大腦。

　　具身的本質是把AI賦予物理實體，讓它在生産生活中發揮價值。我們想做的是智能程度高、有自主能力、能真正幫助人的大腦公司。

　　加上能幹活這三個字，是因為現在說自己 是具身大腦 公司的太多了 ，得有個金标準。能不能穩定、可靠、高效地幹活，就是這個金标準。

　　現在很多是披着幹活外衣的表演，我們想和這類劃清界限。

　　量子位：家庭機器人還有多遠？

　　丁文超： 我覺得快的話有可能小于3年 ，是因為我真實感知到了技術發展的加速，這個事情是會實現的。

　　量子位：物理AI要達到現在信息AI那個水平，需要多少數據？

　　丁文超： 千萬小時。

　　不是重複性的數據，是按場景和工序控制過多樣性的千萬小時。

　　量子位： 遙操作 數據重複性太高，這是行業裡另一層泡沫嗎？

　　丁文超： 對，遙操作深受其害。遙操作數據大部分來自數采中心，數據多樣性取決于 數采中心 的裝修頻率 ，現在裝修最快的也就一個月一次。

　　量子位：自由度軍備競賽，你們會卷嗎？

　　丁文超： 自由度能匹配人就夠了，不是越多越好。

　　軀幹大概20多個自由度，單手也是20多個，把機器人末端送到三維空間某個姿态，現在大多數機器人都具備這個能力。

　　真正的問題是末端到了之後，能不能靈巧地和物體交互完成任務。所以末端自由度才是關鍵，現在很多人在全身自由度上卷，有點舍本逐末。

　　量子位：你們從一開始就站世界模型這個方向，原因是什麼？

　　丁文超： 是被Human Centric逼出來的。

　　我當時在思考，什麼樣的模型才能吸收這麼多Human Centric數據?

　　單純的動作模仿很難學到人運動的精髓，泛化性和跨環境遷移都很弱。我們測評了各種VLA，發現過拟合太嚴重。

　　現在大家說世界模型，定義本身還很模糊 。

　　很多人問我：李飛 飛 那種算不算世界模型？ 我覺得李飛飛推出的世界模型，更多是基于空間的維度做生成及渲染，而具身則需要落實到我們所處時空的具體動作上。

　　Marble隻是對空間有預測能力 ，但具身最終要落到動作上，這是很大的差異。即便對未來假想得很好，但動作很可能還是不行。

　　最新的學術工作中，雖然說指标上會有提升，但視頻預測的幻覺影響動作這個問題，業界還沒人去解決。

　　視頻預測不等于世界模型，真正的世界模型必須最終回歸到動作，而且要解決環境預測和三維空間内動作的一緻性問題。

　　量子位： 具身領域 有沒有類似信息AI那樣的AGI目标？

　　丁文超： 我最近也一直在思考這個問題。

　　現在有兩種AGI叙事。第一種是大水漫灌，模型能力慢慢提升，最後變成無所不能的通才。

　　但語言模型的實際形态告訴我們，它更像是個天才國度 (a country of genius)，在若幹個子任務上有峰值很高，但落到縫隙裡其實也就普通人水平。

　　我實驗下來的感覺，具身很可能也是這種形态，更像一片竹林，竹子越來越多、越來越密 。但竹子之間的縫隙還是存在的，那些低谷部分 ，可能隻能勉強達到人類水平，甚至略低。

　　有時我也會想，追求大水漫灌式的具身AGI，是不是我們未來十年的使命？

　　答案将留給實踐和時間。