对话大晓机器人王晓刚：从数字世界到物理世界，探索机器人新范式

十一年前，王晓刚和汤晓鸥一起，让计算机视觉的识别率第一次超越了人类肉眼。那是 2014 年，人工智能 1.0 时代的开端，视觉技术从实验室走向了安防、手机和汽车。

十一年后，当所有人都还在为大语言模型狂欢，或者忙着在发布会上展示机器人“叠衣服”、“做咖啡”的 Demo 时，王晓刚嗅到了一丝危险的气息。互联网上的语料快被榨干了，纯粹的数字世界正在逼近天花板。

2025 年，具身智能被视为继大语言模型后的下一块人工智能高地，玩家们都在赌谁能先造出通用的“机器管家”。但现实是残酷的：大多数机器人依然只能在视频里闪烁高光，一旦走进真实的杂乱环境，就会因为缺乏常识而寸步难行。

图｜大晓机器人核心科学家团队（来源：大晓机器人）

在 12 月 18 日举行的新品发布会前夕，我们与王晓刚进行了一场深度对话。此时此刻，具身智能赛道正处于一种“冰火两重天”的状态：一方面是资本的狂热追捧，另一方面是技术落地中遭遇的“数据荒”与“物理幻觉”瓶颈。

现有的机器人研究范式是否走错了方向？为什么说互联网语料快被“榨干”了？Sora 等生成式模型在物理世界中存在什么致命缺陷？以及，为什么要在这个时间点选择开源，并押注国产芯片生态？

在这个时间节点，大晓机器人不仅要发布一个新的世界模型，更要开源一套全新的生存法则。“现在的研究范式走错了，”王晓刚直言不讳。他抛出了一个判断：如果继续以“机器”为中心去训练大脑，具身智能将永远困在 Demo 里；唯有回到以“人”为中心，用世界模型重构物理规律，才能撞开 AI 3.0 的大门。

图｜大晓机器人首席科学家陶大程（来源：大晓机器人）

以下是对话全文。

AI2.0 到 AI3.0：从数字世界到物理世界

“互联网语料快被榨干了，我们必须打破数字与物理的墙”

DeepTech：你现在的新身份是大晓机器人董事长。和之前在商汤负责研发、汽车、芯片等业务的角色相比，现在侧重的目标有什么不同？

王晓刚：其实我在商汤是从 2014 年开始的，当时和汤老师一起创立商汤。那时候我们是第一个做到人脸识别超越肉眼识别率的。在过去十年里，我在商汤负责过研发，也包括手机、互联网、汽车、芯片等很多不同的业务方向。今天我们面临的，是从人工智能 1.0 到 3.0 的跃迁。

所谓人工智能 1.0 时代，就是 2014 年那个时候。我们有了视觉技术，靠的是大量人工标注和小模型来实现人工智能的应用。到了 2.0 时代，也就是大模型，特别是大语言模型带来的通用化能力。因为人类历史上几千年积累了海量的语言文字数据，记录了人类的行为，大模型把这些沉淀的智能提取出来，赋能各个行业。

DeepTech：所谓的 3.0 是什么？

王晓刚：今天我们也看到，大语言模型依赖的这些互联网语料、数字世界的沉淀和积累，也到了一个瓶颈。未来两三年，这些语料的价值也会逐渐被“榨干”。

所以人们想打破数字世界和物理世界的限制，通过具身智能，通过跟物理世界的交互去产生新的智能，这就是我们说的人工智能 3.0 时代。

这里面一个很重要的任务，就是通过技术的创新，让商汤从原来的 2.0 时代进入 3.0 时代。

DeepTech：大晓机器人和商汤是什么关系？

王晓刚：大晓在商汤“1+X”战略布局。我们希望完成一个软硬结合的产业链垂直整合。之前商汤做得比较多的是软件和 ToB 的赋能角色，但在具身智能这个领域，我们有机会做软硬一体，把业务做得更大。

所以我这边的目标总结下来就是三点：第一，实现从 AI 2.0 到 3.0 的跨越；第二，把商汤历史上积累的经验沉淀带到物理世界；第三，完成软硬结合的垂直整合。

DeepTech：既然是生态企业，大晓和商汤具体怎么分工？哪些是共享的，哪些是大晓独立研发的？

王晓刚：这是一种非常紧密的合作关系。大晓提供具身智能的软件平台和硬件平台。但机器人要进入千行百业，需要了解行业的痛点和渠道，这正是商汤过往积累的优势。

商汤的业务团队可以基于大晓提供的软硬件具身平台，去开发具体的行业应用，解决具体的痛点。这能解决目前具身智能落地的一个大问题——很多公司演示的 Demo 很好，但对场景理解不深，难以落地。

举个例子，我们会推出一个“具身超级大脑模组 A1”。现在这个模组加装在四足机器人（机器狗）上，有了它，机器狗就能在室外不依赖高精度地图实现点到点的自主导航。

这个过程中，机器狗采集到的视频数据，会跟商汤后台的“方舟平台”打通。方舟平台上有超过 150 个 AI 相关的应用。通过这种结合，机器人的应用价值就被极大地放大了。

范式革命：以人为中心的具身智能

“以机器为中心的范式走不通，必须转向以人为中心”

DeepTech：2025 年是你所说的 AI 3.0 时代的一个关键节点吗？会有什么标志性事件？

王晓刚：我觉得 2025 年一个非常重要的代表性突破，或者说改变，是研究范式的改变。

大家对具身智能的期待源自于互联网时代的经验。在 2.0 时代，大模型让我们以为，只要有一个强大的大模型，机器人就能在物理世界里通用了。但在过去两年里，大家在执行过程中遇到了巨大的阻力。

DeepTech：阻力具体体现在哪里？

王晓刚：之前大家的做法是：先有了各种不同形态的机器人，结构各不相同。人们通过遥操作（Teleoperation）控制这些机器人去采集数据，然后把数据聚合在一起，试图训练一个通用的机器人大脑。

但大家发现，这种模式是不成功的。

首先，训练出来的所谓“大脑”很难用到不同的本体上，数据不能共享。其次，通过人操作机器采集数据的效率非常低，而且往往不是在真实的生产生活环境中采集的。

我们把这种旧的研究范式叫做 Machine-centric（以机器为中心）。它的核心逻辑是 VLA（Vision-Language-Action），通过视觉和语言指令，直接让机器去完成特定任务。这种范式训练出来的大脑不需要理解物理世界到底是什么样，只是为了完成任务。

DeepTech：2025 年的新范式是什么？

王晓刚：2025 年一个非常大的转变，就是从 Machine-centric 转变为 Human-centric（以人为中心）。

这个起点大概在 2025 年年初。当时我们团队在南洋理工大学的刘子纬教授带领下，提出了“环境式采集”。

所谓环境式采集，就是利用第一视角的眼镜、穿戴式设备，以及第三视角的传感器，在人真实的生产生活环境中去记录人的行为。通过这些记录，训练出一个“世界模型”。这个世界模型要理解人跟物理世界交互的规律是什么，因果关系是什么。

今年，刘子纬教授发布了 Egolife，记录了 300 小时人类行为时，像 Meta 的 Yann LeCun 团队就基于这个数据集完成了具身世界模型的训练。到了 8、9 月份，特斯拉和 Figure AI 也宣布转向视觉路线，通过摄像头记录人的行为来快速积累数据。

DeepTech：这种新范式带来的最直接的好处是什么？

王晓刚：数据量级的跃升。

在以机器为中心的时代，大家积累的数据大概是十万小时这个量级。要知道，特斯拉 FSD 做自动驾驶用到了大概 400 万小时的高质量数据。具身智能的场景复杂度更高，需要的数据更多。

通过以人为中心的研究范式，我们能积累的数据可以达到千万小时这个级别。这才是让具身智能具备通用化能力、拥有强大大脑的正确路径。

所以，2025 年发生了非常重要的变化，给具身智能的发展打开了一条新的思路。

解密：环境式采集与数据壁垒

“一天采集效率提升 100 倍，解决上万种物品的抓取难题”

DeepTech：你提到的“环境式采集”技术听起来很有意思，在实际落地中具体是怎么做的？一天能产出多少数据？

王晓刚：我们这套采集方案，需要人佩戴第一视角的摄像头，同时还会带上全景相机，这样能看到人周围的环境和自己的身体。手上和胸口也会带摄像头，特别是手上会带一些触觉传感器，能感受到接触物品时的材质和力。周围环境里也会部署深度摄像头等。

所有的设备都是同步的。人不需要操作机器人，只需要正常做工作，数据自然就被采集下来了。

DeepTech：可以举一个具体的落地场景吗？

王晓刚：比如我们在杭州的一个闪购仓（前置仓）试点。

现在的零售行业，大家在网上下单，城市里有很多这样的前置仓。仓库里有大量货品，需要工作人员进行分拣、打包，交给外卖小哥。这个工作需要 7x24 小时进行。

这个场景最难的地方在于，物品类别特别多，有上万个 SKU。以前大家做具身智能，用真机采集数据，基本只能覆盖几十个或者上百个类别。面对上万个类别，真机采集根本做不过来。

DeepTech：用环境式采集能解决这个问题吗？

王晓刚：对。有了这套设备，工作人员可以一边工作，一边采集数据。

一个人一天工作 10 个小时，就能采集 10 个小时的数据。而且因为人手的灵活度远高于遥操作机器人，单一采集效率可能有 10 倍的增长。

更重要的是部署方便。以前得在实验室里雇人操作机器人，现在我可以有几百人、上千人都带着这些设备，在正常工作中采集。这样数据积累的速度可能是原来的 100 倍，也就是两个数量级的增加。成本更低，效率更高。

DeepTech：采集上来的数据质量如何把控？有没有具体的标准？

王晓刚：我们有一套自动化的流程来提取关键信息。

比如人的肢体 3D 姿态、手部的 3D 手势、接触物品的种类和姿态、物品的 3D 形状等。还会提取人与环境交互的信息，比如我坐在椅子上、趴在桌子上、爬梯子，这些 3D 交互关系都会被建模。

还有材质信息，比如一个瓶子，人通常抓哪里？抓的时候摩擦力如何？受力情况如何？这些都会通过自动化流程提取出来。

核心：开悟 3.0 世界模型

“解决‘水倒进槽里杯子却满了’的物理幻觉”

DeepTech：采集了数据之后，如何解决跨本体复用的问题？毕竟人的手和机器人的手不一样。

王晓刚：这就体现了世界模型的重要性。

我们把采集的数据输入到世界模型里。世界模型有三个部分：第一是多模态理解，理解世界是什么样子；第二是生成，大脑可以想象场景；第三是预测，预测动作和结果。

我们即将发布的“开悟 3.0”世界模型平台，既包含了人类数据，也包含了一些不同类型机器人的本体数据。

在平台上，你可以选择场景和任务，然后选择机器人本体（比如宇树、智元等）。因为我们有这些机器人的物理参数，世界模型就会根据任务生成针对该本体的视频和 3D 轨迹数据，用来训练这个本体。

这就是我们说的“一脑多形”——一个世界模型大脑，适配不同的机器人形态。

DeepTech：“开悟 3.0”和市面上其他的世界模型（比如 Sora、Gen-2 等）有什么技术上的不同？

王晓刚：市面上的模型，比如李飞飞团队的 World Labs，很多只能生成静态的世界，做漫游，无法把物体和环境分离开。

我们的模型可以做到物体与环境的解耦。比如桌子上的电脑、水杯，我可以把它们分离开，甚至进行编辑——把桌子换个形状，把电脑换个牌子，把房型换掉。这极大地拓展了数据的泛化性。

另一点非常重要的是对物理规律的表达。

DeepTech：物理规律是现在生成式视频的一个大痛点。

王晓刚：对。像 Sora、Gemini、Cosmos 这些模型，本质上是生成式网络，缺乏对多模态世界的深刻理解和物理预测。

举个例子，我们让机器人拿杯子去水龙头接水。这需要符合流体力学。但在 Sora 生成的视频里，有时候你会发现，水明明倒在了水槽里，杯子里的水却莫名其妙涨起来了；或者水倒进杯子，周围水槽却有水溅出来。这都是不符合物理规律的。

如果不解决这个问题，机器人就会学到错误的逻辑。我们在构建世界模型时，底层加入了很多物理常识和规律的约束。

DeepTech：你们内部怎么量化这个“物理规律”的准确性？

王晓刚：我们有一个指标叫“成片率”。

生成视频后，我们会检查它是否符合物理规律。早期可能 100 个视频里只有个位数是可用的，现在我们的成片率已经越来越高，能达到 50% 以上。

更精细的度量还包括相机位姿的反推准确性、生成图像与真实图像的差异等。

战略：开源与国产芯片适配

“在具身智能领域，我们希望成为开源的标杆”

DeepTech：我听说大晓这次会开源开悟 3.0，具体会开源到什么程度？

王晓刚：我们的模型、工具链、以及部署方法都会开源。

特别值得一提的是，这次我们把开源模型适配到了国产芯片上，包括沐曦、海光、壁仞等。

在国产芯片时代，模型需要和芯片做深度适配，我们做完软硬协同优化后，极大提升了芯片性能，能达到 A 卡（英伟达）的效果。有了模型和算力基础，我们就能构建物理世界的“DeepSeek 时刻”，实现“算力—模型—应用”的全方位迭代。

DeepTech：开源对大晓的商业化有什么影响？

王晓刚： 开源和平台是相辅相成的。开源能让大家熟悉我们的模型。同时，世界模型的训练和推理需要大量算力，我们把 API 部署在云上（商汤大装置、腾讯云等）。用户使用云服务时，我们和云厂商都能获得收益。

DeepTech：从长期看，开源对初创公司的护城河有什么意义？

王晓刚：在大模型领域，DeepSeek 是一个很好的例子。它通过开源产生了巨大的行业影响力。

我们希望在物理世界、在具身智能领域，让“开悟 3.0”成为对标 DeepSeek 的存在。这个行业需要先发优势。当我们先把高质量的开源项目做出来，用的人多了，就会形成聚集效应。芯片公司也会主动来适配我们，生态就建立起来了。

落地：产品与未来

“机器狗，前置仓，到家庭机器人”

DeepTech：这次发布会有哪些交付形态的产品？

王晓刚：我们会发布几样东西：ACE 研发范式：环境式采集（Ambient Capture Engine）；开悟 3.0 平台，并且开源；以及具身超级大脑模组 A1，这是一个软硬结合的产品，目前最先搭载在四足机器人上。

有了这个模组，机器狗在户外就具备了自主空间能力，不需要人遥控，可以通过语音控制它去目的地执行任务。我们的机管平台还和商汤的方舟平台打通，直接调用 150 多种 AI 应用。

此外，我们在模组硬件上也有创新，引入了 Insta360 的全景相机。现有的机器人摄像头视野窄、不稳。全景相机能做到 360 度无死角，画质和稳定性大幅提升，这对夜间作业和 AI 识别非常有帮助。

DeepTech：大晓目前最优先落地的场景是哪些？

王晓刚：我们有近期、中期、远期的规划。

近期（现在），重点是户外四足机器人。虽然提供情绪价值（表演）的市场比较成熟，但规模有限。我们看重的是生产力提升，比如电力巡检、文旅、智慧城市。加上我们的模组，机器狗就能具备空间自主能力，实现规模化应用。

中期（2 年左右），我们希望把前置仓（闪购仓）这个场景做下来。明年大概会有十几万个这样的仓库，场景非常类似。一旦做好，规模化落地速度会很快。

远期（5 年后），就是家庭场景。这目前还属于预研性质，也是像 Figure AI 这样的公司的长远目标。

DeepTech：最后一个我比较好奇的问题，“大晓”这个名字是怎么来的？是你和大程（商汤联合创始人）老师的名字合在一起的吗？

王晓刚：（笑）是这样。我和大晓机器人首席科学家陶大程是中科大的师兄弟，在汤老师那边读硕士时还是寝室室友，关系非常好，有很深的信任。在具身智能这个机会点上，我们觉得能一起合作做些事情。

但“大晓”这个名字还有衍生的含义。我们在发布会上给出的解释是：“大千世界，晓识万象”。

“大千世界”讲的是我们的世界模型，要理解这个世界；“晓识万象”讲的是我们的环境式采集，通过感知去理解人和环境的交互。这正好契合了我们未来具身智能的两个核心方向。