编辑｜杨文
今年 WAIC，最热闹的区域之一，是超维动力展台的一张乒乓球桌。
球桌对面，一台全尺寸人形机器人盯着迎面飞来的球，在很短的时间内判断落点、调整身体和步伐，再挥拍回击。视觉感知、轨迹预测、动作规划和全身控制，必须连续完成。
展台上还有一项看起来并不起眼的演示：一台双臂机器人打开易拉罐。
接到指令后，机器人先拿起饮料、调整罐体角度，再把开瓶器伸进拉环，将罐口撬开。动作幅度不大，但要求机器人持续判断开瓶器、拉环和罐体之间的相对位置。末端偏离几毫米，任务就可能失败；如果没有一次对准，机器人还要识别偏差并重新调整。
这项演示在 WAIC 四天展期内保持了「零失误」。
但相比完成一次开罐，更值得关注的是机器人如何学会这个动作。
它所使用的经验并不主要来自机器人真机，其中 90% 来自人类第一视角数据。模型先从人类操作中理解任务流程，再将人的观察视角和动作转换为机器人能够使用的表示，最后通过真机数据学习精细操作和失败纠正。
这条链路涉及的不只是模型。
人的头部相机会随着视线移动，机器人的相机位置和视野却不完全相同；人的肩、腰和手腕可以自然配合，机器人的关节结构和动作范围则由具体本体决定。
模型理解了「打开易拉罐」这项任务，并不意味着机器人就能准确执行。从人类经验到机器人动作，中间还隔着视角、身体结构、动作空间和物理反馈。
超维动力同时布局人形机器人 KAIBot、灵巧手 KAI Hand、数据采集设备 KAI Halo、世界模型和 AI 基础设施，就是在试图打通一条完整链路：让人类经验转化为机器人可以学习、执行和持续迭代的能力。
超维联合创始人、香港大学计算与数据科学学院教授、科研副院长罗平将超维动力定位为：
「我们是一家具身智能大模型公司。」
一家大模型公司，为什么必须亲自造机器人？带着疑问，我们跟罗平聊了聊。
大语言模型服务人，具身模型服务机器人
罗平类比大语言模型进行了解释。
大语言模型在云端完成训练和更新，再通过统一接口向用户提供能力。未来的具身模型也可能形成类似的平台，为不同尺寸、不同构型的本体提供感知、规划和行动能力。
区别在于，大语言模型主要直接服务人，具身模型的调用者和执行终端则是机器人。
「语言模型的用户是普通人，具身大小脑的用户是机器人。」
从这个定义来看，超维动力的终点并不是出售全尺寸人形机器人 KAI Bot，而是建立一套能够适配不同机器人的模型和训练平台。KAI Bot 是超维动力的参考本体，用于采集数据、开发算法和完成真机验证，也可以被视为这套具身模型最早的一类「用户」。
但让同一套模型进入不同机器人，远比通过统一 API 调用语言模型复杂。
每种机器人的身高、关节拓扑、相机位置、动作空间和动力学特性都不一样。同一条「向前伸手」的指令，落在不同本体上，可能对应完全不同的关节组合，也会产生不同的运动结果。
因此，一个具身大模型平台至少需要解决两个层面的问题：一是让模型理解物体、空间、任务和动作结果；二是将这种理解转换为具体本体能够执行的动作。
据介绍，WAIC 现场展示的乒乓球系统已经被部署到 KAI Bot、宇树 G1、智元远征 A3 等不同本体上。不同机器人都需要在短时间内完成乒乓球的球路判断、轨迹预测和动作生成，但机器人具体的全身控制仍需根据本体进行算法的适配。
在罗平看来，这可以被视为一次早期的跨本体验证。下一步更关键的问题是，模型中有多少能力可以直接复用，适配一种新本体需要多少数据和工程工作。这些指标将决定，一套具身模型能否真正形成规模化的平台。
「云端大脑」也不意味着机器人要把所有决策交给云端。乒乓球、平衡控制和碰撞响应等高频任务，对时延和稳定性要求很高，需要在机器人端实时完成。云端则更适合承担数据聚合、模型训练、能力更新和高层任务规划。
机器人在端侧完成感知和执行，云端系统负责学习和迭代，这是超维动力设想的具身模型形态。
「超维动力要做的，不只是一台机器人，而是让不同机器人持续获得新能力的具身智能基础设施。」
本体是模型接触世界的接口
模型最终必须通过本体进入物理世界。
本体的尺寸、关节和传感器，不只是硬件参数，也决定了模型能够执行什么任务，以及哪些人类数据可以被有效利用。
超维动力为此选择了全尺寸、高自由度和高拟人的本体路线。
KAI Bot 身高 173 厘米、体重约 70 公斤，拥有 117 个全身自由度，约 80% 的体表覆盖触觉皮肤。除去单手 37 个自由度（其中 20 个为主动自由度、1 个为被动自由度、16 个为柔顺自由度），躯干约有 43 个自由度。与常见的全尺寸本体相比，超维动力新增的自由度主要集中在头颈、双肩和腰部。
罗平表示，高自由度是为了服务于两个目标：进入以人为尺度设计的环境，以及尽可能完整地承接人类全身动作数据。
「人类操作物体时，很少只移动手腕。」视线变化会带动头部转动，向桌面深处取物时，肩膀和腰部会一起前倾；搬运较大的物体时，人还可能用胸口、大腿和手臂共同提供支撑。
如果机器人只能对应人类手臂末端的轨迹，那么人类数据中的观察意图、重心变化和全身协作，就可能在迁移过程中丢失。
KAI Bot 的颈部自由度用于复现人类操作时的视角变化，肩部结构扩大手臂向前伸展的范围，腰部则让机器人能够前倾，触达更深的桌面区域。接近成年人的身高和臂展，也使其能够直接使用现有的桌面、货架、工具和门把手，减少对环境的额外改造。
高拟人本体由此承担了两种角色，既是模型的执行端，也是连接人类数据和机器人动作的转换接口。
当然，自由度越多，控制空间越大，硬件成本、标定难度、潜在故障点和算法复杂度也会随之增加。「更像人」有利于承接人类动作，并不天然等于更高的任务效率。
超维动力采用的办法是逐步解锁关节。算法开发早期先锁住部分新增自由度，让基础任务运行起来，再逐步开放颈部、肩部和腰部能力，以降低一次性控制 115 个自由度的难度。
这些新增关节最终能够为任务成功率和数据迁移效率带来多大提升，仍然需要通过具体任务验证。但从超维动力的路线来看，高自由度的核心价值并不只是动作更拟人，更在于减少人类经验迁移到机器人时的信息损失。
触觉，让机器人从「看见」走向「接触」
高拟人不仅体现在关节，也体现在触觉。
在 WAIC 现场，超维动力进行了两种类型的演示。
展台一侧，工作人员用木板直接冲击正在运动的 KAI Hand 灵巧手，受到冲击后，手指仍能继续活动。这项演示主要检验灵巧手的结构可靠性和柔顺控制能力。
另一侧，KAIBot 正在展示其触觉皮肤。工作人员从侧面轻拍 KAIBot 的肩膀，KAIBot 能够感知到日常触碰的轻微力，并作出对应的反馈。这项演示针对的是机器人的全身触觉能力，也就是类人的「皮肤」。
罗平将不少机器人演示概括为「生人勿近」，即使机器人只在桌面工作，人也不会轻易把手伸进它的运动范围。一个重达数十公斤的金属本体突然摆动手臂，可能直接对周围的人造成伤害。
但如果机器人未来进入家庭、医疗和商业空间，身体接触将无法回避。搀扶患者、帮助老人翻身或搬运大型物品，都要求机器人判断接触发生在哪里、力有多大，以及压力如何分布在身体不同部位。
视觉可以估计距离，却容易受到身体和物体遮挡，也无法完整还原接触力。全身触觉因而起到两个作用，为安全控制提供信号，同时记录机器人与环境接触的过程，形成新的训练数据。
当机器人与真实环境发生接触时，本体不再只是模型执行指令的机器，也成为持续产生物理世界数据的节点。
这也是「机器人是具身模型用户」这一设想的另一面：机器人从模型获得能力，同时也将任务执行过程中的成功、失败、碰撞和接触反馈给训练系统。
Scaling Law 之前，先跨过人机鸿沟
罗平相信，具身智能最终也会受益于数据和模型规模的持续扩大，但机器人数据无法像互联网文本一样直接投入训练。
数据规模只是起点。更重要的是，采回来的数据有多少能够真正转化为机器人能力。
目前，超维动力已组织数百名采集人员进入家庭、超市、商业空间和小型工厂等真实环境。采集者在完成原有工作的同时，佩戴 KAI Halo Lite 等设备，记录第一视角图像、头部运动、手部动作和物体交互，系统还可以进一步重建全身运动和周围环境。
与专门编排的实验室任务相比，真实工作包含更自然的动作，也更容易覆盖长尾情况，但它的代价是更高的数据噪声。
第一视角相机会随着头部持续晃动，手和物体可能互相遮挡，不同人的观察习惯和动作节奏也不相同。多路相机、IMU 和操作设备需要保持时间同步。数据回收后，还要完成质检、三维环境重建、人体姿态恢复和动作重定向。
「人体第一视角数据的噪声非常大。」罗平说，「采集回来之后，还要通过算法和自动化 Pipeline，把有效数据提取出来。」
更大的困难来自人和机器人的数据分布差异。
人会随着任务意图不断转头，机器人则可能使用固定头部相机、腕部相机或第三视角相机。人的身体比例、关节范围和运动速度，也与机器人不同。因此，模型不能简单复制人的动作，更要提取任务中的物体关系、接触方式和运动约束，再将其转换到机器人本体。
为此，超维动力将训练过程分为三个阶段。
预训练阶段使用大规模第一视角人类数据，帮助模型学习场景、物体和任务流程；桥接训练将人类视角下的手部和身体运动，转换为机器人坐标系下可以使用的动作表示；后训练则引入真机数据和强化学习，让机器人适应自身的动作空间和动力学特性，并学习从失败状态中恢复。
WAIC 上的开罐演示，是这条训练链路在单项任务上的一次验证。模型先从人类数据中学习操作流程，再将动作迁移到双臂机器人，开瓶器未能对准拉环时，机器人还需要识别偏差并调整位置。这说明，人类经验可以经过数据处理、桥接训练和真机学习，最终转化为机器人动作。
单项公开演示只能说明系统链路已经跑通，不能单独证明第一视角数据已经带来了可规模化的泛化能力，更关键的验证指标包括加入人类数据前后的任务成功率、面对不同罐体和工具时的泛化表现、适配新任务所需的数据量，以及失败数据回流后的迭代速度。
这也是超维动力自建 AI Infra 的原因。
按照罗平给出的估算，约 200 人连续采集一个月，原始数据就可能达到 PB 量级。这些数据不能直接投入训练，还要经过传输、质检、标注、三维重建、人体重建和本体重定向，才能进入 VLA、强化学习和世界模型等训练流程。
真正影响模型进化速度的，是原始数据能否快速转化为有效样本，真机失败能否及时返回训练系统，以及新模型能否批量部署到机器人上重新评测。
罗平强调，KAI AI Infra 的最终目的，是将这些原本分散的环节连成一个持续运转的闭环。
世界模型，能否把数据生产延伸到虚拟世界？
第一视角数据提供了真实世界中的人类经验，但它的覆盖范围仍然受时间、场景和采集成本限制。超维动力希望通过 KAI World Model，把数据生产从真实环境延伸到生成环境。
这套系统结合视频生成与 4D 空间建模，其流程概括为三个阶段：Design the World、Play with the World 和 Learn about the World。
系统首先从真实环境中恢复三维空间，或根据描述生成新的场景；人佩戴 VR 设备进入虚拟环境，与其中的物体互动；手部动作、物体位移和交互结果被记录下来，再转换为具身模型的训练数据。
与通用视频生成不同，具身世界模型不能只追求画面逼真。它需要接收手部姿态、VR 手柄、空间鼠标或机器人动作等控制信号，并预测一个动作会改变哪个物体、物体将向什么方向移动，以及环境随后会进入什么状态。
超维动力将系统拆分为世界模型、动作模型和评估模型。动作模型提出下一步行动，世界模型预测行动后的环境变化，评估模型再判断结果是否有利于任务完成。
从目标上看，世界模型承担的是「数据引擎」角色，即在真实数据之外生成更多场景、动作和失败状态，扩大模型能够学习的经验范围。
但对机器人而言，生成数据的价值不能只由视频是否逼真来判断，物理一致性更为关键。
现阶段，不少世界模型沿用了视频生成模型的技术内核，同时也继承了物体数量变化、接触关系失真和精细操作幻觉等问题。
罗平举了一个例子。桌上有 24 瓶水，拿走一瓶后理应剩下 23 瓶，但当前世界模型未必能够始终保持数量一致。对于视频生成，这种错误可能只是画面瑕疵，对于机器人训练，它却可能形成错误经验。
因此，检验世界模型是否有效的最终标准，是生成数据加入训练后，真实机器人的任务成功率是否提高；虚拟环境中暴露出的失败状态，能否对应真机中的真实问题。
罗平认为，在获得足够的真机验证之前，世界模型仍是一种正在演进的数据扩展工具。但如果这条路线成立，它将与第一视角采集和真机数据一起，构成超维动力的数据来源。
真实世界提供人类经验，机器人执行产生物理反馈，世界模型则扩展场景和失败状态。三类数据最终进入同一套训练基础设施，推动模型继续迭代。
全栈的真正价值，是缩短机器人进化周期
把本体、灵巧手、触觉、第一视角数据、VLA、世界模型和 AI Infra 同时铺开，让超维动力看起来像一家公司在做几家公司的事。
罗平表示，这种选择来自具身智能中硬件、数据和算法的高度耦合。本体定义了机器人的动作空间和感知能力，数据决定模型能够学习什么，模型暴露的问题又会反过来推动硬件改进。缺少可用的本体，算法上限可能被硬件限制；没有完整的数据和训练系统，再复杂的本体也难以持续获得新能力。
超维动力的全栈路线，试图在一家公司内部打通这套循环。人类和机器人产生数据，基础设施处理数据，模型学习能力，本体进入真实环境执行任务，执行结果再返回训练系统。
衡量这条路线真正价值的，是三个效率：获取数据的效率、将数据转化为能力的效率，以及能力跨本体迁移的效率。三者共同决定机器人进化的速度。
这也是一项高成本的押注。同时推进硬件、算法、数据和基础设施，意味着更高的资金投入和组织难度。罗平坦言，创业近一年中，最超出预期的正是硬件与算法结合的复杂度。「在执行这个项目前，我们没有预判到硬件和算法结合存在这么大的 gap。」
但从另一个角度看，这个 gap 也是超维动力选择全栈的原因。只有让模型团队直接面对真机失败，让硬件团队看到数据和算法的需求，软硬件之间的问题才可能更快进入下一轮迭代。过去一年，超维动力一直在磨合硬件和算法团队，这个过程仍未结束。
在罗平设想的「机器人是具身模型用户」终态里，未来，不同形态的机器人调用同一套云端系统获得能力，同时将执行任务过程中产生的物理经验带回训练平台。每台机器人既是模型的执行终端，也是现实世界中的数据节点。
超维动力已经搭起了从人类经验采集、本体执行、模型训练到真机反馈的完整链条。接下来，它需要证明，掌握这条链路能否让数据更快变成能力，让一种能力以更低的成本进入不同机器人。
如果这个闭环成立，KAI Bot 将只是超维动力具身模型的第一个「用户」。在它之后，更多不同尺寸、不同构型的机器人，都可能接入同一个能力平台。
罗平最后强调了超维动力全栈布局的真正目标，「不是定义一台机器人的边界，而是建立机器人持续进化的方式」。
热门跟贴