模速校友会｜对话大晓机器人刘春晓：半年融资数亿美金，具身智能凭什么跑通商业化？
上观新闻
刘春晓
大晓机器人研发副总裁
清华大学电子系博士，在NeurIPS / ICCV / CVPR / ICLR等多个人工智能顶级会议上发表多篇论文，是具身基座模型、自动驾驶、强化学习——"AI+硬件"的双栖专家。
2025年，大晓机器人创立后，刘春晓主导公司数据、具身基础模型、行业应用解决方案全链路研发工作。大晓打造了开悟世界模型及环境式数据采集方案2.0，推动“理解—推演—执行—反思”一体化的具身大脑架构从实验室走向真实商业场景。
此外，他还主持发布了“晓满”“晓新”“晓途”三大行业解决方案，分别面向即时零售、酒店服务和开放作业场景，致力于通过“一脑多形”的技术路径，加速具身智能的大规模商业化落地。
过去两年，具身智能机器人遍地开花——翻跟头、开冰箱、端茶倒水，实验室里几乎无所不能。可一到真实门店上岗，就卡住了。差距不在硬件，在"大脑"。
当自动驾驶"零碰撞"的端到端方法论迁移到物理世界，具身智能机器人要解决的就不再是"如何不撞"，而是"如何交互"。这就需要一个能理解物理规律、推演后果、自我纠错的大脑——世界模型。
《模速开放麦》特别策划了 「模速硬核局」 系列直播，聚焦商业航天、具身智能、先进制造等重投入、长周期、高门槛赛道，对话那些在短时间内接连拿下数亿级融资的硬核创业者。资本为何瞄准这些赛道？看中的是底层技术壁垒、商业化路径，还是产业周期的窗口？我们将深度对话模速空间明星企业，解码硬科技背后的商业逻辑。
本期我们邀请到大晓机器人研发副总裁刘春晓，他将为我们解析大晓机器人半年累计完成数亿美元融资背后，全球首个端侧驱动本体的开悟世界模型Kairos 3.1是究竟如何接受住真实场景的检验，实现从技术到商业的落地密码。
左一：主持人陈放 右一：大晓机器人研发副总裁刘春晓
节目中，他分享了这些观点：
“自动驾驶研究的是如何不发生碰撞，具身智能研究的是如何更好地去碰撞。”
“世界模型要具备平行空间的推演和反思能力——任务执行对是一回事，执行错了如何纠错反馈，是更重要的能力。”
“具身智能要解决三个问题：场景泛化、长序列稳定作业、规模化复制。”
“数据要追求信息密度——知其然，也要知其所以然。”
“把视觉观测、语言指令、力触状态、策略轨迹放进同一个模型，核心原因不是‘炫技’，而是要还原交互的因果关系。”
以下为部分访谈实录
01 从自动驾驶到具身智能：
一次感知、推理、决策的联合建模
陈放：自动驾驶做了这么多年，核心瓶颈从感知转移到了决策和预测。具身智能是不是也在经历同样的事？
刘春晓：从自动驾驶的技术发展来看，先后经历了包括最开始的模块化、感知模型、预测模型，然后到规控的模型，从模块化的思路到现在大家都在讲端到端的思路，带来了这样一个启示：这种高强的交互博弈中，感知、推理、决策的联合建模是更优路径，这也是具身智能的核心方法论。
但具身的难点在于交互对象复杂、背景多变、动作多样，这就意味着我们需要去开发更强大的模型去理解物理世界的规律，才能在真实场景中真正泛化。
陈放：世界模型到底解决的是什么问题？
刘春晓：世界模型是具身智能的“大脑”——给定视觉、指令等多模态输入，它要理解并推演世界将如何变化，并生成本体的应对策略。
大晓机器人推出的Kairos 3.1是一个原生集成感知、理解、推演、生成于一体的端到端大模型。它的核心能力有两个：一是理解物理世界的运行规律，二是具备平行空间的推演与反思能力——既能预判后果，也能在执行错误时自我纠错。
陈放：数字世界模型失误仅影响图文生成，物理场景下预判偏差会造成真实损失——具身世界模型的“第一性原理”是什么？
刘春晓：需要考虑物理规律和真实交互的必要性。具身智能要处理的交互对象，涉及各种材质、各种形状、各种几何，包括抓取点怎么确定、怎么去更好地完成翻转或者旋钮这样的操作，同时背景环境也会频繁变化，本体的动作多样性也远超自动驾驶。
这就要求我们必须开发更强大的模型，去真正理解物理世界的运行规律，才能在真实场景里让方法得到泛化。这个世界模型不是纯文本进、纯文本出的模型，也不是简单的多模态，它要做的是对整个环境进行推演——知道当前状态是什么，下一时刻世界会怎么变化，以及用什么样的策略去执行，总的代价才是最小的。
02 理解、推演、执行、反思：
世界模型为什么是具身智能的“大脑”？
陈放：世界模型和大语言模型到底有什么区别？Kairos 3.1用原生统一架构，把视觉观测、语言指令、力触状态、策略轨迹压缩进统一隐空间——这到底意味着什么？
刘春晓：世界模型并不是一个纯文本进、纯文本出的模型，也不是简单的多模态理解。它有两个根本差异。第一，它要具备理解物理世界规律的能力——这和语言模型完全不在一个维度上。第二，它需要具备平行空间的推演和反思能力。在具身里面，任务执行对是一回事，执行错了如何纠错反馈，是更重要的能力。它不是"看到了是什么"，而是要知道"如果这样做，世界会怎么变化"。
而关于多模态统一，把视觉观测、语言指令、力触状态、策略轨迹全部放进同一个模型里，核心原因不是"炫技"，而是要在一个时间点上，让模型看清楚：促成我执行这个动作的相关因素到底是什么。视觉告诉你物体在哪，语言告诉你目标是什么，力触告诉你接触的状态，策略轨迹告诉你下一步该往哪走——但这些模态之间有相关性，如果你把它们拆开来单独建模，相关性就丢失了。
另一方面时间同步是另一个关键点。20多个传感器做到毫秒级同步，目的不仅是为了"对齐时间戳"，更重要的是还原交互的因果关系。拆开建模，就永远只能看到局部。大晓的Kairos 3.1本质上就是这样做的：把世界模型做成了一个原生集成感知、理解、推演、生成的网络，而不是把几个模块拼在一起。
陈放：“理解→推演→执行→反思”四个环节里，最难的是哪一环？
刘春晓：在具身智能的“理解—推演—执行—反思”四个环节里，最难的是“执行”和“反思”的结合。以洗衣为例：单单一个洗衣操作，拆成原子技能大概要19类——从取衣服、操作洗衣机按钮、开门、洗烘到叠好收回，接近20个原子操作。每一个环节都不能出错，即使出错了也必须具备纠错能力。
这背后对应的是整个行业一直在攻克的三个维度：场景泛化、长序列稳定作业、规模化复制。执行与反思之所以最难，是因为真实世界里干扰太多——物体摆放不规律、环境光线变化、突发状况——机器人必须在连续的长序列中完成每一个动作，并在出错瞬间判断“哪里错了、怎么改回来”，这需要模型同时具备物理规律理解、实时推演和自我纠错的能力，远非单点任务可比。
陈放：端侧125ms推理的工程挑战怎么解决？为什么端侧部署决定了规模化？
刘春晓：虽然我们是一个8B 的模型，但是我们在SOC上可以跑到125毫秒的耗时，这背后做了很多优化，包括混合精度量化、流水线调度等，让一个8B 的模型接近其他家几十B模型的性能。
对于端侧部署的战略意义，我们更加强调的是世界模型要直接控本体——动作的生成、动作的合理性、端侧如何有效部署。在满足一定性能的前提下，我们要尽量的去优化模型，让它最终能够直接去控制机器人本体。
03 三个“小”场景的同一套解法：
泛化、长序列、规模化
陈放：真实场景常态运行时，深夜订单、多SKU、75cm窄过道、全天候波峰，痛点怎么解决？
刘春晓：实验场景里做的时候，很多东西相对可控——要抓的物体、周边的环境、包括光线条件，基本都在预期之内。但实际部署到真正的零售店，完全不是这么回事：你要面对的是上千上万种SKU，每个商品的包装、材质、重量都不一样，摆放位置也可能跟你预想的不一样，可能歪了、可能被其他商品挡住、可能根本不是标准朝向。
还要穿行75公分的窄过道，应对深夜订单和全天候的波峰流量。更麻烦的是，机器人在操作和移动过程中随时可能有突发状况——货架边有行人、临时堆了杂物、光照变化导致视觉误判——这些在实验场景里都不会遇到。机器人该怎么应对？靠实验里的那一套是远远不够的。所以其实最终还是回到了三个问题，场景泛化、长序列稳定作业以及规模化复制。
陈放：大晓对这些问题推出了哪几个行业的解决方案？
刘春晓：我们推出了三个以“晓”开头的解决方案。晓满针对零售行业，从下单到模型推理到取货全链条打通，形成无人化履约。晓新针对酒店行业的客衣服务，打通取衣、洗、烘、叠、送回全链路。晓途是基于自研的具身大脑模组，让四足机器人具备自主导航能力——你只需要跟它对话说要去哪，它会自主规划路径过去，变成一条“会自动驾驶的狗”。
陈放：一年千店、两年万店”的时间表是怎样的？具身智能的规模化为什么不是远景，而是正在发生的商业进程？
刘春晓：对于落地时间我还是比较乐观的，刚刚提到三个小的这几个场景，都是近这一两年是有很快的落地的预期的。
规模化复制的核心挑战在于：一台机器人在一家店做得好不够，要保证一百台机器人在一百家店都能保持同样的稳定性。这也是大晓一直在解决的问题，这三个问题解不掉，具身智能就永远只能停留在实验室的Demo阶段——而这条路径正在被中石油便利店、漕河泾园区、滨江城市治理等真实场景的持续运营所验证，所以它不是远景，是正在发生的事。
陈放：数据被视作具身智能商业化的核心瓶颈之一，大晓刚刚发布了数据采集系统2.0，这套系统与行业常见的众包或遥操作采集有什么本质不同？它解决的是怎样的行业级问题？
刘春晓：关于数据采集系统2.0，我们首先看到行业的一个普遍现象——大家都在追求数据的规模，千万小时、上亿条，但我们更看重的是另一个维度：单位体量里数据的信息密度。我们提了一个概念叫“高密度数据”。一条数据不能只记录“发生了什么”，还要回答“为什么发生”。我们想让一条数据既知其然，也知其所以然。
和行业常见的众包或遥操作相比，我们的系统有几个本质上的差异：第一是多模态。我们的采集视角和模态信息都比较全，但核心目的不是为了“多”，而是为了还原整个交互的因果关系。第二是毫秒级的同步。第三是分体式的轻便设计。操作员戴上去之后可以很自然地做动作，不会因为设备束缚而产生变形动作，导致失真数据。
总的来说，具身智能需要千万小时级别的数据体量，但如果没有密度、没有因果、没有同步，光有规模是没有意义的。数据的质量和结构，才是真正的瓶颈。
后记
这次对话里，刘春晓反复提到两个词——“推演”和“纠错”。自动驾驶的容错率是0，但具身智能的容错逻辑完全不同：不是要求一次性做对，而是动手之前先推演后果，做错了能快速改回来。
这个差异，定义了整条技术路线的走向，也让对应的技术路径变得清晰：不追求几百亿参数的“超级大脑”，而是用8B 模型在端侧跑出125毫秒的推理速度——让模型直接控制本体，而不是在云端绕一圈再回来。这种务实的工程选择背后，是对“商业化”三个字的清醒认知：再好的技术，如果不能端侧部署、不能让客户算得过账，就只是实验室里的Demo。
大晓机器人的三个场景——零售、酒店、开放场景，未必是最性感、最酷的赛道，但都是“重复劳动多、环境相对可控、人不太愿意干”的真实痛点，但恰恰是具身智能从技术走向商业最靠谱的路径。
这三个“小”场景跑通了，具身智能的“大”故事，才算真正开始。
特别声明：本文经上观新闻客户端的“上观号”入驻单位授权发布，仅代表该入驻单位观点，“上观新闻”仅为信息发布平台，如您认为发布内容侵犯您的相关权益，请联系删除!
热门跟贴