摘要

具身智能行业仍未收敛：WRC现场是“几百家公司都在做几百个平行的实验”。 连文昭判断，行业对天花板和预期有共识，但路线——点到点预编程、VLA、生成世界模型——百花齐放；与去年的最大差别不是能力（“展示出来的能力其实是差不多的”，还是叠衣服、折盒子），而是全行业从展示性 Demo 转向场景落地与产业价值。
VLA被点名为“绕过理解的捷径”，世界模型也不能停在 pixel-to-pixel。 直接从观测回归动作导致过拟合，泛化标准被拉低——“物体从一个位置向左移动 0.5 厘米还能抓到，就叫泛化了；我从来不觉得这个叫泛化”；原洛的解法是以物体为中心、把力模态纳入预测并做闭环，因为力取决于机器人自身施加到环境中的作用，与动作高度耦合。
本期最反直觉的判断是软硬进展错位：硬件进展快于体感，软件演示快于范式创新。 新一代本体的重复/绝对定位精度“已经能逼近以往工业机器人的级别”，两年前不敢想象；而算法演示虽炫，研发范式仍在沿用大语言模型的 next-token 作业方式，拉长时间维度看进展没有想象中那么快——机器人问题是逻辑+几何+物理，比大语言模型更难。
AI for Science 的瓶颈正移向湿实验，机器人提供“生成到验证 Gap”的物理 API。 李丰援引本周 Moderna 个性化肿瘤疫苗三期临床显著结果与 AI 筛选：发现效率提上去后，需要足够多、足够快、足够整齐的实验数据闭环；连文昭称常见实验流程“80%以上已经可以复现”，实验室仪器利用率过去可能只有 30%—40%，机器人可轻量、甚至零成本改造嵌入既有实验室。
终局愿景是 GPU 式的“物理基座”。 机器人闭环产生标准化、可信赖的数据，形成科学智能的基础设施——“有了 GPU 以后，我可以做以前不敢想的事情”，解锁过去不敢设计的实验；商业上降本增效最易算账，仪器利用率与通量提升普遍可接受，而“AI提出更好假设”的价值尚未被广泛接受，但未来可能是最大的价值来源。
中国机器人出海需求真实，但要过“开机测试”。 WRC 海外访客明显增多——欧洲、中东、日韩、东南亚；在连文昭接触到的小样本中，不少人带着集成商、经销商或转售等实质诉求，中国“逐渐成为事实上的全球机器人中心”；但规模化的筛选标准是机器人“跑了一天，第二天它是不是还愿意开机”，海外工程师稀缺、地缘政治不可控，且市场预期“确实是偏高的”。
原洛自评：硬件保下限、模型提上限，当前“下限稳、上限可部署可交付”。 与华大智造、中科院合作，细胞培养、细胞毒性检测已在客户场地真实跑起来；能力边界的具象是撕保鲜膜——真实需求，“又高透又高反，还薄还一撕就破”，硬做能做但“特别硬着头皮上”。

精读

1. 返场时点：WRC举行、宇树上市，机器人行业两年后的复盘

李丰开场定调：两年多前机器人“刚开始受到关注”时请过连文昭，如今北京世界机器人大会（WRC）与机器人体育比赛同期举行，“这周宇树机器人也刚刚上市，虽然上市之后表现跌宕起伏，但不管怎么样也是一个机器人的标志性事件”——在这个节点重看行业变化。
连文昭现状：原洛科技2023年成立，既做类人型机器人本体也做大脑模型，正在推“OPN——以物理为中心的物理原生模型”，以 AI for Science 泛实验室场景为“练兵场和试金石”；他同时在上海交通大学人工智能学院担任教授，研究机器人在未知环境的安全运动与场景泛化。

2. 三段美国履历：从 Vicarious 类脑网络到 Figure 的数据链路

博士毕业后加入硅谷 AGI 公司 Vicarious——“据传和 OpenAI、DeepMind 齐名”的早期 AGI 企业，做类脑神经网络，把机器人部署到美国邮政等物流客户；后入 Google X 早期机器人项目 Intrinsic，做“类似手机里的安卓”的跨硬件机器人操作系统（Intrinsic 今年早些时候又并回 Google）。
2023年加入 Figure，搭建了其最早的一些数据采集链路和模仿学习框架；后来 Figure 成为美国机器人行业的标杆企业。

3. WRC体感：从秀 Demo 转向场景落地，方法论仍未收敛

连文昭的核心观察：“几百家公司都在做几百个平行的实验”——行业没有共识，方法百花齐放，“证明行业的天花板或者说未来的预期是有共识的，一定很高、一定很好，但如何兑现这个预期，大家都还在努力回答”。
与去年对比要“把握预期”：展示的能力“其实是差不多的”，但今年明显场景化、强调产业价值；去年、更不用说前年，基本是展示一个小能力就结束。双足跳舞依然热闹，“情绪价值是一个真正的价值”，他更关注的是上肢操作从展示能力走向可靠性。

4. 海外访客增多：潜在合作需求真实，但要过开机测试

非华人面孔明显增多：欧洲、日韩、中东、东南亚都有访客；在连文昭接待和交流的小样本中，希望把机器人带到当地推广、做集成商、经销商或转售商的比例很高。卡塔尔半岛电视台也到原洛展台取景并交流。
需求可行性判断：能力上“绝大多数都可以做到，但前提是你愿不愿意付出足够的成本”——海外工程师数量低于国内，协同投入可能更大，地缘政治也不可控。
规模化的筛选标准是可靠性：机器人推过去“跑了一天，第二天它是不是还愿意开机？如果它自己主动愿意开机，客户的付费意愿肯定很强”；行业传递的预期“确实是偏高的”，但更大的预期也带来了更大的需求池，方便进一步筛选。

5. 从“直觉物理”到世界模型：VLA是绕过理解的捷径

李丰回顾：两年前连文昭就提“直觉物理”，如今世界模型/物理模型成为热门创业方向，“我们也投了几家这样的初创公司……过去6个月估值上涨得非常快”。
连文昭对 VLA 的批评：采集数据后直接从观测回归动作，“它其实是一个捷径，绕过了理解，直接去生成动作”，结果容易过拟合、泛化不及预期；他对泛化标准的不满是：物体从一个位置向左移动0.5厘米还能抓到就叫泛化，“我从来不觉得这个叫泛化，这是本来就应该具备的能力”。
对 pixel-to-pixel 世界模型的批评：逐像素预测和重建“太麻烦了，也有些反直觉”，会使模型把大量表达能力用于恢复像素，而不是建模真正关心的状态。

6. 原洛的解法：以物体为中心+力模态闭环的“世界动力学模型”

力为什么是关键模态：视觉换个角度得到的信息与机器人本体关系不大，但力“完全取决于机器人自身施加到环境中的作用”——施加的力大，反馈的力就大——因此与动作极其绑定、耦合。
机制：模型同时预测未来图像与未来的力，再把预测的力与实际施加动作后的实测力比较、做闭环反馈，不能只做前馈；随着数据增多，估计误差逐渐减小，对物体交互规律的理解也逐步提升。

7. 收敛方向要从终局倒推：零样本/小样本泛化+可评估的安全边界

倒推逻辑：终局是“零样本、小样本泛化”——把机器人放到新环境里，经过一次展示，甚至无需展示，就可以动起来、理解并完成任务；同时要“绝对安全、知道自己的边界、异常能处理”。因此需要提高数据效率，并能评估自身输出的不确定性边界。
正在发生的尝试：降低数据采集成本（egocentric 第一视角数据，原洛2023年起就在实验室采集）、提高信息密度（以物体为中心、从二维或多视角二维信息中隐式推导三维——“三维是对环境更本质的理解”）、采集力觉和触觉数据（包括触觉手套等传感器）；原洛也在探索视觉与触觉融合，并建立了自己的数据采集链路。

8. 软硬进展错位：硬件进展快于体感，软件演示快于范式创新

硬件“看起来发展没那么快，但工程上取得的进展很快”：新一代机器人的重复定位精度、绝对定位精度“已经能逼近以往工业机器人的级别”——两年前不敢想象；得益于国家投入与百花齐放，上游机加工、电子、传感器成熟，协议和标准逐渐形成，“硬件迭代速度甚至已经能够逼近软件迭代速度”。
软件方面，直觉上看到的事情和演示的漂亮程度提升很快，但拉长时间维度看，进展没有想象中那么快：研发范式没有特别大的颠覆，仍在沿用大语言模型的方式。机器人输入空间极其复杂——视觉、力觉、触觉、关节以及无法通过视觉观测的状态（“水是满的还是空的、电器是开的还是关的”）——输出空间则是机器人自身的控制，因此与大语言模型本质不同。

9. 具身智能的定义：逻辑之上，还有几何和物理

李丰的外行框架——他自陈非技术背景：语言是逻辑关系，同一个意思可以有多种表达；机器人则面对明确的物理和环境约束，“不能把手穿过桌面，也不能直接把瓶子捏破”。
连文昭完全赞同，并补充说大语言模型中很多局部最优可能都是好的；但机器人不只是逻辑问题，还包含几何（运动学：关节转动多少度、末端移动多少厘米）和物理（动力学：施加多大力、摩擦力是多少、物体会被推多远或转多少度），因此“是一个比大语言模型更难的问题”。他的非正式定义是：“在很多约束条件下如何去改变目标物体的状态”——“很多时候有精确解，做到就是做到”。
结论：如果这一判断成立，机器人可以借鉴 LLM 的 next-token prediction，用关联近似因果；但文字本身没有时间概念，物理世界有时间维度，还必须加入因果约束和时间维度。

10. 为什么死磕 AI for Science：不可能三角里牺牲速度，选最难的考场

场景选择逻辑：通用性、可靠性、速度的不可能三角中，速度只求达到一定阈值，通用性适当收缩到“解决几十件、上百件或者更多事情”，但场景不能把技术天花板卡死、不能牵引到短视路线——所以选长序列（拷问逻辑）、高精度（拷问几何和物理）、高柔性的泛实验室任务，“如果能把这些做好，一定能解决未来走向家庭场景时的很多问题，甚至是1万件事情”。
行业真痛点一：实验不可复现——“25度混匀”有人从4度冰箱拿出后放到25度环境中一小时，有人直接倒；实验过程中还可能打喷嚏。正是这些细节导致实验难复现，“10年、10个亿、10%的成功率”仍是痛点；机器人可以忠实、细粒度地执行每一步，并记录每个条件和参数。
痛点二：昂贵仪器绑定人的朝九晚五，利用率可能只有30%—40%，研发流程被拉长；机器人作为实验助理串联、调度仪器，能够“提质又提量”，危险实验也不必由人完成。

11. Moderna信号与湿实验瓶颈：机器人是“生成到验证 Gap”的物理 API

李丰援引本周信号：Moderna 已宣布个性化肿瘤疫苗三期临床有显著结果，其中包括药物联用；新闻也提到筛选过程中使用了 AI。他引述的判断是，AI 改变科学发现范式后，“最大的瓶颈就来到了湿实验”，需要足够多、足够快、足够整齐的数据回到预测循环。
连文昭介绍能力：液体、固体、粉末或颗粒样品处理，离心机、PCR 等常见仪器及流程，“80%以上已经可以复现”，至少局部能够形成小闭环；这相当于自动驾驶上高速后的 L2 辅助驾驶，是辅助而非替代科研人员。下班前安排晚上6点做实验，不必半夜2点回来换液，第二天早上9点结果已经读出。
关键类比：机器人行业常讲“think-to-real gap”，这里是“生成到验证的 Gap”——数字 AI 已能在巨大搜索空间提出假设和实验流程，但不可能靠人海战术逐一验证；原洛提供可被调度的物理 API，把这个鸿沟闭环起来。

12. 硬件保下限、模型提上限；撕保鲜膜标出能力边界

分工判断：“硬件上的提升是保的下限”——创业初期外采和自研的机械臂都抖动厉害、精度不够，现在硬件已经达到要求；“软件模型带来的更多是上限”——用多大成本教会、训练好模型来完成新任务。当前“下限比较稳，上限也已经达到了可部署、可交付的状态”，并将继续减少新任务所需样本量。
还要克服的是高柔性：拧紧没拧紧、插紧没插紧、是否严丝合缝对齐等微小状态估计与反馈控制，需要大量数据采集清洗和训练架构调整。
商业验证与竞争位置：与华大智造、中科院深入合作，细胞培养、细胞毒性检测已在客户场地真实运行；WRC逛展时，他没有发现与自身方向特别相关的公司，场馆虽大，但用商场类比，很多展示内容相似。
边界的具象样本：撕保鲜膜是真实接到的需求，“硬做也能做，但真的特别硬着头皮上”——保鲜膜“又高透、又高反，还薄、一撕就破”，感知和力控都难；策略是以现有能力为圆心逐步、有机地拓宽。

13. 终局愿景：像 GPU 之于计算，做科学智能的“物理基座”

价值主张：“人就是一个最好的 API，可以调度所有的接口”——智能机器人同样能以轻量、甚至零成本改造嵌入既有实验室，兼容新老异构仪器；更大的价值是闭环产生标准化、可信赖的数据，“有了 GPU 以后，我可以做以前不敢想的事情”，从而解锁过去不敢设计的实验拓扑结构，推动干湿闭环螺旋上升。
商业接受度分层：降本增效（人工成本）最容易算；仪器利用率与实验通量提升普遍可接受；“实验质量提高、AI提出更好假设”的价值尚未被广泛接受，但未来可能是最大的价值来源。AI for Science 的热潮“已经能够看到一些苗头”；传统湿实验者与 AI 背景者“不是那么割裂，是混在一起的”，后者对数据能否积累、循环，可能更敏感。李丰还对照自己投过的晶泰、剂泰当年做实验自动化和干湿闭环的尝试。
一年展望：“原点计划”希望让物理基座嵌入更多合作方，形成共享空间；在允许的范围内共享物理技能与数据，服务 AI for Science 研发。同时向农业、精细化工、制造业等其他行业扩展。收尾自评：“长期乐观、短期务实”，长期欢迎想死磕机器人真实场景价值的研发伙伴加入。

为何AI需求正在跑赢算力供给 168X 战情室：对话 QinbaFrank，AI 的第二增长引擎、CSP 价值重塑与 Crypto 供给侧改革