物理AI火了！上纬新材首席科学家最新发声

【导读】上纬新材加码物理AI，首席科学家董豪详解启元机器人的技术路线与商业化探索

中国基金报记者 牛思若

10月25日，启元第5000台个人机器人正式下线，距离Q1、T1两款产品开售仅过去一个多月。

量产提速的同时，机器人业务仍处于持续投入和商业化验证阶段。

10月29日晚间，上纬新材披露2026年三季报。前三季度，公司机器人业务研发投入约3.6亿元，但尚未确认收入；受新业务投入等因素影响，上市公司合并报表归母净利润亏损4.22亿元。

伴随机器人业务推进，上纬新材管理团队也迎来调整，赵刚、高全中、刘东方等具有华为、荣耀等企业任职经历的管理人才进入核心管理层，北京大学计算机学院长聘副教授董豪担任首席科学家、具身研究中心总裁。

对于启元而言，产品量产只是起点。

在启元的规划中，公司希望打造“第一个卖给个人的物理AI”，以消费级机器人为入口，持续推进下一代家务轮式机器人及“启元大脑”研发，让机器人从互动陪伴逐步走向实际作业。

但从“能互动”到真正“会干活”，机器人还需要跨越多重技术门槛。除了提升本体与模型能力，如何获取足够的高质量数据、降低训练成本，也是物理AI迈向规模化应用必须解决的问题。

近日，上纬新材首席科学家董豪在接受中国基金报记者采访时，围绕机器人本体、数据训练、模型研发及商业化等问题，介绍了启元的技术布局。

在他看来，未来具身智能的竞争，不只是硬件或单一算法的竞争，而在于机器人本体、数据和模型能否形成持续迭代的闭环。

从“听懂指令”到“动手干活”

物理AI还差什么？

大模型已经能够编写代码、回答复杂问题，但让机器人整理一张杂乱的桌子，却没有那么简单。

真实物理世界中的每一次动作，都涉及空间位置、物体接触、摩擦及环境变化。机器人不仅需要理解指令，还要具备稳定执行动作的能力。

“具身智能不能只依赖算法模型，也不能只做机器人本体，硬件、数据和模型必须同步迭代。”董豪向记者表示。

在启元的技术架构中，通用大模型与具身模型分别扮演机器人“慢脑”和“快脑”的角色。

其中，GPT等通用大模型主要负责任务理解、复杂推理、记忆和规划；视觉—语言—动作模型（VLA）则负责抓取、整理等具体动作的生成与执行。

董豪解释，如果完全依靠通用大模型控制机械臂，模型需要不断推理物体位置、抓取距离及下一步动作，不仅执行速度较慢，还会产生较高的推理成本。

例如，当用户要求机器人拿起桌面右侧的杯子时，“慢脑”负责理解指令、识别目标，“快脑”则将要求转化为机械臂动作，并根据环境变化进行调整。

董豪将通用大模型比作“教练”，而机器人本体及其动作模型则更像“运动员”。

“通用大模型再强，也需要足够好的机器人本体、操作数据和训练体系作为基础。”董豪认为，不同机器人在机械臂结构、自由度及执行方式等方面存在差异，短期内很难依靠一个通用模型解决所有物理交互问题。

这一技术方向受到机构关注。

中金公司研报指出，通用大模型在3D建模、空间推理、工具调用等方面快速进步，为机器人“大脑”理解空间关系、规划复杂物理任务提供了认知与决策基础。随着通用大模型与具身基础模型进一步融合，机器人“大脑”的技术落地与商业转化有望提速。

记者了解到，启元将持续推进“启元大脑”研发，探索通用大模型与具身模型协同工作的技术架构，并计划在2026年底推出“大脑端”相关阶段性成果。

高质量数据不足

如何突破机器人训练瓶颈？

如果说“快慢脑”解决的是机器人如何思考和行动，那么数据与模型训练决定的则是机器人能否真正把事情做好。

董豪认为，当前具身智能面临的一大瓶颈是高质量数据不足，以及机器人的训练成本较高。

传统机器人训练通常需要真机执行任务，出现错误后再由人工接管纠正，并将相关数据用于模型训练。

“如果只有一台、十台机器人，整机采集还可以接受。但如果要让上千台设备分布在不同城市、不同房间里采集数据，成本和实施难度都会非常高。”董豪表示。

针对这一问题，董豪团队提出HIL-UMI机器人后训练方法，尝试减少数据采集对真实机器人本体的依赖。

简单来说，就是让操作人员使用便携式夹爪演示抓取、整理等动作，模型同步预测自己会如何操作。一旦模型预测与人的实际动作出现明显偏差，系统便识别出需要重点学习的环节，再有针对性地补充训练数据。

与传统方式相比，这一方法不需要反复等待机器人执行、出错和人工接管。

根据研究成果，在清理桌面的对比实验中，HIL-UMI的数据采集效率达到传统真机人工接管方法的5.63倍，最终任务进度评分也有所提升。这一结果仍属于特定实验条件下的验证，能否在更多复杂场景中保持同等效果，仍需进一步研究。

“不是单纯增加数据就能解决问题，关键是知道模型哪里不会，再有针对性地补充数据。”董豪认为，单纯依靠模仿学习难以持续提升任务成功率，机器人还需要通过后训练和反馈学习不断改进。

数据的重要性，也正在成为行业共识。

国金证券指出，数据仍是物理AI发展的核心瓶颈之一。目前机器人训练数据主要包括无本体采集数据和真机数据，两类路径各有优势，未来高质量数据供给将成为影响产业发展的重要因素。

在董豪看来，启元从个人机器人切入，也有着数据积累方面的考虑。

机器人本体不仅是终端产品，也是产生真实交互数据、推动模型迭代的重要入口。随着消费级机器人进入更多实际场景，在满足隐私合规、用户明确授权等条件，并解决数据适配问题后，相关数据有望用于后续模型训练。

这意味着，个人机器人的价值不仅在于硬件销售，还可能通过真实场景中的持续使用，逐步形成“产品—数据—模型”的反馈机制。

董豪向记者透露，按现有条件和采集爬坡速度，公司2027年数据量有望进入并尽量贴近百万个小时级。

从个人机器人到物理AI

商业化如何落地？

技术持续迭代之外，物理AI最终还需要回答一个现实问题：用户为什么要为机器人买单？

目前，启元已经量产的Q1、T1主要面向消费级个人机器人市场，探索互动陪伴、教育娱乐等应用，并非专门围绕复杂家务作业开发。

董豪介绍，下一阶段，公司将重点推进具备更强操作能力的轮式家务机器人研发，在机械臂能力、负载及自由度等方面进一步提升。

在他看来，家庭是具身智能的重要应用方向，但也是难度较高的场景之一。

与工厂等标准化环境不同，每个家庭的布局、物品及生活习惯都有差异。即使机器人能够在实验室完成任务，也不意味着它能够在不同家庭中稳定运行。

对于商业化路径，董豪提出了一个明确思路：与其一开始追求机器人什么都能做，不如先集中资源，解决一项真正有价值的高频任务。

以衣物整理为例，机器人不能只会叠好一件衣服，而是需要逐步具备收取衣物、放入洗衣机、取出、整理及归位等连续作业能力。

“家庭用户不会为需要频繁人工介入的半成品买单。”董豪表示，消费级机器人的核心是让用户真正省心，而不是让用户不断协助机器人完成任务。

他进一步解释，如果某项家务功能只能达到80%甚至90%的完成度，对用户而言仍可能是不合格的体验。只有达到95%左右甚至更高的完成度，才有望形成真正可用的消费级产品。

除了提升机器人对家庭环境的适应能力，启元也在探索另一条路径：让家庭环境变得更加适合机器人工作。

今年9月，启元机器人与尚品宅配共同设立的合资公司正式成立，探索“Robot-Ready Home（机器人友好家）”模式，通过标准化家居空间、场景适配及数据积累，降低机器人在复杂家庭环境中的应用难度。

在董豪看来，机器人要真正进入家庭，需要先在具体场景中建立足够可靠的作业能力，再逐步扩展到更多任务。随着模型掌握的任务越来越多，未来学习新任务时所需要的数据和训练成本也有望下降。

不过，从产品量产到形成可持续的商业模式，仍有诸多挑战。上纬新材此前也提示，机器人业务尚处于规模化量产爬坡及商业化验证阶段，相关技术路线、模型性能和商业化能力仍存在不确定性。

对于启元而言，5000台个人机器人下线只是起点。如何通过真实场景数据积累、模型训练和产品迭代，让机器人从“能动”走向真正“会做事”，才是物理AI下一阶段需要回答的问题。

编辑：格林

校对：纪元

制作：舰长

审核：木鱼

注：本文封面图由AI生成

版权声明

《中国基金报》对本平台所刊载的原创内容享有著作权，未经授权禁止转载，否则将追究法律责任。

授权转载合作联系人：于先生（电话：0755-82468670）