从生成模型到具身智能：一条技术演进的路径
沈宇军的AI探索始于清华大学大三暑期实习——彼时商汤科技刚成立，他由此踏入人工智能领域，并在毕业后加入港中文跟随汤晓鸥教授深造。起初他对图像检测、分割等主流任务兴趣有限，更倾向于“能真正生成一张图”的技术，于是转向生成模型研究。从早期对抗生成网络（GAN）入手，他逐步深入到图像编辑、预训练与表征学习，形成了一条从下游应用向上游基础模型演进的技术路径。
他提到，GAN虽在图像生成上取得进展，但计算效率低、难以控制生成过程，尤其在复杂内容（如视频）生成上远逊于扩散模型（Diffusion）。团队曾坚持对GAN做scale up尝试，最终虽发布模型并沉淀技术，但仍视为一个阶段性的句号。值得注意的是，GAN中积累的双模型对抗训练机制本身仍有独立价值，未来可能迁移至其他任务场景，而非局限于图像生成。
“它最大的问题还是计算量的利用效率太少了……对于生成特别复杂内容……干确实不一定是一个最好的选择。”
“GAN本身是就对抗生成网络嘛，它其实里面核心的一个技术还是在对抗上……之后应该还是会有用处的。”
从视觉到机器人：寻找物理世界的“用武之地”
毕业后，沈宇军加入字节跳动，将博士期间的图像编辑技术应用于抖音特效开发，如性别变换、年龄模拟、人物无缝换脸等，推动了多个爆款玩法落地。然而他逐渐意识到，计算机视觉在数字世界的应用已趋饱和——人脸识别、自动驾驶是仅有的两大规模化落地场景，而其他方向尚未形成强产业价值。
2024年，他转向具身智能领域，核心动因是：视觉虽是数字世界的工具，却是物理世界机器人的强依赖；而机器人作为“物理世界智能体”，能真正释放视觉技术的潜力。这一判断与蚂蚁集团战略高度契合——作为深耕数字生活服务的平台，蚂蚁亟需将服务能力从数字世界延伸至物理世界。同年底，蚂蚁正式孵化子公司“蚂蚁灵波”，专注机器人原生基础模型研发，沈宇军随之加入并担任首席科学家。
“视觉可能是在数字世界……它不是一个主要的发挥作用的一个地方，用武之地不够啊。”
“在物理世界离开视觉，机器人肯定是没办法工作的。我觉得这是一个对视觉的强依赖。”
从研究到创业：直面产业的真实挑战
沈宇军的职业轨迹经历了三重转变：字节（产品驱动）、蚂蚁研究院（研究驱动）、蚂蚁灵波（产业驱动）。在研究院期间，他一度陷入对“什么是好研究”的迷茫——论文引用量是否等于价值？直到加入灵波，他才真正感受到技术探索与产业需求的深度耦合：机器人领域尚处技术收敛前夜，既允许大胆试错，又要求直面真实部署、通信、控制等复杂工程问题。
他坦言初入机器人领域时“太天真”，原有知识体系远不足以应对模型部署、软硬件协同等新挑战；但团队从不足十人迅速壮大，也印证了该方向的紧迫性与潜力。他强调，成立独立子公司而非保留为研究机构，是为避免“技术与产业脱节”——唯有以真实业务为目标，才能推动技术真正落地。
“想做跟真的开始做完全不一样……有太多技术栈超出了我本来的认知。”
“既然要干，那我们就变成一个真实的业务来干，而不是把它变成一个研究性质的，就是试验试错的一个团队去做。”
从认知偏差到技术敬畏：创业初期的双重冲击
在灵波成立之初，团队对机器人领域的复杂性存在明显认知偏差——“想做机器人”和“真正开始做机器人”之间存在巨大鸿沟。创始人沈宇军坦言，尽管早期具备视觉与模型层面的基础理解，但一旦涉及机器人落地，通信协议、部署流程、软硬协同等技术栈远超原有认知边界。更关键的是，真实场景中的传感器噪声远非学术界干净数据集可比，这迫使团队重新审视“从数字世界迁移模型”的可行性。
另一个深刻感悟来自团队成长的动态过程：从初创时不足十人，到持续扩张为行业重要力量，整个过程是“一边学习、一边被行业推着走”的奇妙共振。这种节奏既带来挑战，也催生了快速迭代的适应能力。正如其所说：
“机器人这个赛道有太多我不了解的东西了……真的说，比如说把一个模型用到机器人上，怎么去部署，怎么去调里面的通信什么，我感觉有太多太多的技术栈是超出了我本来的认知。”
“一边在学习，然后一边又跟着行业一起变化，感觉这种……这种感觉还比较奇妙。”
坚定做‘通用大脑’：战略选择背后的逻辑闭环
灵波自创立起就锚定一个清晰定位：不做本体，专注打造机器人‘大脑’层。其底层逻辑源于普惠理念与家庭机器人愿景——不追求统一硬件品牌，而是让不同形态的机器人统一运行灵波模型，类比当下手机生态的多样性。
这一选择背后是深刻的行业洞察：物理世界与数字世界的建模动机天然错位。例如，数字世界追求高画质视频生成，而机器人更关注动作时序与动态建模；若强行复用现有模型，将导致效率与适配性双输。因此，2026年灵波做出关键决策：基于物理世界需求，从头重训视觉相关模型（语言模型除外），以构建真正原生的机器人基础模型。
“很多时候，数字世界的模型的开发的初衷跟物理世界的需求是不是很匹配的？……我们全部基于物理世界的需求重做一遍。”
“我们希望这个大脑在预训练的过程中就经历过这些本体，了解他们的特性……这样后面在某一个场景落地的时候，就可以快速的适应那个本体。”
技术路线演进：从传感器出发的‘空间智能’与视频原生建模
灵波的技术演进围绕两大核心主张展开：一是坚持从真实传感器（视觉、触觉等）出发解决物理问题，拒绝‘干净数据’幻觉；二是坚持‘从视频中学习’，且必须为物理世界原生设计——即不将视频抽帧为图像处理，而是建模时序动态关系。
2025年是关键突破年：团队在世界动作模型（WAM）概念尚未普及前，已预判时序建模是机器人发展的核心瓶颈，并耗时9个月于2026年初开源首个视觉动作模型（VAM）。同年，基于炒菜机器人Demo暴露的软硬协同问题，团队进一步强化“大脑先行”策略——若大脑不扎实，场景拓展将面临极高复制成本。
第一代大脑（2026年初开源4模型）涵盖： - 深度：强化空间感知与距离建模（传感器原生路径） - VAM：视频动作模型（时序建模路径） - 世界模型：兼具仿真与执行能力 - VLA：面向落地的通用任务执行框架
“机器人毕竟在现实世界中跑嘛，就会发现呃传感器的噪声其实是完全没有办法忽略的。”
“我们希望这个大脑在预训练的过程中就经历过这些本体，了解他们的特性……这样后面在某一个场景落地的时候，就可以快速的适应那个本体。”
从实验室到真实场景：模型迭代的落地驱动
在将 VLA（Vision-Language-Action）模型从实验室推向真实落地的过程中，团队发现了一个被长期忽视的关键问题：实验室环境与真实场景之间存在显著的感知与动作 gap。早期 demo 多在固定桌面高度完成操作，而真实场景中机器人需完成抬手、弯腰、移动底盘等复杂动作——例如从架子上取物时，头部是否需同步抬升？当头部相机视野被遮挡时，能否仅依赖腕部相机或其他传感器完成任务？这些问题在第一代模型中未被考虑，因其仅支持双臂+夹爪的九种构型，且无头、无腰、无底盘自由度。
这一认知缺口直接推动了第二代模型（v2.0）的升级：构型从 9 种扩展至20 多种，自由度覆盖头、腰、底盘与灵巧手。这不仅是硬件扩展，更是对“抓两头”策略的实践——一头牵引技术前沿，一头紧抓落地需求。模型迭代的方向由此更清晰：真实场景中的动作多样性决定了预训练数据必须覆盖全本体自由度的协同操作。
“你要做抓取，你不能只考虑手，你还要考虑其他的部位。”
“你训模型来说，你最重要的要做的事情是要找到这样的数据放到预训练里。”
数据规模与质量：从2万小时到6万小时的跃迁
第二代模型的预训练数据量从第一代的2万小时提升至6万小时，但更重要的是数据管线的全面升级。第一代模型发布后，团队重新清洗旧数据，有效数据反降至1万余小时；新管线则在更严格标准下完成数据积累，实际增量约4倍。数据来源以真机采集为主，辅以部分 eGo（头戴相机）数据，仿真数据主要用于评测而非训练——因其存在分布同质化问题，尤其在柔性操作（如撕塑料袋）等任务中，物理引擎精度仍不足。
团队观察到，真机数据成本过去两年下降超3倍，源于设备成熟、人员管理优化及数据量产能力提升。但核心挑战仍在于任务设计与数据清洗：如何确保任务覆盖所有自由度的使用分布（如头部与腰部出现频次需均衡），以及适配不同本体构型的定制化数据处理链路（因相机位置、关节连接方式差异巨大）。通用性好的任务往往操作简单——复杂任务因操作员动作不丝滑，难以后期修整，易导致模型习得低效行为。
“你越复杂的任务，可能能够把这个任务完整或者说丝滑做起来的素材员就比较少。”
“它可能分布会相对同质化会严重一点……尤其是一些这种柔性的仿真……物理引擎的还需要点时间再去做一些迭代。”
几何感知 vs 语义理解：Vision 模型的底层重构
团队在 v2.0 中对 Vision 基础模型进行了从语义到几何的底层重构。第一代模型基于 DINOv2（一种数字世界语义模型）进行预训练，但发现其空间距离感知能力不足——例如无法准确判断反光水龙头的水流位置，或被玻璃门遮挡的猫（语义上“猫始终存在”，物理上“玻璃不可穿透”）。新 Vision 模型完全从几何角度出发，以边缘、点线面等空间结构为训练目标，显著提升 Depth 预测精度。
这一升级带来两个典型突破：其一，能清晰识别反光水龙头的水流位置，为接水等任务提供可靠空间依据；其二，可感知物理遮挡关系——玻璃门后猫的深度信息仅在门拉开后才显现，而语义模型始终将其标记为“存在”。这印证了核心观点：物理世界的机器人决策依赖几何感知，而非数字世界的语义标签。
“哪怕清晰看到水流……你必须要能看到水，只要假如说就是接水，你必须要先能看到水。”
“但从语义的理解的角度，其实那个猫一直在……物理世界，你就是你还需要知道前面有一个门。”
看得更清楚：视觉与深度感知的解耦与协同
在机器人感知系统中，语义理解（“能看到”）与空间感知（“能摸到”）是两个本质不同但紧密关联的能力。一个经典例子是：当机器人面对一扇玻璃门后出现的猫时，数字世界中猫的语义信息始终存在；但在物理世界中，若不先推开玻璃门，机器人就无法获取猫的空间位置——它会先撞上玻璃，再“看到”猫。这说明：语义可静态存在，而空间感知必须依赖动态交互与物理位姿建模。
为解决这一问题，团队在第一天发布了两个原生模型：Vision（视觉）与 Depth（深度）。其中，Vision 是 Depth 的预训练 backbone，替代了此前依赖的 DINO；它构建了一套纯视觉原生的预训练框架，专注于对图像本身的深层理解，而非依赖语言或任务监督。Depth 则是其下游任务，目标是从二维图像推导三维空间结构，实现从“看懂”到“摸清”的跃迁。
“你能看到，但你摸不到——能看到是语义理解，摸不到是空间感知。”
“Vision 是 Depth 的预训练……相当于把从图像变成三维，大概大概是这么一个关系。”
干得更利索：VLA 升级与数据范式的产业转向
如果说 Vision/Depth 解决了“看得更清楚”，那么第二天发布的 VLA（Vision-Language-Action）2.0 则聚焦于“干得更利索”，其核心突破在于从产业落地视角重构数据体系。团队发现，此前以研究为主导的模型常依赖仿真与真机混合数据，但在追求通用大脑（跨本体、跨任务）时，仿真对复杂物理交互的覆盖率严重不足。因此，团队果断转向以真机数据为主的路径，强调数据质量、构型多样性与任务复杂度的同步提升。
VLA 的升级并非单纯模型迭代，而是对“产业需要什么样的数据”的系统性回答：它推动团队厘清了任务-动作-感知之间的数据映射关系，使模型能更好支持头腰联动等多自由度操作，从而拓展可执行任务边界。这一转向标志着机器人学习正从“能跑通”迈向“能落地”。
想得更明白：物理世界对模型架构的三重重构
在“想得更明白”层面，团队意识到数字世界与物理世界存在根本性差异，由此催生了三大技术重构：
-
压缩即对齐：传统视频生成依赖无监督的视觉压缩（如 latent encoding），但该过程与语义、动作脱节。灵豹 Video 引入语义-动作对齐的压缩编码器，使编码阶段即注入任务意图，为后续生成提供语义锚点。
-
单向建模：物理世界的执行必须实时、因果单向（历史→未来），而数字世界生成模型普遍采用双向 attention（生成时可见完整上下文）。团队果断放弃“双向→单向”的微调路线（会导致预训练知识坍塌），转而从零开始训练单向 causal attention，耗时约三个月，最终验证其可行性。
-
稀疏即高效：为满足实时性，团队开发了原生 MoE（Mixture of Experts）架构的灵豹 Video。难点在于确保专家模块等概率激活——若部分专家长期闲置，模型退化为等效稠密模型。团队通过 loss 设计、采样策略与正则化等组合手段，耗时约两个月攻克 MoE 训练稳定性问题，实现稀疏推理下的高效泛化。
最终，上述三项技术（MoE、单向预训练、对齐压缩）被整合进 VA 2.0（即原 WAM），成为机器人原生基础模型的集大成者：它既非 LLM 的视觉扩展，亦非仿真玩具的升级版，而是为物理世界实时决策而生的全新范式。
“你之前可以跟他说一百句话，每一句话他都给你翻译成一个比较好的视频；现在你可能再跟他说一百句话，可能只有百分之二三十的能翻译成好的视频……因为那个知识被破坏了。”
“M O E 这个事情……它不是一个意愿度问题，不是说我想让它少激活点就激活点……它是一个能力问题，它不是一个态度问题。”
巨神原生基础模型的诞生
在经历MoE架构验证（以Video为载体）和因果预训练（以Word为载体）的探索后，团队将两项核心技术与压缩过程中的改进相结合，最终诞生了面向机器人控制的原生基础模型VA 2.0。该模型是所有技术集成的结晶，其核心在于：从零开始、完全随机初始化参数进行预训练，并融合了大量机器人真机采集数据（如VLA数据集），构建出真正为“巨神”量身定制的基模。这标志着团队提出的“巨神原生”理念首次落地——即模型架构、训练范式与数据来源均围绕机器人本体需求设计，而非简单迁移数字世界模型。
“它从每一个参数都是完全随机化开始训的……这个是我觉得可能是这次发布里面我们一直讲巨神原生、巨神原生一个概念，可能这就是我我觉得这个东西就是我们想说的巨神原生本身。”
值得注意的是，当前模型尚未集成大语言模型（LLM）能力，其定位更偏向于“小脑”：负责将明确意图转化为连续动作，但不处理意图生成与高阶推理。例如，当用户说“帮我拿一把伞”，它能执行该动作；但若用户未开口，机器人看到窗外下雨却主动递伞，则属于更高阶的“大脑”能力，需依赖语言理解与世界建模，目前仍在探索阶段。
泛化性突破与随机任务应对能力
VA 2.0在位置泛化与随机性处理方面取得显著进展。典型例证是“人机对打撞球”Demo：模型仅依赖机器人自身相机（无外部追踪系统），实时感知球的位置与轨迹，并快速做出回击动作——整个过程强调低延迟响应与高鲁棒性适应，远超传统固定场景Demo。另一例是“桌面整理”任务：系统可应对完全随机的物品布局（如筐中撒玩具、中途插入干扰、人机协作分担），即使任务顺序被打乱，仍能完成目标。这表明模型已具备任务内泛化能力（in-trajectory generalization），即对未见过的初始状态与突发扰动作出合理响应。
“它一定要是看到你打过来了，我们才能打……完全是就是跟人一样，就是我就一双眼睛，然后我就看到那个东西，然后去做。”
尽管如此，任务级泛化（zero-shot transfer to entirely new tasks）仍是瓶颈：当前模型尚无法仅凭一句新指令就完成从未见过的任务组合。主因在于机器人真机数据量仍有限，难以支撑复杂任务的排列组合学习。团队观察到，VA 2.0相比1.0版本在数据效率上已有提升：后训练所需样本从百级降至约20条；多任务可共享同一模型（如10任务共用1模型），而1.0需为每个任务单独训练。但距离“1条数据学会新任务”的理想状态仍有差距。
数据瓶颈与GPT时刻的期待
尽管VA 2.0在架构上实现“巨神原生”，但数据规模仍是制约GPT级智能落地的关键瓶颈。当前6万小时数据虽较前有提升，却未达数量级跃迁；相比之下，互联网文本数据早已成熟并支撑大语言模型scale up。团队在预训练中仍大量依赖互联网数据（量级约为机器人真机数据的数十倍），说明机器人领域尚未建立可规模化采集的数据闭环。
“哪怕是我们这次说的，比如说我们用了六万小时嘛，对吧？现在有六万小时数据，但其实，呃，坦白讲，跟上一次比，还没有数量级的提升。”
团队认为，真正的“机器人GPT-1”时刻尚未到来，需等待机器人数据采集范式成熟并大规模铺开。不过，基础设施的进步（如十万卡级集群普及、训练工具链完善）将显著缩短模型迭代周期——从GPT-1到ChatGPT曾耗时数年，而未来机器人模型的演进可能更快。此次投入原生基模训练是一次关键“bet”：尽管1.0版本通过魔改数字模型实现功能，但效果受限；2.0转向底层自研训练体系虽具风险，却是通向真正具身智能的必经之路。
后训练与零样本：殊途同归的能力拼图
在机器人基础模型的发展路径上，不同团队存在理念差异：Generis 更强调 zero-shot 能力，希望模型“什么都会”，尽量减少或避免后训练；而另一些团队则更重视高效后训练（efficient post-training），认为模型需在预训练基础上通过少量示例快速适应新任务。但从实际落地角度看，这两种能力缺一不可——当机器人进入家庭环境时，它应能自主完成 80%~90% 的常规任务，而对剩余 10%~20% 的新任务，仅需一次示范即可学会，这本质上就是in-context learning（上下文学习） 的体现。因此，二者并非对立，而是同一目标下的互补能力。
假如说一共就一万个任务，然后你把这一万个任务就编成固定的编码给他，可能也行，只是它没有办法在任务维度再泛化了。但语言模型本身可以在那个维度再泛化嘛？它解决的是需求泛化的问题。
我会认为，巨深会继续拿来大语言模型当一个比较好的入口，然后他会成长出自己的模型。他们两个中间可能只是一个就是交互的层面。
数据驱动：原生模型的基石与行业分歧
当前具身智能的核心分歧在于数据获取与使用方式：Generis 更深入挖掘优米（Ego）视角数据，而 Physical Intelligence 则聚焦真机遥操数据。随着 egocentric 视角兴起与灵巧手技术发展，两类数据路线或将融合升级——灵巧手的普及将推动对高精度触觉反馈的需求，进而倒逼传感器与控制模型协同进化。未来可能出现“合久必分，分久必合”的演进轨迹。
数据规模是另一关键瓶颈。理想的预训练数据量应达百万小时起步，以平衡通用知识与操作技能；短期内则可能先实现十万小时级的原生预训练数据集。但目前行业尚未出现真正意义上的“巨深原生模型”，导致对数据量的紧迫感不足——大家知道数据重要，却缺乏明确驱动力去快速积累。这成为当前发展不及预期的重要因素之一。
硬件本身可能还好，但传感器应该是还要再做进一步的升级，尤其是触觉相关的……模型可能最需要的不一定是你力要准，有可能是需要你反应够快，对实时性要求可能比那个更高。
大脑与本体：解耦趋势与交替演进
2024 年行业出现明显转向：更多公司选择只做“大脑”（模型层），不再自研本体。原因有三：其一，通用本体难以实现，专用本体需精准匹配场景，否则易造成成本超配；其二，硬件量产门槛高，非所有团队都具备供应链整合能力；其三，当前主要矛盾是“如何让机器人把活干好”，而模型能力尚处“荒漠阶段”，亟待突破。
长远看，大脑与本体将呈交替上升态势：当前大脑滞后于本体，但随着更多 AI 团队涌入，智能层有望加速追赶；当模型能力跃升后，将反向定义新一代本体——未来本体设计将更服务于模型控制需求，而非传统机械参数。这种动态循环表明：上一代硬件未必适配下一代模型，尤其传感器需从“性能导向”转向“模型需求导向”，重新权衡精度、频率、实时性等指标优先级。
我们这一把是做了……从物理特性上做了一些原生的设计，然后接下来我觉得最大的就是怎么能够从架构原生再往前再走一步，做到数据原生。
数据规模化：从理念到落地的关键瓶颈
当前机器人原生基础模型发展的核心挑战在于高质量、可规模化的数据采集体系尚未建立。虽然“Ego（第一人称视角）数据采集”理念已被提出，并展现出良好的 scale-up 潜力，但仅依赖头部相机采集的数据，在未来面对灵巧手精细化操作等复杂任务时，其适用性仍存疑。Ego 采集理念需要进一步打磨为可部署的产品级方案，才能真正进入规模化数据生产阶段。这一过程涉及数据采集标准的系统性重构——包括“采什么、怎么采、能否复制”等关键问题，目前尚无统一答案。
更深层的矛盾在于模型对数据质量的高要求与规模化之间的天然张力：模型希望数据质量高、模态丰富，而规模化则要求标准化、低成本、高复用性。二者之间亟需找到平衡点——即明确模型哪些能力可牺牲、哪些必须保留。一旦该问题被清晰定义，整个研发链条将显著加速。
“Ego 应该是提出了一个采集理念，但这个采集理念是要被打磨成一个具体的一个产品，才能够就是开始说部署下去，然后开始做起来数采这个事情。”
“在质量和数量之间怎么取一个平衡？就是说我模型哪些东西是可以舍弃的，这个东西可能现在还没有太定义清楚。”
创业决策：在不确定性中敢于下注
作为首次创业者，沈宇军深刻体会到：创业不仅是‘落地’的第一次，更是‘创’的第一次——前者意味着从技术领先转向‘有价值的领先’，后者则强调在资源有限、路径不明的环境下，必须敢于决策与下注。他指出，若某条路径被普遍看好，大厂早已胜出；正因路径未知，才需创业者以赌注推动突破。
在具体战略上，传感器选择与‘原生模型’路线是两大关键豪赌。原生模型虽可能面临训练不收敛、思路偏差或技术未成熟等风险，但一旦成功，将构建起物理世界专属的模型-架构-数据闭环。目前，视觉（看得更清）、推理架构（想得更明）两个原生方向已取得超预期进展，下一步聚焦“数据原生”以实现“干得更利索”。
“创业一定是赌出来的……没有人知道哪一个路一定是成功的，然后资源又一定是有限的，所以在有限的资源下，路径不确定的情况下，就是要赌。”
“我非常坚持说，一定，一定我们要做一个用物理世界的东西，就是原从物理世界原土生土长出来的模型。”
生态竞争：分阶段突破，而非构型之争
面对机器人“大脑”争夺战，沈宇军认为产业格局将趋近大语言模型领域：大厂与2–3家创业公司共存，各自构建数据、本体、场景三位一体的生态闭环。巨声智能虽背靠蚂蚁，但定位更接近创业公司，核心优势在于贴近行业本质、决策独立性强。
对于人形机器人构型是否为终极形态，他持务实态度：当前核心卡点是‘智能不足’，而智能瓶颈的根源在于‘数据不足’。在智能未达标前，争论轮式/足式等硬件构型为时过早——没有足够用户研究与产品迭代，任何构型都难以真正进家庭。应优先解决数据规模化问题，待智能提升后，再通过落地反哺硬件迭代。
“现在核心卡点是智能不够，然后智能不够的核心卡点是数据不够。对，所以怎么让数据能够 scale up 是重点。”
“你现在工作状态是什么样的呀？……现在大家在争，比如说到底是足式还是轮式，他他他不管是族族式还是轮式，他进家庭我都不会让他进家庭的，就是那这个时候就你都没办法做这种 user study。”
预训练与后训练：落地的关键挑战
当前发布的系统全部基于预训练模型，但预训练只是第一步，真正落地必须依赖后训练（post-training）。后训练远非简单的参数微调——它涉及复杂的问题诊断机制：效果不佳时，需判断是模型本身问题、数据质量不足，还是训练过程未达最优；而诊断之后如何精准干预，更是巨大挑战。正因如此，这类技术与大众之间存在明显距离：它并非开箱即用，用户难以直观感知其价值，也常提出“如何复现”“该做哪些步骤”等实操性问题。只有当模型能直接嵌入可感知、可互动的现实场景（如桌式足球机器人），才能显著降低理解门槛、增强用户参与感。
假如能够在现实场景里面能够做一个跟大家互动的机器人的话，应该会挺多人愿意玩的。
你做的越能直接被应用，它肯定是大家的问题会越少，然后互动性会越强。
机器人普及：从技术到日常的情感跃迁
沈宇军对机器人未来的期待，核心在于拉近技术与大众的距离——他希望机器人像语言一样自然，成为可下载的 App，人人可体验、可拥有。当家庭中能轻易获得一台可操作的机器人时，从业者将获得前所未有的成就感：如今向父母解释研究成果常因缺乏体感而流于空泛，而若能亲手递上一台自己设计的机器人并说明其功能，那种连接感与价值感将不可同日而语。这种从“技术自洽”到“情感共鸣”的跃迁，是机器人走向大众的关键分水岭。
那如果说之后真的说，就是机器人更普及了，家里都有能够或者说一个比较简单的渠道就能搞到一个机器人去玩起来的话，我觉得那个时候可能成就感会更多。
因为现在就是，比如说我跟我爸妈去讲说我做了一个什么东西，他们也听不懂，然后也没有体感……那如果有一天能能带一个东西直接给他，然后告诉他这是我做的，我觉得那个时候可能成就感会跟现在完全不是一个量级。
中国优势与战略押注：数据、硬件与原生模型
在机器人发展进程中，中国具备难以复制的双重优势：一是硬件生态与传感器供应链的成熟度，二是互联网时代积累的数据红利——尤其是巨深（大规模深度数据）领域，可能正处于一个全球同起点的“空窗期”，而中国在数据采集规模与速度上已领先美国。沈宇军强调，若未能充分利用本土硬件优势，将是重大战略损失。为此，团队正积极构建“数据联盟”，联合优质合作伙伴制定统一标准，推动数据规模化与高质量并进。基于当前认知，他将核心押注（bet）明确指向巨深原生基础模型——坚信中国必须构建属于自己的大模型体系，方能真正开启新世界探索。
我有时候在想，就是如果我们在中国没有应用到中国的本土的这个硬件优势的话，会比较可惜。
We'll explore the new world from here.