波峰对话｜专访星源智刘东：具身智能应吸取智驾的“教训”

研究员｜邱慧

具身智能最该从智驾圈学什么？

是教训。这则判断来自具身智能企业星源智创始人刘东。

这位毕业于中国科学院大学的智驾“老将”，2024年停下在京东无人驾驶业务的研发工作，将目光转向具身智能。他随后加入北京智源人工智能研究院，参与“通用具身大脑”RoboBrain系列的研发。

去年8月，由北京智源研究院孵化、刘东担任CEO的星源智成立。

刘东把星源智的业务模式类比智驾行业的“华为”，不局限于制造某一种机器人本体，而是为不同形态的机器人提供统一智能能力。

此前，在一场公开发言中，他直指VLA技术路线在长时任务、跨场景泛化能力等方面还待突破的问题。这番被概括为“VLA已死”的言论，也引发多方讨论。

7月，我们在星源智北京的办公室里，见到了刘东以及星源智联创孙振国。前者在公司负责具体战略与业务方向的制定，后者主导世界模型的研发。

提及那番引发争议的观点，刘东说，星源智的核心判断并非否定VLA，而是推动VLA与世界模型在同一决策闭环中融合。在他看来，单纯依赖大规模数据扩展VLA，可能导致模型规模和部署成本的上升，在学术与产业层面，还需要寻找更高效的模型结构范式。

长期研究强化学习的孙振国更看好世界模型融合VLA的路线，通过类似VLA的模型架构生成动作候选，再由世界模型对动作后果进行预演和验证，让两者与action强融合，“这比单纯的VLA或单纯的世界模型更有前景。”

谈及从智驾到具身智能领域，刘东的跨界感悟是，“不要一上来就瞄着做一个伟大的方案，解决所有终局问题。”目前不管智驾还是具身，走渐进式路线，在特定场景里逐步提升性能，才是最好的方向。

以下为第四波与刘东&孙振国的对话。

01 拒绝盲目堆时长的数据范式

第四波：VLA和世界模型两种技术路线的声音，此消彼长，如何理解这两者的关系？星源智的ω-EVA和其他世界模型，区别在哪儿？

孙振国：我们不认为通用具身大脑需要在VLA和世界模型之间二选一。VLA擅长语义驱动的动作生成，但在真实物理世界中，长时任务、动作后果验证和闭环纠错仍有提升空间。ω-EVA突出具身交互式概念，即交互视觉模型，核心是“预演、验证和行动”。

部分世界模型方案更多停留在对未来状态的被动预测层面，预测结果没能充分反馈到动作生成。ω-EVA更关注的是，做完next state prediction后，怎么把预测信息真正用到影响动作决策的环节，形成完整的闭环。

第四波：业内普遍在谈数据体量，你们为什么在强调寻求场景数据？

刘东：就是要特定场景里，特定任务的数据收集。具身智能的数据问题首先不是规模，而是标准。

具身场景的数据很散。我们和市面上数据公司合作，他们提供的数据时长很长，什么都有，但真正聚焦某一类任务、能够反映真实交互因果的数据不够。

所以我们的路径是，先有一个预训练的基础模型，让所有数据进来；再基于要落地的具体场景，积累专项数据，让模型在某一品类里的能力更强。

第四波：特定场景，特定任务。那么，行业内让机器人在工厂里重复工作，采集百万小时甚至千万小时，这种数采价值在哪儿？

孙振国：单纯堆叠数据时长并不等同于有效。如果要采集到这个规模的数据量，才能把模型训练出来，说明现在的模型范式有很大优化空间。

以现阶段的算力和工程成本来看，可能支撑不了千万小时数据的算力体量。这无论对数据利用效率还是模型架构，都不是最优解。号称要采百万、千万小时的数据，没有任何理论支撑，只是在给模型找借口。

刘东：具身智能的数据竞争首先不是规模竞争，而是数据质量和标准的竞争。
未来通用具身模型的发展，关键在于先建立统一的数据采集、处理和交互语义标准，再在此基础上扩大规模。

标准的意义不是把数据“整理得更整齐”，而是让不同来源、不同本体、不同场景中的真实交互因果变得可比较、可学习、可复用。

第四波：你们怎么做？

孙振国：我们倾向于逐步积累高质量数据，同时提升小体量数据的利用效率。这个高质量是模型定义的高质量。一味追求绝对量，量越来越大的时候，筛选和管理就越来越难，数据最终会越来越不可控。

第四波：结合研发进展，高质量数据到什么体量，模型能力会迎来奇点？

孙振国：大家说100万或1000万小时，可能是基于video generation的判断。现在训视频生成模型大概就是千万小时量级。

对于具身领域，我相对乐观，如果找到好的数据和模型融合范式，数据和模型双向迭代，几十小时、最多上百小时的数据量规模就可以支撑做很多事情，后面的提升发生在真正场景中干活之后的逐步迭代。

02 未来每家公司都会有自己的市场

第四波：今年马拉松上，荣耀的机器人包揽前6，手机厂商后来居上了，这说明什么？

刘东：我们认为，将来车企、手机厂商、家电厂商都有可能进入机器人生产制造领域，将来市面上会有各种各样的本体，而跨本体适配、可持续进化的核心智大脑会更加稀缺。

我们瞄准“大脑”这件事，只要做好和不同本体的适配，“大脑”就能驱动机器人真正干活，具身落地就会快速到来。

孙振国：目前来看，机器人的同质化已经开始出现了。硬件质量开始稳定、整机成本开始下降，这可能是落地的转折点。

机器人如果走向统一，下游供应链也能更好整合。以往机器人一致性很低，模型在A上能跑，在B上就不work。具备量产形态后，品控、硬件标准化后，上层算法和软件才有实施空间，瞄准统一接口做适配，才能更好地隔离问题。

第四波：那大厂要是投入做“大脑”，岂不是有反超你们的可能？

刘东：这点我们不担心。我们更关注持续把产品和技术做好。大厂资源、产业协同能力强，我们在技术迭代和组织机制上更灵活，各有优势。而且这个市场足够大，远比汽车行业更大，每家公司都会有自己的市场。

第四波：今年机器人要规模化落地的前提是什么？

刘东：在一定的场景里真正能稳定干活，这一点非常重要。稳定性、效率、可靠性和可维护性都需要在真实场景中持续验证。现在，绝大部分具身智能企业的机器人，都没真正达到量产干活的状态。所以我们提出了具身落地三要素：效果，效率和成本。

第四波：稳定干活有量化标准吗？

刘东：比如和工业公司合作，做任务的效率是考核指标，不能比原有生产方式慢很多；第二是任务成功率；还有失败后的恢复能力。真正落地部署的时候，每家工厂都会关注这些问题，核心就是真正能带来多大的效能提升和成本优化。

第四波：你们怎么证明能给客户带来ROI改变？

刘东：人形机器人在场景里干活的ROI，目前行业都还在持续探索。但硬件成本在下降，机器人能力在提升，不久的将来可能会有这个结论。
另外，如果把我们的“大脑”装到传统自动化设备上，不管是AGV小车、叉车，还是分拣机器人，已经比原有算法有提升，硬件成本没有增加很多，这是算法能力提升带来的收益，比之前的方案好得多。

03 进家庭不是现阶段的重点

第四波：以目前机器人的发展水平来看，哪些场景不适合直接探索？

刘东：首先是机器人进家庭干所有家务、炒菜，这不是我们的重点。行业里很多初创公司目标是做这个方向的。但现在解决复杂人机交互、长时任务规划、安全性和泛化等一系列问题都非常难，别提进家庭了。我们觉得应该从尽量简单的形态先落地。

智能驾驶做了十几年，等它实现了L4/L5，也就基本解决了机器人所有空间移动问题；在这个问题没有100%解决前，真正落地还是要面向相对结构化的场景。

在Pick&Place这类抓放任务上，大家已经取得了挺大突破，但更复杂的任务，距离稳定、规模化作业还有距离。

第四波：你是觉得现阶段让机器人进家庭冒进了？

刘东：要分清楚进家庭干什么。如果是给扫地机器人加个简单机械臂捡垃圾，一点都不冒进，可能今天就应该做；如果机器人进家庭像保姆一样，又炒菜又叠衣服又照顾老人，这是极大的冒进。

孙振国：家庭可能是最后，也是最难解决的场景之一。家居场景是极度非结构化的，空间布局、物品状态和用户习惯差异很大。即便是人进入陌生家庭，也需要重新熟悉环境。所以，我不认为家庭是能快速解决的场景。

前期要做结构化场景，在相对结构化的场景里验证过、能解决特定问题了，才有可能进入非结构化场景。上来就进非结构化场景，感知、规划、控制、交互等问题会叠加在一起，反而难以准确定位和迭代。

第四波：你们的客户，包括智元在内，既是股东也是合作方，除此之外，其他客户为什么能给星源智买单？

刘东：只要提供好产品，他们自然愿意买单。从商业逻辑出发，他们的刚需是快速推出性能好的机器人抢占市场，而不是重复建设所有底层能力。整个机器人产业是靠供应链积累起来的，只要能提供足够好的产品，带来效率提升和成本降低，他们都会愿意成为客户。

编辑｜符永康