十一年前，王曉剛和湯曉鷗一起，讓計算機視覺的識別率第一次超越了人類肉眼。那是 2014 年，人工智能 1.0 時代的開端，視覺技術從實驗室走向了安防、手機和汽車。

十一年后，當所有人都還在為大語言模型狂歡，或者忙著在發布會上展示機器人“疊衣服”、“做咖啡”的 Demo 時，王曉剛嗅到了一絲危險的氣息。互聯網上的語料快被榨干了，純粹的數字世界正在逼近天花板。

2025 年，具身智能被視為繼大語言模型后的下一塊人工智能高地，玩家們都在賭誰能先造出通用的“機器管家”。但現實是殘酷的：大多數機器人依然只能在視頻里閃爍高光，一旦走進真實的雜亂環境，就會因為缺乏常識而寸步難行。

圖｜大曉機器人核心科學家團隊（大曉機器人）

在 12 月 18 日舉行的新品發布會前夕，我們與王曉剛進行了一場深度對話。此時此刻，具身智能賽道正處于一種“冰火兩重天”的狀態：一方面是資本的狂熱追捧，另一方面是技術落地中遭遇的“數據荒”與“物理幻覺”瓶頸。

現有的機器人研究范式是否走錯了方向？為什么說互聯網語料快被“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，為什么要在這個時間點選擇開源，并押注國產芯片生態？

在這個時間節點，大曉機器人不僅要發布一個新的世界模型，更要開源一套全新的生存法則。“現在的研究范式走錯了，”王曉剛直言不諱。他拋出了一個判斷：如果繼續以“機器”為中心去訓練大腦，具身智能將永遠困在 Demo 里；唯有回到以“人”為中心，用世界模型重構物理規律，才能撞開 AI 3.0 的大門。

圖｜大曉機器人首席科學家陶大程（大曉機器人）

以下是對話全文。

AI2.0 到 AI3.0：從數字世界到物理世界

“互聯網語料快被榨干了，我們必須打破數字與物理的墻”

DeepTech：你現在的新身份是大曉機器人董事長。和之前在商湯負責研發、汽車、芯片等業務的角色相比，現在側重的目標有什么不同？

王曉剛：其實我在商湯是從 2014 年開始的，當時和湯老師一起創立商湯。那時候我們是第一個做到人臉識別超越肉眼識別率的。在過去十年里，我在商湯負責過研發，也包括手機、互聯網、汽車、芯片等很多不同的業務方向。今天我們面臨的，是從人工智能 1.0 到 3.0 的躍遷。

所謂人工智能 1.0 時代，就是 2014 年那個時候。我們有了視覺技術，靠的是大量人工標注和小模型來實現人工智能的應用。到了 2.0 時代，也就是大模型，特別是大語言模型帶來的通用化能力。因為人類歷史上幾千年積累了海量的語言文字數據，記錄了人類的行為，大模型把這些沉淀的智能提取出來，賦能各個行業。

DeepTech：所謂的 3.0 是什么？

王曉剛：今天我們也看到，大語言模型依賴的這些互聯網語料、數字世界的沉淀和積累，也到了一個瓶頸。未來兩三年，這些語料的價值也會逐漸被“榨干”。

所以人們想打破數字世界和物理世界的限制，通過具身智能，通過跟物理世界的交互去產生新的智能，這就是我們說的人工智能 3.0 時代。

這里面一個很重要的任務，就是通過技術的創新，讓商湯從原來的 2.0 時代進入 3.0 時代。

DeepTech：大曉機器人和商湯是什么關系？

王曉剛：大曉在商湯“1+X”戰略布局。我們希望完成一個軟硬結合的產業鏈垂直整合。之前商湯做得比較多的是軟件和 ToB 的賦能角色，但在具身智能這個領域，我們有機會做軟硬一體，把業務做得更大。

所以我這邊的目標總結下來就是三點：第一，實現從 AI 2.0 到 3.0 的跨越；第二，把商湯歷史上積累的經驗沉淀帶到物理世界；第三，完成軟硬結合的垂直整合。

DeepTech：既然是生態企業，大曉和商湯具體怎么分工？哪些是共享的，哪些是大曉獨立研發的？

王曉剛：這是一種非常緊密的合作關系。大曉提供具身智能的軟件平臺和硬件平臺。但機器人要進入千行百業，需要了解行業的痛點和渠道，這正是商湯過往積累的優勢。

商湯的業務團隊可以基于大曉提供的軟硬件具身平臺，去開發具體的行業應用，解決具體的痛點。這能解決目前具身智能落地的一個大問題——很多公司演示的 Demo 很好，但對場景理解不深，難以落地。

舉個例子，我們會推出一個“具身超級大腦模組 A1”。現在這個模組加裝在四足機器人（機器狗）上，有了它，機器狗就能在室外不依賴高精度地圖實現點到點的自主導航。

這個過程中，機器狗采集到的視頻數據，會跟商湯后臺的“方舟平臺”打通。方舟平臺上有超過 150 個 AI 相關的應用。通過這種結合，機器人的應用價值就被極大地放大了。

范式革命：以人為中心的具身智能

“以機器為中心的范式走不通，必須轉向以人為中心”

DeepTech：2025 年是你所說的 AI 3.0 時代的一個關鍵節點嗎？會有什么標志性事件？

王曉剛：我覺得 2025 年一個非常重要的代表性突破，或者說改變，是研究范式的改變。

大家對具身智能的期待源自于互聯網時代的經驗。在 2.0 時代，大模型讓我們以為，只要有一個強大的大模型，機器人就能在物理世界里通用了。但在過去兩年里，大家在執行過程中遇到了巨大的阻力。

DeepTech：阻力具體體現在哪里？

王曉剛：之前大家的做法是：先有了各種不同形態的機器人，結構各不相同。人們通過遙操作（Teleoperation）控制這些機器人去采集數據，然后把數據聚合在一起，試圖訓練一個通用的機器人大腦。

但大家發現，這種模式是不成功的。

首先，訓練出來的所謂“大腦”很難用到不同的本體上，數據不能共享。其次，通過人操作機器采集數據的效率非常低，而且往往不是在真實的生產生活環境中采集的。

我們把這種舊的研究范式叫做 Machine-centric（以機器為中心）。它的核心邏輯是 VLA（Vision-Language-Action），通過視覺和語言指令，直接讓機器去完成特定任務。這種范式訓練出來的大腦不需要理解物理世界到底是什么樣，只是為了完成任務。

DeepTech：2025 年的新范式是什么？

王曉剛：2025 年一個非常大的轉變，就是從 Machine-centric 轉變為 Human-centric（以人為中心）。

這個起點大概在 2025 年年初。當時我們團隊在南洋理工大學的劉子緯教授帶領下，提出了“環境式采集”。

所謂環境式采集，就是利用第一視角的眼鏡、穿戴式設備，以及第三視角的傳感器，在人真實的生產生活環境中去記錄人的行為。通過這些記錄，訓練出一個“世界模型”。這個世界模型要理解人跟物理世界交互的規律是什么，因果關系是什么。

今年，劉子緯教授發布了 Egolife，記錄了 300 小時人類行為時，像 meta 的 Yann LeCun 團隊就基于這個數據集完成了具身世界模型的訓練。到了 8、9 月份，特斯拉和 Figure AI 也宣布轉向視覺路線，通過攝像頭記錄人的行為來快速積累數據。

DeepTech：這種新范式帶來的最直接的好處是什么？

王曉剛：數據量級的躍升。

在以機器為中心的時代，大家積累的數據大概是十萬小時這個量級。要知道，特斯拉 FSD 做自動駕駛用到了大概 400 萬小時的高質量數據。具身智能的場景復雜度更高，需要的數據更多。

通過以人為中心的研究范式，我們能積累的數據可以達到千萬小時這個級別。這才是讓具身智能具備通用化能力、擁有強大大腦的正確路徑。

所以，2025 年發生了非常重要的變化，給具身智能的發展打開了一條新的思路。

解密：環境式采集與數據壁壘

“一天采集效率提升 100 倍，解決上萬種物品的抓取難題”

DeepTech：你提到的“環境式采集”技術聽起來很有意思，在實際落地中具體是怎么做的？一天能產出多少數據？

王曉剛：我們這套采集方案，需要人佩戴第一視角的攝像頭，同時還會帶上全景相機，這樣能看到人周圍的環境和自己的身體。手上和胸口也會帶攝像頭，特別是手上會帶一些觸覺傳感器，能感受到接觸物品時的材質和力。周圍環境里也會部署深度攝像頭等。

所有的設備都是同步的。人不需要操作機器人，只需要正常做工作，數據自然就被采集下來了。

DeepTech：可以舉一個具體的落地場景嗎？

王曉剛：比如我們在杭州的一個閃購倉（前置倉）試點。

現在的零售行業，大家在網上下單，城市里有很多這樣的前置倉。倉庫里有大量貨品，需要工作人員進行分揀、打包，交給外賣小哥。這個工作需要 7x24 小時進行。

這個場景最難的地方在于，物品類別特別多，有上萬個 SKU。以前大家做具身智能，用真機采集數據，基本只能覆蓋幾十個或者上百個類別。面對上萬個類別，真機采集根本做不過來。

DeepTech：用環境式采集能解決這個問題嗎？

王曉剛：對。有了這套設備，工作人員可以一邊工作，一邊采集數據。

一個人一天工作 10 個小時，就能采集 10 個小時的數據。而且因為人手的靈活度遠高于遙操作機器人，單一采集效率可能有 10 倍的增長。

更重要的是部署方便。以前得在實驗室里雇人操作機器人，現在我可以有幾百人、上千人都帶著這些設備，在正常工作中采集。這樣數據積累的速度可能是原來的 100 倍，也就是兩個數量級的增加。成本更低，效率更高。

DeepTech：采集上來的數據質量如何把控？有沒有具體的標準？

王曉剛：我們有一套自動化的流程來提取關鍵信息。

比如人的肢體 3D 姿態、手部的 3D 手勢、接觸物品的種類和姿態、物品的 3D 形狀等。還會提取人與環境交互的信息，比如我坐在椅子上、趴在桌子上、爬梯子，這些 3D 交互關系都會被建模。

還有材質信息，比如一個瓶子，人通常抓哪里？抓的時候摩擦力如何？受力情況如何？這些都會通過自動化流程提取出來。

核心：開悟 3.0 世界模型

“解決‘水倒進槽里杯子卻滿了’的物理幻覺”

DeepTech：采集了數據之后，如何解決跨本體復用的問題？畢竟人的手和機器人的手不一樣。

王曉剛：這就體現了世界模型的重要性。

我們把采集的數據輸入到世界模型里。世界模型有三個部分：第一是多模態理解，理解世界是什么樣子；第二是生成，大腦可以想象場景；第三是預測，預測動作和結果。

我們即將發布的“開悟 3.0”世界模型平臺，既包含了人類數據，也包含了一些不同類型機器人的本體數據。

在平臺上，你可以選擇場景和任務，然后選擇機器人本體（比如宇樹、智元等）。因為我們有這些機器人的物理參數，世界模型就會根據任務生成針對該本體的視頻和 3D 軌跡數據，用來訓練這個本體。

這就是我們說的“一腦多形”——一個世界模型大腦，適配不同的機器人形態。

DeepTech：“開悟 3.0”和市面上其他的世界模型（比如 Sora、Gen-2 等）有什么技術上的不同？

王曉剛：市面上的模型，比如李飛飛團隊的 World Labs，很多只能生成靜態的世界，做漫游，無法把物體和環境分離開。

我們的模型可以做到物體與環境的解耦。比如桌子上的電腦、水杯，我可以把它們分離開，甚至進行編輯——把桌子換個形狀，把電腦換個牌子，把房型換掉。這極大地拓展了數據的泛化性。

另一點非常重要的是對物理規律的表達。

DeepTech：物理規律是現在生成式視頻的一個大痛點。

王曉剛：對。像 Sora、Gemini、Cosmos 這些模型，本質上是生成式網絡，缺乏對多模態世界的深刻理解和物理預測。

舉個例子，我們讓機器人拿杯子去水龍頭接水。這需要符合流體力學。但在 Sora 生成的視頻里，有時候你會發現，水明明倒在了水槽里，杯子里的水卻莫名其妙漲起來了；或者水倒進杯子，周圍水槽卻有水濺出來。這都是不符合物理規律的。

如果不解決這個問題，機器人就會學到錯誤的邏輯。我們在構建世界模型時，底層加入了很多物理常識和規律的約束。

DeepTech：你們內部怎么量化這個“物理規律”的準確性？

王曉剛：我們有一個指標叫“成片率”。

生成視頻后，我們會檢查它是否符合物理規律。早期可能 100 個視頻里只有個位數是可用的，現在我們的成片率已經越來越高，能達到 50% 以上。

更精細的度量還包括相機位姿的反推準確性、生成圖像與真實圖像的差異等。

戰略：開源與國產芯片適配

“在具身智能領域，我們希望成為開源的標桿”

DeepTech：我聽說大曉這次會開源開悟 3.0，具體會開源到什么程度？

王曉剛：我們的模型、工具鏈、以及部署方法都會開源。

特別值得一提的是，這次我們把開源模型適配到了國產芯片上，包括沐曦、海光、壁仞等。

在國產芯片時代，模型需要和芯片做深度適配，我們做完軟硬協同優化后，極大提升了芯片性能，能達到 A 卡（英偉達）的效果。有了模型和算力基礎，我們就能構建物理世界的“DeepSeek 時刻”，實現“算力—模型—應用”的全方位迭代。

DeepTech：開源對大曉的商業化有什么影響？

王曉剛： 開源和平臺是相輔相成的。開源能讓大家熟悉我們的模型。同時，世界模型的訓練和推理需要大量算力，我們把 API 部署在云上（商湯大裝置、騰訊云等）。用戶使用云服務時，我們和云廠商都能獲得收益。

DeepTech：從長期看，開源對初創公司的護城河有什么意義？

王曉剛：在大模型領域，DeepSeek 是一個很好的例子。它通過開源產生了巨大的行業影響力。

我們希望在物理世界、在具身智能領域，讓“開悟 3.0”成為對標 DeepSeek 的存在。這個行業需要先發優勢。當我們先把高質量的開源項目做出來，用的人多了，就會形成聚集效應。芯片公司也會主動來適配我們，生態就建立起來了。

落地：產品與未來

“機器狗，前置倉，到家庭機器人”

DeepTech：這次發布會有哪些交付形態的產品？

王曉剛：我們會發布幾樣東西：ACE 研發范式：環境式采集（Ambient Capture Engine）；開悟 3.0 平臺，并且開源；以及具身超級大腦模組 A1，這是一個軟硬結合的產品，目前最先搭載在四足機器人上。

有了這個模組，機器狗在戶外就具備了自主空間能力，不需要人遙控，可以通過語音控制它去目的地執行任務。我們的機管平臺還和商湯的方舟平臺打通，直接調用 150 多種 AI 應用。

此外，我們在模組硬件上也有創新，引入了 Insta360 的全景相機。現有的機器人攝像頭視野窄、不穩。全景相機能做到 360 度無死角，畫質和穩定性大幅提升，這對夜間作業和 AI 識別非常有幫助。

DeepTech：大曉目前最優先落地的場景是哪些？

王曉剛：我們有近期、中期、遠期的規劃。

近期（現在），重點是戶外四足機器人。雖然提供情緒價值（表演）的市場比較成熟，但規模有限。我們看重的是生產力提升，比如電力巡檢、文旅、智慧城市。加上我們的模組，機器狗就能具備空間自主能力，實現規模化應用。

中期（2 年左右），我們希望把前置倉（閃購倉）這個場景做下來。明年大概會有十幾萬個這樣的倉庫，場景非常類似。一旦做好，規模化落地速度會很快。

遠期（5 年后），就是家庭場景。這目前還屬于預研性質，也是像 Figure AI 這樣的公司的長遠目標。

DeepTech：最后一個我比較好奇的問題，“大曉”這個名字是怎么來的？是你和大程（商湯聯合創始人）老師的名字合在一起的嗎？

王曉剛：（笑）是這樣。我和大曉機器人首席科學家陶大程是中科大的師兄弟，在湯老師那邊讀碩士時還是寢室室友，關系非常好，有很深的信任。在具身智能這個機會點上，我們覺得能一起合作做些事情。

但“大曉”這個名字還有衍生的含義。我們在發布會上給出的解釋是：“大千世界，曉識萬象”。

“大千世界”講的是我們的世界模型，要理解這個世界；“曉識萬象”講的是我們的環境式采集，通過感知去理解人和環境的交互。這正好契合了我們未來具身智能的兩個核心方向。