晨昏线科技余庆：从 CV 模型到世界模型，一个建模者的十年场景迁移｜世界模型 50 人

总得有人把工厂里的脏活累活，翻译成模型能解的问题。

作者丨吴 彤

编辑丨林海峰

2026年，具身智能赛道挤满了做身体的人。

人形机器人一个接一个发布，关节越来越多，自由度越来越高，走得越来越稳。但余庆（晨昏线科技CTO）觉得，真正卡住行业落地的是另一件事：机器人不缺身体，缺的是动手之前“想清楚”的能力。

晨昏线科技做的事听起来有点反常规——聚焦大脑，而不是身体。

他们发布的世界模型TermiBrain，不生成视频，不预测像素，而是让机器人在执行动作之前，先在隐空间里推演几条可能的“世界线”，评估哪条代价最小、最不容易把东西搞砸，再挑最优的一条去执行。

这不是一个纯技术选择，而是一个工程判断。

余庆见过很多demo级的展示，看起来很酷，但进了真实工厂就露馅。因为真实场景里没有标准答案，没有固定轨迹，每一次操作都要面对新的物体、新的空间约束、新的物理代价。

他的判断是：在身体还不够便宜、场景还不够标准化的阶段，本体厂应该把精力放在优化硬件上，而“大脑”这件事，交给专门做大脑的团队。

过去 11 年，余庆从安防、教育一路做到华为的通信网络和数据库，场景换了好几轮，做的始终是同一件事：把行业里说不清的经验，翻译成模型能解的问题。

以下是AI科技评论与余庆的对话，并做了不改变原意的编辑。

01

大模型之前的那些年

▎AI科技评论：你很早就把深度学习用在安防人脸识别上，还做了近红外与RGB的多模态融合。当时既没有大模型，也没有Transformer，你靠什么判断“深度学习会吃掉传统CV”？

余庆：那是我职业生涯中较早的一段经历，主要围绕计算机视觉与安防项目。其中我认为做得最好的是人脸入户锁——产品已进入大批量生产并形成销售。

当时业界仍以传统机器视觉为主：小波变换、Haar特征，基于OpenCV的框架。卷积神经网络在学术界开始应用，但工业界基本还没有。我有幸负责了公司关于深度学习在计算机视觉与安防应用的调研。

调研中我发现，传统机器视觉以人工设计特征为主——比如人有两只眼睛、一个鼻子、一张嘴、猫是毛茸茸的。这本质上是把先验知识和SOP塞进特征提取与特征设计中，带来的问题是容易定制化，面对边界情况无法通过大量数据自行挖掘，只能靠人工不断修补。

与此同时，深度学习在ImageNet榜单上的分数提升极为迅猛：AlexNet首次出现，便比传统机器视觉特征高出10%到20%。公司据此决策切入深度学习的CV赛道。目的很简单——提升对目标、对场景的泛化性。

▎AI科技评论：在安防、教育等领域落地的过程中，哪个技术难题让你印象最深？

余庆：安防领域做人脸识别时有一个很大的痛点——活体检测。

早期工业界很少有人将近红外、RGB与RGB-D深度信息结合起来做防伪。两个模块分开解耦使用也可以，但难以捕捉隐性特征，于是我们决定将近红外与RGB融合。近红外提取出的人脸状态类似黑白图，RGB的特征层级则更丰富，二者互补。

但融合过程困难重重：不同光照、不同角度下，RGB无法完成活体检测，近红外可以，却依赖结构设计与补光灯设计。

最终我们的产品采用双摄像头方案——一个近红外、一个RGB，完成了初代产品的研发。

在第二家上市公司做教育业务时，我主要探索了如何从CV的深度学习——数据、模型训练与特征提取——迁移到NLP与语音方向。

当时我们承接了深圳市中考英语口语识别，以及中英文作文自动评分。这些场景与安防虽有领域差异，但本质相同。

▎AI科技评论：当时你进入的是ICT体系下的一个部门，承接了无线、光、数通、数存六个产品线的AI需求。这些需求是怎么对接和消化的？

余庆：ICT下面有一个公共开发部，类似于中台或平台部门。我们当时在其中组建一个围绕ICT的AI平台与算法团队，名为NAIE（Network AI Engine，网络AI引擎）。

网络AI引擎部门最初承接的，正是六大产品线——无线、光、数通、计算、存储、能源——转来的AI需求。第一项业务，就是推动这些产品线完成AI智能化转型，本质上是将数字化向智能化演进。为此我们提出了一个概念：网络自动驾驶——围绕ICT的自动驾驶。

我们参照汽车智能驾驶的分级方式，将其划分为L1到L5，覆盖规划、建设、维护、优化、运营五个维度。从这些维度可以拆解出大量AI需求与AI特性，要做好它们，需要两个关键能力：

第一，如何把ICT领域的AI问题建模、转化为AI的目标函数或建模问题；

第二，如何收集相应场景的领域数据，借助我们构建的持续学习平台进行迭代优化，最终部署到客户网络中。

▎AI科技评论：后来你又做了昇腾算子、推理引擎、持续学习平台——相当于从用模型的人变成了造模型工具的人。这一阶段技术维度增加了哪些？

余庆：做持续学习平台、AI模型平台、数据平台，目的是沉淀技术栈，让新场景能够快速训练与泛化。

这里最忌讳的是一上来就做平台——没做过任何AI应用就搭平台，会南辕北辙。我们的路径是：先做特性，找到高价值的AI应用，落地1到3个据点之后，再提炼共性的平台需求，梳理共性的corner case如何解决。本质上，做AIOps、持续学习平台、小样本学习，就是为了解决这些提炼出来的共性问题。效果是显著的：一个AI应用的交付周期从3周缩短到一周、几天甚至十几个小时。

基于一阶段积累的AI应用，我们提炼痛点与共性需求，对内服务近六个产品线、对外服务100个局点。

02

在华为做大模型

▎AI科技评论：我注意到你简历中有早期机器语言大模型、类JEPA、空间拓扑时序图预训练等工作。机器语言大模型是哪一年、为什么立项？

余庆：它不仅是通信大模型的前身，甚至是我们现在做世界模型的前身。机器语言大模型于2022年初立项，当时华为内部正在讨论生成式与BERT两条路线，本质即Encode与Decode之争。

基于BERT的路线确定性更强——只要将数据模态表征好，即可支撑文本分类、语义理解、NER等大量下游任务；而Decode的生成式路线（写文章、讲故事）在当时的ICT场景并不适用。因此我们将其定位为一个探索项目，面向云与产品线的核心网业务。

核心网的痛点在于：一个省级通话链路骨干网一旦发生故障，可能导致全省电话打不通——引发的不仅是民事问题，还有政治问题。

▎AI科技评论：为什么称之为“机器语言”？

余庆：核心网的数据是多模态的：空间拓扑与逻辑拓扑（数据库层、网元层、转接传送层的分层结构）、随时间上下波动的时序监控指标、各模块产生的日志与告警，以及普通人无法理解的运维指令与通话转接信令。我们将这些统一定义为面向业务线的“机器语言”，多模态数据的融合表征与统一训练，这其实已经是联合嵌入预测架构的雏形。

▎AI科技评论：故障样本极少，如何解决？

余庆：核心网故障样本极为稀缺——在数百万条正常空间时序数据中，故障仅有几千条。我们在华为东莞松山湖构建了一个小型的仿真环境来构造故障数据，但仍是杯水车薪。因此做了两条路径：

一是把正常范式表征出来——异常到来时，正常数据在二维空间中汇聚在一起，故障数据离群在外，这条路径用于感知；

二是将图预训练得到的全局特征用于下游任务——定位问题、定界故障维度，甚至给出修复建议。

这套工作也为我后来做通信行业大模型做了准备。

其一，建模方法与数据知识沉淀了大量语料——日志、运维知识都是在那时准备好的；

其二，我当时搭建了一个200卡的算力集群。

▎AI科技评论：华为第二阶段，你提到被任命为通信盘古行业大模型的技术负责人。从时间上看，是22年储备、23年3月立项、23年9月试商用、24年正式发布，对吗？另外这个任命是你主动争取的，还是任命的？

余庆：储备工作正来自机器语言大模型时期——我们储备了算力集群、核心骨干与算法专家，也招募了众多海外博硕士。2022年11月ChatGPT发布后，华为内部随即开展战略研讨：华为在通信领域深耕30年，如何把这30年的经验抽取出来、把数据获取出来，训练一个行业模型——这是当时的初衷。22年底即已启动。

2023年9月恰逢华为全联接大会，产品被正式定义为NetGPT并发布。到2024年，基于通信行业大模型已落地大量特性与Agent，上层应用逐渐成熟。整体即储备、研发、发布、落地四个阶段。

至于这个岗位，可以说是争取到的，也可以说是被任命的，两者相辅相成——因为这个岗位是个类似CTO的角色，除了技术过硬也要能够落地，此前的积累是实打实的：几百卡集群、百B参数级模型的训练经验，以及人才储备，同时解决场景中的各种问题。这也是我晨昏线科技CTO岗位的一个预演。

▎AI科技评论：训练中的关键难点是什么？与盘古底座的分工是怎样的？

余庆：最关键的是工具调用。

ICT领域API太多，模型怎么知道该调哪个API？我们提出了一个类似Graph Form的新架构，基于盘古底座做通信语料处理与API调用增强训练，同时引入强化学习——请了众多运维专家做RLHF打分。这里的挑战与写文章不同，要回答准确、对数字敏感：一个设备是24个还是23个网口，答错是不可接受的；涉及底层数据时直接调数据库并不适用，必须走API。

总结而言：盘古底座的价值在于通用千行百业的中文语料与知识；我们做的是围绕通信场景落地——准确性、行业语料理解、API调用等。

▎AI科技评论：通信大模型与后来的NLP大模型不同——告警、拓扑、工单、时序、空间结构等数据形态，你当时坚持先建时序、图拓扑底座，而非直接微调大语言模型。

余庆：这个阶段我们考虑的是落地。通信盘古行业大模型是华为第一个基于盘古底座的垂域模型，本身是一个NLP大语言模型。但我们发现，单纯的大语言模型完全解决不了规划、建设、维护、优化中的时序预测等问题。

于是我们基于通信行业大语言模型，还构建了时序预测大模型、无线速率大模型、家庭宽带画像大模型等多个维度，核心是把这套数据训练推理的范式，往更能落地的场景维度去拓展。

比如把时序图、空间拓扑挂接到通信行业大模型上——有点像现在讲的双系统：通信行业大模型负责理解问题与故障现象、判断调用哪个API；API可以是此前积累的机器语言大模型，也可以是小模型。这是一个“慢思考、快执行”的形态。坚持补齐其他维度的大模型，正是奔着场景能落地、能解决问题的方向。

▎AI科技评论：后来你转到华为云做数据库大模型。你觉得数据库大模型的难点是检索，还是把DBA的隐性经验变成可验证的动作？

余庆：我们当时的工作确实分两层。

第一阶段，通过大语言模型与多模态模型解决数据库运维问题——面对一个故障、一条告警，如何给出诊断建议与诊断知识。

第二阶段，承接了一个重要任务：把DBA的隐性运维经验，甚至写SQL的能力，挖掘出来。我以翻译为例。当时国家要求金融、银行系统全面国产化，华为高斯数据库是国产化的核心选型之一。我接触了众多银行客户，他们有海量的Oracle SQL语句——存储过程动辄几万条、几十万条；而DBA大多出身Oracle、MySQL，高斯数据库生态尚浅，迁移与翻译一度只能依靠华为内部的专家工程师。

团队工程师们积累了约70万对翻译样本。我由此想到：能否让大语言模型从这70万对中学习范式——大小写转换、兼容性转换——把DBA的隐性知识通过数据与模型的表征能力提取出来。

最终结果是有效的：SQL to SQL的功能增强完成后，基本达到95%以上的转化准确率。

03

机器人动手之前，先想清楚

▎AI科技评论：晨昏线科技2024年底就注册了，公司却是2025年8月才开始运营，什么时候加入的？是刘佳找你的吗？

余庆：我25年8月加入晨昏线科技。名字是一次和庄健总交流时定的，他觉得名字很好，就抢先注册了。相比地平线这类名字，“晨昏”有时间概念，“线”有“空间”概念，是时空结合，也符合我们对具身智能快速演进的预期。我从道通离职后，刘佳总和庄健总都邀请我，我就加入了。

余庆

▎AI科技评论：怎么理解晨昏线现在的客户、商业模式和技术路线？最简单的话说，到底在做什么？

余庆：一句话，我们做基于物理世界模型的通用具身大脑。技术路线是时空结合的物理世界模型，不单是语言模型。

客户有两类：一类是本体公司、本体厂商；另一类是可以直接面向终端客户提供解决方案。

商业模式卖几大类：可以销售模型，以及具身智能盒子。盒子可以是端侧，也可以是边缘侧服务器，主要跟本体厂商或伙伴合作；也可以销售一整套解决方案。

现在很多TOP客户希望面向工业上下料、3C检测测试等场景，我们提供一整套解决方案，包含机器人硬件、软件、算法模型，甚至从数据采集、标注处理到训练的工具链。

▎AI科技评论：你们不做机器人身体只做大脑，大脑输出什么？给机器人发指令向左向右、几厘米、几牛，还是更抽象的东西？

余庆：可以说是更广义的东西。狭义大脑如World Action Model或VLA，输入当前机器人视角、相机照片、初始状态，给一个指令，输出action track，即末端位姿、到达末端坐标、开合状态，怎么抓、怎么移动，很好理解。但我们做的大脑，我更想说是广义大脑，是一套系统。

比如服务一些TOP客户，我们往往提供完整方案。

首先，模型是基础，同时围绕模型有端到端的作业管理界面，帮客户管理机器人本体状态，以及作业时任务下发、任务采集和可追溯图像记录，这是一个模块。

第二，提供一套从场景出发的数据工具链：数据怎么采集、自动标注、自动评分，还提供训练平台，预置我们自己的狭义模型，客户可基于少量采集数据做增训、微调、后训练，得到想要的场景模型。

第三，基于我们对世界模型的定义，提供Physical Agent框架，有点像RSI概念，帮客户买了产品后解决异常问题、异常告警，甚至随数据不断积累采集，模型越来越强。

▎AI科技评论：慢思考，快执行，落到机器人大脑里，指的是提前思考了什么？

余庆：世界模型核心关注两点：对时间因果和目标空间结构的理解与预测，“目标因果”正由此而来。

慢思考中我们提出“多世界线生成”，跟人脑一样。比如递一瓶矿泉水，我可以从左边走、右边走、从桌子底下钻过去，甚至从桌上踩过去，但哪条世界线最优？我们提出多维度融合强化学习，希望模型基于生成的不同世界线做好评估。

比如绕桌子转10圈再递水，时间代价太大不是最优；从桌底钻过去，但affordance和supportance不支持，有挡板，这条世界线就不行；拿了一瓶喝过的、甚至温度超90度的水，不符合物理性质。所以在多世界线最优选取上，我们构建强化学习范式，希望模型兼顾不同维度，尽量选一条最优操作世界线。

▎AI科技评论：你们的目标是一步到位做通用型大脑，还是先瞄准某场景提高精确度、成功率，再做泛化？

余庆：分阶段推进。今年4月发布的GCWM 1.0是系统架构，含三个核心算法模块：

一是增强空间理解的理解模型，属慢思考；

二是目标因果预测模型，作为世界模拟器，生成世界线、想象不同轨迹、输出不同任务执行路径，也是慢思考；

三是前段时间发布技术报告的TCM因果操作模型，提供操作技能库，串接慢思考输出的子任务动作完成具体操作。叫因果操作模型，是希望在真实场景尽量少采数据，比如200条或1000条就能小样本学习，不用采1万条，甚至能跨场景泛化到未见场景。

整体看，GCWM 1.0由这三个核心模块组成。后面规划GCWM 2.0，希望打通端到端链路，从理解到预测再到执行贯通，计划今年年底或明年年初发布。最近我们在World Arena 2.0榜单上也做了一些尝试。

▎AI科技评论：你们常做钢琴弹琴、叠衣服、巡检演示，是真机连续跑8小时不出错的？

余庆：钢琴演示在很多展会肯定超过8小时。

不过我更想说前段时间在华为HC全连接大会展示的零售作业机器人，它是比较完整的解决方案。我们在那连续三天做展示，可以下单，机器人接收订单指令后生成点位去导航，导航过去后我们还做了模型创新，可以同时抓取、分层抓取。

零售服务场景

这里面世界模型扮演了重要角色，它要预判预测是分两层抓、同时抓，还是左手抓右手抓。这是现场比较出彩的真实展示效果。

▎AI科技评论：你们适配了20多种形态机器人，是不是每种都要单独调一遍？那不是很靠前期、很耗人力？

余庆：这20多种是广义机器人类型，包括机器狗、好几种人形机器人、不同厂家机械臂、不同厂家灵巧手和夹爪。

目前同一类型，比如都是轮式底盘的双臂机器人（我们叫轮臂机器人），只要小脑接口、前后左右移动、摄像头数据流和接口OK，基本天级就能接入，模型能对接上。

但也有gap：

每个厂家关节模组接口不一样，有的偏硬件、接口生态不好；有的找代工，软件生态和接口好一些；有的在小脑层面、移动稳定性或电池续航上更好。所以我们定义了硬件抽象层HAL，基于这层抽象能做到天级接入，把东西跑起来、数据对接起来。但真实操作时，跟不同厂家质量和具体情况有关，确实还需花时间人力。

晨昏线科技也做了选型，前面20多种是为积累know-how，了解哪家臂好用、耐久、编码器等。目前选定了两款底盘、两款灵巧手、一两款夹爪，范围收缩了。对接终端客户时，客户也会让我们推荐本体。最近我们也在思考，可能根据不同场景设计具体机器人本体硬件，比如这款底盘适合工业、那款适合零售，这个夹爪适合什么目标物体，不同机械臂适用什么场景。也可以透露，目前晨昏线科技也在基于场景经验做自研机器人设计，年底会发布自己的机器人本体。

▎AI科技评论：数据从哪里来？遥操作采集，还是其他来源比如监控摄像头？

余庆：数据分两类：开发态数据和运行态数据。

开发态数据方面，晨昏线科技在深圳坪山有一个小型数据素材实验室，现在有20人左右采数人员。采集方式有几类：头戴式第一视角（Ego）数据、手持装置UMI数据，还有VR遥操作采集方式。晨昏线科技也在做新探索，比如全身参数采集，因为很多场景发现不仅是桌面操作，往往需要移动和全身控制，所以也在定义全身参数采集范式。

运行态数据就是你提到的摄像头数据。我们希望机器人作业有迹可循、可追溯，有点像自动驾驶的路采数据，只要在现场运行的机器人就自动在采数。我们现在也在构建运行态数据回流系统，跟几个客户在沟通，但要做好脱敏和协商，因为会涉及工业客户敏感信息。所以两大类数据我们都在积累。

▎AI科技评论：从AI三要素数据、算法、算力看，哪块难度最大？

余庆：算力已经很强，包括英伟达和昇腾，昇腾也在做950、960。算法和数据层面，我觉得目前算法突破很关键，同时具身数据也非常重要。

从经验看，高质量、有效且符合场景的数据特别稀缺。很多数据公司采了几万、几十万甚至几百万小时数据，但真正高质量有效的不多，数据存在长尾分布，高质量数据占少数。比如我们在一些场景发现，有工业know-how的操作轨迹采集数据，比杂乱无章的操作数据在模型训练中更有效。

▎AI科技评论：团队多少人？有订单了吗？哪个案例最值得说？

余庆：公司总人数150人，其中正式员工60个。营收今年预计到年底确收1000万左右。

举一个最近进真实工厂的例子。很多人用的某免税店小程序，买化妆品都从小程序下单。他们前置仓有很多货架和拣货、复核、打包人员，货品从前置仓直接发到消费者手上。我们和客户打造了一套从货品上架、拣货、复核到打包的前置仓作业机器人解决方案，目前在拣货和复核环节已经进去了。

▎AI科技评论：工厂老板用你们的系统，关心替代人后降本多少、回本周期多长。你们和客户算过这笔账吗？有没有客户正式运营一年多后，说后续铁定用你们的系统？

余庆：工业客户我一般分几类。

第一类有自己的研发、算法数据团队，希望跟晨昏线科技合作，采购工具链、采数装置和采数平台，因为他可能没有具身模型经验，但有场景，需求明确。

第二类有场景但没有研发人员，希望晨昏线科技做端到端解决方案交付，这时就要算ROI。我们一般跟客户聊人工成本，分一年、两年或三年测算，同时帮他做规划。

举个例子，以前工业流水线分三个工序完成，有些动作是三个工序做的，我们会建议用机器人放在一个工序里。比如看过一个TOP的3C产线，一个人工听震动、一个摸材质、一个称重，我们跟他聊可以做融合，ROI会更好。

面向工业SMT产线

第二，跟零售或前置仓客户聊，商品卖出后会出现投诉退单，因为人操作可能顾不过来、弄错，但用了我们的系统可以完成所有任务记录、可追溯，不存在这个问题，在其他维度做了补充。

目前跟几个客户聊下来我很有信心，他们都会反馈我们的整套方案和产品很系统，能想到他没想到的地方，甚至有些客户表达今年年底或明年可能会有规模复制的预期。

04

护城河在哪

▎AI科技评论：做世界模型大脑会面临两方面竞争：本体厂可能自研，大模型厂也可能延展。晨昏线科技的壁垒是什么？

余庆：第一类本体公司要建一个有多年大模型甚至世界模型经验迁移的团队，成本很高；还需要大规模集群算力和Infra能力，千亿参数、千卡集群训练过的团队经验，成本高且需要时间沉淀。所以本体公司现阶段更希望把本体做好，PK价格、优化关键模组。

第二类大模型厂商，现在逐渐希望把物理真机数据、机器人数据训到大模型里，在机器人场景使用。但现阶段它们只能做浅显理解，有点似是而非。如果没有真机know-how、没有真正机器人操作action经验，不能把触觉、力控、力反馈、力位融合等数据知识融合进大模型，就解决不了机器人真实执行和真机反馈的问题。现阶段大模型公司还有这个gap。

回到晨昏线科技，核心竞争力和护城河有三点：

第一，模型能力强，我们率先发布了目标因果世界模型，并具备千卡集群和千亿参数训练的Infra能力，这类团队在国内或全球都不多。

第二，有大量机器人硬件使用和调用经验——很多研究团队在这方面有gap，需要两手沾泥，比如机器狗、无人机、机器人怎么控制，怎么求解运动学和动力学，我们近两年多积累了大量经验。

第三，团队花5年积累了持续学习和AI平台构建经验，这是未来具身智能落地、在线学习能力构建的基础，因为机器人在物理世界探索要解决很多corner case，需要好的平台底座；这5年也积累了大量把场景问题建模转化成模型问题的know-how。

▎AI科技评论：世界模型对晨昏线科技来说是什么？你们更看重数据和进入场景，那世界模型本质上是技术工具，还是有些人理解的与这个世界互动的方式、被收拢到一个网络里？外界把世界模型噱头搞得很大，晨昏线科技怎么理解这个词？

余庆：当前世界模型有很多派系和技术路线，有视频预测的、偏像素级的、类街景架构的，也有基于技术演进而来的因果世界模型、本能世界模型等。

晨昏线科技对世界模型的角色认知是分阶段的。去年年底我们投了一篇论文，当时以弹钢琴为例，希望世界模型能帮助预测演奏指法，还能判断机械臂灵巧手的局限，判断哪些音阶跨越不了、频次不高。那时候我们把它当成判断和预测的角色。

今年4月发布以后，我们把世界模型当成模拟器，也就是刚才讲的生成世界线。但这个模拟器并不是只做像素预测和视频生成，我们希望它能解决对空间目标的理解，以及对物理因果和物理性质的理解，比如什么样的轨迹或子任务序列最优。你会发现我们继承了它判断的角色功能，同时赋予它对慢思考轨迹和子任务序列的全面考量。

我们希望它不仅能理解物理性质、理解cost消耗代价、时间层面，还包括反事实性，甚至公序良俗等各方面。在这个阶段，我们认为世界模型会成为一个世界模拟器。

再往后，在我看来世界模型应该是具身智能在真实场景不断演进迭代的仿真器。因为真机进了工厂、进了客户真实环境，碰到corner case和异常，我希望世界模型这套系统除了理解、预测和可执行以外，还能去解决这些异常，作为一个驱动模块，驱动模型演进，驱动整套系统更好地解决corner case，也就是现在讲的RSI架构。世界模型在真实场景不断迭代，我认为是AI进入物理世界的唯一入口，也是我们正在践行的工作。

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。