天使轮拿下2.42亿美元后，它石智航到底干啥去了？
2025年年初，这家公司是资本市场毫无疑问的宠儿。天使轮融资额刷新纪录，明星创始团队，让它石自创立之初，便一跃成为具身智能赛道炙手可热的名字。
然而接下来的一年里，它石智航选择了一条截然不同的路：没有参加各种行业大会，没有频繁对外发声，没有出现在春晚或各类展示活动中，一直踏实干活。
一年后，这家以技术工程和产业落地集结的明星团队，交出了答卷——
利刃出鞘，一鸣惊人。
它石A1机器人，1小时内完成亚毫米级柔性线束完整装配任务百余次，创下全新吉尼斯世界纪录。
一系列成果让它石首次在线下亮相，便吸引了央视、新华网等头部官媒的组团报道。
线束装配，是地狱级的工业场景。
长程操作、柔性操作、亚毫米精度，不可能三角全部集齐，被喻为工业自动化界的「哥德巴赫猜想」。
时隔一年，高调亮相的它石，直接打爆了这个场景，如期兑现了对投资人的承诺。
而同样是时隔一年，量子位也再次来到了上海——
从它石智航联合创始人、首席科学家丁文超这里，获得了关于这家公司更多的技术进展和背后的具身洞察。
真干活的具身大脑
当圈内还在争论机器人何时能真正干活时，它石智航已用硬核技术，交出了答卷。
专攻干活，而且要干就干最难的。这是它石从创立之初就确立的技术路线。
它石为A1机器人选择的挑战，叫作亚毫米级线束装配任务。
这是具身智能最凶险的试金石。
首先是精度。
线束的孔位极小，容错空间几乎为零。
机器稍有偏差，插不进去；力道稍大也不行，会损坏插接孔位。
其次，线是软的。
这和玻璃杯不一样，你一碰，线会变形。
因此，模型每走一步，面对的都是一个和上一秒截然不同的物理世界，传统预先设计好轨迹的模式，在这里完全失灵。
而就是这样难度的任务，还不是插接一根就能完事。
线束少则十几根，多则几十根，每一根的插接状态都会影响下一根的空间和角度。
丁文超把这类任务概括为具身智能的不可能三角。传统工业自动化精度高但柔性弱，具身方案能做长程任务但精度差。
想要三者同时兼顾，难如登天。
而如今，它石不仅经受住了这一考验，还将其彻底打穿，装配效率创下吉尼斯世界纪录。
甚至还保留了极高的「活人味」。
在他们发布的一次线束装配「图灵测试」中，超过50%的投票者都分不清到底哪个才是机器人，误把选项A认作真人。
既能干活，又保证了动作的丝滑程度，这就是它石潜心钻研一年所打造的具身大脑——
AWE 3.0。
这个名字，有两处值得细细琢磨。
第一，AWE，全称AI World Engine，AI世界引擎。
不是VLA，也不是3D资产生成模型，而是一个真正意义上，能够作为具身大脑的世界模型。
依托超十万小时Human Centric数据训练。
第二，3.0，对标GPT-3。
采访中，丁文超拿GPT的发展脉络来做参照。
GPT-3做了两件事：把聊天场景打磨到极致，同时指明了这条Scaling曲线的走向。GPT-3出现之后，已经没人再怀疑LLM这条路。只不过GPT-3.5把它彻底引爆了。
AWE 3.0想做的，是同一个逻辑。
用线束装配对标聊天场景，把它打爆，同时验证模型在其他干活任务中的泛化能力。
丁文超坦言，做之前就清楚这是块硬骨头，但真正上手才发现，还是低估了难度。用传统方法，几乎不可能完成。
但也正是这座珠穆朗玛峰般的里程碑，催生出突破，最终汇聚成AWE 3.0。
这个世界模型最核心的特点，叫隐空间。
关键在于「隐」这个字。这是一个经过压缩和抽象的中间世界，肉眼无法直接看到，对于具身智能来说却是更本质的学习环境。
面对柔性操作中层出不穷的突发状况，模型不再简单模仿动作轨迹，而是在隐空间里持续推演未来的多种可能，再据此做出决策。
这和GPT-o1有几分相似：在正式输出答案之前，先在思维链里推理一遍。
丁文超把这个过程叫作「未动先想」。
这当然能提高整个系统的鲁棒性，但出乎意料的是，在隐空间里思考的过程中，模型竟然涌现出一项全新的技能：自我纠错（Failure Recovery）。
当插接力度或角度出现异常，机器人会把线拔出来，换个角度再试一次。
对于真实工业场景而言，这是一个象征着成熟度的关键信号：机器人会反思了。
不再需要人手把手教，即便遇到超出训练范围的场景，机器人也能自己在尝试中找到解法。
而这一切的实现，没有用到一秒钟的遥操数据。
全部是基于真人在真实场景中的实际操作，人类和机器人共享同一套感知体系。
长期以来，关于具身训练数据，行业有个共识：遥操数据精度最高。
丁文超却说，在亚毫米级精度的任务上，这个结论完全站不住脚。
遥操作根本干不了亚毫米级的事，操作过程中会犹豫、抖动，反而变成了训练数据中的「噪声」。
的确，线束这个场景，要求太恐怖了。孔位极窄，对丝滑度的要求非常高。
但人能完成这个任务。
虽然不能百分百零偏差，但人的纠错能力极强，可以在操作中感受阻力，并据此迅速调整角度和力度。
从第一性原理出发，丁文超指出，想要习得这种局部微调的能力，唯一方式，就是从真人身上采集数据。
这也是他在去年采访中反复强调的Human Centric。
一年过去，这一理念没有发生变化，并且已经成功落地。
这就是它石今年的第二项成果，SenseHub数采套件。
这是一套以人为中心的一体化数采套件。
非常轻便，一双手套，一个能够固定在胸部或头部的第一视角摄像头，完全无需像遥操那样进行专业培训，哪怕是清洁工、超市员工，佩戴上就能成为采集员，也不会影响工作。劳动者在日常工作过程中，顺手就能把数据采了，完全是"被动式"采集。
与此同时，它石发起具身数据星火计划，邀请生态伙伴加入，基于Human Centric推进具身数据标准建设、共建Human Centric数据集，构建产业级数据共享生态。该计划初期将汇聚超过1000万小时的标准化优质数据，目标推动实现1亿小时级别的数据共享。
2026年，Human Centric正在从它石率先验证的技术路线，快速演变为整个行业的共识。
具身智能的数据Scaling，这才刚刚拉开帷幕。
采访结束，已是夜里十一点，其中一间小会议室里，董事长李震宇和CEO陈亦伦也在热烈讨论。
寒暄中，李震宇说这是创业后的常态。陈亦伦则幽默补充：一般这个点才刚开始，具身智能的征程，往往越聊越兴奋。
刚刚亮相的技术和成果，无疑是它石智航「日新月异」的新起点。而负责技术研发推进的丁文超，给出了更多细节和实践认知。
对话原文
具身智能的"准Zero-shot时代"已然来临
量子位：A1刷新线束装配吉尼斯世界纪录令人印象深刻，研发过程中有什么挑战？哪些环节比预想的要难？
丁文超：硬件远比我们想象的要重要。
你可以把它理解成两头往中间靠的过程：
一方面，通过合理的数据组织、网络训练、网络架构和任务设计，让模型能人机通吃；
另一方面，机器人自身也得往人的方向去靠，自由度、灵活度，还有响应的及时性。
最开始我们采购了很多市售关节回来测，结果发现，要么响应延时有问题，要么扭矩脉动太大。这些都会导致机器人没办法像人一样灵活。
于是我们做了一个决定：从5月份开始，全栈硬件自研。
核心是两块。
第一是关节完全自己做，非常低的减速比、高精度、GAP极小的行星关节，这在市面上非常少见。
第二是灵巧手。很多手套数据用夹爪去映射，信息损失太大。所以我们在去年开始研发21自由度灵巧手，和人手完全匹配。
原本我们觉得，具身领域做硬件的公司那么多，产业链应该是成熟的。结果发现这个行业跟汽车工业相比，差距太大了。
品控、标准化、流程化，很多地方还处在草台班子的状态。
量子位：有没有什么是以前觉得很难，但实际下来，相对比自己预期、认知要容易一些的？
丁文超：我觉得有三方面。
第一个，刚才讲过了，跨本体映射其实没想象中那么难。
这对业界是个反常识。直到今天，很多人还觉得人到机器人的跨本体映射是个大问题，但我们解决得还不错。
第二，端到端网络到底能做到什么精度？之前我们心里的答案是毫米级，但最近有了新突破，我们能做到亚毫米级。
这也是个反常识。大家一直觉得端到端网络特别依赖数据驱动，精度上是不是不如传统方法？事实证明不是。
还有第三点，以人为中心的生态扩展，比我预想的快得多。
现在各家在追这种采集方式，投入都特别大。很多人在深入研究我们的数据采集套件。
本以为大家转弯还需要时间。没想到2026年，已经快成为以人为中心的数据采集元年了。
量子位：亚毫米级这个目标，是你们在实践中发现可以做到，还是场景本身倒逼出来的？
丁文超：两者都有，但倒逼的成分很大。
线束插接场景本身就需要达到亚毫米级精度，逼着我们去想怎么让网络动作更连续、更丝滑，怎么实现failure recovery，插错了也能局部微调重试。
这些能力，如果我们一开始选的是叠毛巾，可能永远不会被逼出来。
量子位：那现在已经实现了亚毫米级操作，如果让模型去叠毛巾，需要重新学习吗？
丁文超：真正的泛化，不只是模型本身的泛化，数据和模型的覆盖范围也要泛化。
对外聚焦线束，是因为我们想先把这个场景彻底打穿。但其实从第一天起，我们就同步在工厂、物流、仓储、洗衣房、酒店等多个场景采集数据，全部用于训练。
那时很多投资人还有所保留，觉得把一个场景做深、完成商业化就够了。但我们的判断是：方法论层面的过拟合才是最致命的，模型的过拟合反而相对容易消解。
现在我们内部已经有N个可落地场景在并发推进，节奏比我自己预期的还要快。
量子位：具身智能的GPT时刻，怎么定义？
丁文超：去年聊这个词的时候，大家还定义不清楚。现在我可以给一个更具体的描述：准Zero-shot时代。
不是说推到一个新场景完全零基础就能上，而是你已有的核心skills，在新场景里基本都能迁移、都能用。
对标语言模型，大概相当于GPT-3的水平；如果某些任务彻底打穿，可能就到GPT-3.5了。
这个时间点比大家预想的早，说实话，也比我自己的预期快。我们规划的模型节奏是2.0、3.0、3.5、4.0，但我现在判断3.5到4.0这段还会进一步加速。
两个趋势已经肉眼可见：一是泛化数据的持续积累，二是有限数据下模型能力的快速提升。
一旦准Zero-shot成立，机器人就不只能进工厂、做一个工序，而是可能同时覆盖多个工序。C端机会也会更早涌现。
量子位：AWE2.0意味着什么？
丁文超：1.0是内部版本。2.0我们有点参考GPT-2的意味。
GPT-2代表早期Scaling Law成立，并且在一些任务上已经能盖过Bert这类小模型。对我们来说，2.0意味着我们真正完成了跨本体部署，从Human Centric数据到模型训练，再到机器人上的部署，这条链路跑通了。
3.0则不仅能够看到线束场景打穿，还看到了其他若干场景的涌现；3.5是我们在其中几个场景彻底打爆。
4.0就是去年跟大家讲的世界引擎。为什么要同时预测环境和动作？最终是为了服务强化学习。模型充当自己的仿真器，自己预测环境、预测动作，做长程思考、高并发多场景并发推演。
量子位：AWE 3.0类比GPT系列的话，3.0相当于什么阶段？
丁文超：GPT-3出来之后，已经没有人怀疑这条路能不能走通，只是3.5才把它彻底引爆到终端用户。
我们现在也处于类似的位置。AWE 3.0出来，加上接下来会发布的泛化任务，大家应该不再怀疑具身还会有Scaling的瓶颈，不再怀疑泛化能不能实现。
GPT-3最大的贡献，就是把这条Scaling曲线的方向指明了。春江水暖鸭先知，真正关注GPT-3的人，那时候就已经开始投身大模型创业。
具身现在也到了这个时刻。
量子位：3.0出来之后，有没有做同行评测或benchmark跑分？
丁文超：具身的benchmark现在说实话比较混乱，非常像早期的自动驾驶。
各家都说自己最牛，学术榜单持续存在，八仙过海各显神通，每家都曾经拿过某个榜单的第一。但后来大家发现，榜单的第一第二根本没意义。
具身现在正处于从第一阶段迈向第二阶段的节点。第一阶段就是现在，大家在吹各种benchmark，但你仔细深挖评测指标和评测环境，会发现偏差非常严重。
我们内部有自己的benchmark体系，用in-house数据集和公开数据集，跟业界各个SOTA模型对比，包括闭环实验。
从我们内部的横向比较看，现在能公开接触的模型，距离真正能干活的通用模型还有非常远的距离。
随着具身从垂直场景走向多场景、走向更C端，横评时代很快就会来临。
量子位：具身智能的Scaling Law，好像跟当年GPT引发的风潮不太一样。GPT时代越做越大，但具身领域却出现了做得更小更精的方向，你怎么看？
丁文超：Scaling Law要拆成三个阶段：数据Scaling、参数Scaling，以及推理Scaling。
对具身来说，数据Scaling Law的红利远远还没吃完。
现在大家觉得具身模型的方差比较大，小模型有时候反而好，大模型反而差，根本原因是第一波红利没吃完。
数据Scaling没做扎实的时候，模型Scaling就处于一种不稳固的状态，很容易掉进局部最优，导致各种noise和方差。
但只要把数据Scaling做得足够扎实，大模型能力强于小模型，这是毫无疑问的。
如果2026、2027年大家解决了数据Scaling Law的问题，大家一定会想方设法扩张模型。
量子位：那如今数据Scaling Law的瓶颈在哪？
丁文超：最大的问题是量级。
遥操作有一个致命问题：它不会激励你去解决跨本体的问题。硬件一升级，之前的遥操作数据不能复用。所以想靠遥操达到千万小时级别，根本不可能。
真正的钥匙，是Human Centric。
我们内部的数据量确实涨得很快，我们也发起了星火联盟数据生态计划，让更多人参与进来一起迭代。
现在我们在冲刺的目标就是千万小时级别，我们想要的收益，就是把模型推到一个新任务、新地方，能以准专业的状态把任务基本完成。
量子位：所以数据Scaling Law没有兑现，也就证明了仿真合成数据、遥操作数据这条路走不通？
丁文超：是的，我非常有信心表达这个观点。
今天我可以直接告诉大家：真实场景里无处不在的Human Centric数据，一定会带来第一波巨大的数据红利。
全球首个能干活的具身超级大脑AWE3.0诞生
量子位：AWE 3.0这个模型，参数量和主要特点是什么？
丁文超第一，模型size和数据量之间有一个对应关系。30B能吸收接近百万小时，100B以上才能吸收千万小时级别。
数据节奏、模型节奏，两者必须齐头并进。
第二，这个模型应该是目前市面上推理速度最快的同规模模型，通过隐空间内异步动作输出的方式，输出效率可以做到十倍以上。
这一点非常反常识。大家以前觉得要实现丝滑运行，必须靠大小脑双系统，大脑低频推理，小脑高频执行，两者割裂配合。
但我们是一个模型，桥梁是隐空间里的隐变量。
量子位：隐空间内的动作输出，是一开始就设计好的，还是实践中摸索出来的？
丁文超：完全是实践中的认知。
最初我们只是想到模型要同时预测环境和动作，但线束任务对丝滑度的要求极高，倒逼我们去想：模型这么大，怎么还能做到这么流畅？
从第一性原理看，双系统大小脑本质上还是两个不相干的东西凑在一起。我们还是想在统一的模型架构里解决这个问题，最终就催生了在隐空间这条路。
量子位：去年聊的时候还没那么笃定要all-in-one，现在已经是确定的方向了？
丁文超：把所有东西集成在一个模型里，肯定是大趋势。大小脑的融合也是必然方向。
我甚至觉得，具身领域将来会涌现出自己的原生基础模型。
你看现在业界所有模型，本质上都是外来户。VLA是把VLM搬过来加一个action头；world action model、video action model是把视频预测模型搬过来，再拼一个动作输出。
这些"外来和尚"在具身领域遇到的问题都很类似。
VLA的问题是泛化，到一个新场景，action需要大量新场景数据才能变好。
video action model大家现在讨论得还不多，但我可以预告一下：第一，视频预测的幻觉会影响动作质量；第二，视频预测很难维护精细的空间结构，导致模型最终还是在记动作。
原生模型可以完全避开这两个问题。我们所有数据天然就是视觉、语言、动作三种模态对齐的，训练时可以在任意模态之间互相转换。
vision to vision是视频预测，vision+language to action是端到端，vision+language to vision+action就是世界模型。
现有的所有范式，在这套框架下得到了大一统，也没有VLM强行加action head带来的那种割裂感。
量子位：你说VLM、video action model会遇到这些问题，是思想实验，还是你们真的踩过坑？
丁文超：两者结合。
第一，我从第一性原理判断它必然会有这些问题。
第二，我们有一个不小的research team，会持续跟踪业界所有SOTA方法，包括VLA、视频动作模型、世界动作模型，全部纳入我们自己的benchmark。
我们每发一版模型，都会在N个任务上跟现有SOTA做比较。
另外我想补充一点：谈原生模型，前提是你有没有足够的数据。原生模型玩的就是数据，追求的是三种模态完美对齐。
量子位：当前的模型规模，是数据量决定了它，还是先定了规模再去配数据？
丁文超：是在实操中摸出来的。我们的数据量和模型规模都是一点点往上涨，慢慢发现数据涨到一定规模，模型size就需要提升到下一个level才能继续吸收。
这个对应关系，是从自动驾驶时代积累的经验，加上具身这边数据量快速增长的实践，综合感受出来的。
量子位：你们内部评价模型好坏的标准是什么？
丁文超：三个维度。
第一是成功率，这是一切的基准。
第二是完成效率，因为我们第一个场景是要真正落地工厂的。
第三是类人性，赏心悦目也是指标。
有意思的是，我们在线束插接这个子任务上，效率已经超过人了。
这里面有个trick：人没法左手画圆右手画方，但机器人可以，通过对数据合理的组织，我们让机器人做到了双手并行，这样自然就比人快。
量子位：类人性这个维度很有意思，你加这个指标是为了让动作更丝滑，还是有更深的考量？
丁文超：第一性原理上，你追求丝滑，追求看起来像人，最终都是为了让机器人真正进入人类社会。
去年你也问过我机器人最终的形态会是什么，我当时说拟人形是大趋势。
哪怕在垂直场景有特制形态，完成动作的方式也应该贴近人，这种亲和性是人类社会的一种刚需。
你看现在大家为什么喜欢看机器人跳舞？因为它给人的感觉像自己。
展会上我们的双足机器人只要出来，现场就围得人山人海。
哪怕是从货架上抓一个水瓶，这个动作可以很机械，也可以很丝滑，给人的感官完全不同，人想要使用它、信赖它的欲望也完全不同。
所以类人性这个指标，一方面是在评价模型能力，另一方面，对于人和机器人将来真正共生，也是非常关键的一点。
量子位：训练成本对一家创业公司来说，压力大吗？
丁文超：好钢用在刀刃上。我们没有一口气铺几千张卡漫无目的地训，而是随着数据量上升，看到模型吃不住了再加参数，每一个实验都仔细评估价值。
我们的目标是打经济仗，在有限投入下拿最大ROI。
具身的生命周期可能比自动驾驶还要长，上面可能有若干次决战，所以弹药和粮草必须存够，每一次决战都要有主动出击的能力。
支撑具身智能的基石，超级数据范式Human Centric
量子位：数据质量的把控，你们是怎么做的？
丁文超：这件事比很多人想象的要难得多。
Human Centric意味着采集主体是人，不像设备那么可控。我们早期就遇到过，现场工作人员被动式采集，结果在现场玩了15分钟手机。
后来，我们在采前、采中做了工作。
采前是约法三章，现场培训，明确哪些行为不允许。
采中是在APP上做监测，检测到异常状态就报警。
这样基本上能把八九成的问题筛掉，后端数据产线的利用率会非常高。
量子位：AWE 3.0的训练数据，全部是Human Centric采集的吗？还是有一些配比？
丁文超：这里有个反常识的结论。
大家一直认为遥操作数据精度最高，Human Centric数据精度上是短板。但在亚毫米级任务上，结论完全相反。
遥操作根本干不了亚毫米级的事，操作过程中会犹豫、抖动，反而变成了噪声。我们亚毫米级的模型，完全是用Human Centric数据训练的。
随着我们把更多场景扩展开，靠Human Centric数据支撑整个模型训练到部署，完全可以做到。
量子位：所以后续模型迭代，核心就是数据量级的持续扩展？
丁文超：对，以前大家总想着数据有一座金字塔，高质量数据、中等数据、大规模数据各种配比，搞得很复杂。
但我觉得未来可能根本没有什么数据金字塔。你把一种数据打磨到极致，把所有细节做好，质量可能比配比来的数据要高。
量子位：那为什么此前行业里会形成数据金字塔这样的共识？
丁文超：任何一个细节没做好，都会给你带来错误的结论。
Human Centric数据要做到亚毫米级精度，门槛极高。
佩戴在人身上，要把动作完整恢复出来，传感器同步、标定、云端自动化标注算法，每一个环节都不能出问题。
现在业界大多都还没搞清楚怎么把Human Centric数据做到很高精度，更不用谈后面部署到机器人上完成闭环任务。
量子位：遥操作数据的成本应该比Human Centric低吧？
丁文超：恰恰相反，遥操作数据的成本远高于Human Centric。
你算一下遥操作的成本：得买一台机器人，得有数采中心或者把机器人推到现场，还得有专业遥操员。
遥操员这个行业现在慢慢兴起，但流失率很高，工作枯燥，培训一个新遥操员又要一两个月。
Human Centric完全不同。
采集者可以是清洁阿姨、超市工作人员。他们戴上数采手套就能在日常工作中顺带完成数据采集。
量子位：你们选择了开放这个生态，如果有更大体量的玩家来怼数据，会削弱你们的护城河吗？
丁文超：正确的方法论，别人终究会挤进来。与其守住硬件设备，不如把门槛真正建立在AI上。
就像大模型训练一样，大家都知道怎么训，但最终训出来的模型差异还是会体现出来，这就是不传之秘。
量子位：线束这个模型，大概学习了多久？
丁文超：与其说训练了多久，不如说是随着数据量级持续提升的一个过程。
大概时间线是这样：AWE 2.0从去年年中开始，那时候Human Centric的采集、训练、部署已经走通了。
从AWE 2.0到AWE 3.0明显加快了，数据运转更顺，模型上也有很多新感觉涌现出来，年后没多久就在3月发布了AWE 3.0。
这也是为什么我判断后面节奏会进一步加速，随着数据量越来越大、模型越来越成熟，智能涌现的时间也会缩短。
量子位：Sergey那篇关于叉勺（Spork）的博客你看了是什么感受？
丁文超：有些观点我同意。
仿真数据没用。Sergey自己也采了几千小时数据，是真正走过这个过程的人，他知道机器人部署到真实世界需要多少数据、怎么才能泛化。
他说仿真是叉勺，勺子能喝汤、叉子能插牛排，但集成为叉勺，又什么都干不好，这个比喻我觉得很恰当。
分歧在于：有了真实数据之后，怎么高效利用？
他的路径是遥操作获取基础数据，加上大规模真机强化学习，我对这条路是有疑问的。
所以答案就是，大的方向上有共鸣：真实世界的数据才是走向泛化的金钥匙。
但怎么把数据闭环鲁棒性提升、真正走向规模化商业落地，路径是不同的。
量子位：这种路径差异，会不会有中国与硅谷环境不同的原因？中国有更丰富的人力资源，所以可以做Human Centric采集。
丁文超：有这个因素，但不是全部原因。
早期Generalist这类公司还在宣传几十万小时数据，现在有些硅谷公司开始说我只需要10小时、20小时数据就够了。26、27年这个分歧会越来越明显。
但让我比较惊讶的是Generalist，作为在硅谷的公司同样坚定走Human Centric路线，而且scale在10万小时级别以上。所以环境不是决定性因素，更深层的原因可能是惯性。
量子位：达到什么样的数据量级，才能支撑到你们说的4.0水平？
丁文超：具身比自驾复杂得多，本体自由度更高，是复杂3D环境，还有大量密集的contact操作，场景丰富度也更高。根据我们现在的实践经验，具身所需的数据量至少是自动驾驶数据量级的10倍。
具身可能有三个坎：
10万小时是模型能力不错；100万小时是准产品级，可以deliver给各种用户；1000万小时之后，数据Scaling law的讨论会变少，大家开始讨论模型架构，前沿公司开始做强化学习。
量子位：具身的数据采集比自动驾驶复杂得多，你们怎么保证采集质量和覆盖度？
丁文超：我们有一套自动化调度系统，每天汇总返回来的数据，check场景覆盖了哪些、任务做了哪些、动作pattern的分布，然后第二天针对性补缺，再去采。
这套系统保证我们不会偏科，不会在一个场景过度采集，那样重复度太高，变成同质化数据，不是有效的scale。
量子位：采集过程中有没有让你意外的地方？
丁文超：人的行为实在太丰富了。越采集，越对人的行为产生敬畏。
遥操作相当于带着义肢去操作，很多人的本能行为在那个状态下都会变形。但如果直接从人身上采，你会发现人很多日常动作里藏着大量自己都没意识到的操作智慧。
最让我印象深的是failure recovery。人的精度并不是绝对的，移了1厘米还是1.5厘米其实自己不一定知道。但人的局部微调能力极强，出了问题能自然地调整修正。
这也是为什么我们一定要把人的行为原原本本全量记录，所以我们做了五指采集手套；执行器也必须能原原本本还原人的行为，所以要做21自由度灵巧手。
超级本体，为AI而生
量子位：手套和灵巧手之间是什么关系？
丁文超：完全镜像。手套捕捉人手的完整自由度，有两个核心优势：一是能采集末端触觉，二是无惧遮挡。
用VR眼镜采集，手一挡就丢失数据。手套不存在这个问题。
灵巧手这边，人手大概20到21个自由度，做到这个数字基本就能描绘人手所有运动，这就是为什么大家都在追求20自由度以上。
我举个例子。我们展示的刺绣任务里有个顶针动作，夹爪很难做。缝纫工人为什么戴扳指？就是为了捏住针之后用指头把它顶过去。
夹爪只能夹，没法顶，所以用夹爪做刺绣就要绕很多弯路。这就是手的价值。
量子位：灵巧手研发难度怎么样？
丁文超：挺有挑战的。在这么小的空间内实现这么高的自由度，技术路径本身就有争议，准直驱还是绳驱，电机设计、减速器设计……都是一点点摸索出来的。
线束场景倒逼我们把Human Centric逼到亚毫米级，而灵巧手，倒逼我们把电机和减速器的设计制造能力逼到极限。
我们应该是目前世界上屈指可数可以做到准直驱、高自由度、还能集成到人手尺寸的公司。今年ICRA（机器人国际顶会）我们会对外展示。
量子位：灵巧手解决之后，会解锁哪些场景？
丁文超：线束场景里我们现在用夹爪完成的工序大概覆盖70%的任务，剩下的比如缠胶、理线，手会方便很多。
如果真的想做通用工业解决方案，绕不开灵巧手。
量子位：为什么机器人手都做五根手指，不做六根七根？
丁文超：六根手指，数据就对不上了。你从人身上采不到六指数据，还得自己造数据，边际效应马上就显现。
所以机器人手的自由度大概率是小于等于人手，这样才能最大化利用Human Centric数据。
量子位：手的终极目标是什么？
丁文超：人手能做的任何动作，灵巧手都能做出来。全身人形其实现在已经基本可以做到动作模仿，手也在朝这个目标走。剩下的问题就是手脑协同。
量子位：你们有A和T两个系列，各自的优势是什么？
丁文超：T是双足，A是轮式双臂。
本体层面，各家整机设计现在其实收敛了，差异没那么大。我们比较有特色的是关节。
以前大家设计关节，电机扭矩、减速比都是越大越好。但我们发现本质上是一个distribution match（分布匹配）的过程：你要让机器人执行动作的空间和流畅度，尽可能贴近人的数据分布。
把这个目标拆解，整机构型大家都差不多是拟人型，真正关键的就是关节，包括末端灵巧手关节到核心关节。
机器人本体你可以理解成以关节为核心的一堆连接件，关节才是一切。
遥操作会天然把你降速，你感受不到机器人还需要变得更好。
但一旦你采集的是人的数据，你就会永远想让机器人去匹配人的动作分布，这个驱动力就会持续逼着你把关节做得更好。
量子位：本体为AI而生，怎么理解？
丁文超：传统的本体设计是正向的，关节要出多大扭矩、减速比定多少，凭感觉来。
为AI而生是反向推导。我们采集了大量人的数据，知道人在完成各种任务时末端需要多大力度、多快速度，这形成了一个distribution A。
我们设计本体，就是让机器人的工作空间、力输出、运动速度形成的distribution B，尽可能去匹配distribution A。这样AI模型在上面适配，迁移会更顺滑。
这本质上是个双向奔赴的过程。一边是模型通过空间预训练、全身端到端、各种技巧让迁移更鲁棒；另一边是硬件朝人靠拢。两者同时收紧，中间的gap才能消掉。
量子位：当初为什么选线束这么难的场景？
丁文超：真正触动我们的，是亲眼在线束工厂看到的那一幕：密密麻麻全是人，空气里弥漫着汗味，工人非常忙碌。
我们也访谈了工人，他们自己干得很痛苦。插线的错误率大约是千分之三，但只要一根线插错，整条线束就要重做。
工人压力很大，流失率极高，几个月就换一批人，管理成本也居高不下。
我们当时调研了很多场景，判断标准很简单：有没有大量的人在干这件事？线束完全符合，这是真需求。
第一步是从需求出发，第二步才分析这个任务有没有门槛，发现它兼具长程、柔性、高精度，确实很难。但我们对自己这个团队有信心，决定去磕它。
早期有很多人不看好，觉得太精细了。但毕竟之前没有人展示过具身能在这么精细的任务上持续稳定工作，有这个反应也很正常。
量子位：你们有没有Plan B，一个比线束更容易的场景？
丁文超：选了线束之后，我们没有给自己想过退路。
我觉得这一代具身智能的价值就在这儿：解决柔性、长程、高精度三者兼具的问题。
任何不满足这三个特质的场景，传统自动化都能解决，不需要具身智能。你可以沿着这个逻辑去审视市面上各家具身的落地场景。
线束通了，其他场景是能力外溢的问题。成功率、精度、柔性外溢出去，很多装配场景虽然没有线束那么极端，但也有毫米级子动作、多工序要求，我们的能力是够用的。
量子位：批量化落地的核心挑战是什么？
丁文超：大脑的量产。
以前机器人公司有量产经验的都集中在小脑，解决本体一致性、产线问题，这些路已经探得差不多了。
大脑的量产是新问题，不仅是硬件量产，还包括模型能力的量产。
比如硬件之间稍有差异，模型还得能泛化。还有一个更少人想过的问题：生命周期内的泛化。
机器人在客户现场用久了会有损耗，响应特性会变化，你的模型随着机器状态的改变，还能不能稳定工作？这个维度，现在很多人都还没考虑过。
量子位：你们做了数据、模型、本体、关节、灵巧手，每一块拆开都能做一家独角兽，你们怎么定位自己？
丁文超：我们不是一家生态公司，初衷完全不同。
如果是为了做生态而做生态，你每一块都不会追求极致。但我们是真的想解决问题，还是第一性原理出发，这才驱动我们把每件事做到极限。
如果我们把自己定位成生态公司，我们没必要把减速比、自由度这些东西推到极致，能卖出去满足基本需求就行了。但这两种做法，差异性很大。
量子位：随着规模变大，你们怎么平衡敏捷和复杂度？
丁文超：我对具身行业有个3+3+3的判断。前三年是认知收敛期，现在到接下来三年是打硬仗期，再往后三年是淘汰赛。
现在这个阶段，技术路径逐渐收敛，会催生硬件平台的标准化。我们现在做关节、做手，某种程度上是在牵引这个标准的制定。
但这些标准在两三年内会慢慢固化，固化之后各个子部件会有更多能力外溢。
大厂下场也会加速这个过程，他们的标准化经验会推动行业收敛更快。
当前最关键的还是两件事：第一，在工厂里证明真的能干活；第二，对未来有想象力。
大脑时代开启，它石已让具身智能真干活
量子位：过去一年有什么让你兴奋的进展？
丁文超：具身大脑上的竞争激烈度会上升得很快，这让我兴奋也让我警惕。
说实话，中国整体的大脑进展是慢于硅谷的。
中国最成熟的是本体和小脑，在大脑上有原创性创新的公司非常稀缺。
硅谷陆续涌现一些公司，不追求本体硬件能力，专注刷大脑，Generalist这类进展很快。
过去一年我们绝大多数精力都投入在大脑上，就是因为意识到大脑能力的决定性作用。
量子位：春晚上机器人那么热闹，你怎么看？
丁文超：两点感受。
第一，友商的表现让我觉得，本体和小脑的竞赛基本上已经结束了。再给其他公司6到12个月，大家都能达到类似水平。
虽然还有很多公司在往里冲，但问题已经收敛，只不过各家时间上滞后几个月而已。
第二，大脑时代开始了。这对行业是好事，因为人们一直低估了具身的行业价值。
以前大家的估值逻辑很粗，就是能卖多少台机器人。但一旦具身大脑真的能批量转换生产力，整个估值逻辑要重写。
我觉得大脑的引擎完全可以接住第二波增长，整体价值还会继续往上走。3+3+3，淘汰赛最终还是会来。
量子位：你们希望外界给你们贴什么标签？
丁文超：能干活的具身通用大脑。
具身的本质是把AI赋予物理实体，让它在生产生活中发挥价值。我们想做的是智能程度高、有自主能力、能真正帮助人的大脑公司。
加上能干活这三个字，是因为现在说自己是具身大脑公司的太多了，得有个金标准。能不能稳定、可靠、高效地干活，就是这个金标准。
现在很多是披着干活外衣的表演，我们想和这类划清界限。
量子位：家庭机器人还有多远？
丁文超：我觉得快的话有可能小于3年，是因为我真实感知到了技术发展的加速，这个事情是会实现的。
量子位：物理AI要达到现在信息AI那个水平，需要多少数据？
丁文超：千万小时。
不是重复性的数据，是按场景和工序控制过多样性的千万小时。
量子位：遥操作数据重复性太高，这是行业里另一层泡沫吗？
丁文超：对，遥操作深受其害。遥操作数据大部分来自数采中心，数据多样性取决于数采中心的装修频率，现在装修最快的也就一个月一次。
量子位：自由度军备竞赛，你们会卷吗？
丁文超：自由度能匹配人就够了，不是越多越好。
躯干大概20多个自由度，单手也是20多个，把机器人末端送到三维空间某个姿态，现在大多数机器人都具备这个能力。
真正的问题是末端到了之后，能不能灵巧地和物体交互完成任务。所以末端自由度才是关键，现在很多人在全身自由度上卷，有点舍本逐末。
量子位：你们从一开始就站世界模型这个方向，原因是什么？
丁文超：是被Human Centric逼出来的。
我当时在思考，什么样的模型才能吸收这么多Human Centric数据？
单纯的动作模仿很难学到人运动的精髓，泛化性和跨环境迁移都很弱。我们测评了各种VLA，发现过拟合太严重。
现在大家说世界模型，定义本身还很模糊。
很多人问我：李飞飞那种算不算世界模型？我觉得李飞飞推出的世界模型，更多是基于空间的维度做生成及渲染，而具身则需要落实到我们所处时空的具体动作上。
Marble只是对空间有预测能力，但具身最终要落到动作上，这是很大的差异。即便对未来假想得很好，但动作很可能还是不行。
最新的学术工作中，虽然说指标上会有提升，但视频预测的幻觉影响动作这个问题，业界还没人去解决。
视频预测不等于世界模型，真正的世界模型必须最终回归到动作，而且要解决环境预测和三维空间内动作的一致性问题。
量子位：具身领域有没有类似信息AI那样的AGI目标？
丁文超：我最近也一直在思考这个问题。
现在有两种AGI叙事。第一种是大水漫灌，模型能力慢慢提升，最后变成无所不能的通才。
但语言模型的实际形态告诉我们，它更像是个天才国度（a country of genius），在若干个子任务上有峰值很高，但落到缝隙里其实也就普通人水平。
我实验下来的感觉，具身很可能也是这种形态，更像一片竹林，竹子越来越多、越来越密。但竹子之间的缝隙还是存在的，那些低谷部分，可能只能勉强达到人类水平，甚至略低。
有时我也会想，追求大水漫灌式的具身AGI，是不是我们未来十年的使命？
答案将留给实践和时间。
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
—完—
点亮星标
科技前沿进展每日见
