75.登顶大摩全球人形机器人报告，灵初凭什么代表中国？｜与创始人王启斌聊「灵巧操作」

摘要

• 灵初智能刚登顶 Morgan Stanley 全球人形机器人研报、跻身具身大脑第一梯队，创始人王启斌给出的定位是：Day One 只做“通用灵巧操作”的大脑公司，解决“具身中皇冠级的那个问题，就是人的双手的操作问题”。 四月中发布 Policy 模型 R2 与 Action-Conditional World Model，在美国 Mobile ALOHA 榜单排名第一，上传 Hugging Face 的 1,000 小时多模态数据集下载量第一——此前八九个月主要投入数据采集设备与管线。
• 判断一家公司是真训大脑还是“水货公司”，王启斌给出的直接标准是：“它每年花多少算力。” 灵初今年算力开支保守估计为几千万元人民币，可能还覆盖不了全部需求；真机数据从 10 万小时爬到年中四五十万、年底 100 万小时——但他强调“100 万个小时只是一个起点”，真正可能要到 1 亿个小时，且可预见的 3 年内无人能垄断数据。
• 数据路线是灵初的核心差异：human-centric 的全模态数据手套（关节角、触觉与头环采集的头部数据），而非仅使用纯 ego 视频或夹爪数据。 他认为手部 3D 位姿的精确度远比数据量和 2D 照片更重要；半年前同样一条抓取数据，中国成本可能是 2—3 元人民币，美国是 2—3 美元，国内真实数据采集成本约每小时几十元到 100 元。数据成本低、规模起得快时，中国“有可能在模型上是能够追的”，类比 DeepSeek R1 在算力受限下赶超。
• 行业周期的中值判断是约 7 年，第一轮淘汰赛尚未开始，但融资军备竞赛与马太效应已经启动。 他认为具身市场有机会做到智驾市场的 10 倍、几十倍甚至上百倍；5 到 10 年里，一些新公司可能远超上一波行业顶点，而上一波顶点的公司可能成为这一波公司的低点。同时他明确表示，估值不一定能完全评价公司。
• 上一代自动化机器人公司大概率很难赢这一波，这是他以黑莓亲历者和创新者窘境的亲历者身份给出的判断。 从 rule-based 到 learning-based 是技术路线与人才体系的整体更迭；仓储物流、无人配送的头部最终都由创新公司占据。黑莓的教训是：新物种“不是在旧世界站出来”，而是来自新世界，对旧世界形成降维打击。
• “纯做模型”在具身领域“五年之内都是伪命题”：现阶段必须软硬件深度耦合。 灵初自己编写手部的位置、速度和电流环力控软件，硬件由其设计并找合作伙伴定制。商业路径是 To B 切入物流、服务业，To C 家庭为终局；2026 年底目标销售额为数亿元，来自数据采集系统和数据、行业解决方案两条线。物流落地门槛包括至少 99.9% 成功率、中国工人作业下限的节拍和人工接管。
• 数据乱象是重要风险：全国约有 50 多个数据采集厂，真正高效运行、能把数据拿出来交易的可能不到 10 个。 王启斌还转述，27 万小时数据中“可能”有烟雾弹；对于一些融了很多钱却声称做大脑、实际并未真正训练模型的公司，他的判断是“有可能”，但并不确定。等美国头部公司开源后再照抄是“太乐观了”，PI 也没有完整开源模型权重。
• 架构层面，灵初称自己是最早将双模型串成闭环的公司之一：R 系列策略模型输入图像、语言和机器状态生成动作，World Model 评估动作后的状态并进行优化，加入约 30% 的纠错数据，形成数据回流。 PI 的 π0.7 验证了真实数据在夹爪上可以泛化并拆解组合式语言任务，但王启斌认为 GPT-3.5 时刻远未到，年底数据量上台阶后才会迎来模型泛化性的第一阶段验证。

精读

1. 登顶大摩研报：八九个月沉默后的一次集中释放

• 王启斌开场盘点成果：四月中发布 Policy 模型 R2 与 Action-Conditional World Model，在美国 Mobile ALOHA 榜单排名第一，上传 Hugging Face 的 1,000 小时数据集下载量第一。海外也出现了越来越多发布通用灵巧操作模型的强大脑公司，例如 Genesis，这印证了灵初从成立之初就选择的方向。
• 为什么估值不显著高、大脑标签不显著强——卫诗婕的直球提问。王启斌的答案是：去年世界机器人大会之后约半年的时间没有怎么做 PR，而是布局数据采集设备与数据管线，经历了八到九个月的过程；“语言传播的力量可能是最微弱的”，科技公司最有说服力的是模型效果和数据集本身。

2. 灵初是谁：Day One 只做通用灵巧操作的大脑公司

• 定位陈述：灵初于 2024 年 9 月注册成立，王启斌将其定位为解决“具身中皇冠级的那个问题，就是人的双手的操作问题”。它是中国第一家从 Day One 就明确做通用灵巧操作、不做夹爪产品、不做移动底盘的公司，当时这一定位“远远超前于大家的认知”。公司由算法驱动搜集数据，再用数据提供整体解决方案。
• 公司名的来历：Logo 是希腊字母第二十三个字母 ψ（Psi），有心理学、物理学等含义，取意本体感知智能，也对应强化学习“像一个孩子一样逐渐长大”的过程。联合创始人曾提议“零元”，被王启斌否掉：“难道是零元购吗？”最终团队在“灵”和“初”之间组合出公司名：灵巧操作处于初始状态，并将持续成长。

3. 通用灵巧操作的三种能力，与一个进化论论证

• 王启斌拆解人类操作的三个特性：对任务进行长程分解（收拾桌子时潜意识知道先收话筒再收线）、精确的手眼协同，以及失误后快速自主纠错——他称人类形成这种能力经历了“接近一年的演进”。
• 他的进化论论据是：语言模态是人类最晚形成的能力，机器基于文本和其他信息基本已经学会；视觉在寒武纪时期形成；行动能力在人类成为智人之前就已出现，并经过了最长时间的演进。要实现通用灵巧操作，就要把行动、视觉和语言三种能力放进同一个系统，因此这是一个非常复杂的系统。
• 对“规划由大脑完成、手眼协同由小脑完成”的类人框架，王启斌也承认不能简单对应：机器人目前还没有找到完美的“大脑—小脑”结构来拟合或生成最接近人类的能力。

4. 夹爪的天花板：一瓶水的拧开动作

• 夹爪与通用灵巧操作的区别，他用拧瓶盖说明：人类自然操作会用三个手指形成力闭合的扭矩把瓶盖拧开，这是一种类人操作。灵初希望让机器人不仅完成很多任务，也能对电子元件等物体完成类人的精细操作；夹爪很难解决这类复杂操作。
• 后文的补充理由更偏数据：如果只使用夹爪数据，后续数据来源如何持续多样化、如何保持充足会遇到瓶颈，模型呈现出的效果也会有局限。这是夹爪路线与人类数据路线的差异之一。

5. 人类操作数据是一座从未被记录的富矿

• 王启斌的底层判断是：人类操作数据每天发生在工厂、服务业和家庭中，“一定是个富矿”，但过去多年没有工具把它记录下来。开一瓶水时用了几个手指、多少扭矩、触觉是什么感觉，这些模态从来没有被记录过。
• 这类知识的传承，过去更多依靠人类已经内化在基因层面的东西。如何把人类乃至动物身上的相关知识真正挖掘出来，变成具身智能可用的数据，是灵初要解决的基础问题。

6. 行业热度超出预期，周期中值七年

• 对“中国具身市场非常传奇”的回应，他先承认市场热度超出预期：大额融资、行业“热到发烫”，像“冲浪一样，一波新的浪来了”。但他认为热度背后有基本逻辑：智能驾驶是具身智能最早成熟的应用，在平面和既有交通系统中完成水平移动，市场已经足够大；具身未来有机会成长出智驾市场的 10 倍、几十倍甚至上百倍。
• 各细分场景需要多长时间完成周期仍有很多非共识。他取中值判断约 7 年：汽车智能化从 2018、2019 年到去年约 6 年，而具身处于三维空间，是进一步升维的问题；另一方面，当前具身公司的人才密度、资金体量和玩家质量都很高。因此，5 到 10 年里可能出现远超上一波行业顶点的公司，而上一波顶点的公司可能成为这一波公司的低点。

7. 估值不是 benchmark，但军备竞赛已经开打

• 被问“估值上属于准第一梯队、实力上呢”，他分开作答：在中国做通用灵巧操作，灵初“毫无疑问是第一”，因为积累不是一天形成的；但估值不一定能完全评价公司。
• 他给出两个理由：具身生态链和生态系统更广、更分散；这一波公司从 2023 年开始至今只有两年多，而这是一个约 7 年周期的赛跑，中间还会有几轮淘汰赛。
• 融资军备竞赛已经开始，全球融资逐渐形成马太效应：越是头部的公司，拿到的钱越多、越快。

8. 一份七零后履历：黑莓—Sonos—云迹—京东

• 王启斌自述：自己是 70 后，2001 年出国求学，2008 年从乔治·华盛顿大学博士毕业并回国；2008—2012 年在黑莓做产品经理，之后做智能音箱，经历了 Sonos 的产品阶段。
• 2018 年是分水岭：他加入云迹，担任产品副总裁；之后去了京东 X，在创业前的 3 年半做配送机器人和无人车业务。
• 他对“智能”的历史观是：技术演进会不断改写智能的含义。手机时代是多传感器平台催生 App 生态与移动互联网；2018 年他判断机器人移动能力是智能的一次更大突破；从 2023 年开始做具身智能，则是模型算法推翻了过去的智能概念，加入类人的思考、推理与硬件平台上的交互能力。

9. 黑莓之败：新世界物种的降维打击

• 在黑莓学到的最重要一课是：黑莓在他任职期间是全球唯一一家净利率能做到 25% 以上的公司，第二家是苹果，但这仍不能避免它最终失败。王启斌还提到 Nokia、Motorola 等一系列公司的倒下。
• 如果重来，他认为很难改变黑莓的命运，但黑莓当时有两项优势：BBM，以及邮件。中国移动曾希望黑莓将 BBM 授权给第三方平台，这让他联想到 iTunes 从 Mac 走向 Windows 的开放过程。
• 他的结论是：黑莓在硬件底层没有足够强的创新能力，但在应用层本可以有更好的选择。新物种不是在旧世界里成长出来的，而是来自全新的世界，对旧世界形成降维打击。

10. 苹果为什么赢：不只是开放生态，而是多年的深度交织

• 他不同意把胜负手简单归结为开放生态。研究全球公司历史后，他认为 iPhone 的成功来自硬件、软件和商业模式多年交织的结果：苹果较早发现了日本的一套存储技术，而 App Store 之前已经有 iTunes。
• iTunes 的颠覆性不仅在于更方便地存储和下载音乐，更在于改变了商业模式：以前买唱片是一张光盘连同好歌和差歌一起买，iTunes 将其拆解成按单曲付费。
• 因此，iPhone 是许多因素多年交织后的结果，没有哪家公司能在事前声称自己一定做得出来。赢家往往是“深度耦合的、有很强 synergy 的复杂系统”，而不是单一模块。

11. 回国、中国硬件的崛起与还很丑的具身审美

• 回国是一个带有宿命感的选择：他不喜欢华盛顿特区以联邦政府为主的东海岸氛围，家人和夫人已经回国，床头还一直放着钱穆的《国史大纲》。他想念武汉的“过早”，认为历史中没有“if”。
• 回国后，他目睹中国硬件从“比较 ugly”到快速崛起。2010 年后，随着小米生态链和 IoT 发展，中国消费电子工业设计快速追赶并开始形成审美，底层支撑是整机设计、核心零部件、流程跑通和快速迭代的完整工业体系。他坦言，自己后悔没有更早、更深入地进入中国生态。
• 对具身现状的审美判断也很直接：从消费电子角度看，具身大部分还处于较原始阶段，产品普遍缺乏审美，仍以解决功能问题为主。但随着生态迭代和优秀人才进入，中国有机会做好颜值和技术审美。
• 他认为审美需要物质基础和传统：Jony Ive 的设计传统在英国，小米设计团队领导者的设计背景在德国；B&O 追求绚丽夺目，而 Sonos 更强调黑白配色和融入家庭。

12. 中美之辩：“美国大脑领先、中国硬件领先”只看到了起点

• 他反驳“美国大脑领先、中国硬件领先”的简单框架，认为这只看到了轨迹的起点。美国在模型迭代上确实有一些领先，但中国在数据获取和应用场景上更丰富。
• 中国还经历了互联网、移动互联网和汽车等多轮产品迭代，形成了较强的产品经理能力。TikTok、抖音以及一些 IoT 产品都体现出中国在用户细微洞察和产品定义上的优势。
• 具身不是硬件、数据、模型和应用的简单相加，而是从硬件到大数据、模型和应用软件的深度耦合系统，因此不能简单判断谁胜谁负。

13. To B 切入、To C 终局：什么样的 To C 能打穿 To B

• 商业路径很明确：中期愿景瞄向 To C，最通用的场景是家庭；但家庭涉及技能泛化和高度非结构化环境，是目前最难的场景。因此灵初选择物流、服务业等 To B 场景切入，它们的泛化性居中、节拍也较低。
• 黑莓与苹果的历史给他的启示，不是简单讨论 To B 还是 To C，而是“什么类型的 To C 产品能够击穿 To B”。苹果通过设备进入企业，说明其中存在平台型产品。
• 对机器人而言，如果通用能力可以便捷集成进 To B 系统，就可能具有从 To B 穿透到 To C，或从 To C 反向穿透到 To B 的特性。灵初目前的模型已经用于抓取、扫码、放置和打开塑料袋等能力，本质上仍是一种通用能力。

14. “未来所有公司都是机器人公司”？一半 yes，一半 no

• 卫诗婕转述另一位具身硬件创始人的反共识：未来不会有两台完全一样的 B 端机器人，每家企业都会根据 ROI 定义差异化机器人，最好的技术可能是开放给企业使用，而不是直接卖产品。王启斌承认自己“没有完全想透”，既有认同也有不认同。
• 他的拆解是：硬件的最大规律是规模效应，最终可能形成多头垄断。B 端大客户如果能形成规模效应，可能定义自己的硬件；但腰部和长尾公司很难独自拥有自己的硬件形态。
• 大脑和数据这一层的不确定性更大，也更符合强者越强的规律：数据进入得越多，飞轮效应越快。大脑可能形成多方面的通用能力，而硬件则可能由头部公司定义，腰部和长尾公司使用。

15. “纯做模型”五年内是伪命题：自己写到电流环

• 对美国头部公司只做模型的路线，他使用了明确表述：个人非常坚持这一命题在五年之内都是伪命题，因为具身目前仍处于强软硬件耦合阶段。不做到手臂和手指的控制层面，就无法达到系统最优。
• 高动态动作从视觉输入到系统输出，需要硬件嵌入软件深度耦合；只有迭代到一定阶段，才可能出现生态层面的最终解耦。
• 灵初的做法是自己设计硬件、找合作伙伴定制，并自行编写从手部位置控制、速度控制到电流环力控的全部控制软件，目标是同时做到系统软件最优和成本最优。
• 他预计未来 5 年硬件会从 generalist 走向 general specialist。像算力平台从 GPU 走向更个性化、更高效、更低成本的芯片一样，硬件的进一步专用化和规模化阶段可能还会更晚出现。

16. 为什么非得有轮式本体？因为具身的数据飞轮和汽车完全不同

• 如果双臂已经能把操作做好，为什么需要整台机器人？王启斌按场景回答：桌面操作只需要双臂双手或单臂；纵向平面或环形空间的操作需要腰部能力；商超 4—5 平方米范围内的补货、拣货，则需要快速稳定的底盘进行小范围移动。
• 因此灵初设想两种构型：固定的上半身，以及可以移动、带有身体部分的形态。这两类数据目前训练同一个模型。
• 更底层的是数据飞轮启动逻辑。汽车有存量市场，即使没有智能驾驶系统也有人驾驶，用户买车后还会为车厂提供数据；而具身头部公司去年硬件出货量约 5,000 台，今年即使达到几万台，也不足以支撑数据飞轮。
• 所以灵初先用人类数据启动飞轮，再在真实场景中部署自己的硬件，让推理过程产生的新数据回流。

17. 上一代自动化公司难赢：一个亲历者的创新者窘境

• 面对“上一代工业自动化公司转型也有胜算”的问题，王启斌给出“大概率很难赢”的判断。原因包括：这一波面对的是更复杂的操作问题；技术路线从 rule-based 转向 learning-based；学习范式背后需要的人才也完全不同。
• 上一代机器人公司通常深耕酒店、餐厅、仓储等单一场景，场景存量反而可能成为负担；这一波则要用通用的学习范式让数据飞轮转起来，一个个击破场景，未来覆盖 10 个、20 个甚至更多场景。
• 他也承认卫诗婕提出的反设想“有可能”：如果通用大脑成熟，老玩家可以用新技术翻新客户系统，数据回传也可能更快。但通用大脑解决场景后，最有价值的东西掌握在谁手中，并不是一个简单静态的问题。
• 他的亲历证据是：他曾建议上家公司完全开辟独立的创新和投资部门，但没有被采纳；后来去京东时又相信“谁有场景谁能赢”，最终验证了“创新者的窘境”。仓储物流的头部公司包括海柔、极智嘉，无人配送的头部公司包括新石器、九识，而阿里、美团、京东都落后于创业公司。
• 他认为，成熟商业模式会不断强化大公司的流程和决策体系，使其难以抽身做创新周期更长的新业务。

18. 创业时间线：找科学家半年、公司名被抢注三个月

• 对“有信仰的公司 2023 年就出现、2024 年出现的都是跟风”的观点，他明确不认可。王启斌在 2023 年年底基本下定决心出来创业，随后花了约半年组建团队、寻找科学家。
• 灵初在 2024 年 5 月拿到高瓴和蓝驰的投资，6 月已经开始做事；但“灵初智能”这个名称在北京被一个机构抢注。按照当地规定，名称注册后三个月未成立才会释放，因此公司到 9 月才正式注册。
• 联合创始人的对齐过程也很长：他从 2023 年 9、10 月起与杨耀东交流约半年，阅读对方论文、互相判断能力和匹配度，最后才确定是否长期做手、是否碰夹爪以及如何搭建初始团队。他们有过争论，也希望形成“慢就是快”的共识。

19. 七八九零战队：不到十个能做操作的科学家里挑出的组合

• 团队配置是 70 后产品老将王启斌、80 后算法工程师柴晓杰、90 后科学家杨耀东和 00 后科学家陈元培。这个组合并非巧合，而是从“技术到产品，再到市场”的长链条倒推出来的：王启斌负责产品与市场，杨耀东负责深层科学，柴晓杰负责算法工程化。
• 2023 年国内能做灵巧操作的科学家非常有限，王启斌估计不超过 10 人。他从上海交大、清华、北大、武汉大学等机构访谈了七八位，确实感受到争抢。美国至少有六七位研究者与他谈过，包括 Sunday Robotics 的陈驰、斯坦福的王晨和 DeepMind 的谭杰；一些人的诉求是在美国、离自己更近的地方创业。
• 杨耀东从 UCL 回到北大，较早开展双手操作的模拟环境和数据、灵巧操作数据应用，以及大模型后训练和对齐研究；在 2022 年年底至 2023 年间，他还承接了国家级指定落地研发项目，方向就是通用灵巧操作。
• 杨耀东打动王启斌的两句话是：全球范围内能做出最大创新的地方已经从学校转移到优秀创业公司；论文已经带来成就感，希望在产业界做出新的、有成就感的事情。
• 陈元培曾在李飞飞和 Kerri Liu 的实验室研究，离开斯坦福前发表了使用人类数据在仿真环境中训练 sim-to-real 操作能力的论文。这些研究也体现在灵初当前的大模型加强化学习方案中。

20. 为什么把公司设在中国：Sonos 会议室里的“九个月之后”

• 王启斌曾把 Sonos 全球 CEO 带到中国见陆奇，讨论语音合作。陆奇家里有很多 Sonos 音箱，表示如果 Sonos 想在中国做什么，可以让团队马上对接。但王启斌出楼后问老板什么时候开始，得到的回答是“九个月之后”：先做完 Amazon，Google 已在 pipeline 中，百度排第三。
• 他由此感到，在全球化公司体系里推动一件中国本地的事情非常受限，也开始思考应该在中国生态里做更有意思的事。他并没有产生“一定要在海外创业”的想法。
• 对中美研究者风格的观察是：美国一些做 research 的科学家更关注宏大问题，较少关注短期落地；中国研究者不仅做模型，也要考虑商业化，因此在中国生态中被“强化学习”得更务实。

21. 非技术一号位怎么验真：peer review、demo，和“没有失败过的成功不可信”

• 判断科学家成果是否扎实，灵初内部有一定程度的 peer review 机制，包括杨耀东、陈元培和上海交大的温老师等人的相互判断，再看实际呈现出的模型效果。
• 选择科学家时，先看其工作到底只是发表论文，还是已经有 demo；有 demo 意味着往前走了一步。之后还要做背调，了解其专长，以及是否真正承诺创业，最后讨论核心利益能否有效且可持续。
• 王启斌面试几乎所有候选人，每人 30 分钟到 1 小时，即使最 junior 的候选人也会面 30 分钟。他反复问候选人如何协同、如何解决最难的问题，更关注解决问题的方式，以及对方是否 persistently 用尽一切力气去解决。
• 他不喜欢简历光鲜、一帆风顺的人，因为做难事一定会遇到技术或工程上的困难。“没有失败过的成功是不可信的。”

22. 研发治理：探索期 bottom-up，路线确认后 top-down，项目牵引制

• 对“科学家可以无限推迟 deadline、量产必须严格交付”的差异，他认为算法模型研究不能完全用量产逻辑管理。最早的探索期不适合强时间管理；到最近一版模型，随着训练和 infra 管线搭起，时间线才更接近可靠。
• 他甚至认为“管理”可能不是最准确的词，也许应该叫“治理”。灵初不是纯 research 团队，而是 research and development：算法人员与数据平台、训练平台和工程架构师在一个大组里协作。
• 组织方法是探索期更多 bottom-up；一旦确认某条路线重要，就 top-down 投入资源。目前以项目牵引为主，一个大型数据项目可能有七八十人投入。联合创始人之间会争论研究项目是否进入 development、投入多少资源、是否需要预算，但这些属于战术层面，通常很快能解决。

23. 算力试金石：保守几千万元，还可能覆盖不住

• 这期最可引用的行业鉴别标准是：“一家公司到底是真正地在训大脑，还是水货公司？一个最直接的标准就是它每年花多少算力。”
• 灵初今年算力开支保守估计为几千万元人民币，可能还覆盖不了全部需求，因为后续 data scaling 会起得很快。具体到年底 100 万小时数据对应多少算力，王启斌表示还在评估。
• 他对这一数字的评价相对克制：在具身公司里肯定不低，但对他个人而言不算特别高；阿里、字节、小米等大厂正在训练具身大脑，财力和算力投入能力都大于创业公司，还可能拥有语言模型和多模态视频方面的优势。

24. 对抗大厂的武器：手的 3D 位姿远比数据量和 2D 视频重要

• 面对阿里、字节、小米以及拥有强语言模型的谷歌，王启斌强调灵初对数据有底层洞察：手部 3D 位姿的精确度远比数据量和 2D 照片更重要。
• 灵初的采集设备捕捉人的关节角轨迹和触觉，区别于仅使用纯视频、ego 第一人称视频训练模型的做法。关节角轨迹让数据更精确、更丰富，也能支持反复迭代；数据量将从 10 万小时扩展到年中四五十万小时，再到年底 100 万小时。
• 数据手套是全模态设备，包括类似人体关节角度的传感器和触觉传感器，采集时还会佩戴头环。人可以戴着手套工作并采集数据，后续也可以在真实环境中边工作边采集。
• 数据管线不是简单把手套交给合作伙伴，而是包括数据审核、标注、处理，再进入训练框架。10 万小时多模态数据从去年 10 月底到今年 3 月，在 3 个数据采集厂、用几百套手套采集完成；王启斌称其在手部数据方面是目前全行业最大的数据集。
• 今年灵初计划把手套扩展到至少 1,000 套。只要投入资源，就有机会把已验证的效果放大到这一规模。

25. Garbage 的分辨权：五十多个采集厂，跑得好的不到十个

• 优质预训练数据要满足人类操作的三个特性：语义层面的长程任务分解、手眼配合的多模态数据，以及失误后的纠错能力；同时还需要任务多样性。视觉之外，触觉和关节角等数据也很重要。
• 数据采集过程中，深度数据是否必要、应使用什么摄像头等都需要反复尝试。深度数据提供物体厚度和距离等纵向信息，可通过深度摄像头、结构光等方式采集。
• 行业乱象有量化表现：全国大约建了 50 多个数据采集厂，真正高效运行、能把数据拿出来交易的可能不到 10 个。
• 数据必须有需求方牵引，定义格式、模态和采集标准。王启斌认为，只有基模公司和头部具身公司更有能力分辨什么是 garbage；如果数据本身不行，就会 garbage in, garbage out，大量参与者可能确实在生产垃圾数据。

26. 数据成本、数据交换预测，与绝不公开的 recipe

• 半年前采集同样一条抓取数据，中国可能做到 2—3 元人民币，美国则可能是 2—3 美元。当前国内真实数据采集成本视任务难度而定，从每小时几十元到 100 元左右都有可能；成本还会沿设备、运营、存储和算力三个部分继续下降。
• 他认为，在数据成本足够低、规模快速起量的情况下，中国有可能在模型上追赶美国，参考之一是 DeepSeek R1 在算力资源受限下快速迭代的案例。
• 对“含金量高的数据不会拿出去卖”的质疑，他认为具身模型所需数据量远超预期：100 万个小时只是起点，真正可能要达到其 100 倍，即 1 亿个小时。各家手上的数据更像汪洋大海中的湖泊，未来一定阶段可能出现数据交换；他不认为可预见的 3 年内有人能真正垄断数据。
• 不同场景的数据价值也不同：物流或商超数据擅长对应领域，工业高精度、高节拍数据则擅长另一部分。灵初今年年初仍向头部具身建模公司供应数据，王启斌称自己是在作为数据供应商观察生态迭代。
• 关于 recipe，他认为 GPT-3 或 GPT-3.5 之后就不再公布完整技术细节和数据配方。灵初不会向投资人公开真正的数据配方和具体小时数，只会交流大致的数据类型和规模。投资人最后看的仍是“这道菜到底怎么样”。
• 卫诗婕认为数据未必构成绝对壁垒，真正懂得训练模型的公司即使拿到外部数据也可能形成领先；王启斌对此表示认同，认为大脑公司的杠杆较高，不一定需要最大的资金体量。

27. PI 的启示，与业内首创的双模型闭环

• 灵初一直研究 Physical Intelligence（PI），但并不完全对标。PI 使用夹爪数据，灵初采集高维手部数据；这与 Dream 系列（Dream Zero、Dream Dog）聚焦手部的方向有部分相似。
• π0.7 通过真实机器操作数据说明，真实数据运行模型可以在夹爪上实现泛化，并理解语言、将组合式语言拆解成机器人任务。这部分验证了真实数据路线，但王启斌回答“是否因此坚定路线”时说“部分是的”。
• 他提醒，头部公司开源模型、公布夹爪数据，不代表它们只做夹爪；公开内容可能不是最领先的阶段，而是前一代或前两代。据卫诗婕所述，业内已有两三家公司在做手。
• 双模型架构中，第一个是类人的动作生成模型，即 R 系列 Action Model。它输入图像、语言和历史状态，输出机器人动作；R 强调的是 reinforcement learning，而不是 reasoning。
• 第二个是 World Model，用于评估动作执行后的系统状态。如果状态不符合预期，就在其中进行优化，并加入约 30% 的纠错数据。两个模型串联形成闭环，策略模型生成动作、世界模型评估和优化，数据再回流生成新的数据集。
• 王启斌称灵初是最早把两个模型串联起来形成闭环、提出这套架构的公司之一。

28. 抢人靠透明，愿景拒绝“明珠”：我们不是在爬山，是在冲浪

• 与大厂争夺训练过大模型、做过大规模后训练的人才时，灵初能吸引真正想创业的人，但“有时候也抢不过”。Package 只是吸引力的一部分，更核心的是候选人是否想做具身领域极具挑战的事情，以及公司逐步建立的口碑。
• 猎头对 HR 的反馈是，业内认为灵初是一家简单、透明的公司。几位联合创始人倡导低沟通成本、技术策略清晰的组织。
• 王启斌拒绝使用“皇冠上的明珠”来描述灵巧操作，认为“明珠”一词有年代感，不像 AI 时代的表达。他也不认为灵初是在爬山，而是在冲浪：技术一浪接一浪，浪的形状不断变化，公司要有能力真正 serve 这股浪。
• 但他明确认为，通用灵巧操作一定是具身变革中的核心价值锚定点，因为从人类进化看，操作是最难的部分，也是在验证算法和模型难度。
• 陈元培曾建议把灵初定位为 AGI 公司，未来甚至不一定做机器人，但王启斌没有采用这一定位。他引用康德式的表达：“既要仰望头顶璀璨的星空，又要脚踏大地”，强调先要知道自己站在哪里、路径是什么，再谈更远的愿景。他认为想得更通透之后再说出来，才会更有说服力。

29. 商业化：2026 年底数亿元，场景选择的双重硬条件

• 收入结构对应他判断的三波浪潮：硬件已经出来、数据采集设备和数据变现、以及场景解决方案。灵初计划通过数据采集系统和数据、行业解决方案两条线，争取 2026 年底实现数亿元销售额。
• 数据业务的客户包括数据采集厂和国内技术模型公司；物流方面已与国内头部物流公司开展 POC；工业客户包括汽车零部件供应商和 3C 客户。
• 关于生产事故责任，他认为集成公司与供应商之间会通过协议明确责任，肯定需要有人负责；是否能人工接管则要看具体生产场景。高节拍流水线较难，但流水线下方的供料等场景基本可能跑通。
• 物流商业化的门槛包括至少 3 个 9，即 99.9% 以上成功率；还要达到中国工人作业节拍的下限，并配合人工接管系统。
• 选场景要同时满足商业价值和数据泛化价值：场景应有真实痛点、应用面广，且能从 1,000 种商品扩展到 1 万种、10 万种，持续提升模型能力。如果只是在一个工序里反复操作 5 种或 10 种物体，最终会接近非标自动化设备。除此之外，还要满足技术可实现性。
• 对“具身行业脱离基本面、主要看拿单能力”的投资人判断，他不太认同，认为目前包括灵初在内的具身公司仍是产研驱动；如果真的能交付一个场景，就不愁客户。客户普遍知道未来早晚要进入具身领域，但选择太多也会形成诱惑，因此灵初今年会更收敛地选择场景。

30. 行业水温：等开源太乐观、烟雾弹与“我就很慌了”的一百万小时

• 2026 年上半年的两个共识是大脑重要、数据也重要，但行业仍然参差不齐。对“国内大脑公司都在等美国最领先公司开源”的说法，王启斌认为“大家太乐观了”：包括 PI 在内，目前并没有完全开源模型，更没有公开完整权重，只是部分公开数据集等内容。
• 他还转述一个未经确定的业内消息：27 万小时的数据“可能”有烟雾弹。因此国内大脑公司需要招募顶尖人才，在技术路线上形成自己的判断力。
• 对一些融了很多钱、声称做大脑却没有真正训练模型的公司，他的判断是“有可能”，但并不确定。
• 对 demo 是否等于模型能力的质疑，他部分接受：真实、可信的 demo 仍能部分展示模型能力。专业人员可以从操作延迟、是否遥操作、是否完全由 policy 控制等方面判断；部分抖动和延迟有时反而更真实。
• 关于百万小时目标，他称灵初是国内较早提出这一目标的公司，但现在所有人都在说，反而让他感到不安：大家是否真的有足够 insights 来判断这个目标？灵初当初是从汽车数据倒推可能需要 10 亿条 clips，并基于当时约 6 万小时真实数据估算出来的；现在仍需从 factual 层面重新推演，这依然只是一个 hypothesis。
• 他认为行业曲线已经开始跑，但还没有真正进入拐点。今年年底，随着数据量达到一定程度，模型泛化性可能迎来第一阶段验证。基于数据量增强的模型迭代军备竞赛已经开始，至少会持续 3 年以上；机器人希望达到人的效果，但学习方式与人完全不同。
• 对“具身还没到 GPT-1.0”的判断，他认为切入路径不同，但 GPT-3.5 时刻仍远未到；现在说谁是绝对头部还太早，第一轮淘汰赛都没有开始。

31. 尾声：中年危机、OpenAI 2020—2022，与晨光里的机器人

• 王启斌坦言经历过中年危机，约 40 岁时最害怕未来发生的事情与自己无关。现在加入具身浪潮后，他认为创业过程中不存在一个彻底释放自己的终点，过程本身才是最重要的事情。这与“螺旋式上升”的比喻相呼应：需求会不断出现，问题也会不断变大。
• 书单包括 Morgan Housel 的《Same as Ever》《金钱心理学》，以及《Empire of AI》。从 OpenAI 和 DeepMind 的发展史中，他读到的是创始人的基因会影响公司的路径：Demis Hassabis 曾说公司会获得很多诺贝尔奖，但当时没人相信；DeepMind 做出了 AlphaGo，却错过了大语言模型。
• 如果能对齐某一阶段的公司，他认为 OpenAI 和 DeepMind 都没有回答复杂硬件耦合问题，硬件耦合做得最好的是特斯拉，更早是苹果。纯模型方面，他希望处于 OpenAI 2020 年到 2022 年上半年、从 GPT-2 走向 GPT-3.5 的阶段，那是“浮在水下、最关键的一段时期”，也是智能涌现的前夜。
• 浪漫的部分是一个具体清晨：四五个月前的一天早上，太阳从斜面照进公司，许多具身设备部件在光线中。真正感动自己和团队的不是宏大叙事，而是公司每一点一点的进步，这就是复利效应。
• 他认为这股 AI 浪潮会是未来大概 50 年里最重要的一次范式变化。暗流会让人陌生和不适应，但像冲浪一样参与其中，可能是一种很好的方式。