启元机器人5000台下线：不做家务终局，锚定个人物理AI

新智元报道  

启元机器人传出消息，5000台已经下线。

启元机器人具身研究中心负责底层算法研发，对外给出的目标很明确：做出第一个卖给个人的物理 AI 机器人。行业里多数人把眼光放在远期的人形机器人上，启元团队则有不同判断——Physical AI 是大语言模型走进真实物理世界的关键中间环节，2027 年这个赛道可能迎来关键突破窗口。

Q1、T1 已经量产上市，是启元面向 C 端的第一代硬件产品，但这两台机器在启元看来并不是家务作业机器人的终局。Q1 定位小尺寸全身力控人形机器人，T1 主打轮足‑四足可变形形态，它们更多解决硬件稳定性、安全入户、陪伴交互的问题；真正面向家务作业能力的轮式机器人 H 系列还在迭代，与它配套的「启元大脑」才是整套体系的核心。

海外路线各有短板。π 路线靠真机反复试错，任务成功率高，可规模化很难，泛化也有限；UMI 类手持采集能把样本规模放大，泛化表现好，但任务成功率很难自然拉满。

启元想把这两条路线捏到一起：既保住真机上的成功率，又借便携式采集把规模做上去。

启元这套技术框架搭在快慢脑分层上。思路取自人类双系统的认知方式，把机器人的思考和执行分成两块来处理。

慢脑这一层是S2，由GPT‑6 Astra等大语言模型担纲，管的是高层次的任务理解、逻辑推理、长任务规划以及记忆调度。说白了，它就是机器人的思考中枢。

视频号里的演示能说明慢脑的价值：机器人一边要弄懂大富翁游戏的复杂规则，一边能中途转去叠衣服，叠完再回来接着玩。这种跨任务、长周期的认知能力，靠的正是慢脑。

不过团队也讲清楚了，通用大模型并不擅长直接接管底层动作。真要让GPT类模型去抓取、整理桌面这类精细活，每挪一点点都得反复想一遍，抓一次花上半小时都有可能，Token成本还高得吓人。

更复杂的操作它同样做不来，思考的大脑没有「作业手感」。所以高层规划归慢脑，真实世界里的动作生成，得交给自研的S1快脑，也就是视觉‑语言‑动作模型VLA。

VLA 接的是叠衣服、整理桌面、柔性物体操作这类活，慢脑把任务指令发下来，它负责快速输出高频连续动作。分工有点像人脑：慢脑定目标，VLA 管落地执行。

真正上场实操的运动员，是 VLA、机器人本体，还有围绕本体攒下来的遥操作与 UMI 示范数据；GPT 更像个场外通用教练。通用大模型迭代能放大现有模型的能力，但这套跟硬件深度绑定的具身能力，它替代不了。

团队也提醒，短期内很难冒出一套通吃全部硬件的 VLA 模型。拿自动驾驶做类比：场景复杂度比机械臂物理交互还低，行业到现在也没做出真正跨车型通用的自动驾驶模型。

机器人得应付摩擦、形变、柔性物体和密集接触，VLA 必须跟特定本体耦合训练，模型、数据、硬件三者绑在一起迭代。往后基座模型不管来自内部自研还是外部合作，数据采集、训练与验证都得在自有硬件平台上跑完。

眼下启元对 GPT 只是做 API 调用。放长看，如果通用大模型能读懂视频流、空间关系和动作序列，就有机会在强化学习里当 Reward 模块，提供通用监督信号，帮着把家务任务的成功率往上推。

数据采集是具身机器人绕不开的现实瓶颈。光堆示范数据，补不齐模型的短板；难的是准确定位模型不会什么，再针对性地补样本。

传统 HG‑DAgger 模式及其衍生方法，走的是机器人先执行、出错后由人类接管纠正的路子，纠正数据回流到训练里，模型效果一轮轮修正，成功率往100%逼近。

问题是这套流程死死绑在真机上，迭代速度被硬件执行速度拖住，采集效率很难提上去，想铺开百台、千台乃至万台机器到不同地方采数据，不好办。

启元近期拿出了Hil-UMI范式，想拆掉真机这副枷锁。所谓UMI，是一套不用机器人本体到场的便携夹爪，操作者握在手里就能直接做任务示范。这套东西天生适合上规模采数据，可它有个老毛病：没法告诉人该针对模型的薄弱处去采。Hil-UMI补上的正是这一环——数采员在采集过程中，模型同步分析哪些时刻、哪些动作还需加强，再反过来指挥数采员补录。

整理桌面的对照实验里，Hil-UMI的采集效率是传统真机 HG‑DAgger 的5.63 倍，任务最终完成度也更高。左图是四项任务平均分随累计采集时间的变化，右图是整理桌面任务中各方法随训练阶段的表现。

换句话说，这套机制不再干等机器人犯错，采集阶段就盯着模型盲区去。新采的数据先拿去更新模型，新旧样本混在一起训练，如此反复：识别短板、定向采集、模型更新、再识别短板。

前面提过，UMI夹爪本身有一定本体解耦能力，换个法兰盘就能适配不同机械臂。这给未来的众包采集留了想象空间：不必把大量整机设备运到各地，只发便携式采集单元，就能在成千上万个不同家庭、不同环境里收集人类操作轨迹。

启元还一再强调：数据质量比数量更要紧。劣质样本不光耗人力，还会大量吃掉 GPU 算力，让训练 Loss 出异常。所以算法团队和数据采集团队从源头就协同起来，把模型需要的先验知识提前塞进采集环节。

模仿学习本身有天花板。团队拿 AlphaGo 和大模型 RLHF 作类比：光靠示范数据学，很难越过人类水平，机器人一样得做后训练、上强化学习。

说到底，HIL-UMI范式关键不在用哪个底座模型，而在于它证明了：不必过度依赖真机，靠UMI采集链路也能做后训练，把任务成功率提上去。

按眼下的爬坡速度，启元打算到 2027 年把自身数据规模推到百万小时级别。但团队心里清楚，百万小时离真正的通用具身智能还差得远。要想摸到 GPT‑6/GPT‑7 那种物理世界泛化水平，数据量得做到千万甚至上亿小时。

拿叠衣服来说，想让机器人在家庭场景里稳定泛化，至少得覆盖一万个家庭、几十万件不同衣物。数据能力的提升也不是简单堆时长就能线性往上走——单一场景的数据一旦饱和，再往上加小时数，边际收益掉得很快。说到底，关键还是任务、物体、环境的多样性。

算力这边，启元目前是数千卡集群的规模，跟大模型公司比不算多。但具身智能训练和大语言模型有个本质区别：训练主体是高冗余的视频流，帧与帧之间重复信息太多，有效信息密度低。在 5000 卡规模、40% MFU 利用率的条件下，按传统不做特殊优化的训练方式，跑完一个 Epoch 要 3‑6 个月。

这就逼出了对视频训练基础设施的迫切需求。图片、文本大模型那套训练管线没法直接搬过来用，得做筛选、压缩、表征重构。

再往后看，目标是把上下文窗口从十几秒拉长到小时级，甚至天级别，让模型能完整消化机器人一整天的任务经历。团队认为，到这一步才会出现 In‑Context Learning 层面的质变。

消费级家务机器人最大的坑，就是实验室演示和家庭真实体验之间的那道鸿沟。

启元机器人定了一条硬标准：面向普通家庭的 C 端功能，任务完成度得做到 95% 以上，才算具备商业化条件。89%、94% 在用户眼里依然是不合格的半成品——消费者不会为需要频繁人工介入的产品掏钱。

所以公司没有一上来就追求全任务通用，而是把资源集中起来，先打穿一个家庭 Killer Application。以衣物处理为例，收衣、送洗、晾晒、折叠归位是一条完整链路，单点碎片化的功能没有产品价值。

Q1 和 T1 已经量产，不过这两款产品从设计之初就不是冲着原生家务作业去的。接下来接棒家务活的，是新一代轮式 H 系列，手臂更强、负载更大、自由度也更高。

启元Q1

启元T1

直接面向家庭之外，团队还在物色「家庭同构环境」。酒店、样板间都算这一类，空间结构化、任务复杂度可控，正好拿来当商业化验证的场地。

另一条要长期走的路叫 Robot‑Ready Home。让机器人一步适应所有存量家庭并不现实，换个思路：先把泛化边界控制住，同时让家居环境去配合机器人。

2026 上半年，启元和尚品宅配合资成立了一家子公司，盯着家装、地产结合的方向做探索。打法是在边界可控的样板间里先把能力磨出来，再往普通家庭渗透。版本会滚动迭代，2026 年底计划发布大脑端的初步成果，之后持续对外放出 Zero‑Shot 泛化基准测试。

To C 本体还有一层价值常被忽略：它本身就是 Physical AI 时代的基础设施，地位类似大模型时代的 GPU。等终端规模做到万台、十万台级别，在合规、用户明确授权的前提下，终端回流的视频、图像数据量，会远远超过外包采集或 B 端项目能拿到的数据。

当然，Q1/T1 眼下产生的数据还不能直接拿去训练。得等采集设备配套改造到位，再靠「机器人养成计划」引导用户自愿参与数据贡献。

消费端硬件从样机走向量产，同样是一道硬坎。十几台做到千台、万台，良率、供应链、制造与模型迭代得同步跟上，哪一环掉链子都不行。启元方面的说法是，自家已经先把消费机器人的规模化量产路径跑通了。

外面有一种担心：GPT‑7、GPT‑8 的能力再往上跳，甚至把 VLA 能力直接做进模型里，具身机器人创业公司还有没有活路。

启元的看法是，GPT 这类大模型是行业公共资源，谁都能调。能不能用上强通用模型，并不构成差距；差距在于手里有没有配套本体、高质量操作数据集和完整的训练闭环。

语言大模型能给出高层认知，可它缺“燃料”——跟硬件绑在一起的物理交互数据。规划能力再强，落不了地也白搭。OpenAI 自己也要下场做硬件，逻辑是一样的。

眼下算力并不是最大的卡点，千卡到万卡集群基本够用。行业里真正缺的是高质量具身数据，以及更高效的数据采集和后训练范式。国内在数据供给这一头有地缘优势。

海外两条路线各有短板：π 路线靠真机反复试错，任务成功率高，但规模化难、泛化有限；UMI 类手持采集能把样本量做上去，泛化好，可任务成功率很难自然拉满。启元想的是把两条路合到一起，真机成功率保住，规模化的问题交给便携式采集。

Physical AI 的完整体系分三层：S0 管运动控制，S1 是执行层的 VLA，S2 负责高层认知规划。

启元机器人团队此前做大规模大模型训练，处理过数十万小时量级的数据。按他们的设想，未来更接近苹果那种模式——硬件终端、数据入口、模型能力三者绑在一起，而不是只卖算法模型。

不过风险也明摆着：百万小时数据能不能按期爬上去，训练基建的工程难度有多大，C 端硬件量产时的良率扛不扛得住，家务场景能否越过 95% 的体验门槛，Robot‑Ready Home 跟地产家装的商业模式又能不能跑通。

Physical AI 是条长链条，哪一环掉队，整体落地节奏都会被拖慢。

对启元来说，Q1、T1 顶多算一张入场券。物理 AI 真正的较量，发生在硬件、数据、模型彼此咬合的那套闭环里。