对话灵境智源联合创始人须海江：如何让机器人有「应激反应」

日前，上海人工智能研究院孵化的灵境智源已完成超亿元的天使轮和天使+轮两轮融资，由经纬创投领投，上海闵行国资战略跟投。

今年4月，灵境智源发布了国产化“具身智脑”致境T系列新品。具体包括国产化具身“小脑”T40、“硅基皮层”思境Si-Cortex S100、国产化具身大脑T200/T80等四款产品。目前，灵境智源已推出N系列与T系列双产品路径：N系列兼容主流生态，实现客户无痛迁移；T系列打造全栈国产化方案，芯片、系统、算法全面自主可控。

此外，灵境智源全球首创“德沃夏克架构”，即打造首个“大脑-小脑-皮层”三位一体集成的类脑端侧计算架构，将感知端的延迟压缩至毫秒级以内，更在系统层面构建工作-情景-语义三层记忆能力，让机器人具备“感知即行动、经验可进化”的核心能力，为具身智能全场景应用筑牢底层架构支撑。

此前的发布会上，灵境智源表示，未来会专注于解决四方面问题：第一，具身智能的专用芯片的问题，以及它应该有的硬件的底座。第二，解决具身智能专用的操作系统的问题；第三个问题，它应该是一个什么样的类脑的基模框架。第四个问题，解决落地的问题，工程化的问题，解决方案的问题。如何让一百款甚至一千款不同的本体型号都可以快速拥有一个匹配自己身体的脑。

据介绍，灵境智源成立于2025年7月，定位国内具身原生全栈计算底座服务商，并非单纯上层算法方案商，聚焦具身智能底层Infra，主打国产自主可控端侧软硬一体全栈方案，全面适配人形、轮式、四足等全品类机器人形态。

从阶段成果来看，成立不足一年的灵境智源已对接超过300家具身智能企业，行业覆盖率超过70%。其中，超200家客户完成批量装机、小批量订单落地，单家最高下单量超过千台。产品已在数百款人形机器人及泛具身工业设备、医疗设备等多场景落地。

并与乐聚、星海图、帕西尼、智平方、傅利叶等头部厂商建立深度合作，其基于德沃夏克架构的整机方案已成为多家头部厂商的核心选择。

据灵境智源介绍，公司本轮及后续融资的方向主要聚焦于四个方面，即团队、量产、芯片、生态。

团队是第一优先级。灵境定义的是具身原生计算底座——芯片、操作系统、模型三层全栈自研，每一项都是硬骨头。据悉，多位芯片架构、操作系统、具身算法等方向的核心人才已就位。灵境智源的强大的研发团队版图，蕴藏着这家公司真正的底气。

双系列产品产品规模化。前文提到的300+客户、超200家客户完成批量装机，要变成稳定交付的能力。产线、供应链、品控，每一步都是硬仗。这笔钱投下去，是为了让国产化平台真正能扛住头部客户的规模化交付的需求。

芯片的前期验证已经完成。FPGA上已经跑通了原型验证，下半年将看到端侧算力预模型与之形成深度匹配。据介绍，在灵境智源加入了FPGA的T系列算力卡上跑Pi0.5模型的效率，已大幅超越用英伟达Thor芯片跑的标准水平。

标准生态卡位同样不容忽视。 具身智能行业目前最大的问题之一是没有标准，各家各做各的，谁都想当主导者但谁都不服谁。灵境智源选择做底座发起者，联合产业伙伴共建通用规范。标准的制定权，就是行业话语权。

稍早前，「明亮公司」与灵境智源联合创始人、副总裁须海江进行了一番交流，从具身智能本体的延迟问题切入，围绕技术、产品以及商业化等话题进行了详细阐述。

以下为「明亮公司」整理的访谈正文（有删节）：

Q：明亮公司

A：须海江 灵境智源联合创始人、副总裁

#01 让机器人具备「应激反应」，解决延迟问题

Q：具身智能从实验室到规模化，再到商业化，延迟问题一直是一个挑战。这背后的原因是什么？

A：关于机器人的延迟问题，我们从两个方面来看。

首先是“大脑”层面的瓶颈，基本上是因为推理速度还不够快。现在从推理速度来看，行业最优秀水平约为一秒钟10Hz的推理速度。而英伟达现在的主力方案Jetson Thor，基本上是在6~9Hz左右（即每秒推理6~9次）。如果想再往上去突破，就需要服务器级的算力，如2张5090卡的服务器，显然服务器是不可能装进具身智能本体之内的。如果算力再低一点，像上一代产品AGX Orin，仅4Hz不到，那动作自然会慢很多。这是第一个原因。

第二个原因，是整个机械结构和运动控制这一部分也存在一定挑战。但2026年初，我们已经能看初行业明显的进步，比如今年春晚，宇树机器人可以空翻跳跃，马拉松比赛可以实现跑进1小时大关，轻松突破人类极限的2倍，我们看到机器人的运动能力和一年前相比是飞跃式进步。

但这里需要提及的是，下肢运动能力很强了，但是上肢的操作能力和大脑思考能力有待提升，现在的很多推理的过程仍要经过机器人的“大脑”，这是存在延迟的一个重要原因。而灵境智源所要解决的问题是，在一些行为上机器人是否有可能像生物应激反应那样，不经过大脑。对比我们人类，很多反应是本能性的、不需要经过大脑；还有一些问题的解决是基于经验，并不需要每次重新思考推算，能直接给出结果，比如说“2+2=4”，我们能直接给出答案。

所以从生物脑角度来说， “大脑”“小脑”分别有应激反应的。现在的技术体系还没有真正往这个方向去应用。这样就可以大幅度降低系统延迟，提升操作效率和精度。

Q：目前灵境智源解决这一问题的思路是什么？

A：从小脑的角度来说，我们现在如果把感知到行动这一块直接拉通，那小脑就可以实现一种从感知到行动决策的持续反应。比如在演示中，机器人抬着“眼睛”看楼梯的这个动作，它其实就是感知到行动直接来的，没有经过大脑。再比如，我们发布的硅基皮层，它其实就是我们的视觉皮层。视觉皮层处理速度会特别快，它可以代替原来很多视觉感知处理的工作，这样就能大大压缩处理时间，然后再传给小脑去做动作。

Q：除了算力、算法，在训练数据这方面一直也是具身行业的一个痛点。

A：对，现在行业里的数据集问题，是一个核心痛点。在此前我们发布四款新产品的过程中，有2款产品在针对数据采集的问题而生，数采存在这几个问题。

第一个时间同步问题，各种传感器的数据在时间上是不同步的。有激光雷达，也有各种摄像头还有IMU以及关节的数据。由于品牌和技术不同，从视频输出到后端收到这个数据，中间就是会有时间差。这带来一个很大的问题，就像人的两只眼睛一样，一个乒乓球飞过来的时候，如果两只眼睛看到的时间不同步，那你看到的就不是一个球，而是两个球。那人的大脑就会有错觉，处理不了。对本体数据采集而言，视觉、深度、姿态、位置等信息不在同一个节拍，这样的数据将无法实用。

而借助感知皮层也就是硅基皮层，我们就能实现全身感知数据的帧同步，甚至达到像素级同步。从处理并发的能力来看，它可以接入十几路传感器；从同步精度来看，能实现微秒级，甚至纳秒级同步。这无疑是一次巨大的提升。

第二个问题是，当大量高清数据输入后，并非每一帧图像、每一个画面都需要核心算力去处理。

我们的注意力机制决定了，输入数据中其实存在大量无效画面。对于VLA这种大模型而言，需要先筛选出真正有效的画面，确定哪些数据需要缩小、哪些需要裁剪，如果用CPU、GPU完成这些预处理工作，会消耗大量资源且会产生严重的延迟。而使用硅基皮层完成这部分处理，可以在微秒级直接筛选出后续算法模型真正需要处理的图像。

Q：明白。我可不可以简单理解成灵境智源有两条路径：一个是并发更多、把不同步的时间差降下来；第二个是做数据筛选，不是所有数据都要回来再让GPU和CPU去操作。

A：对。

Q：目前如何理解虚拟生成数据和真实数据之间的关系？

A：关于真机数据和生成数据（虚拟数据），行业已有共识——真机数据和虚拟数据各有各的用处，需要结合来用。仿真数据可以大量倍增，适合预训练进行模型，真机数据采集昂贵但是可以落地，适用于后训练场景落地。

Q：从技术层面到商业化，灵境智源的节奏是什么？

A：在技术领域我们始终处于行业前沿，从技术原生底层出发，遵循预研一代、研发一代、落地一代的迭代路径推进。

目前我们已经完成商业化落地的产品，已经过2-3年的技术迭代，完全具备行业普适性。

我们正在攻关的具身智能领域诸多空白问题，将应用到下一代产品中进行商业化。

Q：那从商业化的路径上看，你们和传统硬件厂商有什么差异？

A：硬件部分，我们是作为供应商。软件和模型部分，我们是可以合作的。比如说我们自己做的视觉模型，再比如说接下来会研发的一些长线能力，比如“基于经验的自我进化系统”，更多就是合作的方式。因为像经验进化系统这种东西，它一定是跟本体企业联合开发的。

另外，像一些比较偏场景的操作项目，我们也可以直接在场景里去使用本体厂商的本体，去对接甲方的项目要求，直接做这些数据采集和操作落地。所以整体来说，我们的商业模式会比较灵活。

Q：未来在模型上的，可以理解为一个“闭源”模型？

A：对于终端客户和“二开”（二次开发）厂商，我们可能还是以闭源为主。但对于本体厂商，我们可以用开源、定向开源的方式去合作，甚至一些IP买断这样的合作方式也都是可以的。考虑到具身智能现在的整系统本身就是一个很复杂的系统性问题。一个模型很难被完全割裂出来，一个硬件也很难说拿过去就能随便用，基本上都要大家联合来做。

#02「德沃夏克」架构有望实现计算效率弯道超车

Q：之前灵境智源也发布了“德沃夏克”异构计算架构，其背后的战略和技术逻辑是什么？

A：冯·诺依曼计算架构解决的是传统计算机问题，让指令和数据之间可以快速、无缝地对接。

但是具身智能的架构，不能直接照搬这套逻辑。在具身智能体系中，我们划分出大脑、小脑以及其他计算单元。那我们该如何定义这样一套架构呢？

我们是从生物脑的角度出发推演得到的：生物脑本身包含大脑、小脑、皮层、海马体、神经中枢等结构，我们从这套生理结构中提炼出对应的计算架构，并将其命名为“德沃夏克”异构计算架构。

该架构的部分计算逻辑，是通过皮层技术直接连接小脑，绕开了VLA依赖token解决所有问题的路径。

Q：目前产品主要有两个系列，包括N系列和T系列，背后的逻辑是什么？

A：对，因为灵境智源是一家新公司。我们要走国产化这条路，不能盲人摸象，也不能摸黑走。首先要做的事情，就是去了解全行业的需求。就是看大家都在用什么。

在当前的整个计算范式领域，英伟达是行业的绝对代表，占据了绝大多数的市场份额。因此，如果我们要推进国产化替代，第一步必须先达到它的现有水准，第二步再去寻求技术超越。

目前，我们基于英伟达框架开发的大模型可用性，已经得到了全行业的认可。而我们的T系列产品，已经在各方面达到甚至超越了英伟达的技术指标。我们认为，在未来两到三年内，灵境智源会在这套架构上展现出绝对优势。

这本质上更偏向一个战略层面的选择，如果单纯比拼摩尔定律、卷算力，我们不一定能胜过英伟达，但从计算效率、依托架构重构计算范式的角度来看，我们拥有弯道超车的机会。

Q：研发一个新的计算架构，挑战和压力来自哪里？

A：其实并没有太大的压力。

我们现在最重要的是，让Alpha客户先把它真正用起来，并且在指标参数上能看到确凿的、绝对的领先。随后的第二步，我们再去解决成本优化和量产这些问题，最后形成一个标准方案。

#03 护城河有四个阶段，现阶段是工程化能力

Q：考虑到量产，目前灵境智源在供应链和材料上的考量是什么？

A：目前在硬件层面，灵境智源有自研芯片，而且我们的自研芯片会在五年内走出三代。

另外，我们不必一味追求极致的摩尔定律，可以采用多点打单点的思路，依靠分布式算力解决问题。再搭配我们这套大脑、小脑、皮层的分层架构，本身就能降低对制程工艺的要求。

除芯片层面的布局外，我们目前已经在推进供应链问题的解决，为量产做好准备，正针对未来100万台的产能规模提前规划。我们的每一道工艺都会围绕这个目标进行考量：当未来达到百万台量产规模时，它能否适配自动化生产，能否实现真正的批量稳定量产。

Q：下游本体企业准备好了吗？

A：行业里的一个流行观点是是，接下来的两三年是一个规模化的窗口，尤其是2026年。我们也期待2027、2028，甚至到2030，这个行业会朝千万台去走。所以从我们的角度来说，无论是技术还是供应链，都要先做好准备，而不是等行业起来了再跟着走，而是要在前面。换句话说，我们希望自己是跟着行业一起进入爆发状态，甚至是领着行业走，而不是被带着走。

Q：如果总结来看，如何表述灵境智源未来的竞争壁垒？

A：灵境智源当前的护城河和长远的壁垒，是分阶段构筑的。

当前阶段我们的护城河，主要来自去年开始积累的大量差异化解决方案。我们目前拥有超过200家客户，基本通过针对行业的创新设计形成了差异化护城河；到发展中期，我们将开始构建规模化护城河；进入第三阶段，我们的操作系统与模型将发力，形成新的护城河；第四阶段则是依托芯片结合软件与操作系统，最终形成用户依赖度极高的完整系统。

#04组织管理：相信创新、相信年轻人

Q：具身智能需要协同到软硬件，如何看待目前具身智能在组织上的一些创新实践？比如如何同步管理研发科学家、工程师和供应链。

A：有。现在创业的科技公司，大概都要解决两个问题，第一是如何让科学家的科研技术能够转化。第二，如果你只有工程化团队，而没有真正的技术，你又走不远。所以对科技公司的挑战就是，你既要有科研，也要有工程。

像灵境智源现在的情况，就是两者都具备。我们的创始团队里，既有像新加坡南洋理工大学、上海交通大学的教授，也有芯片、算法、模型方面的专家；在工程化团队这边也是产业老兵，大家都非常清楚怎么去做转化。这也让我们能够踏踏实实一步一步往下走。

Q：在管理的方法上，是否和之前的企业有明显的区别？

A：可以这么说。现在我们觉得创新是非常重要的，所以在团队管理上，我们更多是弹性管理，鼓励创新，鼓励年轻人。我们现在有Leader甚至是尚未毕业的博士生或许他没有管理过特别大的团队，但如果从学术和技术能力的角度来说，他是非常有分量的。

但如果是偏执行的团队，比如偏制造、偏测试这些，我们还是会用比较传统的企业管理方法，会设规则、设checklist、设团队工作的流程。所以整体来说，就是有流程化需要的部分，我们用流程；有创新性要求的部分，我们更多用激励型的方法。

本质上还是一种新老结合、弹性管理的方式。

Q：明白。那公司现在整体团队规模大概是一个什么样的水平？

A：我们去年（2025年）7月18号刚成立的时候，团队还只有十来个人。现在已经到170个人。今年我们的计划是到250人，当然也要看市场情况，甚至可能到300人。

但我们一个很典型的挑战，是如何应对市场变化。因为这个行业变化太快了，可能是按周、按月在更新。你可能刚规划了一个要做的技术，明天别人就发布了。那你就得重新思考，这件事情还要不要继续做。

#05 行业「卷」但更令人兴奋

Q：在产业层面，如何看待目前具身智能的竞争格局？

A：我觉得各家的技术路径和商业模式规划不同，所以不太适合一一比较。总的来说，我认为国内现在大概分成两大类：一大类是主本体运动的；一大类是主操作的，也就是更偏大模型研发的厂商。

主本体这类公司，它们的优势很明显，就是本体的稳定性、可靠性、耐用性，这些东西会成为很多场景里面最可依赖的底座。而且，这本身也很难做，包括成本控制等方面。

如果是主操作这类公司，那最重要的就是数据和模型。谁能积累足够多的数据，谁就会形成很大的护城河。包括模型的跨场景泛化能力、二开的利用度，以及模型和本体能力之间的协同，这些都很重要。

从全栈能力上来说，我们看到国外像Figure是非常突出的，波士顿（动力）也还可以。但如果从一些单点能力上看，国内很多厂商其实已经超过国外了。

如果是国内厂商之间比较，有先来后到。后来进入的厂商，未必实力会差。因为它站在现在这些技术肩膀上，可能也会很快走到一个比较高水平的阶段。

而且这些后来者，很多可能本身就是上市公司、制造业强企或者科技强企。它们目标很清楚，自己也有数据和应用场景，所以这些玩家不可小觑。走在前面的公司，如果自己的数据和场景没有真正做好，也一样可能出问题。

Q：制造业本身具备的场景、以及未来应用的规模经济效应，是否会对后来的创新公司形成压力？

A：会有压力。现在已经可以看到，一些制造业企业、汽车行业背景的公司，一进来对成本的要求就非常高。而科创型的本体企业，前期可能更多还是先把东西做出来，对成本不太纠结。但从整个产业来讲，目前具身智能整体都还是一个高成本状态。包括传感器、关节等零部件产品，成本都都严重依赖规模。只要这个行业的量起来了，规模效应产生之后，成本就会很快压下来。这就是我的看法。

Q：未来的融资节奏？

A：完成天使轮融资后，我们开放了Pre-A轮融资。但我们还是会比较定向去寻找匹配的投资人，一是看对方主投的领域；第二是看流程是否繁琐；第三是看能否带来资源加持。总体上综合考量。

Q：现在这个行业会感觉“卷”吗？

A：我觉得这其实是一种很“爽”的感觉。因为现在很多新技术的发布——尤其在运动学这些方向——大多数新技术可能都来自国内。你会看到一家一家地在往前推，这会让你觉得自己也是其中一员，会有一种骄傲，也会为整个行业的繁荣发展感到欣慰。特别在具体场景的操作落地上，我们也看到非常多的力量开始往场景化落地方向走。这件事我觉得也是非常令人欣慰的。

所以肯定有“卷”的味道，但我觉得这种“卷”是值得兴奋的。