对话大晓机器人王晓刚：要做具身智能领域的“苹果”

具身智能赛道，正站在技术爆发与商业落地的十字路口。

一方面，是万亿级市场的巨大诱惑。从特斯拉的Optimus到各类创业公司的机器狗、人形机器人，资本与技术正以前所未有的速度涌入这一赛道，试图在智能手机和新能源汽车之后，寻找下一个超级终端。

但另一方面，行业仍被迷雾笼罩。目前的具身智能研发，大多陷入了“本体内卷”的怪圈：硬件形态五花八门，但“大脑”却不够聪明。大多数企业仍依赖“人肉遥控”的方式采集数据，不仅效率低下，更难以让机器人学会处理复杂的生活场景。当机器人无法走出实验室、无法在真实情景中落地时，所有的估值都是空中楼阁。

在这一节点，大晓机器人落下了一枚重磅棋子。

12月4日，商汤科技联合创始人王晓刚宣布出任“大晓机器人”董事长。这是商汤“1+X”架构调整后，在具身智能领域的实质性独立运作，意味着其将直面解决具身智能“大脑”缺失的难题。

不同于行业普遍的“机器中心”路线，王晓刚为大晓机器人定下了“以人为中心”的技术范式。他认为，要让机器人拥有通用的智能，不能靠遥控器“教”出来，而要通过穿戴设备记录人类与物理世界的真实交互，把人类的“常识”和“物理直觉”灌注给机器。

在商业模式上，面对是做具身智能领域的“安卓”还是“苹果”的设问，王晓刚也给出了明确的答案。他指出，在硬件尚未标准化的当下，单纯做系统行不通，大晓将坚持“软硬一体”的“苹果模式”，用世界模型去定义硬件，最终交付解决实际问题的产品。

12月9日，南都湾财社记者围绕行业关注的问题与王晓刚展开对话。他直面行业痛点，拆解了大晓机器人的技术路径与未来战略。

以下是对话节选：

范式重构：跳出“机器中心”的数据陷阱

南都湾财社：上周您正式出任大晓机器人董事长，外界很关注，为什么商汤选择在这个时间节点，通过“大晓”这个独立主体来深耕具身智能？

王晓刚：这基于我们对AI发展阶段的判断。如果说2014年商汤成立时是AI 1.0时代，核心是人工标注；过去两年的大模型是2.0时代，核心是互联网数据；那么现在，我们正在迈向AI 3.0时代——具身智能。

2.0时代的互联网数据虽然庞大，但正在被“榨干”，且它只记录了结果，没有记录物理交互的过程。要让AI进一步突破，必须让它与物理世界交互，产生新的智能。这是一个几十万亿级的赛道，未来机器人的数量可能超过手机，价值体量堪比汽车。

商汤过去擅长做To B软件，但具身智能要求极高的“软硬结合”。通过“1+X”的模式将大晓独立出来，一方面能让我们拥有更敏捷的市场化机制，另一方面能更专注于垂直整合。我们在场景理解上积累了十年，现在是用这套积累去解决机器人落地问题的最佳时机。

南都湾财社：目前行业里做具身智能的团队很多，但似乎普遍面临“泛化难”的问题。大晓提出的“ACE技术范式”和主流路线有何不同？

王晓刚：核心区别在于，是“以机器为中心”还是“以人为中心”。

目前主流的路线是以机器为中心：先造好一个机器人本体，然后让人拿着遥控器去控制它（遥操），采集数据训练模型。这条路看似快，其实走不远。首先是数据孤岛。不同的机器人本体（双臂的、四足的、夹爪的）结构不同，采集的数据无法通用，导致无法训练出一个统一的大脑。其次是能力受限。遥操只能完成简单的“抓取、移动、放置”，无法教会机器人处理像“收拾房间”这种长时序、复杂的任务。

大晓主张的是以人为中心。我们不依赖特定机器人，而是通过穿戴设备和第三视角，直接记录人是如何与世界交互的。 人怎么拿杯子？怎么用力？怎么避障？我们把这些包含了视觉、触觉、力学等多维度的“人类数据”输入给世界模型，先训练出一个懂物理规律、懂人类行为的“通用大脑”，然后再把这个大脑适配到不同的机器人身体上。这才是解决泛化问题的根本路径。

生态定位：不做“安卓”，要做“苹果”

南都湾财社：在与硬件厂商的合作中，大晓更倾向于做一个赋能者的“安卓”角色，还是软硬一体的“苹果”角色？

王晓刚：现阶段，我们更像“苹果”。最终我们需要做集成，输出软硬一体的产品。

为什么不能只做安卓？因为现在的硬件供应链还不够成熟，往往不满足场景需求。 举个例子，我们做机器狗的落地。市面上的狗，摄像头视角很窄，走路看不见红绿灯，甚至主人稍微走偏一点它就跟丢了。如果只做模型软件，给它再好的算法，它也因为硬件缺陷干不了活。 所以，我们必须介入硬件定义。我们会从场景出发，给硬件厂商提供设计规范，甚至在关键零部件上（如全景感知模组）联合开发。

当然，我们不像苹果那样封闭。我们在模型端保持开放，提供基础模型和素材方案；在硬件端，我们联合生态伙伴（包括我们投资的本体公司）共同设计。但对终端客户而言，我们交付的一定是能解决问题的完整产品，而不是一个需要他们自己去组装的代码包。

南都湾财社：您提到了机器狗，大晓在商业化落地场景上是如何规划的？

王晓刚：我们看好三个阶段的落地。短期是四足机器人（机器狗）在工业和巡检场景的规模化。过去机器狗很难用，因为它没有自主导航，需要人遥控。大晓通过搭载“具身大脑模组A1”，赋予狗自主导航和空间智能，配合我们的云端管理平台，可以让狗自主完成巡检、识别违章、甚至听懂语音指令去查看异常情况。这能解决安防领域的刚需。

中期是商业服务场景，比如即时零售的前置仓。未来的物流是“无人车+仓内机器人”。仓内有上万个SKU，靠死记硬背的示教是不行的，必须依靠我们环境式采集的大模型，让机器人具备处理海量商品的泛化能力。

长期则是家庭服务。这是一个巨大的市场，但对安全性和复杂交互的要求极高，需要更长的技术沉淀。

核心壁垒：给世界模型加上“物理定律”

南都湾财社：大晓即将发布的“开悟”世界模型3.0，与Sora以及李飞飞团队的World Labs相比，最大的差异化在哪里？

王晓刚：差异在于对物理世界的真实理解与预测。

Sora本质上是基于视觉的视频生成，它更多是“合成”，通过学习海量视频来猜测下一帧画面，所以经常会出现不符合物理规律的“幻觉”。

大晓的“开悟”世界模型，输入的信息远比Sora丰富。除了视频，我们还输入了相机的位姿、目标的3D轨迹、触觉、力学等信息。

这让我们的模型具备了三个Sora做不到的能力：第一是多模态融合理解。它不仅看到画面动了，还能理解是“谁”让它动的，是受了什么力。

第二是精准预测与操作指导。Sora生成的视频是给人看的，而我们生成的视频是可以指导机器人干活的。接收指令后，模型能预测机械臂下一步该怎么走，这种预测是符合物理因果律的。

第三是动态场景编辑。我们能将场景中的动态目标（如人、物体）独立出来，灵活替换背景或物体（比如把瓶子换成杯子），同时保持物理交互的真实性。

南都湾财社：您认为具身智能何时能迎来像ChatGPT那样的“奇点时刻”？

王晓刚：ChatGPT的爆发源于互联网文本数据的积累达到了临界点。具身智能要迎来同样的时刻，需要两个条件：一是物理维度的持续增加。除了看（视觉），我们要引入更多的传感器去采集力、触觉等物理信息。

二是数据规模的积累。当环境式采集普及，当机器人从实验室走向真实场景，积累的数据量达到互联网级别时，Scaling Law（尺度定律）将在具身领域重新生效。

这正是大晓现在在做的事情：通过新的范式，积累高质量的数据，推动那个质变时刻尽早到来。

采写：南都·湾财社记者 严兆鑫