它石智航用“吉尼斯纪录”交卷真干活的具身大脑,丁文超:从来没有Plan B

真干活的具身大脑

  当圈内还在争论机器人何时能真正干活时，它石智航已用硬核技术，交出了答卷。

  专攻干活，而且要干就干最难的。这是它石从创立之初就确立的技术路线。

  它石为A1机器人选择的挑战，叫作亚毫米级线束装配任务。

  这是具身智能最凶险的试金石。

  采访中，丁文超拿GPT的发展脉络来做参照。

  GPT-3做了两件事：把聊天场景打磨到极致，同时指明了这条Scaling曲线的走向。GPT-3出现之后，已经没人再怀疑LLM这条路。只不过GPT-3.5把它彻底引爆了。

  AWE 3.0想做的，是同一个逻辑。

  用线束装配对标聊天场景，把它打爆，同时验证模型在其他干活任务中的泛化能力。

  丁文超坦言，做之前就清楚这是块硬骨头，但真正上手才发现，还是低估了难度。用传统方法，几乎不可能完成。

  但也正是这座珠穆朗玛峰般的里程碑，催生出突破，最终汇聚成AWE 3.0。

隐空间：世界模型的核心

  这个世界模型最核心的特点，叫隐空间。

  关键在于「隐」这个字。这是一个经过压缩和抽象的中间世界，肉眼无法直接看。

以人为中心的数据采集

  长期以来，关于具身训练数据，行业有个共识：遥操数据精度最高。丁文超却说，在亚毫米级精度的任务上，这个结论完全站不住脚。遥操作根本干不了亚毫米级的事。操作过程中会犹豫，抖动。

  这是一套以人为中心的一体化数采套件。

  非常轻便，一双手套，一个能够固定在胸部或头部的第一视角摄像头，完全无需像遥操那样进行专业培训，哪怕是清洁工、超市员工，佩戴上就能成为采集员，也不会影响工作。劳动者在日常工作过程中，顺手就能把数据采了，完全是“被动式”采集。

与此同时，它石发起具身数据星火计划，邀请生态伙伴加入，基于Human Centric推进具身数据标准建设、共建Human Centric数据集，构建产业级数据共享生态。该计划初期将汇聚超过1000万小时的标准化优质数据，目标推动实现1亿小时级别的数据共享。

  2026年，Human Centric正在从它石率先验证的技术路线，快速演变为整个行业的共识。

  具身智能的数据Scaling，这才刚刚拉开帷幕。

对话原文

量子位：A1刷新线束装配吉尼斯世界纪录令人印象深刻，研发过程中有什么挑战？哪些环节比预想的要难？

  丁文超：硬件远比我们想象的要重要。

  你可以把它理解成两头往中间靠的过程：

• 题，但我们解决得还不错。
• 第二，端到端网络到底能做到什么精度？之前我们心里的答案是毫米级，但最近有了新突破，我们能做到亚毫米级。
• 这也是个反常识。大家一直觉得端到端网络特别依赖数据驱动，精度上是不是不如传统方法？事实证明不是。
• 还有第三点，以人为中心的生态扩展，比我预想的快得多。

  现在各家在追这种采集方式，投入都特别大。很多人在深入研究我们的数据采集套件。

  本以为大家转弯还需要时间。没想到2026年，已经快成为以人为中心的数据采集元年了。

量子位：亚毫米级这个目标，是你们在实践中发现可以做到，还是场景本身倒逼出来

  丁文超：两者都有，但倒逼的成分很大。

  线束插接场景本身就需要达到亚毫米级精度，逼着我们去想怎么让网络动作更连续、更丝滑，怎么实现failure recovery，插错了也能局部微调重试。

  这些能力，如果我们一开始选的是叠毛巾，可能永远不会被逼出来。

量子位：那现在已经实现了亚毫米级操作，如果让模型去叠毛巾，需要重新学习吗？

  丁文超：真正的泛化，不只是模型本身的泛化，数据和模型的覆盖范围也要泛化。

  对外聚焦线束，是因为我们想先把这个场景彻底打穿。但其实从第一天起，我们就同步在工厂、物流、仓储、洗衣房、酒店等多个场景采集数据，全部用于训练。

量子位：具身智能的GPT时刻，怎么定义？

  丁文超：去年聊这个词的时候，大家还定义不清楚。现在我可以给一个更具体的描述：准Zero-shot时代。

  不是说推到一个新场景完全零基础就能上，而是你已有的核心skills，在新场景里基本都能迁移，都能用。

  对标语言模型，大概相当于GPT-3的水平；如果某些任务彻底打穿，可能就到GPT-3.5了。

  这个时间点比大家预想的早，说实话，也比我自己的预期快。我们规划的模型节奏是2.0、3.0、3.5、4.0，但我现在判断3.5到4.0这段还会进一步加速。

  两个趋势已经肉眼可见：一是泛化数据的持续积累，二是有限数据下模型能力的快速提升。

  一旦准Zero-shot成立，机器人就不只能进工厂、做一个工序，而是可能同时覆盖多个工序。C端机会也会更早涌现。

量子位：AWE 2.0意味着什么？

  丁文超：1.0是内部版本。2.0我们有点参考GPT-2的意味。

  GPT-2代表早期Scaling Law成立，并且在一些任务上已经能盖过Bert这类小模型。对我们来说，2.0意味着我们真正完成了跨本体部署，从Human Centric数据到模型训练，再到机器人上的部署，这条链路跑通了。

  3.0则不仅能够看到线束场景打穿，还看到了其他若干场景的涌现；3.5是我们在其中几个场景彻底打爆。

  榜单的第一。但后来大家发现，榜单的第一第二根本没意义。

  具身现在正处于从第一阶段迈向第二阶段的节点。第一阶段就是现在，大家在吹各种benchmark，但你仔细深挖评测指标和评测环境，会发现偏差非常严重。

  我们内部有自己的benchmark体系，用in-house数据集和公开数据集，跟业界各个SOTA模型对比，包括闭环实验。

  从我们内部的横向比较看，现在能公开接触的模型，距离真正能干活的通用模型还有非常远的距离。

  随着具身从垂直场景走向多场景、走向更C端，横评时代很快就会来临。

量子位：具身智能的Scaling Law，好像跟当年GPT引发的风潮不太一样。GPT时代越做越大，但具身领域却出现了做得更小更精的方向，你怎么看？

  现在大家觉得具身模型的方差比较大，小模型有时候反而好，大模型反而差，根本原因是第一波红利没吃完。

  数据Scaling没做扎实的时候，模型Scaling就处于一种不稳固的状态，很容易掉进局部最优，导致各种noise和方差。

  但只要把数据Scaling做得足够扎实，大模型能力强于小模型，这显著减轻了问

  参与进来一起迭代。

  现在我们在冲刺的目标就是千万小时级别，我们想要的收益，就是把模型推到一个新任务、新地方，能以准专业的状态把任务基本完成。

量子位：所以数据Scaling Law没有兑现，也就证明了仿真合成数据、遥操作数据这条路走不通？

  丁文超：是的，我非常有信心表达这个观点。

  今天我可以直接告诉大家：真实场景里无处不在的Human Centric数据，一定会带来第一波巨大的数据红利。

全球首个能干活的具身超级大脑AWE3.0诞生

  第二，这个模型应该是目前市面上推理速度最快的同规模模型，通过隐空间内并步动作输出的方式，输出效率可以做到十倍以上。

  这一点非常反常识。大家以前觉得要实现丝滑运行，必须靠大小脑双系统，大脑低频推理，小脑高频执行，两者割裂配合。

  但我们是一个模型，桥梁是隐空间里的隐变量。

量子位：隐空间内的动作输出，是一开始就设计好的，还是实践中摸索出来的？

  丁文超：完全是实践中的认知。

  我甚至觉得，具身领域将来会涌现出自己的原生基础模型。

  你看现在业界所有模型，本质上都是外来户。VLA是把VLM搬过来加一个action头；world action model、video action model是把视频预测模型搬过来，再拼一个动作输出。

  这些“外来和尚”在具身领域遇到的问题都很类似。

  VLA的问题是泛化，到一个新场景，action需要大量新场景数据才能变好。

  video action model大家现在讨论得还不多，但我可以预告一下：第一，视频预测的幻觉会影响动作质量；第二，视频预测很难维护精细的空间结构，导致模型最终还是在记动作。

  原生模型可以完全避开这两个问题。我们所有数据天然就是视觉、语言、动作三种模态对齐的，训练时可以在任意模态之间互相转换。

  Vision to vision是视频顶侧，Vision+language to action是端到端，Vision+language to vision+action就是世界模型。

  现有的所有范式，在这套框架下得到了大一统，也没有VLM强行加action head带来的那种割裂感。

量子位：你说VLM、video action model会遇到这些问题，是思想实验，还是你们真的踩过坑？

  丁文超：两者结合。

量子位：当前的模型规模，是数据量决定了它，还是先定了规模再去配数据？

  丁文超：是在实操中摸出来的。我们的数据量和模型规模都是一点点往上涨，慢慢发现数据涨到一定规模，模型size就需要提升到下一个level才能继续吸收。

  这个对应关系，是从自动驾驶时代积累的经验，加上具身这边数据量快速增长的实践，综合感受出来的。

量子位：你们内部评价模型好坏的标准是什么？

  丁文超：三个维度。

  第一是成功率，这是一切的基准。

  近八人关社会。

  去年你也问过我机器人最终的形态会是什么，我当时说拟人形是大趋势。

  哪怕在垂直场景有特制形态，完成动作的方式也应该贴近人，这种亲和性是人类社会的一种刚需。

  你看现在大家为什么喜欢看机器人跳舞？因为它给人的感觉像自己。

  展会上我们的双足机器人只要出来，现场就围得人山人海。

  哪怕是从货架上抓一个水瓶，这个动作可以很机械，也可以很丝滑，给人的感官完全不同，人想要使用它、信赖它的欲望也完全不同。

  所以类人性这个指标，一方面是在评价模型能力，另一方面，对于人和机器人将来真正共生，也是非常关键的一点。

量子位：训练成本对一家创业公司来说，压力大吗？

  我们的目标是打经济仗，在有限投入下拿最大ROI。

  具身的生命周期可能比自动驾驶还要长，上面可能有若干次决战，所以弹药和粮草必须存够，每一次决战都要有主动出击的能力。

支撑具身智能的基石，超级数据范式Human Centric

量子位：数据质量的把控，你们是怎么做的？

  丁文超：这件事比很多人想象的要难得多。

  但我觉得未来可能根本没有什么数据金字塔。你把一种数据打磨到极致，把所有细节做好，质量可能比配比来的数据要高。

量子位：那为什么此前行业里会形成数据金字塔这样的共识？

  丁文超：任何一个细节没做好，都会给你带来错误的结论。

  Human Centric数据要做到亚毫米级精度，门槛极高。

  佩戴在人身上，要把动作完整恢复出来，传感器同步、标定、云端自动化标注算法，每一个环节都不能出问题。

  现在业界大多都还没搞清楚怎么把Human Centric数据做到很高精度，更不用谈后面部署到机器人上完成闭环任务。

  你算一下遥操作的成本：得买一台机器人，得有数采中心或者把机器人推到现场，还得有专业遥操员。

  遥操员这个行业现在慢慢兴起，但流失率很高，工作枯燥，培训一个新遥操员又要一两个月。

  Human Centric完全不同。

量子位：城河吗？

  丁文超：正确的方法论，别人终究会挤进来。与其守住硬件设备，不如把门槛真正建立在AI上。

  就像大模型训练一样，大家都知道怎么训，但最终训出来的模型差异还是会体现出来，这就是不传之秘。

量子位：线束这个模型，大概学习了多久？

  丁文超：与其说训练了多久，不如说是随着数据量级持续提升的一个过程。

  大概时间线是这样：AWE 2.0从去年年中开始，那时候Human Centric的采集、训练、部署已经走通了。

  分歧在于：有了真实数据之后，怎么高效利用？

  他的路径是遥操作获取基础数据，加上大规模真机强化学习，我对这条路是有疑问的。

  所以答案就是，大的方向上有共鸣：真实世界的数据才是走向泛化的金钥匙。

  但怎么把数据闭环鲁棒性提升、真正走向规模化商业落地，路径是不同的。

量子位：这种路径差异，会不会有中国与硅谷环境不同的原因？中国有更丰富的人力资源，所以可以做Human Centric采集。

  丁文超：有这个因素，但不是全部原因。

  早期Generalist这类公司还在宣传几十万小时数据，现在有些硅谷公司开始说我只需要10小时、20小时数据就够了。26、27年这个分歧会越来越明显。

  但让我比较惊讶的是Generalist，作为在硅谷的公司同样坚定走Human Centric路线，而且scale在10万小时级别以上。所以环境不是决定性因素，更深层的原因可能是惯性。

量子位：达到什么样的数据量级，才能支撑到你们说的4.0水平？

  丁文超：具身比自驾复杂得多，本体自由度更高，是复杂3D环境，还有大量密集的contact操作，场景丰富度也更高。根据我们现在的实践经验，具身所需的数据量至少是自动驾驶数据量级的10倍。

  具身可能有三个坎：

1. 10万小时是模型能力不错；
2. 100万小时是准产品级，可以deliver给各种用户；
3. 1000万小时之后，数据Scaling law的讨论会变少，大家开始讨论模型架构，前沿公司开始做强化学习。

量子位：具身的数据采集比自动驾驶复杂得多，你们怎么保证采集质量和覆盖度？

  丁文超：我们有一套自动化调度系统，每天汇总返回来的数据，check场景覆盖了哪

  丁文超：人的行为实在太丰富了。越采集，越对人的行为产生敬畏。

  遥操作相当于带着义肢去操作，很多人的本能行为在那个状态下都会变形。但如果直接从人身上采，你会发现人很多日常动作里藏着大量自己都没意识到的操作智慧。

  最让我印象深的是failure recovery。人的精度并不是绝对的，移了1厘米还是1.5厘米其实自己不一定知道。但人的局部微调能力极强，出了问题能自然地调整修正。

  动，这就是为什么大家都在追求20自由度以上。

  我举个例子。我们展示的刺绣任务里有个顶针动作，夹爪很难做。缝纫工人为什么戴扳指？就是为了捏住针之后用指头把它顶过去。

  夹爪只能夹，没法顶，所以用夹爪做刺绣就要绕很多弯路。这就是手的价值。

量子位：灵巧手研发难度怎么样？

  丁文超：挺有挑战的。在这么小的空间内实现这么高的自由度，技术路径本身就有争议，准直驱还是绳驱，电机设计、减速器设计……都是一点点摸索出来的。

  线束场景倒逼我们把Human Centric逼到亚毫米级，而灵巧手，倒逼我们把电机和减速器的设计制造能力逼到极限。

  我们应该是目前世界上屈指可数可以做到准直驱、高自由度、还能集成到人手尺寸的公司。今年ICRA（机器人国际顶会）我们会对外展示。

量子位：灵巧手解决之后，会解锁哪些场景？

  丁文超：线束场景里我们现在用夹爪完成的工序大概覆盖70%的任务，剩下的比如缠胶、理线，手会方便很多。

  如果真的想做通用工业解决方案，绕不开灵巧手。

量子位：为什么机器人手都做五根手指，不做六根七根？

  丁文超：六根手指，数据就对不上了。你从人身上采不到六指数据，还得自己造数据，边际效应马上就显现。

  所以机器人手的自由度大概率是小于等于人手，这样才能最大化利用Human Centric数据。

量子位：手的终极目标是什么？

  丁文超：人手能做的任何动作，灵巧手都能做出来。全身人形其实现在已经基本可以做到动作模仿，手也在朝这个目标走。剩下的问题就是手脑协同。

量子位：你们有A和T两个系列，各自的优势是什么？

  丁文超：T是双足，A是轮式双臂。

  丁文超：T是双足，A是轮式双臂。

  本体层面，各家整机设计现在其实收敛了，差异没那么大。我们比较有特色的是关节。

  以前大家设计关节，电机扭矩、减速比都是越大越好。但我们发现本质上是一个distribution match（分布匹配）的过程：你要让机器人执行动作的空间和流畅度，尽可能

  节。

  以前大家设计关节，电机扭矩、减速比都是越大越好。但我们发现本质上是一个distribution match（分布匹配）的过程：你要让机器人执行动作的空间和流畅度，尽可能贴近人的数据分布。

  把这个目标拆解，整机构型大家都差不多是拟人型，真正关键的就是关节，包括末

  里弥漫着汗味，工人非常忙碌。

  我们也访谈了工人，他们自己干得很痛苦。插线的错误率大约是千分之三，但只要一根线插错，整条线束就要重做。

  工人压力很大，流失率极高，几个月就换一批人，管理成本也居高不下。

量子位：你们有没有计划？，你说或来交给她张杨家！

  丁文超：选了线束之后，我们没有给自己想过退路。

  我觉得这一代具身智能的价值就在这儿：解决柔性、长程、高精度三者兼具的问题。

  任何不满足这三个特质的场景，传统自动化都能解决，不需要具身智能。你可以沿着这个逻辑去审视市面上各家具身的落地场景。

  线束通了，其他场景是能力外溢的问题。成功率、精度、柔性外溢出去，很多装配场景虽然没有线束那么极端，但也有毫米级子动作、多工序要求，我们的能力是够用的。

量子位：批量化落地的核心挑战是什么？

  丁文超：大脑的量产。

  以前机器人公司有量产经验的都集中在小脑，解决本体一致性、产线问题，这些路已经探得差不多了。

  大脑的量产是新问题，不仅是硬件量产，还包括模型能力的量产。

  比如硬件之间稍有差异，模型还得能泛化。还有一个更少人想过的问题：生命周期内的泛化。

  机器人在客户现场用久了会有损耗，响应特性会变化，你的模型随着机器状态的改变，还能不能稳定工作？这个维度，现在很多人都还没考虑过。

量子位：你们做了数据、模型、本体、关节、灵巧手，每一块拆开都能做一家独角兽，你们怎么定位自己？

  丁文超：我们不是一家生态公司，初衷完全不同。

  如果是为了做生态而做生态，你每一块都不会追求极致。但我们是真的想解决问题，还是第一性原理出发，这才驱动我们把每件事做到极限。

  如果我们把自己定位成生态公司，我们没必要把减速比、自由度这些东西推到极致，能卖出去满足基本需求就行了。但这两种做法，差异性很大。

量子位：随着规模变大，你们怎么平衡敏捷和复杂度？

  现在这个阶段，技术路径逐渐收敛，会催生硬件平台的标准化。我们现在做关节做手，某种程度上是在牵引这个标准的制定。

  但这些标准在两三年内会慢慢固化，固化之后各个子部件会有更多能力外溢。

  大厂下场也会加速这个过程，他们的标准化经验会推动行业收敛更快。

  当前最关键的还是两件事：第一，在工厂里证明真的能干活；第二，对未来有想象力。

大脑时代开启，它石已让具身智能真干活

丁文超：具身大脑上的竞争激烈度会上升得

  说实话，中国整体的大脑进展是慢于硅谷的。

  中国最成熟的是本体和小脑，在大脑上有原

  12 千万，大家都能达到类似水平。

  虽然还有很多公司在往里冲，但问题已经收敛，只不过各家时间上滞后几个月而已。

  第二，大脑时代开始了。这对行业是好事，因为人们一直低估了具身的行业价值。

  以前大家的估值逻辑很粗，就是能卖多少台机器人。但一旦具身大脑真的能批量转换生产力，整个估值逻辑要重写。

  我觉得大脑的引擎完全可以接住第二波增长，整体价值还会继续往上走。3+3+3，淘汰赛最终还是会来。

量子位：你们希望外界给你们贴什么标签？