商汤成立大晓机器人，以人为中心开启具身智能新范式

作者｜黄楠

编辑｜袁斯来

在AI行业，商汤科技作为一家成立11年的企业，早已习惯了技术浪潮的起伏更迭。从视觉AI崛起的时代起步，它从港中文实验室走出，逐步推动技术规模化落地。但To B业务向来挑战重重，包括商汤在内的大多数公司都必须应对客户长期定制化开发的复杂需求。

直到ChatGPT横空出世，行业集体转向大模型。在算力层面先行一步的商汤，找到了新的发力点。根据商汤年报，其生成式AI在2024年收入达到24亿元，占比从2023年的34.8%提升至63.7%，成为商汤科技的核心业务。

然而大模型狂飙三年后，一个现实问题浮出水面：除了特定场景的单点突破，AI如何真正融入物理世界，成为改变生产生活的实用工具？这也是商汤在每次技术迭代中持续追问的核心命题。

随着具身智能成为下一代AI革命的主战场，近日，大晓机器人公司正式成立，由商汤联合创始人、执行董事王晓刚出任董事长，标志着商汤正式入局具身智能领域。

王晓刚告诉硬氪，大晓机器人的成立并非跟风“本体内卷”或“复杂技能炫技”，而是旨在回归真实痛点，并提出“以人为中心”（Human-centric）的全新研究范式。在提供专注于构建能理解物理世界规律的“大脑”基础上，最终输出适配真实场景需求的软硬一体产品。

这也是行业趋势所在。去年还在探索移动稳定性与适用场景的具身智能行业，短短一年已发生巨变。有公司拿下数亿元订单，进入深圳、上海、苏州的机器人工厂车间，让具身智能不再是To VC的故事。

AI技术正从“数字智能”向“物理智能”演进。身处其中的老牌AI公司，发现自己再次面临重要转型。

商汤2025年上半年净亏损11.62亿元，同比收窄50%，研发投入仍在增长，它需要找到更落地的方向。通用智能的突破不在于一步登天的AGI幻想，而是从真实交互中沉淀可复用能力。机器人的终极价值不在形态酷炫，而在能否解决实际物理世界难题。从视觉AI、大模型到具身智能，商汤以大晓机器人为支点，正试图撬动的不仅是千亿级市场，更是AI与物理世界深度交互的可能。

以下是硬氪与王晓刚的对谈实录，内容经编辑：

不做单纯的具身大脑公司

硬氪：今年普遍被视为具身智能落地元年。商汤为何选择此时成立大晓机器人切入这一赛道？

王晓刚：主要基于产业化落地与技术范式两个维度的考量。产业化方面，具身智能是一个规模达数十万亿级乃至更大的市场。正如英伟达创始人黄仁勋所言，未来每人可能拥有多个机器人，数量有望超越手机，单体价值堪比汽车。对商汤而言，过去聚焦To B软件领域，若要扩大规模、实现软硬结合升级，机器人赛道的垂直整合属性是关键突破口。同时，基于在各垂直行业的积累，团队理解用户痛点，相比对场景理解不足的具身企业，商汤的场景落地能力更受期待，产业化推进有望更快。

从技术范式看，传统具身智能存在明显短板。机器人本体硬件发展迅速，但“大脑”端智能能力相对欠缺，核心问题在于采用“以机器为中心”（Machine-centric）的技术路线：即先设计形态、参数差异巨大的各类机器人本体，再通过本体采集数据训练通用模型。这种思路并不成立，正如自然界人与动物无法共享同一大脑，不同结构的机器人也难以适配统一模型。

硬氪：大晓机器人团队的技术方案有何不同？

王晓刚：我们提出“以人为中心”（Human-centric）的新技术范式。先研究人类与物理世界的互动方式、运动规律，通过穿戴式设备、第三视角设备等多元工具，结合视觉、触觉、力学等多维度数据，记录人类在真实生产生活中的行为，尤其是复杂的常识性行为。将这些数据输入世界模型，让模型深度理解物理世界规律与人类行为逻辑，从而构建强大机器人“大脑”。同时，成熟的世界模型反过来还能指导硬件设计，使硬件形态更贴合实际应用需求。

今年八九月份，特斯拉、Figure AI等企业宣布摒弃真机路线，转向基于第一视角摄像头的视觉方案，但其本质仅通过视觉记录人类行为，未涵盖力、触觉、摩擦等关键维度，而这些正是具身智能与物理世界三维交互的核心需求。仅靠视觉技术，机器人可实现跳舞、打拳等模仿类动作，但在挪瓶子、拧螺丝等需要与物理世界交互的场景中，难免面临技术瓶颈。

目前，大晓机器人所提出的Human-centric范式已得到实践验证。此前，大晓机器人核心教授成员刘子纬教授团队合作构建了一个EGO life数据集，包含300小时第一视角与第三视角的人类真实行为数据；基于该数据集研发的具身视觉模型，经实测，可有效解决现有数据多为简单无意义行为、难以支撑复杂运动学习的痛点。

大晓机器人团队成员：一排从左往右依次为李鸿升、陶大程、王晓刚、潘新钢；二排从左往右依次为吕健勤、赵恒爽、刘子纬、刘希慧（图源/企业）

硬氪：公开数据显示，2024年中国具身智能市场规模已突破8000亿元，近两年涌入数百家初创主体。在这一背景下，大晓机器人如何定义自身在行业的生态位？

王晓刚：大晓团队的最终目标是输出软硬一体的产品，针对性解决各场景实际问题，而不是单纯做模型公司。在此过程中我们发现，现有硬件设计往往难以匹配场景需求，这也推动团队走上联合研发、定制化制造硬件的道路。以机器狗产品为例，业内传统机器狗的摄像头视角窄、安装位置低，导致其在路口无法精准识别行进方向，过马路时难以捕捉红绿灯信号。我们与Insta360合作了一款全景相机模组，能实现360度全视角覆盖，解决视野局限问题。此外，当前不少机器狗仍存在防水性能不足、算力平台成本高、续航能力有限等痛点，均无法满足实际场景的常态化使用需求。

硬氪：联合开发的具体落地中，双方的合作模式是怎样的？

王晓刚：我们的强项在于大脑端的模型、导航能力、操作能力。过去，公司虽有B端软件服务、大装置提供底层设施，但在端侧并未形成标准化产品形态。依托前两年商汤投资布局的多家本体硬件及零部件企业，大晓团队采用生态合作模式，提供硬件设计规范，与伙伴联合设计和开发硬件本体；同时，在模型端我们也保持开放态度，提供基础模型和素材方案。

硬氪：商汤在安防、自动驾驶等领域有丰富数据与技术沉淀，这些资源向具身机器人领域迁移时，哪些核心能力可以直接复用？

王晓刚：两方面的核心能力。第一是研发体系与安全标准。自动驾驶与具身机器人均需依赖海量数据驱动技术迭代，其沉淀下来的研发体系、数据闭环、数据飞轮经过验证，能有效提升机器人技术迭代效率。同时，自动驾驶领域对安全性、数据质量的严苛标准，也可迁移至具身机器人研发中，为产品可靠性提供保障。第二，应用功能。我们在智慧城市中积累的方舟平台拥有上百种不同应用功能，以前主要服务于固定摄像头场景。如今将其与具身机器人打通，当设备走到户外时，借助平台的后端分析能力就可以无缝迁移，拓展功能边界。

“一两年内，Human-centric将在机器狗中最先规模化”

硬氪：回顾商汤科技过去十一年，其恰好见证并参与了视觉AI大规模落地到如今具身智能爆发的完整变迁。如何理解各阶段技术迭代的差异化路径及其背后的底层逻辑？

王晓刚：商汤的发展历程清晰勾勒了AI技术从1.0到3.0形态的演进脉络。2014年公司成立之初，AI处于1.0时代，以人脸识别为代表实现技术超越肉眼的识别率。彼时的“智能”来源于人工标注，通过为图像添加标签，给图像注入“认知能力”。但由于标签信息量少、针对性强等局限，不同任务需单独标注对应的图像与视频，出现“有多少人工就有多少智能”的情况。受限于数据维度，因此当时的模型不仅体量小，也很难实现跨场景、跨行业泛化应用。进入2.0大模型时代，情况发生根本性转变，核心区别在于数据本身所含的智能变多了。我们使用互联网上的文字和图文数据，一首诗、一篇文章、一段代码中记录了人类数千年积累的大量行为智能，远高于简单标签的智能含量。大模型配合这些数据实现智能化爆发，使模型能够跨越不同场景和行业，具备较强的通用性。然而，互联网数据的价值正逐渐被“榨干”，通用性的边际效应也逐渐放缓。进入我们正在迈向的3.0具身智能时代，将转向与物理世界的直接交互。要构建理解世界物理规律、人类行为逻辑的“世界模型”，仅靠研读文字和图文数据远远不够，必须深入物理世界展开实际交互。无论是收拾房间、提供服务等具体场景，都蕴含着复杂的实时智能。通过与世界的直接接触与互动，AI将突破现有数据的局限，产生新的智能增长路径。

硬氪：从行业趋势观察，具身智能赛道的研发热度已从去年聚焦“具身大脑”，转向如今对“小脑”运控能力的探索，这一方向转变背后的本质原因是什么？

王晓刚：我认为核心原因是研究范式仍然是以机器为中心（Machine-centric）。在这种范式下，机器的交互自然变成了运控（即小脑），因为它与底层硬件密切相关；然而也正是由于不同机器人本体采集的数据不同，导致无法形成通用、统一的大脑。其次是无法生成复杂活动。传统依赖真机操控采集数据的模式存在明显局限，只能生成拾取、移动、放置等十几秒完成的简单动作数据，但像收拾房间、提供服务等复杂的、需要长时间驱动的活动无法完成。这也佐证了我们提出以人为中心（Human-centric）、通过环境式采集来训练世界模型的必要性。

硬氪：与目前已有的世界模型相比，大晓机器人提出的“开悟”世界模型3.0 （Kairos 3.0），在底层逻辑上有什么区别？它是如何解决物理世界幻觉问题的？

王晓刚：我们构建的世界模型与Sora、李飞飞World Labs团队提出的Marble等现有基于合成数据的模型不同，区别在于开悟3.0采用了“多模态理解融合—合成网络—行为预测”三段式架构。

其模型统一了以相机为中心的多模态理解与生成，支持空间想象并实现灵活的跨视角应用如世界探索（图源/企业）

我们的模型分为三个部分。第一部分是多模态理解与融合；现有模型主要依赖图像、视频及文字描述作为输入，而我们的输入体系更丰富，涵盖图像、视频、相机位姿、目标3D轨迹、触觉力学等多模态信息，使模型能够更好地理解物理世界。例如大晓与南洋理工的合作研究中，模型可通过单张照片反推摄像机位姿；当机械臂腕部摄像头捕捉到图像时，能精准定位机械臂位置，并根据图像变化反向推导机械臂的运动轨迹，实现对物理世界交互逻辑的深度理解。第二个是合成网络；基于第一步的理解融合，开悟世界模型3.0可以合成各种视频，包括能选择不同类型的机器人进行操作任务的合成。第三个是预测；接收指令后，模型能够预测机械臂下一步应如何操作，从而指导机器人去操作。这使得我们的模型可以模拟动态场景，将动态目标分开，并能灵活地替换场景中的各种元素，比如换瓶子、换手机、换桌面、甚至换房型等。这些都是现有世界模型做不到的，真正从“认知与模拟”延伸至“实际执行”，形成从理解到操作的完整闭环。

硬氪：这种“以人为中心”（Human-centric）范式在数据效率提升、跨场景泛化能力突破及多模态融合落地层面，具体如何解决行业核心瓶颈？

王晓刚：具体表现为“环境式采集+世界模型”的组合模式。这里的“环境”特指人类所处的生活与生产场景，“世界模型”也聚焦于人与周边环境的交互规律，而非自动驾驶关注的道路场景或水下等特定领域。Human-centric的优势是数据采集效率高，且所有数据均源自真实场景。同时，除视觉数据外，还整合了力学、触觉等多维度信息，人类多年积累的人体工程学成果也能在此基础上得以应用，这是实现快速增长的前提，也是此前Machine-centric研究路径所不具备的。

硬氪：Human-centric有望在多长时间内带来类似自动驾驶领域技术范式确立后的爆发式价值增长？

王晓刚：短期内，Human-centric在四足机器人（机器狗）将最先实现规模化应用。当前业界的机器狗普遍受限于自主导航与空间智能能力，多依赖人工遥控或固定路线作业，应用场景被严重束缚。大晓团队的方案可以突破这一局限。一方面，我们在设备上搭载了大晓机器人的自主导航技术，可通过机管平台实现多机协同调度，接收百度地图导航指令自主执行任务，还支持语言、多模态大模型等灵活交互方式；例如可根据指令识别特定人群提供帮助、拍摄违章车辆车牌号等。另一方面，机器狗与商汤方舟视觉平台深度打通，能借助方舟的视频分析、目标检测、异常事件处理能力，识别打架斗殴、垃圾堆积、未牵绳宠物、违规无人机等场景化问题，并将数据实时回传后台。这种“自主导航+场景智能识别”的组合，配合云端管理平台，可大幅增加其巡检等应用规模。一两年之内，我们能够看到机器人进入部分工业场景。

硬氪：具身智能的商业化落地正遵循梯度推进逻辑，从中长期来看，还有哪些场景值得重点关注？

王晓刚：中期来看，商业服务场景的前置仓物流将成为规模化突破点。相较于工业场景存在的跨产线复制难问题，前置仓物流的需求具有高度一致性，随着线上购物的普及，各地闪购仓的分拣、打包等环节存在标准化的自动化需求。目前行业的痛点是，前置仓内SKU数量多达上万种，依赖真机采集数据的传统模式难以覆盖。而我们通过环境式采集积累的海量数据，能有效训练通用模型，实现跨仓快速复制，满足行业规模化落地的核心诉求。从长期视角出发，家庭场景将是具身智能的重要方向，但落地周期相对更长，安全性问题是核心挑战。机器人进入家庭后，需应对碰撞避让、物品安全等多重风险，类似自动驾驶从L2到L4的责任界定与安全保障难题。不过，当前行业也在进行积极探索，例如Figure AI基于视觉路线开展环境式采集，与拥有上百万种户型的房地产基金合作，积累家庭场景中的人类行为数据，逐步实现全场景渗透。