星尘智能来杰：机器人应用不该只由工程师写，AOS要做具身生态入口

2008年7月10日，App Store上线首日只有500款应用，翻几页就到底了。乔布斯后来回顾时，称这是自己职业生涯中规模最大的发布之一。

数据看着单薄，却开启了一套全新范式：普通人不用是苹果团队成员，也不用拿到官方特许，就能给一台通用计算设备开发应用，供全球用户下载。

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

十八年后的2026年秋天，深圳湾生态园里，相似的“第一天”正在发生。

总决赛有17支队伍，历时36小时，参与者来自高校、产品、设计等不同背景，有人完全没有人形机器人或完整App开发经验。他们把日常生活里细碎又真实的痛点变成具身机器人能执行的任务——外出旅行无人清理的猫砂、等待收料和重启尾的3D打印工件、需要代为收取的快递，等等。

16款应用在现场最终完成真机迁移，上机率94%。三站比赛共做出47个App，验证了一件事：工具链足够完整时，非专业开发者也能做出在物理世界运行的机器人应用。

这些原型或许还稚嫩，却直指具身智能长期忽视的应用盲区。业界的目光集中在机器人运控精度、模型能力、本体仿生度等单点指标上，更根本的命题很少被追问：机器人应用由谁创造？普通用户能不能低成本入场？应用开发完成后，怎么复用、扩散，长出可持续的商业循环？

资本热潮终会回落。融资叙事退潮之后，具身智能靠什么穿越周期？突破口或许不在更强的模型或更精巧的本体里，而在应用创作者的入口——这场黑客松就是一次提前验证。

假如机器人只是预装固定功能的封闭硬件，开发权限牢牢攥在少数工程师与专业团队手里，应用供给注定难以匹配海量、分散的真实场景需求。

星尘智能的答案不是打磨某一项单点机器人能力，而是搭建AOS（Astribot OS，具身操作系统）这层中间底座：向下对接大模型与具身本体，向上面向开发者与终端用户，让用户和AI都能便捷调用机器人能力。

和硬氪交流时，星尘智能创始人来杰多次拿苹果作参照。

来杰认为，苹果做成的其实是两件事：参与开发的门槛降下来了，普通人用起来也顺手了。图形交互界面把终端的操作变简单，操作系统和开发工具压低了创作成本，App Store则承担起应用分发、复用和商业化定价的职能，一条连接创造者与使用者的通道就此打开。这四层彼此咬合，形成一个能自我循环的连接生态。

星尘对具身智能生态的设想同样如此。绳驱本体、自研模型与AOS组成三位一体的全栈架构，其中AOS并非给某台机器人配的软件，它是具身应用生态的入口：用户不必弄懂原理，说一句话就能生成机器人APP，把真实场景中的需求变成可执行的具身任务。

黑客松提供了一个可被记录的起点。曾经诞生于互联网时代的范式转移，如今正在物理世界里重演。

01

通用模型填不平物理世界鸿沟

最近两年，具身智能赛道的人力和关注点基本压在两头：一是把机器人本体的性能做得更强，二是把具身基座模型的泛化能力迭代得更好。技术演示Demo一个接一个，场面热闹，可真能落地现实场景、稳定跑通、还能高频复用的机器人应用，依然少见。

GPT-6 Astra出现之后，路线上的分歧被放得更大了。市场里慢慢冒出两种针锋相对的主流看法：一种乐观地讲“全量上云”，觉得通用大模型已经够强，直接接上机器人本体，靠泛化能力就能包揽所有物理任务；另一种则走到反面，认为云端大模型对物理世界无从下手，一切任务都得交给专用具身模型闭环处理。

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。两种说法看似对立，其实都犯了同一个毛病：对技术能力做简单的线性外推。

星尘智能创始人来杰的看法是，答案并不在这两端，关键在于搭出一套“既要又要”的协同范式：通用模型的抽象理解能力要留着，物理空间的感知、力控和轨迹执行则交给具身模型，中间用一层底座把两边的能力双向打通。

要理解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：用三支笔在桌面上摆出箭头，指令机器人把东西放到箭头指向的位置。通用大模型一眼读懂了这条抽象指令，但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。

这个测试直观暴露出不同模型各自的短板。通用模型本质上是擅长高层意图拆解的“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与接触，却缺少对抽象符号、模糊意图的解读能力，需要通用模型先完成语义层面的理解。

这场试验让来杰琢磨起一个问题：能不能在设计阶段就让两类模型分工互补，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与操作能力捏到一起，统统用到机器人身上。

看着不复杂的一个任务，背后要过任务规划、接口适配、动作控制、异常处理好几道关。会软件的人不一定懂具身运动控制的逻辑，机器人工程师又容易跟真实的产业需求脱节；哪怕是专业团队，也没法事先把居家、生产环境里海量的长尾场景想全。

“大模型的推理能力越往上走，就越得有一层中间底座去接住物理执行。”来杰说，模型在智力上的跃迁，并不能顺带把数字逻辑和现实物理之间的那道沟填平。

他拿生活里的场景打比方：母亲隔着视频教他做饭，放油、下菜、调味、控火，整套流程讲得清清楚楚，大模型也能看懂、能复述。可对话里说一句“手臂往前伸一点”没问题，锅铲握到什么角度、使多大劲、临场怎么微调，这些细节语言根本说不精确，只能到现场靠实时感知闭环去解决。

星尘T1正在厨房炒菜

物理世界的底层约束摆在那里，云端大模型注定没法包揽全部。来杰的看法是，通用智能和具身智能谈不上谁替代谁，更像分工明确的伙伴：一个负责理解意图，一个负责落到物理世界，价值互补，各管一段。

眼下真实的缺口也在这里——行业需要一层稳定可靠的翻译层，把大模型吐出来的抽象意图，变成机器人能稳定复现的动作原语。星尘智能AOS要解决的核心问题就是这个。

作为承上启下的中间底座，AOS得同时伺候两类对象：一头给普通人提供直观好用的交互方式，另一头为AI开放可解析、可调用的底层接口。

“以前我们设计接口，默认对面坐的是程序员。现在不行了，接口不光要看程序员能不能看懂，还得考虑GPT能不能看懂。”来杰说。

要是AOS还按老思路走，把底层控制逻辑封装成只有工程师才读得懂的复杂代码，那GPT推理能力再强，也很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，想法一堆，真到“倒油”“拧瓶盖”这种精细动作上就卡住了。

所以AOS做了两层能力抽象：往下，接具身模型和本体的物理控制链路，把执行能力封装成可调用的技能包；往上，输出标准化协议，没有编程基础的创作者也能用自然语言定义任务，一句话生成机器人APP。

这套方案放到真实物理环境里，星尘智能AOS研发总负责人安昭辉用“任重道不远”来概括：把大模型指令转成稳定可靠的物理交互，还有大量工程难题要啃，这部分不会随着模型能力提升自己消失；但上层基础模型的能力已经跨过关键门槛，加上AOS接口体系持续完善，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，键盘敲击声混着选手偶尔压低声音的讨论。代码推演出来的完美逻辑，到了这里总要被物理世界的条件一遍遍校验。

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

传统开发模式下，硬件、算法、应用团队各推各的：硬件管驱动，算法管控制逻辑，应用层搭业务流程。等到联调阶段，接口不匹配、时序冲突这些问题集中冒出来。一项功能从立项到真机验证，动辄数月，长的要半年。

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

拿下比赛冠军的“远程分身”团队，由三位还待在实验室阶段的学生组成。他们盯的是程序员加班没空顾家、家里有事搭不上手的痛点，借鉴AI Agent的思路做了一款手机遥控机器人的App，相当于一个简易的“Robotic Harness”。

底层开发他们一行没写，一套严密的底层机制自己就转起来了：用户在手机端下发“浇花”指令，AOS已经把底盘（移动、导航）、浇花（操作）这些Meta包的协同关系和工作顺序排好；机械臂伸向水杯的那一刻，背后是花瓶识别、抓取路径规划等Meta包在跑。

实际抓取时，Lumo等具身模型充当“反射弧”，处理接触感知和力控闭环，毫秒之间算出抓取力，去适应复杂的真实环境；最后绳驱本体完成物理执行，再把真实反馈传回来。用户就算连续下达浇花、铲猫砂、倒水这类并行任务，AOS也能自己把底层接口调度做完：划定权限边界、校验控制授权、流转任务节点、捕获运行异常，整套流程有序推进。

“远程分身”团队真机试验环境

可真到了真机阶段，不少没怎么碰过硬件的团队还是栽了跟头。他们原本打算让机器人一边前进一边取水杯，这套复杂指令刚下发，硬件就当场卡死。赛后有人回忆：“我们的App里塞了很多原子能力，会一路调到关节链最底层的控制权。结果一上真机，几个底层功能包就开始争抢底盘和机械臂的控制权，彼此冲突不断，仲裁问题很严重。”

软硬件一体打磨的价值也在这里显出来。原生的AOS和Lumo模型、本体形成全栈闭环，能直接读取底盘惯性、关节限位这些原生硬件数据，在底层把能力规范和权限仲裁做完，从根源上避开不同动作争抢资源。

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，这得七八个人协作二到三月。

一位驻场导师在赛后复盘时说：“很多开发者觉得，只要在仿真里把Demo跑通了，真机交付自然水到渠成，却低估了物理世界的复杂程度，也低估了机器人App的开发难度。本体、模型和OS只有按同一套接口规范做协同设计，大模型给出的意图才能真正落地成物理世界里的动作。”

原生全栈设计带来的能力并不只体现在单个模型能被稳定调度上，它同样给第三方具身模型留了接入的余地。同一场比赛里，就有团队用AOS的统一接口跑通了不同VLA模型的接入验证。

硬件本体是整套体系真正踩在地上的那层底座。在宣纸上写毛笔字，是“笔走龙蛇”团队给机器人出的题——要的是本体的稳定性和精细力控，也让星尘智能绳驱本体的差异看得更直接。星尘T1在宣纸上写毛笔字自研本体还有一层更深的价值：关节限位、惯性、力矩响应这些物理特性被原生开放给AOS，调度逻辑本身就带着物理层面的约束。模型、系统与本体如何协同，在这里有了具体的样子。

黑客松现场，不少团队没去硬啃复杂的机械运控，而是挑轻巧的场景切入，想摸摸具身智能进入消费市场的潜力。亚军项目“摄影大师”就是其中一个样本。GowithFlow团队由两名港中深学生组成，他们绕开了景区机器人卖零食饮品那条红海，盯上游客拍照出片难、缺人帮忙运镜的痛点，借AOS试自动构图和移动跟拍。这门能力将来有机会变成景区里的付费服务，让机器人本事直接换成生意。亚军项目“摄影大师”

“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。”比赛期间，驻场导师用这个比喻点破了星尘技术路径背后的战略考量。往下把底层复杂度收拢，往上把标准化能力放开，具身智能的生态只有搭在这套底座上，才算真正开始长起来。

03

做具身时代的App Store

把星尘智能AOS放进技术演进的坐标里看，它更像隔了十八年的一次范式呼应。苹果那段产业史被反复提起：Macintosh用图形界面（GUI）换掉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”，创造和使用的门槛由此大幅降低，电脑也从极客的玩具变成大众的生产力工具。这之后，一款叫MacPaint的小软件让无数人第一次体会到用电脑画画的乐趣；MacWrite文字处理器出现后，作家们把打字机彻底丢开了；掀起电子表格VisiCalc变革的，则是一名商学院学生不想反复手算财务习题的朴素念头。

这批人没碰过专业计算机开发，全凭狂热和洞察力，在底层系统上开辟出一个庞大的商业世界，“程序员”也由此成为一个全新的职业群体。具身智能时代同样在等这样一层连接软硬件的“新界面”。在来杰看来，AI与机器人的结合，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之后，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，物理世界层层压过来的挑战需要企业持续应对，模型、系统、本体的能力缺一不可。

基于此，星尘智能把自身定位说得很明确：不局限于本体厂商，也不止步于单模型公司，而是做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，本体划出物理交互的边界，AOS则决定能力如何被组织、被开放、被复用。

必须承认，现阶段的AOS还是具身生态的雏形，不能等同于“机器人时代的iOS”。一个生态能不能真正成立，长期要看多重变量：接口稳定性、仿真与真机一致性、开发者收益机制，以及终端用户的真实需求。这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、工作经验和创造力。星尘智能黑客松现场

密集开发的过程中，星尘智能一直在观察：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组合进新应用，平台的复用价值就显现出来了——AOS生态的演进逻辑正在这里。

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。

苹果早年的路数可以拆开看：硬件定价压得住，进场的人就多，客户和开发者一起被吸进来；真正扛赚钱任务的，是软件、工具和增值服务。硬件、OS、工具、应用、收益，一环咬一环，转出一个能自我循环的生态。

星尘的商业化也是拾级而上。第一步先接商业场景的定制交付，让技术在真实工况里过一遍可行性验证；第二步面向科研群体，用SDK和专业模块把软硬一体做成服务；更远的打算，才是往消费市场走。AOS要干的，就是把最底下那层路基铺到普通人脚边——让每一份不起眼的创造力，都能在物理世界里听见回响。

一级市场的冷热本来就轮流转。模型的价值一旦被重新掂量，全栈能力和生态搭建的分量会再浮上来。智能手机、新能源车、高阶智驾，几轮产业起伏反复说明同一件事：只有咬住真实落地需求，企业才熬得过周期。