革新具身智能的研發范式，大曉機器人希望構建行業開放生態

出品 | 創業最前線

作者 | 燁楠

編輯 | 閃電

美編 | 邢靜

審核 | 頌文

大曉機器人給出了具身智能“大腦”的新解法。

在產業的演進中，具身智能，既需要快速、穩定的執行能力，也需要對環境、因果與時間的持續理解。在這一層面來說，VLA（視覺語言動作模型）更像一套高效的執行接口，而世界模型則可能更接近基于真實物理世界的底層認知系統。

12月18日，大曉機器人在上海舉辦發布會，正式發布行業首創的ACE具身研發范式、首個開源且商業應用的開悟世界模型3.0（Kairos 3.0）、讓具身本體擁有自主空間智能的具身超級大腦模組A1，并與多個行業伙伴展開合作，形成產業生態體系。

1、技術范式革新：從“為難機器”到“以人為中心”

2024年，商湯科技開始實施“1+X”戰略，開啟以生成式AI為核心業務，重組拆分的生態企業矩陣聚焦各自場景化AI和細分市場的發展模式。

而近日發布的大曉機器人，正是商湯科技在布局具身智能產業的核心戰略落子。

大曉機器人由商湯科技聯合創始人王曉剛擔任董事長，華人頂級AI科學家陶大程擔任大曉機器人首席科學家。大曉機器人的名字也便是從兩位組建者的名字中各取一字組成。另外，這個名字還涵蓋了“大千世界，曉識萬象”的寓意，大曉希望讓機器人真正洞察并理解萬象規律，才能使其學會與世界精準交互。

這正引出了大曉機器人的使命：讓機器人擁有“聰明的大腦”。

以往的具身智能研發多以機器人本體為中心，通過遙控操作采集數據，導致成本高企、效率低下，且模型難以泛化。特斯拉和Figure AI的視覺學習新路徑，推動了具身智能的數據采集從“遙控操作”向“自主學習”的范式轉變。

特斯拉采用的視覺方案的思路源于自動駕駛領域的啟發，但自動駕駛與具身智能存在本質差異：自動駕駛場景中不會發生物理接觸或交互，而在具身智能場景下，無論是人還是機器人，都需要與周圍物體和環境產生物理接觸，因此必須納入其他維度的信息。

在過去長期的研究中，人體工程學、力學等領域已對人體受力、觸覺相關信息有了深入研究，這為環境式采集提供了研究基礎。此外，基于傳統的技術路徑中，行業目前仍然面臨著數據荒的頑疾。

目前，具身智能領域的真機數據量級僅為10萬小時，而智能駕駛如特斯拉FSD V14每日訓練量相當于500年人類駕駛經驗。這一差距源于“以機器為中心”的局限：傳統遙操就像讓人去遷就機器，采集員需遙控各類機器人，成本高昂，數據綁定硬件，無法通用。

基于此，大曉機器人開辟出一條不同于傳統路徑的技術路線：“以人為中心（Human-centric）”的ACE具身研發范式，為行業發展帶來根本性的革新。ACE具身研發范式中環境式數據采集可實現一年千萬小時的數據收集，開悟世界模型3.0則不斷放大真實數據價值，使其達到上億小時數據規模的效果。

這種ACE范式，通過環境式采集真實世界中人的行為與環境交互數據，構建能夠理解物理規律、因果關系與長期記憶的世界模型，再將這一“大腦”遷移到不同機器人本體之上。這意味著，機器人不再被限定在某一具體形態或單一任務中，而是試圖獲得跨場景、跨本體的通用能力基礎。

舉個例子，在即時零售倉儲場景中，該方案已實現多視角數據采集，覆蓋數萬種SKU，完成倉儲分揀與打包全流程。在居家、零售等多元場景中，ACE范式也已實現對人體自然行為、物品交互軌跡的精準捕捉，甚至能復現遙操作范式下難以實現的生鮮抓取、精細化放置等任務。

但這種范式，要求對物理世界具備更強的建模能力，也要求模型能夠處理高度復雜、未結構化的數據。換言之，ACE范式獲取的，可能不是更容易的數據，但一定是更接近真實世界的數據。

從行業角度看，具身智能的數據采集也正在經歷一次認知與技術范式的轉變。因為具身智能行業稀缺的，除了數據本身，還有能夠讓數據形成通用智能的路徑。

2、開悟世界模型3.0開源，形成產業合作迭代

以環境式采集數據為基，大曉機器人發布了首個開源且商業化應用的世界模型——開悟世界模型3.0，形成跨本體的統一世界理解框架。

世界模型的核心在于，它致力于在AI模型中建立起真實物理世界的運行規律，區別于VLA以語言為中介連接感知與動作，依賴語義推理執行指令的機制。

簡單來說，VLA模型解決的是“此刻該做什么”的問題。它將視覺與語言信號迅速轉化為動作指令，在短時任務、確定性場景中具備顯著優勢。這種能力對于機器人“可用性”的提升至關重要，也是當前行業得以快速驗證商業場景的重要基礎。

而世界模型所關注的，是“為什么要這樣做，以及接下來可能發生什么”。它并不追求直接生成動作，而是通過對物理規律、因果關系與時間演化的建模，為決策提供背景與邊界。沒有世界模型，機器人很難在長時序任務中保持一致性，也難以在環境變化時進行有效調整。

在大曉機器人看來，具身智能“大腦”更合理的結構是，讓世界模型作為認知與預測層，負責理解世界、生成可能性空間；再由VLA或類似執行模型，負責將決策轉化為具體動作。這種分層結構，在自動駕駛、復雜系統控制中已被反復驗證。

作為首個“多模態理解—生成—預測”的世界模型，開悟世界模型3.0能夠深度理解真實世界的物理規律與人類行為的底層邏輯，讓模型能形成“知其然，知其所以然”的思維鏈。

多模態理解，即通過圖像、視頻、相機位置、3D軌跡，以及力學元素、觸覺等一系列內容的感知與融合，與物理世界建立關聯；其次是多模態生成，在理解物理世界后，需要生成復雜的具身行為，以及可訓練的數據和場景；最后是多模態預測，根據不同機器人本體、觀察到的圖像及視頻狀態，可預測機器人的后續動作。

這種“理解-合成-預測”的融合能力，正是強大的開悟世界模型3.0的核心。更重要的是，大曉機器人選擇將這一世界模型進行開源，向全行業開放API。

通過云平臺與API開放，開悟世界模型3.0能夠吸引開發者反饋，豐富場景庫。而開源換來的社區影響力也更為關鍵，這一策略，將加速大曉機器人在具身智能產業的生態構建。

目前，開悟世界模型3.0已與沐曦股份、壁仞科技、中科曙光等多款廠商國產芯片成功適配并展開合作，幫助世界模型在長時序、多視角動態場景下進行完整訓練與推理閉環，共同推進具身模型在國產芯片生態中的研發與應用。

3、具身超級大腦模組A1，從機器狗走向多元商業場景

選擇以世界模型為長期核心，并不意味著放棄商業現實。

當天，大曉機器人正式推出了具身超級大腦模組A1。基于大曉機器人團隊領先的純視覺無圖端到端VLA模型優勢，搭載具身超級大腦模組A1的機器狗無需預采高精地圖即可適應復雜、動態、陌生環境。依托模型的視覺理解和運動規劃能力，機器人能實現動態環境下魯棒、安全、合理的路徑生成，真正實現“自主行動”。

大曉機器人已經與智元等本體公司展開合作，搭載了具身超級大腦模組A1的三款機器狗在現場進行展示。

具身超級大腦模組A1具備擁有云端交互能力，依托云端模型平臺，能實時解析自然語言指令與圖像語義的意圖關系，像人一樣理解復雜的現實世界，生成可執行的中間指令（如“前進50厘米”“繞過障礙”“靠近目標”），再由底層控制器精確執行。這使得機器狗不僅能夠在復雜環境中完成自主巡檢、跟隨、避障等多樣任務，而且能根據自然語言指令精準完成任務。

此外，大曉機器人結合Insta360全景感知方案與商湯方舟通用視覺平臺，構建起全方位、高精度的環境感知體系。不僅能覆蓋超10個行業，還可實現超150個智能化應用場景適配，覆蓋從日常行為分析到特殊風險預警的全需求。

目前，大曉機器人已經通過具身超級大腦模組A1，將階段性能力落地到安防、巡檢等To B場景，并可實現長期穩定工作，讓具身智能真正具備了走進產業一線的實用價值。

這些策略，也在為世界模型的發展鋪設行業生態，并爭取成熟的時間窗口。通過真實場景持續運行，世界模型得以獲得更多反饋，數據體系也隨之擴展。另一邊，VLA等執行模型在其中承擔著效率加速器的角色，使系統在當前階段依然具備實用價值。

以具身超級大腦模組A1為開端，大曉機器人希望建立起從四足機器人短期規?；纳虡I場景，到中期聚焦物流倉、前置倉等工業與商業服務場景，長期指向家庭場景的階段性商業化目標。

在具身智能的技術路徑尚未收斂、規模商業化仍處于探索階段的當下，大曉機器人的意義，或許并不在于給出一個終極答案，而是提供了一種更完整的技術組織方式：讓執行模型跑在前面，讓認知模型決定前進的方向——大曉機器人指出了一條讓具身智能從單純的“會動”走向“可用”的商業化落地必經之路。