<mark id="oztn4"></mark>
0
| 本文作者： 高景輝 | 2026-06-05 21:47 | 專題：ICRA 國際機器人與自動化會議 |
作者丨高景輝
編輯丨馬曉寧
2026 年 6 月的維也納，ICRA展廳里擠滿了來自全球的機器人公司，三年前還在 PPT 上展示概念的具身智能，如今已經變成了滿地跑的人形機器人。
但熱鬧之下，焦慮正在蔓延。當下的機器人雖然能跑能跳，但依然難以進入真實場景創造價值，形成技術和商業的閉環，其所需要的模型、硬件和數據能力，似乎也只有為數不多的企業具備。以至于業內的感受是，當下大多數的具身智能，都還停留在“1.0時代”。
那么，具身智能要如何進入“2.0時代”，實現階段性的突破呢？
帶著這個問題，雷峰網·AI科技評論來到了 ICRA 2026 的現場，試圖從全球具身智能領域的頂尖學術成果和頭部企業中找到答案。
在這樣的背景下，它石智航提供了一個值得觀察的樣本。作為兩個月前剛完成中國具身智能最大單筆融資的明星企業，相比單獨展示某個demo，它石智航選擇對世界強調一套完整鏈路：從真實人類數據的采集，到模型側成果AWE 3.0，再到此次正式首秀的靈巧手，與機器人本體復雜操作的執行。
這也讓問題進一步聚焦：人形機器人要真正創造價值，比的已不是單一的“長板”，而是面面俱到的全棧能力？
為了回答這個問題，AI科技評論在 ICRA 2026 現場與它石智航首席科學家丁文超博士進行了一次深度交流，試圖從最頂級的這批從業者口中，找到具身智能通往2.0時代的鑰匙。
01
▎AI科技評論：它石這次在 ICRA 上會帶來模型、靈巧手及相關數采方案，為何選擇這個時間點進行系列成果發布？
丁文超：主要有兩方面原因。第一是行業規律，物理 AI 行業中往往會在關鍵技術積累到一定階段后，迎來一波技術爆發，它石智航從成立到此次 ICRA，也基本走到了這樣一個階段，今年年中除 ICRA 外，我們還有其他成體系的對外展示規劃，技術狀態也已到位。
第二是 ICRA 是全球綜合規模、含金量和技術扎實程度都屬旗艦級的會議，受眾覆蓋大眾，業界和學術界專家學者參與度高，國內贊助商均為頭部企業，是很好的國際化展示窗口。當然不止是ICRA，后續幾個節點我們也有相關發布規劃。
▎AI科技評論：現在有人將具身智能分為 1.0、2.0 時代，您認為出現這種區分的原因是什么？兩個時代的本質區別在哪里？
丁文超：核心是技術范式的改變。具身智能大致分為幾個階段：首先是萌芽期，2023 年初到 2024 年，行業對具身智能的落地場景和實現方法尚不明確，企業主要做兩件事，一是造本體，當時涌現出了大量本體公司；二是智能層面方法論不明晰，出現了 ACT、DP 等小模型。
接著是具身智能 1.0 時代，以 2024 年為代表，VLA 范式進入具身及自動駕駛等領域，該范式以遙操作為核心數據采集方法，以大模型為骨干網絡加動作的“頭”，實現一定泛化能力。這一時代催生了首批“大腦”企業，大家同質化地建設數據采集工廠、售賣機器人本體作為數采設備、訓練 VLA 模型。但 1.0 時代存在明顯問題：一是遙操作依賴限定場景的數據獲取，無法深入千行百業；二是簡單拼接 VLM 的模型架構并非根本解法，VLM 的泛化能力并未真正遷移到機器人上，行業對此較為失望。
2025-2026年進入具身智能2.0 時代，包括它石在內的公司開始探索更加scalable 的數據采集方式和更通用的模型范式。2.0 時代有兩大核心特征：一是以 Human-centric/Ego-centric 為核心的數據范式爆發，2026年被稱為無本體數據采集元年；二是以World Action Model 世界動作模型為核心的模型范式爆發，其泛化性和可擴展性較上一代有明顯提升。
未來具身還會迎來 3.0 時代，當前 2.0 時代主要在吸收預訓練紅利，3.0 時代將引入以世界模型為驅動的后訓練能力，讓具身智能同時具備泛化能力和場景生產力。每個時代都會催生新的技術范式和對應團隊。
▎AI科技評論：部分企業仍停留在 1.0 時代，他們卡在哪一步？是數據問題嗎？
丁文超：短期來說是范式轉變的難度。有一個反常識的點，盡管 Human-centric/Ego-centric 理念看似深入人心，但不少人仍對此持質疑和觀望態度。這種狀態在自動駕駛端到端技術推廣早期也出現過，當時很多人質疑其安全性、可解釋性，可能只有被市場倒逼時才會轉向。
▎AI科技評論：它石為何能快速進入 2.0 時代？
丁文超：核心有兩點。第一是堅持第一性原理思考，這聽上去很簡單，但其實蠻難的。在 2024 年底 VLA 和遙操作火熱時，我們就開始思考如何進一步 scale up，不受外部主流技術路線影響。
第二是極強的工程化能力，目前很多企業開始做 Human-centric/Ego-centric，但還未進入深水區，而我們2025 年就已投入大量精力迭代數采設備，從零到一設計制造了一套可穿戴數采設備SenseHub，打通了適用于無本體數據的模型訓練和部署范式，并在本體上優化到極致。這兩點是我們能提前布局并取得成果的關鍵。
▎AI科技評論：今年被很多人稱為具身智能商業化元年，2.0 時代也很看重商業閉環能力，你們在商業化和真實場景應用方面有哪些進展？
丁文超：具身公司容易陷入兩個極端，一是布局過多場景，分散注意力，拖慢基礎模型迭代速度；二是不落地，只專注刷模型，這兩種都無法形成良性循環。
其實參考大模型的商業化經驗，大模型理論上可覆蓋千行百業，其中 ROI 最高的是 Vibe coding，而這項能力還能反向解鎖更多場景。具身智能目前也處于類似狀態，在通用模型爆發前夜，既需要保持通用模型的持續競爭力，也要聚焦核心落地場景。
我們目前聚焦線束柔性裝配場景，這個場景需要將柔性線束以毫米級精度插入孔位，完成長程連續的布線、插接及纏膠等工序，相當于制造汽車的 “血管”。我們現在的商業化的進展還不錯。
而之所以選擇該場景主要有三點考量：一是單場景用工需求量大，避免了部分場景需求分散、設備用量少的問題；二是屬于柔性制造且是長程任務，技術門檻高，同質化競爭少；三是能反向推動基礎模型迭代。
▎AI科技評論：上次在 AWE 上看到了你們的線束演示，和這次 ICRA 現場展示的有何不同？
丁文超：這次現場除了會展示線束子任務，還會展示多個其他任務，體現模型的泛化能力。和上次 AWE 展示不同，本次會展示線束長程任務，讓模型端到端連續完成多根線的抓取、插接操作，過程中可自主糾錯、自主適應，每根線的插入精度達到亞毫米級。
02
如果具身智能存在 scaling law，一定是由原生基座模型涌現出來的
▎AI科技評論：什么樣的模型是好的模型？
丁文超：好的模型核心特點是要足夠簡單，只有簡單的架構才容易規模化。好模型的架構清晰直接，但能消化各類數據。數據處理和模型部署的工程化可以復雜，但模型結構本身要簡單直接。
對具身模型來說，這個領域其實沒有新鮮事。VLA 模型的本質是大語言的 scaling law 被驗證后，行業將 VLM 的泛化能力遷移到具身領域的嘗試，但其核心問題是真正可規模化的部分與實際場景脫節。VLA 的訓練數據分為兩類，一類是易規模化的傳統大模型數據，另一類是極少的機器人執行任務數據，兩者嚴重不對等。所謂 VLA 的泛化能力其實是 VLM 的能力，并未真正遷移到機器人上，在全新場景中，VLA 仍需通過遙操作采集動作數據微調動作頭部才能運行。
當前世界模型成為熱點，核心是將視頻預測模型應用于具身智能，視頻預測模型本身具備 scaling law，相比 VLA 有兩大優勢：一是統一了跨本體問題，不挑視角，能吸收來自人或機器人的各類視頻和動作數據，縮小了人與機器人任務數據的差距；二是放松了對現場遙操作數據的依賴。但世界模型仍是將視頻模型能力遷移到具身領域，并非最優解。
目前行業頭部公司都在追求訓練具身原生基座模型，即從數據采集到模型訓練、預測、推理全流程貫穿語言、視覺、動作三種模態，吸收千行百業的數據。如果具身智能存在 scaling law，一定是由原生基座模型涌現出來的。
我們的 AWE 模型全稱是 AI World Engine，本質是以 AI 為驅動的世界引擎。仿真器難以規模化，而用數據學習的世界模型能同時告知未來的動作和動作的后果，具備極強的可擴展性，其終局是成為具身原生基座模型。
▎AI科技評論：你們的模型相比其他世界模型和之前的 VLA，在實際執行任務時有什么優勢？線束任務的出色效果是如何實現的？
丁文超：核心優勢體現在數據和訓練范式兩個點上。第一，我們的無本體采集數據質量遠超行業平均水平。很多企業低估了數據部署到機器人上的難度和精度要求，人作為靈活的本體，需要輕量且高精度的采集設備，我們自研的數采設備能獲取高質量的人的末端動作數據，在數據多樣性和動作精度上優勢明顯。
第二，我們采用了獨特的技能轉換訓練范式。預訓練階段吸收大量人類數據后，在特定場景的后訓練階段，我們摒棄了遙操作采集數據的方式，因為遙操作容易引入抖動等噪聲數據，純人類數據訓練反而更干凈簡潔。
模型精度的提升需要全流程打磨，從數據采集、動作標簽增值、模型訓練到部署，每個環節都存在技術難點。
▎AI科技評論：這次 ICRA 現場它石展示了亞毫米級線束操作和打包任務，這兩個任務分別有哪些技術難點？
丁文超：兩個任務的難點差異明顯。線束任務的核心難點是動作精細度要求極高，需要在操作柔性物體的同時達到亞毫米級精度。該任務對數據的穩定性要求極高，因為模型是端到端的，數據中的瑕疵會直接映射為模型的瑕疵。
打包等其他泛化任務的精度要求為毫米級或亞厘米級，核心難點是應對動態變化的任務場景，考驗模型的自主糾錯和自主恢復能力。這種能力只有在訓練數據和任務的多樣性、量級達到一定程度時才會涌現，我們本次展示的不同任務正是針對性體現模型不同層面的能力，現場還會設置互動任務，模型可克服人為擾動完成操作。
▎AI科技評論：行業普遍擔心世界模型的幻覺問題會導致嚴重后果，你們是如何解決這個問題的？
丁文超：如果直接將 video prediction（視頻預測）引入世界模型，最常見的幻覺問題是穿模，比如模型視野中被抓取的物體突然消失，導致動作策略異常。
我們解決該問題的核心是對 3D 隱空間進行建模。現有世界模型普遍缺乏長時記憶，只有短時的像素到像素預測能力，而對空間的理解需要沉淀下來的長時信息。我們的模型在預訓練階段針對性強化了空間感知建模，在模型工作空間內基本能實現極強的一致性，這是 AWE 模型的特色之一。
▎AI科技評論：在真實環境中，有哪些機制能保障模型工作的安全性和可靠性？
丁文超：主要有二層保障機制。第一，訓練模型自主從錯誤中恢復的能力，訓練階段會特意加入相關數據進行針對性訓練。第二，搭建完整的數據閉環體系，這也是從自動駕駛領域借鑒的經驗。模型始終會犯錯，關鍵是能回收失敗案例的數據，通過快速的數據閉環挖掘正確數據和故障恢復數據，持續迭代模型。目前具身行業的數據閉環完備程度普遍低于端到端自動駕駛，我們正在加速搭建這套體系，實現模型安全性和可靠性的漸進式提升。
03
▎AI科技評論：你們很早就提出了以人為中心的數據范式，為何從一開始就押注這條路線？對于遙操作、仿真合成、UMI等其他數據采集方式您又是如何看待的？
丁文超：因為在我們的判斷中，其他方式都無法支撐通用具身基礎模型的規模化發展。
遙操作僅適合后訓練，不適合預訓練和規模化，無法走向通用具身基礎模型。
仿真數據僅在局部簡單任務中有價值，比如局部運動仿真，能模擬全身運動和環境的簡單接觸交互，但無法模擬真實世界的復雜交互，不具備可擴展性。
UMI更多是科研態的方案，能通過單末端完成部分任務，為規模化提供科研牽引，但并非完整的系統，無法真正實現規模化。
我們自研的數采套件綜合考慮了以上所有因素，具備三大特點：一是兼容多種采集模式，支持純頭帶、頭帶加手套、頭帶加夾爪等組合；二是所有傳感器均實現高精度時空同步，滿足部署態要求；三是動作精度高，配套自動化數據管線可恢復動作和場景語義，且設備便攜，能以人為中心獲取各行各業的數據。
▎AI科技評論：行業存在仿真和真機數據配比的爭論，你們是否有明確的配比？
丁文超：目前行業基本共識是用 Human-centric 數據做預訓練，但用仿真做后訓練并非好選擇，因為仿真器存在太多人工痕跡，適合做評測，無法支撐模型的持續自我提升。
數據配比需根據任務精度要求調整：對于線束這類精度要求極高的任務，基本采用全人類數據，因為只有人能達到對應的精度；對于亞厘米級精度的任務，可加入部分機器人數據。理想狀態下，通用模型用 50 萬小時人類數據做預訓練，單個任務僅需 1 小時左右的單任務數據即可完成適配。
▎AI科技評論：你們目前的數據積累進度如何？數據量增加是否會讓模型能力提升更快？
丁文超：我們仍在朝著百萬小時有效數據的目標推進。排除高度重復的無效數據后，我們每日獲取的豐富多樣的有效數據規模處于行業 top1。
隨著數據量增加，模型能力提升速度的確會明顯加快，這也是我們計劃在 2026 年中進行系列發布的原因，預計 2026-2027 年具身智能在操作側會取得巨大進步。
▎AI科技評論：以后會不會發現實際需要的數據并沒有那么多？
丁文超：數據并非越多越好。低質量的純 ego 數據會越來越便宜、越來越平權，只能作為打底數據讓模型具備基本認知，類似大模型的通用語料。互聯網上的海量視頻數據并未催生出通用具身智能，也證明了純低質量數據的局限性。
而高質量的場景化數據價值會持續凸顯，這和大模型的發展趨勢一致，未來數據的競爭核心是高質量數據而非數據總量。
▎AI科技評論：數據跨境和隱私安全是第三方數采公司關心的重點，您認為未來國內外數據是否會互通？
丁文超：未來國內外數據不互通的可能性較大，數據的流通性和場景高度相關。如果企業有海外業務，需要在當地合規、合法、符合隱私政策地獲取數據。
04
好的靈巧手要“手腦一體”，滿足模型的部署需求
▎AI科技評論：數據與硬件存在綁定關系，這是咱們自研硬件的原因之一嗎？這次ICRA 亮相的靈巧手有何特點？
丁文超：是的，很多公司低估了外采數據的難度，傳感器配置的差異會大幅降低外采數據對模型的收益。同時，硬件是產品交付的核心，僅提供大腦方案無法形成完整產品。
靈巧手從技術路線上分為低自由度（11 自由度及以下）和高自由度（典型為 21 自由度）兩類，低自由度多采用連桿式，高自由度以直驅 / 準直驅為主。高自由度技術可向下兼容低自由度，反之則不行。
高自由度靈巧手又分為繩驅和準直驅兩條路線，優勢是出力大，但一致性差，需動態調節且依賴新材料突破；我們采用準直驅方案，核心挑戰是精密制造，需要在極小體積內集成 21 個自由度，同時平衡減速比、靈活性和負重，是硬件、軟件、算法的全棧挑戰。
目前能做到 20 自由度以上準直驅靈巧手的公司極少，同時具備高自由度靈巧手和對應模型的公司更是屈指可數。
▎AI科技評論：在你看來，一個好的靈巧手最需要什么特質？
丁文超：能滿足模型部署的需求。比如在實際部署時會有很多執行的 gap，所以我們做了一些針對性設計，比如從人的 data description 里面去做統計，看人動作的分布，從而反向推導我們硬件，比如關節減速比是多少，電機的轉速是多少，所以才有了這樣1:1的設計。
就像 locomotion 領域越做越類人一樣，要考慮人的很多的質量、慣量、運動習慣，這樣最后硬件和數據間的 gap 才能最小。
▎AI科技評論：這次 ICRA 上，它石反復提到 DexHand 不是單純的末端執行器，而是一只“有腦子的手”。這個“有腦子”具體體現在哪里？
丁文超：我們理解的靈巧手，不應該只是一個能張合、能抓取的硬件。真正進入具身智能階段后，手需要和數據、模型、物理世界連接起來，才能從“會運動”走向“會操作”。
DexHand的“有腦子”，首先體現在它接入了AWE 3.0 通用具身大模型。也就是說，靈巧手不是孤立執行指令，而是能夠在模型的感知、理解和決策下，結合當前任務和接觸狀態調整動作。它背后是一套從Human-centric數據采集、AWE模型理解，到DexHand物理執行的手腦一體閉環。
▎AI科技評論：高自由度靈巧手在線束等任務中有哪些獨特優勢？最后一厘米的問題是如何突破的？
丁文超：高自由度靈巧手能大幅提升任務執行效率，統計顯示，用靈巧手完成任務的速度是夾爪的 3 倍，能顯著提升生產效率。同時，靈巧手作為統一末端執行器，可以完成夾爪無法實現的復雜操作，避免了針對不同任務設計專用末端的問題，具備極強的硬件泛化性。
我們將靈巧手設計為 21 自由度，是因為21 自由度為硬件可承受極限內最貼近人手的配置，能最大化提升抓取和操作的泛化能力。
▎AI科技評論：你們對靈巧手做了大量摩擦測試，這些測試對產線部署有什么幫助？
丁文超：摩擦測試主要覆蓋兩個層面的耐久度驗證。第一是關節耐久度，早期高自由度靈巧手普遍存在電機易燒毀的問題，關節故障會導致算法迭代速度大幅變慢，我們針對性優化了關節設計，保證其持續穩定運行。第二是指尖耐久度，靈巧手的觸覺硅膠指尖易磨損，我們發布過大型觸覺數據集，深知觸覺傳感器磨損對數據采集和模型性能的影響，因此對指尖材料和結構做了大量測試和優化。
▎AI科技評論：主要部署在哪些場景？
丁文超：像很多需要非常精細的場景，如電線纏膠等長程任務，這樣只需更換末端就能勝任。所以靈巧手就是一個很好的選擇。
▎AI科技評論：你們的靈巧手開放預訂了嗎？價格怎么樣？
丁文超：確實有很多客戶想要預訂，ICRA現場也一直都有人來問我們什么時候賣，賣多少錢（笑）。不過我們希望先把它迭代到一個非常穩定的工程化水平，再對外集中公布這些信息。
05
▎AI科技評論：這次 ICRA 會發布的 TacForeSight 成果，其創新點在哪里？
丁文超：TacForeSight是我們年初觸覺世界模型及數據集工作的延續。靈巧操作的本質是通過接觸改變世界，接觸是核心，而觸覺是唯一能直接感知接觸的模態。我們此前的工作證明，觸覺與視覺融合的世界模型能實現高頻的動作微調，比純視覺環路的修正更直接、更快。
TacForeSight的核心創新是將模型從被動修正升級為主動預判。此前的模型只能在出現滑動、偏移等問題后被動修正，而基于視觸覺世界模型，我們的模型能提前預判潛在問題并主動微調動作。比如抓取滑的物體時提前加大力度，在光滑地面行走時提前收力，操作姿態不佳時提前調整。
基于該技術，我們實現了柔順刷卡、精細試管操作、動態擦花瓶等演示，未來可應用于拋光打磨、洗車等所有與接觸相關的場景。我們認為觸覺是未來靈巧操作的核心，會持續深化相關研究。
▎AI科技評論：演示的任務設計有哪些考量？我們看到成功率超過80%，這在行業里處于什么水準？
丁文超：我們希望任務盡可能多一些，也更貼近于生活的實際場景。這個成功率在觸覺的 paper 里，應該是 SOTA。
▎AI科技評論：具體到場景，這個工作有什么應用？
丁文超：將來有一些柔性的、高精度的這種操作，是非常需要觸覺的，因為視覺的反應頻率只有30赫茲或60赫茲，但是你會發現你做非常精細的 manipulation 的時候，你要的反應頻率就需要上百赫茲，而觸覺是唯一一個在末端能夠提供這么高頻反饋的模態。
▎AI科技評論：這次 ICRA 它石還有哪些入選成果可以分享？未來的重點工作是什么？
丁文超：還有一項關于空間感知與動作策略融合的成果。現有模型對視角變化非常敏感，如果采集數據的視角有 30 度擾動時，操作成功率會下降。我們將空間基礎模型融入動作策略，讓模型具備新視角的假想能力，大幅提升了視角變化下的操作成功率。
未來我們的核心工作有兩點：第一是持續推進規模化，深化數據和模型的打磨，放大 scaling 效應；第二是打穿垂直場景，以線束場景為核心，逐步拓展更多場景。隨著模型泛化能力的提升，新場景的工程化周期會大幅縮短。
▎AI科技評論：我們看到ICRA現場有不少國內的年輕學者，它石和學術界有什么合作嗎？
丁文超：我們今年ICRA發表了9篇paper，數量也是在具身企業中名列前茅；并且和清華、交大、復旦都有人才合作項目，未來肯定會再擴展到其他高校。今年 ICRA 我們還舉辦了人才晚宴，吸引各個學校的最 top 的學生。
▎AI科技評論：最后聊聊行業，您認為阻礙具身智能商業化落地的最大因素是什么？
丁文超：核心瓶頸是模型的泛化性和吞吐率，吞吐率等于成功率乘以任務完成效率，這兩個指標決定了機器人能否替代人工產生實際生產力。
▎AI科技評論：明年具身智能行業可能出現哪些變化？
丁文超：第一，機器人的操作能力會取得重大突破，核心體現為 Zero-Shot 和 Few-Shot 能力的提升，在新場景中能快速展示出基礎能力。第二，行業競爭烈度會大幅上升，兩極分化加劇，規模化需要更大的資金投入和決心，頭部效應會越來越明顯。
▎AI科技評論：假如未來具身智能進入 3.0 時代，需要達到什么標準？
丁文超：2.0時代的核心是泛化，能在新場景達到80% 左右的成功率；3.0時代的核心是機器人能在多個不局限于單一領域的任務中，表現出超過人類的能力，雖未達到物理 AGI，但在多個細分任務上具備顯著優勢。
去哪看 ICRA 核心【演講/論文】詳解？
為了讓國內的研發者、創業者與投資人能夠毫無時差地掌握本屆 ICRA 2026 的完整干貨，雷峰網(公眾號：雷峰網)已全面上線【ICRA 2026 深度專區】。
專區不僅全面收錄了重磅論文的工程化解讀、專家前沿演講，更將持續更新前方記者的第一手會議動態。
掃描下方二維碼，或點擊「閱讀原文」關注專區。
與全球 8000 名頂尖大腦同步呼吸，搶先透視具身智能的下一個五年！
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
