當我們想喝可樂的時候，在極長的時間都只有兩個選擇：百事可樂和可口可樂。當我們選擇手機的時候，有 90%的概率在蘋果和華米 OV 等品牌里輾轉。當我們買運動服飾的時候，第一時間想到的，大概率是 Nike、Adidas。
但世界之所以繽紛多彩，是因為在這些巨頭之外，有一些不遵從傳統，力求創造不同，注重設計和功能，著眼於明日的公司存在。
它們有著非主流的商業模式，設計、技術與產品能提供獨特的用戶價值，和足夠的社交談資。重點是，它們沒有大公司的包袱，敢於不顧一切的進步。它們，是「多樣性公司」。
多樣性，是開放世界的關鍵。相信，只有真正關注和理解多樣性公司才能比更多人更早地看見未來。在同名欄目中，將以專訪的形式，與你一同見證這些多樣性公司，如何重塑未來，定義新常態。
▲ 星塵智能創始人兼 CEO 來傑
本文為「多樣性公司」欄目的第 15 篇。
即便現在具身智能
創業企業像繁星一樣眾多，但星塵智能也是足夠特別的那家，這家位於深圳的具身智能企業在機器人本體技術路線上選擇了「繩驅」，在整體技術上形成了「以繩驅機器人本體，具身作業系統 AOS 和具身模型的三位一體 」架構。
「繩驅」的獨特意義在於機器人通過高強度的繩索來傳遞動力，將電機等較重的驅動部件從關節處轉移並放置在機器人基座中，從而實現末端執行器手臂的重量化，並帶來低摩擦與高力控透明度的優勢。
星塵智能的 AOS 作業系統把機器人的感知、移動、操作和交互等複雜能力封裝成技能模組包，與 GPT 6 等前沿大模型和 Agent 適配，開發者可以以自然語言編程，通過大模型和 Agent 能力來在 AOS 上為機器人開發應用，賦予機器人寫書法，相機跟拍，鏟貓屎，打麻將等等實際應用能力。
星塵智能創始人兼 CEO 來傑此前是騰訊 Robotics X 機器人實驗室 1 號員工，同時也是蘋果粉絲，他希望星塵智能的「機器人，模型和系統三位一體架構」能夠和蘋果的「iPhone 硬體，iOS 系統和 Apple Store 應用生態」一樣，形成完整的生態體系，進而實現自己和公司的願景：讓數十億人擁有 AI 機器人助理。他們希望人類和機器人共存，共創和共贏，旗幟鮮明地反對機器人進廠打工，這大概是一種雙重含義的「人文主義」，既不希望機器人取代人類，也不希望機器人困於封閉的車間。
我們與星塵智能創始人兼 CEO 來傑聊了聊，為什麼機器人需要一個作業系統，為什麼要把機器人應用開發的門檻降到無限低，以及為什麼不想讓機器人進廠打工。
給智能以身體，還是給身體以智能？
Q1：2022 年底，您選擇離開大廠創立星塵智能，當時 ChatGPT 剛發布沒幾天，絕大多數人還沒意識到 AI 浪潮的來臨。是什麼讓您在那個時間點判斷，機器人行業已經到了值得創業的階段？
A：其實我開始琢磨創業這個事，應該 22 年的上半年就開始了。
出來創業的前置技術預判，還要更早，主要是看到了 Transformer 技術原理的潛力，不是說因為看到了 ChatGPT 才突然決定創業的。
Transformer 在當時還有一個特點，就是從語言往多模態進化了，我們當時發現，如果 Token 設計得比較合理，所有的模態都可以在某一個空間去對齊，這和我之前在騰訊 Robotics X 機器人實驗室做的機器人當中的數據驅動里是一個關鍵步驟。
既然要數據驅動，那就把所有數據對齊到某一個空間去，所以更早是看到了這些技術趨勢，才決定出來創業的。
Q2：人類的身體和大腦是在漫長的進化過程中共同演變的，我們的手、眼睛、肌肉和神經系統，實際上都在相互適應。星塵智能提出了 DFAI（Design for AI）的理念，強調為 AI 重新設計機器人的身體。那麼在您看來，今天機器人行業是不是面臨一個問題：機器人行業總是在考慮給機器人裝進去 AI 的能力，卻很少思考什麼樣的身體才真正適合 AI 學習？這是不是一種路線上的差異？
A：這其實是根本上的差異，第一性原理上的差異。
有一個點是我們一直在思考的，比如說手，人長成五指，老鷹長成前二後二的四指，為什麼會這樣？最大的原因是人和老鷹抓取的東西不一樣。
抓什麼東西又是誰來決定的？是腦子來決定的，也就是說智力決定了身體的構形長相，而不是說身體的構形長相決定了智力。當然其中有一些相輔相成的共同進化，老鷹也進化不出人類的智力出來。
《智能簡史》裡面有提到，人類智能最大一個進化的物理節點，是人的對生拇指的出現，就是拇指自由度的變化。有了這個變化，人類才能適應多種工具，更好地發揮人類智能的潛力。
所以說，我們一直所尋找的角色，就是我們和智能之間的關係，我們設計機器人一定是要幫助它真正地成長，它的所有成長又可以被我們的機器人所消化掉，我們找的，就是這個循環關係。
星塵智能的 logo，有兩顆星在循環，我們會認為整個行業乃至整個人類的發展，實際上都會有兩個東西在相互促進，電腦的發展就是軟體不斷消化 CPU 和 GPU 算力，算力又不斷進化，然後繼續被消化，形成相互的價值循環和傳導，行業就能快速發展起來。
機器人和 AI 在社會變化層面看，本質上是智能的平權，智能如何進化，如何工作，會形成循環，這個循環里最大的突破點其實在物理世界，我們已經在虛擬世界投入了對智能的巨大熱點，進入到物理世界，機器人開始自主地在這個環境中學習，那麼真正的智能才會出現。
Q3：如果我們把今天的人形機器人類比成一個正在成長的孩子，它可能已經學會了走路、跑步，甚至跳舞，有些領域甚至比普通人做得還好，但距離真正幫助家人做家務，還有很長的距離。星塵智能從一開始就非常重視雙臂協同、精細操作和與環境接觸的能力。為什麼會選擇這條路線？在您看來，機器人從「會動」發展到真正「會幹活」，最大的技術鴻溝是什麼？
A：這也是跟我們的理念相關，我們機器人身體的每一處設計都是看 AI 能不能掌握它，如果我們認為身體設計得很好，但是 AI 掌握不了，就像我們當時的 Astribot S1 那樣，有超高速度和超強負載，人去操控的話，危險係數有點高，當時的 AI 能力也駕馭不好，所以現在就會覺得身體和 AI 沒有真正匹配起來。
整個機器人行業的發展中，像是宇樹等企業，已經證明了機器人的身體能力可以做到足夠強的，再往下的問題就是如何提升智力。
現在 AI 這一波更多是智力革命，而不是說機器人革命。
智力革命意味著可以更好的把機器人當成一個工具，或者一個實踐方式，去學習 AI 的智力，應用 AI 的智力。
所以我們一直說我們設計的機器人，大模型的數據採集者，也是大模型的應用終端，這是我們對於星塵智能機器人的定位。
難點和卡點在哪裡？
我覺得有兩塊，第一塊現在被解決了，這個問題在於之前大語言模型偏向於邏輯，因為語言的語料更多。後面原生大模型不把 LLM（大語言模型）和 ViT（Vision Transformer）模型分家，直接就是一起訓練，這是很大的突破。機器人有了原生多模型能力之後，對於物理環境的抽象理解能力會有巨大的提升。
但是具象的理解能力還是缺失的，因為機器人首先缺這塊的數據，現在網際網路上的數據，還是數據採集的數據，都沒有尺寸的概念，也缺少空間的意識，只有畫面的意識。
缺少這層認知之後，機器人的智能會被卡住，解決方案只能是通過機器人給到完整的，偏向於空間的具象資訊，所以這是我們非常好的機器，我們的機器人給大模型提供這些資訊，大模型也會有更好的智力提升，智力提升之後會反哺機器人更好的工作。
這個飛輪今年已經開始出現了，GPT 也開始訓練 EGO（第一人稱視角）數據，機器人數據了。
Q4：給機器人裝 AI 能力，還是圍繞 AI 去設計機器人？有沒有說哪個案例是證明後者比前者有一個先天優勢？或者說只有後者能做到，但是前者就是做不到。
A：這裡有一些我們客戶的案例能說明問題，但是很多人未必 get 到了。
比如最近有家網際網路企業參加行業會議的時候，放了我們的機器人做展示，我就刷到小紅書還有一些平台上有用戶評價，這個機器人人味兒很足。
為什麼人味兒很足？因為我們的機器人在最開始的時候，包括關節設計，速度設計完全參考人體的比例，當時的目的是因為我們有了合適的比例，未來我們可以直接用人類的數據，這樣遷移的 gap 是最小的。我們在騰訊 Robotics X 機器人實驗室的時候，用調酒師的數據訓練過 KUKA，UR 等機器人，最後我們單獨買了一台 ABB 的工業機械臂，不是因為它的工業可靠性，而是因為它的結構和人有點像，自由度和人一樣，關節和人非常接近，所以就發現，在這個 ABB 工業機械臂上訓練出來的模型效果更好。
為什麼我們要挑戰這種仿人，然後用繩驅去實現，是因為我們預知到最後結果是，當有大規模的人類數據之後，我們的機器人的人感是最強的。
這種人感並不是說它的軌跡像人，而是真正的行為像人，行為像人就包括它的智力對於一些事情的規劃，也包括它最後的動作實現。
機器人有人感，本質上是它有類似於人的結構和想像力
Q5：星塵智能的繩驅技術讓我聯想到人類的肌肉和肌腱：肌肉負責產生力量，肌腱負責將力量傳遞到骨骼結構，從而帶動關節運動。星塵的繩驅是不是也可以這樣理解——通過繩索傳遞驅動力，讓機器人擁有更輕巧、更柔順的關節？相比傳統的電機、減速器傳動，這套結構最大的優勢是什麼？它是否也存在一些類似人類肌腱損傷、疲勞或者需要持續調節張力的問題？
A：其實我們最早設計繩驅方案的時候，還沒有考慮到跟肌肉肌腱的對應關係，我們當時只是為了找一個力透明度最好的方案。
什麼是力透明度呢？就比如說人和人握手，你會感覺你和對方的動作是伴隨的，和諧的，但是人跟機器人握手，就不是你在掰它，就是它在掰你，中間沒有隨動感。
不只是握手這個動作，比如現在很多機器人夾住咖啡杯放下，都是判斷咖啡杯快接近桌面的時候鬆手，然後啪的一下，咖啡杯落在桌子上。人不會這樣，人會在感覺到桌子接觸並支撐了杯子的時候才鬆手。
這裡面的問題就在於很多機器人的電機結構沒法感受到末端力的變化，所以只能讓杯子接近桌子的時候讓它落下。
我們做繩驅是想找一種傳動機構，使這個力的傳遞過程更透明，在裡面學到更深的智能關係，並不是靠絕對的位置關係來判斷放多高鬆手杯子不會倒，這個不是智能。智能是感覺到杯子被桌子支撐了，手上不用出太多力了，可以鬆手了，這個才叫智能。
這是繩驅的本質。
然後在研發的過程中，就會發現繩驅在力透明度高這個好處之外，它還和人的構形很像，使得它的整個結構不用把電機放在關節，放在手腕這些地方，它沒有了這個約束，就可以把電機放在小臂當中，通過繩來傳導，通過「肌腱」傳導到關節。
2024 年我們做繩驅國產化的時候，發現了一個更大的驚喜，就是全球大概 70% 的繩驅源頭供應商都在中國，當時發現成本非常低，如果拿諧波減速器比較的話，我們全身到下所有的繩，它其實部分取代了諧波的這個減速的作用， 20 多個關節加起來才是剛性機器人 1 個諧波減速器的價格。，我們的成本可以快速地往下打。
這就是繩驅的優勢點，力透明度高，構形好，並且成本還非常低。
最開始的時候，我們也有擔心繩驅的強度耐久問題，一開始的話，質量體系建設就比較強，供應商的樣品在我們這裡要經過 2500 萬次的彎折，相當於在使用負載在彎胳膊彎 2500 萬次，一天 24 小時連續運動 6 年時間，評估最後的偏差值。
Q6：如果基礎大模型越來越強，是否終究會吞噬具身智能公司的價值？
A：不會。
星塵智能機器人的架構我們叫「三位一體」，除了機器人本體之外，作業系統 AOS 是一塊，另一塊就是具身模型。
這裡面有兩個問題，一是具身模型和 GPT6 的關係，二是 AOS 和 GPT 6 的關係。
2023 年的時候，別人問我為什麼要訓練模型，這個模型要做什麼？我當時有個比喻，我說具身模型這一塊，我要做的是一個能聽懂人話的猴子，能聽懂人話，就證明它有語言接口，但更多偏向於自己在物理世界的物理反應上面。
更貼近於人的解釋是，比如我不會做飯，但我又想做，怎麼辦？我就給我媽打影片電話，我媽在影片裡開始指導，說先在熱鍋里放點油，但她不用說特別細，不用說哪瓶油。如果我有疑問，我再來問她是哪一瓶是油。
意思就是，我和我媽的交互是補充上下文知識，但是放油這個動作，我本身要學會，因為我媽在電話那頭沒法給我放油。
所以說，我們的具身模型要做什麼？它一定要有自己的落下，要把現實的狀態反饋為自然語言的方式，去和基礎大模型提問，去和 GPT 6 提問。它自己也要在物理的環境中感知物理的參數，物理參數的話包括重量、捏的力度、有沒有抓穩之類的這些東西。
所以說，我不太認可是不是 GPT 這樣的基礎大模型越來越強之後，把什麼觸覺的資訊也訓到那邊去，不是說做不到，而是成本不合適，並且通訊的頻寬也會有問題。更適合的模式是我們的具身模型抓完瓶子之後，會問 GPT 6，說我捏不住有點不穩該怎麼辦，GPT 再給它方案。
我們不是要把整個的這個智能世界分層，而是有點像智能體化。
智能體化的話就有點像螞蟻，每一個智能體能力未必強，但是湊一起的話就會很強大，我們也一直強調，不是要把任務交給 GPT 去做，只做下面的接口，做被動的事情。
Q7： 現在具身智能行業越來越重視世界模型。世界模型是不是有點像人類的「想像力」：比如我們準備倒一杯水時，腦海中可能已經大概預判了水會怎樣流動、傾倒角度怎麼影響水流速度，杯子什麼時候會滿，因此不需要每一步都經過精確計算。星塵智能的 Lumo-2 具身模型也具備了隱式世界動態預測能力，Lumo-2 解決了什麼樣子的問題？隱式是什麼意思？它和人類的想像力有什麼異同？
A：Lumo-2 的預測能力，和人類的想像力非常接近，但是中間有一個世界模型發揮的點。
人在做一個動作的時候，一直想的是，我預期有一個目標，然後做的是跟我目標之間誤差的修正。
VLA（視覺語言動作）大模型是什麼？它其實沒有目標，只是把動作進行重新的復現，所以它對誤差不敏感，有了世界模型之後，機器人只要預測該怎麼做，中間執行過程中的差異都可以想辦法去糾正。
既然已經產生了誤差，目標是糾正它，那這不是最適合強化學習做的事嗎？
VLA 模型的模仿能力，現在加上世界模型和強化學習，我們搭建好試錯和糾錯的閉環，具身智能的結構就是完整的了。
這個隱式世界動態預測能力當中的隱式是什麼意思呢？就是說世界模型是物理世界的一個重建，重建完了之後，為了表現出來，後面還有一大段是渲染，無論是渲染成影片，還是渲染成圖片，都是為了讓人看懂。
我們發現，物理世界的重建是我們機器人需要的，最後的渲染不一定是機器人需要的。就像人在做夢的時候，夢境是模模糊糊的，但行為卻是透傳的。所以我們回憶做夢的時候，環境往往是模糊的，但是做了什麼很清楚。
類似的，我們說的隱式世界模型，就是說沒必要完全做給人看，機器人需要的關鍵是要從中去找著跟自己的動作相關的預測跟偏差。
現在的星塵智能機器人還沒到 iPhone 4 那種水平，但很快就到了
Q8：為什麼機器人需要自己的作業系統？我們怎麼去定義 AOS，它面向的是怎麼樣的一個受眾？
A：我們開始創業的時候，還沒有具身智能這個概念，但是具身智能的發展，我覺得必須要出現 Macintosh 這樣的產品，當時我認為，我們要在行業發展過程中尋找 2 個東西，第一個就是對應於電腦的圖形交互界面，對於機器人來說，除了正常的命令操作圖形之外，能調用智能能力 AI 能力的地方， 會形成一個新的交互界面。
所以我們的 AOS 里有一層就是去和基礎大模型，還有我們自己的具身模型進行接口性的規劃。
AOS 不只是想到了開發者，而是想把開發門檻降低到普通人，現在很多人開始用自然語言去生成 PPT，影片乃至應用，那麼為什麼不可以讓普通人用 AI 給我們的機器人生成相關的能力和動作，這就是我們的目標，想要什麼，只要跟它說一些提示詞，讓機器人自己去編譯生成，把使用門檻和開發門檻降低到所有人都行。
所以，我們的 AOS 不只要讓程式設計師看懂，也要讓普通人看懂，當然，也要讓 GPT 看懂。
Q9：星塵智能很喜歡用蘋果的「硬體，系統和應用生態」來類比自己的「三位一體」，如果用蘋果的產品史類比的話，星塵智能的目前的 S1 機器人，T1 機器人，還有 AOS 作業系統，大概相當於蘋果的哪個階段，有沒有一些對應關係？蘋果的硬體，尤其是作業系統有很清晰的技術傳承脈絡，比如 iOS 可以認為是移動簡易版的 macOS，都是基於 UNIX 的圖形交互系統，而 macOS 又源於更早賈伯斯做的 NeXTSTEP 系統。
A：這個觀察太對了，實際上我一直所把控的，在公司層面，就是傳承，就是裡面有哪些東西是統一化的？
關於和蘋果軟硬體系統的對應關係，我們也有過仔細的思考，我是把蘋果的兩次發展背景環境做了一定的篩選，我們發現它的路徑和做法是有相似性的。
在 iPhone 誕生的時期，網際網路基礎設施是完整的，所以 iPhone 可以爆發，但是在 Macintosh 誕生的時候，沒有網際網路，所以它更多是一個硬體終端。
但是要說我們現在是個什麼程度，那恐怕要讓你失望了。
S1 的話，對應電腦階段，最多對應到 Apple I，就賣了 300 來台的那個東西，蘋果是從 Apple II 開始賣火的，Apple II 對應的是我們的 T1，但還沒有進入到 Macintosh，就是它還沒有屬於自己的完整圖形交互界面。
對應手機的話，S1 和 iPhone 初代也是有點像，iPhone 初代顛覆了鍵盤手機，系統具有開創性但並不完善，續航也不好，本身的不足和面臨的質疑非常多。
但你說 T1 對應 iPhone 4，我覺得有點勉強，因為 iPhone 4 大家公認非常 OK 了。
不過有一點就是，這個行業發展的速度連我們行業內的人，都沒預期到會這麼快，反而是說，Macintosh 啊，iPhone 4 啊這樣的爆款機器人產品，就會在明年出現。
▲ 星塵智能的機器人正在商場賣貨
Q10：具身智能可能第一次讓機器大規模參與普通人的體力勞動。您曾經提到，希望未來數十億人都能擁有 AI 機器人助理。但家庭是一個高度複雜、充滿意外的環境，如果把今天的機器人看成一個剛剛開始學習世界的孩子，那麼它究竟需要成長到什麼程度，才能真正獨立進入我們的家庭？如果有一天這個願景實現了，您最希望機器人幫助人類擺脫什麼，又最不希望它改變人類生活中的什麼？
A：先回答第一個問題，按照現在的技術發展，可能比我們想像的近很多，我認為很有可能明年機器人就會進入家庭。
進入家庭的關鍵因素，從商業上來看，就是成本因素和功能因素，中間有個對等的關係，如果機器人成本足夠低，那功能就不會強，但是如果功能不夠強，進入家庭能夠做什麼呢？我覺得不只是幫忙拿拿東西這些，肯定還要有一些情緒價值，情緒價值還是能賣錢的。
我希望它有一個什麽都可以做硬體平台，然後有一個什麽都能做的可發展作業系統，我們會給它開發一些客戶所需要的基本東西，就像你買了 iPhone，上面肯定有電話簡訊相機功能，後面我們要留給足夠的空間給開發者，在相機之上還可以開發美顏相機，都是藉助基礎硬體能力，還有作業系統的開發接口。
用戶在買到機器人之後，就像剛開始使用智慧型手機那樣，每周都會下幾個 App 去嘗試下新功能，直到用戶通過這一堆的 App 發現，誒，這個機器人好像什麼都能幹，有一個摸索和演化的過程，而不是說機器人弄到家裡面就是個什麼都會的保姆。
第二個問題，就是我一直說的，我不想讓我們的機器人進場打螺絲。我認為，機器人最大的優勢，是它的專業性是不可能封閉在一個領域。比如說現在的大模型，它可以是很好的工作助理，也是很好的搜尋引擎，醫學的，管理的，歷史的，科學的都可以問，問什麽都知道，它的優勢在於知識的廣泛性。
機器人也是類似，進入到家庭，它的角色不一定是一個有強迫症的保姆，可以是一個有設計師思維的收納師，它做家務前可以問你，家居環境要收拾成什麼風格，一絲不苟的，還是隨性愜意的？
它會十國語言，可以教小朋友外語，給小朋友講故事。
人累了，它也可以代替人去遛狗；做飯前可以給膳食營養建議等等等。
我們不會說現在的電腦就只能用 Word，Excel 和 PPT 三件套，現在人們用電腦這一種硬體，但上面有無數的軟體遊戲。這就是我為什麼說機器人只進廠打螺絲太窄了。
還有一點，機器人進場打螺絲，token 費老闆們都未必願意交，要我的話肯定不願意，我希望打螺絲的是固定化程序，每天 24 小時一直轉就行，別打一個螺絲收我一份 token 費。
所以說，進廠打螺絲不是我們期待的方向。
