摘要

张巍的核心判断是，具身智能“还不够卷”：它不是只能容纳一个 number one 的垂直赛道，而更像整个互联网，应用广度甚至可能远超新能源车。 汽车主要满足从 A 到 B 的出行需求，具身智能是可以渗透到各行各业的通用载体；当前功能、目标与用户均未收敛，行业还没有进入围绕价格和效率的同质化竞争。
逐际动力明确把两足人形从工业效率工具中拿掉：工业具身会繁荣，但“人形不进工厂”，因为工厂是给机器设计的，人形是给人的环境设计的。 “Serve people, not process”背后的产品函数是 maximize number of tasks over form factor；单一人形追求覆盖最多任务，机械臂、四足和模块化专机则在确定任务里 maximize efficiency。
世界模型目前更像 VLA 数据 scaling 的新希望，而不是已经发生的重大技术突破。 它根据当前 state 和 action 预测未来 state、observation，具身领域暂以视频为主，再向同时预测行动的 World Action Model 延伸；时序视频比静态单帧更能承载物理规律，ego-centric 视频和互联网存量视频也比真机数据更容易 scale。
物理公式原则上能给世界模型增加信息，但真正瓶颈是 alignment，而不是有没有牛顿定律。 张巍把物理公式视为数据的压缩：“牛顿定律也是对所有运动数据的一种压缩和表征”；现实路线往往仍是用物理规律做仿真、生成可对齐的视觉数据，再面对艰难的 sim-to-real。
具身模型不能复制大模型“先通用、再落地”的路线，通用能力应从“通用模型与场景数据的飞轮”中长出来。 开车数据与剥鸡蛋数据未必能一起训练，盲目堆跨技能数据期待涌现是“刻舟求剑”；近期真正可落地的单位是一个个技能，关键指标是技能创造的商业价值能否覆盖预训练、后训练和场景数据成本。
“模型不是大脑，大脑是个操作系统”：逐际动力把机器人大脑拆成小脑基础模型、Human Brain VLA 与 Agentic OS 三层。 小脑负责“要什么动作就执行什么动作”，VLA 作为 System 1 把视觉、环境与动作变成高阶技能，CoSA 作为 System 2 调用 LLM、VLM、VLA、GPS 等模型和工具，完成记忆、推理、决策与任务编排。
人形机器人的商业化顺序不是先搬箱子，而是从表演、导览和导购逐渐走向物理操作。 张巍将其分为无交互、弱交互、强交互：表演已经有 sell-out，下一步是“动口不动手”的可移动顾问，最终才寻找数据成本与商业价值能够打平的强交互技能；统一本体持续增加 app，才可能形成闭环并进入多样、低频任务并存的家庭。
融资要服务明确目标，估值应与价值保持健康比例；上市未必意味着热潮终点。 张巍认为具身“比大模型的上限更高，下限也更高”，并总结教授创业需要经历从学术到技术、工程、产品和商业化的蜕变；在组织上，人才与岗位的匹配具有阶段性。结尾李翔把自己最重要的认知概括为：“创业公司是可以死的”“输不起就赢不了”。

精读

1. 具身智能远未卷到只剩一个赢家

回看过去两年，张巍的感受不是某条路线已经胜出，而是“不断地迭代和变化”；行业每次以为热度见顶，随后又迎来更多融资、关注和变化。
他反对用互联网垂直赛道的 number one 逻辑判断具身智能：这里更像整个互联网，可以同时容纳“美团、阿里、字节、腾讯”，并在大量细分领域长出不同公司。
主持人以新能源车的多路线共存作类比，张巍却认为具身的空间“比新能源车这个赛道大特别多”：汽车集中解决出行，机器人则是可以渗透各行各业的通用载体。
当下连核心功能都没有完全实现，目标、用户和形态也未收敛，因此还谈不上围绕性价比、价格与效率展开终局竞争。“我真觉得还不够多人。”

2. 融资是必备能力，但估值不能脱离价值

面对同行的融资规模和估值竞赛，张巍承认“会被干扰”，但“不太会焦虑和困扰”；逐际动力在融资和 PR 上相对保守，坚持价值与估值应保持健康比例。
资本又不是可有可无：具身智能需要长期研发投入，未来规模化量产和交付也会大量占用资金，因此“资金资本化是一个重要的能力”。
他的边界是，融资必须服务明确的发展目标，而不是“想不清楚要做什么，先拿一大笔钱融进来再说”。热度提供条件，却不能代替产品和商业判断。

3. 工业需要具身，但两足人形不必进工厂

张巍特意区分行业判断与逐际动力的个人选择：工业里一定会出现大量具身应用，但公司的两足人形不定位为工厂效率工具，口号是“Serve people, not process”。
原因不是人形是否能做，而是它不会成为极致效率和性价比的最优解。“工厂是为机器设计的”，人的形态则适合在人类环境中服务人。
机械臂、带触觉的新操作设备和其他专机仍适合替代枯燥、复杂、危险、有害的工作。逐际动力排除的是两足人形进工厂，而不是排斥工业机器人。

4. 人形最大化任务数量，专机最大化单项效率

在张巍的分类里，智能是落点，形态只是承载智能的终端：完整人形、上肢装在轮子上的“轮椅型机器人”、四足、双足和双轮足，都对应不同目标函数。
他给人形的公式是“maximize number of tasks over form factor”——在单一构型下覆盖最多种类的人类任务。只要列出三四类任务，完整人形往往就成为唯一解。
最具体的检验是下楼取快递：机器人要通过楼梯和窄门、抵达货架、拿取再带回，人类环境已把腿、手臂和身体尺度写进了任务约束。
专机追求的则是在确定任务中 maximize efficiency。TRON 产品线用一个基座和不同组合覆盖人形之外的巡检、物流、跨台阶移动和双臂操作。

5. 世界模型的第一步不是神化，而是“去魅”

张巍先把“世界”还原成“模型”的修饰词：人类使用过的物理或非物理模型，都可视为不同尺度、开放程度和观测变量下的世界模型。
严格说，它根据系统当前 state 和可能影响系统的 action，预测未来一段时间的 state，以及与状态相对应的 observation。
由于具身领域的力觉数据仍少，目前 observation 主要是视觉，典型任务便是预测机器人完成动作时将看到的视频，因此天然连接视频生成技术。
单纯生成未来视频不能完成任务，于是路线开始转向 World Action Model：既预测任务如何在视频中演化，也预测与之对应的 action，成为传统 VLA policy 的扩展。

6. 世界模型走红，反映的是 VLA 的 scaling 瓶颈

张巍不把它视为突然出现的重大突破，而是传统 VLA 范式的拓展：过去常以 VLM 为 backbone，现在则尝试换成视频生成模型及相关技术。
时序视频比静态单帧更能表达物理世界如何变化；与此同时，人类操作的 ego-centric 视频容易采集，互联网也积累了大量历史视频，数据规模远胜真机数据。
逐际动力约在 2024 年中开始探索用视频数据预训练操作模型，2025 年初发布 VGM，即 Video Generated Motion；另有一篇 CoRL 论文，名称为 GVF-Tape。
他的降温式判断是：“应该不算什么重大突破，不然也不会有这么多人都会做。”真正值得期待的，是它能否打开具身数据 scaling law，而不是词本身。

7. 物理公式是压缩数据，真正难题是对齐

面对把重力、摩擦、流体、柔体、温度、电、质量、磁等公式注入模型的路线，张巍先保留不确定性：“这个问题目前无法证伪，也容易引起争论。”
他的统一数据观是，神经网络和物理定律都是数据压缩。“牛顿定律也是对所有运动数据的一种压缩和表征”，加入公式等于以高度简约的方式加入历史运动信息。
判断价值要问两件事：它是否带来新的信息增量；即使带来增量，模型能否把这种表征与原有世界模型表征有效 alignment。前者原则上成立，后者可能让增量失效甚至起反作用。
现实中，人们往往用物理公式搭建仿真，再生成更容易与视觉数据对齐的训练样本。整个 sim-to-real 都在处理这种对齐，因此“有用”不等于“容易用好”。

8. 具身数据正在形成一门原材料工业

张巍把模型生产直接类比制造业：“数据本质上是原材料工业，训练是一条产线，最后生产出来的是模型。”
原始数据要经过采集、检测、预处理和训练，最终沉淀为模型；所以能否稳定提供视觉、力觉及其他模态的原材料，决定了产线能生产什么。
这解释了数据采集与加工创业公司的热度，但数据品类越多，不代表把它们倒进一个训练池就会自然产生通用智能；数据之间的关系仍要按任务辨认。

9. 通用能力必须从场景飞轮中长出来

张巍认为，具身不能照搬大模型“先做通用模型，再做应用”的顺序。语言是一种通用模态，律师信与普通文稿能互相贡献训练价值，机器人技能却未必如此。
他用最锋利的反例解释数据相关性：“开车、自动驾驶的数据和剥鸡蛋的数据放在一起训练”，现在甚至可能产生问题。
在不了解跨技能数据关系时，靠堆数据期待涌现是“刻舟求剑”。逐际动力选择先建立一定的通用基础，再进入垂直场景收集和落地数据，由场景反哺通用模型。
这条路线被概括为“通用模型与场景数据的飞轮”：通用不是出发前必须完成的产品，而是不断经历场景验证后逐步长出的能力。

10. 机器人落地的单位是技能，不是无限大的总模型

主持人的追问很实际：若一个模型要覆盖所有物理任务，它可能比数千亿参数语言模型大得多，还必须以低功耗、实时速度连续完成动作。
张巍的回答是“我始终觉得是一个个技能”。开车是一项技能，剥鸡蛋是另一项技能；人有脑但可以不会开车，机器人同样不必用一个什么都会的单模型解决全部任务。
现阶段已有希望的是单个技能的预训练、后训练和部署，尚未打平的是“技能创造的商业价值”与“创造这个技能所需要的数据成本”。
自动驾驶本身就是一项具身技能，其需要的世界模型也未必与剥鸡蛋相同。大而全的模型当然可以设想覆盖两者，但商业上首先要找到能独立兑现价值的技能。

11. 世界模型只需预测未来，不必复刻人的语义

张巍更严格的定义近似 Markov 过程：智能体通过 observation，可能只有 pixel，也可能包括触觉等信息，逐步还原与行动相关的规律，并预测 action 之后世界如何演化。
模型不必还原房间里每个分子的状态；所有物理规律都是对微观世界的降维表达，也都有适用边界。只要预测与可观测结果对齐，它就是该尺度下合格的模型。
主持人用生鸡蛋、熟鸡蛋和铁制鸡蛋追问语义理解：人会先判断“它是什么”，再决定是否剥。张巍的回应是，机器可以形成自己的 embedding，“要允许 AI 有自己的语义表达”。
因而它不必经过人类定义的 semantic 层。“Whatever，只要它能 predict future 就可以了”；重要的是行动结果，而不是内部是否使用与人相同的概念。

12. 模型不是大脑，大脑是 Agentic OS

张巍给“机器人大脑”划出明确边界：“我不觉得模型是大脑，模型不是大脑；大脑也不是模型，大脑是一个操作系统。”
这个脑是 Agentic OS：管理记忆、存储、思考和任务状态，并根据目标调用 LLM、VLM、VLA 以及其他工具。堆操作数据可以训练技能，却不会自动长成大脑。
他借 OpenClaw 解释这种反直觉关系：OpenClaw 可以认为是一个大脑，但其能力依赖底层使用哪个大语言模型；模型是脑调用的能力，而非脑的全部。
“技能”也不只指拿放、拧瓶盖等原子动作。若完整自动驾驶最终由一个模型实现，它依然只是一个范围很大的技能，不与人的整个大脑等价。

13. 三层架构分别承担运动、技能和思考

逐际动力把系统分为三层：底层是“小脑基础模型”，中层是作为 System 1 的 Human Brain VLA，上层是作为 System 2 的 CoSA Agentic OS。
小脑只负责把意图变成动作；Human Brain VLA 将视觉、环境、任务与运动绑定，形成可执行的高阶技能；Agentic OS 则负责推理、决策和技能组合。
张巍用一个“瘫痪但非常 smart”的人说明脑与运动的分离：他有脑却动不了；打通一项技能，就像让他重新获得伸手拿杯子的能力。
下楼买咖啡则需要更高层的编排：判断是否该去、起身、开门、定位导航、调用 GPS，再随环境调整。不能为了使用 GPS，把 GPS 也重新训练进一个模型。

14. “理解”可以按行为一致性定义，而非内部符号一致

主持人挑战道，LLM 是概率预测模型，并不能自然推出它真的理解语义。张巍反问：“什么是理解呢？”
他的操作性定义是：只要系统能够 predict，而且结果与人接下来所做的事情类似或一致，就可以叫理解；无需证明它内部使用了与人相同的 embedding。
对语言是否是思考必要条件，他把结论限定在“当下技术范式”：LLM 承载了人类通过语言和互联网沉淀下来的思考表征，但其他智能体也可能使用自己的 embedding 和 System 2。
关于机器是否用了远超人类的数据，他也没有给出肯定答案：人的大脑继承了漫长进化形成的“pretrain model”，而大模型接收的是整个人类公开信息的 union，两者很难直接比较。

15. 产品不按软硬件切割，而按用户与任务切割

主持人把逐际动力归纳为人形、模块化专机、技能和 OS，张巍则强调产品“本质是软硬一体的”，组合方式应由服务哪类用户决定。
TRON 是服务创新和场景落地的基座，可探索双足、双轮足和双臂等平台形态，覆盖巡检、物流、跨台阶 mobility 等需求；TRON 2 尤其强调双臂负载与易用性。
用户可直接把平台带进垂直场景收数据、训练和验证，无需在商业价值尚未确定时先造一台新机器。验证成功后，客户继续使用逐际动力平台或自行生产都可以。
这抓住了早期落地最耗时的一段：POC 和 PMF。若原理验证花得太久，企业可能在确定硬件构型前就错过最关键的市场窗口。

16. 开源的重点不是参数，而是模型生产线

逐际动力开源了 Flux VLA Engine，但没有把 VLA 模型作为核心开源物。张巍认为，当下单独开放有限参数“对融资有帮助”，实际却未必能被用户用起来。
公司的选择是“授之以鱼不如授之以渔”：开放训练 VLA 基座模型的方案和整体架构，相当于把模型生产线交给场景方。
垂直用户拥有自己的数据，也应拥有由这些数据生成的模型；逐际动力提供硬件平台、接口、开源架构和必要协助，让场景方形成自己的数据飞轮。

17. 商业化会从表演和“动口不动手”逐步展开

人形的核心产品逻辑是统一本体不改硬件构型，通过持续增加 app 扩展功能。科研、表演、主持、导览、拿水和取快递，都可视为逐步叠加的 app。
张巍把应用分成无交互、弱交互和强交互。表演属于无交互，但已不是只有 sell-in：客户能用机器人赚钱，机器人确实已经被用起来并提供新的体验价值。
下一步是“动口不动手”的弱交互：商业服务、导览、导购和顾问。它是装着语言能力的可移动顾问，带有一定情绪价值和新的体验价值，未必需要先改变物理世界。
强交互最终取决于单项技能的经济账：预训练、后训练和数据成本，能否被该技能创造的商业价值覆盖。找到一个能打平的垂直方向，就可能形成闭环。

18. 无人机说明表演可以是降本飞轮的第一环

主持人复盘 2015—2017 年的无人机投资：专业拍摄之后，最早规模化的应用之一反而是曾被低估的无人机表演。
表演需求推动机队从几十架扩到几千乃至上万架，迫使飞控和协同能力升级，也通过批量商业模式降低硬件成本；新能源车又进一步压低传感器成本。
随着模型、控制和避障继续进步，无人机才可能变成无需专业操控的 To C 产品。原本十二年前就能想象的终局，实际可能要多走十几年。
张巍认为人形可能遵循类似路径：表演上限有限，但若它是众多 app 的第一步，就有意义。最终目的地仍是商业空间和家庭，而家庭恰好充满低频、多样、无法为每项任务配置专机的需求。

19. 真正的人形基础模型要摆脱动作 Replay

当下许多跳舞、翻跟头展示，本质仍是一个 policy、一个 policy 地去 play：提前训练或录制动作，再进行 replay。它能展示控制能力，却不能让大脑实时指挥身体。
真正干活需要小脑 Foundation Model：上层给出参考轨迹或动作 prompt，底层便能实时生成并执行，不应为了换一个抓杯姿势再训练一周。
主持人把它类比为儿童约两到五岁经历的“感统训练”：抓取、爬行、大小动作协调先形成身体基础，之后更高层的意图才有可调用的执行系统。

20. 行业热度会退，组织与失败观决定谁能留下

主持人提出投资人的逆向担忧：标志性公司集中上市，可能意味着一轮热潮接近顶点。张巍认为具身可能更像小鹏上市时的新能源汽车行业，资本市场反而让上市公司获得资金聚集效应，踩到新的浪。
他的底线判断是，具身“比大模型的上限更高，下限也更高”：通用人形提供巨大上限；即便主路线失速，公司仍可能进入垂直领域，不会因一代模型落后就彻底失去价值。
对学术创业者，张巍总结了从学术到技术、技术到工程、工程到产品、产品到商业化的五个阶段或蜕变；每次变化都要求重新选择人、组织和目标，而不是只让创始人本人改变。他也强调人才与岗位的匹配具有时间跨度。
结尾李翔说，自己最重要的认知转折是“创业公司是可以死的”。接受自己可能失败，才会得到那句结论：“输不起就赢不了。”

以毫秒完成匹配：Criteo 的广告技术 AI 与商业未来——对话 Diarmuid Gill、Liva Ralaivola Cliff Weitzman：从全球100位顶尖CEO身上学到什么，以及为什么 Token 支出将超过薪资