对话桥介数物：机器人运动的下一步是让任何机器人半小时内学会跳特定的舞

8 月，具身智能圈最热闹的一件事是宇树机器人上市。

对大多数人来说，宇树的形象非常鲜明：春晚上跳舞的机器人，以及那些流畅得不像机器的动作。人形机器人的价值感，很大程度上正是由这些动作建立起来的。

那么，让机器人动得这么好，究竟有多难？

机器人首先得有一副足够好的身体硬件。构型是否接近人，电机的摩擦和转子惯量是否足够小，量产一致性是否稳定，都会影响动作最终呈现出来的效果。这也是宇树最难被绕开的优势。

而在算法这一侧，整个行业的能力正在快速变好。

去年，行业里基本还是一个动作训练一个策略，换一支舞就要重新训练，能做好拟人行走已经算不错。今年，运动基座模型开始出现。

一个模型看过足够多的人类动作后，即使没有专门练过，也能跟上新动作。上传一段视频，几分钟内提取动作，在仿真里看一遍，再部署到实机，整套流程半小时就能走完。宇树自己也在做这类模型。

这带来最直接的变化，可能是会跳舞的机器人越来越多。大家都能更快学会一套新动作，只是受硬件差异影响，不会跳得一样好。

而再往前一步，或者还对机器人的未来形态产生影响。

今天，大多数做操作的机器人还坐在桌前，只动两只手。但真正的通用人形需要上下半身一起工作。

Figure 机器人的做法是把全身运动控制和操作都放在自己公司里，一路打通。而如果全身运动控制可以从外部拿到，一家只做双臂操作的公司，理论上可以直接接上另一家公司的全身模型，让机器人从桌前站起来。

通用基座运动模型到底意味着什么？

我们最近和桥介数物聊了聊。这家公司正在做的，就是一个通用的全身运动控制模型——让不同品牌、不同构型的机器人都能调用同一套运动能力。

成立三年，它已经服务近 40 家企业、在 50 多款机型上装过「小脑」。它不造机器人，但是是这个普遍亏损的行业里，少数第一年就实现盈利的公司之一。

现在，桥介数物正把做了三年的项目制生意换一种做法：把全身运动控制模型做成平台——RoboCraft AI，谁拿到机器人都能调用；收费方式也从一次性项目款，改为按机器人台数收取订阅费和 License 费。最近它也刚刚完成了新一轮亿元级融资，由中国移动链长基金领投。

这门生意眼下最现实的客户，是展演和租赁公司。同一套动作可以快速迁移到不同机器人上，拿到一台新机器，也能在更短时间内让它跳起来。

过去，一种机器人一支舞可以跳一年，从一个展会跳到另一个展会；往后，机器人恐怕也会更卷了。

而桥介数物最终希望的，是成为机器人操作系统那样的基础设施：往后每一台出厂的人形机器人里都装着他们的系统，开发者在上面做应用，每卖出一台、每分发一次，他们都能收到钱。这是他们憧憬的终局，也是这轮融资的理由。

以下是我们与桥介数物创始人尚阳星的对话，经编辑整理。

问：先讲讲你们今年的技术进展。

尚阳星：主要是两件事。一件是模型，我们做了全身运动控制的基座模型；另一件是产品，把这套能力做成了一个平台。

模型这边，去年行业里更多是单动作、单策略，一个动作对应一个策略，年初的时候一个动作一个策略都还很难，包括拟人行走。今年最主要的变化是运动基座模型出现了，一个模型看过足够多的人类动作之后，没专门练过的新动作它也能跟上。

平台这边，我们过去三年是给一家一家客户做项目，今年把这些经验做成了产品。用户拿到机型的 URDF，平台自动生成训练代码、模型代码和配置文件，训练完再生成适配实机的部署代码。

问：这两件事凑在一起，用户能拿到什么？

尚阳星：注册登录，用手机拍一段视频传上来，等几分钟，平台把动作提取出来，点一下仿真看看效果，再部署到实机。只要机型和环境正常，半小时以内可以完成，基本上是点选操作。

问：如果一个人在你们面前跳一段，几台不同的机器人能同时跟着做吗？

尚阳星：可以，它们各自加载了我们训练的基座模型，人做什么就跟着做什么，是实时的。

问：是同一个模型在控制这几台机器人吗？

尚阳星：不是。现在每种机器人各有一个模型，只是我们把训练流程标准化了，对外提供同一套调用接口。真正的跨本体通用模型——一个模型能控制多种人形——今天还没做到，我们希望未来一年左右实现。学术界已经有相关研究，技术上完全有机会，只是还差很多工程化的工作。

问：把人的动作映射到不同构型的机器人身上，是这里面最难的部分吗？

尚阳星：Retarget 有一定难度，关键是怎么快速、大规模地重定向到各种机型，但它只解决运动学问题，不是最强的难点。

难的是后面那层控制模型。哪怕只在一款机型上，训练一个能追踪任意动作的运动基座模型，本身就有算法、工程和数据上的挑战。运动基座模型的训练只是难点之一，还有一个门槛是数据，投入可能需要几千万元。

问：数据决定的是模型的什么？

尚阳星：泛化。模型见过的动作越多，效果一般越好。现在很多动作已经能直接跟踪，但有些表现还不够好，本质上就是没见过。什么时候数据继续加也不再变好，也就是模型什么时候收敛，现在不确定，我认为上限至少可能到几万、十几万小时。

问：你们现在有多少？在行业里算多吗？

尚阳星：高质量动捕数据大概几千小时，其中几百小时是开源的，剩下的是我们自己采的。市面上还有很多从视频里提取的数据，一两万小时的量级，但那不算高质量动捕。

所以坦白说，今天大家手上的量都不算多，一些公司也在做同样的事。区别在于往后能不能持续供上——我们自己建了数据工厂，今年投入大概一千万元。

今年 6 月是第一个正式运营月，采了几百小时人的动作，既有日常动作，也有专门的设计师每天设计不同的动作。到了 8 月，我们实际上已经可以每个月采集 1500 个小时了。

问：现在接入一款没见过的机器人，要多久？

尚阳星：光是训练它的基座模型，至少要四五天。如果将来实现跨本体泛化的大模型，适配时间能缩短到几小时。

模型训练还只是一部分，另一部分是新本体接入时的参数、协议、配置，还有各种零碎工作。过去这些都是人在做，细节很多，很容易犯错。平台把这些自动化、标准化之后，就算每款机器人暂时还要单独训练模型，接入也能更快。

问：再往前看，人形机器人接下来会怎么长？

尚阳星：我们把机器人的能力分成三层：最底层是 Motion，中间是 Skill，最上层是 Task。

Motion 负责屏蔽底层硬件差异，用户不需要管某个型号的电机怎么转，也不必从关节层面直接控制。

Skill 是原子级的能力，比如拿起杯子、开门、爬楼梯、搬箱子，它更偏规划层，比如规划手该从什么方向靠近杯子，不直接考虑底层动力学。

Task 是对多个 Skill 的编排，比如「收拾桌面」可以拆成把杯子移到某处、把笔放进盒子，未来可以调用大语言模型来做任务分解。

问：这三层，你们自己占哪一层？

尚阳星：今天主要呈现的是 Motion 层，Skill 层只有简单的舞蹈动作编排，Task 层还没有接大语言模型。我们现在是在打地基，会逐渐往上建。

问：为什么一定要从最底下这层开始？

尚阳星：因为要跨本体，就必须从 Motion 和全身运动控制这一层开始。只做大脑，构建不了统一、可复用的 Motion 层。一切上层能力要统一，前提是先有一个统一的底层——如果一开始只做上层，就始终形成不了真正统一的跨本体平台。

而且如果一家平台公司同时做本体，它就不能说自己是安卓，只能走苹果路线，否则其他本体厂商为什么愿意用它。独立第三方的中立性是必要条件。

问：未来人形机器人的下游会有多少种用法？

尚阳星：理论上它对应的是所有人的工作，所以场景一定很多。一家公司即使有能力，也不可能把所有应用场景都做完，因为它不懂每一个具体场景。

所以未来一定会出现应用开发者。他们懂自己的场景，但不可能像机器人从业者一样，把底层全栈技术重新学一遍再开发，他们需要工具。未来本体厂商至少会有五到十家，如果开发者做一个应用，每家都适配一遍，成本太高。

问：那做操作的公司和你们是什么关系？现在他们有 VLA，你们这层怎么接上去？

尚阳星：VLA 的输出通常有两种，一种直接输出关节位置指令，另一种输出末端执行器的位置。如果只输出末端位置，还需要一层把末端目标转换成各关节的控制。

上半身天然比较稳定，很多时候位置控制就够了。全身不行，只给位置保证不了平衡，它需要考虑动力学和扭矩，要以很高的频率做实时闭环控制。上层输出偏运动学和规划的位置，Motion 负责全身协调和动力学。

我们希望服务的不只是租赁和表演厂商，还有做全身操作任务的人。底层 Motion 提供好之后，他们可以集中解决上层的规划问题，原来在上半身操作中收集的数据和模型，也有机会迁移到全身。

问：抓取本身会被自动解决吗？像跳舞一样，录一段视频它就学会了？

尚阳星：不会，那部分没有省掉。开发者原本要训练抓取算法，这部分仍然要做。平台会提供 Skill 层的工具链，让用户通过采集数据更容易训练上层模型，但不是说今天已经自动解决了抓取。

我们自己也会做一部分 Skill，抓杯子、快递分拣这类 Demo，验证接口确实能被调用。长期希望不同人开发的 Skill 能互相复用，在平台上交易。

问：那些已经做出来的带感知能力，比如爬楼、避障，能直接搭在基座模型上吗？

尚阳星：我的判断是，过去这些带感知的工作，如果不是基于运动基座模型实现的，未来可能要推翻重来。正确的顺序应该是先建立运动基座模型，再把视觉这些感知信息引进来。我们现在采动捕的时候已经在同时拍视频了，但视觉信息还没有真正用到运动模型里。

问：Skill 层真正能跨机型复用，大概什么时候？

尚阳星：可能要到明年。现在会先开放基座模型的接口，让别人在本地调用、做操作任务，中间逐步把感知、导航、定位和避障集成进来。「接口可调用」和「资产可复用、可交易」之间，还有很多工作。

问：项目制已经能赚钱，为什么要停下来做平台？

尚阳星：我们一开始就知道，算法会不断迭代，不可能永远卖源码。开始产品化之后，肯定会逐步收缩源码业务，新一代模型基本不会再卖源码了。

项目制天花板明确，不可持续、不可规模化。内部平台可以提高交付效率，但收费模式没变，收入仍然和机器人出货量无关。我们赌的是未来某一天人形机器人数量会剧增，所以必须在那之前，让收入规模和机器人数量正相关。

问：现在的收费方式是怎样的？

尚阳星：面向开发者是订阅，初步定价是每年数千元，后续可能会调整。

面向本体厂商，希望像操作系统和 OEM 厂商合作那样按台收 License——我们帮他解决运动控制，同时把开发平台带到机器人上，他每卖一台，付我们一定费用，相当于本体厂商替应用开发者付了钱。针对厂商初步定价每台每年一万块，但价随量调，有议价空间。

问：一个定制项目原来能收几百万，现在一台几千块。这笔账什么时候能算过来？

尚阳星：前期肯定会收得更少，什么时候机器人上量，谁都无法确定。我们做过一个粗略计算：假设一年市场上有两万台机器人，平台占有率 10%，也就是两千台，假设每台每年五千块的话，对应就是大概一千万收入。

关键是要能活到机器人数量特别大的那一天就可以。中间确实会遇到某家销量不及预期，所以必须把适配做得更标准、成本更低，尽量覆盖更多机器人。这样无论哪家人形机器人销量火爆，我们都能受益。

问：那现在是不是反而不赚钱了？

尚阳星：项目制单独看是盈利的，但加上平台研发，公司今年是否盈利，尚未确定。最近我们也接了数家来自于新能源汽车头部品牌、上市公司的新订单，公司整体情况在往更好的一面发展。

如果假设平台现在停止更新，不再投入新产品研发，现有业务产生毛利、比较快看到盈利，并不难。但开发工具今天还非常初级，只要还有资本支持，我们一定时间内不会把盈利当作主要目标。

问：第一批真金白银用起来的是谁？

尚阳星：最近有几家游乐园相关的公司，买了一些机器人，正在配合我们测试平台效果。

问：他们看中的是跨机型迁移？

尚阳星：不完全是。还有一个现实是，就算用户只买一家的机器人，今天也还没有哪个厂商提供了一个完整的很好的产品，能满足拍视频、提取动作、加载通用控制模型再部署到实机这一整套需求。所以第一批需求不只是「跨机型」，也是市场当前缺少完整的工具。

问：这个逻辑成立的前提，是市场上一直有很多款机器人。如果本体收敛到几款主流机型呢？

尚阳星：架构会收敛，但不同场景仍然会有定制需求。哪怕只看表演市场，身高、尺寸、肢体长度和外观都可能不同。未来可能是模块化——不用每次从头造机器人，而是选择不同的性能、尺寸和配置。

只要市场不是只剩一两款机器人，而是还有五家以上厂商，应用迁移的问题就存在。就算技术上完全兼容，动作文件、舞蹈资产和应用也需要统一管理，否则各家格式不同，资产散落在不同电脑和平台上，开发、导出、再上传都很麻烦。

问：另一个前提是客户一直需要你们。本体厂商都知道这层东西关键，凭什么愿意用第三方的？拿到你们的模型之后，会不会就不需要你们了？

尚阳星：联想、小米、vivo 当然都知道操作系统重要，但它们也只能基于通用底层做定制，而不是每家从头开发。如果每家公司都像苹果一样做完整系统，应用开发者要为每个品牌开发一遍，安卓生态的优势就不存在了。厂商可以在 UI、外观和体验层做变化，但底层仍然需要复用。而如果一家平台公司同时做本体，它就不能说自己是安卓，只能走苹果路线，否则其他本体厂商为什么愿意用它？独立第三方的中立性是必要条件。

至于拿到模型之后就不需要我们，这个不完全准确。模型效果和数据量有关，数据增加之后需要继续训练，下一步还要结合感知，还要和上层的操作模型、规划结合。客户可以自己采数据，但这个能力不是一次性交付完就永远不变了。

问：过去三年一家一家调机器人的经验，还剩下什么？

尚阳星：项目制基本是必经过程。平台最关键的是跨本体和统一接口，但如果没在很多不同机型上调过，就不知道有哪些坑。

比如只在一款成熟机器人上调过模型，可以直接拿开源资料把参数填进去，却未必知道每个参数为什么是这个值。换成自研机型之后效果不好，可能是电机参数、机械虚位或者别的配置不对，没有跨机型经验，就不知道从哪里排查。过去这些经验只能口口相传、在项目里训练人，现在我们把硬件检查、参数配置和调试经验沉淀到平台里。

问：过去一年，「大脑」方向的估值和薪资涨得比运控快很多。怎么看这件事？现在还愿意被叫做「小脑公司」吗？

尚阳星：大脑可以直接对标大模型，讲训练一个像大语言模型一样通用的模型，让机器人完成各种任务。我觉得现阶段还不太务实——人形机器人的各种基础设施都没建起来，好比电脑还在 DOS 阶段、Windows 都没出现，就直接说要训练大语言模型，可能没有那么快。

至于我们自己，今天已经不局限于大脑还是小脑了。我们关注的是能不能给应用开发者提供好的工具和能力，为此需要建设什么，我们就建设什么。从小脑切入，但最终不只做小脑。

问：桥介数物认为未来公司和行业的理想状态是什么样？

尚阳星：不同人开发的 Skill 可以互相复用、在平台上交易，应用也可以在平台上分发，像 App Store 一样产生第二次收费。到那个时候，懂 3C 装配的人不需要懂运动控制，他只要懂自己的工序，就能把能力做出来、放上去。

应用开发者懂自己的场景，但不可能把底层全栈技术重新学一遍再开发。我们要做的，就是把底层能力封装起来，让他们能直接调用。