【环球网科技报道 记者 李文瑶】8月19日，2026世界机器人大会现场，大晓机器人——这家成立仅1年的具身智能公司——首次亮相WRC，便交出了一份颇为完整的答卷：开悟世界模型3.1、环境式数据采集方案2.0，以及“晓满”“晓新”“晓途”三大行业解决方案。展台前，专业参展者、投资人和产业链上下游从业者络绎不绝。
这种热度背后，折射出整个具身智能行业在2026年面临的核心焦虑：技术突破的临界点究竟还有多远？商业闭环到底能不能跑通？
过去两年，具身智能经历了从概念爆火到资本涌入、从Demo遍地到回归理性的周期。市场对企业的评估标准，已悄然从“论文数量”和“视频效果”转向“场景落地”和“营收质量”。正是在这一节点，大晓机器人选择以“全栈技术+垂直场景”的组合姿态亮相，展现具身智能正在从实验室走向真实的商业闭环。
战略原点：先To B，再To C，家庭是终点但不是现在
在采访中，大晓机器人董事长、商汤科技联合创始人王晓刚被问及的第一个问题，便是关于机器人进入家庭的路径。
他没有直接描绘关于家庭场景的美好蓝图，而是先划定了一条边界。“机器人具备操作能力以后，家庭一定是想象空间最大、市场空间也最大的一块，”王晓刚说，“但今天机器人一旦进入家庭，面对的是一个完全不受控的环境，对安全性、可靠性的要求都会非常高。机器人需要近距离和人接触，家里还有老人、孩子，任何失误都有可能带来伤害。”
这并非危言耸听。2024年至2025年间，多家具身智能公司在实验室环境中展示的家庭服务Demo曾引发广泛关注，但从Demo到产品之间，仍然存在安全问题。家庭场景中，地面可能是地毯也可能是瓷砖，光线可能从任意角度射入，宠物的行动和儿童的跑动完全不可预测——这些在实验室中被“优化掉”的变量，恰恰是商业化过程中最致命的陷阱。
此外，王晓刚还指出了隐私问题这一容易被忽视的障碍。“在To B场景里，我们可以隔离一块区域，让机器人单独作业，也可以由后台进行远程接管；但在家庭环境里，因为隐私问题，不可能一直有远程监管去应对突发情况。”
基于这一判断，大晓机器人的战略路径非常清晰：先在即时零售、酒店、仓储物流等相对可控的生产和服务场景中，以To B的方式持续验证技术成熟度，待软硬件可靠性建立起足够信心以后，再逐步进入家庭。 “所以我认为，机器人进入家庭应该是一个先To B、再To C的顺序，”王晓刚总结道十字星。
这一选择与自动驾驶行业的发展逻辑颇为相似——从高速公路等结构化场景起步，逐步向城市开放道路演进，而非一开始就挑战最复杂的全场景无人驾驶。它并非保守，而是对物理世界复杂性的敬畏。在可控的To B场景中，机器人可以逐步积累真实环境下的长程任务执行能力、失败恢复能力和多机协同能力，而这些能力的成熟度，决定了它未来能否安全地走进千家万户。
技术路线：从“模仿学习”到“物理直觉”
2026配资平台如果说业务路径的选择体现了战略定力，那么技术路线的选择则决定了一家公司的天花板。在此次WRC上，大晓机器人展示的开悟世界模型3.1，清晰地亮出了其技术底牌——用世界模型替代传统VLA，成为机器人的“最强大脑”。
过去两年，VLA（视觉语言动作模型）是具身智能领域的主流范式。它将视觉感知、语言理解和动作生成压缩在一个端到端模型中，在相对静态、变化不大的场景中表现良好。但行业很快发现，VLA本质上仍是一种高级的模仿学习：你教它抓水杯，它学会了抓水杯，但一旦水杯位置偏移、光照条件改变，或者换了一款硬件本体，泛化能力便急剧下降。
大晓机器人对这一局限早有判断。王晓刚在采访中透露，团队并非等到VLA暴露弱点后才转向世界模型。“过去无论在自动驾驶还是其他领域，我们对VLA都比较熟悉，也知道它本质上更接近模仿学习范式，并不天然具备生成式地理解和推演未来的能力。”
那么，世界模型究竟“好”在哪里？从大晓的技术架构来看，开悟3.1的核心是理解、生成、预测一体化的原生架构。其输入包括视觉观测、文本指令、机器人本身的力触状态，以及机械臂、灵巧手等本体的策略轨迹，通过混合Transformer架构与共享混合注意力机制进行端到端联合训练，最终压缩成一个共享隐空间中的世界特征表达。这个特征里既包含当前输入状态，也包含模型从海量数据中学习到的物理因果规律、运动学规律以及状态演化信息。基于这一共享隐空间，模型一方面可以解码出对世界的理解、过程分析和结果评估，另一方面可以对未来进行平行推演，在符合物理因果的前提下演算不同策略，再从中选出更优轨迹，完成动作预测并输出到真机执行。
这一架构与基于开源视频生成模型“外挂”控制模块的路径有本质区别。后者往往只能生成“看起来合理”的视频，但可能违反物理规律——物体穿模、悬空、突然消失等问题屡见不鲜。而原生为具身智能设计的开悟世界模型，将理解、生成、预测三项能力在底层共享同一个特征空间，信息损失更少、推理效率更高，也因此才有机会真正部署到机器人端侧。
王晓刚特别强调了“端侧部署”的重要性。今年3月，大晓首次将世界模型部署到机器人端侧大脑。过去世界模型更多放在云端用于数据生成和模拟仿真，而现在它可以在端侧实时控制真机。“在这个过程中，我们做到了10Hz，也就是大约每100毫秒，世界模型都会对未来状态进行一次预测，预测长度大约是3秒。这样它能够更好地应对动态环境和动态交互。”
他进一步以人类动作作为类比：“人去抓一瓶水，也不会一开始就把瓶子位置精确到毫米，而是在动作执行过程中，一边行动、一边观察和预测，随着手越来越接近目标不断调整。世界模型也是一样，一边动作，一边预测，一边自我调整，从而应对复杂世界的变化。”
值得注意的是，大晓机器人并非唯一看到这一趋势的玩家。今年3月，英伟达在GTC大会上发布的Cosmos 3，同样采用了理解、生成、预测一体化的架构思路。王晓刚对此评价道：“今年英伟达在GTC上发布Cosmos 3，也采用了类似的一体化思路。我觉得这会成为未来具身世界模型发展的一个重要趋势。”从行业角度看，具身智能正在从VLA范式逐步转向世界模型范式，底层逻辑也从next token的预测转向next state的预测。 这一转变的意义，可能不亚于大语言模型从RNN到Transformer的跃迁。
数据基建：用“环境式素材”破解Scaling Law难题
大模型时代的经验表明，智能涌现的前提是数据规模的量级突破。 但具身智能面临一个两难困境：真机数据质量高，但采集成本极其昂贵——一台机器人动辄数十万元，加之需要专门搭建场景、雇佣专业遥操人员，一条有效数据的边际成本远高于互联网文本数据。王晓刚在采访中透露，2024年整个行业积累的有效具身数据大概还在10万小时量级——这对于训练一个具备泛化能力的世界模型而言，远远不够。
大晓机器人的破局思路是“以人为中心的环境式素材”。王晓刚详细解释了这一方案与传统的成本差异：“传统真机采集首先需要购买大量机器人，一台机器人可能就是几十万元的成本；同时还要雇佣专门人员，在搭建好的场景里完成数据采集，人力成本也比较高。以人为中心的环境式素材，首先在设备成本上会大幅降低，可能是几万元，有些甚至可以做到几千元的水平。另外，我们不需要专门再雇一批人去采集，而是利用现有工人在真实生产生活环境中的工作过程，一边正常工作，一边完成数据采集，不影响原有生产节奏。人员侧只需要增加相对有限的补贴，均摊后的成本会大幅下降。”
大晓已推出的ACE Ego Kit采集方案，集成了行业首个三维力触与动捕信息采集手套，能够精准录入包含物理因果律的高密度真实交互数据。在数据分级方面，大晓将数据质量从L1到L5划分为五个层级。王晓刚对此做了具体解释：“比如比较简单的L1，可能只有单目或双目摄像头采集的视频，缺少更丰富的标注，场景也相对单一。这样的数据即使规模增加，能够支撑的智能上限也比较有限。到了L5，从头部、胸口到手腕会有不同类型的传感器，包括力触觉传感器；采集完成以后，还需要对手部、身体各个关节以及接触的物理对象做准确定位和追踪，并对力触觉信息进行建模。这样的数据包含的信息密度更高，价值也更高。”
在数据来源上，大晓构建了“开放世界视频—人类交互数据—真机数据”三层数据金字塔。其中，第二层“以人为中心”的人类交互数据是核心增量——它既具备规模化获取的潜力，又包含了真实物理交互中的因果信息和动作细节。大晓的目标是到2027年底，数据总量达到千万小时量级。
在行业讨论中，一个核心争议在于：人类第一视角数据是否能够形成类似大语言模型中的Scaling Law？对此，大晓团队持肯定态度。王晓刚在回答中表示：“未来几个月我们也非常期待看到世界模型的数据Scaling Law。随着真人环境式数据不断增加，世界模型能力越来越强，我们对真机数据的依赖应该会越来越小。以前教机器人完成一个特定动作，可能需要上百小时真机数据；当基础模型足够强以后，可能只需要几个小时，甚至更少的真机数据完成对齐，同时还能观察到新的智能涌现。”
这意味着，数据采集的飞轮效应正在形成——更多的环境式数据推动模型能力提升，更强的模型又降低了对昂贵真机数据的依赖，从而使整体数据成本持续下降。
商业落地：即时零售为何成为“第一战场”
技术终需回归商业本质。在此次WRC上，大晓机器人发布的三大行业解决方案——面向即时零售的“晓满”、面向酒店服务的“晓新”和面向开放场景的“晓途”——清晰地展示了其商业化的优先级和节奏。
其中，“晓满”即时零售一体化履约方案成为全场焦点。它瞄准的是即时零售“多SKU、高密度、窄巷道、全天候订单波峰”的履约痛点。专用机器人W1能在最小通过宽度仅75厘米的过道中穿行，以小于1牛顿的力控精度处理从薯片到饮料的各种商品形态。据现场工作人员介绍，该方案已与烧卖购、快客达、中石油便利店等达成合作。
为什么优先选择即时零售？王晓刚在采访中给出了三重逻辑。
第一是可复制性。王晓刚解释：“只有可复制，才有机会规模化。当前机器人落地一个很大的问题就是硬件成本高。比如即时零售，我们希望运营方在半年到一年左右能够回本，这对机器人硬件成本提出了很高要求。只有场景能够规模化、复制起来，整个产业链的体量才能上来，进而把每一个传感器、每一个关节、每一颗芯片的成本逐步压下来。”
第二是业务上限。“即时零售看起来是一个具体场景，但里面其实有几十项任务，不同任务又有不同难度等级。随着机器人能够完成的任务越来越多，它可以解锁的业务范围和场景也会不断扩大。酒店也是类似的逻辑。”王晓刚说道
第三是智能密度。在王晓刚看来：“我们非常看重场景里的信息密度、智能密度。世界模型需要在真实场景中持续采集数据并学习，如果场景过于单一，只重复完成一种操作，很难支撑通用泛化能力。即时零售和酒店包含的任务种类比较丰富，而且和未来家庭场景也有较强关联，比如物品整理、分拣等。”
从这三个维度来看，即时零售的确是一个“恰到好处”的起始场景：它的复杂度和多样性足够训练世界模型，同时商业模型清晰、付费意愿明确，能够支撑规模化部署，进而降低硬件成本、积累真实运营经验。
“所以我们的路径还是先To B、后To C，”王晓刚总结道，“零售、酒店、仓储、物流以及部分工业场景，都是现阶段比较适合规模化推进的方向。”
股票配资官方查询网站提示：本文来自互联网，不代表本网站观点。
