编者按：
“十五五”规划纲要，对“加快高水平科技自立自强，引领发展新质生产力”作出了专篇部署。
当下，在集成电路、动力系统、高端装备、人工智能等诸多领域，大批企业正强化科技创新主体地位，加强原始创新和关键核心技术攻关，全力破壁，奋力自强。
但“破壁”二字，从来不容易。
今起推出一组“加快高水平科技自立自强”样本调查，聚焦一批硬核突围的先锋。他们的共通点在于，不抄近路，不追风口，不在别人的框架里修修补补，而是选择从底层重构、从零出发、从边缘挺进中心——用中国智慧重新定义游戏规则。
我们讲述先锋，不止于“追赶”叙事，更致敬他们“重新定义”的勇气。
成立仅一年的大晓机器人，是具身智能赛道的“迟到生”，却有敏捷身手——它先于英伟达押中同一条技术路线；在今年4个月内完成累计数亿美元两轮融资；其开悟世界模型Kairos，在新近4项全球具身智能基准测试中全面登顶。
大晓属于商汤“1+X”架构中的“X”部分。“1”指生成式AI、视觉AI核心业务；“X”指重组拆分的垂直领域生态。这个被商汤“放出去”独立进击的小将，提出了世界模型，和以“人”而非以“机器人”为中心的环境式数据采集范式——这既不同于主流的VLA（视觉-语言-动作模型）路线，也挑战了行业已砸下重金的“真机数采”模式。起初，没人相信。
去年8月，特斯拉的具身智能放弃真机遥操，转向纯视觉学习。今年5月，英伟达发布世界基础模型Cosmos 3.0，其架构竟与大晓同源。
风向骤转，曾经的“反共识”转眼成主流。
放眼全国具身智能拥挤赛道，大晓机器人，或许是国内少有的不绑定硬件形态，以“一脑多型”占据生态位的玩家。
“入局不算早，反而能少走弯路。”大晓创始人王晓刚说。
晚入局，先破局
VLA，一种将视觉感知、自然语言理解与动作控制统一到同一框架的AI模型，曾被视为具身智能“ChatGPT时刻”的敲门砖。
但现实骨感，在VLA框架下，机器人只能完成被明确定义的任务，数据依赖人类遥操机器人采集，数年才能堆出10万小时。而且数据困于机器人本体，一旦换机型，数据尽废。
“人们对具身智能的真正期待，是像ChatGPT一样出现智能涌现，交给机器人一个未被事先定义好的任务，它仍能合理完成，如采购归来，将洗涤剂、书本等各归其位。但缺乏对物理世界结构化理解的VLA做不到。”王晓刚说。
世界模型则不同。它以模拟环境动态、预测未来状态为核心，同时具备理解、生成、预测三大能力，模型由此能自我演进、纠偏和进化。与此同时，大晓的“以人为中心”的数据采集，让真人戴着触觉手套、头顶相机，边干活边记录，文字、图片、视频、力学信息、3D轨迹直通模型。这就摆脱了VLA框架下机器人动作要靠语言来定义、许多动作又往往“难以言传”的掣肘。
王晓刚举例，美国具身智能公司Figure AI不久前展示一段视频——机器人正收拾房间，突然很自然地将毛巾搭在肩膀上，以腾出一只手来。这显然是此前以动作轨迹而非语言描述“喂”给大模型。大模型学到的，不仅是“怎么做”，还有“为什么这么做”。
新的数采范式下，世界模型所需数据量有望迅速触及1000万小时。这是业内公认的模型智能涌现的临界点。据大晓规划：今年达成100万小时，明年冲刺1000万小时。
快下场，才能强
方向既定，行动毫不迟疑。
成立不到半年，大晓即炸出具身大脑世界模型Kairos 3.0。
落地亦激进。不少具身智能公司怯于技术不够成熟，或不愿投入数采设备等大量资源，故而“避免进入场景”。大晓却祭出一颗不再受困于本体的“大脑”，搭载于形态各异的机器人身上，批量进入酒店、无人零售、无人物流仓等场景。
在上海西岸，大晓的“晓途”机器狗已全面投入常态化无人巡逻。传统巡检狗，轨道被预设，场地封闭运行。而被世界模型附体的“晓途”，能在开放环境下全流程自主导航，主动提醒骑电动车、乱扔垃圾等行为。
在宝山滨江景区，大晓为同为商汤生态的善惠机器人“SenseMartGo烧卖购机器人小店”提供无人零售解决方案，今年“五一”期间，单店实现“最快15秒一单、日均400单”的佳绩。这样的小店今年有望拓至全国，实现上千家规模。
王晓刚认为，具身智能时代，硬件、模型、数据、场景四要素必须形成强闭环。在中国，这四者往往彼此分开——模型等不到高质量数据，本体等不到适配模型，场景方两头都等不到。在美国，特斯拉、Figure AI将这四项高度集成，协同迭代效率极高。国内很少有公司有此实力，大晓的战略是尽可能找到一种让四要素强绑定的模式。
为此大晓与生态伙伴或有意愿的本体公司合作，迅速切入场景，直面问题。如善惠既提出成本、续航、节排等要求，又带来大量技术反馈，这有助于大晓在实战中迅速迭代，并验证解决方案大规模复制的可能性。无论如何，在整个具身产业链中，把握生态位的主导权至关重要。
沉细节，决长远
今年3月，大晓推出轻量版Kairos 3.0-4B，实现了全球首个世界模型端侧部署。其演示视频里，搭载该模型的机器人完成7分钟家务，整理茶几、收拾衣物、准备早餐，全程一镜到底，无人工干预。
但此小小成绩，并不代表今后皆为坦途。
“理解”与“生成”之间的割裂，始终是模型世界的阿喀琉斯之踵——视觉理解模型能看图说话，却画不出像样的图；图像生成模型画技惊艳，理解语义竟抓狂。近期商汤开源的SenseNova U1系列模型虽已从架构层面弥合这一鸿沟，但“理解”的难度更深——世界模型里，要求对物理世界有真正的认知，如推椅会倒，开冰箱灯会亮，松手杯落等。更何况，世界模型要求对理解、生成、预测做到三者统一，可谓难上加难。
蜀道之难，连全球权威的具身智能基准测试都未能锚定最硬核的标尺。大晓近期虽在RoboTwin等四大测试中拿下SOTA（当前最佳水平），涉及双臂协作、场景泛化、物理建模与合成数据生成能力等，但大晓却异常清醒：眼下的测评体系，恰恰缺失了对“长程任务”拆解与执行的关键考核。
何谓长程？机器人面对一堆积木，要依序拼出指定Logo；又或者洗衣前，先辨识衣物材质，再分别匹配水温与洗涤剂。这些需要连续决策、动态调整的任务，才是真正的试金石。
ChatGPT爆火于2022年底，但大模型才真正带来生产力价值、token（词元）真正值钱，却是从今年开始的。具身智能或许也一样，从实现智能涌现，到批量用户愿意埋单，预计还有三四年。
可以想见，当大批公司冲线1000万小时数据里程碑中国配资网官网，最残酷的较量才刚刚开始，而较量的核心，或落在数据质量上。这场长跑里，死磕技术才有护城河。
豪瑞优配提示：文章来自网络，不代表本站观点。
