星尘智能来杰谈绳驱机器人：iPhone 4时刻未到，但可能比想象中更近

想喝可乐时，很长时间里人们只有两个选项：百事可乐和可口可乐。挑手机时，大约 90% 的人会在苹果和华米 OV 等品牌之间来回比较。买运动服饰，头一个想到的多半是 Nike、Adidas。

世界之所以多彩，正因为巨头之外还有另一类公司：不按传统出牌，力求做出不同，看重设计与功能，把目光放在明天。

它们采用非主流的商业模式，设计、技术和产品能带来独特的用户价值，也足够成为社交谈资。关键在于，它们没有大公司的包袱，敢不顾一切地往前冲。这些公司，就是「多样性公司」。

多样性是开放世界的关键。爱范儿相信，只有真正关注并理解多样性公司，才能比更多人更早看见未来。在同名栏目里，爱范儿会以专访形式，和你一起看这些多样性公司如何重塑未来、定义新常态。

这是「多样性公司」栏目的第 15 篇。

具身智能创业公司如今多得像繁星，星尘智能仍是足够特别的一家。这家深圳企业在机器人本体技术路线上选了「绳驱」，整体技术上形成「以绳驱机器人本体、具身操作系统 AOS 和具身模型的三位一体」架构。

「绳驱」特别在哪？机器人靠高强度绳索传递动力，电机等较重的驱动部件从关节处挪走，放进机器人基座，末端执行器手臂因此变轻，还带来低摩擦与高力控透明度的优势。

感知、移动、操作和交互这些复杂能力，被星尘智能的 AOS 操作系统封装成技能模块包，与 GPT 6 等前沿大模型和 Agent 适配。开发者用自然语言编程，借大模型和 Agent 能力在 AOS 上为机器人开发应用，让机器人写书法、相机跟拍、铲猫屎、打麻将，这些实际应用都能实现。

创始人兼 CEO 来杰此前是腾讯 Robotics X 机器人实验室 1 号员工，也是苹果粉丝。他希望星尘智能的「机器人、模型和系统三位一体架构」能像苹果的「iPhone 硬件、iOS 系统和 Apple Store 应用生态」那样，形成完整的生态体系，进而实现自己和公司的愿景：让数十亿人拥有 AI 机器人助理。他们希望人类和机器人共存、共创、共赢，旗帜鲜明地反对机器人进厂打工。这大概是一种双重含义的「人文主义」：既不希望机器人取代人类，也不希望机器人困于封闭的车间。

我们和来杰聊了聊：机器人为什么需要一个操作系统，机器人应用开发的门槛为什么要降到无限低，以及为什么不想让机器人进厂打工。

给智能以身体，还是给身体以智能？

Q1：2022 年底您离开大厂、创办星尘智能，那会儿 ChatGPT 才发布几天，AI 浪潮还没被大多数人看见。您为什么会在那个节点认定，机器人这门生意已经值得下场创业？

A：其实我开始琢磨创业这个事，应该 22 年的上半年就开始了。

出来创业的前置技术预判还要更早，主要是看到了 Transformer 技术原理的潜力，不是说因为看到了 ChatGPT 才突然决定创业的。

那时的 Transformer 还有另一个变化：它正从语言往多模态走。我们注意到，只要 Token 设计得合理，各种模态都能在同一个空间里对齐——这跟我在腾讯 Robotics X 机器人实验室做机器人时，数据驱动那条线里的关键一步是一致的。

既然要数据驱动，那就把所有数据对齐到某一个空间去，所以更早是看到了这些技术趋势，才决定出来创业的。

Q2：人的身体和大脑是在漫长进化里一起长出来的，手、眼睛、肌肉、神经系统彼此都在适应。星尘智能提出 DFAI（Design for AI），主张按 AI 的需要重新设计机器人的身体。那在您看来，今天的机器人行业是不是卡在一个问题上：大家总想着往机器人里塞 AI 能力，却很少反问什么样的身体才真正适合 AI 去学？这算不算路线上的分歧？

A：这其实是根本上的差异，第一性原理上的差异。

有个问题我们一直在琢磨。比如手，人长成五指，老鹰却是前二后二的四指，为什么？说到底，是因为人和老鹰要抓的东西不一样。

那抓什么又由谁定？由脑子定。也就是说，智力决定了身体长成什么样，而不是身体构形反过来决定智力。当然，两者之间也有相辅相成的共同进化，可老鹰再怎么进化，也进化不出人的智力。

《智能简史》里讲过，人类智能进化最大的一个物理节点，是对生拇指的出现，也就是拇指自由度的变化。有了这一步，人类才能用上各种工具，把智能的潜力发挥得更好。

所以我们一直在找的那个角色，就是人和智能之间的关系。我们设计机器人，一定要帮它真正成长起来，而它的每一分成长又能被我们的机器人消化掉。我们要找的，就是这个循环。

星尘智能的 logo 上是两颗星在循环。我们认为，整个行业乃至人类的发展，其实都是两个东西在互相推动：计算机的发展，就是软件不断消化 CPU 和 GPU 的算力，算力再继续进化、再被消化，形成价值上的相互循环与传导，行业也就跟着快起来了。

从社会变化的角度看，机器人和 AI 带来的其实是智能的平权。智能怎么进化、怎么工作，会形成一个循环，而这个循环最大的突破口在物理世界。虚拟世界里，围绕智能的投入已经很密集；等机器人进入物理环境、能自主在里面学习，真正的智能才会浮现出来。

问：如果把今天的人形机器人比作一个正在长大的孩子，它已经会走、会跑，甚至能跳舞，某些方面比普通人还强，可要真正帮家里做家务，还差得远。星尘智能从成立起就盯着双臂协同、精细操作和与环境接触这几件事。为什么选这条路？在您看来，机器人从「会动」到真正「会干活」，中间最大的技术鸿沟是什么？来杰：这跟我们的理念有关。机器人身体每一处设计，我们都会先问 AI 能不能掌握它。如果身体设计得漂亮，AI 却驾驭不了，那就没意义——像我们当年的 Astribot S1，速度和负载都拉得很高，人去操控危险系数不小，当时的 AI 能力也接不住，现在就明显感觉身体和 AI 没有真正匹配上。

整个行业里，宇树这类企业已经把机器人的身体能力证明得足够强，接下来要解决的是智力怎么往上走。眼下这波 AI 更像智力革命，而不是机器人革命。智力革命的意思是，可以把机器人当成一个工具、一种实践方式，用去学习 AI 的智力，也把 AI 的智力用出来。

所以我们一直讲，我们设计的机器人既是大模型的数据采集者，也是大模型的应用终端，这就是星尘智能对自家机器人的定位。难点和卡点在哪里？

我认为有两块。第一块现在已经被解决了。以前大语言模型偏逻辑，因为语言语料更多；后来原生大模型不再把 LLM（大语言模型）和 ViT（Vision Transformer）拆开，直接一起训练，这是很大的突破。机器人有了原生多模态能力之后，对物理环境的抽象理解会大幅提升。

但具象的理解能力仍然缺着，根子在数据：机器人首先缺这块数据。现在互联网上的数据、数据采集来的数据，都没有尺寸概念，也缺少空间意识，只有画面的意识。这层认知缺了，机器人的智能就会被卡住。解法只能是让机器人提供完整的、偏向空间的具象信息——我们的机器人正好能把这些信息喂给大模型，大模型智力往上走，再反哺机器人干得更好。

这个飞轮今年已经开始转了，GPT 也开始训练 EGO（第一人称视角）数据、机器人数据。问：给机器人装 AI 能力，还是围绕 AI 去设计机器人？有没有案例能证明后者比前者有先天优势，或者只有后者做得到、前者做不到？

来杰：有几个客户的例子能说明问题，只是很多人未必 get 到。比如最近一家互联网企业参加行业会议时，放了我们的机器人做展示，我在小红书等平台上刷到用户评价，说这个机器人人味儿很足。

为什么人味儿足？因为我们的机器人从一开始，关节设计、速度设计完全参照人的比例来做。当时的想法是，比例合适了，未来就能直接用人类的数据，迁移的 gap 最小。我们在腾讯 Robotics X 机器人实验室的时候，用调酒师的数据训练过 KUKA、UR 等机器人，最后单独买了一台 ABB 的工业机械臂，看中的不是它的工业可靠性，而是它的结构和人有点像——自由度和人一样，关节也和人非常接近。结果在这台 ABB 工业机械臂上训练出来的模型效果更好。我们之所以要挑战仿人、用绳驱去实现，是因为预判到最后的结果是：等大规模人类数据到来，我们的机器人人感最强。

这种人感不是轨迹像人，而是行为真的像人。行为像人，既包括智力上对事情的规划，也包括最后动作的实现。

机器人有人感，本质上是它有类似于人的结构和想象力

问：星尘智能的绳驱技术让我想到人的肌肉和肌腱——肌肉产生力量，肌腱把力量传到骨骼结构，再带动关节运动。星尘的绳驱是不是也能这样理解：靠绳索传递驱动力，让机器人拥有更轻巧、更柔顺的关节？跟传统的电机、减速器传动比，这套结构最大的优势是什么？它会不会也有类似人类肌腱损伤、疲劳，或者需要持续调节张力的问题？

来杰：最早设计绳驱方案的时候，我们还没想到它和肌肉肌腱的对应关系，当时只是想找一个力透明度最好的方案。什么叫力透明度？比如人和人握手，你会觉得你和对方的动作是伴随的、和谐的；人跟机器人握手就不一样，不是你在掰它，而是它在掰你，中间没有随动感。

不只是握手。现在很多机器人夹着咖啡杯往下放，都是判断杯子快接近桌面了就松手，然后啪的一下，杯子落在桌上。人不会这样，人会感觉到桌子接触并支撑住杯子了才松手。问题就在于，很多机器人的电机结构感受不到末端力的变化，所以只能等杯子接近桌子时让它落下。

做绳驱，我们是想找一种传动机构，把力的传递过程做得更透明，好在其中学到更深层的智能关系，而不是靠绝对位置去判断杯子放到多高松手才不会倒——那不算智能。感觉到杯子已经被桌子撑住、手上不用再使那么多力、可以松手了，这才是智能。

绳驱的本质就在这里。

研发过程中我们还发现，绳驱除了力透明度高，整个构形也和人很像。因为不用把电机塞在关节、手腕这些位置，约束就没了，电机可以放到小臂当中，靠绳、靠「肌腱」传导到关节。

2024 年做绳驱国产化时，我们又碰到一个更大的惊喜：全球大概 70% 的绳驱源头供应商都在中国，成本非常低。拿谐波减速器来比，我们全身从上到下的绳，部分取代了谐波的减速作用，20 多个关节加起来才相当于刚性机器人 1 个谐波减速器的价格，成本可以快速往下打。

力透明度高、构形好、成本还非常低，这就是绳驱的优势。

最初我们也担心绳驱的强度和耐久。所以一开始质量体系建设就抓得比较强：供应商的样品到我们这里要经过 2500 万次弯折，相当于在负载下弯胳膊 2500 万次，一天 24 小时连续运动 6 年，再评估最后的偏差值。

Q6：基础大模型越来越强，是否终究会吞噬具身智能公司的价值？

A：不会。

星尘智能机器人的架构我们叫「三位一体」：机器人本体之外，一块是操作系统 AOS，另一块是具身模型。

这里有两个问题：具身模型和 GPT6 是什么关系，AOS 和 GPT 6 又是什么关系。

2023 年有人问我，为什么要训练模型、这个模型要做什么。我当时打了个比方：具身模型这块，我要做的是一个能听懂人话的猴子——能听懂人话，说明它有语言接口，但更多还是偏向自己在物理世界里的物理反应。

更贴近人的解释是这样：比如我不会做饭，但又想做，怎么办？给我妈打视频电话，她在视频里指导，说先在热锅里放点油。她不用说得特别细，不用说哪瓶是油；我有疑问再问她是哪一瓶。

也就是说，我和我妈的交互是在补充上下文知识，但放油这个动作本身得我会，因为她在电话那头没法替我放油。

那我们的具身模型要做什么？它一定要有自己的落下，把现实状态反馈成自然语言，去和基础大模型提问，去和 GPT 6 提问。它自己也要在物理环境里感知物理参数，比如重量、捏的力度、有没有抓稳这些。

所以我不太认可用 GPT 这样的基础大模型越来越强之后、把触觉信息也训到那边去的做法。不是说做不到，是成本不合适，通讯带宽也会有问题。更合适的模式是：我们的具身模型抓完瓶子，去问 GPT 6 说我捏不住、有点不稳该怎么办，GPT 再给方案。

我们不是要把整个智能世界分层，而更像智能体化。

智能体化有点像蚂蚁：每个智能体能力未必强，凑到一起就很强大。我们一直强调，不是把任务交给 GPT 去做、自己只做下面的接口、做被动的事。

Q7：世界模型如今在具身智能行业里被提得越来越多，它是不是有点接近人的「想象力」？就拿倒水来说，动手之前脑子里往往已经大致估到水会怎么流、倾斜角度会怎样左右水流快慢、杯子到什么时候会满，所以不必每一步都做精确计算。星尘智能的 Lumo-2 具身模型同样具备隐式世界动态预测能力，那 Lumo-2 究竟解决了什么样的问题？「隐式」指的又是什么？它跟人类的想象力相比，哪里一样、哪里不一样？

A：Lumo-2 的预测能力和人类的想象力非常接近，但中间有一个世界模型发挥的点。

人做一个动作时，一直想的是：我预期有一个目标，然后做的是跟我目标之间误差的修正。

VLA（视觉语言动作）大模型是什么？它其实没有目标，只是把动作重新复现一遍，所以对误差不敏感。有了世界模型之后，机器人只要预测该怎么做，执行过程中的差异都可以想办法纠正。

既然误差已经产生、目标就是纠正它，这不正是最适合强化学习做的事吗？

VLA 模型的模仿能力，现在加上世界模型和强化学习，试错和纠错的闭环就搭好了，具身智能的结构也就完整了。

隐式世界动态预测能力里的「隐式」是什么意思？世界模型是物理世界的一个重建，重建完了之后，为了表现出来，后面还有一大段是渲染——渲染成视频也好，渲染成图片也好，都是为了让人看懂。

我们发现，物理世界的重建是机器人需要的，最后的渲染不一定是机器人需要的。就像人做梦，梦境模模糊糊，但行为是透传的。所以回忆做梦时，环境往往模糊，做了什么却很清晰。

说到隐式世界模型，也是同一个道理：没必要把一切都渲染成给人看的样子，机器人真正要做的，是从里面找到跟自身动作相关的预测和偏差。

来杰的判断是，星尘智能眼下的机器人还够不上 iPhone 4 的水平，不过那个节点很快就会来。

Q8 问的是机器人为什么需要自己的操作系统，AOS 怎么定义、面向哪些人。来杰回忆，创业那会儿还没有具身智能这个说法，但他觉得这个行业要发展，必须出现 Macintosh 那样的产品。当时他认定，要在行业进程中找两样东西，头一样就是对应电脑的图形交互界面——对机器人而言，除了常规的命令操作图形，那些能调用 AI、调用智能能力的地方，会构成一种新的交互界面。

所以 AOS 里专门留了一层，负责跟基础大模型以及自家具身模型做接口层面的规划。

AOS 瞄的不只是开发者，来杰想把开发门槛压到普通人这一档。如今不少人已经用自然语言生成 PPT、视频甚至应用，那为什么不能让普通人用 AI 给自己的机器人生成能力和动作？这就是他们的目标：想要什么，说几句提示词，让机器人自己去编译生成，把使用和开发的门槛降到所有人都够得着。

按他的说法，AOS 不光要让程序员看得懂，也要让普通人看得懂，当然还得让 GPT 看得懂。

Q9 提到，星尘智能爱拿苹果的「硬件、系统、应用生态」来比自己的「三位一体」。如果照着苹果的产品史对号入座，现在的 S1 机器人、T1 机器人和 AOS 操作系统，大致相当于苹果的哪个阶段？提问者还补了一句：苹果的硬件尤其是操作系统，技术传承脉络很清楚，iOS 可以看作移动简易版的 macOS，两者都基于 UNIX 的图形交互系统，而 macOS 又源自乔布斯更早做的 NeXTSTEP。

来杰说这个观察很到位。他在公司层面一直把控的就是传承——里面哪些东西是要统一化的。关于和苹果软硬件系统的对应，他们仔细想过，他把苹果两次发展的背景环境做了些筛选，发现路径和做法有相似之处。

比如 iPhone 诞生时，互联网基础设施已经完整，iPhone 才有爆发的条件；Macintosh 诞生那会儿还没有互联网，它更像一台硬件终端。

至于星尘智能现在到了什么程度，来杰说恐怕要让人失望了。

按他的对照，S1 对应电脑阶段，最多到 Apple I，就是卖了 300 来台的那台机器；苹果从 Apple II 开始卖火，Apple II 对应的是 T1，但还没走到 Macintosh——T1 还没有属于自己的完整图形交互界面。

对应手机的话，S1 和 iPhone 初代也有点像。初代 iPhone 颠覆了键盘手机，系统有开创性但并不完善，续航也不行，自身的不足和外界的质疑都很多。

但要说 T1 对应 iPhone 4，来杰觉得有点勉强，毕竟 iPhone 4 是大家公认非常 OK 的一代。

不过有一点：这个行业的发展速度，连业内人都没料到会这么快。反倒是 Macintosh、iPhone 4 那种级别的爆款机器人产品，来杰说明年就会出现。

Q10 的问题分两层：具身智能可能第一次让机器大规模参与普通人的体力劳动，来杰曾提到希望未来数十亿人都能有 AI 机器人助理；可家庭环境高度复杂、充满意外，把今天的机器人看成一个刚起步学世界的孩子，它要成长到什么程度才能真正独立进家门？如果这天真来了，他最希望机器人帮人类摆脱什么，又最不希望它改变生活里的什么？

第一个问题，来杰说按现在的技术进展，答案可能比想象中近得多，他判断明年机器人很有可能就会进入家庭。

进家庭的关键，从商业上看是成本和功能，两者之间有个对等关系：成本足够低，功能就不会强；可功能不够强，进家庭能干什么？他觉得不只是帮忙拿拿东西，肯定还得有情绪价值，而情绪价值是能卖钱的。

他想要的是一个什么都能做的硬件平台，配一个什么都能长的可发展操作系统。基本的东西他们先开发给客户，就像买 iPhone，上面一定有电话、短信、相机；后面要留足空间给开发者，在相机之上还能做美颜相机，靠的都是基础硬件能力和操作系统的开发接口。

用户把机器人买回家，就像刚开始用智能手机那样，每周下几个 App 试试新功能，直到通过这一堆 App 发现：诶，这机器人好像什么都能干。这是个摸索和演化的过程，而不是机器人一进门就是个什么都会的保姆。

第二个问题，来杰还是那句话：他不想让自家机器人进场打螺丝。在他看来，机器人最大的优势是专业性不会被封闭在某个领域。就像现在的大模型，可以是很好的工作助理，也是很好的搜索引擎，医学、管理、历史、科学都能问，问啥都知道，优势就在知识的广泛性。

机器人也类似。进了家庭，它的角色不一定是个有强迫症的保姆，可以是个有设计师思维的收纳师——做家务之前先问你，家居环境想收拾成什么风格，一丝不苟的，还是随性惬意的？

它掌握十国语言，能给孩子讲外语、说故事；人要是累了，它还能替人去遛狗；下厨之前，也能给出膳食营养方面的建议，诸如此类。

来杰打了个比方：没人会讲今天的电脑只配用 Word、Excel、PPT 这三件套，大家用的是同一种硬件，可上面跑着数不清的软件和游戏。所以他觉得，机器人只进厂打螺丝，这个方向太窄了。

还有一笔账：机器人进场打螺丝，token 费老板们未必肯掏。换成他，肯定不乐意——他希望打螺丝靠固定化程序，每天 24 小时一直转，别打一个螺丝就收一份 token 费。

说到底，进厂打螺丝不是他们期待的方向。