對話它石智航丁文超：拒絕做機器人的“簡單題”｜甲子光年

具身最終還是要發(fā)揮價值，說白了是GDP邏輯，單位時間能干多少事。

作者｜周悅

編輯｜王博

“甜蜜的毒藥”。丁文超用這個詞形容具身智能公司拓場景時最容易踩進去的坑。

一個新場景，表面上意味著新客戶、新收入。但真正做進去，硬件要穩(wěn)，數(shù)據(jù)要補，模型還要能泛化。場景越多，交付越亂，單點做不透，能力也很難外溢。

這種警惕，來自丁文超在自動駕駛里的教訓。2020年，他入選華為“天才少年計劃”，進入車BU做智駕。

那幾年正是自動駕駛從前沿技術走向規(guī)模化產品的關鍵期，他親眼見過場景一旦鋪開、交付會變得多復雜。“我的經驗是，一切東西都要能夠規(guī)模化。規(guī)模化不了，將來賣給用戶會很折磨。”

帶著這種判斷，線束裝配很早就進入了它石智航（下稱“它石”）的視野。

線束柔軟、易變形，并且屬于長程、復雜任務，對精度、任務規(guī)劃能力和成功率要求都很高。它不像搬運、分揀那樣容易被外界一眼看懂，也不是傳統(tǒng)自動化能輕易覆蓋的標準化任務。模型、數(shù)據(jù)、硬件、部署里任何一環(huán)有短板都藏不住。

今年3月，它石A1機器人完成百余次亞毫米級柔性線束裝配，拿下吉尼斯世界紀錄。一個月后，4.55億美元Pre-A輪融資落地，刷新中國具身智能最大Pre-A輪和最高單輪融資紀錄。

紀錄和融資讓它石被更多人看見。但線束也不再是冷門選擇，越來越多具身企業(yè)開始盯上這個場景。它石的先發(fā)優(yōu)勢，還能維持多久？

線束之外，它石還有更多“反常識”的選擇。行業(yè)集中討論VLA模型路線時，它石提出AI World Engine（AWE）；不少公司還在依賴仿真和遙操作采數(shù)據(jù)時，它石押注human-centric（以人為中心）的真實數(shù)據(jù)采集。

丁文超把它們放在同一個三角形里：數(shù)據(jù)、通用AI模型、核心零部件與終端應用。“我們從第一天開始，就設定了這三個角，而且在每個角上根據(jù)第一性原理，都做了比較反常識的選擇。”

丁文超是它石智航聯(lián)合創(chuàng)始人兼首席科學家。離開華為后，他回到復旦大學，擔任研究員和博導，搭建了具身智能實驗室MagicLab。后來，他與其他幾位業(yè)界大牛聯(lián)合創(chuàng)辦它石。

有意思的是，這個具有強工程化背景的人，聊起技術與產品愛用武俠語言。回顧創(chuàng)業(yè)節(jié)奏，他說最深的感受是“天下武功，唯快不破”；聊起技術路線的抉擇，他又借《神雕俠侶》里的玄鐵重劍作喻：“重劍無鋒，大巧不工。”

近期，「甲子光年」專訪丁文超，從線束開始，聊到智駕經驗、世界模型，以及他的創(chuàng)業(yè)之路。

它石智航聯(lián)合創(chuàng)始人兼首席科學家丁文超，圖片來源：它石智航

1.盲目拓場景是“甜蜜的毒藥”

甲子光年：最近一些具身智能公司也宣布把線束作為重點，你們很早就切入線束場景，怎么看這個場景的壁壘？

丁文超：歡迎他們來做，但這里面確實非常難。

場景沒有秘密。我經常說，場景分散對于基礎模型不強的公司來說是甜蜜的毒藥。看起來有客戶、有收入，但做不透，能力不能外溢。當基礎模型能力不強時就去擴場景，很可能每個場景的解決方案都長得不一樣。

自動駕駛有一個關鍵的轉折點，就是靠端到端實現(xiàn)one model。對所有場景、所有條件，只訓練一個模型，背后是一套訓練、數(shù)據(jù)、模型和部署的管線。

具身比自動駕駛更發(fā)散。每個場景差異更大，單一場景分布也更散。它石首先找大場景，比如線束，因為單一場景的ROI足夠大；第二，我們有自己的通用模型，隨著通用模型能力提升，擴新場景的邊際成本會下降。

這不是單純的數(shù)據(jù)問題、模型問題或者硬件問題。它是一個系統(tǒng)工程，是全棧能力的大考。任何一環(huán)薄弱，這個場景都可能變成毒藥。你做不透它，硬件不穩(wěn)定；針對這個場景做出來的東西又泛化不到其他場景；再擴新場景，投入產出比又特別低。

甲子光年：如果把具身任務放在一個光譜里，現(xiàn)在我們能看到的搬運、疊衣服、分揀、線束裝配分別處在什么位置？

丁文超：最簡單的是pick and place，也就是PP問題。不少仿真企業(yè)在PP問題上已經做得比較扎實，但要向更深層次邁進，會面臨很多挑戰(zhàn)。

PP往后，是泛PP問題，類似分揀。它沒有復雜長程任務，都是非常短程的，東西翻一下就可以，但有時需要局部微調。

再往后，任務長程性進一步提高，操作對象逐漸變成柔性物體，難度就更高。線束基本在這個區(qū)間：第一，它操作的是柔性東西；第二，它是長程任務；第三，它對成功率和節(jié)拍都有很高要求。

越往光譜左邊，越接近傳統(tǒng)工業(yè)自動化已經解決的問題，新創(chuàng)造的價值越低。越往中間甚至右邊走，傳統(tǒng)工業(yè)自動化夠不到，門檻越來越高，技術難度也越來越高。

它石智航A1機器人獲線束裝配吉尼斯世界紀錄稱號，圖片來源：它石智航

甲子光年：你在最近一次公開論壇上說，這一代具身智能要啃的是“柔性、動態(tài)和長程任務交互”。外界也會質疑，它石是不是擅長什么，就把什么定義成最難的賽道，你怎么回應？

丁文超：這不是由它石定義的，而是由市場定義的。反過來看，市場上還剩什么任務？給具身真正存留的是什么任務？

任何一條產線都有這個規(guī)律，簡單題、選擇題已經被傳統(tǒng)工業(yè)自動化做完了，剩下的難題和復雜題才空在那里。我們講的柔性、動態(tài)、長程任務，本質上就是這些空下來的大題。

當然，光譜中間的任務，將來它石也可能做。但我們的方法是靠模型能力外溢去覆蓋。就像海平面上升去淹沒小島，不是主動要淹沒它，但水位上來了，它可能順帶就被覆蓋了。

甲子光年：線束是觀察它石一個入口，你們整體的技術路線是什么時候定下的？

丁文超：2024年那個時間點對我們影響很大。我們發(fā)現(xiàn)，行業(yè)里很少有人把這件事想清楚，也沒有太多可參考的路線。

我們從第一性原理、top-down（從上到下）地去想。做具身核心就是一個三角形——它石的logo也是三角形——分別是數(shù)據(jù)、通用AI模型、核心零部件和終端應用。我們從第一天開始，就設定了這三個角，而且在每個角上都做了比較反常識的選擇。

我們最初覺得遙操作很難scale up，所以提出做human-centric數(shù)據(jù)；其次是模型。2024年VLA很火，但我們覺得單純把一個action的頭拼進VLM里，不是終極架構，所以提出了AI World Engine(AWE)；然后是應用，模型早期要找到ROI最大、同時適合這一代具身智能的場景，我們去了很多工廠，最后找到了線束。

甲子光年：外界對它石的技術路線有沒有誤讀？

丁文超：外界怎么看待不是我最關注的。它石最終讓人信服的，不是我們技術路線多好，或者某一個點怎么樣。大家怎么看技術路線只是一方面，最終還是要發(fā)揮生產價值。

客戶和產品、是否真的實現(xiàn)落地和創(chuàng)造價值才是第一性原理。自動駕駛雖然現(xiàn)在還有人討論兩段式端到端、一段式端到端，但實際上比的還是誰的車開得好。具身可能很快，在2026、2027年也會進入這種狀態(tài)。

2.智駕團隊做具身是降維打擊？

甲子光年：最近一年很多自動駕駛團隊進入具身行業(yè)，有人會說這是降維打擊。但機器人畢竟不是車，哪些自動駕駛經驗不能直接搬到具身里？

丁文超：這是一個很好的問題，我不覺得自動駕駛在技術路線上給具身多少直接借鑒。真正有價值的，是自動駕駛沉淀下來的一套數(shù)據(jù)閉環(huán)體系。

自動駕駛最后沉淀下來的，不是某個技術棧。對我來說，最大的收獲是學會了通過海量數(shù)據(jù)、用戶問題，提高產品力，讓一個物理AI產品在物理空間里達到可靠、可信賴。這個方法論和具身是共享的。

但具體技術問題差異很大。自動駕駛是在物理空間里不要接觸任何東西，本質上是從A到B，但不要和任何東西發(fā)生接觸。具身恰恰相反，它一定要和東西發(fā)生接觸，并且知道接觸之后的結果是什么。

所有contact-rich manipulation（豐富接觸的操作）對模型特質的要求都和自動駕駛不一樣。很多人覺得車開得快，所以智駕對反應要求更高，但在狹小空間里做操作，具身對實時反應的要求反而更高。

甲子光年：具身智能發(fā)揮價值可以用什么指標來衡量？

丁文超：我會把具身指標定義成任務吞吐率。具身最終還是要發(fā)揮價值，說白了是GDP邏輯：單位時間能干多少事。

如果簡化成公式，任務吞吐率=任務成功率*任務完成效率*其他因子。

第一是任務成功率，這是基礎；第二是任務完成效率，也就是任務能不能達到人類水平。

甲子光年：你認為什么才是具身真正的“GPT時刻”？

丁文超：我們什么時候被GPT震驚到？是因為它干某件事居然比我還好，接近甚至超過我的水平。對應到機器人，任務完成效率也要非常高。很多demo動作很慢，效率可能只有人的30%。這不會讓人覺得GPT時刻到了。

什么時候一個任務叫打穿？就是成功率和效率都上來了，單位時間有效完成任務的吞吐率接近甚至超過人類。

我認為GPT時刻到來，不是一個任務打穿，而是若干任務都打穿，那一刻才真的來了。

甲子光年：同時打穿若干任務，核心聽起來不是單點demo，而是泛化。具身模型出現(xiàn)泛化或涌現(xiàn)能力時，會怎么表現(xiàn)？

丁文超：宏觀一點看，如果在一個新任務上，模型能打到八九十分，但需要的后訓練、特定數(shù)據(jù)采集或訓練被壓到最低，比如只需要分鐘級、幾十分鐘，或者小時級數(shù)據(jù)，這就是很重要的泛化表現(xiàn)。

微觀一點看，泛化還會表現(xiàn)為模型涌現(xiàn)出一些不是監(jiān)督微調教出來的行為。比如它換了一個手，或者夾東西的方式和遙操作示教完全不一樣，自己判斷出另一條路徑完成任務。

3.世界模型怎么進入真實世界

甲子光年：你們一直強調世界模型，在ICRA 2026上，大家看到了VistaBot、TacForeSight這兩篇重點論文，以及自研靈巧手DexHand。這與世界模型的關聯(lián)在哪里？

丁文超：我覺得是順帶的。我們的核心還是前面講的三環(huán)，但在這個過程中會有一些外溢。

去年我們發(fā)了視觸覺數(shù)據(jù)集，今年年初也發(fā)了一些開源模型，有些研發(fā)思路我們會通過論文、數(shù)據(jù)和模型向外傳遞。

VistaBot背后我們想提醒大家一個點：室內demo都很好，但一到新的地方、新的場景，就不敢展示復雜任務。

ICRA 2026現(xiàn)場很多展示要么是靜態(tài)，要么是簡單pick and place，展示長程動態(tài)任務的很少，背后的原因就是泛化很難。

TacForeSight也是類似。我們很早就關注觸覺和力反饋的重要性。接觸豐富的操作對反應要求很高，單純30Hz或60Hz的視覺反饋已經不夠，末端會有遮擋，末端差幾毫米，最后接觸的狀態(tài)可能完全不對。

這些工作更多是生態(tài)和理念共享，也是在告訴大家，世界模型要進入真實任務，不能只停留在抽象預測里，它必須處理空間、接觸和反饋。

TacForeSight世界模型論文成果入選ICRA 2026，圖片來源：它石智航

甲子光年：VistaBot這篇論文里，未見視角的成功率從2%拉到68%。如果放到真實任務里，這意味著什么？它是怎么做到的？

丁文超：這牽扯到一個更系統(tǒng)的問題。論文里展示的是toy example：機械臂視角稍微變化，很多SOTA模型的成功率都會掉得非常多。

如果放到真實世界里，比如一家公司量產機器人時，會發(fā)現(xiàn)視覺和標定安裝存在一致性波動。機器人量產后，隨著使用生命周期延長，很多參數(shù)也會動態(tài)變化。機器人被推到新場景，和采集場景也會不一樣。

VistaBot這篇文章核心說的是，泛化需要找到一些統(tǒng)一的東西，也就是對空間的基礎認知能力，它可以極大增強抗擾動的泛化性，極大增加魯棒性。這個技巧我們內部經常用，現(xiàn)在通過論文展示出來。

甲子光年：68%如果要走向真實部署，離99%還有距離。后面要堆算力、數(shù)據(jù)繼續(xù)scaling嗎？

丁文超：這是一個非常好的問題，恰好反映了學術研究與工程落地在目標和路徑上的不同側重點。

作為一個學術工作，做到這里就結束了，因為它已經展示了巨大可能性，很多科研派公司也可能停在這里：告訴大家這種可能性存在，而且提升巨大，然后結束。但要把它系統(tǒng)化做成、做到scaling，中間還有巨大差異。你從一個簡單概念，到批量化scaling，背后還有很多工作。

作為工業(yè)化、批量化的任務和應用，你也不可能直接用一些off-the-shelf（現(xiàn)成的）模型，比如VGGT（一種前饋神經網絡）之類，這些模型不可控，沒法自己調優(yōu)。還要解決很多水面下的問題，更大的冰塊在水下。

甲子光年：視覺、觸覺、力反饋有時會“打架”，視覺判斷對準了，觸覺覺得異常，力控又觸發(fā)安全閾值。你們的模型怎么處理這種沖突？有明確的優(yōu)先級嗎？

丁文超：必須靠模型。這是一個非常典型的前融合還是后融合的問題。前融合意思就是說，多種信息都給到模型，讓模型判斷。后融合的邏輯就是，每個信源獨立處理，再加一些優(yōu)先級的調度或判斷。我們內部的共識很顯然應該是前融合的方式來做。

甲子光年：你們把TacForeSight稱為觸覺世界模型。它和其他公司的觸覺模型，只是定義不同，還是能力上也有區(qū)別？

丁文超：我覺得是兩個問題。

第一，我們做得比較多的是視覺和觸覺的前融合。機器人畢竟還是以視覺為主，單純觸覺世界模型能發(fā)揮的作用有限，觸覺更多是提供末端靈活的feedback。

第二，我們對觸覺的理解是：觸覺也是一種視覺，可以理解成指尖的視覺。如果把觸覺當成指尖視覺，就可以用世界模型去學習隱性的接觸規(guī)律，建立一個以接觸為核心的世界模型。它不只限于觸覺，將來還會融合視覺、接觸和力。

TacForeSight比較重要的一點，是把世界模型映射到動作這一步補上。現(xiàn)在很多人說自己有很強的世界模型，可以一直往前預測，但怎么用在動作、用在policy上，經常是缺失的，而這一步才是最難的。

以前大家用觸覺，往往只是編碼后扔進policy里。我覺得這不夠。我們想說的是，通過學習接觸的物理規(guī)律，模型不只是reactive的被動響應，而是能提前判斷未來動作會產生什么結果。化被動為主動，我覺得這才是世界模型最核心的意義。

甲子光年：業(yè)內也有人認為，觸覺傳感器易損壞、壽命短，真實工業(yè)場景里信號會退化，現(xiàn)在加大算法投入未必有收益。你認同嗎？

丁文超：客觀上說，現(xiàn)在觸覺硬件成熟度確實還有缺陷，但硬件穩(wěn)定性的進步非常快。觸覺有點像2023年看人形機器整機，當時關節(jié)有很多問題，諧波、行星等路線也不收斂，走也走不好，但很快它就收斂了。我個人判斷，觸覺將來會成為機器人的標準模態(tài)。

甲子光年：工業(yè)力控常常要求幾百甚至上千赫茲，但模型大腦可能只有幾十赫茲。物理接觸發(fā)生很快，幾十赫茲的模型怎么跟得上？

丁文超：這個問題很有意思。理論上policy頻率當然越快越好，但有一個收斂趨勢。

以前做人形locomotion（運動），大家會希望上層policy跑到100Hz、幾百Hz，底層關節(jié)控制到500Hz、1000Hz，甚至更高。因為傳統(tǒng)控制建模不準，頻率越高，越容易補誤差。

后來一個轉折點是，控制器充分神經網絡化之后，很多控制器頻率收斂到50Hz左右。網絡本身有魯棒性、冗余性和預判性。網絡訓練得越魯棒，對基礎頻率的要求會降低。

類比到操作，policy到50Hz左右，我覺得已經能建模很多快速微小變化，頻率提高只有在拿到的信息也更新時才有價值。

甲子光年：機器人每一次輸出都會變成物理動作，可能帶來損耗，甚至把東西拍壞。這些物理代價會怎么影響具身的scaling law？

丁文超：它肯定會增加scaling難度。

你想讓模型隱性學習到真實世界物理規(guī)律，相比純語言scaling，它有額外要求。這也是為什么我們布局觸覺、力反饋等能力，本質上是為了更好地建模真實世界反饋。

我們一直非常看重反饋，但我們又不太相信仿真器，因為仿真器基本要靠人工方式，很難scale。我們的預訓練數(shù)據(jù)是真實的Human-centric的數(shù)據(jù)。真機數(shù)據(jù)很少，遙操作數(shù)據(jù)也非常少。遙操作數(shù)據(jù)基本上只有真人動作上限的30%。

4.靈巧操作將進入深水區(qū)

甲子光年：ICRA 2026來了十幾家靈巧手公司，甚至一些靈巧手公司也開始說自己在做世界模型，為什么今年靈巧手和觸覺明顯變熱？這是一個拐點嗎？

丁文超：我覺得是一個拐點。

第一，對夾爪來說，雖然還沒有完全收斂，但走在最前面的人基本能感覺到，夾爪相關任務在2026年或2027年左右會被打穿。絕大多數(shù)靠夾爪單獨完成的任務，都會被刷到比較高的水平。

我們從第一天采數(shù)據(jù)，就在采各個場景的數(shù)據(jù)，也有手的數(shù)據(jù)。我們發(fā)現(xiàn)手相比夾爪確實有優(yōu)勢。靈巧手這件事，它的第一性原理必要性是存在的。

第二，低自由度靈巧手幾乎沒有價值。低自由度靈巧手和夾爪沒有本質區(qū)別。很多時候它需要高自由度，并且最終還是learning from human的問題。你怎么從人類數(shù)據(jù)里獲取最大能量，再用機械本體執(zhí)行這些動作，把人類數(shù)據(jù)和模型能力釋放出來。

我認為，接下來兩年，靈巧手硬件成本會被卷到很低，技術路線收斂也會比預期快，基本會往準直驅方向收斂。我們的定位是，模型、數(shù)據(jù)，再加一個靈巧的終端，可能就是具身智能的全部。

前期各家看起來差不多，但靈巧操作上限太高，最后一定會進入深水區(qū)戰(zhàn)斗，必須三者協(xié)同。

它石智航DexHand靈巧手亮相ICRA 2026，圖片來源：它石智航

甲子光年：為什么夾爪還不夠？以線束或者其他任務為例，靈巧手要解決的是哪類問題？

丁文超：出發(fā)點倒不是這幾個已展示任務，而是更多任務。很多任務用夾爪做有難度，你也很難為每一個新任務設計一個特制夾爪。這里就有長尾效應：世界上可能80%的任務都可以靠夾爪完成，但剩下20%任務千奇百怪，你不可能為那20%完全做新的終端。

剩下的長尾任務最后可能就要靠靈巧手完成。比如我們之前用夾爪做刺繡。能不能像人的手一樣手工刺繡？我覺得這可能是靈巧手皇冠上的明珠。既能操作非常細的東西，也能完成長程任務，那基本上靈巧手就打穿了。

甲子光年：你提到模型、數(shù)據(jù)和靈巧終端必須一起協(xié)同。這個小閉環(huán)里，最難的地方在哪里？

丁文超：我不擔心硬件成本，因為硬件成本一定會往下降。這三者協(xié)同解決之后，大部分任務可能都會逐步替換夾爪式任務，特別是偏生活化的場景。

難度主要在于，模型到底怎么用好靈巧手。這個小閉環(huán)現(xiàn)在有缺位。比如靈巧手數(shù)據(jù)怎么獲取？如果單純ego-centric，又沒有反饋、沒有觸覺，可能還需要建立成體系的數(shù)據(jù)采集設備。

再往后，訓了模型，還要做人到機器人遷移，這是新的技術點；遷移到靈巧手上之后，還要有穩(wěn)定可靠的硬件執(zhí)行。我們一直講大的具身閉環(huán)是系統(tǒng)工程，回到靈巧手這個小閉環(huán)也是一樣。

甲子光年：靈巧手現(xiàn)在經常卷參數(shù)，比如自由度、紋理感知精度等。哪些參數(shù)是剛需，哪些可能是過剩？如果不只看這些外顯參數(shù)，應該比較什么？

丁文超：我覺得可以讓子彈再飛一會。

這塊核心競爭指標上，它石和其他幾家靈巧手公司有差異。很多靈巧手公司還是從硬件本體出發(fā)卷硬件，有點像2023年、2024年大家卷關節(jié)，卷峰值扭矩、自由度。bottom-up（自下而上）的公司會這樣做，但這種方式肯定會遇到問題。

它石更多是自上而下地思考：我的數(shù)據(jù)分布是什么？模型輸出規(guī)格大概是什么？所以我的硬件應該怎么設計？

我們設計這個手的時候，分析了大量人類操作數(shù)據(jù)。這是我們和其他公司很大的差別。我們想做的是盡量縮小這只手和人手之間的差距：它實際能達到什么效果，它的硬件上限離人類上限還有多遠，我們是按這個角度來設計手的。

甲子光年：你們用了準直驅路線。和腱繩相比，這條路線最大的工程取舍是什么？發(fā)熱、損毀這些問題會成為瓶頸嗎？

丁文超：腱驅最大的意義，是如果你想讓這個手出很大的力，比如讓機器人做引體向上，腱驅可能很好，但我覺得這不是當前瓶頸。現(xiàn)在機器人的瓶頸還是靈巧操作的靈活性。不是要出特別大的力，而是能不能可控、標準化、靈活地操作。

從第一性原理講，我更看好準直驅方向，因為它追求靈活性、可復制性和穩(wěn)定量產性。腱驅最大的問題還是一致性以及量產難。

直驅確實是一套非常精密的系統(tǒng)，電機設計、減速器設計都很極限。但這兩年進步已經非常多了，我不覺得它會成為瓶頸。它有點像2023年到2025年的locomotion硬件問題，早期很多問題，但收斂會很快。

硬件需要時間打磨，但不是不可解決的問題。把時間尺度拉長，看2025、2026年手的進步，還是非常快的，特別是選對大技術路線之后。

甲子光年：最近不少靈巧手公司的宣傳重點都是“手、采集、數(shù)據(jù)甚至模型的整套閉環(huán)”，怎么判斷是真的閉環(huán)？

丁文超：比如數(shù)據(jù)這件事，扎進去看，每家到底有多少數(shù)據(jù)？有哪些場景的數(shù)據(jù)？是不是可用？做到什么量級？這些差異非常大。

首先，數(shù)據(jù)量級只是一方面，場景豐富度和任務豐富度更關鍵。它石對豐富度要求非常高，比如單場景單任務采到一定數(shù)量后，這個任務、這個場景基本就不再采了，而是盡量往維度上擴，重復采集會影響數(shù)據(jù)的平衡。很多數(shù)采工廠一直抓瓶子，很快能積累非常多數(shù)據(jù)，但對模型訓練未必有幫助，甚至可能有傷害。

從結果來看，要看展示出的任務多樣性。靈巧手demo的發(fā)布速度現(xiàn)在還很有限，遠沒有夾爪更新快，但我判斷接下來靈巧手任務多樣性的上升會很快。

我們內部當然有自己的評價體系，對外部評價體系沒有那么關注，最終還是回歸真實任務里的價值。

5.從“天才少年”到創(chuàng)業(yè)者

甲子光年：從此前的工作中，學到最大的經驗是什么？

丁文超：更多是產品化錘煉，所以一直很關心規(guī)模化效應，我最大的經驗是，一切東西都要能夠規(guī)模化。規(guī)模化不了，將來賣給用戶會很折磨。

我的起點一直是規(guī)模化。哪怕中間去到學術界，我更多思考的也是將來具身怎么做好規(guī)模化。到創(chuàng)業(yè)也是這樣，你會發(fā)現(xiàn)它石從一開始講的三角形，數(shù)據(jù)、模型、本體和應用，都是在想怎么規(guī)模化。

甲子光年：對你來說，從研究者、工程師變成創(chuàng)業(yè)者，最大的變化是什么？

丁文超：我之前智駕的經驗，更多是工程化思維。自動駕駛技術也經歷了整個收斂過程，我在那里學到的是，怎么把一個前沿技術bridge到可落地、規(guī)模化的產品上。每天接收用戶問題，思考怎么讓最先進的技術落下來。

2023年、2024年的間隙，我更多是從整個行業(yè)、新賽道角度給自己充能，跳出自動駕駛這個子場景，去想更通用的物理世界模型應該怎么構建數(shù)據(jù)、模型和閉環(huán)體系。

創(chuàng)業(yè)就是躬身入局。你要關心的事情非常多，很多事情不是別人能幫你做的。比如數(shù)據(jù)，你找不到特別靠譜的數(shù)據(jù)供應商，那就得自己閉環(huán)。很多時候是從0開始。

但我還挺享受這個從0到1的過程。每天處理的問題當然很多。不管采集數(shù)據(jù)、訓練模型，還是閉環(huán)評測，機器人都是軟硬件協(xié)同系統(tǒng)，每個地方都需要提升。

如果從局部微觀看，看到的都是問題。但如果把時間尺度拉長一點，看到的都是進展，就會讓人興奮。

甲子光年：過去一年，它石推進得很快。這種速度主要來自哪里？

丁文超：我現(xiàn)在感覺，具身這件事確實需要創(chuàng)始團隊稍微大一點。每個人的性格特質、能負責的事情都不一樣，剛好形成互補。技術、落地、商業(yè)化、組織管理、資本和投融資關系，每個角度都能找到一個創(chuàng)始人覆蓋，成為了一支“六邊形團隊”。

再加上創(chuàng)始人之間互信程度非常好，它石節(jié)奏能比較快。我們沒有花時間在內耗上。大部分問題不需要討論很久，憑創(chuàng)始團隊的默契，就知道事情該怎么推。我們開會頻率也沒那么高，大方向會同步，預期會同步，但很多細節(jié)上是充分互信的。

甲子光年：往未來12到18個月看，你覺得具身行業(yè)最可能被高估的是什么？最可能被低估的是什么？

丁文超：最被高估的，是特定模型架構對整個行業(yè)的影響。VLA也好，世界模型也好，某個特定模型架構對行業(yè)的影響沒有那么大。現(xiàn)在有AI coding，模型架構切換會變得很快。只要有一套成熟的完整迭代體系，模型架構切換是非常快的事情。

最低估的是系統(tǒng)化、全棧能力。這個環(huán)節(jié)里，只要有一個環(huán)節(jié)做不好，最終效果就發(fā)揮不出來，而且它可能給你導出錯誤結論。比如你以為問題是某個模型不行，但其實是觸覺、數(shù)據(jù)、硬件或者部署細節(jié)的問題。

甲子光年：如果未來要證明這條路線需要糾偏，最可能錯在哪里？或者你現(xiàn)在最盯著的風險是什么？

丁文超：從我的角度看，它石的技術路線沒有bet（押注）到某一個非常具體的技術細節(jié)上。我們講的更多是模型和數(shù)據(jù)的第一性原理以及整個商業(yè)化邏輯。除非這些第一性原理被推翻，我現(xiàn)在還沒有看到大的風險。重劍無鋒，大巧不工。

甲子光年：它石（TARS)和《星際穿越》里的機器人同名。那個機器人有一個幽默感參數(shù)。如果給你這一年也設置一個參數(shù)，哪一個值被調到了最高？

丁文超：我覺得是敏捷，或者說快。過去這一年，我們核心是天下武功，唯快不破。快很重要。因為我們對top-down的思考已經想得比較清楚了，接下來就是快。

*實習作者寇雨然對本文亦有貢獻。

（封面圖：《星際穿越》劇照）