十一年前,王晓刚和汤晓鸥一起,让计算机视觉的识别率第一次超越了人类肉眼。那是 2014 年,人工智能 1.0 时代的开端,视觉技术从实验室走向了安防、手机和汽车。
十一年后,当所有人都还在为大语言模型狂欢,或者忙着在发布会上展示机器人“叠衣服”、“做咖啡”的 Demo 时,王晓刚嗅到了一丝危险的气息。互联网上的语料快被榨干了,纯粹的数字世界正在逼近天花板。
2025 年,具身智能被视为继大语言模型后的下一块人工智能高地,玩家们都在赌谁能先造出通用的“机器管家”。但现实是残酷的:大多数机器人依然只能在视频里闪烁高光,一旦走进真实的杂乱环境,就会因为缺乏常识而寸步难行。
在 12 月 18 日举行的新品发布会前夕,我们与王晓刚进行了一场深度对话。此时此刻,具身智能赛道正处于一种“冰火两重天”的状态:一方面是资本的狂热追捧,另一方面是技术落地中遭遇的“数据荒”与“物理幻觉”瓶颈。
现有的机器人研究范式是否走错了方向?为什么说互联网语料快被“榨干”了?Sora 等生成式模型在物理世界中存在什么致命缺陷?以及,为什么要在这个时间点选择开源,并押注国产芯片生态?
在这个时间节点,大晓机器人不仅要发布一个新的世界模型,更要开源一套全新的生存法则。“现在的研究范式走错了,”王晓刚直言不讳。他抛出了一个判断:如果继续以“机器”为中心去训练大脑,具身智能将永远困在 Demo 里;唯有回到以“人”为中心,用世界模型重构物理规律,才能撞开 AI 3.0 的大门。
你现在的新身份是大晓机器人董事长。和之前在商汤负责研发、汽车、芯片等业务的角色相比,现在侧重的目标有什么不同?王晓刚:
其实我在商汤是从 2014 年开始的,当时和汤老师一起创立商汤。那时候我们是第一个做到人脸识别超越肉眼识别率的。在过去十年里,我在商汤负责过研发,也包括手机、互联网、汽车、芯片等很多不同的业务方向。今天我们面临的,是从人工智能 1.0 到 3.0 的跃迁。所谓人工智能 1.0 时代,就是 2014 年那个时候。我们有了视觉技术,靠的是大量人工标注和小模型来实现人工智能的应用。到了 2.0 时代,也就是大模型,特别是大语言模型带来的通用化能力。因为人类历史上几千年积累了海量的语言文字数据,记录了人类的行为,大模型把这些沉淀的智能提取出来,赋能各个行业。
今天我们也看到,大语言模型依赖的这些互联网语料、数字世界的沉淀和积累,也到了一个瓶颈。未来两三年,这些语料的价值也会逐渐被“榨干”。所以人们想打破数字世界和物理世界的限制,通过具身智能,通过跟物理世界的交互去产生新的智能,这就是我们说的人工智能 3.0 时代。
大晓在商汤“1+X”战略布局。我们希望完成一个软硬结合的产业链垂直整合。之前商汤做得比较多的是软件和 ToB 的赋能角色,但在具身智能这个领域,我们有机会做软硬一体,把业务做得更大。所以我这边的目标总结下来就是三点:第一,实现从 AI 2.0 到 3.0 的跨越;第二,把商汤历史上积累的经验沉淀带到物理世界;第三,完成软硬结合的垂直整合。
既然是生态企业,大晓和商汤具体怎么分工?哪些是共享的,哪些是大晓独立研发的?王晓刚:
这是一种非常紧密的合作关系。大晓提供具身智能的软件平台和硬件平台。但机器人要进入千行百业,需要了解行业的痛点和渠道,这正是商汤过往积累的优势。商汤的业务团队可以基于大晓提供的软硬件具身平台,去开发具体的行业应用,解决具体的痛点。这能解决目前具身智能落地的一个大问题——很多公司演示的 Demo 很好,但对场景理解不深,难以落地。
2025 年是你所说的 AI 3.0 时代的一个关键节点吗?会有什么标志性事件?王晓刚:
我觉得 2025 年一个非常重要的代表性突破,或者说改变,是研究范式的改变。大家对具身智能的期待源自于互联网时代的经验。在 2.0 时代,大模型让我们以为,只要有一个强大的大模型,机器人就能在物理世界里通用了。但在过去两年里,大家在执行过程中遇到了巨大的阻力。
之前大家的做法是:先有了各种不同形态的机器人,结构各不相同。人们通过遥操作(Teleoperation)控制这些机器人去采集数据,然后把数据聚合在一起,试图训练一个通用的机器人大脑。但大家发现,这种模式是不成功的。
2025 年一个非常大的转变,就是从 Machine-centric 转变为 Human-centric(以人为中心)。这个起点大概在 2025 年年初。当时我们团队在南洋理工大学的刘子纬教授带领下,提出了“环境式采集”。
Egolife,记录了 300 小时人类行为时,像Meta的 Yann LeCun 团队就基于这个数据集完成了具身世界模型的训练。到了 8、9 月份,特斯拉和 Figure AI 也宣布转向视觉路线,通过摄像头记录人的行为来快速积累数据。DeepTech:
数据量级的跃升。在以机器为中心的时代,大家积累的数据大概是十万小时这个量级。要知道,特斯拉 FSD 做自动驾驶用到了大概 400 万小时的高质量数据。具身智能的场景复杂度更高,需要的数据更多。
你提到的“环境式采集”技术听起来很有意思,在实际落地中具体是怎么做的?一天能产出多少数据?王晓刚:
我们这套采集方案,需要人佩戴第一视角的摄像头,同时还会带上全景相机,这样能看到人周围的环境和自己的身体。手上和胸口也会带摄像头,特别是手上会带一些触觉传感器,能感受到接触物品时的材质和力。周围环境里也会部署深度摄像头等。所有的设备都是同步的。人不需要操作机器人,只需要正常做工作,数据自然就被采集下来了。
比如我们在杭州的一个闪购仓(前置仓)试点。现在的零售行业,大家在网上下单,城市里有很多这样的前置仓。仓库里有大量货品,需要工作人员进行分拣、打包,交给外卖小哥。这个工作需要 7x24 小时进行。
对。有了这套设备,工作人员可以一边工作,一边采集数据。一个人一天工作 10 个小时,就能采集 10 个小时的数据。ballbet贝博而且因为人手的灵活度远高于遥操作机器人,单一采集效率可能有 10 倍的增长。
我们有一套自动化的流程来提取关键信息。比如人的肢体 3D 姿态、手部的 3D 手势、接触物品的种类和姿态、物品的 3D 形状等。还会提取人与环境交互的信息,比如我坐在椅子上、趴在桌子上、爬梯子,这些 3D 交互关系都会被建模。
采集了数据之后,如何解决跨本体复用的问题?毕竟人的手和机器人的手不一样。王晓刚:
这就体现了世界模型的重要性。我们把采集的数据输入到世界模型里。世界模型有三个部分:第一是多模态理解,理解世界是什么样子;第二是生成,大脑可以想象场景;第三是预测,预测动作和结果。
“开悟 3.0”和市面上其他的世界模型(比如 Sora、Gen-2 等)有什么技术上的不同?王晓刚:
市面上的模型,比如李飞飞团队的 World Labs,很多只能生成静态的世界,做漫游,无法把物体和环境分离开。我们的模型可以做到物体与环境的解耦。比如桌子上的电脑、水杯,我可以把它们分离开,甚至进行编辑——把桌子换个形状,把电脑换个牌子,把房型换掉。这极大地拓展了数据的泛化性。
对。像 Sora、Gemini、Cosmos 这些模型,本质上是生成式网络,缺乏对多模态世界的深刻理解和物理预测。举个例子,我们让机器人拿杯子去水龙头接水。这需要符合流体力学。但在 Sora 生成的视频里,有时候你会发现,水明明倒在了水槽里,杯子里的水却莫名其妙涨起来了;或者水倒进杯子,周围水槽却有水溅出来。这都是不符合物理规律的。
我们有一个指标叫“成片率”。生成视频后,我们会检查它是否符合物理规律。早期可能 100 个视频里只有个位数是可用的,现在我们的成片率已经越来越高,能达到 50% 以上。
我们的模型、工具链、以及部署方法都会开源。特别值得一提的是,这次我们把开源模型适配到了国产芯片上,包括沐曦、海光、壁仞等。
开源对大晓的商业化有什么影响?王晓刚: 开源和平台是相辅相成的。开源能让大家熟悉我们的模型。同时,世界模型的训练和推理需要大量算力,我们把 API 部署在云上(商汤大装置、腾讯云等)。用户使用云服务时,我们和云厂商都能获得收益。
在大模型领域,DeepSeek 是一个很好的例子。它通过开源产生了巨大的行业影响力。我们希望在物理世界、在具身智能领域,让“开悟 3.0”成为对标 DeepSeek 的存在。这个行业需要先发优势。当我们先把高质量的开源项目做出来,用的人多了,就会形成聚集效应。芯片公司也会主动来适配我们,生态就建立起来了。
我们会发布几样东西:ACE 研发范式:环境式采集(Ambient Capture Engine);开悟 3.0 平台,并且开源;以及具身超级大脑模组 A1,这是一个软硬结合的产品,目前最先搭载在四足机器人上。有了这个模组,机器狗在户外就具备了自主空间能力,不需要人遥控,可以通过语音控制它去目的地执行任务。我们的机管平台还和商汤的方舟平台打通,直接调用 150 多种 AI 应用。
我们有近期、中期、远期的规划。近期(现在),重点是户外四足机器人。虽然提供情绪价值(表演)的市场比较成熟,但规模有限。我们看重的是生产力提升,比如电力巡检、文旅、智慧城市。加上我们的模组,机器狗就能具备空间自主能力,实现规模化应用。
最后一个我比较好奇的问题,“大晓”这个名字是怎么来的?是你和大程(商汤联合创始人)老师的名字合在一起的吗?王晓刚:
(笑)是这样。我和大晓机器人首席科学家陶大程是中科大的师兄弟,在汤老师那边读硕士时还是寝室室友,关系非常好,有很深的信任。在具身智能这个机会点上,我们觉得能一起合作做些事情。
晓识万象”。“大千世界”讲的是我们的世界模型,要理解这个世界;“晓识万象