对话斜跃智能陈伟：2026年入局具身智能，来晚了吗？

具身很热，技术还很早。

定焦One（dingjiaoone）原创

作者 | 金玙璠

编辑 | 贺树龙

2026年，可能是具身智能创业最拥挤的一年。

IT桔子的统计显示，今年上半年，国内具身智能领域融资超过900亿元，同比增长5倍；百亿估值的独角兽已经超过20家。几乎每周，都有新的公司、Demo和订单消息冒出来。

陈伟就是在这个时候下场的。

今年2月，他和理想汽车第二产品线前总裁张骁联合创立斜跃智能（Zigleap AI），一家以家庭为第一落地场景的具身基础模型公司。7个月里，公司完成两轮融资，9月官宣的天使+轮达到数亿元，投资方名单里还有他的老东家理想汽车。

陈伟的职业经历里，AI一直是主线。

他在搜狗待了近十年，从语音识别一路做到AI交互；2021年底加入理想，后来成为基座模型部门第一任负责人。理想同学、MindGPT，以及理想后来的多模态和VLA探索，都和他有关。

现在，几乎每个见到他的人，还是会问同一个问题：现在才做具身，是不是已经晚了？

最近，「定焦One」和陈伟聊了两个半小时。他的回答刚好相反。“我自己感觉，具身智能可能刚刚摸到了GPT-3的边。”

01.“不是晚了，是太早了”

陈伟习惯用Gartner技术成熟度曲线判断一项新技术走到了哪里。纵轴是市场和投资人的期待，横轴是时间。新技术刚起来时，市场预期往往会先冲上去。

在他看来，具身智能现在正处于这样一个阶段。

机器人会叠衣服、整理桌面、打拳、跑步；创业公司的融资越来越大，订单越来越多；很多人已经开始讨论，具身智能什么时候会迎来自己的“ChatGPT时刻”。

但陈伟觉得，今天具身智能的技术进度，和外界感受到的热度并不匹配。

他拿大模型作比较。

2022年底，ChatGPT让大模型真正破圈。但往前看，GPT-1、GPT-2、GPT-3已经走了很多年。那些模型今天看起来是必经之路，当时却远谈不上真正好用。

“现在所有人回过头看数字世界模型的进展，发现不能等ChatGPT发了以后才下注，所以把关注的时间前置了。”

有了ChatGPT的前例，创业者和投资人都不愿意再等到技术成熟以后进场。具身智能的热度，也因此来得更早。但关注提前了，不等于“更早成熟”。

陈伟认为，即便大模型完成范式突破以后，真正成为广泛的生产力工具，也经历了几年。到了具身智能，后面的路只会更慢。

因为机器人面对的不只是模型。它还需要数据，也需要一个足够稳定的身体。陈伟把这两件事看成具身往下走最难补的基础。所以他并不太担心“晚”。

但他并不否认行业有泡沫。在陈伟看来，泡沫至少说明外界愿意为这个方向投入钱和人才。他担心的是，市场越来越习惯用Demo、订单和部署速度来判断一家机器人公司走到了哪一步。

“很多时候，大家都在正确地做事，而没有在做正确的事。”

他所谓“正确地做事”，是顺着市场期待，发布更多Demo、更多订单，证明公司跑得很快。“做正确的事”，则是先把底层能力拉上来。

在他看来，Demo和订单当然要做，但不能反过来决定技术路线。

那具身智能真正的“ChatGPT时刻”还要多久？

陈伟把它拆成了两个问题。

一个是产品。

他判断，未来三年内，行业可能会看到更清晰的Scaling Law，也会出现一些软硬结合的“峰值体验”产品，让普通用户第一次明显感觉到，机器人和过去不是一代东西。

另一个是模型。

如果所谓ChatGPT时刻，是一个模型发布出来以后，不同公司的机器人都能迅速接入、获得能力，他觉得这件事要更久。

“至少五年以上。”

在数字世界里，一个模型换掉，输入输出接口基本不变。机器人不一样。换一双手、一个摄像头的位置，甚至换一种关节结构，整个模型和身体之间的关系都可能重新适配。

陈伟判断行业还早，首先就和数据有关。

02.“一万小时和十万小时，没什么区别”

大语言模型和机器人，起点就不一样。

从PC互联网到移动互联网，人类已经积累了几十年的文字、图片、代码和知识。模型训练需要的时候，可以直接从数字世界里拿。

物理世界缺少大规模、现成可用的操作数据。一个人怎么拿起玻璃杯、怎么叠衣服、怎么用抹布擦桌子、发现东西滑了以后怎么马上调整手指，这些经验过去很少被系统记录下来。

这也是过去两年机器人公司纷纷建数采中心、拼数据小时数的原因。1万小时、10万小时、100万小时，逐渐成了公司对外讲能力时很常见的一组数字。

陈伟对此没有那么兴奋。“如果我们把它放在真实物理世界可能需要1000万小时、甚至上亿小时数据的背景下，现在1万和10万有多大的区别？没什么区别。

他真正关心的是：这10万小时，到底是什么数据？

具身智能早期大量使用真机遥操作。人控制机器人完成任务，机器把整个过程记录下来，再交给模型学习。

但本体一直在变。夹爪换成五指手，摄像头从头部换到腕部，关节自由度发生变化，过去积累的数据就很难原样继承。“换本体，就意味着你的数据某种程度上是无效的。”

今年行业开始更多讨论Ego，也就是人的第一视角数据。人戴着设备做饭、整理、拿东西，系统把人在物理世界里的观察和动作记录下来。这类数据不再天然绑定一台机器人。

陈伟因此判断，很多公司过去在数据规模上的领先，需要重新评价。“今年这个状态里面，我觉得数据这件事情大家回到了同一个起跑线。”

他的判断是：“跑得快，并不代表跑得好。有可能跑错了方向。

一个团队积累100万小时，另一个团队只有10万小时，后者的数据质量可能反而更高。

真正开始采以后，斜跃很快发现，“数据多不多”还排不到第一个问题，先得保证采回来的东西是对的。

今年四五月份，陈伟调研了一圈市面上的采集设备。多路摄像头和IMU的信号可能不同步。一个人在抬手时，摄像头看到的是这个时间点，惯导数据记录的却可能是另一个时间点。“相当于学的课本本身就有错，你怎么让它学对？”

设备本身也有不少问题。头发可能挡住镜头；设备戴歪一点，视角就变；重量太大，人戴不了多久；续航不够，也没办法做大规模连续采集。

更现实的是成本。陈伟调研时，一套头戴设备的成本还在4万到5万元。如果未来需要几百人、几千人同时采，账根本算不过来。

斜跃最早想过自己全部做。后来供应链快速成熟，他们改了方案：硬件尽量利用成熟供应商，斜跃自己掌握算法、硬件准入、数据质量评估和数据血缘。

集中数采和大规模野采，也不会使用完全相同的设备。野采需要轻，尽量降低对人的干扰；集中环境则可以用带夹爪的设备，把接触、操作这些信息采得更完整。

斜跃最后没有坚持“硬件必须全自研”。陈伟想抓住的是数据标准和质量控制，成熟硬件则交给供应链。

但数据解决的是机器人“学什么”。学会以后，同一套能力能不能稳定跑在不同机器人上，还取决于本体。

03.“手搓出来的100台本体，我不敢交”

陈伟把这两件事分得很清楚：“数据代表模型，本体代表未来商业化和落地的效率和质量。

今天很多机器人是“手搓”的。即使是同一家公司的同一款本体，装出来的两台机器，参数、精度甚至传感器位置都可能存在差异。

陈伟以前在汽车行业做智能化，对这种状态很不适应。汽车工业已经习惯了把零件精度、装配误差控制在一套高度标准化的体系里。机器人还没有。

他用人的身体打比方。人类可以共享相似的大脑结构，一个重要前提，是每个人的身体形态基本一致：眼睛大致都长在同样的位置，有两只手，手指的数量也一样。

如果有的人只有一只眼睛，有人的眼睛长在额头上；有人用夹爪，有人五指，有人十指，同一个“大脑”想学会统一的行动方式就会困难很多。

如果我现在要给100个家庭交付100台本体，而这100台是工人们纯拧螺丝拧出来的，我是不敢交的。

这也是他为什么对现在一些机器人“落地”比较谨慎。单台样机跑通了，不代表复制到一百台以后，还能保持同样的表现。

所以斜跃接下来会同时做两种本体。

一套更偏研发和场景验证。按照规划，2027年斜跃会使用轮式双臂、夹爪形态的通用本体。它最重要的任务之一，是让模型团队有一套足够可靠、一致的“身体”，可以稳定做实验和部署。

另一套才真正面向家庭。这套产品会单独设计，目标时间放在2028年前后。

到了家庭，陈伟给机器人设的标准也和实验室完全不同。

价格、外观、安全，任何一项都可能直接否决一个产品。“智能甚至排不到第一，它是加分项。”

他会讨论一台机器人放在家里是不是好看，朋友来了以后会不会愿意多看两眼，用户自己会不会觉得“家里有这么个东西挺有品位”。

更重要的是安全。陈伟把安全优先级放到了智能前面。一台在开放环境里活动的机器，如果碰到人、伤到孩子，模型再聪明也没有意义。

斜跃因此在做主动式物理安全：机器人实时判断周围环境，当有人进入危险范围时主动停下，必要时做出保护动作。

实验室里先看任务能不能做成；到了家庭，还要看用户敢不敢买、愿不愿意长期放在身边。

04.晚到者的打法：不追订单，先定义问题

对话中，陈伟多次把话题拉回“问题定义”。“最难的不是如何解决问题，是如何定义问题。

斜跃目前最核心的，是开放物理世界里的具身基础模型。再具体一点，就是机器人在真实环境里，能不能一边做事，一边继续理解人。

现在行业最常见的Demo，还是围绕Action往前推。原来只能抓一个固定杯子，现在能抓不同物体；以前做短程任务，现在能完成更长的任务链。

陈伟并不否定这些进步。但他认为，机器人一旦离开相对封闭的环境，进入商场、酒店甚至家庭，单纯把动作做好还不够。

人会随时改变主意。机器人正准备打包汉堡，用户突然说：“别打包了，我拿着吃。”它得停下来。过几秒，用户又补一句：“再给我两包番茄酱。”机器人还得继续。

人和人合作时，这种过程再自然不过。我们很少把一项工作从头到尾完整描述完，再等对方执行。会插话，会修改，会看着对方做到一半再补一句。

陈伟认为，机器人最终也得进入这种状态。

斜跃把它叫作Duplex Reasoning，全双工推理，人和机器之间始终保持两条通道。机器人不再停留在单向执行任务的范畴，而是能够在交互、行动和反馈中持续推理与调整，实现交互和行动的一体化。

Duplex Reasoning区隔于传统机器人“接收指令—执行动作—返回结果”的单工、半双工流程，用户可以随时打断机器人的讲话，也可以中止它正在执行的动作；机器人也要持续向人反馈，让双方在过程中不断对齐意图。

我们的智能起点，不应该定位在只以行动为中心，而应该以人为中心。”这也是斜跃和很多团队很不一样的一个判断。

在陈伟看来，不少团队会把交互放到后面：先解决行动，再考虑接入语言模型。

陈伟觉得顺序反了。如果交互最终是机器智能的一部分，那么它就不能在模型已经训练完以后再补进去。训练数据从一开始采什么、模型怎样理解任务、动作如何被中途修改，都要一起考虑。斜跃提出的Duplex Reasoning为具身基础模型确立新范式：交互与行动应在数据、模型结构与训练流程中被一体化建模。

斜跃的第一个Demo也会围绕这件事展开，公司近期已在内部演示第一阶段成果；预计今年底到明年初，推出第一版Duplex Reasoning模型，之后持续更新。

到了2027年，重点不是广撒网。陈伟准备挑两三个场景，真正把模型放进去。商超、酒店，以及连锁快餐、咖啡店这类餐饮窗口，都在他的计划名单上。

这些场景有一个共同点：机器人既要干活，也要直接和人打交道。

酒店还多了一层优势：它离家庭很近，但规则比家庭统一。

陈伟举过自己家的例子：儿子玩完小汽车，他帮忙把车收进箱子，自认为已经完成任务。孩子一看，不行。轿车要这么摆，别的车要放在另一边，乐高还有自己的位置。

同一个家庭里，连父子对“收拾好”的理解都不一样。机器人进家以后，收纳很难开箱即用。它要先学习这个家庭的习惯。

酒店则不同。客房看起来像一个生活空间，但背后有一套统一标准：毛巾放哪里、被子怎么铺、衣服怎么处理，都有相对明确的规则。

所以斜跃考虑先从房间整理、洗衣房上下料、衣物取送等任务开始。对斜跃来说，这些场景既能产生真实反馈，其中的整理、洗衣、交互等能力以后也能继续带进家庭。

商业模式上，陈伟也没有选择“纯模型”。

现在的本体差异太大，一个模型拿出去，要适配各种传感器和动作接口，很可能只能做到60分、70分。

他更愿意先做自己的“Pixel”。谷歌做Android，也会做Pixel；讯飞卖语音能力，也做过自己的录音笔。

陈伟想先在自己的本体上，把软硬件体验做到80分、90分。等跨本体也能稳定做到这个水平，再谈模型开放。

另一个现实问题是：眼前能赚的钱，要不要都赚。

机器人行业现在不缺客户试点。一旦接下更多项目，就意味着要增加PD、增加交付团队、继续招人。

陈伟把这个选择叫作“欲望问题”。有些钱明明能赚，但如果会牵走长期研发资源，就得忍住。他现在更关心的是现金流健康，而不是估值。

“做模型这件事，是个结硬寨、打呆仗的事儿。”他把做模型比作盖楼，地基没打好，楼先盖得很高，看起来很漂亮，也可能突然塌掉。

长期研发不能只靠融资。陈伟目前只打算重点做两类收入：一类是经过模型验证的高质量数据，另一类是和长期方向一致的少数场景。

05.从理想同学到斜跃：少打补丁，先补能力

陈伟敢在2026年进入这条已经很拥挤的赛道，一部分底气来自过去十几年反复做过的一件事：把机器变得更“懂人”。

2021年底进入理想时，理想同学背后的语音能力主要来自多家供应商。信号处理一套，语音识别一套，TTS一套，手势又是另一家。每个模块都能工作，但没有一个团队真正为端到端体验负责。

2022年，陈伟开始搭自研团队。最开始，他没有把精力都花在竞品常比的那几个准确率指标上。

团队先盯两类人，小孩和老人。小孩说话含糊，语序经常倒装、省略；老人又可能带很重的口音。

其次是噪声。静止的车里很安静，一旦车速到80公里、100公里，风噪马上起来；车里还有可能几个人同时说话。为了把这个体验做出来，2022年冬天，团队每天晚上七八点从望京开三辆车去顺义。车窗开四分之一、开一半、全开。一帮人就在高速上反复测，冻得发抖。

“就是这样，才把体验拉上来。”陈伟说。

后来团队又开始做方言。过去用户要自己去设置里切换粤语或者普通话，因为背后是不同模型。陈伟觉得很“傻”。他们希望一套模型直接理解不同方言和口音。

再后来，交互从“把话听对”，往“把意图听懂”走。用户不需要说“把车窗开到25%”。他说一句“我想抽根烟”，系统就应该理解，需要把窗户打开一点。小孩不认识动画片的名字，也可以只描述封面：“我要看那个黄色狗狗。”模型结合屏幕画面，找到对应内容。

这些功能上线以后，陈伟会去看微博和日志。他关心的是，用户什么时候会觉得“它真的听懂我了”。

大模型出现以后，他开始觉得，只靠一项项补功能，这条路会越来越重。一个问题没解决，加一个模块；一个case出错，再补几条规则。短期都能见效，但系统也会越来越复杂。

于是他开始追问：这些错误背后，是不是其实缺了同一种能力？

他拿人的学习过程作过类比：人不是把数学、语文、常识一个个模块装上去，再拼成一个完整的人。能力是在学习中一起往上长的。

模型也应该这样。重点不是它又多会了一个技能，而是整体能力能不能跟着学习一起提高。

陈伟后来重新理解了强化学习之父Richard Sutton那篇著名的《苦涩的教训》。2019年第一次读时，他没有太强感觉。真正做过大模型和强化学习以后，他开始觉得，规则加得越细，不一定代表模型本身更聪明。

所以2024年做理想同学的数据闭环时，团队换了方法。用户骂系统“笨”、骂它“傻”，团队不再只修这一条错误。他们把大量类似反馈聚在一起，看背后究竟缺的是哪一种能力，再围绕这类问题重新组织训练数据。

陈伟甚至设想过一个很像人的反馈方式。一个用户因为同样的问题连续失败几次，最后不用了。等某一天模型真的学会以后，它是不是可以主动找到那个人：“哥们，你骂了我好几天，我总算悟了。我给你演示一遍。”

这个设想最后没有上线，但陈伟想表达的是，模型上线以后还得继续学。用户在真实使用中暴露出来的问题，也要重新用到训练里。“经验的时代，才是智能后面更大的可能性。”

这个思路，也影响了他怎么带团队。在理想做基座模型时，大模型研发逐渐进入工业化。有训练管线，有数据管线，也有明确的PD和RD。管线成熟以后，陈伟发现，所有人越来越容易只做已经被定义好的工作。

他自己早上起床会看一遍论文，晚上睡觉前还会再翻。绝大多数论文，他觉得只是阶段性的技巧。但剩下的10%、20%，里面可能藏着未来两三年的变化。

于是他在PD和RD之外，专门设了一个“反共识小组”。参与者以年轻人、校招生为主。不用先写完整方案，只需要说：最近看到了什么？有什么新的想法？

陈伟甚至不建议leader参加。“一线的人的感知，一定比管理属性的人更强。”一个想法如果讨论下来值得做，再进入RD；跑出结果，再进入PD。

也是在那个阶段，陈伟越来越相信，大模型团队未必人越多越好。

人一多，就必须切分职责。一件事原本一个人从头看到尾，变成四个人以后，每个人只能看到四分之一。边界越来越清楚，信息也越来越容易在边界上丢失。

所以到了斜跃，他想要的组织依然不是“集团军”。团队规模不用太大，但人才密度要高，每个人能独立负责一个完整问题，也允许一定程度的混沌和自底向上。

这也是他愿意出来创业的原因之一。具身还在变化，小团队更容易掉头，也更容易把注意力集中在一个问题上。

陈伟对模型和组织的想法其实很像：模型别太早被规则绑住，团队也别太早被流程和分工绑住。

06.结语

陈伟离开理想前，理想汽车创始人李想给过他两个选择。留在理想继续做具身，或者出去创业，理想支持，也可以投资。

陈伟选了后者。他没有签竞业协议。出来之前，两个人也谈过方向：理想自己的机器人未来更可能先服务工厂等内部场景，家庭这条更远、也更难的路线，陈伟和团队先出去探索。

所以“来晚了吗”这个问题，在他这里可能从一开始就不成立。在他看来，具身的技术路线还没有定型，现在的数据量、融资和落地领先，还没形成真正的差距。

更实际的问题可能是：他选的这条路，最后能不能跑通。Duplex Reasoning要从概念变成稳定能力，Ego数据要真正让模型变好，自己的本体能把这些能力稳定交付出去；酒店、商超和餐饮场景还要能形成生意，最后再看能不能进入家庭。

对话最后，谈到这场创业和理想的关系，陈伟把目标说得很简单：“我们无非就是自己先跑得快一点儿，争取别给想哥（李想）丢人。”

*文中配图均来源于pexels。