对话灵初智能创始人兼CEO王启斌：一个穿越周期者的“笃定”｜对话科创家|大模型|对话灵初智能|对话科创家|机器人|王启斌|算法

编者按：筚路蓝缕敲钟成，上下求索知路远。这是一档针对科创领域领袖人物的访谈节目。他们有哪些少为人知的传奇经历？企业经营过程中，他们的心路历程有何变化？《对话科创家》与您一起探寻，以期远眺未来。

本期，《对话科创家》栏目的嘉宾是灵初智能创始人兼CEO王启斌。

▍个人介绍

王启斌，灵初智能创始人兼CEO，乔治华盛顿大学博士，拥有近20年消费电子与机器人领域全链路产业经验。2024年创立灵初智能，锚定具身智能灵巧操作核心赛道，确立以大规模人类真实操作数据训练具身大脑的差异化技术路线，带领团队快速完成十万小时级真实场景数据积累。

▍公司简介

灵初智能创立于2024年，是一家专注于攻克具身智能灵巧操作难题的科技公司。目前自主研发的Psi-SynEngine具身数采引擎，已在真实物流客户仓库完成小规模场景验证。成立之初，公司获得高瓴创投、蓝驰创投等知名机构投资，并于2026年3月宣布完成累计20亿元的天使轮及Pre-A轮融资，获得国开金融、国投先导、徐汇资本等多家“国家队”及产业资本支持。

《科创板日报》7月24日讯（记者王耐）采访王启斌之前，看了他过往的访谈。一个细节很突出：几乎每一次，他都会提到Day One或第一天。

“我们第一天就决定了要做大脑”“公司在成立的第一天就锚定了手”，这种笃定从哪里来？而且，这种笃定并非因为身处“主流”。在2024年，当所有人都在追求人形机器人、两足行动时，他偏偏选了业内一条非主流路线——“轮式+灵巧手”。

创业之初，王启斌曾画了一个九宫格，横轴是移动方式，纵轴是操作能力，然后笃定地把自己放在了“轮式”和“手”的交点上。为什么？采访中他反复提到一句话：“操作是皇冠，移动是入场券。”

在黑莓做过智能手机，在Sonos做过全球首款WiFi音响，在云迹做过酒店配送机器人，在京东做过L4无人车……近20年，王启斌一直在做硬件、做产品、做规模化落地，经历了多个行业的产业周期：从硬件卷到数据、从资本狂热到回归理性。一个穿越过周期的人，对当前具身智能行业的判断是什么？他如何看待行业所处的阶段和未来变局？

采访中，另一个有意思的细节是，王启斌在多次提起历史，不是行业史，而是人类进化史。他会讲文字出现在千年前，视觉模态在几十万年前，爬行动物在更早就积累了小脑控制能力。

当我们的视线从类人的机器人，回观到人自身，回望几十万年智人进化史，又对会当前的具身智能变局带来怎样的思考？

以下是《科创板日报》与王启斌的对话实录。

Day One的笃定：从一开始锚定灵巧操作和大脑

记者：在您的多轮交流里，有一个反复出现的关键词：Day One、第一天。几乎每一次访谈，您都会提起，公司从创立之初就确定路线，要做大脑、锚定灵巧操作。这份笃定背后是什么样的思考逻辑？

王启斌：这和我们的团队有关系。我们的算法团队起源于北大，2022年就开始做灵巧手算法，属于全球最早开展相关研究的一波团队。早在2022年，我们就定位于研发基于手部算法的操作方案，在当时，这是非常超前的概念。而且那个时候我们已经关注到美国特斯拉的灵巧手研发。一开始我们在国内就确立定位，以手部操作算法为锚点，向外拓展数据集与硬件体系。

记者：公司另一个核心落点是打造通用操作大脑，通用大脑是你们的核心吗？您如何看待这一定位，围绕操作大脑，团队做了哪些布局？

王启斌：人类完成各类操作，背后是靠大脑与小脑协同形成多项关键能力。比如整理房间，人观测环境与物体后，能够自主拆解任务、规划执行顺序；开展精细手部动作时，融合手部视觉、触觉多模态信息；操作出现失误，还具备天然的自我恢复能力。2022年我们在北大开展研究，那时候我们就在尝试实现类人拼乐高这类操作。

2024年公司成立时我们判断，想要让机器人真正拥有落地干活的能力，这类底层模型能力至关重要。当时我们已经依靠小批量数据验证了强化学习的模型。因此确定后，锚定要用更大规模数据，来寻求更泛化的大脑能力。

记者：关于赛道路线分化，有的企业专注本体硬件，有的只做模型大脑。你们一边研发操作大脑，一边自研灵巧手、搭建人类数据采集体系，这条路线如何权衡？

王启斌：技术路线是有发展脉络的，沿着核心内核，自然向外延伸。公司核心基因是训练操作大脑，研发过程中我们很快遭遇高质量数据短缺，于是自研整套数据采集设备。以灵巧手为例，刚开始我们也测试了大量外购的产品。但想要实现算法和手本身的嵌入式控制，达到系统最优，就需要针对算法做大量的硬件定制开发，因此启动灵巧手自研。

我们的底层逻辑是：当前具身智能处于软硬件高度耦合阶段。想要机器人稳定完成任务，模型、硬件、嵌入式算法必须高度整合优化。行业还没有到软硬件完全解耦、依靠标准化接口对接的阶段，这决定了我们的研发路径。

用进化视角理解操作智能：刻在基因里的能力最难复刻

记者：交流中我留意到一个特别的细节，您常常引用人类进化史。为什么习惯用漫长的进化尺度看待机器人的“操作”？

王启斌：因为操作这件事，本质上是刻在基因里的。人类演化历程很有意思，（语言）文字诞生大约五千年，视觉感知演化接近二十万年；早在爬行动物阶段，生物就演化出类似小脑的运动控制能力。

当前大模型已经较好解决语言模态相关问题，视觉生成模型也在快速迭代，但最难攻克的，是人类内化于潜意识之中的操作能力。以采集数据为例，想要达到场景泛化，就不能只局限视觉信息，还要纳入触觉、手指多关节运动信息。比如单只人手连同腕关节就拥有27个运动自由度。最优的数据采集场景，是人类真实工作、学习环境，由此产出的数据真实性、质量最高。

记者：从移动智能迈向操作智能，最大的难点是什么？

王启斌：最大的难点，还是如何找到一个最好的学习方式，能够把人的这套东西学出来。这些能力经过数十万年演化，沉淀在生物本能之中。

记者：也就是这套能力经过繁衍刻进基因里。

王启斌：说得太对了。包括孩童搭建乐高，成人只需要简单示范，孩子依靠自主探索就能掌握技巧。这套依托潜意识完成的小样本学习机制，我们至今没有完全破解。

现阶段我们依靠采集真实数据、搭建模型架构，尝试复刻这套能力。难点在于被操作物体形态、摆放姿态持续变化。而且人类还创造了大量复杂工具。举个例子，手持电钻打螺丝，人会根据钻孔状态动态调整力度反馈，这类动态自适应能力，需要模型持续学习逐步掌握。

数据战争：路线选择、规模门槛与采集成本

记者：公司目前积累了10万小时操作数据，是什么类型的数据？

王启斌：我们依托类人无本体数据采集手套获取数据，包含类人视觉、手部触觉、关节角度等完整多模态信息。

本轮具身智能浪潮由硬件平台、数据、模型逐层向上推进。想要模型遵循Scaling Law持续提升能力，核心依靠高质量数据。这里有两个关键问题：一是采集什么样的数据，二是数据达到多大量级，才能让模型形成通用操作范式。

规模层面，10万小时仅仅是起点，我们认为100万小时才是入门门票。类比自动驾驶，模型能力跃升需要十亿级clips数据；具身操作维度更高、更加复杂，10万小时只能算作通用基础模型的入门门槛。

记者：不同数据模态的优先级如何排序？单纯堆积数据是否可行？数据是否需要区分优劣、匹配不同场景？

王启斌：从去年开始，我们持续采集人类操作数据，开展循环训练，形成不少洞察。比如我们发现数据的模态很重要，比如关节、指尖的3D空间的位姿，它的重要性其实是比触觉更大的；触觉在很多操作时，最后一下接触会有反馈，这个信息量又要多于普通RGB平面视觉。现在很多团队依靠头环采集视觉数据，这十分必要，但远远不够，还需要纳入更多模态信息。

记者：产业拐点什么时候到来？为什么千万小时级数据，有望催生模型能力质变？

王启斌：今年全球有效训练数据会从二三十万小时增长至百万小时量级，这是一个很重要的一个点，但它不是拐点。我判断18–24个月之后，有效数据接近千万小时量级，模型能力会出现非常大的突破，可以在单一领域解决大量操作任务，接近于类GPT阶段，有一个2.0的能力跃迁。

记者：判断这个临界点为千万个小时，背后的逻辑和依据是什么？

王启斌：我们从千小时、万小时到十万小时迭代过程中，直观观测到模型在持续变强，全球头部企业同样验证Scaling Law缩放定律。我们相信规模效应，当下核心挑战是工程化搭建基础设施，批量产出高质量有效数据。

记者：行业数据路线分化明显：仿真、遥操作、无本体真人采集并行，你们为什么坚定选择无本体路线？

王启斌：早在2020年我们就研究仿真环境下Sim-to-Real灵巧手操作方案。仿真存在明显局限：刚性物体仿真效果较好，但柔体、流体难以精准建模，将真实世界物理特征导入仿真体系本身极度复杂。遥操作数据有两大短板：第一，和机器人硬件本体深度耦合，通用性差；第二，采集成本高昂，单套设备几十万。同时遥操作很难复刻转笔这类精细动作，熟练操作员本身属于稀缺资源。

记者：不知道你们会不会通过下游场景，去倒推要采用一种什么样的数据采集的方式？

王启斌：非常好的问题，其实它跟场景是有关系的。我认为当前具身智能最大挑战，是模型能力不足以支撑机器人大规模泛化落地。

可以参考自动驾驶：汽车拥有庞大存量市场，车辆上路持续产生数据，边际成本持续降低。但具身智能缺少大规模落地载体。去年国内机器人整机出货量破万台，场景落地还在初期。所以数据方面，具身行业现在面临冷启动，第一阶段要训练基础模型，需要低成本、可规模化、泛化性更强的采集方式；第二阶段，才到大规模部署到真实场景，部署回流的数据价值也更高。

记者：有报道称你们将数据采集成本降至原先十分之一。目前成本处于什么水平？未来还能下降，还是会进入平台期？

王启斌：成本对比基准是真机遥操作采集方案，一套真机采集系统成本约40万，无本体手套方案硬件成本降至原来十分之一。数据采集分为三类成本：硬件层面，数据手套维持万元量级；人员采集成本，现阶段和遥操作基本持平。长远来看，如果采集设备进一步轻量化、便携化，可以落地众包模式，成本还有下降空间。我们正在迭代采集设备，推动采集模式从集中采集走向分布式众包采集。

Psi-R2模型进展：十万小时数据集，年底冲刺百万小时数据目标

记者：今年4月你们发布Psi-R2模型，可以介绍相关成果与最新动态？

王启斌：四月份发布模型有几个关键亮点。第一，训练采用当时国内规模最大的全模态人类操作数据，合计10万小时。我们在Hugging Face开源1000小时样本数据集，同期下载量排名第一。

我们采用策略模型 Psi-R2（World Action Model）搭配动作条件世界评估模型 Psi-W0 串联联合训练。模型可以完成物流操作、工业插接、手机盒组装等长程操作。Psi-R2模型登顶Molmo Spaces全球Combined综合榜单。目前我们持续迭代模型，灌入更多人类操作数据，提升泛化能力。

记者：这套模型的数据训练是什么时候启动？

王启斌：训练启动于去年WAIC结束后的八月份。当时我们意识到遥操作数据成本高昂，跨硬件本体泛化能力不足，团队开始探索人类原生数据采集方案。整套链路包含采集设备研发、数据处理管线、审核标注质检、模型训练，前后经历三轮迭代。从去年样机小批量采集起步，数据规模从几千小时持续爬坡。今年4月发布成果时，我们投入近400副采集手套，持续了一个多季度采集数据用于训练。

记者：数据增长目前是什么曲线？今年年底的数据目标是多少？数据自建和合作模式如何搭配？

王启斌：当前数据总量增长斜率缓慢上升，还没有进入指数级增长。年底目标达成100万小时有效数据。我们正在国内合作建设大规模数据采集中心。

模式分为自建采集场与和地方国资共建。北京石景山是我们首个数据采集基地，双方共同投入设备与运营资源，产出数据供给灵初训练。目前自建基地仅有两处，自建运营占比仅十分之一，其余依靠合作模式。

记者：如果大家都能采集数据，主打模型大脑的企业核心竞争力是什么？

王启斌：表面链路是数据采集、处理，但真正掌握话语权的是模型公司。正因为具备模型训练能力，我们才能定义需要采集什么样的数据。我们通过模型验证得知，单纯视频视觉数据远远不够，必须采集关节角、触觉等多模态信息，掌握数据“配方”。

所以，核心门槛是模型训练能力，能够判断什么数据有效；如何低成本规模化采集数据，属于第二层问题。

记者：关于模型，您认为，灵初路线是不是一种从VLA延伸到世界模型迭代，是替代关系么，二者核心区别是什么？

王启斌：不存在非此即彼的选择，选择哪种路线，更取决于公司到底想要解决什么样的任务。VLA骨干网络大量沿用视觉和语言，语言模态对齐充分，语言指令跟随、推理能力更强；但在环境重建、物理规律理解上弱于世界模型。

场景取舍：先深耕To B物流服务，暂缓家庭通用场景

记者：不少具身企业直接瞄准家庭场景，还有企业深耕工厂产线，你们选择物流、服务业切入，背后是什么考量？

王启斌：我们筛选场景不只考量商业收益，还有两个标准：场景是否具备全球通用性；场景内部数据是否足够多样化。机器人现场作业回流的数据，可以持续迭代模型。

大类上，我们将场景分为制造业产线、物流服务业、家庭三大类别。制造业场景操作物体品类有限，对成功率、节拍要求极高；家庭场景泛化需求最强，每家物品、环境差异巨大。我们最终选定泛化难度、容错空间适中的物流与商超场景。

记者：未来是否会布局家庭场景？优先选择To B场景，也是看中场景持续回流数据、形成迭代闭环吗？

王启斌：没错。我们依托落地场景完成模型后训练，持续回流现场数据形成迭代闭环。现阶段重心聚焦物流、商超To B场景。我个人预判，三年多之后，我们再重新评估To C家庭场景落地机会。

机器人形态上，为什么定位在“轮式+灵巧手”？

记者：为什么定位“轮式+灵巧手”，没有优先选择两足的人形机器人？很多工厂现有自动化设备效率很高，具身机器人能够填补哪一类人力缺口？

王启斌：创立初期我画了一张九宫格分析框架：横轴是机器人移动能力（固定基座、轮式、足式-四足和两足）；纵轴是操作端（从无操作、夹爪，到灵巧手）。长期产业认知让我意识到，机器人核心不在于移动范围多大，而是在活动范围内完成完整作业闭环。

面向To B场景，大量工况依靠轮式平台就能满足需求，把研发重心聚焦在上半身操作能力。目前落地商用机器人大多采用轮式搭配双臂，印证这条路线。最终是否搭载轮子，完全取决于应用场景。

记者：传统大型机械臂本身活动范围很大，加长臂展似乎就能替代轮式底座，似乎又回到传统自动化方案，二者本质区别在哪里？

王启斌：二者存在本质区别。传统自动化设备固定安装，只能执行固定轨迹。举一个客户真实案例：3C电路板工位需要插接多种元器件，非标自动化设备只能适配单一元器件/如果工位同时需要插接四五种元器件，目前依旧依靠人工。而现在的机器人有灵巧手，就可以替代这些非标的任务工序。

记者：行业常说“移动是入场券，操作是皇冠”，您现在依旧认同吗？

王启斌：观点没有改变。机器人数十年持续攻克三大能力：移动、导航、操作。目前轮式机器人移动能力基本成熟；导航能力解决一半。最难突破的就是操作能力，机器人需要交互各类物体、使用复杂工具，这是具身智能皇冠级难题。

赛道周期预判：具身周期长于智驾，未来产品渗透的首要矛盾不是成本

记者：参照自动驾驶，发展多年、且有真实场景的回流，仍无法实现全范围的落地。具身智能数据是冷启动，发展会不会比自动驾驶更慢？

王启斌：我认同这个判断。本轮具身创业浪潮大多始于2023年。如果类比自动驾驶，赛道整体接近十年周期，分为以下阶段：2013年特斯拉发布Model S，同时期，国内大批智驾公司成立。国内企业一开始卷硬件，硬件基本上卷到19年前后。所有的硬件平稳之后。智驾算法开始分段式智驾，一直到24年前后开始做端到端。所以经历两个大的阶段，整个格局进行了一波整个的洗牌。

具身我认为也会遵从大的模式，只不过第一波也是卷硬件，第二波不大一样的逻辑，就是数据。第三波才到场景和大规模的应用。今年年底预计部分场景有望做起来。预计24个月左右，会有更为通用的模型大脑出来，来带动整个的行业从to b到to c这样的迭代。

记者：未来成本会成为落地阻碍吗？距离机器人真正商用可用还有多久？

王启斌：产品的渗透曲线，从来解决的第一点不是成本。而是我的产品是不是一个对的产品，我的技术是不是好的技术，能否产生真实的产品价值。具身机器人核心价值，是拥有传统自动化不具备的泛化操作能力。如果可行技术方案被验证，今年年底至明年上半年部分场景就能商用。

只要验证产品价值，依托国内供应链，硬件成本自然能够持续下探。最怕单纯内卷成本、产品无法解决真实需求。企业首要目标是打磨可用完整系统，之后再比拼成本。

记者：哪些场景会最先落地？

王启斌：仓库分拣这类单一任务，今年年底就有望成熟；一套机器人同时兼顾仓库分拣、家庭烹饪短期无法实现。未来两年，通用模型可以支撑机器人在同一领域完成多种任务，但依然做不到跨任何场景。想要实现跨场景的泛化，至少需要五年。

从过去到未来：不同行业周期的异与同

记者：从您过往在消费电子、酒店机器人、京东的经历，有没有经验或教训能延续到现在的创业？

王启斌：从产品技术栈上底层规律有相似性，也有新东西。相似性：硬件规律不变，谁掌握核心零部件和规模化生产能力，谁在硬件生产上有话语权。

和上次不一样的是，之前基于规则的系统数据复利效应很弱，这次是数据不停增长复利的学习型系统，要考虑怎么把数据启动起来、在飞轮上不停转。从硬件到数据到模型叠加起来，它依然是长赛道，研发节奏和资本市场节奏永远不对齐，会有波动、过高预期和过低预期，这跟过去经历非常类似。

记者：大公司也在做具身，有人说在新时代来临时，大公司创新的从0到1的创新，难度要高于初创企业，你怎么看？

王启斌：对于成功大公司，主营业务强化了流程和资源分配。纯业务型互联网公司离具身智能比较远，而两类大公司有相关性，创新的可能性更高，比如车厂背景的，从硬件卷到智驾的逻辑和具身相似。还比如有大模型能力的。不是简单大公司能不能做创新，而是主营业务的机制和具身的距离，近就有机会，远就很挑战。