对话灵初智能CEO王启斌：关于机器人技术路线选择、VLA能力突围关键点

1. 机器人有三类关键能力模块：移动能力、导航能力与操作能力。前两类已趋近成熟，操作能力挑战更大，但商业价值更高，这也成为灵初智能创始人王启斌所选择的方向。

2. 打造一台完整的机器人核心要素是两个方面：软件能力和硬件能力。从理想角度来看，机器人的软件能力主要指的是VLA能力，分为算法、算力和数据；硬件指的就是机器人的本体。

3. 在软件层面，判断VLA做得好不好的核心标准，是评估其能否在复杂环境中完成长程任务，并具备灵巧、类人的操作能力。

4. 在硬件层面，人形机器人天然会设定一个很高的公众期待，而实际上目前的技术能力与这种期待之间存在显著差距，“双足”并非最优解。

机器人技术路线选择逻辑：操作能力是下一阶段关键

腾讯科技：从早年的云迹科技、到后来在京东的工作，是什么契机促使你在2024年选择创业，并进入机器人这个赛道？

王启斌：其实这是一个非常自然的过程。2018年，我在云迹科技开始做配送机器人。此后，在京东的三年多时间里，我主要负责末端的无人配送。

配送这件事可以从两个技术维度来看：一是行走能力，比如四足、双足等移动能力；二是操作能力，即机器人实际执行任务的能力。

我当时的最大体会是：单靠移动能力，机器人无法实现任务闭环。人最终要到达某个地点，并完成具体操作，比如把东西放上去或拿下来，而这些都需要操作能力。在实际工作中，我深刻地意识到，只有将操作能力纳入系统，机器人才能真正完成完整任务。这种技术判断和实践积累，使我始终有动力去推动这一方向，而市场本身对这一能力也有很强的需求。

到了2022年底，ChatGPT的出现引发了整个AI行业对“机器人是否会迎来新一波浪潮”的讨论。我看到了这个技术拐点，于是在2024年决定创业，聚焦在操作能力方向。

腾讯科技：在我们观察来看，目前很多“出圈”的机器人更多展示的是下半身的运动能力，比如在马拉松比赛上跑步的机器人，而你们从一开始就专注在操作能力上。除了过去的经验，还有哪些思考促使你选择这样一个切入点？

王启斌：我从2018年起就深入参与机器人行业，并非常清楚地感受到操作能力的重要性。技术发展到一定程度，往往会从突破阶段迈入产品转化阶段。而在操作能力方向，我们已经看到了明显的技术进展，现在正是进入这个领域的最佳时机。

2022年，我们与北京大学共建了联合实验室，启动了相关课题的研究。直到2024年，我们才开始将这些研究成果工程化，并推动商业化落地。

从学术角度来看，加州大学伯克利分校电子工程与计算机科学系的教授 Jitendra Malik 曾将机器人核心技术模块分为三大方向：

第一类是移动（Locomotion），也就是四足、双足的行走能力，近年来这方面确实取得了显著进展；

第二类是导航（Navigation），我过去也做过相关项目，包括室内集群和室外路径导航；

这两类能力目前基本已具备工程可用性。我们现在所做的，是第三类——操作能力（Manipulation）。这是一个新的发力点，我们并不是和其他企业竞争同一个方向，而是在不同的技术维度上展开探索。操作能力无疑是当前机器人技术中最具挑战性、同时也最具商业潜力的一部分，因此我们选择聚焦这一领域，并认为它将是下一阶段技术演进的关键所在。

其中，“移动”能力的突破最早可以追溯到2000年前后，而真正进入快速发展是在2019年之后，主要得益于三个“加速器”：

第一，硬件开源，MIT的Cheetah项目在2019年开源了驱动器和关键部件；

第二，瑞士苏黎世联邦理工学院（ETH Zurich）在强化学习算法方面持续投入研究，在连续三年中发布了三篇具有重要影响力的论文，系统性地提出并完善了一套完整的“学习范式”，提出了从感知 → 决策 → 控制的整个训练流程如何用强化学习完成，并在实际机器人中实现了闭环；

第三，是算力平台的支持，比如NVIDIA的DRL（Deep Reinforcement Learning）平台，让开发者能够在仿真环境中高效训练。

这三大因素共同推动了移动能力的快速演进。

做好机器人的两个关键：VLA和硬件能力

腾讯科技：你已经详细讲述了机器人移动能力的演进要素，那么，打造一台完整机器人的核心要素有哪些？

王启斌：其实主要是两个大的方面——软件能力和硬件能力。从理想角度来看，机器人的软件能力主要指的是VLA能力，分为算法、算力和数据；硬件指的就是机器人的本体。所以，综合来看，我们一般从四个核心要素来判断系统能力的构建：算法、算力、数据和硬件。

但如今，算力已经不再是稀缺资源，只要有资金，GPU是可以买到的。真正需要关注的是其他三个问题：

第一，算法是否已经出现稳定的架构？比如Transformer在大模型体系中的作用已经非常明确；

第二，数据如何有效驱动算法迭代？不同阶段的数据需求是否被正确建模？

第三，硬件方面，具身智能的本质在于“embody”——它不是纯粹的语言或视觉模型，而必须和物理世界紧密结合。

最后，也是最重要的一点：如何把这些技术能力转化成产品，真正满足实际需求。

在数据方面，我们目前主要使用仿真数据进行冷启动，后续会逐步引入真实数据。我们特别强调“混合数据”策略，这与训练大模型的流程是类似的——预训练、后训练和推理阶段所依赖的数据分布并不完全相同，单纯依赖仿真数据或真实数据都不是最优解。我们当前通过仿真环境训练操作技能，未来会采用数据手套等方式收集高质量的真实操作数据，既降低真机采集成本，又提升泛化能力。

至于硬件，我们选择的是双轮双臂结构。这种结构在当前阶段可靠性高、成本低，而且已经可以满足我们的主要应用场景，因此我们暂时不考虑做人形机器人。

分层端到端架构：在语言、视觉基础上引入“动作”模态

腾讯科技：灵初已经发布了哪些VLA模型？

王启斌：我们目前已发布三个版本。2024年12月底，灵初发布了第一个版本 Psi R0，中间发布过Psi R0.5版本，最新版本是今年5月发布的 Psi R1，它展示了我们的麻将任务能力。这一版本是我们分层端到端架构下的最新成果，也是具备自学习能力的系统。

腾讯科技：从行业来看，过去大多数融资项目集中在本体开发上，但从去年到今年，做具身模型、做端到端的创业公司明显增多。你怎么看端到端这条路线目前在行业中的实际发展阶段？

王启斌：端到端的本质，是整个模型在训练阶段实现无损传播，最终可以直接落地执行，我们从去年就明确提出要做“分层端到端”架构。从目前情况来看，无论是Figure还是Pi等公司都在谈端到端。

但早期Pi是纯粹的端到端架构，后续才加入分层，这说明在执行阶段，仍需要区分快脑和慢脑的能力结构。环境感知、理解与推理，这部分更多依赖大模型；而末端执行，比如手部操作，通常需要高频、复杂、低延迟的控制。因此，我们认为分层端到端更高效，能让每个模块在合适的频率下独立工作，提升整体性能。

到了今年年初，不论是Figure的更新版本，还是Pi、NVIDIA等公司的模型，也基本形成了分层端到端的共识。但即便如此，行业仍面临操作能力训练的挑战。

腾讯科技：那目前行业内在端到端架构上的技术路径大致有哪些？如果灵初选择的是分层架构结合强化学习，其他主流玩家分别倾向于什么方向？

王启斌：目前的技术路径主要有几种：一种是用扩散策略（Diffusion Policy）生成模型，再结合模仿学习做操作；另一种是像我们这样，用分层端到端架构。

目前来看，分层端到端已经成为全球的主流路径。从Figure到Pi，再到Google的Gina、NVIDIA的Project GR00T，基本都采用了分层设计。

但这个架构仍有两大挑战。

第一是在小脑和大脑之间，如何训练出真正灵巧的操作能力。现在多数公司还是以模仿学习为主，而我们采用仿真冷启动强化学习训练手部动作。如果大家看我们在社交平台上的演示，会看到我们的机器人可以完成拼乐高、弹钢琴、抛接球等复杂灵巧操作。

第二是快脑与慢脑的有机协同。我们的做法是将整个动作作为编码器或token，融入系统的大脑输入，构建融合语言、视觉与操作模态的多模态输入系统，在此基础上统一规划与训练。

腾讯科技：最新的Psi R1模型采用的架构，如何应对这两大挑战？

王启斌：我们提出了一套新的架构——CoAT（Chain of Action and Thought），它在传统 COT（Chain of Thought）的基础上，加入了“动作”模块，是一个更完整的闭环。

腾讯科技：可以理解为，目前很多做VLA的公司是以语言和视觉为核心，而灵初是在这基础上引入了“动作”这一模态。

王启斌：是的，目前行业内大多数VLA系统只覆盖语言和视觉输入，我们在此基础上加入了操作模态，使得整个系统能处理更复杂的任务。

腾讯科技：这些操作动作的输入，是通过仿真和真实数据共同训练的吗？

王启斌：是的，我们对操作动作进行了编码，并将其作为token输入到自回归大脑模型中，实现端到端融合训练。

腾讯科技：这样设计，对快脑和慢脑之间的协同效率有什么影响？

王启斌：语言模态与操作模态之间是存在差异的，比如在我们做乐高拼装的场景中，语言指令是“把红色乐高放到黄色上面”，但执行时，手需要完成非常多细微的定位、旋转和插接动作。要从一堆乐高中找出正确的模块，并以准确角度完成插装，这就是操作系统的关键所在。我们用强化学习结合模仿学习，实现这种高精度操作。

腾讯科技：从商业化角度出发，如果要评估一家公司的VLA做得好不好，有没有可量化、相对权威的判断维度？

王启斌：我认为可以从两个维度评估。

第一是系统是否能在开放场景下完成长程任务，且具备应对变量变化的能力。比如我们开放的麻将功能，任务过程不仅长，还存在动态博弈和不确定性。如果模型能稳定完成这样一个需要适应对手行为的任务，就说明它具备了较强的环境建模、推理和策略调整能力。

第二是操作能力是否灵巧、精准，能否完成类人操作。比如我们在商超打包的应用中，不仅要求机器人能拿起物体，还要在扫码过程中确保视觉无遮挡，同时配合另一只手完成其他动作。这种场景对操作精度和动作协同要求非常高。

我们强调的不是“会抓”，而是“能操作”。操作不是搬运，而是能像人类一样使用工具、完成高难度精细任务，比如穿针引线、拼接组件、多工具配合等等。这些体现的是机器人在真实任务中是否具备足够的智能和控制力。

腾讯科技：业内谈到VLA都避不开数据稀缺性问题，你们选择使用的是仿真冷启动，再结合真实数据。这种方式是否能让训练数据更加贴近实际？

王启斌：这里说的“真实数据”并不是传统意义上“真机数据”。目前行业里比较主流的做法是使用遥操作系统进行数据采集，每套集群（用于收集真机数据的一整套采集设备组合）的成本大约在20到30万元。

我们所指的“真实数据”，是指脱离遥操作系统，通过戴数据手套的方式采集人类操作行为。这种方式成本更低，大概只需要真实数据10%左右的投入。虽然数据质量可能略有衰减，但依然能够满足模型训练的需求。

腾讯科技：关于具身智能数据这部分，我们确实听过很多不同路径。有的公司用纯仿真数据，有的公司用真机数据。灵初为什么选择现在这种仿真与真实结合的方式？这个决策背后是否有明确的验证或依据？

王启斌：我觉得首先要理解数据的本质。行业内其实有一个广泛共识：数据存在“金字塔结构”。底层是互联网数据，再往上是合成数据、仿真数据，最顶层是真实数据和真机数据。

而数据策略的核心在于，要结合行业的发展阶段和商业化路径去动态调整数据配比。比如在大模型训练中，早期预训练阶段使用的是大量互联网数据；到了后训练阶段，比如人类反馈（RLHF）环节，使用的则是人工标注或引导生成的数据。

换句话说，数据结构要跟模型迭代阶段紧密联动。对我们来说，具身智能的数据策略就是在质量和成本之间找到平衡点。目标是确保数据配比既具备训练效果，也保持成本可控。

我们反对依赖单一数据源来训练机器人。合成数据存在天然的gap，很多物理行为是合成无法精确建模的；但我们也不主张完全依赖真机数据，主要因为它对早期创业公司来说不具备现实可行性。

以特斯拉为例，它从2012年发布Model S开始就有真车上路采集数据，2017年发布Model 3后，大量车辆铺开，到了2022年年销量破百万，这才真正具备了构建大规模真实数据体系的条件。

但灵初当前并没有那样的装机量基础。如果今天我们每天要部署30万台机器人来换取数据，那将是巨大的负担。因此，我们无法依赖真机数据作为主要来源。

此外，机器人本体之间的差异也会影响真机数据的迁移性，进一步提高采集成本和复杂度。因此我们的选择是以强化学习为核心，通过仿真训练高自由度的操作技能，并用真实数据做进一步优化，确保模型性能与成本的双重可控。

下一阶段，我们会继续使用数据手套来补充训练数据。这种方案已经验证了其成本效益，通过几千元一副的数据手套，就能在多种环境下采集上百万数据样本，用于训练出高效模型。

从长远看，随着装机量的逐步扩大，真机数据的占比会自然上升。根据一些金融机构预测，比如美银指出，到2030年全球将部署超百万台人形或具身机器人。虽然这个时间节点可能存在波动，但随着商业化进程推进，我们最终也会进入一个更成熟的“数据闭环”阶段，届时真机数据将成为主要来源。

我们要建立的，是像特斯拉那样的数据飞轮模式——产品部署越多，数据积累越快，模型性能提升也越快。但在那之前，合理的数据配比和成本控制才是关键。

腾讯科技：我们此前也和业内具身智能企业交流过，有的企业非常推崇合成数据。从你的角度看，为什么行业里会出现这种判断差异？

王启斌：我认为这主要源于对成本与质量关系的不同理解。合成数据确实有优势，比如低成本、大规模生成、高速迭代。但问题在于，真正高质量的合成数据其实并不便宜。

为了生成能用于机器人训练的合成数据，需要模拟几何、材质、重心、透明度等复杂物理属性。这种级别的资产制作，其实是高投入的。如果不能做到高保真，那这些数据就会引入误差，最后反而削弱训练效果。

同时，业内常说的“sim2real”或“real2sim”也说明，核心问题不是如何生成逼真的“sim”，而是如何让仿真数据对真实世界具备迁移能力。这一过程往往意味着额外的建模与调优成本，甚至高于采集真数据。

所以，我认为在数字世界里，没有一种又便宜又完美拟合物理世界的低成本方案，这就是现实。

这背后其实也反映了操作任务的复杂性。操作（Manipulation）本身就是一个动态、非线性的高难度问题，尤其是在操作对象状态持续变化的情况下，模型要能适应这些变化，数据就不能太单一。

所以最终，大多数公司都会回到“混合路径”的思路上，用多模态、多来源的数据策略，来应对现实世界的复杂挑战。

腾讯科技：那关于“真机数据”与“真实数据”的区别是怎样的？

王启斌：“真机数据”通常是指机器人本体在真实任务中运行，通过遥操作等方式采集的数据。操作员直接控制机器人执行任务，系统同步记录执行轨迹、状态、动作等，是目前质量最高的数据形式。

但它也存在几个问题：第一是成本高；第二是适用范围有限。比如在高动态任务如抛接球中，遥操作几乎无法胜任，甚至像Vision Pro或外骨骼设备也做不到稳定控制。

更重要的是，当前的遥操作系统本身也存在上限，无论是带宽、响应时间，还是控制精度，都难以覆盖复杂的动态任务。所以在实际落地时，这些系统很难广泛部署、成本也很高。

腾讯科技：但“真实数据”听起来好像不是标准化的，输入机器人前还要处理很多问题。

王启斌：没错。真实数据的质量一般略低于真机数据，准确性大概只有真机数据的85%-90%。但我们依托团队过往在强化学习和仿真迁移方面的能力，能很好地弥补这部分衰减。

比如我们现在使用数据手套来采集高维操作数据，虽然精度不及真机，但训练后策略迁移效果很稳定。很多团队在仿真中无法完成灵巧操作，也很难把结果迁移到真实机器人上。

这里面涉及到大量工程细节，从数据的采集到标注、到预处理、到模型迁移，每一个环节都要精准控制。

机器人硬件思考：为何选轮式结构？

腾讯科技：最后我们聊聊你提到的硬件，这几年机器人领域确实很火，几乎所有公司都在谈“要不要做人形”，而大多数公司都选择了“必须做人形”，但从你刚才的说法来看，你们选择做轮式，背后的思考是怎样的？

王启斌：我觉得这背后是每家公司对市场和技术演进的理解不同。比如I Robot曾在斯坦福做过一个演讲，作为长期的继承式创新者，他们提出的一个原则是：机器人的外形（appearance）会决定市场对它的期望值。也就是说，人形机器人天然会设定一个很高的公众期待，而实际上目前的技术能力与这种期待之间存在显著差距。

这也是“高期望、低现实”式发展的典型表现，正如Gartner曲线所描述的那样：最初是激增的期望值，随后快速回落。我认为，不同公司在技术投入上的选择，很多时候是认知差异的体现。灵初的核心始终是数据驱动的算法迭代。我们聚焦当下可以真正落地的问题，因此在硬件上并不刻意追求双足形态，而是选择更贴近应用场景的轮式结构。

腾讯科技：我们注意到团队里年龄分布很有意思，不仅有70后、80后，还有来自李飞飞学生团队的00后。你们是怎么组建起这样的团队的？

王启斌：2023年我萌生了创业的想法，就开始找全球顶尖的科学家合作。我和很多硅谷科学家聊过，也与国内学者深入沟通，后来我和科学家杨耀东老师一拍即合，在多次交流后决定组建团队、推进公司工作。

杨耀东老师帮我们搭建了科学家与算法核心团队。比如我们算法团队的四位科学家中，有几位是李飞飞的学生。杨耀东老师本人毕业于英国伦敦大学（UCL），长期研究强化学习，从大模型的后训练到灵巧操作积累很深。我们的联合创始人陈源培是他的学生，专攻机器人灵巧操作。

腾讯科技：你们的投资方中也包括智元机器人？

王启斌：是的，智元在早期就投资了我们，双方合作非常紧密。他们也在硬件资源上给予了一定支持。

腾讯科技：我注意到你们的机器人外形跟智元机器人的主流形态不太一样，是做了改进吗？

王启斌：对，我们确实做了一些结构上的调整。

从热潮到淘汰，具身智能进入筛选期

腾讯科技：最后一个问题想聊聊整个行业。你怎么看当下具身智能这个赛道的阶段？我们之前接触过一位投资人，他说2025年下半年会“死一批公司”。你怎么看这种观点？

王启斌：我认为这是一个典型的长赛道。我在2018年开始做机器人时，其实就已经看到一些趋势。从2015年起，不少公司在做室内配送；2018年前后支架开始普及。京东当时的末端无人配送车，也是在2018年启动的L4项目，去年也确实有一些公司跑了出来。

所以我的判断是，这条赛道的周期大概在7到10年之间。在这样一个周期里，起伏是必然的——这也符合Gartner曲线的逻辑。从2023年下半年到现在，可以说是行业的一个波峰。而随着市场进入下一阶段，热度下降也是自然现象。

问题的关键在于：谁能熬过这段波谷？谁就能活下来、走得更远。

能穿越谷底的公司需要几项核心能力：第一是资金能力，也就是融资护城河；第二是人才密度，只有优秀人才才能推动算法、数据和硬件的持续迭代；第三是明确的场景目标与可验证的商业化路径。企业必须在过程中积累成果，并不断逼近可见的商业节点。

这条赛道很宽，也足够长。它像是一条“长坡厚雪”的赛道。每家公司在生态链中的定位不同：有的擅长硬件，有的专注算法，有的可能未来会变成核心零部件的供应商。灵初的定位就是算法驱动型公司，重点提升操作能力。我们的硬件策略是：做可靠且成本可控的结构，服务于TO B市场中的实际场景。

腾讯科技：现在很多人是通过C端热度才第一次感知到这个赛道，比如春节期间宇树机器人刷屏。但其实在B端，这条赛道早在一两年前就已经热了。是不是可以说，C端的热度只是表层推动，真正的高峰早就在B端产生了？

王启斌：没错，C端感知的爆点，更多来自媒体集中曝光。但真正的产业推动，其实早就开始了。像Figure去年3月发布的demo，机器人递苹果、与人沟通，看起来很炫，但其实很多是展示性拍摄，有摆拍成分。

腾讯科技：是的，当时有不少人误以为技术已经能实现那样的应用。

王启斌：对，但好在现在公众的判断更理性了。你看Figure最近发布的物流demo，虽然仍是demo，但内容开始贴近实际应用，这也反映出行业认知已经从“炫技”转向“落地”。

腾讯科技：现在再看这些demo，已经很难“忽悠”C端用户了。大家更关注是否真正落地、可复现。

王启斌：这种分化趋势会越来越明显。我完全同意 Rodney Brooks（I Robot创始人）那句话：“机器人外形决定了用户对它的预期。”而当前人形机器人的能力，确实还无法满足这些预期。我们选择聚焦头部客户的真实场景，比如3C制造和物流，把精力集中在解决实际问题上。这些是当下更务实、可落地的方向。

腾讯科技：如果要对标全球范围内的同行，你认为和灵初最像的会是哪家公司？

王启斌：我觉得比较像的是 Figure，虽然他们做整个人形，但我们特别强调“双手”的操作能力。

从第一天起，我们就决定不做简单夹爪，而是要做真正的灵巧手。比如我们这款“灵巧手”，就是典型的软硬结合产品，非常灵活。

我们对灵巧手的理解是，它是一个软硬件耦合系统。

我们试过Shadow等各类企业的灵巧手部件，但最终发现它们与深层控制算法之间存在很多适配问题。

比如强化学习算法需要对手部的控制精度非常高——从位置、速度到电流层级。控制深度越强，性能表现越好。但很多现成的硬件并不支持这种级别的控制。

所以我们提出一个观点：灵巧手的迭代不仅是硬件指标的竞争（比如自由度、响应速度），更应从“数据可训练性”的角度来重新定义。在不同任务场景中，究竟什么样的手才适合配合我们的算法系统？

这也是为什么我们强调软硬结合和深度控制，用数据手套训练灵巧操作，从数据驱动反过来指导硬件设计，最终形成真正适配的操作系统。