前苹果AI Platform技术负责人，回国加入具身大模型战场

发布时间：2026-07-17 18:05:34 来源：安智兰德资讯网 作者：娱乐

界面新闻记者 | 陆柯言 界面新闻编辑 | 刘方远

具身智能领域的前苹技术路线之争，近日迎来了一位重量级新玩家的技加入具身破局思路。

6月末，术负具身智能初创公司RoboScience机器科学正式发布了通用具身大模型Visics及其核心技术架构VLOA（Vision-Language-Object-Action，责人即视觉-语言-物体轨迹-行动）。回国发布会上，大模该模型在多项高难度真实场景中展示了卓越性能，型战尤其是前苹完成了极具挑战性的家具拼装任务。

RoboScience机器科学成立于2024年末，技加入具身由前苹果AI Platform技术负责人田野与新加坡国立大学助理教授邵林联合创立。术负公司资本实力雄厚，责人累计融资已达数十亿元，回国其中包括今年5月刚完成的大模10亿元A轮融资。投资方阵容豪华，型战涵盖零一创投、前苹京东、招商局创投、商汤国香资本、普华资本及达晨财智等行业巨头。

技术路线之争：VLA的局限与VLOA的解耦

当前具身智能领域主要存在两条主流技术路径：

1. VLA（Vision-Language-Action，视觉-语言-动作）：
2. 原理：通过海量人类示教数据模仿学习动作。
3. 优势：能直接理解自然语言指令，训练流程相对成熟。

4. 痛点：高度依赖特定硬件，泛化能力弱，更换物体或场景往往需要重新训练。

5. 世界模型（World Model）：

6. 原理：先学习并预测物理世界中环境与物体的变化，再推导执行动作，相当于机器人在“大脑”中预演后果。
7. 优势：理论泛化能力更强。
8. 痛点：训练成本极高，工程落地难度大。

RoboScience提出的VLOA架构，本质上是在Vision-Language和Action之间引入了一个关键的“O”——Object Trajectory（物体轨迹）。

田野指出，具身智能的核心难点在于同时覆盖三个维度的多样性：任务类型、物体属性、机器人构型。若缺乏统一格式，模型难以通用。他将物体的动态轨迹定义为具身智能领域的“Token”，即物体在三维空间中的位置和形态变化。

• 硬件解耦：与VLA不同，VLOA从训练之初便与硬件解耦，仅关注物体本身的变化，不受机器人本体、任务类型及环境的限制。
• 天然泛化：这种设计赋予了模型更强的泛化能力。

Visics架构：数据决定上限，架构决定下限

Visics大模型由两部分组成，通过连续3D点云轨迹进行连接：

1. 具身世界模型：输入视觉画面和语言指令，推演物体移动路线。
2. 通用操作模型：将推演结果转换为不同机器人可执行的具体指令。

RoboScience的逻辑清晰：数据决定模型能力的上限，架构设计决定模型能学到什么。

破解数据困局：从“真机采集”到“仿真生成”

在具身智能大规模落地前，数据匮乏是行业共性难题。

• 数据缺口巨大：RoboScience执行总裁汪涛指出，具身智能所需数据量不低于语言大模型，但全球机器人真机数据积累量比LLM训练数据少了10^6 ~ 10^8倍。
• 真机采集瓶颈：
• 成本高：每条数据成本约几元，每人每天仅能采集数百条，全行业月产能仅万条级。
• 标注难：后训练阶段复杂操作需上万条人工标注，成本随任务线性累加。
• 分布差异：数据工厂采集的数据与真实场景存在分布偏差，导致模型落地时泛化不稳定。

RoboScience选择了一条截然不同的数据生产路径：

• 预训练阶段：利用互联网视频和自研仿真引擎RoboMirage生成海量数据，确保模型具备优秀的基础能力后再进入真实场景。
• 后训练阶段：使用真机数据，重点补充预训练阶段难以覆盖的高难度失败案例。

成本对比：
* 传统方案：依赖人力，成本高。
* RoboScience方案：仅与算力挂钩，不依赖人力。单条数据成本降至几分钱（仅为传统方案的1/20至1/200）。理论上，增加GPU即可无限扩大产能。

数据规模目标：
* 当前积累：视频数据数百万小时，仿真操作轨迹十亿至百亿次。
* 今年目标：视频数据超千万小时，仿真数据达万亿次级别。

场景验证与商业化路径

在发布会现场，RoboScience展示了机器人自主读取宜家说明书完成家具拼装的能力。即便人为拆除已装配部件，机器人也能自动恢复并接续完成。此外，机器人还成功完成了打领带、立硬币、开信封、抓取薯片和蛋壳等任务。其中，“打领带”任务完全基于仿真数据训练完成。

战略选择：通用基座 vs 垂直场景

行业共识认为，2026年不会是具身智能的“ChatGPT时刻”，多数厂商倾向于聚焦特定场景，先跑通商业模式。RoboScience则选择了逆向路径：先打造相对通用的基座模型，再通过场景验证并反哺模型。

田野认为，基座模型迭代与场景落地并不冲突，但场景选择决定技术路线：
* 狭窄场景：易导向小数据、小模型的过拟合方案。
* 高泛化场景：倒逼基座模型持续迭代。

RoboScience坚持由场景牵引训练，确保模型具备通用泛化能力，同时自研机器人本体，实现本体与场景的深度耦合。

商业化三步走：

1. 软件授权（License）：对外输出纯软件能力，已产生收入，客户主要为机器人本体公司及集成商。
2. 域控制器：提供搭载自研大模型的域控制器，服务于工业机械臂或协作臂。
3. 自有机器人本体：旨在打通商业与数据链条，实现彻底闭环。

落地场景与盈利预期：

汪涛表示，初期将切入物流、商超、零售等行业，这些领域最能体现技术相对于传统非标自动化的优势，且易于早期商业化。关于盈利时间，他认为需从模型和硬件两个层面共同降本，通过规模化效应实现大规模盈利。

未来展望：

RoboScience面临的下一个关键考验是8月即将发布的自研机器人本体。届时，VLOA架构能否在真实物理场景中展现出预期的泛化能力，将成为检验其技术路线成色的第一道关口。

相关文章