本体、模型与场景：具身智能如何跨过下一道门槛

2026 年，具身智能依然站在聚光灯下。

据 CrunchBase 数据，截至 2026 年 5 月中旬，中国机器人公司年内已完成 176 笔融资，融资额约 56 亿美元，超过 2025 年全年；放眼全球，过去的半年里，每周融资金额前十的名单也频繁出现具身、工业机器人的身影。

和资本热度呼应的，是机器人公司的演示开始从跑步和跳舞转向在特定场景下稳定、持续地工作，和更灵巧的手部操作。

但热度反而制造了大量噪音。当几乎所有公司都在谈论数据和模型，行业的注意力被技术路线之争占据时，如何判断哪些只是产业演进过程中的阶段性分歧，哪些是真正影响机器人走向长期生产力的关键变量？

这是动易科技创始人任晓雨，最想厘清的问题。

沿着这一问题，我们进一步追问：

本体公司与具身基础模型公司，最终是否都会走向全栈？如果不会，一家公司至少要掌握哪些环节，才能形成自己的完整闭环？

当运动控制开始被视为一项逐渐成熟的基础能力，“小脑”这个通俗的概念，又掩盖了机器人从表演舞台走向真实生产力场景的哪些困难？

当供应链逐渐成熟，硬件的优势最终是否只剩成本与交付效率？还是说，硬件本身仍然决定着机器人能够学习什么，以及模型最终可以抵达怎样的能力边界？

在大模型浪潮把具身智能推到台前之前，任晓雨已经长期从事复杂多关节机器人的研究。

在控制复杂身体的过程中，他形成了对具身智能的一个基本判断：AI 的价值不只是让既有机器人变得更聪明，而是让人类重新想象机器人可以拥有怎样的身体。

他把这种可能性称为“硬件自由”。

从这一判断出发，动易科技成立至今经历了两个关键里程碑。

第一，是让全尺寸重型电驱人形机器人完成后空翻。这证明团队已经具备复杂本体与运动控制的系统能力。

第二，是双足人形机器人自主地与人完成羽毛球对打，同时 C2 小型人形机器人进入量产阶段。

前者把能力从运动控制推进到实时决策与人机交互，后者则意味着公司开始从技术验证走向产品交付。

这两个里程碑，也恰好对应了任晓雨对具身智能过去几年变化的理解。

在他看来，2025 年是机器人的“表演之年”：行业需要证明复杂多关节机器人能够被稳定控制。到了 2026 年，机器人必须开始与人互动，理解环境、实时决策，并在真实世界里完成更连续的任务。再往后，机器人则要需要真正创造价值，成为可以独立完成工作的生产力。

也正是在这个过程中，任晓雨看到了更接近产业真实约束的问题。也对这些问题建立了更深刻、也更辨证的理解。

以下内容根据星连与任晓雨的对话编辑整理，第一人称均为任晓雨。

具身智能的技术拐点：神经网络开始成功控制多关节机器人

过去两年，具身智能获得了极大的社会关注度，但从技术突破层面看，真正的拐点早在 2022 年就发生了——神经网络开始能成功控制多关节机器人。这件事一旦得到验证，大家讨论的所有关于机器人的问题，解决好只是时间问题。

只是直到 2025 年，机器人有运动会、马拉松、春晚表演等一系列公开露出机会，才迎来了大众认知的拐点。当然，这也得益于去年以来，运动控制能力的突破。

这其中有两个关键的问题：

1.为什么神经网络可以控制多关节机器人之后，其他技术问题都是可解的？

首先，虽然从 2023 年开始，出现了本体、小脑、大脑概念的拆分，但对机器人而言，大脑和小脑本质是一样的，都是用 AI、用神经网络节点驱动机器人。从这个角度，最关键的问题是怎样把更多的神经网络塞进硬件里。

比如，跑步可能只需要一个 5 兆的网络，要做分拣、炒菜，就要把更多的神经元塞到硬件本体。谁在有限的硬件本体里塞的网络更多，谁未来可能就更强。这也是美国五家比较受关注的人形双足机器人企业 Boston Dynamics、Tesla、Figure AI、1 X 和 Agility Robotics 这两年的发展策略，把模型的规模在硬件本体上变大，以及面向场景做自主化（自主化的源头是模型变大）。

过去我们用传统方法做多关节机器人时，感觉很难看到未来。因为传统控制要保证机器人的鲁棒性和可控性，随着自由度增加，系统的控制难度会随自由度呈指数级上升。比如，从运控的角度，一个自由度可以做扫地机，三到六个自由度可以做机械臂，二十多、三十多自由度就进入了人形机器人的范畴。

过去大家最多会想到机械臂，再往后是不敢想象的。从 2022 年开始，我们尝试使用强化学习控制多关节机器人，发现神经网络的鲁棒性非常好。硬件越复杂，AI 能力体现得越强。要是硬件变简单了，AI 附着在硬件上反倒制约了它强大的泛化能力和鲁棒性。

这相当于硬件自由。不管多复杂的硬件，只要我们能想象出来，都可以快速实现对它的控制。未来可能出现比人形机器人更复杂的形态，拥有上百甚至上千个关节，比如大量关节可以组成可变形的房子。

当时我意识到，这可能是一件会对社会产生深远影响的事情。到今天，它其实也只是刚刚起势。

当然，按照通俗理解，小脑的发展的确快于大脑，因为这是个新行业，AI 刚刚能指挥机器人，肯定要先从它自己能动开始，先能完成很好的平衡和行为能力，接下来再到很强的决策智能。

运动控制的下一步是更智能地集成各项能力，同时做好硬件设计的相互配合和协调。

2.运控能力最关键的突破是什么？

从 2023 年到 2024 年，软硬件相互迭代一年后，适配度更好了，解决了一部分 Sim-to-Real gap 的问题。到 2025 年，重型的七八十公斤的电驱人形机器人可以做完美的后空翻了。这件事的意义在于，运动控制 Sim-to-Real 的问题已经被解决掉了。

事实上回看机器人这两年的发展，不管是算法还是硬件方案都有很大变化。尽管从外部看，机器人长得一样，但内部的硬件方案和架构都经历了快速迭代。

以动易科技 C 系列小机器人为例，大概迭代了四五个月，好几个版本，每次比上一代的优势很明显。比如，最开始机器人能走能跑，我们就很开心了，但它不鲁棒，踹一脚就崩溃；下一代鲁棒了，但不够结实；再下一代更结实了，但还不够泛化；泛化实现后又太重，那就继续做减重，这样一代一代迭出来的。我们最终希望它能达到一个基本成年人的运动能力。

但机器人是系统工程，就像木桶，要想让它进步，每个短板都要长长一厘米，而不是有一个长板发展得有多好。如果只做好单一功能，很简单。要让它和一个成年人的运动能力全方位拉齐，并不容易。主要挑战一是要更智能地集成各项能力，二是要在硬件设计上相互配合和协调。需要在运控模型变大的同时保证它仍然稳定、可靠。

随着运动控制问题的解决，其将越来越多扮演通用基础设施的角色。机器人在开放环境的交互、决策能力都建立在这个基础上。

要形成商业闭环，本体、模型与场景需要联动

如果按照本体和 AI 两部分来拆分具身技术栈，在我看来，这二者是强耦合的。也就是只有同时打通这两部分才可能形成自己的商业闭环。就像 Figure，System 0、System 1 再加自己的本体，三位一体。决策模型、运控模型加硬件都很重要，同时要和场景联动起来。

硬件是未来差异化的关键。就像波士顿动力和 Figure 同样做工业场景，但却能显而易见看到两个方向。Figure 重在操作，重轻量化的工具搬运和一些零件的组装；波士顿动力重在重载，搬一个大冰箱，背一个轮胎。这两种情境，机器人在硬件层面会完全不一样。

这其中，最关键的是执行器部分。它决定了整个机器人性能的 80%，甚至 90%，BOM 成本可能占 60% 到 70%。所以执行器必须性能好，并且有特点，这是一个战略性的问题。比如我们选了摆线，因为它有大负载、刚性好等优势。其他厂商也有做行星或谐波路线的。抛开技术优劣势不谈，从战略上来讲，硬件要有自己的方案，重要的是要有自己的团队，内部有构建本体的能力。这样构建运动控制部分和决策部分，才有足够稳固的基础。

至于末端执行器，从夹爪到灵巧手只是需要发展过程。去年大家更多还是用夹爪，因为便宜，实验室用得起。但未来五指灵巧手成本逐渐降下来，自然就会推广开。人都是喜新厌旧的，未来有更仿生的，肯定会再替换。这主要和体验有关，由奢入俭难。

当然，从整体产业链的角度，是不是机器人公司什么都自己做，我持保守态度。数据、算力这两件事可能会有边界，因为二者都有自成一派的商业闭环逻辑——产出数据，可以有物理仿真引擎，也可以有采集实际数据的工厂，再把数据打包作为数据资产；算力也有自己的硬件、软件。如果有谁能把这些都做好，可能是英伟达或特斯拉。

先有硬件，还是先有数据：有效数据需要建立在本体之上

有很多人在谈论具身的 Scaling law 能否实现，我认为肯定能行。运动控制从单一动作逐渐走向数据驱动，从原来的单条轨迹调试和训练，到现在用10 个小时、20 个小时、100 个小时的人类数据训练一个模型让机器人全部执行，这在之前是不可想象的。运控这么小一个模型都遵循数据的 Scaling law，决策模型更是数据驱动的。但关键是数据怎么来，模型架构、硬件方案是什么样的，这三者到底谁先谁后的问题。

在我们内部来看，应该是先定硬件，有了硬件之后，才能有数据，有了数据之后，才能有模型。这不是一个一次性的线性过程，而是硬件产生数据、数据训练模型、模型再反向暴露硬件问题的循环。

特斯拉现在也在集中精力打造硬件，并没有对外强调发了什么具身模型，采集了多少数据。因为先有硬件基础，再有数据，然后再有模型是第一性原理。大语言模型也逃不过这个定律。

数据哪来的？互联网。大语言模型之所以能够获得海量互联网数据，背后也是计算设备、网络、智能终端和内容平台经过多年建设与运营的结果。具身智能同样需要自己的物理基础设施，只是机器人硬件更昂贵，真实世界数据的产生效率也更低。具身也一样，硬件确实贵，但逻辑就是这样。想跳级，很容易推倒重来，就看大家各凭本事怎么找到新的好的方案。

当然，现阶段要训模型，到底用人类数据、合成数据还是真机数据，也只是配比的问题，只要这个数据能支撑机器人在场景中把训练飞轮转起来，它就有价值。只是现在是数据炒得比较热。我觉得比较危险，因为在硬件架构没有定型之前，有些数据采完可能是没有意义的。市面上也有本体无关的，可以复用的数据，但未来整个硬件准备好了，这类数据占比多少就不一定了。

真机数据很宝贵。只有机器人自己不怕摔之后再去采数据，才能大批量、规模化复制。不怕摔的意思是，整个硬件没挂掉之前，摔倒了自己能爬起来。换句话说，电气系统在不掉电和不出现电气系统故障之前，机器人都能正常运行，不论在什么情况下被踹了一脚、头朝地打了一个滚，它都可以自己自行恢复，这才是稳定的机器。如果真的摔了，也要有保护性措施，能保护自己，这样才能降低硬件维护的成本。

从数据需求的角度，和决策模型比，运控对数据需求总量小一些。但跟最早期的运控模型比，要大得多。原来一条轨迹就行，现在要 20 个小时的轨迹。 更长的小时数和决策模型所需的长程任务数据还不同。长程任务是指逻辑链条的长程决策，怎么做逻辑判断，怎么做决策，形成一个完整的长链条闭环。运动控制虽然任务动作很多，但不需要形成一个完整的链路闭环。它想的是怎么把这么多的数据拆碎了揉到一起，像和面一样，需要和成一个均匀的面团，拿出来每一个动作都能在里面找到近似的动作。长程任务是要把这个面团拉成一根面条，看谁能把这个面条拉得更长，只要不断，拉得越长，决策能力也越强。

从表演到交互：机器人商业化进入下一阶段

去年人形机器人出货挺好，以表演类型的、人类观看机器人为主。这个市场有限，基本上已经饱和了。今年想出货，一定得是有交互性。就算给大家做娱乐表演，比如打乒乓球，也得有交互性。有交互会有更多情绪价值，单纯跳舞的不好推。

关于人形什么时候可以进工厂，我从去年开始就被问这个问题。当时我认为进工厂还比较早，顶多是 POC，因为能力还没有达到所需的状态。但眼看着运动控制和硬件能力逐渐迈过基准线，可能在不远的 1 到 2 年内，我们就可以看到带有全自由度灵巧手的机器人进工厂、进家庭。

当然，我也不会激进地认为今年机器人就要帮人干活了。如果说 2025 年是机器人表演的一年，2026 年就是机器人跟人互动、交互的一年，2027 年才是开始创造价值的一年。

动易如何验证自己的判断：进入新场景，补齐新能力

对动易科技来说，我们做的事情就是机器人加 AI，口号是 Robot for AI，关注复杂的多关节机器人。我毕业后也一直做这个方向。前几年技术发展太快了，几年前无论控制算法本身，还是机器人的实际应用都看不到很远的将来。AI 取得突破之后，发现能控制复杂机器人了，未来市场空间瞬间打开。机器人加 AI 是下一代生产力，这是我们创业时内部形成的共识。

关于场景，我们早期选了一些比较简单的。比如，PHYBOT C2 机器人已经量产，约 1 米 3，主要做轻量化服务，比如运动陪伴、教育。但其实我们还希望它更进一步，真正可以给大家叠衣服、送水。后续都会做，已经在管线中。

大的机器人也正在推广，主要是做生产制造、工业方向，我们对它的期望更高一些。所以目前在硬件上还需要一些时间完善，它得和小人形一样，即便用力踹倒了也能自己爬起来并且什么事也没有。

实现机器人和人自主地对打羽毛球是我们去年底，除了 C2 量产，完成的一个重要里程碑。从开发到能和人对打，总共用了近 5 个月。最大的突破就是实时决策模型。在底层上，我们也做了一些工作，比如英伟达的仿真器里面没有空气动力学插件，我们自己写了一个。

未来我们会探索更多有趣的场景。就像之前说到的，即使具身场景看似通用，真细分下去，还有很多可以拓展的地方。我希望动易科技不变成一个无聊的公司。Don't be boring。

因为公司往后走，项目多了，人多了，很容易陷入历史包袱非常重的情况，很难往前推陈出新，大家的心性和耐心会被磨灭。我的角色就是在大家觉得心性和积极性会被事务性事情磨灭时，对公司做一些调整，让大家保持兴趣往前走。包括文化的部分，另一部分是一定要让做的事情有意思。进入一些有意思的场景，探索一些新的技术。

关于动易科技这个名字，大家听起来有一些不那么洋气。我们英文名叫 PHYBOT，来自 Physical Robot，就是物理机器人，跟现在的 Physical AI 意思有点接近。中文“动易”意思是运动变得更容易，当时非常初始的想法，也有“动如脱兔”的意思，“易”有周易八卦的含义。

运动能力让机器人走到了真实世界门口。最后决定它最终能不能成为真正生产力的，是能否在真实世界中持续、自主、低人工介入地完成任务。我们要做的还有很多。