星海图高继扬：造「正确」的机器人，开启AI下半场 | AI门户 aigc.bar

type

status

date

slug

summary

从电机到模型：为何「正确的本体」是第一要务？

与大语言模型“模型即产品”的特性不同，具身智能是一个不能有短板的游戏。高继扬将其概括为“from motor to model”（从电机到模型），强调这是一个从底层硬件到顶层算法的深度整合系统。

当前具身智能进展缓慢的根本原因，并非算法停滞，而是高质量数据的极度匮乏。互联网上虽然有海量图文视频，但这些并非具身智能所需的核心养料。具身智能需要的是“本体与物理世界交互”的数据，例如抓取、开门、操作工具等。而高质量数据的缺失，根源在于缺少一个能够高效、稳定产生这些数据的“正确的本体”。

高继扬提出“智能定义本体”的核心理念。这意味着，机器人的硬件设计必须服务于智能算法的需求。例如： * 双臂系统：采用低减速比电机，以实现类似人类的高动态性能，满足模仿学习的需求。 * 躯干设计：采用高减速比电机并配有抱闸，确保在意外断电时机器人不会瘫倒，保证安全性。 * 移动底盘：首创六电机、三舵轮的全向移动底盘，实现人类“跨步横移”的能力，让上半身操作与下半身移动无缝衔接，而非传统AGV的“转身-前进-转身”的割裂模式。

只有先定义并制造出这样一个“正确的本体”，才能为后续的高质量数据生产、模型训练乃至应用爆发奠定坚实的基础。

数据即生产：真实世界交互是模型的唯一食粮

有了正确的本体，如何获取数据？高继扬给出的答案是：把数据采集当作一项生产活动，直接进入真实世界。

星海图并未构建大规模的封闭采集场，而是将数十台机器人部署在酒店、公园、食堂等真实开放场景中。他们认为，预训练所需的数据必须源于真实环境，这样训练出的大模型才具备真正的泛化能力。这一过程涉及到复杂的工艺、运营和工具链问题。

截至今年Q3，星海图计划累计获得一万小时的交互数据，覆盖上千种操作对象和三百多个任务。这些围绕“正确本体”采集的数据，将成为其具身智能基础模型的核心资产，并计划逐步开源，赋能整个社区。这体现了从数据采集到AI变现的清晰思路。

智能的边界：现阶段什么「泛化」最有价值？

具身智能的终极目标是实现完全的泛化，高继扬将其归纳为四个层面：对象泛化、动作泛化、场景泛化和本体泛化。然而，从商业和产品价值的角度看，他认为现阶段的重心应该有所取舍。

最有价值的是对象泛化和动作泛化。 * 对象泛化：机器人能对不同物体执行相同动作（如抓取瓶子、杯子、手机）。 * 动作泛化：机器人能对同一物体执行不同动作（如拿起杯子、用杯子倒水、拧开杯盖）。

一旦解决了这两个泛化问题，具身智能就能在大量“工站式”场景中落地，创造显著的商业价值。

相比之下，场景泛化和本体泛化在当前阶段的商业重要性没那么高。因为许多应用场景相对固定，对场景泛化的要求远低于自动驾驶。而既然产品形态是“整机+智能”，那么模型在不同本体间的泛化能力，在商业化的第一阶段也并非首要任务。这种务实的判断，为具身智能的商业化落地指明了清晰的路径。

展望2026：开发者生态与应用为王的下半场

高继扬大胆预测：2026年将是具身智能的下半场，其核心是“应用”。而引爆应用生态的关键，在于开发者。

星海图的“To B, To D”（面向企业，面向开发者）模式，正是基于这一理念。他们深知开发者从零到一构建完整系统的艰辛，因此选择将内部使用的整机、工具链和数据模型开放出来，赋能全球开发者。

供需两侧的成熟正在为2026年的应用爆发铺平道路： * 供给侧：机器人本体趋于稳定，基础模型初步具备泛化能力（厘米级精度、人类70%-80%的速度、百量级样本学会新任务）。 * 需求侧：企业对应用场景的探索逐渐清晰，市场预期回归理性，从追求“完全替代”转向在局部环节“跑通商业模型”。

结论

星海图高继扬的分享，为我们描绘了一幅清晰而务实的具身智能发展蓝图。它告诉我们，通往AGI的道路并非只有算法一条，而是需要从硬件本体、数据生产、商业策略到开发者生态的全方位布局。放弃对“通用”的空泛追求，聚焦于打造“正确”的机器人，优先解决最具商业价值的泛化问题，这或许正是具身智能走出实验室、真正改变世界的关键一步。

随着技术的成熟和生态的完善，我们有理由相信，具身智能的“应用元年”正加速到来。获取更多关于人工智能、ChatGPT、Claude的最新动态和深度解读，敬请关注AI门户 https://aigc.bar ，您的每日AI日报和AI新闻来源。