【独家】星源智刘东：让机器人从会做Demo，变成能上岗的熟练工

用工业练技能，用商业练泛化。
编按：
“身体力行”，古已有之。《淮南子·氾论训》有“圣人以身体之”，《礼记·中庸》亦言“力行近乎仁”。古人所重，不只在“知”，更在知之后的“行”——以身体感知世界，在行动中验证认知。
两千多年后，这四个字在具身智能时代有了新的现实含义：具（身），让智能拥有进入物理世界的载体；智能（体），赋予机器感知、理解与决策的能力；创新（力），推动技术突破瓶颈、建立壁垒；执（行），让这些能力最终转化为产品、交付与真实价值。
值此之际，《融资中国》推出“身体力行”具身智能专刊，将目光投向一批正在产业深处生长的未来独角兽。我们试图记录的，是一场从“知”到“行”的跨越，也是新一代机器人企业从技术走向产业的成长之路。

“把水拿过来”——这五个字，一个语言模型早就能听懂、能解析、能翻译成再标准不过的指令。

星源智创始人兼CEO 刘东想问的是：听懂之后呢？水在哪、杯子什么姿态、该从哪边下手、移动过程中会不会碰倒别的东西，这些没有一句话是语言模型能替机器人回答的。

他把这个判断讲得很直白：机器人最容易失败的地方，从来不是“没听懂”，而是从一句抽象指令走到一次真实、可靠、能纠偏的动作之间，那段没人替它铺好的物理鸿沟。

这也成为星源智构建通用具身大脑技术体系的重要出发点。

刘东和团队定下一个方向：机器人不能只解决“看到什么、应该做什么”，还需要进一步理解“这样做之后，物理世界会发生什么”。他们把世界模型直接搬进了动作执行的循环里，让它不止停留在训练阶段成为用来蒸馏数据的辅助工具。

这就是后来ω-EVA里那套“先想后做”的机制：策略模型提出一个候选动作，世界模型在脑子里先演一遍这个动作可能带来的后果，再交给一个专门的模块结合当下状态做修正。说白了就是让机器人在伸手之前先问自己一句，这么做到底会不会把事情往对的方向推。

这个判断之外，团队还有另一层启发，来自他们做的另一个模型DECO：真实机器人任务不能只靠视觉和语言。尤其在双臂协作、抓取、接触密集这类任务里，机器人需要知道自己手上到底捏没捏紧、接触面稳不稳，这些本体感知和触觉信号如果只是简单拼进一个大模型里，效果并不理想，必须专门结构化地接入策略。

也是基于这样的认识，星源智从很早期开始就没有把自己绑定在某一种机器人本体上，而是同时在20多类不同形态的机器人上积累跨本体数据。

刘东的想法是，如果大脑学到的只是某一台机器人的固定动作，那换个场景、换个本体就得从头再来一遍，这不是他想做的公司。

这也是“大脑与本体解耦”这个理念在星源智内部真正落地的开始。

以下为采访实录，以飨读者：

《本刊》：世界模型、VLA、端到端、分层大小脑等路线的差异究竟在哪里？

刘东：VLA 更强调从视觉、语言到动作的直接映射，回答的是“看到什么、听到什么之后，机器人应该做什么”。世界模型更进一步，它要回答的是“如果机器人这样做，物理世界会发生什么变化”。也就是说，VLA 更偏动作生成，世界模型更偏动作后果理解和验证。

端到端是一种学习和实现方式，强调从输入到输出尽可能通过统一模型学习；而分层大小脑更多是工程系统架构，解决的是不同实时性、不同抽象层级能力如何协同的问题。

星源智的路线不是简单地在 VLA 和世界模型之间二选一，而是希望把世界模型真正嵌入动作生成闭环。以ω-EVA 为例，我们提出的是 Envision–Verify–Act：策略模型先提出候选动作，latent world model 在潜在空间里预演这个动作可能带来的后果，再由 refiner 结合当前状态、候选动作和想象未来，对动作进行验证和修正。这样，世界模型不只是训练阶段的辅助预测器，而是推理时的动作反馈模块。

同时，我们的另外一个模型DECO 给我们的启发是：真实机器人任务不能只依赖视觉和语言。尤其在双臂操作、抓取、接触密集任务里，本体感知、触觉、接触状态等低层物理信号必须被结构化地接入策略，而不是简单拼接进一个大模型里。因此，我们理解的具身大脑，既要有上层的任务理解和后果预测，也要有下层对真实交互信号的精细建模和实时控制。

《本刊》：机器人需要一个“超级大脑”，还是多个专用模型协同？

刘东：长期一定需要能力足够强的通用基模，但现阶段更现实的是“通用基模+专用能力协同”。

机器人执行长链条任务，需要同时调用空间理解、任务规划、导航、操作和运动控制等不同能力，现阶段很难靠一个模型解决所有问题。星源智的思路是“通用基模+场景后训练+不同能力协同”的路线。先用全行业数据训练通用能力，再用真实场景数据后训练，把通用的“60分能力”提升到具体场景的“90分”。

《本刊》：从语言理解到动作执行，中间最容易发生信息损失的是哪一步？

刘东：最大的鸿沟不是“听懂一句话”，而是把抽象任务转化成真实物理世界中可执行、可预测、可反馈、可纠偏的动作。

语言可以告诉机器人“把水拿过来”，但这句话真正落到执行时，需要解决一连串物理问题：水在哪里、杯子是什么姿态、该从哪里抓、抓取是否稳定、移动过程中会不会滑落、环境中是否有遮挡和碰撞风险。如果中间缺少对空间关系、接触状态和动作后果的建模，机器人即使理解了语言，也很容易在执行阶段失败。

这也是我们做ω-EVA 的原因。我们希望机器人在真正行动之前，不只是直接输出动作，而是先在潜在空间里预演这个动作会带来什么后果，再决定是否修正。换句话说，机器人不应该只是“听懂指令”，而应该能判断“这个动作执行下去会不会把世界推向正确的方向”。同时，DECO也说明，在真实操作中，很多失败并不是因为语言没理解，而是因为接触没处理好、触觉反馈没利用好、本体状态和视觉信息没有对齐。所以从语言到动作之间最容易损失的，其实是抽象语义到物理交互之间的 grounding。

《本刊》：机器人需要多强的推理能力，才能进入真实工业和商业环境？

刘东：机器人进入真实工业和商业环境，真正需要的不是脱离物理世界的抽象“高智商”，而是能够在真实交互中被验证、被纠错、被持续迭代的物理推理能力。

工业客户最终不会只看模型参数有多大、推理链路有多复杂，而是看机器人能否长期、稳定、高效地完成任务。真实场景里的推理比实验室 Demo 更难：机器人要能预测动作后果，要能判断当前动作是否会导致失败，要能在物体滑动、接触不稳、环境扰动、视觉遮挡等情况下及时修正。

所以我们更愿意把它称为“带有工龄的推理能力”。一方面，机器人需要世界模型这样的机制，在动作执行前进行后果预演和风险验证；另一方面，它也需要通过大量真实成功和失败案例积累经验，知道什么情况下会成功，什么情况下会失败。只有把预测、执行、反馈、纠偏和数据回流形成闭环，机器人才能从“会做 Demo”变成真正能上岗的“熟练工”。

《本刊》：泛化究竟应该如何定义：换物体、换任务、换场景，还是换本体之后仍然能够工作？

刘东：泛化有不同层级，但真正有产业价值的泛化，是换任务、换场景甚至换本体之后，原来的能力仍然能够迁移。

换一个杯子还能抓只是比较基础的泛化，更重要的是同一套“移动+抓放”能力能够从药店迁移到前置仓、仓库等不同场景。星源智从一开始就基于20多类本体积累跨本体数据，希望大脑学习的是空间、物体和任务的共性，而不是某一种机器人的固定动作。

《本刊》：未来具身大脑会掌握在整机企业手里，还是形成类似操作系统、基础模型一样的独立平台公司？

刘东：两种模式都会存在，但随着研发成本上升和本体形态分化，独立的具身大脑平台会成为重要的产业分工。

少数出货量足够大的整机企业有能力支撑全栈自研，但更多企业需要通过外部平台分摊持续的模型研发成本，这与智能汽车产业的演进非常类似。更重要的是，叉车、人形、机器狗等本体形态不同，但环境认知、任务理解和规划执行具有共性，这也是星源智坚持“大脑与本体解耦”的基础。

《本刊》：您认为具身智能行业目前处于什么阶段？距离真正的规模化商业化还有多远？

刘东：具身智能现在大致处在自动驾驶2016年前后的阶段，Demo已经大量跑通，但到真正形成生产力还有一段路。

行业已经能在一些简单、明确的任务上看到落地可行性，但复杂任务真正进入生产环境，还要解决稳定性、效率和成本问题。更现实的路径不是一步到位追求“L5机器人”，而是先让一批L2、L3级能力进入场景、产生收入，再用真实数据持续迭代。

《本刊》：在这轮具身智能浪潮中，中国企业的独特优势是什么？是供应链、数据、场景还是成本？

刘东：中国真正的优势不是供应链、数据、场景或成本中的某一个，这些项目上中国都具有很大的优势，而是这些能力能够形成一条很快的产业迭代链。

中国有丰富的制造、物流、电力、零售等真实场景，也有大量不同形态的机器人本体和成熟制造能力，可以更快完成“产品进入场景—产生数据—模型迭代—再次部署”的闭环。星源智基于积累的跨本体数据，同时在物流、工业等场景推进落地，也是得益于这种产业闭环优势。

《本刊》：资本大量涌入，估值快速攀升。您如何看待当前行业的热度？是否存在泡沫？什么样的公司会在这轮洗牌中活下来？

刘东：具身智能一定会有泡沫，也一定会经历出清，真正能活下来的，是能把技术兑现成产业价值的公司。

行业早期很容易把“Demo做得好看”当成“已经能创造价值”，但真正进入商业化阶段，客户最终还是会回到效果、效率、成本这三笔账。既有持续迭代的核心技术，又能把产品真正交付到场景、形成数据回流和商业闭环的公司，才更有机会穿越这一轮周期。

（头图人物：星源智创始人兼CEO刘东）