对话星源智刘东：当下具身智能，类似2015年的自动驾驶

超电机器人报道

作者｜在洲

2026 智源大会的聚光灯下，具身智能赛道正上演割裂的两面戏。

一边是各路玩家扎堆宣讲世界模型，张口千帧视频预测、闭口通用物理仿真，把机器人的未来描摹得天花乱坠，落地时间表动辄往后推两三年，活在实验室的仿真幻境里自洽狂欢；另一边资本早已褪去盲目狂热，人形本体赛道融资遇冷。

反倒是做具身大脑的选手一票难求，比如星源智十个月狂揽十亿融资，这也印证了市场早已看透，能造机器人不算本事，能给机器人装一颗会预判、会纠错、能在端侧跑通的大脑，才是硬通货。

现场一块随意打乱的华容道棋盘，戳破行业多年的技术伪装。

星源智背后站着智源研究院，是孵出智谱AI的地方。创始人刘东，前京东智能驾驶总经理，带着一支以90后为主的研究团队（孙振国94年，何嘉伟96年），做了一件反常识的事：不造机器人，只造机器人的脑子。

6月13日，他们把ω-EVA端上台面，号称“全球首个具身交互世界模型”，1.2B参数，LIBERO成功率98.6%，RoboTwin上把Stage2的88.9%再拉升到90.3%。

数字漂亮，但更值得玩味的是它背后的那套逻辑——机器人不该"接到指令就执行"，得先在脑子里过一遍"如果这么做会怎样"。这套逻辑如果跑通，具身智能的叙事就要改写：从“看世界”升级到“改世界”，从“演示态”跨进“交付态”。

在此之前，业内常年还有个怪圈，VLA 路线靠模仿学习，只认成功轨迹，数据利用率却非常低，视频生成式世界模型语言描述模糊、动作与画面互相掣肘，两套损失函数打架，ω-EVA跳出固有框架，把世界模型从训练辅助工具拉进实时决策闭环，首创 “预演 - 验证 - 执行” 三层交互架构。

当下行业人人高喊世界模型，路线四分五裂，却极少有人回答核心命题：预测出未来，如何反过来修正当下动作？星源智这场产品发布，用实打实的端侧落地案例、清晰的产业分工逻辑、可复用的跨本体算法底座，给混沌的具身赛道抛出一套标准答案，也撕开行业 “重概念、轻落地，重算力、轻效率” 的遮羞布。

以下是媒体和星源智创始人&CEO 刘东先、星源智联合创始人智源研究院具身交互世界模型实验室负责人孙振国以及算法负责人联合创始人 何嘉伟的对话（有删改）。

Q：模型主打 action 训练，是否弱化语言理解？多阶段训练链路，端侧会不会出现高时延？

刘东：我们从未放弃 VLM 语言图像理解基座，3D 语义地图、任务规划能力全部保留。ω-EVA 核心是补齐原有 VLM 欠缺的动作预测、状态推演短板，是能力叠加而非取舍。行业主流以语言作为模型输入条件，人类描述无统一标准，极易造成模型决策混乱；标准化动作作为输入，未来状态输出唯一可控，大幅提升执行稳定性。

链路时延无需担忧，模型从设计之初就适配端侧独立运行，完成参数量精简与底层算力优化，无云端依赖也能高帧率推理。

孙振国：训练分三阶段，但线上推理仅保留 Stage3。Stage1、Stage2 仅离线预训练提供表征，二者并行运算，不存在串行等待损耗。全程在隐空间完成预测，不生成图像、视频，推理链路比主流 WAM 更短、速度更快，不会产生额外算力负担。

Q：以 action 为条件建模，相比传统路线优势在哪？动作维度如何划分？

孙振国：现有世界模型多复刻视频生成逻辑，语言描述变量多，模型输出结果不可控。以动作作为输入条件，每一组动作对应唯一未来场景解，可控性大幅提升。

动作建模分为两层：全身整体位姿，以及末端执行器独立状态，区分抓取、松开等手部动作。不少企业仅按关节维度拆分动作，不同机器人本体数据无法互通，我们这套划分方案能规避跨本体信息割裂问题。

Q：具身赛道融资分化，资本看重具身大脑企业什么？投资人有无硬性业绩要求？

刘东：投资人没有给我们设置季度、年度硬性业绩指标，但我们内部明确要优先落地结构化场景。很多同行把落地推迟两到五年，我们认为当下物流、电力巡检已经具备商业化条件。传统自动化依赖固定规则，环境稍有变化就失效；搭载我们具身大脑的叉车、巡检设备，能柔性适配异形货物、多变厂区，替代重复、高危人工工作。在我们定义里，叉车、机械臂、巡检设备都属于具身设备，只要搭载拟人化大脑，就能落地。

资本看好我们三点：一是估值洼地，成立时间短，算法能力对标头部企业，但估值远低于老牌厂商；二是实打实落地交付，不画远期大饼；三是赛道 “卖铲人” 定位，自身不生产机器人本体，面向全行业本体厂商输出模型、端侧算力平台，覆盖 70% 头部客户，客户基数持续扩张。

Q：真实落地场景有哪些？具身大脑如何和世界模型协同规模化商用？

刘东：我们的具身大脑底座本身就是世界模型，不存在两套系统协同，直接打通环境感知、任务规划、动作预测、执行全闭环。典型落地案例是智能叉车，十五年前传统 AGV 方案无法应对异形卡车、无托盘货物、杂乱托盘，泛化能力极差；搭载 ω-EVA 的叉车可自主识别各类货品，自主规划卸货顺序，全程规避碰撞，无需人工提前标定点位。

Q：您深耕智驾，为何切入具身智能，算是赛道转换吗？

刘东：并非换赛道，而是赛道升级。智驾本质是最简单的具身，核心解决平面空间移动避障；具身在此基础上新增三维物体交互、精细抓取操作，智驾积累的空间感知、导航算法可直接复用，只是新增操作类能力模块。

Q：和同行相比核心壁垒是什么？叉车等落地案例，竞品能否简单复制？

刘东：两层核心壁垒。第一是泛化与系统工程优势，传统设备厂商仅掌握规则控制，缺少大模型研发能力；通用具身企业缺少物流、工业场景行业 Knowhow 与专属数据集。我们和物流客户共建叉车场景海量交互数据，单纯复刻模型没有对应场景数据，无法实现同等落地效果。第二是端侧软硬一体优化，模型轻量化 + 专属算力平台协同，保障机器人本地高效推理。

全栈自研门槛极高，国内近两百家具身企业，仅有两三家头部大厂有资金支撑从硬件到算法全链路研发，绝大多数厂商会选择第三方方案，不会挤压我们的市场空间。我们坚定不做机器人本体，和所有硬件厂商形成互补关系。

Q：VLA 与世界模型的数据利用效率差距多大？为何不做像素级 3D、视频生成？

孙振国：传统 VLA 依赖纯成功模仿轨迹，8 小时采集仅能产出 3 小时有效数据；世界模型可复用失败轨迹，同等采集时长能产出 6-7 小时有效数据，数据采集成本大幅下降。

目前我们仅融合图像与时间维度，暂不做完整 3D 空间建模。视频生成存在天然短板：现有技术最多稳定生成 10 秒高清画面，更长时序画面失真严重。对机器人控制而言，完整视频画面毫无价值，我们只聚焦碰撞、抓取失效等关键危险状态预测，算力全部投入决策环节，不浪费在像素渲染上。长期路线会布局因果、时空推理，但不会以视频生成作为技术底座。

Q：“交互” 和预测如何融合？交互架构能给模型带来什么提升？

孙振国：预测是手段，交互是核心目标。若仅用世界模型做表征训练，只发挥 10% 左右性能；把预测结果反向修正动作，形成闭环交互，才能充分释放世界模型价值。

整套架构实现机器人自进化：执行动作后获取真实环境反馈，和模型预演结果对比，自动修正预测偏差，长期任务成功率持续提升，不用反复投入大量人工标注数据。我们首创的动作修正 Stage3 模块可通用赋能所有世界模型，不存在技术封闭。

Q：客户合作模式如何界定数据所有权？数据安全如何保障？

刘东：合作一事一议，分两种模式：物流叉车等项目，客户开放场景数据，双方共享用于模型迭代；涉密客户数据所有权完全归属甲方，我们仅提供基础通用模型，不获取原始场景数据。模型支持模块化拆分，客户可按需采购完整大脑、或仅采购导航、识别单一模块。

数据安全层面，公司内部、云端存储全部加密，严格遵循国家数据局要求完成全流程脱敏，建立最高等级内部管控机制。

Q：大模型行业资金集中投入算力，具身领域资金分配有什么不同？

刘东：大语言模型可抓取互联网海量公开文本，资金主要投向算力与研发人员；具身存在极强数据瓶颈，互联网无可用机器人交互数据，行业需要自建数采工厂、批量部署机器人采集真实轨迹，数据采集占据大量资金。目前行业模型规模仅几 B、几十 B，远未到大模型数百 B 参数的阶段，行业仍在探索最优训练范式，暂无大规模集中算力投入的现象。

Q：行业集体转向隐空间建模，是否是技术收敛？端侧部署为什么是刚需？

刘东：浅层隐空间建模是全行业共识，属于必然收敛。像素级视频生成推理速度极慢，对机器人动作决策没有实质帮助，纯粹浪费算力。

端侧部署是硬性刚需：机器人搭载十余个摄像头、激光雷达，每秒产生数 GB 感知数据，云端传输带宽成本极高，无 Wi-Fi、5G 弱网场景直接瘫痪。有线部署限制机器人活动范围，无线传输存在数百毫秒时延，机器人和物理物体交互时，延迟会带来碰撞、安全风险。端侧实现 10-30Hz 推理闭环，才能保障实时控制，VLA、世界模型都必须走端侧路线，早年云端协同只是算力不足下的妥协方案。

Q：对标英伟达 Dream Zero 视频生成路线，为何他们无法端侧落地？

孙振国：Dream Zero 参数量庞大，即便英伟达极致工程优化，也仅能在桌面 GPU 跑出 7Hz 推理，完全无法部署在机器人终端。视频生成路线两大硬伤：一是画面优化与动作优化损失函数互相冲突，二者无法同时最优；二是算力消耗巨大。

我们采用 action 条件隐空间路线，对标 JEPA 轻量化范式，单卡消费级显卡即可完成训练，小型端侧模组就能稳定推理。机器人作为实体智能体，必须本地闭环，视频生成路线仅适合学术打榜，无法商业化落地。

Q：ω-EVA 跨本体适配能力如何？落地项目开发周期优势在哪？

何嘉伟：自研大小脑分层框架实现全本体兼容，大脑统一处理环境、状态预测，小脑针对叉车、四足机器狗、人形双臂做运动微调。视觉输入归一化处理，适配不同数量、位置的相机、雷达；动作维度拆分全身位姿与末端抓取状态，打通跨本体数据壁垒。

落地效率优势显著：叉车项目两个月完成整套系统上线，机器狗捡垃圾复用仓储抓取算法基座，无需从零开发，迁移成本远低于同行，全部项目原生支持端侧闭环运行。

Q：当下大量机器人仍在用传统控制算法，是否会影响公司产品推广？今年可落地场景分几类？

刘东：传统规则自动化已有十五年历史，仅适配一成不变的标准化环境，部署效率差距巨大。传统方案改造厂区需要一周扫图标注，我们一天即可完成几万平米厂区部署，环境变动无需重新标定。长期来看，企业会核算人力、运维成本，新技术替代是必然趋势。

落地场景分为两大难度梯队：低难度纯移动类，巡检、导览机器人，已实现规模化落地；中等难度移动 + 抓取，仓库拣选、工厂上下料，我们已解决 90% 常规抓取场景；高难度家庭、酒店精细操作，短期难以大规模商用。

Q：团队两位 90 后核心研发背景？模型研发优先级：性能上限还是落地交付？

刘东：孙振国 94 年、何嘉伟 96 年，均出身智源研究院，有自动驾驶研发经历，技术栈可复用。何嘉伟深耕灵巧手泛化抓取，孙振国主攻全身控制与世界模型建模。

模型研发优先拉高性能上限，当下行业所有具身模型基础能力偏弱，基座能力不足根本无法稳定落地；只有模型能力达到标准，才能垂类场景微调交付，二者不是二选一，而是先建强基座，再落地商业化。

Q：世界模型现有三类主流路线，交互范式差异化在哪？行业长期发展走势如何？

孙振国：当前行业三类主流路线：视频生成增强策略、隐空间表征学习、仿真数据引擎，三者均将世界模型作为离线训练辅助工具。我们提出第四类交互世界模型范式，把世界模型放到决策核心，在单次推理内完成动作提案、隐空间后果预演、动作重写闭环，直接参与实时控制。

视频生成路线需要更多训练数据，建模目标互相冲突；我们统一动作与未来表征预测目标，同等任务下训练数据需求更少、投入成本更低。长期来看，面向商用落地的具身世界模型，都会向交互闭环收敛。

Q：类比自动驾驶 L1-L5 分级，当前具身行业处于什么阶段？未来具身大脑市场格局？

刘东：现在具身智能等同于 2015-2016 年的自动驾驶，行业集体畅想高阶通用能力，但稳定可用的标准化落地场景极少，仅停留在初级起步阶段。

未来市场不会出现一家独大，大脑厂商将按垂类分化，物流、工业、家庭服务赛道各自形成头部企业。不同行业数据特征、任务逻辑差异极大，单一模型无法覆盖全场景，我们聚焦工业、物流 B 端场景构筑专属壁垒。

Q：大厂下场自研算法，会冲击第三方大脑供应商吗？

刘东：头部大厂自研全栈仅个例，绝大多数车企、家电企业入局机器人赛道，优势集中在硬件制造，缺少世界模型算法、垂类场景数据、端侧算力优化三重壁垒。自研长期投入成本远高于采购第三方模块化方案，商业算账后，更多厂商会选择和我们合作。我们提前两年布局交互世界模型，各垂直场景数据积累存在时间门槛，大厂短期内无法全面覆盖所有细分赛道，目前仍处于观望阶段。