独家｜清华团队组团创业，押注机器人端侧自进化，已完成首轮融资

过去一个多月，机器人学习的风向正在发生一些微妙的变化。

7 月，英伟达 GEAR 实验室、斯坦福和 UT Austin 联合发布 RoboTTT，把机器人的上下文利用拉到更长时间尺度；同期，自变量联合北京理工大学、清华大学推出 HOST，展示机器人从一次人类演示中快速获得新技能；到了 8 月，Generalist AI 的 GEN-1.5 和 Skild AI 的 S1 接连发布，后者甚至直接把“No Post-Training”写进了产品定义。

几支团队用不同方法把这个问题推到台前：机器人学习新任务，是否还必须经历“采数据—重新训练—再部署”这套循环？

李健雄第一次认真想这件事，是两年前。

2024 年，VLA 正在成为具身智能最受关注的技术路线。彼时还在清华 AIR 做博士研究的李健雄，却和团队讨论起另一个问题：如果机器人每遇到一个新任务，都要重新采数据、训练和适配，那么即使模型越来越强，它真的能够规模化部署吗？李健雄本科就读于西安交通大学机械专业，以专业第一的成绩保送清华，之后进入清华大学智能产业研究院（AIR），师从张亚勤院士。

他们把目标指向了 In-Context Learning——希望机器人像大模型读懂上下文一样，从人的示范、自己的历史交互和环境反馈中快速学会新任务。

但第一次尝试只持续了两个多月。

不是因为这个方向不重要，而是他们发现，想得太早了。跨本体的动作怎么统一，长时间的物理信息怎么装进 Context，模型结构怎么设计，数据从哪里来，当时几乎每一个前置条件都没有准备好。

于是，这群人暂时把那个更大的目标放下，开始一个模块一个模块地补。他们先做 UniAct，尝试给不同机器人建立通用的动作表示；后来做 X-VLA，把跨本体模型真正放到机器人上；再做 ODEWorld，继续压缩物理世界的时空信息，把原本只能容纳几十秒、几分钟的 Context 往更长时间尺度推进。

（来源：本溯智能）

几年后，这些工作又重新回到最初那个问题上。只是这一次，他们决定直接出来创业，并成立了本溯智能（Basal Intelligence）。如今，公司已经获得多家头部美元机构投资。

一起出来创业的是 7 名已经合作三到五年的核心成员。团队成员来自清华 AIR、UC Berkeley，以及北京大学、香港城市大学、北京邮电大学等高校。他们都曾在清华 AIR 学习或实习，过去几年一直围绕机器人学习、具身基础模型共同工作，能力覆盖预训练、后训练、世界模型、硬件、数据和测试等不同环节。

有人放弃了高薪工作，有人放弃了北美博士机会，李健雄自己也放弃了字节 Top Seed、小米等大厂的选择。他把最早这批人形容成“7 个小天才组团创业”。

团队想做的，并不是在训练一个更大的 VLA 或者 World Model。

李健雄甚至认为，今天行业争论 VLA 还是 World Model，可能并没有那么重要。在他看来，机器人真正需要回答的问题始终只有一个：当任务、场景和本体不断增加时，学习和部署的成本能不能反而越来越低。

因此，他们把赌注压在了 In-Context Learning 上。他们希望机器人不只是像刚刚发布的 GEN-1.5 那样“看一遍就会”，还能够记住自己刚才做了什么，知道哪里做得好、哪里做得差，并利用这些 Context 在端侧持续调整。跨任务、跨场景乃至跨本体的泛化，也希望最终被放进同一套学习机制里。

7 个年轻人，决定一起创业

DeepTech：我们先从你的过往经历讲起。你最初是怎么进入具身智能和决策智能这个方向的？

李健雄：我本科就读于西安交通大学机械专业，后来以专业第一的成绩保送到清华。到清华之后，我比较明确地想做一些和智能相关、尤其是让硬件真正“智能地动起来”的事情，所以进入清华大学智能产业研究院（AIR），师从张亚勤院士攻读博士。

我是 2020 年保研，当时 AIR 还没有正式成立，之后也见证了它从最初几个人发展成几百人的团队。博士毕业后，我选择自己创办公司，也希望重新经历一次从小团队开始、一步步把事情做起来的过程。

DeepTech：保送到清华之后，你的研究方向和本科阶段相比有变化吗？

李健雄：从现在回头看，主线其实没有变，都是具身智能。本科四年更多是在做硬件，到了清华之后开始做 AI、强化学习和 Robot Learning。

但在当时，这个跨度还是很大的。来清华之前，我几乎没有系统接触过 PyTorch、TensorFlow 这些框架，相当于从每天画 CAD 图纸，转向写代码、做 AI 模型和算法，是一次比较彻底的转型。

DeepTech：听说你毕业时也拿到了很多不错的大厂 offer，为什么选择创业？

李健雄：这个决定其实经历了差不多一年的思考。以前我更多知道自己喜欢做什么、什么问题重要，但没有认真想过，什么样的组织和路径最适合把这件事做好。

2025 年 9 月拿到一些大厂 offer 后，我也很心动，后来先去了字节 Seed 实习。但慢慢发现，大厂更偏集团化作战，很难长期容纳一些风险比较高、技术路线还没有完全确定的探索。我们团队其他成员后来也去了不同公司实习，大家逐渐形成了类似的判断。

我们觉得具身智能现在远没有收敛，还有很多没有解决的问题和没有确定的范式。这个阶段可能更需要一支小而尖锐的团队去探索，而不是沿着已有范式不断 Follow 和 Scale，所以最后决定自己出来做。

图｜BASAL Intelligence 团队在公司工区（来源：本溯智能）

DeepTech：你们是一支已经合作三到五年的团队，这次一起出来创业。你有和张亚勤老师聊过这件事吗？他给了你们哪些建议？

李健雄：有过很深入的交流，张老师对我们这样的年轻团队非常支持，也非常认可。具身智能现在还远没有成熟，它更像是一场十几年甚至二十年的长跑。

从短期看，我们团队确实比较年轻，有刚毕业的，也有还没有毕业的学生。但从长期来看，这也意味着大家还有很大的成长空间。创业这 1 个多月，我已经能明显看到团队每个人的变化。张老师也希望我们能在这个过程中充分淬炼自己、提高能力。

DeepTech：你希望创业公司的氛围和过去在 AIR 时有什么相同和不同？

李健雄：我们希望保留 AIR 早期那种开放、包容的讨论氛围，但会更加专注。

和很多创业公司相比，我们团队内部上下游之间没有太多隔阂，大家可以充分碰撞想法；但和 AIR 这样的学术平台相比，公司会锚定一个核心问题持续深入，而不是同时探索很多不同方向。

团队内部也没有很强的上下级关系，大家更多拿证据说话。比如我提出一个想法，第二天同学可能就用实验直接证明我是错的，我也会接受。我们希望一直保持这样的状态。

DeepTech：团队里的詹仙园老师也和你合作了很多年。你们是怎么决定一起出来创业的？

李健雄：其实是一个很自然的过程。我正式到 AIR 是 2021 年 7 月，詹老师也差不多在那个时间加入。最开始组会就我们两个人，后来团队一点点扩大，到现在已经有几十个人。

某种程度上，我们之前已经一起经历过一次从 0 到 1 的团队建设。所以这次一起创业，沟通成本并不高，更像是过去几年合作的一次自然延续。

他们想重新定义机器人怎么“学”

DeepTech：你们认为现在主流的具身智能技术路线存在哪些问题？

李健雄：现在行业讨论比较多的是 VLA 和 World Model，但我们认为，这些更多还是模型架构层面的争论。具身智能真正的主线始终只有一个：能不能把智能规模化复制，在越来越多的场景和任务中，以越来越低的成本部署设备。所以核心其实是部署成本，尤其是规模化部署成本能不能持续下降，也就是新增一个任务的边际成本越来越低，少采数据、不做参数更新、少派工程师驻场，把一部分适配成本从云端训练和人工运维，转成机器人本地利用 Context 完成。

现在有一种思路是追求 Zero-shot、开箱即用，但我们认为是不可能实现的，因为人也不能保证 100% 的 zero-shot 成功率；另一种思路是先预训练模型，再通过 RL、SFT 等后训练方式适配具体场景。这种方式虽然更容易落地，但仍然需要大量人工维护和针对性适配。随着场景、任务和设备数量增加，部署和运维成本也会不断增加，本质是“工业自动化 plus”。

在我们看来，这两个极端都有问题：一个距离真正落地还太远，另一个又容易退回到传统工业自动化的模式。所以我们希望探索一条能够真正让规模化部署成本持续下降的路线。

DeepTech：你们还提到“从决策智能的第一性原理出发”。决策在机器人模型里扮演什么角色？

李健雄：机器人本质上就是一个决策问题。人也是一样，我们看到什么、听到什么，然后决定下一步怎么做，大脑每天都在完成这样的过程。

决策的核心可以简单理解为：在给定观测或者 Context 的情况下，做出合理的 Action。

正因为从决策这个更底层的视角出发，我们才会跳出 VLA、World Model 等具体模型架构，回到更本质的问题：到底应该怎样定义问题，才能让机器人真正变得可用。

Robotics 也需要几类能力共同结合。一类是做决策模型的人，更关注问题如何定义；一类是真正做 Robotics 的人，知道现实世界里什么问题最重要；还有一类是做 Deep Learning 和大模型训练的人，能够真正把前面的想法构建成可扩展的系统。

DeepTech：前面你提到 VLA 和 World Model 可能存在一些问题。那你们公司现在具体在做什么？怎么定义自己的技术路线？

李健雄：我们要做的事情很简单，就是让机器人的规模化部署成本越来越低。围绕这个目标，我们现在采用的核心技术路线是 In-Context Learning。

但我们理解的 In-Context Learning，和 Generalist GEN-1.5 还有一些区别。GEN-1.5 已经证明，人类演示一次之后，机器人可以快速复现新的行为。但我们认为，仅仅做到这一点还不够。机器人真正进入家庭或者其他真实场景之后，不可能一直依赖用户去教它。

更重要的是，机器人能不能利用自己在端侧场景和任务中产生的 Context，不断自我提高。它需要知道自己刚才做了什么，哪些事情做得好、哪些做得不好，并在下一次执行时选择好的、避免差的。这也是我们所说的“端侧自进化”。

如果机器人每学习一个新技能，都还要依赖 RL、SFT 等后训练，就需要一套复杂的人工运维系统持续支撑，部署成本也会越来越高。所以我们希望机器人本身就具备学习新技能的能力；有些任务自己学不会时，用户也可以通过几次演示，让机器人快速掌握。

另外，In-Context Learning 还应该解决跨场景、跨任务和跨本体的泛化。

DeepTech：为什么认为 In-Context Learning 还能解决跨场景、跨任务和跨本体的泛化？这和 VLA、World Model 的思路有什么不同？

李健雄：现在很多具身模型之所以很难做到这几点，一个重要原因是没有充分理解当前场景、任务和本体特有的 Context。人也是一样，进入新的环境、面对新的任务和规则，只要获得足够的信息，往往就能比较快地适应。

所以我的判断是，跨场景、跨任务和跨本体这三个维度的泛化，最终都有可能通过 In-Context Learning 统一起来。相比之下，现在大家争论 VLA 还是 World Model，并没有那么重要。

我们认为，很多现有路线本质上还是在学习“每个任务应该怎么做”。但现实世界里的任务几乎是无限的，不可能把每个任务、每种场景下的答案都提前学完。如果依靠不断增加任务和数据去覆盖更多能力，学习效率会越来越低。

所以真正需要重新思考的，不只是模型结构，而是问题本身应该如何定义。

DeepTech：这个想法是什么时候形成的？

李健雄：这个想法形成得很早。大概从 2024 年暑假开始，我们就在想能不能做 In-Context Robot Learning。当时 VLA 的概念已经比较明确，我们就在思考，是否还有必要继续沿着这条路线往下做，还是应该寻找一种更适合自然交互和规模化部署的新范式。

但那时候真正做起来非常困难。我们尝试了两个月左右，发现前置条件还远远不够，包括数据、模型结构、动作表示等都没有准备好。我们不太想只做一个概念验证，所以后来决定先把问题拆开，把缺失的模块一个个补齐。

DeepTech：所以你们之前的一系列工作，其实都在为现在这条路线做准备？

李健雄：对。比如 2024 年 11 月我们先做了 UniAct，核心是建立一个跨本体的通用动作空间。因为如果要做 In-Context Learning，一个很重要的问题就是，怎么把人的动作或者一种机器人的动作，迁移到另一种机器人上，这需要一个足够通用的动作表示。

后面的 X-VLA、ODEWorld 等工作，也是在补不同的前置模块。X-VLA 更多是在模型结构上做定义，UniAct 解决动作表示，ODEWorld 则解决物理信息的高效压缩。

DeepTech：那你们现在的上下文长度大概能做到多长？

李健雄：过去一些模型的 Context 可能到几十秒或者一分钟左右就比较困难。通过提高物理信息的压缩效率，我们现在可以把每张图压缩到非常少的 token，Context 可以进一步拉到小时级。

从端侧“小闭环”到数据“大闭环”

DeepTech：具体到机器人本体上，你们现在这套模型和 VLA、World Model 有什么区别？一个完整的学习闭环是怎样的？

李健雄：首先从模型结构上，我们现在做的不是 VLA，也不是 World Model，而是一个更以 Action 为中心的模型。

VLA 可以理解为先通过视觉、语言建立对人类知识的理解，再进一步学习如何与物理世界交互；World Model 更强调先理解物理世界的规律，再进一步产生 Action。它们都比较接近先建立某种虚拟世界的智能，再延伸到物理世界。

我们的路径有所不同。我们希望模型首先通过大量交互，建立和物理世界交互、把任务执行好的能力，再进一步和语言以及人类知识建立联系。可以理解为先获得类似动物一样与世界交互的能力，再进一步形成更高层的智能。

所以我们从一开始关注的就是任务执行本身。

另一个区别是端侧学习。传统方式通常是模型下发到场景，采集新的成功和失败数据，再把数据回传，重新训练、更新参数，然后重新下发模型。

这个过程有两个问题。第一，每次梯度更新之后，模型性能并不一定稳定提高，新版本是否能够下发需要经过复杂验证；第二，如果模型能力提高必须依赖用户数据不断回流，就会带来隐私和信任问题。

我们的思路是，让能力提升更多发生在端侧，不依赖梯度和参数更新。机器人可以保留自己在执行过程中产生的成功和失败 Context，在下一次执行时利用这些 Context 调整行为。

这样，每一台机器人都可以形成一个自己的“小闭环”。当大量小闭环运行之后，又会产生大量新的经验，再通过合适的机制选择其中有价值的数据，构建更大的数据闭环，进一步提升通用模型能力。

DeepTech：如果机器人在真实世界里学到了错误经验，你们怎么避免这些错误继续影响后面的学习？

李健雄：光有 Context 还不够，机器人本身还需要一套具身原生的评价机制，知道哪些事情做得好、哪些做得不好。

同时，机器人还需要理解人类向它传递的偏好。未来机器人进入家庭或者其他场景之后，也不可能一开始就把所有事情都做好。用户需要能够告诉它哪里做得不对，或者直接给它演示一次。

所以未来人机共存还有一个非常重要的问题，就是怎样设计一个足够自然的 Interface，让人能够方便地向机器人传递任务、偏好或者新的技能。语言是一种方式，人类演示也是一种方式，未来还可能有更多不同的交互接口。

DeepTech：你们还提出围绕模型建立“硬件、数据、评测”等全闭环。为什么要把这些环节都做起来？

李健雄：机器人是一个非常复杂的系统，没有任何一个人能够把每个环节都吃得很透，所以各个环节之间必须高效协同。

我之前在大厂实习时感受比较深的一点是，从一个模型设计开始，到最终拿到一个准确、可信的实验结论，中间的链路可能非常长，也有很多变量。一旦其中某个环节发生变化，就很难判断最终结果到底由什么因素造成。现在很多具身模型的迭代，某种程度上仍然比较依赖经验和一些看起来有意义的指标。

所以我们希望建立一个足够快、足够准确的闭环。最理想的状态是做到“T+0”：一批数据进来之后，能够很快知道它会给模型带来什么变化，而不是一个模型设计要等七天甚至一个月，才能拿到比较明确的结论。只有闭环足够快，模型的迭代效率才能真正提高。

DeepTech：你们提到的“硬件”具体会做到什么程度？会自己造机器人本体吗？

李健雄：我们不会造本体，但会充分尊重硬件本身的复杂度，并和本体厂商深入合作。

2026 年这个时间点，中国已经有很多本体厂商，也有很强的硬件和数据供应能力。我们没有必要再造一套新的本体，而是希望发挥自己最擅长的大脑能力，和本体厂商、数据厂商形成合作。

这也是中国做具身智能很重要的优势。我们有非常丰富的本体和供应链资源，可以直接利用这些能力，而不需要一家模型公司把硬件和数据体系全部从头搭一遍。

DeepTech：你刚才提到，中国的优势更多在本体和供应链。那在数据上，你怎么看中美之间的差异？

李健雄：如果只看机器人学习数据，我反而认为美国目前更强。原因不是他们的数据量一定更大，而是很多数据是由真正懂机器人学习的人去设计和采集的，他们知道模型需要什么，因此数据本身更有针对性。

中国的优势是本体和数据供给都很丰富、成本也更低，但现在还缺少足够明确的技术指导，告诉大家什么数据最有价值？应该往哪个方向采？对我们来说，一个比较好的位置就是，一方面有自己对模型和技术路线的判断，另一方面又能充分利用中国现有的本体和数据资源。

DeepTech：那你们自己的数据主要从哪里来？

李健雄：我们会购买一部分数据，也会自己建设一套有组织的数据采集系统。

外部购买的数据里，我们比较看好 Ego，也就是第一视角数据。把时间拉长来看，这类数据的采集方式更加自然，随着设备精度提升，我认为它会成为非常重要的数据来源，而且数据量会越来越大、成本越来越低。

但仅靠通用数据还不够。类似大语言模型在预训练之后，还需要高质量的数学、推理数据进一步激活能力，机器人 In-Context Learning 也需要一些更有针对性的高质量数据。这部分数据会和我们的模型思考结合得非常紧，也是我们自己会重点建设的一部分。

DeepTech：现在已经开始采这部分数据了吗？

李健雄：已经开始采一部分了，但整体还处在比较早期的阶段，毕竟公司刚刚开始。

DeepTech：你们也把评测作为整个闭环的重要部分。如果重新设计一套 Benchmark，你们最希望测什么？

李健雄：还是回到最开始的问题，我们真正想测的是规模化部署成本能不能下降。

现在一种比较常见的评测是 Zero-shot，也就是模型能不能开箱即用。它当然能反映一部分模型能力，但具身智能天然存在无穷多长尾场景和长尾任务，不可能所有问题都依赖 Zero-shot 解决。

另一种方式是评测后训练的能力，能否通过 SFT 或 RL 快速适配具体任务。这种方法确实可以落地，但如果每增加一个任务都需要重新采数据、训练和维护，仍然不能大规模部署到真实场景中。

所以我们关注更自然的 Few-shot，也就是不希望通过后训练来实现新能力的获取。比如人类演示几次，机器人能不能学会？或者机器人自己尝试几次，能不能逐步把事情做会？这些能力不需要公司不断派工程师参与后训练，而更多来自用户或者模型自身。

如果完成一个新任务所需要的人类演示次数、机器人尝试次数能够不断下降，本质上就意味着部署成本在下降。我们认为这是具身智能更值得衡量的能力。

机器人也会有自己的 Scaling Law 吗？

DeepTech：你们未来会优先在哪些场景验证这套技术？

李健雄：现在已经有不少存量场景可以验证，比如工厂端和部分消费场景。

我们比较关注的是，模型能不能在已有场景里快速适应新的任务。比如一个机器人今天只能做一种产品，明天产品发生变化，它能不能用很低的成本快速学会新的任务。对现阶段很多机器人公司来说，这种快速适应能力其实非常重要。

再往后，如果部署成本能够持续下降，机器人能够进入的场景也会越来越多。家庭机器人是一个更长期的方向，因为家庭天然包含大量长尾场景和长尾任务，只有当部署和适配成本足够低，才真正有可能进入家庭。

DeepTech：Generalist 认为，随着 Physical Data 的规模不断扩大，机器人也可能像语言模型一样不断涌现出新的能力。你认同机器人也会出现类似的 Scaling 路径吗？

李健雄：我认为 Scaling 一定会存在，但关键是要 Scale 对维度。

如果一开始选择的问题定义就是错的，再暴力增加数据和算力，最后可能只是一个不断烧钱的无底洞。比如一味追求 Zero-shot，我并不认为这是最合理的方向。人本身也不是完全依赖 Zero-shot，很多新的场景和任务同样需要 Few-shot 才能适应。

所以真正重要的是找到斜率最陡、最有效的 Scaling 维度，而不是单纯增加数据规模。

DeepTech：有人把 GEN-1.5 称作机器人领域的“GPT-3 时刻”，你认同这个判断吗？

李健雄：我觉得还没有到，但它让我们看到了曙光。

GEN-1.5 证明了，人类演示一次之后，机器人可以快速复现新的行为，这是非常重要的一步。但我们理解的 In-Context Learning 不只是“看一遍、学一遍”。

更重要的是，机器人能够结合自己在真实场景中的 Context，不断举一反三、自我提高，同时适应不同任务、不同场景和不同本体。真正做到这些之后，才更接近我们理解的物理世界通用智能。

运营/排版：何晨龙