獨家對話前華為天才少年李元慶：首款規模化具身智能產品中國造！多機異構是未來方向

作者 | 蔡芳芳、華衛

剛剛，AI 前線獲悉，前華為天才少年、原華為云具身智能核心負責人李元慶已正式加入樂享科技，后續將重點負責樂享科技的創新業務戰略規劃與核心技術攻關。

2024 年，李元慶出任華為云具身智能主要負責人及 ROBO_AGENT 負責人，牽頭完成多款具身智能機器人核心方案開發，其中由他主導的 2024 年華為 HDC 大會明星具身智能項目成功落地并引爆網絡，成為具身智能技術走向大眾視野的標志性案例，也讓他成為行業內具身智能領域的頂尖人才之一。

據了解，此次李元慶選擇加入樂享科技，核心原因在于雙方在具身智能賽道的技術理念高度契合。

近期，我們對李元慶進行了獨家專訪。透過 2025 年具身智能領域在技術及落地表現上的各類突破性進展，他道出了這一年來具身智能技術棧的核心演變。在與我們的對話中，李元慶也直言不諱地指出當下制約具身智能大規模落地應用的同質化難題，以及他對此的技術路線選擇與思考。

“世界上第一款能大面積鋪開的具身智能落地產品，很可能會在中國出現。多機異構技術路線是具身智能未來的發展方向。”李元慶稱。

在他看來，這個時代下具身智能領域最該抓住的就是兩件事：落地和數據。而他接下來的核心發力點是，打造一款面向家庭用戶的功能性產品。

以下是完整對話內容，以饗讀者。

1 機器人更“抗造”了，關鍵技術突破多點爆發

Q：我們觀察到，2025 年無論是科技巨頭還是初創公司，都顯著加大了對具身智能的投入，還有許多新投身進來的創業者，順利拿到大額融資的亦不少。在您看來，這股熱潮背后的核心驅動因素是什么？技術成熟度的變化還是市場應用預期？

李元慶：機器人企業大多能順利拿到投融資，這已經成為一種普遍現象。當下，機器人領域依然是值得入局成立公司的賽道，這一點我是確信的。資本市場看待這個領域遵循的是長期邏輯，大家已經明確看到了未來的發展結果。一款優質的硬件產品需要花費數年時間去梳理供應鏈、等待技術逐步成熟，整個產業發展也需要一個漫長的周期。所以在我看來，當前機器人領域的熱潮，本質上是由未來的確定性倒推而來的結果。

這波熱潮有個特別典型的特征，就是一二級市場的聯動。現在二級市場的頭部上市企業，之所以紛紛布局機器人領域，有幾方面的原因。首先是出于公司市值管理的需求，很多上市公司會對外釋放信號，如 “今年我們要切入人形機器人賽道”，并且會把這項技術整合到自身的應用產品線中，這相當于為公司打造了一條未來的第二增長曲線。

所以，從二級市場的角度來看，布局機器人領域有幾個核心價值：一是能為傳統制造業鏈條賦能，讓投入產出比變得更劃算；二是助力市值管理，打造第二增長曲線，用傳統制造業的資金去撬動機器人這個高市盈率的新興科技賽道；三是可以盤活現有團隊，給員工提供二次賦能的機會，拓展更多的工作內容。而且中國市場本身帶有很強的政策導向性，這也是一二級市場能夠快速聯動的重要原因。

另一個核心原因是技術成熟度的突破。我接觸過不少國內的人形機器人項目，最明顯的對比就是去年和今年的差異。和 2024 年相比，現在的機器人在穩定性、可靠性上都有了顯著提升，能明顯感覺到機器人正從技術演示階段朝著產品化的方向推進。以前這些機器人還只是實驗室里的 demo，現在已經逐漸變成可以推向市場的產品了。

客觀來說，2024 年的人形機器人穩定性很差，輕輕推一下基本就會倒；要是突然給它加一個額外的大力矩，或者地面稍微打滑、不平整，它都會很容易倒地。但 2025 年在各類展會上，像宇樹等企業的機器人已經有了明顯進步，現在的機器人越來越 “抗造”，踢一腳不會倒，摔一下也不會倒，腳打滑了也能穩住，動作還變得更流暢，甚至能完成跳舞、打武術這類復雜動作。這些表現，都是機器人軟硬件在局部運動控制層面成熟度的直觀體現。這種技術層面的突破，給了整個行業和資本市場很大的信心。

Q：2025 年具身智能領域有哪些突破性進展讓您印象深刻，包括技術、產業化和生態建設上？這些進展是否已經為具身智能從實驗室走向特定場景的“初步普及”奠定了基礎？

李元慶：有不少值得關注的突破，尤其是學術界跟進得比較緊密。第一是 LocoFormer 技術，能讓機器人實現跨本體的局部運動控制，這個突破的價值非常大。第二是 AnyTracker 相關的應用，能讓機器人像人的 “身外化身” 一樣，緊緊跟著人做動作，遠程操作時機器人也能精準復刻動作，時延和穩定性都做得很好，而且全程不會摔倒，這也是一項很突出的成果。

除此之外，還有一些明顯的進展集中在局部運動控制領域，機器人的軟硬件打磨得越來越成熟，也越來越產品化，開始能在更多場景中落地應用了。以前操作機器人需要大量工程師全程跟進，現在不一樣了，就算不是專業工程師，只要會敲代碼、甚至用遙控器就能操控機器人，讓它完成各種動作。

核心是夯實了軟硬件整體的魯棒性。以前的機器人說白了就是個演示 demo，稍微一動就會倒，還很容易出現故障、損壞。現在的機器人安全性和可靠性都上來了，就算在人員密集的場景里活動，也不用擔心它突然摔倒砸到人，風險大大降低。以前大家都得用圍欄把機器人隔離開來，現在人們已經能更近距離地接觸它了。而且從產業化角度看，以前機器人基本沒有實際交付的案例，現在交付市場規模越來越大，已經能買到商用機器人了，成本也變得更加可控。

Q：大模型的快速發展，為具身智能的“智能”部分帶來了哪些質變？

李元慶：2025 年的實質性進展不算特別多，但有一個突破非常關鍵：機器人已經具備了一些簡單任務 100% 完成的能力。以前就算是簡單任務，成功率頂多也就 60% 到 90%，現在能做到 100% 了。同時，其他復雜任務的成功率也在穩步提升。這些變化特別讓人震驚，之前我們一直覺得 AI 很難真正落地，現在證明了具身智能是有機會走向實際應用的。

Q：具身智能的核心技術棧正在如何演變？2025 年有哪些值得關注的新范式或共識？

李元慶：首先，機器人的局部運動控制技術已經越來越成熟，也就是機器人如何行走這件事，基本朝著產品化落地的方向推進了，并且發展速度快得讓人驚訝。另外，VLN（視覺語言導航） 策略也在慢慢收斂。現在一個很關鍵的突破是，機器人開始能理解規則、知道該往哪里走了。舉個例子，以前讓機器人從 A 點到 B 點，它只會徑直走過去，但現在你告訴它中間有草坪不能踩，它就能繞開草坪走。這些沒辦法靠人窮盡編寫的規則，現在可以通過大模型灌輸給機器人，這是 VLN 技術棧越來越完善的一個重要體現。

再說說操作控制，這個領域的技術路徑目前還沒有收斂，大家都在做各種嘗試，但有兩個特別棒的進展：一是單點任務的成功率實現了突破，以前這類任務成功率最多也就 60%-90%，現在已經能做到 100%；二是多任務的成功率也在穩步提升。從這兩點就能判斷，機器人接下來是能夠可靠、穩定落地的，具身智能也具備了這樣的可靠性。

再說說其他的新范式和共識。世界模型算是一個新范式，但說實話還沒有形成行業共識。技術架構方面也有新變化，以前大家基本都用 transformer 架構，現在慢慢出現了更多新的技術路徑，比如 VG-EPA、VG-1/2，關注和探索這些新路徑的科研人員也越來越多了。還有一個核心的技術范式變化，大家開始把 VLA 與 RL 結合起來用。以前大家更多關注 VLA，相對輕視 RL 路徑，現在兩者結合后，機器人能完成更復雜的任務了。比如在星海圖、Dyna Robotics、字節等企業的實踐中，機器人已經能完成穿鞋帶、榨橙汁這類難度很高的任務，而且像榨橙汁的成功率在論文展示的場景里已經接近 100%，這些進展才真正讓大家對具身智能的落地更有信心。

最后說說新的共識。之前我問過 Physical Intelligence 的 CEO，他對具身智能的探索有一個評價，簡單來說就是“走一步看一步”。大家都不會去預測它最終的形態，但現在確實能看到越來越多落地的可能性，這算是對當前行業狀態很真實的描述和評價。

2 基礎模型困局：世界模型成破局關鍵？

Q：世界模型被寄予厚望，被認為是實現高級推理和規劃的關鍵。現階段來看，它對機器人實際能力的提升體現在何處？之后還有哪些方面的潛力？

李元慶：按照“數據金字塔” 的邏輯來看，第一層是視頻數據、網絡數據；第二層是各類強化學習相關的策略應用；第三層才是真實機器人的實際部署。目前世界模型最核心的作用是，能極快、極大規模地生成金字塔第一層的有效數據，幫助構建大量有效的數據資產庫，比如生成視頻大模型、3D 高斯建模、3D 世界構建、視頻生成等都在補充這一層的數據。核心原因是，現在具身智能模型往往需要百萬級小時的視頻數據，而這些數據如果靠實際采集獲取，不僅成本高、性價比低，收集速度還很慢。世界模型或視頻生成模型有機會把這部分數據構建工作做得更高效、成本更低，這是它們現階段最實際的價值。

至于第二層，世界模型也有替代部分現有技術的潛力，比如替代一些物理仿真引擎，去模擬摩擦力學、動力學以及機器人的機械結構等。現有仿真引擎存在明顯缺陷，在仿真環境里表現很好，可部署到真實機器人上時，雖然移動控制（Locomotion）問題能解決，但操作控制（Manipulation）的問題還沒做好。目前這一層的效果還沒完全顯現，但世界模型讓我看到了解決這個問題的希望。另外，世界模型對于構建基礎模型非常重要。要補充的是，實驗室里的數據和技術要走進所有人的家里，所以我更關注的是后續的落地。

Q：幾乎所有專家都指出，高質量、大規模的物理交互數據稀缺是當前最大瓶頸。面對真實數據采集成本高昂的困境，仿真合成數據、人類視頻數據等替代方案能走多遠？“數據工廠”是可行的解決方案嗎？

李元慶：首先，仿真合成數據這套方案肯定是有意義的。數據的核心價值在于多樣性，模型學習過程中需要大量種類豐富的數據，但靠實地采集、真人采集或者真機采集，很多時候根本拿不到這么多元化的數據。仿真合成數據的意義就在于補充這種多樣性，哪怕為此稍微犧牲一點精度也值得。這一點在數據金字塔的第一層尤其重要，我們用這些數據來訓練基礎模型，比如世界模型生成的視頻數據、3D 相關數據等，都是為了構建基礎模型所需的數據資產庫。有了仿真合成數據，后續的技術探索才能推進；要是沒有它，很多方向的探索可能都不成立，我們現在確實迫切需要這部分數據。到了第二層，仿真合成數據的意義會稍微弱一些，但依然有價值，它能幫助大家快速拿到測試結果、實現模型收斂。

數據工廠的核心是聚焦真機數據，主要服務于數據金字塔的第二層和第三層。核心原因是，很多非平穩振動相關的場景，仿真擬合是不準確的，這時就需要真機數據來補位。所以說，仿真合成數據和數據工廠這兩套方案都有存在的意義，只是解決的問題不同：前者更多是為了支撐基礎模型的訓練，后者則是服務于后期的模仿學習等場景。要是想讓數字人或者人形機器人的動作更像真人，往往還是需要在數據工廠里采集真人的動作數據。先拿真人內容做動畫，再讓數字人去模擬擬合，才能得到核心數據。所以現在動捕數據采集依然有很大的市場空間，這些工作也都是有實際意義的。

對于技術落地，行業里有不同的思路：有人堅信一個大模型就能解決所有問題，也有人覺得可以通過模仿學習來推進落地。而數據工廠，就是后一種思路下的解決方案。這些不同的技術路線其實都有其合理性，最終能走多遠，關鍵要看我們什么時候能探索到基礎模型的能力上限。

現在行業里的核心困境就是缺少優質的基礎模型，而好的基礎模型又離不開海量數據的支撐。仿真合成數據和人類視頻數據能不能在這個環節發揮作用？我可以負責任地說，完全可以。至于能走多遠，說實話，現在只能走一步看一步。因為訓練基礎模型的過程中，模型架構可能需要不斷調整，數據配比也會持續優化，數據質量同樣在逐步提升。目前，這項技術還遠遠沒到能滿足規模化應用需求的狀態。

3 硬核拆解：機器人當下的多種落地難題

Q：當前的硬件如靈巧手、關節驅動、傳感器等，在哪些方面最能滿足機器人的技術需求？又在哪些方面構成了發展的主要制約？

李元慶：我分享幾個觀點，可能和大家平時聽到的不太一樣。首先，我認為球形關節是明確需要重點發展的方向；其次，耐磨材料、抗蠕變材料的研發也亟待突破；還有一個關鍵點，是非永磁體的高密度電機。大家可能更關注靈巧手、關節驅動和傳感器，我們可以拆解開來看。

先說說靈巧手，目前學術界主要有六種技術路徑，分別是腱繩傳動、連桿傳動、齒輪傳動、軟體驅動，還有傳統驅動結合 AI 增強的混合方案。再說到關節驅動，現在行業里的普遍做法是用多個電機去模擬球形關節的功能，比如手腕部位經常需要用三個電機來替代一個球形關節，以此實現類似人類手腕的靈活度。傳感器目前存在的核心問題是噪聲、蠕變和熱穩定性，在受熱之后，傳感器會出現各種不穩定的反應，這些都是機器人領域需要攻克的技術難題。

球形關節的優勢很明顯，用一個球形關節就能替代過去的三個電機，既能讓機器人實現輕量化，還能大幅縮小整機尺寸，理論上也能顯著降低成本。抗蠕變材料則是腱繩控制技術路線里的剛需，像 Optimus Gen 3 就采用了腱繩傳動的方案，這類技術路線對抗蠕變材料的性能要求很高，而目前相關材料的發展還需要時間。

非永磁體的高密度電機的核心痛點是電機發熱和熱衰減，在今年的機器人馬拉松大會，現場很多機器人都需要頻繁噴霧降溫。傳統永磁體電機存在一個致命問題，磁鐵在高溫環境下磁性會減弱。這類電機的轉子帶有磁鐵，一旦溫度超過 70 度，就會出現明顯的熱衰減，磁性下降直接導致扭矩傳導失效，電機就會 “沒力氣”。現在行業里也在探索一些新的技術路線，如軸向磁通電機、中向磁通電機，但這類電機的發展同樣受制于幾個核心指標：高能量密度、小尺寸，這些都是目前亟待突破的瓶頸。

回到傳感器，我接觸過很多傳感器相關的研發。現狀是，能達到精度要求的傳感器已經有了，但成本降不下來，產量也沒能實現規模化爬坡，還需要一段時間去完善。而且傳感器還得面對電機發熱帶來的熱干擾問題，這也是一個繞不開的挑戰。總的來說，我對這個領域的思考主要集中在新材料研發和新型關節技術突破這幾個維度。另外說到靈巧手，我個人更看好三指靈巧手的方案，像 SharpaWave、Wuji Hand 這些產品。還有一個很有意思的現象，不少手機廠商也在布局相關領域，但大家都面臨同一個難題：小尺寸、高能量密度的產品，必然會伴隨電機發熱嚴重的問題。

Q：這些算得上是行業內的難題嗎？現在優化的難度高嗎？

李元慶：這幾個方向目前都是行業難題。首先是材料和結構層面，現在既沒有性能出色的耐磨材料、抗蠕變材料，也沒有能提供足夠扭矩的球形關節。就拿抗蠕變材料來說，現在大家嘗試過鎢絲繩、聚乙烯和一些復合新材料，但都存在明顯短板，鎢絲繩的成本太高，一米就要 100 塊錢；聚乙烯雖然便宜，可反復牽拉之后很容易被拉長變形，所以這部分還需要在材料選型和結構設計上做更多創新。不過，高密度高能量電機領域已經有了突破，軸向磁通的電機慢慢成熟了，正在逐步爬坡。傳感器方面，精度和成本和產量正在逐年提升。總的來說，這些難題都在逐步推進解決的過程中。

Q：目前為止，制約具身智能大規模落地應用難題還有哪些？

李元慶：首先是成本問題，這是個特別大的阻礙。現在很多技術其實已經越來越穩定可靠了，但核心部件的價格居高不下，比如一臺高性能的工控電腦要幾萬塊，一款優質的靈巧手基本也要上萬、甚至三到五萬的都有。成本降不下來，就沒有場景愿意去接受和應用。第二個問題，是場景化的產品定義不清晰，這是個系統性的問題。就拿工廠場景來說，人形機器人的投入產出比、執行速度、精度以及最終的工作效率，都還沒有算過賬，很難體現出優勢。現在市面上有一些陪伴類的玩具機器人，算是一種產品方向，但這類產品同樣存在成本偏高的問題，沒能給用戶建立起清晰的產品價值感知。

還有一點，軟硬件技術路徑的結合沒有完全收斂，不過現在已經慢慢能看到一些成果了。另外，模型架構和數據的飛輪迭代設計也沒有做好整合， 有人在單獨解決數據問題，有人在單獨攻克模型問題，但大家既沒有明確到底該用什么樣的數據，也沒有確定哪種模型架構是最優的。這又會引發供應鏈的問題，技術路線不清晰的情況下，供應鏈根本沒辦法做針對性的配套。比如電機，有人需要小尺寸的，有人需要大扭矩的，有人追求高能量密度，有人看重高性價比，需求五花八門，供應鏈很難去適配。

最后，產品完整生命周期的市場和運維體系沒有建立起來。現在用戶對機器人的價值感知本就模糊，既覺得機器人價格昂貴，又不知道買回去能具體做什么。就算買回去了，機器人還容易出故障，后續也沒有完善的維修服務。這些都是制約機器人大規模落地的典型問題。

4 把家庭當工廠，打造“多機異構”功能性產品？

Q：面對這樣的機遇與挑戰，您們在接下來這一年的戰略重點和核心發力方向是什么？

李元慶：我們團隊現在的發展勢頭不錯，雖說還沒到最頭部的位置，但絕對是賽道里即將沖出來的一匹黑馬。我們的核心方向可以舉個例子來理解，假如你跟家里的機器人保姆說 “幫我拿一杯水過來”，它可能會追問你 “水放在哪兒？這里有可樂、雪碧、芬達，你想喝哪一個？要放到你常用的位置嗎？要不要倒進杯子里？”，本質上是因為家庭環境的信息化程度不夠。理想的狀態是，機器人第一天可能需要問這些問題，但第二天就該記住。比如知道你是病人，會在固定時間提醒你吃藥、遞藥，知道你喝水的習慣并主動提醒。這些功能的實現，都離不開家庭信息化的構建。

我們的思路是，把每個家庭都當成工廠來對待。這是一個倒推的邏輯：以前工廠實現智能化的前提，都是先完成信息化、再推進自動化，最后才是智能化。我們要做的是，先用先進的空間感知技術，分層、分段地搭建家庭的信息化體系，再結合成熟的自動化控制理論，把操作控制和導航技術整合進去，實現家庭場景的信息化和自動化。之后，再通過友好的人機交互接口來過渡到智能化。在機器人還不夠智能的階段，我們可以通過和它對話、給它投喂更多數據，讓它逐步優化；同時借助情感交互的設計，讓用戶對機器人的 “不完美” 更有容忍度。

最終的目標是，打造一款面向家庭用戶的功能性產品，這是我們接下來的核心發力點。我們判斷，這個時代下具身智能領域最該抓住的就是兩件事：落地和數據。只有做出真正的產品，才能實現技術落地，同時把數據低成本地回收、形成閉環。

Q：具身智能的未來，會是一個“通用智能體”統一天下，還是由大量“專用智能體”組成的生態系統？兩種路徑各自的支持邏輯是什么？

李元慶：說實話，這兩種觀點我其實都不太認同。先說說通用智能體統一天下這件事，現在 NLP 的 scaling law 上限大家其實已經看到了。在目前的技術架構下，模型存在兩個天然的本質問題 ：坍塌和遺忘。舉個坍塌的例子，語料里有錯誤信息，模型很容易就會混亂，不知道哪個才是正確的。再就是遺忘，模型可能擅長數學時，語文能力就變差了；擅長英語時，語文又會退步。目前來看，這種上限是很典型的，所以很難出現一個什么都精通的 “天才” 通用智能體，至少在當下的軟件架構里，這件事還存在很大問題。

專用智能體像以前的家電或者 IoT 設備，其實根本不需要所謂的 “智能”，比如掃地機器人，用狀態機或者簡單的環境模型就足夠了。我更傾向的未來形態，有點像《機器人總動員》里的場景：不是一個無所不能的通用智能體，而是多個機器人協作的模式，比如瓦力、伊娃和那些小機器人。每個機器人都有自己擅長的領域，能把一件事做到極致，同時又具備一定的泛化性和多余自由度的機械結構特性，還擁有一些基礎的智能，能夠和其他機器人配合完成高動態、復雜場景下的任務。

支撐這個觀點的邏輯，可以從自然和人類社會的規律來推論。從自然角度看，生態系統里從來不是只有某一種生物，而是有各種各樣的動植物，體型有大有小，功能各有不同，這樣才能構成穩定的生態。再看人類群體，有擅長力量的、擅長耐力的、擅長敏捷的，每個人的體型結構、肌肉分布都不一樣，擅長的事情也不同。就像一個辦公室里，不同工種的人思維邏輯、能力特長都有差異，就連 MBTI 人格都能分成 16 種。還有一個很有意思的推論角度：未來是靠一個人解決所有事，還是靠一群不同的人協作解決所有事？答案肯定是后者。我們做事的時候，往往都是找不同專長的人分工合作，才能完成更復雜的任務。

我相信多機異構技術路線才是具身智能未來的發展方向，核心就是多個不同類型的機器人協同工作。

5 “全球首款規模具身智能落地產品，在中國誕生”

Q：除了直接銷售機器人整機，具身智能未來的商業模式可能有哪些創新？

李元慶：其實現在已經能看到一些新的模式了，并且都已經在逐步落地且都形成了清晰的小閉環。

最典型的是 RAAS（Robot as a Service，機器人即服務），這種模式是把機器人硬件當成服務的一部分，按使用次數或者完成的任務量收費。比如在工廠場景，按機器人完成的工序次數計費；中央廚房里面，按穿串、加工食材的任務量收費；機器狗、無人機按送貨次數或者演出場次收費，這些都是很成熟的落地形式。

還有租賃模式，很多人會按天、按月或者按年租賃機器人。舉個例子，科研實驗室的機器人，周六日或者放假的時候基本閑置，但這段時間恰恰是商場需要機器人跳舞表演的高峰期，就可以通過租賃的方式盤活這些閑置設備，現在閑魚上其實已經能看到這類服務了。

另外還有一種模式，是軟件費加服務費的組合。不少公司會把機器人整機以極低的成本價出售，整機相當于 “低價入口”，核心利潤來自軟件授權和后續的服務費，通過 OTA 升級軟件包的方式持續收費。Tech 1x 就是這么做的，它以 2 萬美金的價格讓人形機器人進入家庭。雖然現階段機器人的智能化還不夠完善，但可以先讓用戶建立產品感知，同時借助低價勞動力遠程操控機器人完成家務。更重要的是，還能通過這種方式回收家庭場景的數據，用于模型訓練，相當于用低價換取市場和數據，形成商業閉環。

Q：2026 年，全球具身智能公司的競爭情況將如何變化？中國公司與國際巨頭各自的優勢和賽點分別會在哪里？

李元慶：首先可以參考兩個行業共識：山姆·奧特曼（Sam Altman）認為 AI 的決定性因素按優先級排序是人才、場景、數據、算力、模型；黃仁勛則提出人工智能 “五層蛋糕理論”，包括能源、芯片、基礎設施建設、模型和應用。結合這些維度來看，全球競爭的格局其實很清晰。國際巨頭的優勢很突出，在算力、芯片以及模型的軟件算法研究上比中國有一定領先，能虹吸全球人才、人才密度更高，初創公司的融資規模和金額也比國內大很多倍。

而中國的優勢則集中在能源、硬件制造和市場活力上。更核心的是，中國是世界上最強大的 “建造者”，擁有極強的落地和工程能力，制造業鏈條完備，能快速把技術轉化為產品，這是我們長期以來的核心競爭力。

2026 年的競爭中，雙方的賽點各有側重。對中國公司來說，核心賽點在于產品落地與數據閉環。模型的優化離不開數據，而產品是最快拿到大量真實且低成本數據的方式，不是靠花錢買數據，而是讓產品走進用戶場景，通過實際使用沉淀數據，再反哺模型迭代。雖然目前中國在資金鏈條和人才密度上不如北美，但我們的傳統優勢就是先讓產品落地、搶占場景、實現數據回流。就像互聯網時代那樣，正是因為有了成熟的落地場景、數據閉環和現金流，才能吸引海外人才回流。所以早期階段，盡快推動產品和場景落地是關鍵。

到了后期，中國的優勢會更明顯：我們的基礎設施建設和能源建設在全球都是獨一份的強。當下這個階段，除了加速落地，還要盡量減少人才流失和資源錯配，集中力量推進。我相信，世界上第一款能大面積鋪開的具身智能落地產品，很可能會在中國出現。

Q：對于投身于具身智能領域的創業者和年輕科研人員，您會給他們什么建議，以在這個快速變化且資源密集的領域中找到自己的立足之地？

李元慶：我想先說一句話：快速變化的時代永遠都是好事。這個時代雖然充滿了風險，但更多的是機會，這是我的真實感受。現在整個具身智能賽道正處在蓬勃發展的成長期，不管是產品定義、用戶感知的構建，還是軟硬件技術路徑、模型架構與數據飛輪的迭代設計，目前都還沒有明確的答案。技術路線不清晰，供應鏈自然也很難配套部署。同時，產品完整生命周期的市場和運維體系也還沒搭建起來。這些復雜的系統問題，既帶來了很多風險，也蘊藏著大量的機會。

所以如果有人想加入具身智能領域創業或者從事相關的工作、科研，現在絕對是最好的時機，這是一個能夠改變未來的賽道。而且現在大家基本都還在同一條起跑線上，彼此的差距并沒有拉開太多。我想給的建議就是，找到自己真正熱愛的方向，大膽去嘗試，用極高的執行速度快速迭代。分享一句強化學習里大家常用的策略：test early，fail fast，learn faster（盡早測試、快速試錯、更快學習）。在充滿不確定性的賽道里，這樣做往往能找到最優解，至少也是局部最優解。

總而言之，大膽嘗試、快速執行，哪怕失敗也沒關系，關鍵是要基于失敗的經驗快速調整。這個領域里，處處都是機會。