图灵AI对话|从自动驾驶到机器人便利店，伊帅：零售是具身智能最快的练兵场

2026年的具身智能赛道，热闹与焦虑并存。一边是人形机器人轮番亮相，从翻跟头到拧螺丝，不断刷新着“能干活”的极限；另一边，一个尴尬的问题始终悬在行业头顶：然后呢？

能抓取、能移动、能对话，这些能力如果最终无法落地为一门可持续的生意，再酷炫的技术也终究只是实验室里的展品。在这场集体“找场景”的浪潮中，商汤善惠选了一条不太一样的路。

作为商汤科技旗下专注智慧零售的生态企业，商汤善惠的核心产品不是某款机器人，而是一套名为SenseMart OS的“零售物理操作系统”。其旗下的烧卖购机器人小店已在上海落地十余家，是国内首个跑通单店盈利模型的具身零售品牌。在这一思路背后，站着一位在商汤体系内深耕十年的技术人——联合创始人兼首席科学家伊帅博士。

图注：现场拍摄 胡占莉 未来图灵总经理 （左）伊帅 商汤善惠联合创始人、首席科学家（右）

伊帅的履历，几乎是一部中国AI产业化落地的简史。从清华电子系到港中文博士，师从商汤科技创始人汤晓鸥、大晓机器人创始人王晓刚教授。从商汤早期的计算机视觉算法，到自动驾驶，再到中东、东南亚的海外技术输出，最后落在今天的具身零售。将自己的职业路径概括为一句话：“做技术的落地。”

在伊帅的逻辑里，具身智能真正规模化落地的第一站，不是工厂，不是家庭，而是零售——体量大、场景可控、数据真实高频，是当前技术阶段的最佳练兵场。商汤善惠要做的，是站在本体厂商的肩膀上，用一套操作系统把感知、执行、交互、决策真正串起来，让门店的账本自己跑起来。这位曾经的纯算法研究者，如今更愿意从转化率、复购率、回本周期这些朴素指标出发，重新审视AI的价值，机器人能抓取只是及格，能赚钱才算毕业。

从清华到商汤：十年“技术落地”的认知跃迁

Q

伊帅博士，您从清华到港中文，再到商汤十年，从基础算法研究到自动驾驶、智慧体育，再到今天的具身零售。您能讲一下这个过程吗？

伊帅：我2008年进清华电子系，2012年毕业正好被汤晓鸥教授招到香港中文大学读博士。那时候还没有“大模型”这个概念，我们叫深度学习，用现在看起来非常落后的卡去跑ImageNet（大规模视觉识别挑战赛 ）。毕业之后加入商汤，这一待就是十年。从早期的智慧城市算法、人脸安防，到智能驾驶，再到2018、2019年去新加坡组建研究院，2021年到沙特做海外业务，也组建了沙特的研发团队。后面因为疫情和行业调整回到国内，开始做零售方向。

如果用一句话总结我的职业经历，就是做技术的落地。不管在哪个国家、哪个场景，我一直在做的事情就是把最新的技术能力转化为场景里真实可用的价值。我自己也比较喜欢做这种“从0到1”的落地工作。

：Q

那在这个过程中，您是什么时候意识到“技术只有落到经营里才算数”的？

伊帅：这里面的核心逻辑是技术到价值的转变。新技术刚出现的时候，大家都爱讲精度多高、准确率多高。但到了具体场景里，你的精度怎么转化为场景价值？这件事很多技术以前是没有做到的。

举个例子，最早做新零售的时候，很多人做客流分析，说能精确统计进店人数、顾客在哪个货架前停留了多久。数据看着很漂亮，但交给经营者，人家根本不知道怎么用。即便你数得再准，也没能帮这家店提升营收。直到最近两三年，随着技术成熟，我们才找到一些真正能让门店经营变好的路径，买单的人自然就出现了。这就是从“技术导向”到“结果导向”的转变。

：Q

具身智能现在很热，工业、家庭、零售都在谈。您为什么判断零售是最快的落地场景？

伊帅：零售一定会比家庭快很多。家庭场景太开放了，每家每户都不一样，而且成本极度敏感，决策链路又长又复杂。零售呢？虽然每家便利店有差异，但整体布局和场景是相对固定的。而且它体量巨大——全国线下的便利店、零售店是百万级别的，这些店都需要技术升级。7×24小时服务、人力成本上涨、消费者对服务体验的要求提升，这些都是真实存在的痛点。综合体量和落地难度来看，零售就是当前具身智能最好的规模化练兵场。

SenseMart OS：把“开店”变成一套操作系统

：Q

商汤善惠把SenseMart OS定义为“零售物理操作系统”，而不是机器人OS或零售SaaS。这三者的本质区别在哪里？

伊帅：最重要的一点，它是一个结果导向的操作系统。我们把它叫“零售物理操作系统”，核心目的就是帮助经营者更好地赚钱，给消费者提供更好的服务。它是为了结果设计的，不是为了完成某些技术功能设计的。这个系统包含四个核心能力：感知、执行、交互、决策。它不是一个单点技术栈，而是一个综合性技术栈，通过一个统一的大脑在场景里做各种调度。

：Q

能不能描述一个具体的场景？比如我走进烧卖购，想买一杯咖啡和一瓶饮料，这套系统是怎么运转的？

伊帅：首先要澄清一点：真正的服务不是从你下单才开始的，是从你进店、甚至还没进店就开始了。整个时间维度上，我们要覆盖怎么引导你进店、怎么介绍商品、怎么引导选购，最后才是交付。所以第一步是感知——感知店里的商品状态，哪些缺货了、库存如何；同时感知顾客的状态，他是很着急还是有时间可以互动。

然后是交互。大模型会根据感知到的信息跟你打招呼、聊天、做推荐。比如看你像是赶着上班，就推荐一杯咖啡；看天气很热你刚运动完，就推荐运动饮料。下单之后，系统会根据不同本体的形态来决定谁去执行什么任务最有效率，这是一个运筹调度的问题。最后才是机器人把商品准备好递给你。

你会发现，真正的执行动作只是整个链路里很少的一部分。过去执行是短板，现在我们补齐了，感知、交互、决策这些过去积累的能力就一起串起来了，形成一个“四位一体”（负责洞察状态的感知、负责沟通推荐的交互、负责运筹调度的决策，以及负责最终交付的执行）的零售大脑。

：Q

执行环节具体是怎么组织的？比如两台不同形态的机器人怎么协同完成一个订单？

伊帅：执行里面有一个非常重要的点，是整个数据系统和动作库的设计。我们把机器人在店里能做的动作拆解成原子能力——移动到货架前、伸手抓取、移动回来、放置到交付台。拿一瓶水和拿一支雪糕是不同的原子动作组合。每个原子动作都有单独训练的小模型，保证执行精度。然后通过一个Agent的方式来做任务编排：接到一个订单，把它拆解成若干个原子动作，再调用对应的模型把动作串起来完成交付。

这样设计的好处是迁移能力强。比如我们卖生啤的机器人和打冰淇淋的设备操作逻辑是一样的，学会一个动作就能快速迁移到另一个场景。随着数据积累，从单点能力拓展到更多品类的速度会越来越快。

：Q

如果顾客在嘈杂环境里下单，旁边人喊了一句“可口可乐”，系统识别错了怎么办？

伊帅：这恰恰是交互模块发挥作用的地方。我们没办法保证每一次识别都100%准确，但交互给了纠错的机会。比如你下单了，我们的机器人会确认：“你要的是一瓶矿泉水吗？”发现不对可以马上纠正。这和真人店员一样，拿错了你告诉他，他马上换。执行只是最后一步，拿哪个水、推荐什么水、卖多少钱，这些才是零售系统真正的灵魂。

：Q

什么情况下会启动远程接管？

伊帅：一些异常情况，比如抓取时商品掉了、洒了，或者交付台脏了需要清理。这些场景目前大概占5%左右，我们会通过远程的人工接管来解决。这是我们有意识的选择——第一天就追求100%的算法精度，要么功能受限，要么上线速度变慢。我们更看重功能的完整覆盖和上线速度。先跑起来，把数据积累起来，再通过算法迭代逐步覆盖这些长尾case。就像特斯拉，它也不是先攒够所有数据再上路，而是先上路，让数据自己长出来。

数据飞轮与单店盈利：真实订单“喂”出来的能力

：Q

具身智能的数据采集成本很高，但您在零售场景里发现了什么不一样的东西？

伊帅：从视觉到大模型再到具身，其实走了一条“线下—线上—线下”的路径。回顾一下，视觉时代数据采集是在线下的，很贵；大模型时代数据都在线上，爬下来就行，所以互联网大厂能把模型推得很快；到了具身智能，又回到了线下，每个场景都需要去真实环境里收数据。

我们的思路是：先快速落地一家店，让它具备经营上的竞争力，跑起来之后数据就顺理成章地产生了。不需要额外花大量人力去做采集。未来我们的数据采集应该是“润物细无声”的——只要店在经营，数据就源源不断地产生。

更关键的是，我们设计了一套全模态的数据采集系统。从你进店开始，视频数据、机器人视觉数据、动作数据、交互数据——说了什么话、什么表情——还有经营数据，商品库存、售价、交易信息，所有这些数据都会汇集在一起，做时间维度和空间维度的对齐。它就像对这个场景的一个全维度录制。现在我们训练模型的时候，可能只抽取某个时间切片或某个模态切片来用，但未来它是有机会支持端到端训练的，可以直接以交易为目标来做强化学习。那才是数据价值真正被用到极致的时候。到那个时候，它不一定还叫具身智能，而是真正的人工智能在线下零售场景里完成闭环的时刻。

：Q

我们了解到，商汤善惠之前积累了很多商品识别的能力，这对机器人零售有什么帮助？

伊帅：这其实是我们的一个重要优势。商汤善惠在智能柜识别算法领域已有规模化积累，在全国的智能柜市场，可能有10台柜子里就有1到2台用的是我们的商品识别算法。这个积累意味着什么？当我们做机器人店的时候，售卖一个新品，我们不需要额外的注册、建模，系统已经具备了对这个商品的识别能力。这种冷启动，对我们来说其实是“温启动”，这让我们的落地速度比从零开始的团队快很多。

：Q

您判断一个单店模型跑通的标准是什么？

伊帅：我们的目标是单店能在一年左右收回投入成本。目前有一些店已经跑通了，有一些还在努力，平均来看已经接近或快要达到这个标准。达到这个水平之后，后续的推广就没有额外负担了，因为从经营角度看，它已经是可持续学习盈利的状态。

：Q

在WAIC、青岛啤酒节、苏超这些高人流场景，对系统的价值在哪里？

伊帅：这些场景对我们来说是非常宝贵的压力测试。线下场景有一个特点：你很难在短时间内遇到所有问题。但在WAIC这种高人流活动里，我们一个店一天执行了大概1200个订单，接近极限值。这种高强度验证了系统的稳定性、网络连接的可靠性，以及快速部署的能力。

我们还验证了一件事：移动性。我们的店设计成了“舱体”形态，可以快速搬走、重新部署。比如你希望哪个地方开店，我今天晚上运过去，第二天就能开业。这种轻部署的能力，对下游投资人来说很重要，他们的投资不会被浪费在一个固定点位上。

不做本体、做“安卓”：开放生态与非人形的未来

：Q

现在具身智能公司都在卷本体，商汤善惠为什么不自己做？

伊帅：我们的定位非常清晰：不会自研本体，会借助各种各样的本体的能力去打造我们这样一个操作系统。往上承接各类本体能力，往下服务运营商、品牌商、场地方。本体公司继续发挥机械结构和运动控制的优势，我们在上面叠加零售场景感知、任务规划、交互、交易履约和经营分析。现在一个店里最终不会只有一种机器人，拿瓶子可能夹爪就够了，做食品需要灵巧手，有些场景需要吸盘。不同的任务需要不同的本体。我们设计了一套开放的异构本体接入平台，任何一家本体公司都可以通过统一接口接入进来，我们的零售大脑会根据任务需求给不同的机器人下发指令。

这个阶段，中国行业已经很卷了，大家都需要找到自己的生态位。我们希望和上游一起把蛋糕做大，而不是挤压他们。底层能力上有很多公司都在探索不同的技术路线，最终谁能跑出来也不确定。我们不押注某一家，而是保持开放，不管上游技术怎么迭代，都能被我们的系统吸收，最终服务于下游客户。

：Q

那我们在海外是什么样的一个拓展规划呢？

伊帅：我在商汤就一直做海外业务，中东、东南亚、东北亚都跑过。一个很深的感受是，中国的技术在东南亚、中东等区域具有比较明显的领先优势，而且很多国家对新技术的渴求程度甚至超过了中国。海外一些国家便利店的场景极其成熟，但劳动力严重缺乏，也难找到足够的服务人员维持大量便利店运营，因此我们的方案可以成为补充。我们现在已经在做联合POC，计划今年内实际落地。

：Q

回到技术本身的演进。现在大家都在谈AI Agent，SenseMart OS距离真正的“零售AI Agent”还有多远？

伊帅：Agent的核心是灵活调度各种能力去完成目标。那零售的目标是什么？就是两个指标：转化率和复购率。进店的人会不会买东西？买了第一次会不会买第二次？这是零售经营最重要的两个数。我们的Agent就是要基于各种信息输入，灵活地调用感知、执行、交互、决策四种能力，来优化这两个指标。

举个例子，交互这个环节。为什么直播带货比传统电商转化率高？因为有人开始跟你说话了。好的销售员能让一个没打算买东西的人买完再走，差的销售员能让你本来想买都放弃。未来机器人也是一样，它说什么话、怎么说，直接决定了转化。这个能力很多做单点技术的公司是不考虑的——做大模型的公司只想怎么聊得开心，做本体公司只想怎么抓得稳。但每一个单点能力都只是拼图的一部分，我们要做的是把这些能力放在一个平台下，服务于同一个目标。这才是“零售AI Agent”真正到来的标志。

：Q

最后一个问题，具身智能的未来形态一定是人形的吗？

伊帅：我不觉得。人形只是参考之一，不是最优解。你看生物界，为什么动物不是都进化成人的样子？猫有猫的形态，螃蟹有螃蟹的形态，都是为了适应特定的生存环境。未来的具身智能，从性价比最高的逻辑出发，应该根据任务来组合能力。跑得快就强化腿部，擅长操作就强化手部。很可能最后的形态是异构的、拼装的，而不是一个统一的“通用人形”。我们的操作系统要做的，就是在不同形态之间做好调度和协同。人形在某些场景——比如需要和人建立情感连接的时候——有它的价值，但在执行效率上，它不一定是答案。

零售不会是具身智能唯一的答案，但很可能是那个最先被真实订单、真实商品、真实消费者验证的答案。当“会干活”的机器人被装进一套“会经营”的操作系统，单店盈利、数据回流、生态开放和海外复制就不再只是故事，而是正在发生的生意。

*注：本文根据未来图灵与商汤善惠联合创始人、首席科学家伊帅博士的对话内容整理，编辑时略有删减。