今年被譽(yù)為具身智能元年，這一領(lǐng)域如今已成為AI落地最為火熱的戰(zhàn)場。

近日，有著11年發(fā)展歷史的知名視覺AI公司宇泛智能發(fā)布了兩款具身智能產(chǎn)品，并且宣布“智能 + 硬件”全棧自研，全面擁抱具身智能時代。

乍看之下跨度較大，但在行業(yè)內(nèi)看來，宇泛布局具身智能是順理成章的事。

一方面，視覺能力已成為機(jī)器理解物理世界的核心入口，也是多模態(tài)智能的基礎(chǔ)。以視覺為出身的團(tuán)隊(duì)，成為了具身智能領(lǐng)域的中堅(jiān)力量。進(jìn)軍具身智能，是宇泛企業(yè)能力進(jìn)化的必然方向。

另一方面，在“智能 + 硬件”這條道路上，宇泛擁有長期的軟硬件一體研發(fā)經(jīng)驗(yàn)。在視覺AI時代，當(dāng)時各類設(shè)備端的計(jì)算性能無法支撐AI算法直接落地，而宇泛最早在行業(yè)內(nèi)基于端側(cè)芯片性能重構(gòu)算法，降低了算法對硬件的消耗，實(shí)現(xiàn)了端到端性能優(yōu)化。

這一整套從底層硬件適配到上層AI算法優(yōu)化的軟硬協(xié)同開發(fā)經(jīng)驗(yàn)，讓宇泛在視覺AI時代收獲了紅利，在此基礎(chǔ)上快速實(shí)現(xiàn)了商業(yè)化落地和規(guī)?；桓?。在具身智能時代，智能機(jī)器人的落地同樣考驗(yàn)軟硬協(xié)同能力，宇泛的過往經(jīng)歷無疑為此提供了助力。

宇泛智能董事長趙弘毅表示：“我們想清楚了具身智能該怎么做，決心利用過去十年的積累，在具身智能機(jī)器人領(lǐng)域迅速躋身行業(yè)頭部。這一波AI浪潮，不僅要讓機(jī)器人看得見、聽得懂、會交流、能行動，更要讓它們真正學(xué)會自主思考與決策?！?/p>

01 為何全面擁抱具身智能？

具身智能賽道迎來了一位新玩家。

幾天前，視覺AI領(lǐng)域的知名企業(yè)宇泛智能召開了11周年慶暨合作伙伴大會。會上，宇泛除了發(fā)布新一代視覺AI硬件與Agent新品，還正式推出了兩款具身智能產(chǎn)品——空間認(rèn)知大模型Manas和四足機(jī)器狗，宣告這家有著11年發(fā)展歷程的人工智能企業(yè)正式邁入具身智能時代。

空間認(rèn)知大模型Manas今年7月已在宇泛智能的公眾號上亮相，它是一個多模態(tài)語言模型（Multimodal Large Language Model，MLLM）。據(jù)宇泛提供的信息，Manas在業(yè)界流行的空間理解數(shù)據(jù)集VSI - Bench、SQA3D上的表現(xiàn)，相比業(yè)界同等規(guī)模模型，取得了SOTA成績。

此次正式發(fā)布，外界發(fā)現(xiàn)Manas在宇泛的具身智能戰(zhàn)略中的角色更加明確。未來，它將作為宇泛智能旗下具身智能硬件的大腦，扮演空間認(rèn)知底座的角色，讓智能硬件能夠感知真實(shí)物理世界，具備自主決策能力。

新發(fā)布的四足機(jī)器狗，是宇泛智能推出的第一款具身智能機(jī)器人。據(jù)悉，它的機(jī)械結(jié)構(gòu)、電機(jī)、運(yùn)動控制平臺及能力均由宇泛團(tuán)隊(duì)自研。

這兩款產(chǎn)品的發(fā)布，也讓宇泛智能在具身智能時代的戰(zhàn)略浮出水面——延續(xù)“智能 + 硬件”基因，全棧自研大腦、小腦和本體，全面擁抱Physical AI。

宇泛選擇在當(dāng)下進(jìn)入具身智能賽道，在業(yè)界看來并非突兀之舉。

實(shí)際上，隨著大語言模型技術(shù)的進(jìn)步，廣義上各類硬件的智能程度已經(jīng)得到升級。機(jī)器視覺行業(yè)的頭部企業(yè)如海康等，都在將多模態(tài)模型植入設(shè)備以提升硬件的智能水平。

在機(jī)器人領(lǐng)域，隨著機(jī)器人與大模型技術(shù)的深度融合，多模態(tài)大模型能力不斷發(fā)展，尤其是視覺能力帶來了更強(qiáng)的泛化能力，機(jī)器人的“大腦”也在不斷進(jìn)化。原來的機(jī)器人只能完成單體、單一場景任務(wù)，現(xiàn)在有望發(fā)展成為具備更強(qiáng)泛化能力的“通才”。

業(yè)界有不少視覺AI領(lǐng)域的企業(yè)進(jìn)入具身智能賽道，比如上個月底商湯在WAIC上就發(fā)布了具身智能大腦，布局具身智能賽道。

同時，視覺領(lǐng)域的研究者和從業(yè)者已成為具身智能領(lǐng)域的重要力量。清華大學(xué)孫富春教授今年6月在2025北京智源大會的演講中提到，具身智能歷來由兩撥人在做，一撥是計(jì)算機(jī)視覺派，以視覺為中心，李飛飛是典型代表，另一撥是原來機(jī)器人領(lǐng)域的從業(yè)者。

趙弘毅在演講中闡述了此次發(fā)布背后的戰(zhàn)略考量，他強(qiáng)調(diào)多模態(tài)尤其是視覺能力對具身智能發(fā)展至關(guān)重要。

趙弘毅指出，宇泛智能當(dāng)下投身具身智能賽道，既是有著11年技術(shù)積累的人工智能公司在產(chǎn)業(yè)變革前夜順應(yīng)大勢的戰(zhàn)略抉擇，也是公司創(chuàng)始團(tuán)隊(duì)做機(jī)器人的初心在內(nèi)外技術(shù)條件成熟后的回響。

他透露了宇泛創(chuàng)業(yè)歷程中此前鮮為人知的細(xì)節(jié)。2014年，宇泛憑借家用機(jī)器人的Demo獲得了第一筆天使輪投資，“我們最初的創(chuàng)業(yè)夢想就是做智能機(jī)器人。”

當(dāng)時，機(jī)器人技術(shù)涵蓋圖像識別（感知）、語音交互（理解與對話）、運(yùn)動控制（行動）三大技術(shù)難題。在技術(shù)條件和團(tuán)隊(duì)規(guī)模等現(xiàn)實(shí)因素的限制下，宇泛最終選擇了最擅長的圖像識別賽道來實(shí)現(xiàn)商業(yè)落地閉環(huán)。但這個團(tuán)隊(duì)始終沒有放棄對智能機(jī)器人的夢想和初心。

隨著這波大模型浪潮的興起，人工智能正從AI 1.0向AI 2.0時代演進(jìn)，具身智能領(lǐng)域已成為AI落地的主要戰(zhàn)場之一。機(jī)器人在“能看、能聽、能說、能動”的基礎(chǔ)上，正朝著真正具備自主決策能力的方向進(jìn)化。其中，視覺正成為機(jī)器人具備認(rèn)知和決策能力的關(guān)鍵支撐。

“在所有感知方式中，視覺信息密度最高、通用性最強(qiáng)，是機(jī)器理解物理世界的核心入口，也是多模態(tài)智能的基礎(chǔ)。在具身智能場景中，視覺不僅決定機(jī)器看到什么，還決定機(jī)器下一步做什么?！?/p>

在趙弘毅看來，這次發(fā)布更像是宇泛的戰(zhàn)略進(jìn)化。在AI 1.0時代，視覺是最明確的落地方向，而如今視覺有望成為更智能機(jī)器人的入口，加上創(chuàng)始團(tuán)隊(duì)始終懷揣著機(jī)器人夢想，一旦技術(shù)儲備成熟，他們必然會邁出這一步。

02 擁抱Physical AI，宇泛做了什么

除了視覺基因，宇泛此次一口氣推出兩款具身智能產(chǎn)品，也顯示了這家人工智能企業(yè)在多模態(tài)和智能硬件能力方面的技術(shù)儲備。

以多模態(tài)能力為例，宇泛過去一年圍繞如何讓智能體具備空間理解能力，進(jìn)行了諸多思考并取得了成果。

當(dāng)下，在如何讓機(jī)器人擁有更智能大腦的問題上，行業(yè)仍處于探索階段，技術(shù)路線尚未確定，有行業(yè)人士認(rèn)為存在端到端的VLA模型（Vision - Language - Action）、大小腦架構(gòu)以及世界模型等多種路線。

盡管技術(shù)路線不同，但業(yè)界達(dá)成的共識是機(jī)器人需要具備多模態(tài)推理能力，這被視為AI能夠像人類一樣綜合感知、理解和決策的關(guān)鍵。而多模態(tài)的視覺 - 語言模型又被認(rèn)為是實(shí)現(xiàn)多模態(tài)推理的核心基礎(chǔ)。因?yàn)樗軐⑾袼亍?D結(jié)構(gòu)、文字映射到同一高維向量空間，實(shí)現(xiàn)“跨模態(tài)對齊”。

自然語言是推理過程的顯式中間層，既可供人類閱讀，也可供下游策略網(wǎng)絡(luò)調(diào)用。視覺語言模型在具身智能中扮演著連接感知、決策與人類指令的核心控制中樞角色。

但并非所有多模態(tài)模型都適合作為機(jī)器人的大腦。有行業(yè)人士指出，GPT - 4o作為機(jī)器人大腦并不理想，因?yàn)樗狈﹂L程規(guī)劃和空間理解能力。這也是市面上許多多模態(tài)語言模型存在的問題。雖然它們在圖像識別、語言理解等感知任務(wù)上表現(xiàn)出色，但在空間感知方面存在明顯短板，比如在細(xì)粒度、局部、幾何信息的感知上，不如傳統(tǒng)純視覺模型精準(zhǔn)。

在具身智能場景中，機(jī)器人需要準(zhǔn)確抓取物體。模型不僅要“看懂”圖像的語義內(nèi)容，還需要具備對三維空間的準(zhǔn)確感知能力。比如物體的實(shí)際尺寸、相對方位、空間布局等幾何信息，是機(jī)器人進(jìn)行路徑規(guī)劃、物體操作、環(huán)境理解等復(fù)雜任務(wù)的基礎(chǔ)。

宇泛智能CTO王濤介紹，這意味著機(jī)器人“大腦”必須將語言模型與空間感知能力深度融合，才能在真實(shí)世界中實(shí)現(xiàn)穩(wěn)定的操作與交互。只有當(dāng)語義理解與空間推理能力同時具備時，具身智能才有可能真正實(shí)現(xiàn)大規(guī)模應(yīng)用。

今年7月亮相的Manas是一個經(jīng)過具身智能場景強(qiáng)化的多模態(tài)語言模型（Multimodal Large Language Model，MLLM），其底座是一個開源大語言模型，宇泛團(tuán)隊(duì)還專門對其進(jìn)行了空間理解層面的誘導(dǎo)訓(xùn)練和強(qiáng)化工作，它凝聚了宇泛技術(shù)團(tuán)隊(duì)在具身智能空間認(rèn)知和多模態(tài)技術(shù)方面的多項(xiàng)成果。

首先，去年年底宇泛自研的多模態(tài)推理架構(gòu)UUMM，參考了大語言模型的架構(gòu)并使其適配具身智能場景，它接收人類的語言和視覺輸入，輸出行動指令，形成快速迭代優(yōu)化的閉環(huán)。

在此基礎(chǔ)上，今年3月，宇泛團(tuán)隊(duì)發(fā)布了HiMTok，這與宇泛VLA項(xiàng)目一脈相承，通過創(chuàng)新方法實(shí)現(xiàn)了大模型圖像分割能力的內(nèi)生式集成，在保持模型結(jié)構(gòu)和參數(shù)規(guī)?；静蛔兊那闆r下，實(shí)現(xiàn)了圖像理解、圖像分割、目標(biāo)檢測等多任務(wù)的有機(jī)融合。這項(xiàng)工作推動大模型從單一文本輸出向圖像、機(jī)器人動作（Robot Action）等多模態(tài)升級邁進(jìn)了一步。

之后，他們又基于強(qiáng)化學(xué)習(xí)技術(shù)提升了模型的多模態(tài)輸出能力。

這一系列工作使得宇泛的MLLM模型Manas在目標(biāo)計(jì)數(shù)、絕對/相對距離、物理尺寸、路徑規(guī)劃以及自我視角的空間關(guān)系等空間理解相關(guān)的Benchmark上表現(xiàn)出色。Manas的發(fā)布，意味著宇泛在具身智能大腦的能力儲備已經(jīng)成熟。

另一款發(fā)布的產(chǎn)品——自研四足機(jī)器狗，表明宇泛已經(jīng)具備了機(jī)器人本體和小腦能力?！霸诟鞣N機(jī)器人零部件產(chǎn)業(yè)鏈成熟的情況下，我們自研了電機(jī)和控制平臺等核心部件，經(jīng)過多次迭代，也遇到了不少困難，現(xiàn)在已經(jīng)發(fā)展到第三代產(chǎn)品。”

宇泛產(chǎn)研團(tuán)隊(duì)透露，接下來他們將加速推進(jìn)機(jī)器人的大腦和小腦融合工作。

03 延續(xù)“智能 + 硬件”基因，走全棧自研之路

全棧自研機(jī)器人的大腦、小腦和本體，對任何一家新進(jìn)入的企業(yè)來說都是巨大的挑戰(zhàn)。宇泛為何選擇走全棧自研之路呢？

數(shù)智前線觀察發(fā)現(xiàn)，這既與當(dāng)下具身智能的產(chǎn)業(yè)現(xiàn)狀有關(guān)，宇泛智能過往的企業(yè)基因和發(fā)展歷程也強(qiáng)化了團(tuán)隊(duì)對“智能 + 硬件”路線的認(rèn)知。

從產(chǎn)業(yè)現(xiàn)狀來看，當(dāng)下具身智能的各種技術(shù)路線尚未確定，各類硬件標(biāo)準(zhǔn)也未統(tǒng)一。有智能算法能力的廠商很難不考慮硬件本體因素，專注于機(jī)器人大腦的研發(fā)。

有行業(yè)人士指出，目前具身智能廠商眾多，不同廠商的本體自由度、傳感器數(shù)量不同，數(shù)據(jù)無法通用。這使得基于數(shù)據(jù)訓(xùn)練的算法難以在不同本體間遷移，也意味著當(dāng)下廠商在算法研發(fā)時需要充分考慮與具身智能硬件的配合問題。

宇泛團(tuán)隊(duì)告訴數(shù)智前線，他們選擇全棧自研路線，是為了更好地確保具身智能產(chǎn)品的質(zhì)量、品控和效果?！按竽X、小腦需要融合，這個雙系統(tǒng)又需要與本體配合，如果采購?fù)獠繄F(tuán)隊(duì)的產(chǎn)品，在現(xiàn)階段很難做到極致?！?/p>

另一方面，當(dāng)下產(chǎn)業(yè)鏈相比前幾年有了很大發(fā)展。國內(nèi)雄厚的制造業(yè)基礎(chǔ)，使得機(jī)器人相關(guān)的硬件零部件產(chǎn)業(yè)鏈?zhǔn)殖墒?。除了核心的電機(jī)控制零部件自研外，其他都可以從產(chǎn)業(yè)鏈獲得支持，這也為宇泛這樣的創(chuàng)業(yè)公司走全棧自研路線奠定了基礎(chǔ)。

同時，宇泛過往的基因，讓他們堅(jiān)定地在具身智能時代選擇“智能 + 硬件”路線。

趙弘毅表示：“‘智能 + 硬件’是我們的既定路線，在AI1.0時代，基于‘智能 + 硬件’路線，我們成功將視覺AI技術(shù)深度應(yīng)用于安防、工地、社區(qū)、酒店等特定場景，實(shí)現(xiàn)了技術(shù)的快速商業(yè)化和規(guī)?；桓??！?/p>

這背后離不開宇泛在軟硬件協(xié)同方面的能力積累。趙弘毅透露，早期的攝像頭硬件無法支持優(yōu)秀算法的應(yīng)用，因?yàn)槎藗?cè)算力不足，當(dāng)時許多做人臉識別的廠商還會專門在設(shè)備中添加加速棒來支持應(yīng)用落地。

而宇泛則通過軟硬件適配協(xié)同和算法創(chuàng)新來解決問題。他們基于硬件性能限制，采用類似量化交易領(lǐng)域“以整型壓縮替代浮點(diǎn)、逐層逼近硬件極限”的方法，將模型算法從浮點(diǎn)計(jì)算改寫為整形計(jì)算，并在算子層針對硬件進(jìn)行深度適配和誤差補(bǔ)償，實(shí)現(xiàn)了端到端性能優(yōu)化。

當(dāng)下具身智能行業(yè)發(fā)展迅速，外界普遍認(rèn)為該領(lǐng)域?qū)⒚媾R激烈的競爭和洗牌。而宇泛此前在“智能 + 硬件”協(xié)同方面的積累，為他們參與未來的行業(yè)競爭儲備了實(shí)力。

趙弘毅認(rèn)為，在具身智能時代只做算法是行不通的。一方面，基礎(chǔ)模型需要巨額資源投入，創(chuàng)業(yè)公司難以與國內(nèi)外巨頭競爭。更重要的是，根據(jù)AI 1.0時代的經(jīng)驗(yàn)，在國內(nèi)市場環(huán)境下，僅基于MLLM來發(fā)展機(jī)器人大腦，企業(yè)很難實(shí)現(xiàn)商業(yè)落地閉環(huán)。

這場競爭也考驗(yàn)著具身智能企業(yè)產(chǎn)品驗(yàn)證和量產(chǎn)落地的速度。外界發(fā)現(xiàn)，宇泛過去十一年在智能硬件領(lǐng)域的落地經(jīng)驗(yàn)，以及在AI 1.0時代積累的豐富渠道、供應(yīng)鏈、產(chǎn)品化、量產(chǎn)能力和全球銷售體系，都有助于該公司更好地應(yīng)對市場競爭。

“宇泛擁有過去十幾年積累的經(jīng)驗(yàn)、資源和人才，團(tuán)隊(duì)年輕且富有實(shí)戰(zhàn)經(jīng)驗(yàn)，既理解大模型的前沿機(jī)制，又懂得如何讓它們在現(xiàn)實(shí)世界中高效運(yùn)行。我們想清楚了具身智能該怎么做，才決定投身其中?！泵嫦蛐抡鞒蹋w弘毅充滿信心。

宇泛智能已經(jīng)成立十一年，但從創(chuàng)始人到核心技術(shù)骨干都很年輕，數(shù)智前線了解到他們還在持續(xù)招募人才，全力擁抱具身智能新時代。

本文來自微信公眾號 “數(shù)智前線”（ID：szqx1991），作者：徐鑫，36氪經(jīng)授權(quán)發(fā)布。

本文僅代表作者觀點(diǎn)，版權(quán)歸原創(chuàng)者所有，如需轉(zhuǎn)載請?jiān)谖闹凶⒚鱽碓醇白髡呙帧?/p>

免責(zé)聲明：本文系轉(zhuǎn)載編輯文章，僅作分享之用。如分享內(nèi)容、圖片侵犯到您的版權(quán)或非授權(quán)發(fā)布，請及時與我們聯(lián)系進(jìn)行審核處理或刪除，您可以發(fā)送材料至郵箱：service@tojoy.com