对话大晓机器人王晓刚：具身智能的“ChatGPT时刻”不会凭空到来，需要数据和模型“两道关”一起过

本文来源：时代财经 作者：吴典 林心林

图片来源：视觉中国

“我们（大晓机器人）也是商汤孵化的，与商汤及其生态企业也有比较好的合作。具身智能发展至今，还是先面向B端落地，这方面商汤积累的产业落地和商务渠道具有先天优势，会形成合力。”

8月19日至23日召开的2026世界机器人大会期间，大晓机器人董事长、商汤科技联合创始人王晓刚与媒体展开了一场对话。他向时代财经表示，AI 1.0时代的“四小龙”里，商汤是商业化做得最好、规模最大的，只不过在整个商业化过程中，它的效率较低，推广成本比较高。

王晓刚向时代财经强调，商汤的商业化能力并不弱，连续10年在全球计算机视觉市场份额位居第一。这些沉淀为大晓机器人提供了“养料”。

今年是大晓机器人首次参展，这家成立仅一年的具身智能公司便带着开悟世界模型3.1、环境式数据采集方案2.0，以及“晓满”“晓新”“晓途”三大行业解决方案亮相。

大约30分钟的交谈里，王晓刚谈技术路线、数据壁垒、商业化节奏，但他的重点始终落在一个判断上：具身智能的“ChatGPT时刻”不会凭空到来，它需要数据和模型两道关一起过，而大晓机器人已经把两张“牌”攥在了手里。

环境式数据采集，效率“高百倍甚至不止”

今年4月的一场国际论坛上，王晓刚提到“具身智能的ChatGPT时刻”，他认为，所谓的“ChatGPT时刻”就是具身智能能够实现智能涌现，且有更好的泛化能力。

这一时刻的到来，需要两个前提：其一是数据量，2025年行业数据量大约是十万小时的量级，到2027年年底，大晓机器人要实现千万小时级别的数据量；其二是模型，要通过世界模型从海量数据里真正学到物理规律、因果逻辑，这是非常重要的一点。

两年时间，从十万小时到千万小时，这一大跨越的关键在于数据采集方式的根本转变。2025年3月，大晓机器人新加坡团队研发了“以人为中心”的环境式数据采集方案。

这个过程中，王晓刚将数据质量从L1到L5分为不同阶段。比如L1阶段，可能只有单目或双目摄像头采集的视频，缺少更丰富的标注，场景也相对单一。这样的数据即便规模增加，智能上限也比较有限。

L5阶段则是从头部、胸口到手腕都会配备不同类型的传感器，包括力触觉传感器。数据采集完成以后，还需要对手部、身体各个关节以及接触的物理对象做准确定位和追踪，并对力触觉信息进行建模。

王晓刚判断，这种方式的效率比传统真机采集“高百倍甚至不止”。按其所言，传统真机采集需要购买大量机器人，价格几十万元一台；另外还要雇专业人员在搭建场景里操作。

而环境式采集的设备成本能够降到几百到几千元，且不需要专门雇人，而是让现有员工在真实生产生活中佩戴设备，一边正常工作一边采集数据，“一天下来可能多一百元成本，就能有完成的采集数据，均摊下来人员成本也大幅降低”。

VLA是模仿学习，世界模型才是未来方向

至于技术，王晓刚很明确：VLA是模仿学习，世界模型才是具身智能的未来方向，“它能够带来具身（智能）的‘ChatGPT时刻’”。

王晓刚介绍称，VLA主要针对特定任务、特定本体，本质上是模仿学习，对静态场景有一定应对能力。比如，你教它抓一瓶水，当物理环境不发生变化时，它能够预测手部轨迹、完成抓取。

但现实情况是，我们身处的世界千变万化、动态调整。而世界模型最大的特点是能够不断对未来状态进行生成和预测，知道采取某种动作策略之后，几秒钟之后会发生什么，因此更适配具身智能的现实应用。

今年3月，大晓机器人首次将世界模型部署到机器人端侧大脑，实现10Hz频率——每100毫秒对未来做出一次预测，预测时长约3秒。“这样它能非常好地应对世界的动态变化、交互，而且这个过程对精度的依赖性大大降低。”

例如，工业自动化场景中要求机器人不差一毫、上百次重复同一条轨迹，但有了世界模型后，它可以一边动作一边预测，并主动进行自我调整。

架构层面，大晓机器人于2025年12月提出理解、生成、预测一体化结构，这三项能力共享同一个特征空间，模型结构更简洁，推理效率更高。王晓刚指出，英伟达Cosmos3也采取了相同的架构，这是具身智能发展的大趋势。

行业技术加速迭代下，他有一个明确期待，认为或许未来几个月能够看到世界模型的Scaling Law（规模法则），“随着真人环境式数据量逐渐增加，基础模型越来越强，对真机数据的依赖越来越小。以前教机器人一个特定动作可能需要上百小时真机数据，如今有了强大的基础模型，可能只需要几个小时甚至更少，而且能观察到智能涌现”。

但王晓刚不认为“ChatGPT时刻”就是终点，他强调即便到了那个时刻，也只是行业的新起点。在他的判断里，机器人的商业化落地要经历一个to B、再to C的顺序，需要等软硬件成熟度更高、安全性和可靠性都建立起足够信心以后，再逐步进入家庭。

基于此，大晓机器人在选择落地场景时会考虑三个因素：其一是可复制性，有可复制性才能规模化；其二是业务方向的上限；其三是场景中要包含足够的信息密度和智能密度。