线性资本对话它石智航丁文超：具身智能，24个月后或迎来真正的涌现时刻

线性资本·2026年07月31日 15:35

“可信赖”可能是具身最后的分水岭。

WAIC期间，线性视频播客「一线之间」迎来直播特别放送。线性资本创始人兼CEO王淮受B站官方邀请，与它石智航联合创始人兼首席科学家丁文超展开了一场对谈。

在今年的WAIC上，它石智航正式发布了新一代具身智能原生基座模型AWE 3.5。并入选大会仅六席的SAIL之星。线性资本作为它石智航最早轮次投资方，连续三轮下注支持。

丁文超的履历，恰好横跨工程落地与前沿研究两端。他是第一代智驾系统的核心技术专家；2023年回到学界，任复旦大学研究员和博导；2025年再次出发，与陈亦伦、李震宇等联合创立它石智航，任这家飞速成长的明星具身公司的首席科学家。

这次对谈中，丁文超抛出了不少判断，指向了同一个问题：当具身智能走出Demo、走向真实场景，最后那道分水岭在哪里？他的答案是——“可信赖”可能是具身最后的分水岭。

以下是对谈实录，由线性资本编辑整理。对谈视频完整版欢迎上B站搜索「线性资本」观看。

01 具身3.0时代，或在24个月后

▍王淮： 从智驾到学界再到创业，你是少数几个把工程化落地和前沿研究两条路都走过的人，100多万台车用了你的端到端算法，后来又回到复旦做模型研究。这一路下来，你觉得自己真正在解决的最难的一件事是什么？

▍丁文超： 虽然中间有几次从自动驾驶到具身智能的过渡和切换，但我觉得核心上我就在干一件事：用AI的、或者说数据驱动的方法，构建一个物理世界里你可以信任的智能体。

自动驾驶本质上在解决什么问题呢？我们收集大量人类开车的数据，训练一个网络：输入是图像，输出是动作，而这辆车可以完全相信网络的输出。这在大家看来非常不可思议。

我们跟大模型聊天，它的回答有时准确、有时差点意思，你可以和它反复迭代。但自动驾驶没办法反复迭代，因为它输出的轨迹直接控制你的车。

▍王淮： 错了可能车毁人亡。

▍丁文超： 对，后果很严重，这就是物理AI非常有特色的一点。具身智能在干类似的事，只不过是一个更大的Scope，它不局限于开车，它可能要在工厂干活、在物流搬运、在家庭打扫。

所有这些事情，你都要能相信机器人可以安全、稳定地完成。而且方法上不能靠手写规则，一般要用数据驱动的方法，像训练大模型一样去迭代，让它具备“大脑”，自适应地在各个环境中完成任务。

所以虽然我做过自动驾驶产品、做研究、创办公司，但这一切都交汇到一个点：怎么通过数据驱动的AI手段，造一个物理世界里大家可信赖的智能体。

▍王淮： 那咱们拿自动驾驶的历史做个对比。以我粗浅的理解，自动驾驶经历过三个大阶段：最早是用于提示的ADAS，有碰撞提示、换道提示这些；再后面是基于规则的、场景化的自动驾驶，比较按部就班；再往后是端到端。

你怎么看具身今天的技术，处在发展历史的什么阶段？有人说是“2019年的自动驾驶”，这个比喻对不对？

▍丁文超： 自动驾驶起源很早，2010年代初大家就开始做了，那时可用的工具箱是匮乏的。我以前做产品研发时，大家反复会问的一个问题是：你用神经网络干这个事，到底具不具备可解释性？早期我推端到端研发时，很多人会问，你为什么能相信神经网络帮你开车？这种意识其实阻碍了自动驾驶快速走向最终的解决方案。这中间有一个工程师被教育、用户被教育的过程。

类比自动驾驶，具身现在我觉得肯定超过了2019年，更倾向于已经接近2021到2022年的水平。我是这么分析的：

首先，具身的起点更高。具身从第一天起，就没人想过用规则方法去做它，因为场景太多样了。自动驾驶其实只是具身智能的一个子场景，是最简单的、四个轮子的机器人的一种形态。

其次，具身要解决的问题客观上更难。大家的预期不只是“在这个场景能工作”，既然是通用形态，肯定想让它干很多件事。

所以从方法论层面看，具身起点非常高，一上来就对标最先进的大模型和端到端系统；但问题又更难。综合这两点，我把它定位在大概2021到2022年的自动驾驶。

如果把具身分代际，我大致分这么几个时代：1.0时代，有了一些相对小的模型，可以完成“从传感器到动作”的特定任务。这个时代已经过去了，上限就是做出很好的demo，但很难批量化进入场景、进入工作。

现在大概已经进入了2.0时代，大家在WAIC也能感受到这种氛围：做一个相对通用的基座模型，干多件事情，并且都干得还不错。虽然距离物理世界的AGI、距离大模型的能力还有距离，但它在物理空间已经能可靠地完成多件任务。我预测，24个月左右，我们可能就会迎来真正的3.0时代。

▍王淮： 3.0时代的特点是什么？

▍丁文超： 大模型有一个很重要的能力叫in context learning，你让它做的事，很多时候没有训练数据，或只有相似度很低的数据。3.0 时代，具身也会进入in context learning的时代。让它干一件事，不用像现在这样先采集示教数据，你教它、它就能做。这可能就是具身真正涌现的时间点。

▍王淮： 相当于有一个one shot。而且这个one shot可能还不用刻意展现给它，它在平时的观察中，自然而然地就涌现出来。

回到它石，你们最近发布的模型叫AWE，AI World Engine，现在是3.5。3.5跟之前的3.0有什么区别？跟刚才说的“24个月后进入3.0时代”又有什么对应？

▍丁文超：AWE，我们叫它AI的世界引擎。从3.0到现在，有几个外显的变化：

第一是数据量的大量提升。在以人为中心（human-centric）的数据范式下，我们可以获取很多数据。扩增的不是重复数据，而是多场景、多任务的数据——基本上人能干的事情，我们几乎都有涉猎和覆盖。

第二是模型架构的变化。3.0时代的同期模型，往往都是从其他领域借鉴来的。早期大家做VLA模型，其实是从VLM借鉴而来，加上动作端的输出；后来的世界动作模型、世界模型，很多也是从视频模型演化来的。

关于3.5，我们的一个核心思考是：具身智能作为这么大的领域，应该有自己的基础模型。以前很难想这件事，但有了充足多样的数据之后，可以开始做了。所以3.5相比3.0在模型层面最重要的提升，就是走向原生化。语言模型是原生模型，视频模型是原生模型，但以前那种拼接的模型不是。具身应该有它自己的原生模型。

▍王淮： 所以数据在这里面是非常关键的。我看你手上带了你们的数采设备，还有这只用于操作的手。这跟你们的数据来源有什么关系？

▍丁文超： 这个设备非常轻便，就像日常戴的手套。它指尖有触觉反馈的捕捉，背后有磁传感信号的捕捉。

具身的数据要知道“人到底感受到了没有”，触觉核心解决的就是这一点。比如你抓一瓶水，视觉上看都是“抓住了”，但握紧一点和握松一点，到未来世界的状态完全不一样——握紧就抓住了，握松就掉了。

即使我们的手伸进被子里，这个设备背后的小传感器都能准确捕捉姿态，是可以全天候、全场景适用的动作捕捉。它上下都有摄像头，能把人做事时所处的环境捕捉下来。胸口、头上可以绑 FPV（第一人称视角）摄像头，形成一整套套件，相当于在日常中记录。

有了数据之后训练模型，它建立的是两者之间的连接：第一，感人之所感——人这时看见了什么、感受到什么；第二，做人所做的事——把人未来的轨迹、动作用模型预测出来。

▍王淮： 加上视觉，就可以“见人之所见”。

▍丁文超： 对，见人之所见。它石是很有“强迫症”的一家公司，有了手套，我们就想要有手。这是21自由度的灵巧手，和人手自由度几乎相当，电机直驱，在这么小的空间里把21个自由度的微型电机、减速器全部集成进去。基本上人手可干的工作，它都可以干。

所以这就是一个灵巧操作的末端。手套产生数据，回到智能的末端完成任务。

▍王淮： 采集的数据最后沉淀成模型的能力，串起来变成一个闭环。

02 以人为中心，回归第一性原理

▍王淮： 它石是一家极度有个性的公司。第一次见你们时，所有人都在大力提VLA，你们应该是第一家讲世界模型的。当时你们是怎么认定未来属于世界模型、而不是VLA的？

▍丁文超： 当时的想法都不是参考同行来的，更多是从第一性原理出发、自上向下地想。

当时具身智能面临的第一个困境是数据：往往靠遥操作获得，就是把我的动作捕捉到之后直接映射到机器人上，以机器人为主体完成动作。

这很困难，第一，依赖机器人的数量；第二，遥操作的效率基本只有人类效率的1/3，不熟练的1/10都不到。

▍王淮： 我试过一次，太辛苦了，得练。

▍丁文超：第二个困境是，VLA模型有点“头重脚轻”。VLM部分的视觉、语言推理能力确实很好，但很难打破“次元壁”——今天我们在B站，大家对次元壁应该很有感觉。它还停留在视觉和语言的信息空间，穿透次元壁的方式仅仅是在上面拼接一个头，我们叫它“动作专家”。

▍王淮： 强行结合。

▍丁文超： 对，强行结合，这显然不是真正打破次元壁的方式。从第一性原理想，数据上不能停留在遥操作，得有一种更好、更轻量的获取方式。这个世界上只有一种智能体具备这种能力，那就是人类。所以要回到人上去，我们叫“以人为中心”，human-centric。让人代替机器人，成为通用物理智能的数据采集主体。这是第一个大判断。

第二个判断是模型。数据都来自人，就会面临一个问题：人和机器人毕竟是不一样的“物种”，怎么共享知识和能力？单纯的动作拟合肯定不够，它要学会人类与真实物理世界交互的规律，隐性地学习“你怎么做，物理世界就怎么改变”。你抓一瓶水，它会以牛顿定律的方式掉下来。

这种学习范式必然是以世界模型为核心驱动的范式，它可以极大效率地消化“无本体”或“跨本体”的数据。世界模型最大的优势就是获得跨本体能力，因为人和机器人共享了世界的知识，共享了运动学和物理定律。所以说，当时别人很不理解我们，但在我们看来这是唯一解。

▍王淮： 但一年半之后，大家不仅理解了，还搞出了五六种定义世界模型的不同路径。有以生成video为主的，有在Latent Space（隐空间）做的。当时你们对未来走向的理解和见解，还是很厉害的。

03 找真需求，干人不愿意干的事

▍王淮： 你们选应用时选了一个最难的——线束。这是什么逻辑？

▍丁文超： 具身智能在技术层面，这一年分歧在迅速收敛。就像你说的，已经变成一些技术“变种”，在我看来都不算分歧，只是实现细节的差异。但现在确实有一个大分歧：一个做具身基座模型的公司，应不应该有应用？该选什么样的应用？

我们选线束，逻辑很清晰：要找到“真需求”——首先去干人确实不愿意干的事。大模型为什么先做成了Coding？因为编码确实枯燥乏味。

人维护5万行以上的代码，脑子基本就不转了，不知道自己当时为什么写这一行。“屎山代码”就是这么来的。具身领域也有对应的硬骨头。

我们不是在办公室里空想，而是调研了很多场景，真正走进工厂去看。传统工业自动化能解决的问题，几乎全被扫荡了一遍。很多工厂进去一看，全是自动化、干净整洁的流水线。

▍王淮： 学名“黑灯工厂”，灯关了还能继续干。

▍丁文超： 对。但有一类应用始终还有很多人。走进线束工厂，就会发现里面密密麻麻全是人。怎么到了这个时代还有这么多人干这个？

其实是因为这个任务有几个特点。第一，操作对象是柔性的。传统自动化解决的是固定物品的移动和装配，而线束像绣花线一样，一碰就变形。第二，精度要求特别高，末端端子只有零点几毫米，人第一次都经常插不准。今天展会现场我们让很多围观群众上手去插，都很难。

▍王淮： 待会儿我去试试。

▍丁文超： 你可以试试，可能插几次都插不好。第三，非常枯燥，这对应到具身有个技术名词叫“长程任务”（long-horizon task）。指的是一件接一件不停地干。单次成功率90%、99%都很高，但连续干100多次，一累乘下来，端到端任务的成功率就下去了。所以这类任务一直没被很好解决，仍然大量靠人。既然具身要解决真问题，何不挑战人不愿意做的事？所以选了线束。

线束把我们的能力逼到了极限——数据要亚毫米级精度，模型部署要亚毫米级精度，犯错要自适应调整，算法栈被充分打磨。到今天，线束只是我们的一个子场景，我们已经开始做泛工业的多场景泛化，也在为走入更多人类生活做准备。这是对公司非常好的锻炼。

▍王淮： 你最开始就找了一个“难且大”的场景。“大”就涉及你常提的一点：一定要规模化。听说你对规模化有执念，这个执念是自动驾驶那几年被现实磨出来的吧？现在做具身应用，还折磨吗？

▍丁文超：规模化的核心，是跨越“从demo走向用户真实反馈”的鸿沟。在自动驾驶中我完整经历了这个过程。早期在特定路线上跑得很好，觉得问题就在眼前；但真正产品化、推向每个终端客户时才意识到，客户能碰到的场景千奇百怪，什么都有。

举个例子，我当时做过一条路线，让端到端算法穿越上海黄浦的城中村。那里有坐轮椅慢慢滑行的老太太、扛竹篙的老人、逆行的外卖员，对向车挤你、鸣笛，后车催你赶紧走。

在这么极限的环境下我们意识到，自动驾驶能遇到的情况太多了，像无限多个平行世界——世界目前是这样，但未来可能发展成各种样子。

所以一定要建立和用户的闭环。用户把产品带到中国每个角落，我们收集回真实的反馈、心声和吐槽，就能更好提升。而且我们靠数据驱动——数据越多、反馈越多，就越强大。

当时的客户反馈像雪花一样。有些用户会寄语音，当时车里有个按键，一按就能录语音推给我们。

▍王淮： 在自动驾驶过程中直接在线吐槽。

▍丁文超： 对，在线吐槽。用户吐槽的语音我们是真都听过，问题单上很多附了原声：“这车怎么变道磨磨唧唧的？”“后面都鸣笛了，怎么不快点走？”正因为听了这些，我们才下定决心抛弃很多传统算法写的模块，真正用数据的方式快速迭代。

所以我说的规模化，就是规模化地倾听用户声音，用数据驱动的方法解决问题。具身从第一天起就坚定了这一点，虽然更难了，因为场景比自动驾驶更丰富，用户自定义需求更高。将来机器人进了家，吐槽肯定更多。

▍王淮： 到时候你也要搞一个一键吐槽。

▍丁文超： 可以，一键吐槽哈哈。一上来如果钻到过于垂类的小场景里，你会觉得外面的世界太美好，沉浸其中觉得自己很牛。但真正还是要走出去。让用户多吐槽，倾听之后用正确的方法把事做好。

▍王淮： 那这个难度现在在你们产品化过程中已经凸显了吗？处在哪个阶段？

▍丁文超： 我们已经实际开始在客户现场部署和导入了，强度已经上得挺高。

04 用户最关心的：效率与可靠性

▍王淮： 现在哪个吐槽最折磨你？可以举个例子。

▍丁文超： 用户最关心、也最促进模型变好的，有两个点。

第一是效率，用户对效率要求很高。这一点现在大家关注得其实还不够，这次WAIC展会，很多展位还在研究“能不能完成任务”，但机器人将来进家庭也需要效率。

第二是可靠性。我们算法人员关注算法任务的可靠性，用户关注的是功能安全的可靠性。这对我们其实是很好的输入，怎么从算法和软件设计上，保证算法充分具备应对各种意外的安全性。

这两个角度，是单纯研究基座模型时不会发现的，也是物理世界AI特有的问题。

▍王淮： 效率保规模化的上限，安全保规模化的下限。没有这两样，客户买回去不是用，只是买个Demo秀一秀。

我们有个判断：下半年开始，市场对那些跑得快、融得快的具身公司要求会不一样——之前你是好学生，大家对你期望很高；下半年真要考试了，考不好怎么算好学生？到年底，产业化、规模化的“考试”会逐渐出来。这对行业意味着什么？也有企业说：你现在跟我谈规模化、谈应用，说明你不懂。你怎么看？

▍丁文超： 这就是这一代具身智能最大的争议。两个观点：一是再等等技术，先把通用物理世界AI模型做出来，再做应用；二是现在就应该有应用的输入。

我认为，应用永远是驱动模型往前走的第一生产力。拿大模型来说，现在比较成功的大模型公司，起点可能是“做通用模型”，但很快就找到了Coding这个应用，做得最好的TOP公司都是这样。为什么？因为通用基座模型像一条无穷无尽的道路，到今天大模型还可以更强、规模还可以更大、self-improving还可以继续。这中间像茫茫大海，你得找到灯塔。

AI Coding就是灯塔，它要求模型懂语言、能交互、有长程任务能力，所以要有 Memory、Long Context、自我纠错、Sandbox、持续强化学习——这些机制，和现在大家提的大模型基础技术完全相符。真正的需求，往往就是从应用来的。

在我们这个时间节点，它石的判断是：投入最大的带宽做通用物理AI基座模型，但不想“遗世而独立”，要“入世”，倾听真实场景、真实客户的反馈。

所以我们要做ROI高的真实应用，我们自己端到端把它做好。你连一个应用都做不好，怎么寄希望于通用模型部署到客户那里能稳定工作？

▍王淮： 没错。诸葛亮说过“略懂”——这个懂一点、那个懂一点，真正干最专业的事时，可能啥都干不了。有限的资源和人力铺在太多东西上，不可能在某些点上得到飞跃式突破。让真有这个问题的人用你的产品觉得爽，才会持续付费，形成有效闭环。

05 具身公司的首席科学家是什么

▍王淮： 回到你个人。你有自动驾驶的规模化应用经验，也有对具身大模型前沿研究的热爱，这两者组成了你作为首席科学家的特点。我想问一个fundamental的问题：什么叫首席科学家？你和CEO怎么配合？

亦伦是我们共同的朋友，也是技术出身，有没有这样的场景：亦伦说“这个月必须出结果，让客户工厂用起来”，你觉得“模型还要再上一个强度，希望就在面前”？年纪轻轻就做一家这么有特色的具身公司的首席科学家，你的自我定位是什么？说到底，我特别好奇：首席科学家的基本修养是什么？

▍丁文超： 先抛一个反常识的：我内心一直觉得自己是工程师。如果有“首席工程师”这个title，那我就是。

怎么定义科学？本质是用系统化、正确的方法解决问题，所以叫“科学问题”。我在学术界整天干的事就是“凝练科学问题”，科学与问题分不开。工程是什么？用工程方法论解决问题。所以两者是共通的，都交汇在problem solving上。

而在具身这种前沿领域，科学问题和工程问题已经很难分开了。我们做的很多问题，Paper里找不到，学术界还没进展到这里，我的学生们才刚开始研究。这是一个“倒置”，智驾后期也是这样。

学术界只能找角度做别出心裁的问题，在scaling上很难发力；工业界可以做scaling，做大规模数据和模型训练。

所以我把科学和工程统一到problem solving框架下：我们以工程师的态度解决问题，但用的方法和技术手段，已经进入科学问题的范畴。

▍王淮： 这好像是具身、大模型这类企业的共同特点。研究新问题，背后又有很强的应用驱动。原来是把科学和工程分得很开的。所以首席科学家最核心的角色是什么？

▍丁文超： 能提出新想法，但只是起点。我一直说我是“搭桥的人”。提出新想法后，搭一座桥，一直搭到用户可以使用的状态。我做的事就是发现特别有前景的解决方案，架桥通向客户、通向实际方案。

日常就是和工程师在一线研讨，正确的解决方案是什么？然后拍板。但拍完不能不管。很多人以为科学家提完想法、做完小规模验证就不管了，别人说“不太work”，你说“那是你实现得不对”，我们不能这样。

这个时代对实践的要求特别强。再加上有了AI Coding，实践边界更简单了。我会深入看工程师的代码，以前没那么多时间看每一行，现在可以看很多，一直深入到“这个问题最后有没有落到产品里产生效果”。这就是我日常工作的主题。

▍王淮： 那应该给你一个新Title：首席科学工程师。

▍丁文超： 对，首席科学工程师哈哈。

▍王淮： 它石发展到现在，模型迭代过程中，有没有Aha Moment——觉得智能涌现了，对具身未来充满惊奇？惊吓也可以。

▍丁文超： 有两点，第一点比较直观。大量预训练之后，用少量示教数据后训练让它干一个活，它会涌现出后训练数据里完全没有、甚至预训练里都没干过的事。

我举个例子，做桌面整理、家居收纳任务时，我们发现它会动用一只完全不在示教范围内的另一只手；左右手的节拍也会自己改。本来你教它的是，先扣上铅笔盒，再左右手协同拉开书包放进去。结果它可以先把书包掏过来，右手干得差不多，再双手配合放进去。它会自己改变任务顺序、改变你的定义。

这就像教小孩，他不会严格按你教的12345做，会自己去发现。小孩靠人类历史的记忆和基因预训练，我们靠大量人类操作数据预训练。这对我是个Aha Moment，它让我坚信，大规模预训练真能带来具身模型的涌现，而不是简单过拟合。

第二，我们在尝试不断降低后训练投入，压到小时级，最终压到接近in context learning那样的minimum。我们做了个实验：超大规模数据预训练之后，后训练只用非常基础的数据去“激发”，就像大模型的SFT一样。

当然，这两个还没到“真正理解物理世界AGI”那种程度，但至少让我看到了信号。

06数据从哪里来，就要到哪里去

▍王淮： 回到数据。你们的Human-centric跟UMI是什么关系？

▍丁文超： UMI是学术上延伸过来的范式：通过可穿戴式夹爪获取数据。我们获取数据的方式叫Human-centric，这个概念我们提得很早。现在也有个新名词叫Ego-centric（第一人称视角为中心），就是不戴手套和末端，头顶绑个运动相机就能采数据。

我们做了大量跨本体研究，从人采集数据、迁移到机器人。我们发现人类有很强的“根据反馈微调”的能力，这不是单从视频里能学到的。就像抓一瓶水，视觉上看都很像，但差之毫厘、谬以千里，未来发展完全不同。

所以我们一直强调，末端非常重要。我们的Human-centric相比Ego-centric或UMI，首先是真正针对“人”这个本体，把所见、所感完整捕获下来。

▍王淮： 我的理解不一定对，就是不套别人的定义，FPV（第一人称主视角）加末端反馈、摄像头采集，把人类做事的可靠细节最大程度记录下来，从中学习出能迁移到机器上的知识。

▍丁文超： 是的。

▍王淮： 技术路线上，你说大家朝向世界模型已经没有分歧，只是大门派里的小派别；但数据来源上分歧还挺大。这会带来什么差异？会不会过一年半，像当年世界模型一样，所有人都开始讲Human-centric？其他路径有没有它们的优点？

▍丁文超： 各有适用场景和优势，但有大有小。现在很多人把它类比成“金字塔”，当大家没办法用一套统一方法描述事情时，就开始提“金字塔”。我可以分析一下几种方法的差异。

先说仿真。仿真的本质是人尝试当世界的“主宰者”。通过编程和物理定律建模，营造虚拟环境，无限逼近真实世界。优势是，在能准确建模的场景里，它能搞定应用，比如人形机器人唱歌跳舞，基本走的都是Sim-to-Real。

但困难是，人的精力有限，造不出和真实世界一样复杂的世界——你如果能造出来，早就解决具身智能了。所以会有点悖论，造一个充分逼真的仿真器，和做一个通用物理AI，难度可能等价，甚至更难。所以仿真器最大的缺点，在规模化的时候。

我们的结论是：要做规模化，核心就是“从哪里来，到哪里去”。你要到真实世界中去，就要从真实世界中来。数据如果采自数采工厂或封闭场景，就回不到真实世界中去。

▍王淮： 你只能回到采集数据时所在的那些地方。

▍丁文超： 对。想要真正的通用泛化，就要以通用泛化的方式获取真实数据。我不觉得将来会出现一个和Human-centric不同的东西，从第一性原理讲就是这样。

至于遥操作、真机数据，它肯定是高质量的、针对特定应用的数据。假如你不想做通用物理AI，没那么大野心，的确有些场景不要求泛化，把事干好就行。

但它石的追求是在通用上走得更远。我的预感是，Foundation model做得越好，终端应用越容易下传。大模型上我们观察到了这一点，具身上我认为也会复刻这个故事。

▍王淮： Human-centric有没有瓶颈或缺点？

▍丁文超： 最大的问题是对AI细节处理的要求极高。你基本把人的所见所感都采了，但“人”这个物种太灵活，高矮胖瘦、行为习惯各异，采集时还可能不是intentional的，带一些很神奇的行为进来，你很难调节。

在这么丰富、又和机器人本体不一样的数据源头上，怎么建立可靠的AI范式去消化吸收？这是非常大的挑战，对全流程都有要求。数据来了能不能自动化做场景理解、筛选挖掘？模型架构能不能把语言推理、动作的潜在轨迹、末端触觉反馈很好地融合？不是像VLA或World Action Model那样简单拼接，而是要把数据里多种原生模态的分布和关系，映射到模型架构设计上。

所以这条路线上限和想象力很高，但难处是它不断对你提要求。

▍王淮： 这也符合你们“上来就给自己上难度”的偏执。

07 中美具身的差异是一座“围城”

▍王淮： 聊个更大的话题，中国的具身跟美国的具身，差异在哪？

市面上通常说：中国强在硬件本体，美国强在模型。我觉得这只说了表面。背后其实是理念差别：美国大部分想的是“把模型做通，再迁移到各种本体——只要模型够强，什么问题都能解决”；中国则是“场景多、本体强、模型基础也不差，为什么不基于应用把东西做通？”当然我有点极端化了。从你的角度，怎么比较看待两边的具身？

▍丁文超：我觉得这是“围城”。我和很多美国创业者聊过，他们其实很想要场景、想要应用牵引，但掣肘比较多。美国一个大厂的机器人团队跟我说，迭代一款硬件要6到12个月才能拿到样机。这种迭代速度怎么做应用？客户等不了你。能做的就是用科研上可以买到的本体先组装起来，继续做模型研究。就是这么朴素，没有那么多思考。

▍王淮： 背后没有那么多思考。

▍丁文超： 对，中国的创业者也一样想做通用物理AI。

但中国有个“幸福的烦恼”，制造业和硬件能力太完备，大家攒东西很快，今天你攒一个，明天他攒一个。那你就得展现能力了。如果只停留在信息空间，别人问“你到底在干什么”，总不能说“我在练一个很牛的模型，等神功大成再跟你分享”吧。

▍王淮： 其实都是现实逼出来的生存之道。