1. “平台革命”到底在革什么先把“替代”和“赋能”的账算清楚前几天在汽车校友百校联盟的一场行业分享上听逐际动力的朋友聊他们最新的思考主题是“从替代到赋能的具身智能新范式”。说实话近几年“具身智能”这个词已经被各种发布会和融资稿说烂了但这次“平台革命”的提法反而让我停下来认真想了很久。原因很简单过去两年我们讨论具身智能时默认的语境都是“这机器人能替人干什么”——替代巡检工人、替代搬运工、替代产线上的某个工位。而逐际动力这次提出来的逻辑跳出了“替代”的框转而去谈“赋能”不把机器人当成一个完成特定任务的工具而是把它做成一个可以承载各种能力、让第三方开发者也能参与共建的平台底座。这个转向我认为才是真正意义上的范式变化。要理解这个变化先得算清楚两笔账。1.1 替代式做法的天花板到底在哪所谓“替代”本质上是一个单点逻辑找一个具体场景用机器人把人的某个动作或某条工作流替换掉。这种逻辑下项目交付的是一台“会干某件事的机器”。比如工业领域的AGV替代人工搬运、仓储里的机械臂替代分拣动作、园区里的巡检机器人替代保安巡逻。替代逻辑本身没有错但它有一个非常现实的天花板场景碎片化。每换一个仓库货架尺寸不一样通道宽度不一样地面材质不一样光线条件不一样原来的方案就要重新适配。每换一个产线工件形状不一样、节拍要求不一样、上下游设备接口不一样等于重新做一遍集成。结果是每一单都是定制项目每一个项目都养一支实施团队做完一个项目能力无法平滑迁移到下一个。我认识不少做巡检机器人的创业团队大家普遍的感受是demo阶段很兴奋交付阶段很痛苦。客户验收看的是“你在这个现场能不能稳定跑100天”而在每个新现场稳定都是重新磨合出来的。“替代”卖的是硬件和集成服务毛利越做越薄边际成本几乎不下降。这就是替代式做法的第一重天花板。第二重天花板更隐蔽替代方案往往只能覆盖“被明确定义”的任务。但现实中大量工作是模糊的、组合性的——比如设备维护老师傅听声音就知道哪台机器快出问题了这种经验型的判断你没办法写成SOP让人形机器人去“替代”。也就是说替代逻辑天然只够得着结构化程度最高的那一小块需求长尾部分全被漏掉了。1.2 赋能式平台的三根支柱赋能这个思路不是“机器人代替人”而是“机器人为人、为开发者、为各行各业的解决方案商提供一个可扩展的能力底座”。类比一下会更好理解替代思维是“我帮你把饭做熟端给你”赋能思维是“我给你一套标准厨房、水电管路和菜谱接口你自己也能炒菜还能研究新菜”。逐际动力这套“平台革命”我理解下来主要有三根支柱。第一根是硬件平台。机器人本体不再只是为某一场景订制的“专用件”而是具备一定泛化能力的统一载体——能走、能跑、能在非结构化地形上保持稳定的足式平台再加上可扩展的传感器和算力接口让不同行业的人可以在同一套硬件上开发不同应用。第二根是数据平台。具身智能和传统自动化最大的区别在于它需要“数据喂养”。数据平台要解决的是真实环境中的数据怎么采、仿真环境中的数据怎么生成、采下来的数据怎么清洗和标注、数据如何回流到模型训练中形成闭环。这根支柱如果立不起来所谓“智能”就永远停留在PPT里。第三根是基础模型平台。也就是把机器人的感知、决策、运动控制能力沉淀成模型和服务接口让下游开发者不必从零训练一个机器人大脑而是直接调用这些能力就像今天开发者调用大模型API一样。这三根支柱合在一起才构成“赋能”我不替你定义怎么用我只负责把“能用的底座”做到极致然后把创新空间开放给你。2. 为什么偏偏是现在提出“平台革命”时机、痛点与技术栈的共振任何范式转变都不是某家公司灵光一闪的结果而是时机成熟后的必然。逐际动力在这个时间点打“平台革命”这张牌背后是有清晰逻辑的。2.1 具身智能进入了“数据飞轮”才能转动的阶段如果倒退五年机器人行业的主流做法还是“规则驱动”工程师把场景规则一条条写进代码机器人按规则执行。这种模式下平台化意义不大因为“智能”约等于“编程技巧”代码写死在一块硬件上就行。但大模型出现之后局面变了。机器人的决策能力开始从“规则驱动”转向“数据驱动”而数据驱动系统的核心特征就是越用越聪明、越多场景训练越强——这正好是平台化最肥沃的土壤。用大白话说数据驱动的系统怕的不是“用得人多”而是“用的人少”。如果每家厂商都关起门来做一个专用机器人每个项目的数据量都不够喂养出强模型反过来如果有一套开放的平台底座几百家企业、几千个场景在上面跑产生的数据会持续反哺底层模型让平台越做越强。这就是数据飞轮。逐际动力做足式机器人起家在运动控制上沉淀了很久现在把能力开放出来本质上是在抢跑“数据飞轮”的第一圈。谁先让更多开发者跑起来谁就先积累更大规模的真实场景数据这个先发优势越到后期越难被追平。2.2 汽车产业的经验迁移软件定义硬件标题里挂着“汽车校友百校联盟”这不是巧合。汽车行业过去十年的智能化变革几乎是具身智能行业可以“抄作业”的范本。传统汽车时代一辆车的价值主要由发动机、变速箱、底盘决定消费者买车看的是机械素质。新能源和智能化浪潮之后定义的逻辑反过来了电池和电机越来越同质化反而是智能座舱、辅助驾驶、OTA升级能力决定了车辆的体验和溢价。这就是“软件定义硬件”。逐际动力“平台革命”的思路和“软件定义硬件”是同一个逻辑在机器人领域的重现人形机器人和足式机器人的本体硬件正在快速趋同——关节电机、减速器、传感器供应链越来越成熟硬件本身的差异会逐渐缩小。最后的壁垒在哪里在于你在这套硬件上能跑出什么样的模型、能积累什么样的数据、能给开发者提供什么样的工具链。汽车产业的另一个经验是生态化普及比闭门造车快得多。当年造车新势力如果坚持所有软件都自研、所有场景都自己做根本撑不到今天。反而是那些开放SDK、开放应用商店、让第三方服务商参与进来的玩家把智能化体验真正做厚了。逐际动力现在做“赋能”本质上是把这条路再走一遍。还有一个容易被忽略的点汽车产业链本身就是具身智能最大的落地场景之一。工厂里的移动操作、质量检测、零部件配送全是结构化程度较高、付费意愿较强的场景。从“汽车校友百校联盟”这个渠道把平台革命讲清楚既是在做行业布道也是在提前锁定种子客户和种子开发者。3. 拆开看逐际动力这套“平台革命”的技术底牌概念说清楚了下面必须落到技术上。逐际动力不是第一家讲“平台”的机器人公司但它讲的平台有一个特点底层技术主要围绕“全地形移动能力”和“强化学习运动控制”展开这两点构成了它与纯人形机器人公司、纯机械臂公司的差异。3.1 全地形感知让机器人首先“看得见、走得稳”机器人平台化的前提是平台本身得靠谱。如果一个平台连平地上走两步都会摔那没人敢在上面做开发。逐际动力在人形机器人CL-1和足式机器人TRON系列上反复强调的“全地形适应能力”本质上就是在解决“靠谱”两个字。全地形感知不等于加几个传感器摄像头它需要一套完整的感知-建图-步态规划链路。我特意看过他们公开的一些技术演示机器人上楼梯、过碎石堆、踩过不规则的垫脚石每一步落点都是实时规划的而不是提前录好的轨迹。这背后至少涉及三个技术点多模态感知融合视觉、深度、点云、惯性测量、地形语义理解判断前方是平地、斜坡还是台阶、步态规划根据地形切换行走、踏步、攀爬等不同策略。为什么要强调全地形因为这是“平台”和“专用机”的分水岭。专用机器人只用在自己被调试好的那一块场地上跑环境稍微变一下就罢工。而平台型机器人面对的是无数个未知场景它必须有足够的“身体智能”去应对不确定性。全地形能力就是平台型产品的基本功。注意这里有个非常容易被普通观众忽略的细节他们提到“盲区补全”。机器人在行走时传感器覆盖不到的地方——比如脚下近处、台阶边缘的阴影区域——往往是绊倒的重灾区。逐际动力在感知上做了基于先验模型的地形盲区估计用周围地形和运动趋势去推测看不到的区域长什么样。这个细节别的公司在宣传里很少讲但对实际稳定性的提升非常大。3.2 运控底座从“能走”到“会走”再到“敢走”如果说感知解决的是“看得见”运动控制解决的就是“走得稳”。逐际动力在运控上走了一条和很多公司不一样的路大规模使用强化学习训练运动策略并且把训练框架开源出来——他们发布过人形机器人强化学习训练框架Humanoid-Gym这件事在行业里关注度极高。传统的人形机器人运控大量依赖模型预测控制和零力矩点等经典方法工程师手动调参数调一个稳定的步态可能要以月为单位。强化学习把这件事换了个玩法在仿真环境里让机器人自己“摔”几百万次通过奖惩信号逼着它学会维持平衡、适应扰动。一个在仿真里打磨好的策略移植到真机上可能只需要很短的微调周期。这就是平台化的技术红利强化学习训练出来的运控策略是软件形态的它可以持续OTA迭代。今天机器人只会平地走明天更新一个策略包它就能上楼梯了后天再更新一版抗侧向冲击能力又强了一截。这种“硬件不变、能力进化”的特性恰恰是平台型产品的核心竞争力。但仿真训练有个著名的坑——sim-to-real gap仿真到现实的鸿沟。仿真里的一切都很理想摩擦系数、电机响应、质心位置都是精确的真机完全不是那么回事。逐际动力解决这个问题的思路我印象很深领域随机化。训练时不把所有物理参数定死而是在合理范围内随机化摩擦系数、关节阻尼、负载重量让策略学会适应“各种不完美”真机上遇到偏差时依然能稳住。3.3 具身基础模型机器人的“大脑”与“小脑”分工聊完运控这个“小脑”再往上层看“大脑”。逐际动力的技术版图里大语言模型和多模态模型的角色越来越重给机器人一个自然语言任务它要能理解任务、把任务拆解成子步骤然后调用底层运动能力去执行。这就是现在最热的VLA视觉-语言-动作方向。和自动驾驶一样具身智能最终的技术栈大概率是分层的大模型负责“想清楚做什么、按什么顺序做”运动控制策略负责“落地执行时怎么迈腿、怎么发力”。分层带来的好处是不需要每一次新任务都重新训练整条链路底层能力可以复用。逐际动力在这个方向上的探索逻辑和开源社区里xbotics这一类具身智能开源社区的氛围是一致的大家越来越意识到单靠一家公司关起门来搞基础模型效率太低了。工具的开放、数据集的共享、模型层的模块化才是行业整体往前跑的最快路径。4. 想进入具身智能的实操路径仿真、开源与机械臂怎么步步为营讲了半天行业趋势估计很多读者已经摩拳擦掌想知道自己怎么切入这个领域。按照我的经验现在入局具身智能最有效率的路线不是一步到位做人形机器人而是分三阶段递进打基础、玩仿真、蹭开源。我分别展开说。4.1 阶段一把算法和机器人学的底子打好第一件事不是买机器人开发套件而是补基础。编程语言Python跑模型、C做真机部署Python先熟练C之后补。数学基础线性代数坐标变换、旋转变换、概率统计状态估计的根基、优化理论轨迹规划必用。机器人学核心刚体变换、正逆运动学、动力学基础。推荐看《Modern Robotics》课程在Coursera上有配套的讲得很清楚。强化学习入门学习PPO、SAC这些主流算法。不用上来就啃原论文先看各种博客里的解释再用代码库跑通一个简单的CartPole示例理解状态、动作、奖励、回合这几个基本概念。这里给大家一个建议不要在理论里泡太久。我见过太多同学看了三个月论文动起手来连环境都装不好。每学一个知识点就去找对应的代码玩一玩。4.2 阶段二在仿真环境里跑通“第一个机器人”仿真环境是具身智能最大的练功房零成本、随便摔、能加速时间。目前主流的选择是这几类仿真平台特点适合方向Isaac Gym / Isaac LabNVIDIA出品GPU并行大规模强化学习训练效率高人形、四足机器人运控训练MuJoCo轻量、物理精度高、学术界常用算法验证、机械臂操作Gazebo ROS 2生态成熟、贴近真机接口整机系统集成、多传感器仿真我个人建议运控方向优先Isaac家族机械臂操作方向优先MuJoCo。实操层面第一个项目可以这么规划用Isaac Gym加载一个人形机器人或四足机器人模型用强化学习库比如legged_gym这类开源项目训练一个能够稳定行走的策略。训练成功之后你会真正理解“奖励函数才是老大”——想让它走得快给速度奖励想让它走得稳给身体姿态惩罚想让它走得自然给关节能耗惩罚。这些奖励权重的调节非常考验工程感觉。训练的过程中注意记录每个实验的reward曲线。如果收敛很慢或者完全收敛不了优先检查奖励定义有没有漏洞——比如奖励让机器人“钻空子”原地转圈而不是前进。这类bug在训练中非常常见排查过程本身就是最好的学习材料。4.3 阶段三机械臂方向怎么切入遥操作、模仿学习与开源社区如果你的目标是机械臂方向路径略有不同但同样顺畅。机械臂操作是具身智能里商业闭环最快、最容易落地的细分领域之一。入门路线我推荐三步第一步玩一遍ROS 2和MoveIt。理解“感知-规划-执行”的经典链路。第二步学一下模仿学习。目前机械臂领域最火的路线之一就是用遥操作采集人类操作数据喂给模型学习。斯坦福的ALOHA就是典型代表——开源双机械臂遥操作硬件和算法用低成本硬件实现精细操作的数据采集。复现一遍ALOHA或者它的简化版会让你对“数据驱动操作”有切肤的理解。第三步接轨具身智能开源社区比如xbotics这一类围绕具身智能模型、数据集、工具链的社区。开源社区最大的价值在于你能看到真实训练代码、真实数据格式、最新模型权重而且有人帮你踩过坑。遇到问题社区里都能找到同类案例。想跟上行业节奏光看论文是不够的必须泡在开源社区里。给一个具体的学习路线图基本够用半年阶段内容产出物耗时打基础Python、线性代数、机器人学入门、强化学习概念能读懂开源代码6-8周仿真训练Isaac Gym环境配置、跑通一个步态训练能训练出稳定行走策略4-6周机械臂实操MoveIt ALOHA或等效项目复现能采集遥操作数据并训练简单操作模型6-8周开源贡献选择xbotics等社区提PR、跑benchmark社区有认领的issue记录持续5. 落地中的典型问题与排查思路七年踩坑实录实操层面最大的问题往往不是“不懂技术”而是“不知道坑在哪”。我把自己和周围同行在具身智能项目里踩过的典型问题整理成一个速查表每一类都附上排查思路。5.1 仿真里是超人真机上走路都难sim-to-real gap怎么调这是运控方向的第一大坑。仿真里机器人能跑能跳一旦上真机走路都东倒西歪。排查思路按优先级排首先查模型标定仿真里用的关节限位、电机力矩、质心位置和真机掰开揉碎对比一遍。很多时候问题不是算法弱是你根本没有把真机“搬”进仿真里。其次开领域随机化把摩擦系数、电机响应延迟、负载重量做随机训练。这是目前最有效的通用招数。最后对照真机数据真机跑一段轨迹记录关节角度和力矩用同样的数据倒推进仿真模型看偏差在哪里。注意sim-to-real gap永远不会被完全消灭目标是把gap控制在策略鲁棒范围之内。设定“上真机前仿真必须通过XX次随机化测试”这样的工程标准比追求“仿真完美复现”更务实。5.2 数据、算力、标定三个容易被低估的隐性成本第一隐性成本是数据。一个真实的机械臂操作任务要采集到能训练出稳定策略的数据量少说几千条多则上万条每条还带有动作序列和图像信息。逐条人工标注成本极高所以现在行业普遍做两件事仿真合成数据、自动标注管线。别指望靠几个人手动录数据就能撑起一个模型。第二隐性成本是算力。训练一个能上真机的强化学习步态策略一张A100跑几天到一周的量级是常态把训练参数搜索空间排开你的钱包会先报警。个人学习和中小企业优先考虑GPU云资源按需租用而不要一开始就采购深度学习服务器。第三隐性成本是标定。传感器在运输和长期使用中会产生漂移深度相机的外参、IMU的零偏都是需要定期校准的。很多团队demo翻车不是算法出了问题而是相机歪了没发现。建议把标定流程固化成上电巡检中的标准步骤写成checklist别靠人记。5.3 一张问题速查表问题典型表现排查优先级常见解法仿真到真机落差大仿真良好真机失控高模型标定校准、领域随机化数据采集效率低模型收敛慢、泛化差高遥操作批量采集、仿真数据增强训练算力成本失控训练轮次多、实验量大中云端弹性算力、减少超参组合传感器漂移真机表现逐渐变差中固定周期标定、冗余融合机械臂控制抖动末端到位后震荡中检查控制频率和阻尼系数查机械振动频率策略过拟合场景换环境就失灵中扩大训练场景库随机性团队方向失焦什么都做、什么都不深低选定平台层或应用层一个生态位现在很多产业方选型时喜欢看demo但demo演示环境往往是经过反复调试的“主场”。真正判断一个方案能不能落地建议提三个问题有没有在陌生场景跑过数据从哪来数据飞轮转不转得起来底层模型能不能OTA升级这三个问题答得上来的再考虑合作。6. 这件事对汽车人和普通从业者的三点启示最后还是要回到汽车校友百校联盟这个场景。作为一个汽车产业资源高度聚集的圈层大家关注逐际动力真正想问的其实是这场“平台革命”跟我们有什么关系6.1 智能化是共同的“第二曲线”但路径选择决定成败汽车圈过去十年验证了一个事实硬件的利润率会被时间抹平软件的利润率会随时间陡增。同样是造车机械时代一辆车赚几千块智能化时代一个订阅服务可能持续变现好多年。机器人行业正在上演同样的剧本——但有一个关键区别汽车的软件定义硬件背后是巨大的存量市场规模支撑而具身智能的存量市场还很小真正的变量是“能不能把新场景从0到1打开”。工具车和乘用车之于汽车行业就像专用机器人和通用平台之于具身智能行业——前者服务于明确的任务后者服务于未知的可能性二者的技术栈、商业模型和团队配置完全不同。逐际动力选择做后者这跟汽车公司的平台化战略逻辑是一致的平台型产品承担的风险更靠前但一旦跑通护城河更深。6.2 判断具身智能公司能不能跟的三条标准结合这次分享和行业观察我总结出三条“排雷”标准不管是做投资还是做产业合作都建议对照着看第一看它舍不舍得开源。嘴上说“赋能”但什么核心资产都不开放的基本还是项目制思维。真正的平台公司一定会把一部分模型层、工具链、数据规范拿出来共建因为平台的本质是生态不是套壳。第二看它有没有把数据闭环真正跑通。不少公司有先进技术但数据采集靠外包团队、标注靠人工打字这种“数据手工工坊”没法支撑平台级别的发展。好的平台公司会把数据采集动作嵌入产品日常运行中让每次使用都变成数据贡献。第三看它对垂直场景的适配速度。赋能不是“我开放一些API你爱怎么用怎么用”而是要真的陪跑关键场景。逐际动力选择汽车产业链做突破口在我看来是个聪明的选择——汽车场景结构化程度高、付费意愿强又是它“校友圈”触手可及的存量资源把这个行业打穿比泛泛地铺十几个行业有效得多。6.3 给个人从业者的一个小建议不论你是在汽车行业做智能化还是想转型进入具身智能我的体会是不要把目光只盯在“人形机器人”这一个标签上。具身智能这次的红利大概率是“平台层的红利”和“应用层的红利”先爆发本体硬件反而不是最大的机会所在。与其挤破头去做整机不如想想你能不能成为那个在平台上做场景应用的人我一直强调学习与实践并行。想转行做具身智能现在的资源比三年前好太多了——开源社区有xbotics这样的入口仿真平台免费可跑论文代码基本都开源。真正缺的是肯花半年时间沉下来把路径走完的人。等到行业成熟时再入场竞争的时间窗口也就过去了。写在最后复盘整场分享我记住的一句话是替代是把人变成机器的补充赋能是让机器变成人的工具以外、还可能成为人的伙伴。这句话未必人人同意但站在从业者的角度我非常认同这种自我定位的转变。我个人在判断一家具身智能公司时现在有一个硬条件看它有没有把能力沉淀成开发者能直接用的东西。demo再漂亮也只是惊喜只有变成开放的工具、训练好的模型、规范的数据集才称得上真正的革命。逐际动力这次把“平台革命”的旗号亮出来后续能不能兑现就看它愿不愿意把自己的硬实力交付出来让更多人与它共同创造。这条路值得整个行业盯着看。