科创AI+| 具身智能主题专访：星工聚将陈牧：以“数字风洞”实现仿真偏差校准，探路具身智能工程化落地

建设社会主义现代化强国，关键在于科技自立自强。以科技金融支持创新创造，因地制宜发展新质生产力，加快建设现代化产业体系，是我国在"十五五"时期推动高质量发展、实现中国式现代化的核心战略部署。发展智能经济新形态，需要打通科技成果转化堵点、强化产业体系支撑、畅通金融赋能渠道，构建科技、产业、金融良性循环。在此背景下，《清华金融评论》推出《科创AI+》主题专栏，旨在深入阐释国家战略部署、汇聚权威观点、服务高质量发展大局，为政策完善与行业实践提供智力支持。

具身智能被视作人工智能的下一个浪潮，但真正进工厂、上产线、卡脖子的不是demo有多炫，而是仿真到现实的鸿沟有多深、产线节拍对不对得上、真实ROI算不算得过账。星工聚将的方法论叫“物理对齐”，不追求仿真无限逼近真实，而是在两者之间架一个可校正的中间层，让机器人学会判断“哪里不对”，再琢磨“怎样做对”。本期专栏围绕创业路径选择、仿真较准平台的工程逻辑、工厂入场门槛与赛道终局判断等议题，专访星工聚将CTO陈牧。

一

先有产线

再有机器人

Q：星工聚将从产线切入工业具身智能，走的是一条“先下车间再找投资”的路。这条路径怎么形成的？背后是什么样的创业逻辑？

陈牧：我们的逻辑是先有产线的需求，后有机器人。最早做的是产线物流分拣的AI产品，也就是AMR无人车扎进真实场景干活。后续客户的需求逐步显现，我们发现，光靠传统的机械臂或者人力已经无法满足，需要能移动、带智能的具身体去补位。

我认为，对于新兴工业具身智能公司，更易切入路径是拿着钉子找锤子，不是打好锤子再找钉子。这个顺序听着简单，但决定了后面所有产品定义和技术路线的方向。我们经常反复强调：“不追求最像人的机器人，追求最能帮客户赚钱的机器人”。更偏技术层面的补充是，产品定义不能来自PPT或demo，得来自落地场景。

二

数字风洞：架在仿真与

真实之间的校正层

Q：“物理对齐”是星工聚将技术路线的关键词。这个概念从哪来？“数字风洞”在工业落地具身智能中扮演什么角色？

陈牧：“物理对齐”这个概念，简单来说，就是让机器人的感知与决策真正与物理定律（ 重力、摩擦力、刚性、流体动力学 ）严丝合缝地锚定。在星工聚将的逻辑里，“物理对齐”不是复杂的公式，而是通过一套“物理基准平台”让机器人从理解物理规律的角度完成从“理解”到“做到”的本能进化：搭建简单场景收集物理信息，再把这些信息加持到仿真里，让仿真引擎更贴近真实，最终把试错成本压下来。

机器人领域有个老难题叫“仿真与现实的鸿沟”，即在电脑里跑得完美的动作，搬到真实机器人身上就出错。行业的惯常做法是不断把仿真做得更像真实世界，代价是计算成本指数级上升，且永远追不上现实的复杂度。所以我们转换思路，通过参考工程化的“风洞”方式来构建一系列关键物理场景，专门测量仿真动作和真实动作之间的偏差，拿这个偏差反向修正模型。也就是说，“我们不拼谁仿得更像，我们拼谁错得更少”。

随着系统对物理规律的理解加深，它对新增数据的依赖反而下降，训练成本从指数增长收敛成线性增长。而这套自研的“数字风洞”仿真校准平台内部叫SynTunnel，和航空风洞的逻辑一脉相承。

三

进厂的入场券：连续工位、

真实ROI与精度门槛

Q：传统机械臂和具身智能的本质区别在哪？工业机器人进工厂，该追求柔性还是刚性？

陈牧：预编程写死的传统机械臂，不能算作具身智能。真正的具身智能一定要有主动性或者自我学习的能力。

至于工业场景该选柔性还是刚性，我认为这没有标准答案。现在行业因为生产方式的变化普遍在推崇柔性产线，希望一套机器人系统适配多品类、多工况，应对产线换型、小批量多品种的市场需求，这是很多工厂当下真实的诉求。但我们也看到，比如特斯拉工厂的机器人走的就是刚性路线，不追求泛化柔性，把单一任务做到极致，同样跑通并实现商业成功。

所以柔性和刚性不是非此即彼的选择题，要落地到具体业务场景，结合工厂的生产模式去权衡取舍。柔性不是万能解药，刚性也不等于落后，核心看生产的品类、批次规模、换产频率。

Q：“连续的工位”具体指什么？机器人进工厂最大的障碍是什么？

陈牧：举例来说，一个3C厂的流水线，有一百多个工位，工作内容抽象出来就是打螺丝、插线等，不到二十类，但它们是穿插排列的。机器人如果只能完成打螺丝，中间碰到非打螺丝的工位，就得和人并排干。一旦“节拍”被打乱，人机交互就会出问题，整条流水线跟着乱。所以机器人要能扛下一段连续工位，才有进场的资格。

为了解决通用性的问题，我们提出了末端模块化的解决方案，给机器人配了一套末端快换系统。这套系统可以在6秒内根据不同任务的需求，在吸盘、夹爪、灵巧手等十几种末端执行器之间切换，让同一台设备覆盖搬运、装配、打磨、质检、焊接等不同工序，实现“一机多用”，一台机器代替多个工位。

Q：工厂老板做决策的核心指标“真实ROI”怎么算？哪些场景机器人更容易进去？

陈牧：真实ROI绝不能简单用“投入除以劳动力成本”来计算，工厂老板算账会综合很多隐性因素。像锂电池、钢厂这类有毒、高温的恶劣工况，即便机器人采购成本偏高，却能够规避工人职业健康风险，同时稳定产品合格率，综合算下来投资回报就成立。机器人落地的核心突破口，往往就来自工资之外的这些隐性价值，而不只是单纯省人工薪资。这也是为什么巡检、特种作业、物流这类高危场景，机器人更容易规模化落地，市面上已经有不少成熟运行的方案。

但还有另一类岗位，本身没有突出的安全风险，却同样有强烈的自动化或智能化诉求，典型就是3C工厂中的理线、插端子这类的生产环节。企业希望用机器人替代人工，是为了解决人工操作一致性差、产能波动、人员流动大等生产痛点。只是这类作业极度考验机器人的高精度感知与灵巧操作能力，技术实现难度很高，到现在依旧是行业难以攻克的硬骨头。

除了动作的完成度和稳定度，工厂生产最看重的还有生产节拍。拿物流分拣场景举例，我们已经实现2秒分拣一件，目标进一步压缩到1.5秒，逼近人每小时1800件的作业速度。但即便单项动作指标跑通，工厂依旧不愿意拿来做全流程上线验证。

原因很现实：目前的产线，每一条产线是多道工序串联耦合的。整套流程里，机器人能胜任其中三道工序，可还有两道工序（ 例如理线、插端子这类高难度精细操作 ），机器人尚且无法可靠完成、节拍跟上。如果只把机器人部署到部分环节，产线会出现工序能力错配，机器人环节跑再快，也会被短板工序卡住，反而拖累整条产线的生产节拍。

四

赛道判断：资本热潮、中美差距与终局

Q：中国的具身智能行业现在处在什么阶段？和国外比怎么样？

陈牧：中国具身智能现在处于从实验室走向产业化的关键跨越期，或者说“ 百家争鸣、路线尚未收敛 ”的早期产业化阶段。

这个阶段的特征可以从三个维度来看：

第一，本体和量产能力。中国在机器人本体上是绝对领先的，因为产业链齐全，能把实验室样机快速推进到可量产的阶段，还能保持价格优势。商业化落地的最后一公里，拼的其实是量产能力和成本控制，这是中国最大的优势；第二，模型和算法能力，中国目前稍微落后于美国，但这个差距在快速缩小；第三，标准和评测体系。2026年我国刚发布了首个行业标准体系和基准测试方法，但整机本体、模型评测的正式标准还在推进中，短期内很难完全落地。标准体系“有框架、未定型”，本身就是“百家争鸣”阶段的典型标志：技术路线多元、各家评测口径不一、行业尚未收敛。反过来说，一旦标准落地，就会成为模型和技术路线收敛的助推条件，推动行业从“ 百花齐放 ”走向“头部集中”。

Q：星工聚将的愿景是什么？你们希望给行业留下什么印象？

陈牧：我们希望做一个从工业场景中长出来的、能真正落地的机器人公司，从“辅助工具”到“产业工人”。客户愿意买单的机器人，得先能解决真实且迫切的需求，然后才轮到ROI和稳定性。数字风洞也好，6秒快换也好，自研本体和关节也好，都是围绕一个朴素的目标：让机器人在真实产线上站得住、干得稳、算得过账。脱离真实需求谈这些，就是空中楼阁，更无法在周期波动中以及行业退潮后仍然存活。

（本文为清华金融评论&清友创联联合策划“科创AI+|科技产业金融”专栏的主题访谈）

Review of Past Articles -

01

02

03

04

关于《清华金融评论》·《科创AI+》

《清华金融评论》坚守“建言金融政策，引领金融实践”的办刊初心与使命，《科创AI+》栏目聚焦新一轮科技革命与产业变革的时代浪潮。针对当前AI赋能科技创新、产融深度融合、前沿技术落地等热点话题进行深度剖析、案例分享与访谈解读。解码科创企业成长逻辑，洞察AI技术应用边界，探索“科技- 产业-金融”协同发展新路径。

来源 | 本人访谈

编辑 | 兰银帆

审核丨秦婷