对话星尘智能来杰：机器人的「iPhone 4 时刻」还没到，但可能比想象中更近丨多样性公司

当我们想喝可乐的时候，在极长的时间都只有两个选择：百事可乐和可口可乐。当我们选择手机的时候，有 90%的概率在苹果和华米 OV 等品牌里辗转。当我们买运动服饰的时候，第一时间想到的，大概率是 Nike、Adidas。 但世界之所以缤纷多彩，是因为在这些巨头之外，有一些不遵从传统，力求创造不同，注重设计和功能，着眼于明日的公司存在。 它们有着非主流的商业模式，设计、技术与产品能提供独特的用户价值，和足够的社交谈资。重点是，它们没有大公司的包袱，敢于不顾一切的进步。它们，是「多样性公司」。 多样性，是开放世界的关键。爱范儿相信，只有真正关注和理解多样性公司才能比更多人更早地看见未来。在同名栏目中，爱范儿将以专访的形式，与你一同见证这些多样性公司，如何重塑未来，定义新常态。

▲ 星尘智能创始人兼 CEO 来杰

本文为「多样性公司」栏目的第 15 篇。

即便现在具身智能创业企业像繁星一样众多，但星尘智能也是足够特别的那家，这家位于深圳的具身智能企业在机器人本体技术路线上选择了「绳驱」，在整体技术上形成了「以绳驱机器人本体，具身操作系统 AOS 和具身模型的三位一体 」架构。

「绳驱」的独特意义在于机器人通过高强度的绳索来传递动力，将电机等较重的驱动部件从关节处转移并放置在机器人基座中，从而实现末端执行器手臂的重量，并带来低摩擦与高力控透明度的优势。

星尘智能的 AOS 操作系统把机器人的感知、移动、操作和交互等复杂能力封装成技能模块包，与 GPT 6 等前沿大模型和 Agent 适配，开发者可以以自然语言编程，通过大模型和 Agent 能力来在 AOS 上为机器人开发应用，赋予机器人写书法，相机跟拍，铲猫屎，打麻将等等实际应用能力。

星尘智能创始人兼 CEO 来杰此前是腾讯 Robotics X 机器人实验室 1 号员工，同时也是苹果粉丝，他希望星尘智能的「机器人，模型和系统三位一体架构」能够和苹果的「iPhone 硬件，iOS 系统和 Apple Store 应用生态」一样，形成完整的生态体系，进而实现自己和公司的愿景：让数十亿人拥有 AI 机器人助理。他们希望人类和机器人共存，共创和共赢，旗帜鲜明地反对机器人进厂打工，这大概是一种双重含义的「人文主义」，既不希望机器人取代人类，也不希望机器人困于封闭的车间。

我们与星尘智能创始人兼 CEO 来杰聊了聊，为什么机器人需要一个操作系统，为什么要把机器人应用开发的门槛降到无限低，以及为什么不想让机器人进厂打工。

给智能以身体，还是给身体以智能？

Q1：2022 年底，您选择离开大厂创立星尘智能，当时 ChatGPT 刚发布没几天，绝大多数人还没意识到 AI 浪潮的来临。是什么让您在那个时间点判断，机器人行业已经到了值得创业的阶段？

A：其实我开始琢磨创业这个事，应该 22 年的上半年就开始了。

出来创业的前置技术预判，还要更早，主要是看到了 Transformer 技术原理的潜力，不是说因为看到了 ChatGPT 才突然决定创业的。

Transformer 在当时还有一个特点，就是从语言往多模态进化了，我们当时发现，如果 Token 设计得比较合理，所有的模态都可以在某一个空间去对齐，这和我之前在腾讯 Robotics X 机器人实验室做的机器人当中的数据驱动里是一个关键步骤。

既然要数据驱动，那就把所有数据对齐到某一个空间去，所以更早是看到了这些技术趋势，才决定出来创业的。

Q2：人类的身体和大脑是在漫长的进化过程中共同演变的，我们的手、眼睛、肌肉和神经系统，实际上都在相互适应。星尘智能提出了 DFAI（Design for AI）的理念，强调为 AI 重新设计机器人的身体。那么在您看来，今天机器人行业是不是面临一个问题：机器人行业总是在考虑给机器人装进去 AI 的能力，却很少思考什么样的身体才真正适合 AI 学习？这是不是一种路线上的差异？

A：这其实是根本上的差异，第一性原理上的差异。

有一个点是我们一直在思考的，比如说手，人长成五指，老鹰长成前二后二的四指，为什么会这样？最大的原因是人和老鹰抓我的东西不一样。

抓什么东西又是谁来决定的？是脑子来决定的，也就是说智力决定了身体的构形长相，而不是说身体的构形长相决定了智力。当然其中有一些相辅相成的共同进化，老鹰也进化不出人类的智力出来。

《智能简史》里面有提到，人类智能最大一个进化的物理节点，是人的对生拇指的出现，就是拇指自由度的变化。有了这个变化，人类才能适应多种工具，更好地发挥人类智能的潜力。

所以说，我们一直所寻找的角色，就是我们和智能之间的关系，我们设计机器人一定是要帮助它真正地成长，它的所有成长又可以被我们的机器人所消化掉，我们找的，就是这个循环关系。

星尘智能的 logo，有两颗星在循环，我们会认为整个行业乃至整个人类的发展，实际上都会有两个东西在相互促进，计算机的发展就是软件不断消化 CPU 和 GPU 算力，算力又不断进化，然后继续被消化，形成相互的价值循环和传导，行业就能快速发展起来。

机器人和 AI 在社会变化层面看，本质上是智能的平权，智能如何进化，如何工作，会形成循环，这个循环里最大的突破点其实在物理世界，我们已经在虚拟世界投入了对智能的巨大热点，进入到物理世界，机器人开始自主地在这个环境中学习，那么真正的智能才会出现。

Q3：如果我们把今天的人形机器人类比成一个正在成长的孩子，它可能已经学会了走路、跑步，甚至跳舞，有些领域甚至比普通人做得还好，但距离真正帮助家人做家务，还有很长的距离。星尘智能从一开始就非常重视双臂协同、精细操作和与环境接触的能力。为什么会选择这条路线？在您看来，机器人从「会动」发展到真正「会干活」，最大的技术鸿沟是什么？

A：这也是跟我们的理念相关，我们机器人身体的每一处设计都是看 AI 能不能掌握它，如果我们认为身体设计得很好，但是 AI 掌握不了，就像我们当时的 Astribot S1 那样，有超高速度和超强负载，人去操控的话，危险系数有点高，当时的 AI 能力也驾驭不好，所以现在就会觉得身体和 AI 没有真正匹配起来。

整个机器人行业的发展中，像是宇树等企业，已经证明了机器人的身体能力可以做到足够强的，再往下的问题就如何提升智力。

现在 AI 这一波更多是智力革命，而不是说机器人革命。

智力革命意味着可以更好的把机器人当成一个工具，或者一个实践方式，去学习 AI 的智力，应用 AI 的智力。

所以我们一直说我们设计的机器人，大模型的数据采集者，也是大模型的应用终端，这是我们对于星尘智能机器人的定位。

难点和卡点在哪里？

我觉得有两块，第一块现在被解决了，这个问题在于之前大语言模型偏向于逻辑，因为语言的语料更多。后面原生大模型不把 LLM（大语言模型）和 ViT（Vision Transformer）模型分家，直接就是一起训练，这是很大的突破。机器人有了原生多模型能力之后，对于物理环境的抽象理解能力会有巨大的提升。

但是具象的理解能力还是缺失的，因为机器人首先缺这块的数据，现在互联网上的数据，还是数据采集的数据，都没有尺寸的概念，也缺少空间的意识，只有画面的意识。

缺少这层认知之后，机器人的智能会被卡住，解决方案只能是通过机器人给到完整的，偏向于空间的具象信息，所以这是我们非常好的机器，我们的机器人给大模型提供这些信息，大模型也会有更好的智力提升，智力提升之后会反哺机器人更好的工作。

这个飞轮今年已经开始出现了，GPT 也开始训练 EGO（第一人称视角）数据，机器人数据了。

Q4：给机器人装 AI 能力，还是围绕 AI 去设计机器人？有没有说哪个案例是证明后者比前者有一个先天优势？或者说只有后者能做到，但是前者就是做不到。

A：这里有一些我们客户的案例能说明问题，但是很多人未必 get 到了。

比如最近有家互联网企业参加行业会议的时候，放了我们的机器人做展示，我就刷到小红书还有一些平台上有用户评价，这个机器人人味儿很足。

为什么人味儿很足？因为我们的机器人在最开始的时候，包括关节设计，速度设计完全参考人地比例，当时的目的是因为我们有了合适的比例，未来我们可以直接用人类的数据，这样迁移的 gap 是最小的。我们在腾讯 Robotics X 机器人实验室的时候，用调酒师的数据训练过 KUKA，UR 等机器人，最后我们单独买了一台 ABB 的工业机械臂，不是因为它的工业可靠性，而是因为它的结构和人有点像，自由度和人一样，关节和人非常接近，所以就发现，在这个 ABB 工业机械臂上训练出来的模型效果更好。

为什么我们要挑战这种仿人，然后用绳驱去实现，是因为我们预知到最后结果是，当有大规模的人类数据之后，我们的机器人的人感是最强的。

这种人感并不是说它的轨迹像人，而是真正的行为像人，行为像人就包括它的智力对于一些事情的规划，也包括它最后的动作实现。

机器人有人感，本质上是它有类似于人的结构和想象力

Q5：星尘智能的绳驱技术让我联想到人类的肌肉和肌腱：肌肉负责产生力量，肌腱负责将力量传递到骨骼结构，从而带动关节运动。星尘的绳驱是不是也可以这样理解——通过绳索传递驱动力，让机器人拥有更轻巧、更柔顺的关节？相比传统的电机、减速器传动，这套结构最大的优势是什么？它是否也存在一些类似人类肌腱损伤、疲劳或者需要持续调节张力的问题？

A：其实我们最早设计绳驱方案的时候，还没有考虑到跟肌肉肌腱的对应关系，我们当时只是为了找一个力透明度最好的方案。

什么是力透明度呢？就比如说人和人握手，你会感觉你和对方的动作是伴随的，和谐的，但是人跟机器人握手，就不是你在掰它，就是它在掰你，中间没有随动感。

不只是握手这个动作，比如现在很多机器人夹住咖啡杯放下，都是判断咖啡杯快接近桌面的时候松手，然后啪的一下，咖啡杯落在桌子上。人不会这样，人会在感觉到桌子接触并支撑了杯子的时候才松手。

这里面的问题就在于很多机器人的电机结构没法感受到末端力的变化，所以只能让杯子接近桌子的时候让它落下。

我们做绳驱是想找一种传动机构，使这个力的传递过程更透明，在里面学到更深的智能关系，并不是靠绝对的位置关系来判断放多高松手杯子不会倒，这个不是智能。智能是感觉到杯子被桌子支撑了，手上不用出太多力了，可以松手了，这个才叫智能。

这是绳驱的本质。

然后在研发的过程中，就会发现绳驱在力透明度高这个好处之外，它还和人的构形很像，使得它的整个结构不用把电机放在关节，放在手腕这些地方，它没有了这个约束，就可以把电机放在小臂当中，通过绳来传导，通过「肌腱」传导到关节。

2024 年我们做绳驱国产化的时候，发现了一个更大的惊喜，就是全球大概 70% 的绳驱源头供应商都在中国，当时发现成本非常低，如果拿谐波减速器比较的话，我们全身到下所有的绳，它其实部分取代了谐波的这个减速的作用， 20 多个关节加起来才是刚性机器人 1 个谐波减速器的价格。，我们的成本可以快速地往下打。

这就是绳驱的优势点，力透明度高，构形好，并且成本还非常低。

最开始的时候，我们也有担心绳驱的强度耐久问题，一开始的话，质量体系建设就比较强，供应商的样品在我们这里要经过 2500 万次的弯折，相当于在使用负载在弯胳膊弯 2500 万次，一天 24 小时连续运动 6 年时间，评估最后的偏差值。

Q6：如果基础大模型越来越强，是否终究会吞噬具身智能公司的价值？

A：不会。

星尘智能机器人的架构我们叫「三位一体」，除了机器人本体之外，操作系统 AOS 是一块，另一块就是具身模型。

这里面有两个问题，一是具身模型和 GPT6 的关系，二是 AOS 和 GPT 6 的关系。

2023 年的时候，别人问我为什么要训练模型，这个模型要做什么？我当时有个比喻，我说具身模型这一块，我要做的是一个能听懂人话的猴子，能听懂人话，就证明它有语言接口，但更多偏向于自己在物理世界的物理反应上面。

更贴近于人的解释是，比如我不会做饭，但我又想做，怎么办？我就给我妈打视频电话，我妈在视频里开始指导，说先在热锅里放点油，但她不用说特别细，不用说哪瓶油。如果我有疑问，我再来问她是哪一瓶是油。

意思就是，我和我妈的交互是补充上下文知识，但是放油这个动作，我本身要学会，因为我妈在电话那头没法给我放油。

所以说，我们的具身模型要做什么？它一定要有自己的落下，要把现实的状态反馈为自然语言的方式，去和基础大模型提问，去和 GPT 6 提问。它自己也要在物理的环境中感知物理的参数，物理参数的话包括重量、捏的力度、有没有抓稳之类的这些东西。

所以说，我不太认可是不是 GPT 这样的基础大模型越来越强之后，把什么触觉的信息也训到那边去，不是说做不到，而是成本不合适，并且通讯的带宽也会有问题。更适合的模式是我们的具身模型抓完瓶子之后，会问 GPT 6，说我捏不住有点不稳该怎么办，GPT 再给它方案。

我们不是要把整个的这个智能世界分层，而是有点像智能体化。

智能体化的话就有点像蚂蚁，每一个智能体能力未必强，但是凑一起的话就会很强大，我们也一直强调，不是要把任务交给 GPT 去做，只做下面的接口，做被动的事情。

Q7： 现在具身智能行业越来越重视世界模型。世界模型是不是有点像人类的「想象力」：比如我们准备倒一杯水时，脑海中可能已经大概预判了水会怎样流动、倾倒角度怎么影响水流速度，杯子什么时候会满，因此不需要每一步都经过精确计算。星尘智能的 Lumo-2 具身模型也具备了隐式世界动态预测能力，Lumo-2 解决了什么样子的问题？隐式是什么意思？它和人类的想象力有什么异同？

A：Lumo-2 的预测能力，和人类的想象力非常接近，但是中间有一个世界模型发挥的点。

人在做一个动作的时候，一直想的是，我预期有一个目标，然后做的是跟我目标之间误差的修正。

VLA（视觉语言动作）大模型是什么？它其实没有目标，只是把动作进行重新的复现，所以它对误差不敏感，有了世界模型之后，机器人只要预测该怎么做，中间执行过程中的差异都可以想办法去纠正。

既然已经产生了误差，目标是纠正它，那这不是最适合强化学习做的事吗？

VLA 模型的模仿能力，现在加上世界模型和强化学习，我们搭建好试错和纠错的闭环，具身智能的结构就是完整的了。

这个隐式世界动态预测能力当中的隐式是什么意思呢？就是说世界模型是物理世界的一个重建，重建完了之后，为了表现出来，后面还有一大段是渲染，无论是是渲染成视频，还是渲染成图片，都是为了让人看懂。

我们发现，物理世界的重建是我们机器人需要的，最后的渲染不一定是机器人需要的。就像人在做梦的时候，梦境是模模糊糊的，但行为却是透传的。所以我们回忆做梦的时候，环境往往是模糊的，但是做了什么很清楚。

类似的，我们说的隐式世界模型，就是说没必要完全做给人看，机器人需要的关键是要从中去找着跟自己的动作相关的预测跟偏差。

现在的星尘智能机器人还没到 iPhone 4 那种水平，但很快就到了

Q8：为什么机器人需要自己的操作系统？我们怎么去定义 AOS，它面向的是怎么样的一个受众？

A：我们开始创业的时候，还没有具身智能这个概念，但是具身智能的发展，我觉得必须要出现 Macintosh 这样的产品，当时我认为，我们要在行业发展过程中寻找 2 个东西，第一个就是对应于电脑的图形交互界面，对于机器人来说，除了正常的命令操作图形之外，能调用智能能力 AI 能力的地方， 会形成一个新的交互界面。

所以我们的 AOS 里有一层就是去和基础大模型，还有我们自己的具身模型进行接口性的规划。

AOS 不只是想到了开发者，而是想把开发门槛降低到普通人，现在很多人开始用自然语言去生成 PPT，视频乃至应用，那么为什么不可以让普通人用 AI 给我们的机器人生成相关的能力和动作，这就是我们的目标，想要什么，只要跟它说一些提示词，让机器人自己去编译生成，把使用门槛和开发门槛降低到所有人都行。

所以，我们的 AOS 不只要让程序员看懂，也要让普通人看懂，当然，也要让 GPT 看懂。

Q9：星尘智能很喜欢用苹果的「硬件，系统和应用生态」来类比自己的「三位一体」，如果用苹果的产品史类比的话，星尘智能的目前的 S1 机器人，T1 机器人，还有 AOS 操作系统，大概相当于苹果的哪个阶段，有没有一些对应关系？苹果的硬件，尤其是操作系统有很清晰的技术传承脉络，比如 iOS 可以认为是移动简易版的 macOS，都是基于 UNIX 的图形交互系统，而 macOS 又源于更早乔布斯做的 NeXTSTEP 系统。

A：这个观察太对了，实际上我一直所把控的，在公司层面，就是传承，就是里面有哪些东西是统一化的？

关于和苹果软硬件系统的对应关系，我们也有过仔细的思考，我是把苹果的两次发展背景环境做了一定的筛选，我们发现它的路径和做法是有相似性的。

在 iPhone 诞生的时期，互联网基础设施是完整的，所以 iPhone 可以爆发，但是在 Macintosh 诞生的事情，没有互联网，所以它更多是一个硬件终端。

但是要说我们现在是个什么程度，那恐怕要让你失望了。

S1 的话，对应电脑阶段，最多对应到 Apple I，就卖了 300 来台的那个东西，苹果是从 Apple II 开始卖火的，Apple II 对应的是我们的 T1，但还没有进入到 Macintosh，就是它还没有属于自己的完整图形交互界面。

对应手机的话，S1 和 iPhone 初代也是有点像，iPhone 初代颠覆了键盘手机，系统具有开创性但并不完善，续航也不好，本身的不足和面临的质疑非常多。

但你说 T1 对应 iPhone 4，我觉得有点勉强，因为 iPhone 4 大家公认非常 OK 了。

不过有一点就是，这个行业发展的速度连我们行业内的人，都没预期到会这么快，反而是说，Macintosh 啊，iPhone 4 啊这样的爆款机器人产品，就会在明年出现。

▲ 星尘智能的机器人正在商场卖货

Q10：具身智能可能第一次让机器大规模参与普通人的体力劳动。您曾经提到，希望未来数十亿人都能拥有 AI 机器人助理。但家庭是一个高度复杂、充满意外的环境，如果把今天的机器人看成一个刚刚开始学习世界的孩子，那么它究竟需要成长到什么程度，才能真正独立进入我们的家庭？如果有一天这个愿景实现了，您最希望机器人帮助人类摆脱什么，又最不希望它改变人类生活中的什么？

A：先回答第一个问题，按照现在的技术发展，可能比我们想象的近很多，我认为很有可能明年机器人就会进入家庭。

进入家庭的关键因素，从商业上来看，就是成本因素和功能因素，中间有个对等的关系，如果机器人成本足够低，那功能就不会强，但是如果功能不够强，进入家庭能够做什么呢？我觉得不只是帮忙拿拿东西这些，肯定还要有一些情绪价值，情绪价值还是能卖钱的。

我希望它有一个啥都可以做硬件平台，然后有一个啥都能做的可发展操作系统，我们会给它开发一些客户所需要的基本东西，就像你买了 iPhone，上面肯定有电话短信相机功能，后面我们要留给足够的空间给开发者，在相机之上还可以开发美颜相机，都是借助基础硬件能力，还有操作系统的开发接口。

用户在买到机器人之后，就像刚开始使用智能手机那样，每周都会下几个 App 去尝试下新功能，知道用户通过这一堆的 App 发现，诶，这个机器人好像什么都能干，有一个摸索和演化的过程，而不是说机器人弄到家里面就是个什么都会的保姆。

第二个问题，就是我一直说的，我不想让我们的机器人进场打螺丝。我认为，机器人最大的优势，是它的专业性是不可能封闭在一个领域。比如说现在的大模型，它可以是很好的工作助理，也是很好的搜索引擎，医学的，管理的，历史的，科学的都可以问，问啥都知道，它的优势在于知识的广泛性。

机器人也是类似，进入到家庭，它的角色不一定是一个有强迫症的保姆，可以是一个有设计师思维的收纳师，它做家务前可以问你，家居环境要收拾成什么风格，一丝不苟的，还是随性惬意的？

它会十国语言，可以教小朋友外语，给小朋友讲故事。

人累了，它也可以代替人去遛狗；做饭前可以给膳食营养建议等等等。

我们不会说现在的电脑就只能用 Word，Excel 和 PPT 三件套，现在人们用电脑这一种硬件，但上面有无数的软件游戏。这就是我为什么说机器人只进厂打螺丝太窄了。

还有一点，机器人进场打螺丝，token 费老板们都未必愿意交，要我的话肯定不愿意，我希望打螺丝的是固定化程序，每天 24 小时一直转就像，别打一个螺丝收我一份 token 费。

所以说，进厂打螺丝不是我们期待的方向。