星尘智能来杰谈绳驱机器人：三位一体架构与AI身体设计
机器人是帮助人的，不是替代人的。
喝可乐，很长时间里摆在面前的就两个牌子：百事可乐和可口可乐。挑手机，90% 的概率是在苹果和华米 OV 这些品牌之间打转。买运动服饰，头一个想到的，大概率是 Nike、Adidas。
可世界能这么丰富，恰恰因为巨头之外还有另一类公司：不按老路走，一心想做出差异，看重设计与功能，眼睛盯着明天。
它们的商业模式不走主流，设计、技术和产品能给用户带来别处没有的价值，也足够当社交谈资。关键是，它们没有大公司的包袱，敢不顾一切地往前推。它们，就是「多样性公司」。
多样性是开放世界的关键。爱范儿相信，只有真正关注和理解多样性公司，才能比更多人更早地看见未来。在同名栏目里，爱范儿会以专访的形式和你一起见证：这些多样性公司如何重塑未来，定义新常态。
▲ 星尘智能创始人兼 CEO 来杰
这是「多样性公司」栏目的第 15 篇。
具身智能创业企业如今多得像繁星，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」，整体技术上形成了「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，电机这类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更轻，还带来低摩擦与高力控透明度的优势。
星尘智能的 AOS 操作系统，把机器人感知、移动、操作和交互这些复杂能力打包成技能模块包，与 GPT 6 等前沿大模型和 Agent 适配。开发者用自然语言就能编程，借大模型和 Agent 能力在 AOS 上给机器人开发应用，让机器人写书法、相机跟拍、铲猫屎、打麻将，这些实际应用都能做。
星尘智能创始人兼 CEO 来杰是腾讯 Robotics X 机器人实验室的 1 号员工，也是苹果的粉丝。他希望公司这套「机器人，模型和系统三位一体架构」最终能像苹果的「iPhone 硬件，iOS 系统和 Apple Store 应用生态」一样长成完整生态，借此实现他本人和公司的愿景：让数十亿人拥有 AI 机器人助理。他们的主张是人机共存、共创、共赢，明确反对让机器人进厂打工。这重「人文主义」其实有双层意思：既不愿机器人替代人，也不愿机器人被关进封闭车间。
围绕三个问题，我们和星尘智能创始人兼 CEO 来杰聊了聊：机器人为什么需要一个操作系统，机器人应用开发门槛为什么要降到无限低，以及他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，那时 ChatGPT 发布才没几天，绝大多数人尚未察觉 AI 浪潮将至。您凭什么在那个节点判断，机器人行业已经值得下场创业？
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。
当时 Transformer 还有另一个特征：它正从语言朝多模态演进。我们那时就发现，只要 Token 设计得足够合理，各模态都能在同一个空间里对齐；这跟我此前在腾讯 Robotics X 机器人实验室做机器人时数据驱动的那一步，是同一件关键的事。
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中一起演变的，手、眼睛、肌肉和神经系统其实一直在互相适配。星尘智能提出 DFAI（Design for AI）理念，主张为 AI 重新设计机器人的身体。那么在您看来，今天行业是不是卡在一个问题上：大家总在想怎么把 AI 能力塞进机器人，却很少追问什么样的身体才真正适合 AI 去学习？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。
有一点我们反复在想，比如手：人长出五指，老鹰却是前二后二共四指，原因是什么？最关键的一点，人和老鹰要抓的东西不一样。
抓什么又由谁定？由脑子定。也就是说，是智力决定了身体的构形与长相，而非身体构形长相决定智力。当然两者之间也有相辅相成的共同进化，只是老鹰再怎么进化，也长不出人类的智力。
《智能简史》里提过，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改变。有了这一步，人类才能适应各种工具，把智能的潜力发挥得更好。
所以我们一直在找的那个角色，就是人与智能之间的关系：我们设计机器人，一定要帮它真正成长起来，而它的每一步成长又能被我们的机器人吸收消化——我们要找的，正是这个循环。
星尘智能的 logo 上是两颗相互循环的星。在我们看来，整个行业乃至人类的发展，实际上都有两股力量在互相推动：计算机的发展，就是软件不断消化 CPU 和 GPU 的算力，算力再进化，再被消化，价值就这样循环传导，行业也就跟着跑起来了。
在社会变化的维度上，机器人和 AI 说到底就是智能的平权。智能怎么进化、怎么干活，会转成一个循环。这个循环里最大的突破口其实在物理世界。虚拟世界里，我们已经砸进了大量对智能的关注；等进了物理世界，机器人能自主在这个环境中学习，真正的智能才会冒出来。
Q3：要是把今天的人形机器人看成正在长大的孩子，它可能已经会走路、会跑步，甚至能跳舞，有些方面比普通人还强，可离真正帮家里人做家务还差得远。星尘智能从第一天起就格外看重双臂协同、精细操作以及与环境的接触能力。这条路线是怎么定下来的？在您看来，机器人从「会动」走到真正「会干活」，中间最大的技术鸿沟是什么？
A：这跟我们的理念有关系。机器人身上每一处设计，我们都要看 AI 能不能掌握它。要是自己觉得身体设计得挺好，AI 却掌握不了，那就麻烦了。像当时的 Astribot S1，速度超高、负载超强，人上去操控危险系数有点高，当时的 AI 能力也驾驭不好。所以现在就感觉，身体和 AI 没有真正匹配起来。
整个机器人行业往前走，宇树这些企业已经证明，机器人的身体能力可以做到足够强。再往下，问题就变成怎么把智力提上去。
眼下这波 AI，更多是智力革命，不是机器人革命。
智力革命的意思是，可以更好把机器人当成一个工具、一种实践方式，去学 AI 的智力、用 AI 的智力。
所以我们一直讲，我们设计的机器人是大模型的数据采集者，也是大模型的应用终端。这就是星尘智能给自家机器人的定位。
难点和卡点在哪里？
我看有两块。第一块现在已经被解决了。问题在于，之前大语言模型偏逻辑，因为语言的语料更多。后来原生大模型不把 LLM（大语言模型）和 ViT（Vision Transformer）模型分家，直接放在一起训练，这是很大的突破。机器人有了原生多模型能力之后，对物理环境的抽象理解能力会大幅提升。
但具象的理解能力还是缺的。机器人首先缺这块的数据。现在互联网上的数据，还有数据采集的数据，都没有尺寸的概念，也缺少空间意识，只有画面的意识。
缺了这层认知，机器人的智能就会被卡住。解法只有一个：让机器人提供完整的、偏向空间的具象信息。所以我们这台机器非常好，它给大模型提供这些信息，大模型也会有更好的智力提升；智力提升之后，又会反哺机器人，让它干得更好。
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、机器人数据了。
Q4：是给机器人装 AI 能力，还是围绕 AI 去设计机器人？有没有哪个案例能证明后者比前者有先天优势？或者说，只有后者做得到、前者就是做不到？
A：这里有一些客户的案例能说明问题，不过很多人未必 get 到了。
比如最近有家互联网企业参加行业会议，放了我们的机器人做展示。我刷小红书，还有一些平台上，看到用户评价说这个机器人人味儿很足。
为什么人味儿很足？因为我们的机器人从一开始，关节设计、速度设计就完全参考人的比例。当时的目的就是，有了合适的比例，未来可以直接用人类的数据，这样迁移的 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。最后我们单独买了一台 ABB 的工业机械臂，不是因为它的工业可靠性，而是因为它的结构和人有点像，自由度和人一样，关节和人非常接近。结果就发现，在这台 ABB 工业机械臂上训练出来的模型效果更好。
我们为什么要挑战这种仿人，还用绳驱去实现？因为我们预判到最后的结果是：等有了大规模的人类数据，我们的机器人人感最强。
这种人感不是说它的轨迹像人，而是真正的行为像人。行为像人，既包括它的智力对事情的规划，也包括它最后把动作做出来。
机器人有人感，本质上是它有类似于人的结构和想象力
Q5：星尘智能的绳驱技术让我想到人的肌肉和肌腱：肌肉负责出力，肌腱把力传到骨骼结构上，带动关节运动。星尘的绳驱是不是也能这么理解——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？它是不是也存在类似人类肌腱损伤、疲劳，或者需要持续调节张力的问题？
A：其实我们最早设计绳驱方案的时候，还没考虑跟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。
什么是力透明度？比如人和人握手，你会感觉你和对方的动作是伴随的、和谐的。但人跟机器人握手，就不是你在掰它，而是它在掰你，中间没有随动感。
不只是握手。比如现在很多机器人夹住咖啡杯放下，都是判断咖啡杯快接近桌面的时候松手，然后啪的一下，杯子落在桌子上。人不会这样，人是感觉到桌子接触并支撑了杯子，才松手。
这里面的问题在于，很多机器人的电机结构没法感受到末端力的变化，所以只能等杯子接近桌子的时候让它落下。
我们选绳驱，是想找一种能让力的传递过程更透明的传动机构，借此学到更深层的智能关系。靠绝对位置去判断杯子放多高松手不会倒，这不算智能。感觉到杯子已经被桌子撑住、手上不用再使太多劲、可以松手了，这才叫智能。
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，构形也跟人很像。整个结构不用把电机塞进关节、手腕这些地方，没了这个约束，电机就能放进小臂，靠绳、靠「肌腱」把力传到关节。
2024 年做绳驱国产化时，我们撞上一个更大的惊喜：全球大概 70% 的绳驱源头供应商都在中国，成本非常低。拿谐波减速器比，全身从上到下的绳部分取代了谐波的减速作用，20 多个关节加起来才是刚性机器人 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，这就是绳驱的优势所在。
起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：供应商的样品在我们这里要经过 2500 万次弯折，相当于带着使用负载弯胳膊 2500 万次，一天 24 小时连续运动 6 年时间，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。
这里头有两个问题：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，但更多还是偏重自己在物理世界里的物理反应。
换个更贴近人的说法。比如我不会做饭，可我又想做，怎么办？给我妈打视频电话，她在视频里指导：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自己学会，因为我妈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中感知物理参数，包括重量、捏的力度、有没有抓稳这些。
所以我不太认可是不是 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。不是说做不到，而是成本不合适，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，问 GPT 6 说我捏不住、有点不稳该怎么办，GPT 再给它方案。
我们不是要把整个智能世界分层，而是有点像智能体化。
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、做被动的事情。
Q7：世界模型如今在具身智能行业里越来越受重视，它是不是有点像人的「想象力」？倒水之前，人脑子里往往已经大致预判出水会怎么流、倾倒角度如何影响流速、杯子什么时候会满，所以不必每一步都精确计算。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，它解决的是哪类问题？「隐式」指什么？这套能力和人的想象力相比，又有哪些相同和不同？
A：Lumo-2 的预测能力跟人类的想象力非常接近，不过中间有一个世界模型发挥的点。
人做一个动作时，一直想的是自己预期有个目标，然后做的是跟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，中间执行过程中的差异都可以想办法纠正。
既然误差已经产生了，目标是纠正它，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，我们把试错和纠错的闭环搭好，具身智能的结构就完整了。
这个隐式世界动态预测能力里的隐式是什么意思？就是说世界模型是对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，不管是渲染成视频还是渲染成图片，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。就像人做梦时，梦境模模糊糊，但行为却是透传的。所以我们回忆做梦，环境往往是模糊的，做了什么却很清楚。
来杰还解释了什么叫隐式世界模型：不必把一切做成给人看的画面，机器人真正要的是从中找到与自身动作相关的预测和偏差。
在他看来，星尘智能眼下的机器人还达不到iPhone 4那种水准，不过距离那一步已经很快了。
Q8：机器人为什么需要一套自己的操作系统？AOS该如何定义，它服务的又是哪一类人？
A：创业那会儿还没有具身智能这个说法。来杰觉得，这个行业要往前走，必须冒出Macintosh那样的产品。当时他判断，有两样东西得在行业演进中找到：一是电脑上的图形交互界面；对机器人而言，除了常规的命令与图形操作，能把AI能力调用起来的地方，会构成一种新的交互界面。
因此AOS中专门设了一层，用来和基础大模型以及星尘自研的具身模型做接口层面的规划。
AOS面向的不只是开发者，来杰想把开发门槛压到普通人也能迈过去。眼下已经有不少人用自然语言生成PPT、视频甚至应用，那为什么不能让普通人用AI为机器人产出相应的能力和动作？这就是他们的目标——用户想要什么，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人人可及。
所以AOS既要让程序员读得懂，也要让普通人读得懂，当然还得让GPT读得懂。
Q9：星尘智能常拿苹果那套「硬件、系统、应用生态」来比喻自己的「三位一体」。若以苹果产品史作参照，星尘现在的S1机器人、T1机器人以及AOS操作系统，大致处在苹果的哪个阶段，是否存在对应关系？苹果的硬件尤其是操作系统，技术传承脉络很清晰：iOS可以看作移动简版macOS，二者都是基于UNIX的图形交互系统，而macOS又源自乔布斯更早做的NeXTSTEP。
A：来杰说这个观察很准。公司层面他一直盯着的就是传承——哪些东西是要统一起来的。
至于和苹果软硬件系统的对应，他们仔细琢磨过。来杰把苹果两次发展的背景环境做了一番筛选，发现其路径和做法有相似之处。
iPhone诞生时，互联网基础设施已经完备，这才有iPhone的爆发；而Macintosh问世之际还没有互联网，它更多是一台硬件终端。
但要说星尘现在到了什么程度，来杰笑称恐怕要让人失望了。
S1对应电脑阶段，最多算Apple I——就是卖了300来台的那个。苹果从Apple II开始卖火，Apple II对应他们的T1，但还没走到Macintosh，也就是T1还没有属于自己的完整图形交互界面。
若对应手机，S1和iPhone初代也有点像：iPhone初代颠覆了键盘手机，系统有开创性却不完善，续航也差，自身的短板和外界质疑都很多。
但要说T1对应iPhone 4，来杰觉得有点勉强，毕竟iPhone 4公认已经相当成熟了。
不过有一点，这个行业的发展速度连圈内人都没料到会这么快。照他的判断，Macintosh、iPhone 4级别的爆款机器人产品，明年就会出现。
▲ 星尘智能的机器人正在商场卖货
Q10：具身智能或许第一次让机器大规模参与到普通人的体力劳动中。您说过，希望未来数十亿人都能拥有AI机器人助理。可家庭是高度复杂、充满意外的环境，如果把今天的机器人看作一个刚开始认识世界的孩子，它要成长到什么程度，才能真正独立走进家庭？假如这个愿景成真，您最希望机器人帮人类摆脱什么，又最不希望它改变人类生活中的什么？
A：先答第一个问题。按现在的技术进展，可能比大家想的近得多，来杰认为明年机器人就很有机会进入家庭。
从商业上看，进家庭的关键在成本和功能，两者之间存在对等关系：成本足够低，功能就不会强；可功能不够强，进家庭又能做什么？他觉得不只是帮忙拿拿东西，肯定还得提供情绪价值，而情绪价值是能卖钱的。
他希望机器人有一个什么都能做的硬件平台，再配一个什么都能做的可发展操作系统。基础的东西由他们开发给客户，就像买了iPhone，上面一定有电话、短信、相机；之后要留足空间给开发者，在相机之上还能做出美颜相机，靠的都是基础硬件能力和操作系统的开发接口。
用户买到机器人后，会像刚用智能手机那样，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，而不是机器人一进家门就是个什么都会的保姆。
第二个问题，来杰一直说，他不想让自家机器人进场打螺丝。机器人最大的优势在于专业性不会被封闭在单一领域。比如现在的大模型，既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，也可以是个有设计师思维的收纳师——做家务前先问你，家居环境要收拾成什么风格，一丝不苟的，还是随性惬意的？
它掌握十国语言，能给小朋友讲故事、教外语。
人要是累了，遛狗这活儿也能交给它；下厨之前，它还能给出膳食营养方面的建议，等等。
我们不会说今天的电脑只能跑 Word、Excel、PPT 这三样。人们用的就是电脑这一种硬件，可上面装着数不清的软件和游戏。所以我才说，机器人只进工厂打螺丝，路子太窄了。
还有一点，机器人真进了厂打螺丝，token 费老板们未必肯交。换我是老板，肯定不乐意。打螺丝我希望是固定化程序，一天 24 小时不停转，别打一颗螺丝就收我一份 token 费。
所以说，进厂打螺丝不是我们期待的方向。
