编者按：在具身智能的浪潮中，总有人站在潮头，定义流向。星河频率推出全新访谈系列《浪潮之上》。

聚焦具身智能行业内的关键人物，分享从技术拐点到商业抉择，从产品落地到产业远望。我们不谈空泛的趋势，只记录那些真正推动浪潮的思考、判断与行动。

不追热点，只抓浪尖，让更多人先听见，具身智能的下一个频率。

作者｜毛心如

对具身智能来说，当前最棘手的瓶颈不是模型不够大，而是数据不够多、不够真。

尤其到了家庭场景，这个问题会变得更明显：客厅里可能同时摆着茶几、扫地机器人、儿童玩具和一摞临时堆放的杂物。

对机器人来说，这些看似琐碎的细节，恰恰决定了它能不能真正进入家庭。

也正因为如此，家庭场景的数据采集一直很难做。

一方面，真实家庭的空间结构千差万别；另一方面，具备物理属性与交互关系的三维数据，采集和标注成本极高，且难以规模化。

正是为了破解这一困局，大晓机器人推出了全屋三维可交互世界模型，Kairos-HomeWorld。

这是全球首个实现全屋生成、个体物体全交互的世界模型统一框架。

在这套框架下，不用再去费力采集真实家庭数据，而是用算法生成一个可以无限复制、无限拓展，而且每一个物体都可交互的中国家庭虚拟训练场。

目前，该项目已经在 GitHub 上开源了 30 万套真实中国家庭户型图、 5000 个完整全屋可交互场景，配套自研四阶段分层生成流程，为行业补齐了本土仿真短板。

项目开源后，也收到了海内外多所高校和科研机构的关注与申请使用需求。

在这些数字背后，站着的是大晓机器人具身大模型科学家，同时担任香港中文大学多媒体实验室（CUHK MMLab）教授李鸿升。

在 Kairos-HomeWorld 开源后，我们与李鸿升进行了一场深度对话。

话题覆盖了大模型引发的范式转移、Kairos-HomeWorld 的设计理念、仿真与真机数据的配比哲学，以及具身智能大脑的未来演进。

既是学者，也是产业实践者，他选择了一条更慢、更难，但他相信真正有影响力的路。

AI 从虚向实，具身智能迎来工程落地拐点

复盘近十年人工智能的发展脉络，大模型的落地彻底改写了 AI 的进化方向。

大模型普及之前，传统 AI 长期局限于软件层面的感知与推理，擅长文本、图像、语音等虚拟信息处理，能够完成大量轻量化任务，但完全不具备解决真实物理世界问题的能力。

这种虚拟智能与物理现实之间的巨大落差，推动了近三年整个 AI 赛道迎来明确的转型。

技术重心从纯软件推理转向软硬融合，AI 正式开启从虚拟走向现实、赋能物理设备的新阶段。

与此同时，机器人硬件产业链也完成了长期积累，迎来成熟临界点。

过去制约机器人落地的减速器、驱动马达、底层运动控制等核心硬件与技术难题，经过十年产业迭代已经基本攻克，硬件端的稳定性与性价比足以支撑规模化试用。

因此，具身智能行业迎来了绝佳的时机：上层大模型为机器人注入通用智能与决策能力，底层硬件为智能落地提供物理载体。

自上而下的智能赋能，与自下而上的硬件成熟双向奔赴，让具身智能从一个学术概念，彻底转化为可落地、可迭代、可优化的工程问题。

行业趋势的变革，也影响了李鸿升的职业选择。

他的学术研究横跨自动化、计算机视觉、多模态智能等多个领域，几乎覆盖了当下具身智能从业者的核心知识体系。

深耕学术多年后，他意识到纯学术研究的局限性。

「顶会论文每年几万篇，作为研究学者，我们追求的是有影响力的工作。真正有影响力的工作，往往是落地的、真的 work 的东西。」

计算机视觉领域的分割任务就是个典型的例子，该领域数十年的学术积累，最终是依靠 Meta 的 SAM 系列模型，才实现了技术的通用化、工具化落地，真正赋能全行业。

对李鸿升而言，真正有价值的技术创新，最终都要落地真实场景、解决真实问题。

秉持着这个核心诉求，他选择加入大晓机器人。与商汤系团队十余年的深度合作，让双方形成了深厚的信任与默契。

对李鸿升来说，入局产业是个人学术研究与技术理想的自然延伸。

全屋、可交互、无限生成，补齐本土实训场景空白

Kairos-HomeWorld 的发布，直指当前机器人训练数据严重不足的行业痛点。

市面上公开的仿真训练环境，普遍存在场景局限、交互失效的硬伤。多数仅支持桌面、单房间小范围场景训练，无法覆盖完整全屋空间。

这类静态仿真环境，只能满足机器人基础的导航避障训练，支撑不了抓取、放置、精细操作等核心交互任务。

更关键的是，整个行业始终没有一套适配中国家庭、覆盖全屋、全物体可交互的开源训练场。

「我们看了一下市面上的情况，桌面场景有，单房间场景有，但全屋范围的、可交互的、中国家庭特色的，一个都没有。」李鸿升回忆道。

针对这个空白，大晓机器人选择从零搭建全新训练体系，并确立了三个目标：覆盖完整全屋空间、所有场景物体可交互、支持场景无限生成迭代。

团队自研了四阶段分层生成架构，摒弃黑箱式端到端生成模式，用模块化、可拆解、可微调的工程化思路，搭建出了高保真的真实家庭场景。

第一阶段是户型构架定型。

依托真实户型数据锁定房屋整体框架，明确居室数量、功能分区、门窗方位等结构，遵循人类空间设计逻辑，先定图纸、再建场景，从根源上保证户型布局的合理性与真实性。

第二阶段是全屋软装与细节填充。

家具尺寸、地板墙面材质、壁纸风格、灯光排布等细节被逐一还原。

不同于实验室纯白统一的极简环境，中国家庭多样化的家装风格、灯光色调、个性化软装，都会直接影响机器人的视觉识别与任务判断。

精细化的场景还原，是适配本土家庭的基础。

第三阶段开展自动化冲突校验。

通过规则算法对生成场景进行全面筛查，自动剔除家具穿模、动线堵塞、布局不合理等瑕疵，保障每一套仿真空间都符合真实人居逻辑，为后续机器人训练提供有效样本。

第四阶段也是项目最核心的创新，为静态场景注入生活气息。

传统仿真场景完成家具布置后就选择收尾，产出的是空旷样板间，但真实家庭的核心特征是杂乱、动态、充满生活化杂物。

其团队在桌面、书架、厨房、电视柜等区域，批量生成水杯、遥控器、书籍、玩具、餐具、零食等高频日常物件。

这些看似细碎的杂物，恰恰是机器人家庭作业的最大难点。

面对随意摆放、形态不规则、重心多变的日常杂物，机器人操作成功率往往会大幅下滑。

这一步关于多样化物体物理属性的细节填充，让仿真场景无限贴近真实人居环境，也为机器人提升泛化能力提供了更优质的训练场。

整套四阶段流程采用模块化设计，各阶段可独立训练、独立校验、灵活调优，最后拼接成完整的生成链路。

这种工程化方案虽然前期工作量翻倍，但稳定性、可控性和适配性远超端到端黑箱模型。

李鸿升坦言，行业同类项目普遍规模偏小，团队一次性拓展至全屋全场景、全物件可交互的体量，工程压力极大。

「但最大的挑战不是技术，技术总有方案。最大的挑战是下决心，下定决心把一个没人做过的项目突破出来、硬扛下来。」

在数据来源上，其团队储备了 80 万套真实民用户型数据，全部源于真实中国本土住宅，涵盖常规户型、小众奇葩户型以及特殊布局户型。

考虑到标准化 CAD 图纸带来的高昂成本，其选用性价比更高、覆盖更广但存在噪声的数据源。

再通过模型智能打标+人工精细化修正的循环清洗，保留真实户型的多样性，同时剔除数据瑕疵，让仿真场景更贴合中国家庭的真实样貌。

相较于行业主流三维生成项目，像李飞飞的 World Labs，Kairos-HomeWorld 的核心差异化在于可交互性。

World Labs 生成的三维场景视觉效果逼真、支持自由漫游，但所有物体相互绑定、无法单独操作。

而 Kairos-HomeWorld 实现了全物体解耦，场景内每一件家具、每一个杂物都可独立抓取、移动、开合，是真正服务于机器人训练的实训场。

除此之外，Kairos-HomeWorld 已经开源 30 万套中国家庭户型图，且配套 5000 个完整可交互全屋场景。

这一开源体量也远超现有开源数据集一个数量级。

更重要的是，依托统一生成算法，这套体系可以无限迭代产出新场景，从万级到十万级、百万级场景都能低成本复刻，为行业提供了可复用、可进化的本土化仿真基础设施。

仿真数据不死，虚实结合是具身智能的最优解

过去一年，行业对仿真数据的认知经历了一轮极致的舆论波动。

从初期被奉为低成本落地神器，到因仿真与真机的鸿沟被全面质疑，再到如今行业对数据根本需求的日益清晰，从业者们逐渐达成共识。

仿真数据与真机数据不是一道非此即彼的必选题，而是需要根据任务场景动态调配的工程组合方案。

李鸿升的判断，基于最务实的成本与效率逻辑。

他不否认仿真到现实的鸿沟，纯仿真训练模型在真实环境的表现，确实不及真机数据训练模型。

但问题在于，放在全屋家居场景下，真机数据的采集成本是产业无法承受的。

采集一套真实的全屋三维数据，需要上门扫描、三维重建、物体分割、物理属性标注，整套流程耗时耗力、成本极高。

即便投入大规模人力，也无法实现海量数据积累。而机器人家庭交互数据的采集难度，更是呈指数级上升，根本无法支撑模型的高频迭代需求。

团队根据任务类型动态调整数据配比，像全屋空间理解任务，真机数据占比会在 5%-10%；标准化抓取任务，则以真机数据为主。

数据配比的核心原则，是权衡数据采集难度、成本、模型迭代需求，做到按需调配、动态优化。

值得一提的是，大晓机器人并没有把家庭机器人作为现阶段的落地载体。

在李鸿升看来，家庭全屋机器人是具身智能落地的终极形态，作为初期切入点并不合适。

核心在于安全风险难以把控，家用机器人自重较大，一旦出现断电、失控、倾倒等问题，极易对老人、儿童造成伤害，行业暂时没有成熟的安全兜底方案。

因此他选择循序渐进、由易到难，将现阶段落地重心放在商业、工业可控场景，包括前置仓打包、工厂装配、大空间导航等领域。

这类场景技术难度更低、环境可控、安全风险更小，能够快速落地迭代。

当然，这并不矛盾。

家庭是具身智能的终极落地形态，正因为难、因为风险高，才需要提前用最低成本积累数据和能力，这也是 Kairos-HomeWorld 的价值。

而商业、工业场景是现阶段的练兵场，很多底层技术栈，像抓取、放置、导航是相通的。

先在可控场景把模型跑通、把成功率做上去，再迁移回家庭，是更务实的路径。

尽管不急于落地家庭终端，Kairos-HomeWorld 在当下的机器人模型训练中依然起到了显著作用。

像桌面仿真训练转真机的成功率已经达到了 50%，处于行业上游水平。

李鸿升的训练逻辑很简单，仿真环境里都做不好，那就先不用进真实环境，仿真不做到 80%、90%，放到真实环境只会更差。

仿真场景的核心意义，就是为机器人提供一个低成本、零风险、无限迭代的预训练平台，成为模型落地真实世界的前置预科班。

技术路线未定局，长期耐心是核心竞争力

相较于大语言模型赛道的成熟稳定，具身智能的技术架构仍处于混沌迭代期，行业并没有形成统一标准。

一年前，VLA 模型还是绝对主流，如今世界模型、世界动作模型快速崛起，成为全新研发热点。

技术路线的快速迭代与偏移，都印证了具身智能仍处于早期探索阶段。

在李鸿升看来，VLA 模型与世界模型并非替代与对立关系，未来将走向融合统一。

二者各司其职、互补赋能。

世界模型主打空间感知、场景记忆、未来状态预测与物理推理，是机器人的空间智能大脑；VLA 模型依托大语言模型能力，擅长长程任务拆解、逻辑规划与语义理解。

两条路线各有不可替代的优势，盲目取舍反而会错失技术机会。

以灵巧手精细操作为例，李鸿升认为灵巧手训练就更适合用世界模型。

人类手部操作大多是手内旋转、搓捏、滑动等精细化动作。

他用人拿手机举了个例子，你从桌面拿起手机，屏幕朝向手心，需要很精细地转 180度才能用。这个动作人觉得简单，但通过遥操作采集数据，效率要低 5 到 10 倍。

因为遥操作的效率低、成本高，所以也几乎无法规模化积累数据集。

但世界动作模型能够自主生成精细化动作策略，完美适配灵巧手的训练需求，补齐了传统 VLA 模型依赖人工演示数据的短板。

除此之外，行业不仅技术路线未收敛，评测体系也处在碎片化状态。

不同于大模型领域成熟的基准测试与排行榜，具身智能行业里，不同企业、机构采用不同的仿真环境、任务体系和评判标准，横向对比难度极大，行业优劣难以界定。

这种碎片化的行业现状，虽然会引发一些短期舆论关注，但也意味着巨大的弯道超车机会。

过往资本、资源堆砌形成的短期优势，可能会被一次底层架构迭代彻底颠覆。

当下没有绝对的领跑者，所有头部玩家都在多路线布局、多点试错，等待技术终局收敛。

对于想要进入具身智能赛道的年轻从业者，李鸿升给出的建议只有两个字，耐心。

「具身智能的技术栈比纯大模型宽得多，不仅要懂 AI，还要学机器人、控制、硬件，训练周期更长。很多同学比较着急，但真正能做出大工作的，是那些有耐心的人。」

至于通用家庭机器人什么时候才能普及，李鸿升认为当下给不出明确时间表，但大晓机器人的技术发展思路很清晰。

与其被动等待行业数据成熟，不如主动搭建本土化仿真基础设施；与其纠结仿真技术的价值争议，不如用工程落地验证技术可行性。

Kairos-HomeWorld 就是这套务实理念的落地成果，是一项立足长期、赋能全行业的基础设施级创新。

在具身智能的长跑竞赛中，单点算法优势难以构建长期护城河，唯有场景数据的深度、广度与可持续迭代能力，才是无法复制的核心壁垒。

现在还远谈不上进入收获期，但行业已经进入了必须搭底座的阶段。

需要有人把数据、场景和工程能力持续做厚，把技术想象力变成真实作战的耐心。

       原文标题 : 对话大晓机器人李鸿升：与其等数据，不如给机器人造出无限的“中国家庭训练场”