辽宁
在具身智能热潮中，很多讨论都围绕大模型展开。但在它石智航创始人兼 CEO 陈亦伦看来，如果没有高质量真实世界数据，具身智能很难真正走向泛化。
在与线性资本 CEO 王淮的对话中，陈亦伦反复强调一个判断：机器人不是只要“看见世界”就够了，它还要理解人与物理世界交互时的动作、接触、力、反馈和结果。
这也是它石智航选择 Human-centric 路线的重要原因。
不同于只采集视频或末端轨迹的方式，它石更关注人类在真实场景中自然完成任务时产生的多模态数据。陈亦伦认为，如果目标是训练跨场景、可泛化的具身基础模型，数据质量和数据规模同样关键。
“具身智能面对的是更开放、更复杂、更高维的真实物理世界。要解决这个问题，数据来源必须先被解决。”他说。
在陈亦伦看来，机器人学习的难点并不只是“看懂画面”，而是要真正理解物理世界中连续发生的变化：手如何接近物体，接触如何产生，力如何作用，物体状态如何变化，动作结果又如何反馈到下一步决策中。这些信息如果只依靠单一视觉或低维轨迹，很难完整表达。
因此，它石选择从真实世界的人类操作数据出发，希望通过更自然、更低干扰的方式，采集人类完成任务过程中的多模态信息，让模型学习人与物理世界交互的底层规律。
这也是它石没有从简单搬运类任务开始，而是选择工业柔性操作作为突破口的原因。
工业制造中，很多刚体、结构化、位置确定的问题，传统自动化已经解决得很好。但柔性、细小、复杂、需要力控和视觉反馈的任务，依然是长期难题。它们对感知、规划、控制、数据和模型都提出了更高要求。
高精度柔性线束，正是这类难题的代表。线束不是刚体，形态会随着抓取、移动、插接不断变化；同时，它对位置精度、力控稳定性和实时纠错能力要求很高。对机器人来说，这不是简单的“拿起”和“放下”，而是一个需要持续感知、动态调整和精细执行的复杂过程。
在陈亦伦看来，这类问题恰恰是具身智能真正应该解决的问题。
如果机器人只能在可控环境里完成预设任务，它仍然停留在原型验证阶段；而如果机器人能够在真实物理环境中稳定完成复杂任务，并具备跨场景迁移与泛化能力，具身智能才真正进入新的阶段。
这也是它石提出“具身智能2.0”的底层逻辑。
王淮问，为什么它石要选择这么难的场景？
陈亦伦说，难题不是为了证明自己，而是因为它本身具有足够高的产业价值。真正的技术突破，不应该只停留在演示里，而要进入真实生产系统，解决真实问题。
它石曾用刺绣机器人做过一次更直观的展示。相比工业场景，刺绣更容易被普通观众理解，也更能直接呈现机器人在复杂精细操作中的泛化能力。但陈亦伦强调，刺绣不是它石长期投入最多的场景，而是底层能力的一次外化。
对它石而言，真正重要的是形成闭环：高质量真实数据进入模型，模型能力反哺机器人操作，机器人在真实场景中持续验证和迭代。
这也是陈亦伦对具身智能路线的核心判断：未来的竞争，不只是单点模型能力的竞争，而是数据、模型、硬件、工程和真实场景之间系统闭环的竞争。
从 Human-centric 数据路线，到高精度柔性线束任务，它石智航选择的并不是一条最容易讲清楚的路，而是一条更接近真实产业问题的路。它要求团队同时具备数据采集、模型训练、硬件执行、工程集成和场景落地能力，也要求技术路线经得起真实任务的反复验证。
对陈亦伦和它石而言，具身智能的终点不是“会演示”的机器人，而是能够在真实环境中稳定工作、持续泛化、真正创造生产力的机器人。越难的问题，越能检验技术的真实边界；而真正解决这些问题，才可能把具身智能从实验室和展台，推向产业现场。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
