对话旋玑智能CEO王业全：给机器人造一颗“智会头”

让机器人听得懂、记得住、讲得出、做得到。

作者 | 周加琦

编辑 | 漠影

人与人之间的交流，看似只是说话、看表情、做回应，背后却是一套复杂的理解过程。

一句话说出来，人类不仅能听懂字面意思，还能结合语气、表情、前后文和当时的场景，判断对方真正想表达什么。

但对机器人来说，这是一道难题。听见声音、看见人并不难，难的是理解对方的真实意思，并在不同场景下做出合适回应。

而这正是王业全创业想解决的问题。

因此，王业全创办了旋玑智能。在这里，他更希望同事叫自己Evan，而不是王总。创始人是他近年多出来的一个身份。

清华读博期间，他挂职担任过区长助理；毕业后去了大厂，此后又进入中科院，再到智源研究院，带领他的团队研发Tele-FLM-1T等大模型，也曾主持“新一代人工智能”国家科技重大专项相关项目。

▲旋玑智能创始人兼CEO 王业全

到了准备创业的时候，他又给自己补起了课：公司怎么治理，组织怎么搭，投融资怎么做。他还跑到机器人制造工厂，沿着产线看，追问工序为什么这样排，看起来差不多的机器人，稳定性为什么有差别。

“如果天天待在北京的办公室里听，是听不到真话的，如果去一线的产线里问，一看便都知道了。”

过去，他关心模型能做到什么程度。准备做公司以后，他开始关心一台机器人怎样被造出来，又怎样交到用户手里。

2023年，王业全判断，语言大模型的技术路线正在逐渐收敛，竞争会越来越依赖算力、数据等资源的持续投入。具身智能则还在早期，真实世界里有大量问题没有解决，让他想继续往里走。

2025年，他创办旋玑智能，却没有选择机器人本体这个赛道，也没有一上来就做一个包揽所有能力的“全能具身大脑”。他选择先做交互，在使用中积累数据，再向操作等能力扩展。

理由仍在开头那两句话里。机器人得先弄清楚人究竟想做什么，遇到不明白的地方，还要主动问一句，才能知道接下来该怎样行动。

机械臂解决“够得到”，灵巧手解决“拿得稳”，本体解决“走得过去”。至于听懂人、记住人，再调动身体做事，王业全给这类部件取了一个名字——“智会头”。

旋玑基于这一想法做了自己的产品，言传智会具身交互大脑VoxInsight。它采用软硬一体的机器人头部形态，把头部硬件与交互大脑放在一起设计。

过去训练大模型的经验，怎样变成一颗能交到客户手里的“智会头”？当通用模型继续变强，专门做交互大脑的公司，又凭什么留下来？

围绕这些问题，机器人前瞻与旋玑智能创始人王业全展开了对话。以下为根据访谈内容整理的对话。

01.

从求学到创业，他走了16年

机器人前瞻：您在清华读博期间，有哪些经历或习惯影响了您后来做研究、做产品的方式？

王业全：先分享我的一个经历。有一篇论文，我只用了五天就写完了。那是把attention机制用在情感分析上的一项工作，发表于2016年的EMNLP。

五天看似很短暂，但那五天之前，研究已经做了很久。问题怎么选，实验怎么设计，结果为什么成立，这些都已经想过、做过。到了写作的时候，需要把已经弄清楚的事情准确地表达出来。五天能写完，靠的是前面那些年积累下来的东西。

在清华读博期间，我在信息学国家实验室做研究。那段经历让我养成一个习惯：写论文时，要考虑读者怎么理解你的工作。你自己觉得做得很好，同行读不明白，问题在哪里、价值在哪里没有讲清楚，研究就很难被别人接着用下去。

后来做产品，这个习惯一直留着。我们当然知道自己的技术花了多少心血，但用户首先关心的是，它能帮我做什么，用起来麻不麻烦。

所以我很看重效率，也很看重积累。积累决定你遇到问题时能想多深，效率决定你能不能在需要作出判断的时候，把这些东西用起来。

机器人前瞻：过去您一直从事大模型研究，也主持过科研项目，是什么让您决定从科研走向创业？

王业全：实践是检验真理的唯一标准。我希望我们研究的技术能够走进产业，做成客户真正用得上、愿意付费的产品。但通过创业来做这件事，并不是我一开始就想好的。

读博的时候，我挂职担任过区长助理。身边有人觉得我适合从政，起点不错，继续走下去也有很好的发展。但毕业以后，我去了大厂。

进了大厂，身边的人又觉得，这条路也不错：继续做技术，或者带团队、做管理，都有空间。不过，那时候我还是更想深入做研究。后来去了中科院，再到智源研究院，我把更多精力放在了模型和训练这些问题上。

在智源，我带着当时的团队做大模型、推进科研项目。研究规模大了，就不能只盯着某个技术问题，还要考虑怎样组织团队、安排资源，让一项复杂的研究真正做出来。这些经历让我知道，一个想法要成为结果，中间有多少具体的工作。

随着研究往前走，我开始更多地考虑后面的事情。模型做出来了，怎样让它在实际环境里用起来？客户究竟需要什么，哪些能力值得继续投入，哪些看起来不错，却未必有人愿意买单？这些问题，单靠实验室里的结果还回答不了。

这些选择现在讲出来，是一段段经历。对我自己来说，每换一个环境，就会碰到一批过去没有面对过的问题。做研究时，我想知道模型能做到什么程度；准备创业以后，我又想知道，一项技术怎样成为产品，产品为什么有人买，一家公司怎样持续运转。

创业把这些问题放到了一起。很多事情，过去可以观察、可以研究，现在要由自己做决定，也要承担结果。我想走到这一步。

机器人前瞻：从研究走向创业，您做了哪些准备？

王业全：我用了十六年走到今天。回顾每一件事的时候，当时可能并没有一张完整的创业路线图，但是每一件事都对今天的我产生了很大的影响。

读书时，我对社会的经济运行规律感兴趣，学习了金融学，也看过一些组织治理、投融资的书籍。当时是想弄明白一些问题，后来做公司，才发现这些知识有用。但是读过书，不代表就会做。

再到工作的时候，做研究积累了技术判断，带团队让我开始理解怎样组织人，大厂和科研机构的经历，又让我看到不同的组织怎样运转。

还有一件事是跑工厂。机器人怎么制造，产线怎么排，为什么一道工序要放在这里，同样的设计为什么做出来稳定性不一样，都要到现场看。

你在办公室里听一个产品，会觉得很多事情已经解决了。沿着产线走一遍，就会发现模型之外还有这么多具体工作。创业以后，这些都会变成公司的成本、时间和交付问题。

所以这十六年，对我来说更像是不断补齐认识。到了要做公司的时候，过去分散在不同经历里的东西，开始用在同一件事情上。

机器人前瞻：您在智源、北京大学承担科研工作，同时又担任旋玑CEO——这些角色如何平衡？

王业全：先把各自的责任分清楚。科研工作有自己的目标和进度，公司也有必须兑现的交付。各自的工作要有明确的负责人和安排，需要我作出判断、承担责任的地方，我不能缺位。

对我个人来说，还要切换判断标准。做研究，我会一直追问一项技术还能做到什么程度；做CEO，我还要决定，公司现在需要把它做到什么程度，愿意为此投入多少资源。

拿旋玑正在做的语音交互大模型来说，过去的研究经验让我知道哪些方向值得继续做。但模型要放到机器人端侧，就得同时考虑算力、功耗、响应速度和成本。增加的参数到底带来了多少用户能感受到的改善，值不值得投入，都要想清楚。

过去做过大模型，反而应该更清楚怎样使用有限的资源。知道一条路可以往前走多远，也要知道产品眼下应该做到哪一步。

好奇心让我愿意投入这些事情。做了CEO以后，我也越来越清楚：想弄明白的事情可以很多，公司这一阶段真正要做的事情，必须很少。

02.

为什么转向具身，

为机器人做一颗“智会头”

机器人前瞻：您长期研究大语言模型，为什么最终把创业方向放在具身智能？当时您对这两个领域分别有什么判断？

王业全：做这个选择之前，我一直在想：我们过去积累的能力，接下来放在哪里最有价值？

从2022年到2024年，我在智源研究院带领和团队研发FLM系列大模型。2024年，智源研究院与中国电信人工智能研究院联合发布Tele-FLM-1T，团队把模型从52B、102B逐步扩展到了单体稠密万亿参数规模。

与此同时，我也意识到，大语言模型的技术路线正在收敛。就像造摩天大楼，基本方法逐渐清楚，接下来要把楼盖得更高、更稳，就需要持续投入数据、算力和人才。资源充足不代表一定成功，但在这样的竞争里，它的分量会越来越重。

具身智能还处在更早的阶段。模型应该学什么，什么数据真正有用，训练出来的能力怎么用到机器人上，很多问题没有解决。我们完整做过大模型训练，对数据、训练方法和稳定性的理解，在这里有发挥空间。这些经验不能代替新的研究，但可以帮助我们判断哪些问题应该先验证，少花一些反复试错的成本。

当然，具身也需要投入。放到国内的产业环境里，本体、零部件和制造环节都有可以合作的企业。我们选择把资源集中在交互大脑上，和本体及制造伙伴配合，没有必要把每个环节重新做一遍。

我的判断是，具身智能的“GPT-3时刻”，大概率仍然会建立在大模型路线上。本体越发展，理解环境、理解人、安排任务这些“大脑”的问题就越突出。我选择在这个时候进入，是认为行业接下来会越来越需要我们过去积累的研究和训练能力。

机器人前瞻：您是怎么想到要做一颗专属于机器人的“智会头”，而不直接做一个通用大脑？

王业全：做科研的时候，我就在想，机器人是不是需要一个“全能型的具身大脑”？即使最终需要，是不是也必须从第一天就把所有能力一起做？

我曾受到保罗·麦克莱恩早期三脑假说的启发，借用的是功能分工的思路：把复杂系统中的不同功能拆开，再研究它们怎样配合。我们当然希望机器人既能理解人，也能把事情做完。但短期内，把感知、交互、操作、决策和安全都做到位，难度很大。公司需要作出取舍。

我选择交互，是因为机器人要做对一件事，首先得弄清楚人到底要它做什么。人说话会犹豫、改口，也会省略信息。同样一句话，换个人、换种语气，意思可能就变了。前面理解错了，后面的动作再熟练，也可能做错事。

所以，它需要知道谁在说话，理解对方的情绪和意图，记得前面发生了什么；不清楚的时候，还能主动问一句。把需求确认下来，再调动身体去做。

我们把承担这些功能的部件叫作“智会头”。“智”是智力，“会”是能说会做。我希望它像机械臂、灵巧手一样，成为行业里一类通用部件的名称，不限定品牌和外形。它负责理解人，再连接导航、抓取等技能。具体能做什么，要看本体已有的能力和接口适配情况。

我相信将来会出现全能力的具身大脑，但这并不意味着一家公司现在就要把所有事情做一遍。旋玑先把交互做好，和擅长本体、操作的公司配合，在实际使用中积累数据和反馈，再向更多能力扩展。

过去的研究让我看到还有很多问题值得做，但公司今天要从哪里开始，仍然得看眼下最需要解决什么，以及我们最有能力做好什么。

机器人前瞻：从数字世界走到机器人，已有的AI对话能力可以直接用吗？旋玑的交互大脑还需要补上什么？

王业全：已有模型的能力当然可以用。现在的多模态模型已经能处理声音和画面，但接入一个模型，还没有完成一套机器人交互产品需要做的工作。

机器人面对的是持续变化的现场。谁正在说话，前面发生过什么，身体正在做什么，这些信息要连在一起，不能每次收到一句话都从头开始。

而且，交流会改变任务。人说“先别动”，系统需要把这个变化传到任务安排和本体控制环节。能不能及时停下，还取决于整机的控制能力、安全机制和接口配合，不能只靠模型听懂这三个字。

所以，我们面向的是物理世界里的持续交互。模型提供理解和回应的能力，产品还要把身份、上下文、任务状态和本体连接起来。旋玑要把这些工作一起做好。

03.

让机器人理解人，难在哪里

机器人前瞻：聚焦物理世界之后，交互大脑具体要解决什么问题？哪些真实场景最难处理？

王业全：机器人需要边听、边说、边想，也要能配合正在进行的动作。

比如在商场里，人声、广播、叫卖声混在一起。有人面对着机器人说话，旁边的人也可能突然加入。它得知道谁在跟自己交流，几个人说的是不是同一件事，用户有没有临时改口。

我们讲高智商，是希望它回答准确、理解任务；讲高情商，是希望它能听出字面意思之外的信息。同样一句“你先忙”，有时是真的让你继续做，有时是在表达不满。机器人得结合语气、前后文和当时的情况来判断。

这些能力最终会落到很具体的体验上：人说话时能不能打断它，打断以后它能不能接着听，换了一个人，它会不会把前一个人的话接到后一个人身上。

在安静的房间里完成一段对话，只能说明一部分问题。产品到了现场，要面对的是一整段没有排练过的交流 。

机器人前瞻：为了处理这些交互问题，你们在技术上怎样区别于过去把语音识别、对话理解、语音合成分模块搭建的方式？

王业全：过去很多语音系统，先把声音识别成文字，再理解文字，最后把回答转成声音。各个环节可以分别做好，但串起来以后，也可能出现等待、衔接和信息丢失的问题。

我们的方向，是用大模型重新组织交互过程，让声音里原本包含的语气、停顿和情绪等信息，更直接地参与理解和回应，也让听和说能够同时发生。

不过，一套机器人产品仍然需要合理分工。记忆、任务编排、本体接口，都有各自要解决的问题。比如EgoMem可以作为相对独立的记忆模块，这和用大模型重构语音交互并不冲突，它们处在不同的层面。

我更在意的是，这些能力连起来以后，用户会遇到什么。人突然插一句话，系统能不能接住；任务中途发生变化，后面的动作能不能调整。技术路线的价值，要在这些地方表现出来。

机器人前瞻：采用大模型来重构交互，团队过去训练基础模型的经验，具体有哪些能够迁移？

王业全：回到第一性原理，首先是知道怎样把模型稳定地训出来。

过去在科研机构做大模型时，我和当时的团队研究过模型生长和训练稳定性，探索怎样提高训练算力的使用效率。从较小的模型逐步扩展到更大的模型，怎样保留已经学到的能力，让训练继续稳定地进行，里面有很多具体问题要解决。

这背后积累了很多具体判断：什么数据值得用，训练出现异常应该先查哪里，哪些投入能带来能力提升。完整走过这个过程，面对新任务时，就有更多依据。

今天做语音交互大模型，还要把这些经验用在资源约束里。面向端侧，我们考虑更轻量化的模型规模，就需要决定有限的参数和算力优先服务哪些能力。对机器人来说，听懂改口、及时回应、记住必要的信息，都直接影响使用体验。

参数、延迟、功耗和成本之间需要平衡。过去有能力做大模型，今天就更应该知道，怎样把资源用在用户能感受到的地方。

当然，语音和物理场景有自己的问题。已有经验可以帮助我们少走弯路，具体的数据和训练效果，仍然要一项项做出来。

机器人前瞻：除了当下这次对话，机器人还需要记住些什么？你们目前通过EgoMem怎样实现，长期又准备沿什么方向研究？

王业全：首先要知道眼前的人是谁，也要记得两个人之前发生过什么。

第一次见面和再次见面，交流方式应该有区别。用户说“还是上次那个”，机器人需要知道上次指的是什么。但记忆也要按场景使用，有些信息不需要留下，有些涉及隐私，不能为了记得多就全部存起来。

目前，EgoMem通过视觉、听觉、语言等模块，把身份和相关信息组织起来。视觉帮助认人，声音帮助区分说话者，语言记录交流中的内容，还包括人与人之间的关系。这条路线能够较快地支撑产品应用。

我们也在研究更长期的原生融合路线，希望把记忆能力更深地放进模型。包括怎样低成本地更新相关参数，怎样存储和刷新不同时长的信息，这些都还需要继续研究和验证。

两条路线承担的任务不同。当前方案要先把产品里的记忆做好，长期研究则要回答怎样让记忆与模型本身配合得更自然。

对用户来说，记错一个人、把两个人的事情混在一起，都会影响信任。能记住什么，记错了怎样纠正，和记忆容量一样重要。

04.

打造一颗“智会头”，还要交到客户手里

机器人前瞻：您提出了“智会头”的概念，并把交互大脑做成了VoxInsight。为什么这款产品选择机器人头部的形态，而不只提供算法或软件？

王业全：我们看过、测过一些机器人的头部，发现要满足我们设想中的交互需求，传感器、算力和表达方式之间，还需要进一步配合。机器人真要跟人交流，就得有眼睛、有耳朵、有嘴巴。有人从旁边跟它说话，它要能注意到，头也要能转过去。这些事情放在一起，对硬件的要求就不一样了。

交互大脑是一套软件，可声音没有收好、画面没有看清，后面的模型就会受影响。现在各家的硬件又不完全一样，软件和硬件怎么配，往往还得重新处理。

所以我们决定自己做，做出来的产品就是VoxInsight。

VoxInsight不是从零开始。在智源和乐聚联合实验室里，我们研发的RoboBrain-Audio已经验证了交互路线，VoxInsight要做的是把它推进到可量产交付的产品形态。

我们的选择是把头部和里面的大脑一起设计，模型需要什么样的输入，硬件怎样配合，都可以从一开始安排好。我们希望软件和硬件能够相互配合，让1+1>2。

我们还是希望和本体企业分工。他们继续把身体和操作能力做好，我们把与人交流的这颗头做好。接入不同本体时，还要分别完成接口适配和整机验证。以后“智会头”能像机械臂、灵巧手一样，被不同的机器人采用，这是我想推动的事情。

机器人前瞻：在应用场景上，旋玑为什么选择商业服务作为切入方向？

王业全：因为在商业服务里，交流本身就是工作的一部分。机器人要面对不同的人，也要应对临时变化的要求。

一个人问某个地方怎么走，可能只需要一个方向，也可能需要带路。它得先弄明白对方的意思，再根据自己具备的能力提供服务，不能回答完一句话就结束了。

而且，具体到一个商业服务项目，服务内容和业务流程相对容易界定。机器人负责什么，做到什么程度算完成，处理不了的时候怎样转交给人，都可以和客户逐项明确。交互能力有没有用，要放到这些实际任务里看。

所以，我们从产业和需求出发，梳理商业服务里值得进入的具体场景。但到了公司经营层面，仍然要控制投入节奏。关注一个场景，不意味着已经完成适配，也不意味着要把所有项目同时铺开。

具体项目上，我们会优先考虑需求是否明确、能否形成交付、能不能沉淀出以后继续使用的能力。我们希望同一套理解人、记住人、安排任务的能力能够逐步复用；但到了具体的硬件和业务流程，仍然要针对不同情况做适配。

长期希望做得通用，眼下就更要把每一次交付做得更具体。

机器人前瞻：沿着这些应用方向，VoxInsight在对接需求、实现销售时，最难的是什么？

王业全：客户说自己需要什么，和最后能够交付什么，中间往往还有一段距离。

他希望机器人更聪明，但“更聪明”要变成具体的要求：在什么环境下用，面对哪些人，需要完成什么任务，出了问题怎么办。公司要把这些问题问清楚，才能判断哪些能力可以直接提供，哪些还需要继续开发。

同时，客户既希望能力强，又希望稳定，价格还要合适。模型演示做得好，到了批量使用的时候，成本、硬件适配、维护都会成为问题。

这也是我一直说的，要让机器人照顾人，而不是人去照顾机器人。设备交到用户手里以后，不能还需要他每天花很多时间研究怎样让它正常工作。

所以我们要关心客户买了以后是否愿意继续用，后续还会不会采购。卖出去之后的使用情况，会不断告诉我们，前面的产品判断到底对不对。

05.

具身智能的下一程在哪里

机器人前瞻：从公司经营回到整个行业，您觉得具身智能现在是有泡沫，还是处在爆发前夜？

王业全：我个人认为，这两件事可以同时发生。一个方向有长期价值，也可能在某个阶段被寄予过高的期待。

身处其中，公司还是要回到自己的工作上。客户有没有真实需求，产品有没有解决问题，交付以后能不能继续使用，这些事情比判断热度更具体。

行业热的时候，有更多资源愿意进来，我们应该把它用来做好产品。真正能够留下来的，也需要这些日常工作的支撑。

机器人前瞻：从本体、“大脑”到世界模型，具身领域不断出现新的关注点，您怎么看待这些变化？

王业全：说明这个领域还有很多问题值得研究，大家也愿意继续投入。

但对一家公司来说，不能每出现一个新方向，就把原来的事情全部放下。我们需要判断，它能帮助解决什么问题，与现有的产品有什么关系，值得投入多少资源。

我对新东西一直有兴趣，现在会多问一句：这项能力如果做出来，用户会在哪一步感受到变化？如果能改善交互、提高任务完成的稳定性，或者让部署成本更合适，就值得认真看。

研究方向可以保持开放，公司的投入仍然要有先后。

机器人前瞻：如果交互脑、操作脑各自继续发展，未来通用模型有没有可能把两类问题都解决？到那时，还需要专门的交互大脑吗？

王业全：我相信，长期来看会出现能力更完整的具身大脑。到那时，交互和操作未必还按今天的方式分开，公司也不需要一直守着同一个模块边界。

旋玑希望持续做深的，是怎样把真实交互里的问题带回模型训练，再把改进后的能力放到机器人上。人为什么打断它，它为什么认错了说话者，任务变化为什么没有传到动作上，这些问题要能找出原因、继续改进。我们要研究用什么数据、怎样训练，也要把模型与软硬件的配合做好。

模型能力变得通用以后，产品仍然要面对具体的人、具体的身体和具体的场景。适配、交付和服务也要有人负责，但这些工作要和前面的模型研发连起来，才能不断改进产品。

我们今天从交互切入，积累的是理解人的能力，也是让模型在物理世界里发挥作用的经验。随着技术发展，公司当然会继续扩大能力范围。至于哪些自己做、哪些和合作伙伴一起做，要看效率、成本和用户需要。

做具身领域的AGI，是我们的长期目标。走向这个目标的过程中，产业分工也会继续变化，公司要有能力跟着往前走。

机器人前瞻：您希望未来旋玑智能是一家什么样的公司？

王业全：首先，我觉得很幸运，我们身处时代浪潮之中，时代赋予我们机遇去做选择。

我希望以后一家企业做机器人，选用“智会头”能像选机械臂、灵巧手一样自然，不必再把理解人、与人交流的能力从头做一遍。对旋玑来说，重要的是有多少企业愿意采用我们的产品，并在这个基础上继续做出自己的东西。

行业要发展起来，不能每家公司都把所有事情重做一遍。

中国有很好的制造和供应链基础，我希望在机器人的核心大脑能力上，也能长出一批有原创能力的公司。旋玑要争取成为其中一家，参与决定下一代机器人怎样理解人、怎样与人一起共事。