对话大晓机器人董事长王晓刚:不押注VLA,押注世界模型

搜狐科技《超级瓦力——对话具身智能50人》栏目第13期，对话大晓机器人CEO王晓刚。

划重点

1. 现有技术路线存在缺陷，包括VLA模型，它不太理解真实的物理世界和物理规律。

2. 很多公司在做本体，但真正缺乏的是理解世界的大脑、能解决实际问题的产品。

3. 明年国内将出现大量即时零售仓储应用场景，这类场景需要7×24小时服务，机器人能够充分发挥优势。

出品｜搜狐科技

作者｜常博硕

编辑｜杨锦

2025年，具身智能无疑是最拥挤也最焦虑的赛道之一。

在这个赛博世界里，人形机器人价格已经被压缩至万元以内，看似繁荣的背后，技术路线的分歧也愈发尖锐。

VLA、端到端、强化学习、世界模型……各种名词被频繁提及，却很少有人真正回答一个问题：机器人究竟该如何真正“理解”这个世界?

就在这个背景下，商汤科技联合创始人王晓刚，选择以一种新的方式，加入竞争。

2025年12月，商汤科技联合创始人、执行董事王晓刚出任大晓机器人董事长。

大晓的切入点显得异常克制：不涌入拥挤的本体赛道，不押注VLA，不追逐短期演示效果，而是将全部筹码，押在一个被反复提及却逐渐成为行业共识的方向上——世界模型。

“VLA是以机器为中心的范式，它并不需要真正理解物理世界。”王晓刚在多次采访中反复强调这一判断。

在他看来，当下主流具身方案的核心问题并不在算力或者参数规模，而是研究范式本身的起点就存在偏差。

过去两年，随着大语言模型和多模态模型的突破，行业普遍期待把“会说话的大脑”直接装进机器人身体里。VLA模型正是这一思路的典型产物。

输入语言、视觉信号，输出动作序列，仿佛机器人只要模仿得足够多，就能获得通用能力。但在王晓刚看来，这种路径天然受困于本体结构和数据效率，难以支撑真正的长时序、复杂任务，更谈不上跨场景泛化。

相比之下，大晓选择了一条更“底层”的路线。

以人为中心的环境式采集、开悟世界模型，再加上具身交互，三层架构共同构成了大晓具身技术体系的核心。

在具身智能尚未形成技术收敛的当下，大晓的入局，或许并不意味着终极答案已经出现，但它至少清晰地提出了一个问题和新的解法：

当机器人真正走向物理世界，究竟是“会做动作”更重要，还是“理解世界”更重要？

而这个问题，很可能决定下一阶段具身智能竞争的方向。

带着对行业的困惑与技术路线选择的疑问，搜狐科技等媒体与王晓刚进行了一场深入的对话。

以下为搜狐科技等媒体与大晓机器人董事长王晓刚的采访实录（经编辑）

一、大晓到底做什么？

媒体：想问一下大晓机器人的名字是如何确定的，以及这些名字背后有着怎样的意义？

王晓刚：它取自大程名字里的一个字，也用了我名字中的一个字。我和陶大程（大晓首席科学家，澳大利亚科学院院士、新加坡南洋理工大学杰出教授）本身都是汤晓鸥教授的学生。

媒体：大晓机器人主要侧重于机器人本体还是大脑？如果侧重大脑，技术路线是世界模型、VLA还是端到端？

王晓刚：大晓机器人在产品化落地方面，输出的是软硬一体的方案。

当前我们能够看到现有技术路线的明显缺陷，包括VLA模型，是以机器为中心的，通过输入指令、图像和视频，直接输出动作，它不太需要去理解真实的物理世界和物理规律。

简单粗暴地使用端到端或VLA，并不能解决具身智能对“大脑”的期望。

媒体：ACE技术范式具体意味着什么，又能实现怎样的效果？

王晓刚：我们提出的世界模型分为三部分。一是多模态的理解，包含图像、视频、相机位置、3D轨迹，还有力学元素、触觉等一系列内容。

其次，理解物理世界后，需要生成长时动静态交互场景，这些交互行为需具备物理规律和因果思维链，并形成长时间记忆。

三是预测功能，根据所选机器人本体、观察到的图像及视频状态，可预测机器人后续动作。这种“理解-合成-预测”的融合能力，正是世界模型的核心。

媒体：大晓机器人在硬件方面，包括传感器、电机、减速器、控制器等，是与哪些企业合作？

王晓刚：我们投资的企业中，钛虎、鹿明等都会有合作关系，它们与硬件相关。在传感器方面，我们与影石Insta360合作，将全景相机的能力赋予到机器人上，这是一个关键的零部件亮点。

二、为何现在入局？

媒体：商汤科技将具身智能业务剥离出来成为一个独立的公司，是出于哪些方面的考量？

王晓刚：商汤过去更多聚焦于ToB软件业务，近年来随着大模型的发展，我们布局了大装置和基础设施，但在端侧的软硬协同整体产品方面仍有空白。机器人的出现提供了一个良好契机，让我们有机会实现软硬件整合。

媒体：您认为目前具身智能这个行业的头部卡位已经完成了吗？新创业公司的机会点在哪？

王晓刚：我认为头部卡位还没有完成，这个领域还远未成熟，目前行业技术路线存在明显缺陷。比如特斯拉和Figure AI都放弃了以真机为主的技术路线，转向以视觉为主的技术路线。但视觉为主的技术路线并非终极方案，所以我们提出了“以人为中心”的ACE研究范式。

第二点看场景落地，目前能够成规模量产的机器人场景，要么是提供情绪价值的表演性质产品，要么是作为科研平台存在，尚未出现能大幅提升生产力的规模化应用。

第三点是产业链层面，机器人行业的产业链分工尚未完善，成本依然很高。因此，我认为整个机器人产业的格局远远没有确定下来。

媒体：现在具身智能赛道竞争非常激烈，人形机器人价格已降到万元以内。商汤在这个节点加入具身智能赛道，背后的契机是什么？大晓的核心竞争力体现在哪里？

王晓刚：第一点是我们看到了一个与以往不同的新研究范式，也就是以人为中心的ACE研究范式。

如果一直沿着原有的范式前进，追赶或超越会非常困难，只有在这种革命性变化出现时，我们才有机会实现突破。

第二点是产业落地。商汤过去十几年积累了几千家客户，覆盖众多行业方向，，当我们进入这个领域时，能够快速实现规模化的场景落地，让机器人的价值成倍放大。

媒体：对于大晓机器人来说，有没有明确的短期或长期目标？或者说，想要在行业内达到一个什么样的位置？

王晓刚：短期的话，除了提供情绪价值的表演类机器人外，我们认为能够规模化落地的，是搭载了导航能力与各类AI应用能力的四足机器狗。

中期看好工业场景与商业服务场景，其中会优先选择闪购仓、前置仓这类商业服务场景。明年国内将出现大量前置仓与闪购仓，这类场景需要大量人力支持7×24小时服务，机器人能够充分发挥在这类环境中的优势。

更远期的目标则指向五年后的家庭场景，但这更多涉及前沿技术的探索。

三、为什么不押注 VLA

媒体：以人为中心收集环境的数据优化世界模型的路径，涉及到无穷无尽的场景、动作，它是可以去穷举的吗？

王晓刚：基于VLA训练出来的模型，会被受困于它的本体。世界模型采取了可能是更本质的方式，能覆盖更多的场景。关键是你这套范式是不是一个能够很容易拓展的，有一千个人、一万个人在用这种方式采集数据，能够产生回流。

媒体：所以这是我们开源最本质的原因是吗？

王晓刚：对，一旦开源以后别人可以给你各种反馈，给你提供各种场景。这也是中国和其他的国家在人工智能发展路径上一个很差异化的点。

媒体：未来机器人能够做的事情会有哪些关键的变化？

王晓刚：在世界模型的加持下，对于泛化性世界模型应该有突破机会。像前置仓的场景，有上万的SKU，零售场景用VLA很难把这个规模达到上万种不同的类别，但是在新的范式下是有可能做到这一点的。