星尘智能来杰：GPT-6之外，具身应用入口谁来做

2008年7月10日，App Store头一天上线，首批应用不过500款，翻几页就到底了。乔布斯后来回忆，这是他职业生涯里规模最大的一次发布之一。

数字看着不起眼，却开出了一套新玩法：普通人不进苹果团队、不拿官方授权，也能给一台通用计算设备写应用，供全球用户下载。

同一天，独立工作室Imangi交了一款小游戏，几乎没人注意。十年之后，还是这支团队做出了累计下载超10亿次的《神庙逃亡》。

十八年过去，2026年秋天，深圳湾生态园里，类似的“第一天”又来了。

总决赛17支队伍，连打36小时，成员来自高校、产品、设计等不同背景，有人压根没有人形机器人经验，也没做过完整App。他们把日常生活里细碎又真实的麻烦事——出门旅行没人铲的猫砂、等着收料和重启尾的3D打印工件、需要代收的快递——变成一个个具身机器人能执行的任务。

现场最终有16款应用完成真机迁移，上机率94%。三站比赛做出来的47个App说明了一件事：工具链够完整，非专业开发者也能做出在物理世界里跑的机器人应用。

这些原型还稚嫩，但指向的是具身智能长期没顾上的应用盲区。行业盯着运控精度、模型能力、本体仿生度这些单点指标，更根本的问题却很少被问：机器人应用谁来造？普通用户能不能低成本进场？应用做出来之后，怎么复用、怎么扩散，长出能持续转的商业循环？

资本热潮总会退，融资故事讲不下去的时候，具身智能靠什么撑过周期？口子可能不在更强的模型、更精巧的本体，而在应用创作者的入口——这场黑客松，就是一次提前验证。

机器人要是只做预装固定功能的封闭硬件，开发权限攥在少数工程师和专业团队手里，应用供给注定跟不上海量、分散的真实场景需求。

星尘智能的答法是：不去磨某一项单点机器人能力，而是搭AOS（Astribot OS，具身操作系统）这层中间底座，往下接大模型与具身本体，往上面对开发者和终端用户，让用户和AI都能顺手调用机器人能力。

跟硬氪聊的时候，星尘智能创始人来杰多次拿苹果做参照。

苹果办成了两件事：让更多人参与开发，也让更多人方便使用。它撕开一道连接创造者与使用者的窗口——图形交互界面简化终端使用，操作系统与开发工具压低创作成本，App Store承载应用的分发、复用与商业化定价。四层叠起来，是一个稳定、能自循环的连接生态。

星尘给具身智能生态画的蓝图正是这样。靠绳驱本体、自研模型与AOS三位一体的全栈架构，AOS不是哪台机器人的配套软件，而是具身应用生态的入口：用户不用懂原理，一句话就能生成机器人APP，把真实场景里的需求变成可执行的具身任务。

黑客松给了一个能被记下来的起点。互联网时代发生过的范式转移，眼下正在物理世界里重演。

01

通用模型填不平物理世界鸿沟

过去两年，具身智能赛道的资源和目光基本压在两件事上：把机器人本体性能磨得更强，把具身基座模型的泛化能力迭代得更好。行业里炫目的技术演示Demo一个接一个，可真进现实场景、能稳定跑通又高频复用的机器人应用，还是稀缺品。

GPT-6 Astra问世，把路线分歧进一步放大。市场慢慢形成两类二元对立的主流看法：一派乐观地讲“全量上云”，觉得通用大模型够强，直接接上机器人本体，光靠泛化能力就能搞定全部物理任务；另一派走到另一个极端，认定云端大模型对物理世界没辙，所有任务都得交给专用具身模型闭环解决。

前者高估了云端智能的迁移性，后者低估了两类模型协同的潜力。两边看着对立，其实都掉进了对技术能力做简单线性外推的坑里。

但在星尘智能创始人来杰看来，答案不在两端，而在于做一套满足“既要又要”的协同范式：通用模型负责抽象理解，具身模型承担物理空间感知、力控、轨迹执行，中间靠一层底座完成双向流转。

要弄明白这套范式为什么成立，得先看清两类模型各自的能力边界。

2024年，来杰做过一个简单的内部试验：桌上用三支笔摆出箭头，让机器人把东西放到箭头指的位置。通用大模型一眼读懂了这条抽象指令，可星尘智能当时测试的具身模型，仅靠已有的训练数据，还很难理解“箭头”这类符号化指代。

这个测试把不同模型的短板摆到了明面上。通用模型本质是擅长拆解高层意图的“大脑”，能力止步于云端，并不天然掌握电机、传动、力控这类底层物理执行逻辑。具身模型在现实作业时熟悉物理空间里的运动和接触，却缺少解读抽象符号、模糊意图的能力，得让通用模型先把语义层面的理解做完。

这次试验让来杰开始琢磨：能不能从设计之初就让两类模型互补配合，把通用模型的抽象理解能力和具身模型对真实世界的感知、操作能力整合起来，都用到机器人上。

一个看着简单的任务，背后牵着任务规划、接口适配、动作控制、异常处理好几个环节。懂软件的人未必懂具身运动控制逻辑，机器人工程师容易和真实产业需求脱节；就算是专业团队，也难提前穷尽居家、生产环境里海量的长尾场景。

“模型的推理能力往上走一步，物理执行这一头就得有中间层来接住；可模型再聪明，数字逻辑和现实物理之间那道坎，也不会自己消失。”来杰说。

来杰打了个生活里的比方：母亲隔着视频教他做饭，放油、下菜、调味、控火一整套流程都能讲清楚，大模型也看得懂、复述得出。可对话里说一句“手臂往前伸一点”没问题，锅铲握持角度、发力轻重、临场微调这些细节，语言精准不了，只能靠现场实时感知闭环。

星尘T1正在厨房炒菜

物理世界的底层约束摆在那儿，云端大模型注定包揽不了一切。来杰的看法是，通用智能与具身智能谈不上谁竞争、谁替代，两者是分工明确的伙伴：价值互补、各司其职，一起走完从意图理解到物理落地的完整链路。

当下真实的缺口也在这里：行业需要一套稳定可靠的翻译层，把大模型输出的抽象意图，转成机器人能够稳定复现的动作原语。星尘智能AOS要解决的核心问题正是这个。

作为承上启下的中间底座，AOS要同时服务两类对象：一类是普通人，得给他们直观易用的交互方式；另一类是AI，要为它开放可解析、可调用的底层接口。

“以前我们设计接口，默认对面是程序员。但现在，接口不能只关注程序员能不能看懂，还要考虑 GPT 能不能看懂。”来杰说。

AOS若还沿用传统思路，把底层控制逻辑封装成只有工程师读得懂的复杂代码，GPT推理能力再强，也难跨过认知鸿沟去做精准调度。好比一个智商很高却没了触觉的人，想法再多，“倒油”“拧瓶盖”这类精细动作也完不成。

于是AOS在能力上切了两层：往下，它接的是具身模型和本体的物理控制链路，把执行本事打包成能直接调用的技能；往上，它给出标准化协议，哪怕不会写代码，创作者也能拿自然语言把任务说清楚，一句话就生成一个机器人APP。

落到真实物理环境里，星尘智能AOS研发总负责人安昭辉把这套方案概括为“任重道不远”：大模型指令要变成稳定可靠的物理交互，大量工程难题还等着啃，这部分不会随模型能力提升自动解决；不过上层基础模型的能力已经跨过关键门槛，AOS接口体系也在持续完善，具身应用落地的窗口已经打开。

AI能顺畅调用物理世界的工具，创作门槛向普通用户放开，不再被编程能力卡住，具身智能才有望走出Demo循环，长出大量扎根真实场景的应用。

02

三位一体，跨越可落地边界

星尘智能黑客松总决赛现场，空气里透着焦灼，键盘敲击声和选手偶尔低声讨论的话音混在一起。代码推演出的完美逻辑，到了这里总要接受物理世界条件的重重校验。

GPT-6时代，纯软件应用的门槛早被击穿：几句提示词就能搭出可用原型。机器人App是另一回事：它面对的是物理空间里的硬件执行，不是屏幕里的渲染像素。控制权博弈、实时反馈、时延扰动、力控闭环，这些真实场景内的约束，API一层抽象抹不平。

传统开发模式下，硬件、算法、应用团队分块推进：硬件管驱动，算法管控制逻辑，应用层搭业务流程。一到联调阶段，接口不匹配、时序冲突等问题集中暴露。一项功能从立项到真机验证，动辄数月，长则半年。

这条割裂又耗时的开发链路，正是AOS瞄准的痛点——把复杂装进AOS，简单给创造者。驱动、模型和接口调度提前封装好，开发者跳过底层联调，直接进入应用层。

比赛冠军“远程分身”团队只有三个人，都还在实验室里做研究。他们看准的是程序员加班顾不上家、家里出事伸不上手这个麻烦，照着AI Agent的路子做出手机遥控机器人的App，搭了个简易的“Robotic Harness”。

底层开发他们一点没碰，一套严密的底层机制就运转起来：用户在手机端下发“浇花”指令，AOS已经分配好底盘（移动、导航）、浇花（操作）等Meta包的协同关系和工作顺序；机械臂伸向水杯时，背后是花瓶识别、抓取路径规划等Meta包。

真抓东西的时候，Lumo这类具身模型充当“反射弧”，管接触感知和力控闭环，几毫秒内把抓取力算出来，应付复杂的真实环境；物理动作最后交给绳驱本体去做，再把真实反馈传回来。用户一口气下达浇花、铲猫砂、倒水这些并行的活儿，AOS照样能自己把底层接口调度好：划清权限边界、核对控制授权、推进任务节点、接住运行异常，一步步走下来不乱。

“远程分身”团队真机试验环境

从仿真进真机这一步，还是给没怎么“摸过真机”的团队上了一课。他们想让机器人执行“边往前走边拿水杯”的复杂指令，硬件直接原地死机。“我们的App整合了大量原子能力，调用到底层关节链的控制权。一上真机，几个底层功能包为了抢夺底盘和机械臂的控制权互相打架，引发严重的仲裁冲突。”团队赛后回忆道。

软硬件一体打磨的价值也在这里显出来。原生的AOS，与Lumo模型、本体形成全栈闭环，能直接读取底盘惯性、关节限位等原生硬件数据，在底层完成能力规范和权限仲裁，从根源上规避不同动作争抢资源。

三位没有人形机器人开发经验的学生，36小时里做出了一个难度极高的APP——手机和机器人双端部署，应用会调用底盘（移动）、视觉识别（感知）、机械臂（操作）、具身模型和通用大模型；放在传统机器人开发流程里，这需要七八个人协作二到三月。

驻场导师赛后复盘时说得很直接：很多开发者觉得仿真里Demo跑得快，真机交付就没问题，却把物理世界的复杂和机器人App的难度漏掉了。只有本体、模型和OS按同一套接口规范一起设计，大模型输出的意图才可能稳稳落到物理世界里变成动作。

原生全栈设计能带来的，不只是单个模型能被稳定调度。它同样给第三方具身模型留了接入的口子。同场比赛中，就有团队利用AOS的统一接口，把不同的VLA模型接进来做验证。

硬件本体是这套体系真正踩在物理世界里的底座。“笔走龙蛇”团队让机器人在宣纸上写毛笔字，考的是本体稳不稳、力控细不细，星尘智能绳驱本体的差异也由此直接呈现出来。

自研本体还有一层更深的用处：把关节限位、惯性、力矩响应这些物理特性原样开放给AOS，调度逻辑本身就带着物理层面的约束。模型、系统与本体协同的价值，也在这里体现出来。

黑客松现场，不少团队没有硬啃复杂的机械运控，而是挑轻巧的场景切入，想验证具身智能走进消费市场的可能。

亚军项目“摄影大师”就是一个例子。GowithFlow团队由两名港中深学生组成，他们没有挤进景区机器人卖零食饮品这条红海，而是盯上游客拍照出片难、缺人帮忙运镜的痛点，借助AOS探索自动构图和移动跟拍。未来这有机会变成景区里的付费服务，让机器人能力落成一门具体生意。

亚军项目“摄影大师”

驻场导师在比赛中打过一个比方：“AOS是一片很大的空地，上面的每一个APP就是一栋栋楼宇，而星尘的本体与AI模型，就是它的根基。”这句话点破了星尘技术路径背后的战略思考。

往下把底层复杂度收拢，往上把标准化能力开放出来，具身智能的生态正是立在这套底座上，才真正开始生长。

03

做具身时代的App Store

把星尘智能AOS放进技术演进的坐标系里看，它更像一次跨越十八年的范式呼应。回到苹果那段被反复提起的产业史：Macintosh用图形界面（GUI）替掉DOS命令行，最关键的一跃不是多了哪项硬件功能，而是把晦涩的底层代码指令变成直观的“图标、窗口和鼠标点击”，创造和使用的门槛大幅降低，电脑也从极客的玩具变成大众的生产力工具。

此后，一款叫MacPaint的小软件让无数人第一次尝到电脑绘画的乐趣；MacWrite文字处理器出现后，作家们彻底扔掉了打字机；掀起电子表格VisiCalc变革的，只是一个商学院学生不想反复手算财务习题的朴素念头。正是这批没碰过专业计算机开发、全凭狂热和洞察力的年轻人，在底层系统上开辟出一个庞大的商业世界，也让“程序员”成了一个全新的职业群体。

具身智能时代也在等这样一层连接软硬件的新界面。来杰认为，AI和机器人结合，势必会催生一波类似的开发者浪潮。

资本概念的热度冷静下来后，具身赛道正在褪去Demo和订单的光环，转向更务实的落地考验。市场也在挑真正适配这条赛道的践行者：只靠单点优势很难走远，物理世界一层层的挑战摆在面前，模型、系统、本体的能力缺一不可。

星尘智能对自己的定位很明确：不只做本体厂商，也不止步于单模型公司，而是要做AI-OS-本体三位一体全栈自研的公司。在这个框架里，模型决定智能的上限，本体划定物理交互的边界，AOS则决定能力怎么被组织、被开放、被复用。

得承认，现阶段的AOS还只是具身生态的雏形，不能等同于“机器人时代的iOS”。一个生态能不能真正成立，长期看的是多重变量：接口稳不稳定、仿真与真机是否一致、开发者收益机制怎么设计、终端用户的真实需求在哪里。这些正是星尘团队眼下持续探索和落地的核心命题。

黑客松，就是这场漫长生态构建的起点。

北京站、深圳站到总决赛，三站赛事一共吸引了47支队伍。参赛的人里有高校学生、大厂产品经理、独立开发者，也有完全没碰过机器人的跨界人士。他们带来的不只是各异的技术背景，还有各自在生活中沉淀的真实需求、工作经验和独特创造力。

星尘智能黑客松现场

密集开发的过程中，星尘智能也在持续观察：哪些底层能力被高频调用，哪些步骤最容易引发反复调试，哪些场景需求在不同团队之间高度重合。当一个开发者封装出的专项能力，能被另一位开发者无缝拼进新应用，平台的复用价值就开始显现，这也是AOS生态演进的逻辑。

当年App Store上线时那批寂寂无名的开发者，和今天这些黑客松作品有几分相似。它们或许就是具身应用时代最初的样本。

苹果早期的路子其实有迹可循：先把硬件定价压到有竞争力的区间，门槛低了，客户和开发者才愿意进来；真正扛起赚钱任务的，是软件、工具和增值服务。硬件、OS、工具、应用、收益这几环咬合在一起，转起来就是一套能自洽的生态闭环。

星尘在商业化上走的也是类似的台阶。第一步先做商业场景的定制交付，到真实工况里验证技术能不能跑通；第二步面向科研群体，靠SDK和专业模块做成软硬一体的服务；更远的打算，是往消费市场延伸。AOS想干的事，就是把第一块路基铺到普通人脚下，让每一份微小的创造力在物理世界里都能找到回响。

一级市场热一阵冷一阵，本来就是常态。模型的价值被重新估过之后，全栈能力和生态搭建的分量会再冒出来。智能手机、新能源车、高阶智驾，这些产业的起落反复说明同一件事：只有盯住真实落地需求，企业才走得穿行业周期。