對話逐際動力張巍:人形機器人已經有“大腦”,但“有腦”和“有技能”是兩回事

重點摘要
逐際動力完成近2億美元Pre-IPO輪融資,估值達150億元,已獲數千台海外訂單。創辦人張巍強調,人形機器人擁有「大腦」和具備「技能」是兩回事,目前業界常將堆疊技能誤認為有腦,但真正的腦是完整作業系統。該公司選擇從底層運控基礎模型做起,不走工廠路線,聚焦商業與家庭場景。
人形機器人已經具備「大腦」,但「有腦」與「有技能」其實是兩件截然不同的事。這是通用人形機器人公司逐際動力(LimX Dynamics)創辦人張巍在最新專訪中提出的核心觀點,也直接點出當前具身智能領域最容易被誤解的概念。逐際動力近日完成 Pre-IPO 輪融資,金額接近 2 億美元,過去半年累計融資總額達到 4 億美元,投後估值攀升至 150 億元人民幣,正式躋身超級百億獨角獸行列。
本輪投資人來自中國、歐洲、中東與北美,涵蓋 IDG 資本、藍思科技、GGG Group、Redstone VC、華山資本、合肥濱湖產發集團等,其中阿聯酋磊石資本連續多輪追投,老股東綠洲資本、基石資本、南山戰新投、尚頎資本、蔚來資本等也超額加註。逐際動力表示,本輪資金將主要投入大小腦融合技術的突破與產品化,推動數千臺全自主人形機器人的規模化部署,並加速中東、歐洲及亞洲其他國家等重點市場的拓展,同時完善全球製造與交付能力,持續建設面向全球開發者的開放生態。從創立到邁入百億俱樂部,逐際動力花了四年時間。張巍坦言,融資節奏必須維持健康,資本市場的考量是一道重要的命題。
而這份克制,很大程度上來自創辦人的技術背景。張巍本科畢業於中國科學技術大學自動化系,後赴美國普渡大學取得電氣與計算機工程博士學位,曾任俄亥俄州立大學長聘教授,2019 年回國任教,2022 年在深圳創辦逐際動力,專注於具身智能的全棧技術路線,涵蓋機器人本體、AI 基礎設施與具身智能體 OS 系統。技術背景決定了路線選擇。逐際動力從一開始就沒有走「堆技能融資」的短跑路線,而是選擇從底層運控基礎模型做起,先將「腦」與「技能」分開定義,再逐層構建通用能力。張巍直言,許多人把訓練模型直接等同於有腦,這是錯誤的認知。
真正的腦是一套完整的操作系統,以語言模型為引擎,還包含記憶管理、情緒管理等模塊,而模型只是技能。他舉例說明:「霍金無法去幹體力活,但沒人會否認他擁有健全的大腦。同樣的道理,我會彈鋼琴嗎?不會。那我能找到工作嗎?當然可以。你不能因此說我沒有腦子。」他強調,構建任何一項技能都需要一定量的數據支撐,只有當獲取數據的成本低於技能所能產生的價值時,才會投入資源去構建。在這個架構下,逐際動力提出三層系統。最底層是 System 0,也就是小腦與全身運控,只管動作、不需要思考。對於不長腿的機器人,小腦其實是成熟技術,但雙腿人形機器人則是全新課題。
逐際強調的小腦是真正的基礎模型,而非預編排的動作回放;跳舞、翻跟頭那種是事先編好按一下播放,他們做的是全身運動基礎模型,機器人事先不知道要怎麼動,但一旦動作發生,就能即時反應。中間層是 System 1,也就是技能層,負責連接大腦與身體,類似「肌肉記憶」。這部分涵蓋廣義的 VLA 或 World Action Model,輸出的是指導行動的策略。張巍透露,逐際兩年前就開始做 Video Pre-training,一年半前發佈的 VGM 其實就是最早的 World Action Model。
不同技能需要的數據不同,行走、上樓梯這類技能靠仿真就能解決,因此先成熟;有些技能虛擬到真實的落差太大,就只能靠真機或其他方式補足。System 1 的重要組成是 FluxVLA Engine,這是一個企業級開源平臺,讓開發者把精力花在模型創新上,而非重複建設底層工程。最頂層是 System 2,也就是大腦,只思考、不動。張巍指出,2025 年中期的 Claude 引入持久的記憶管理,才算真正成為一個腦的操作系統。大腦的思考引擎由大語言模型、視覺語言模型以及 World Model 組成,但 World Model 並不直接指導行動,而是指導思考與決策。
張巍認為,逐際動力目前的核心優勢,在於業內少數具備全自主管線訓練基礎模型能力的公司,非技術人員也能參與。就像造手機,科學家設計芯片,但拆解成一道道工序後,工人只需專注自己的環節就能完成。在商業落地方面,逐際動力已獲得數千臺訂單,其中過半來自海外。張巍表示,這些訂單並非來自單一客戶,而是公司在重點區域集中拿下的一批訂單,主要交付給海外頂尖高校、實驗室,以及以大腦智能研發為核心的具身智能企業。現階段全部是 To B,未來才會逐步向 To C 延伸。關於全球化戰略,張巍說,公司從創立之初就定位為全球化企業,長期來看海外收入佔比超過國內是大概率事件。
海外市場在利潤率、增長空間與競爭態勢上整體更為友好,而國內競爭確實激烈。此外,機器人本質是服務人類、替代人力,海外人力成本顯著高於國內,替代的經濟性更強,這也是海外市場需求更為迫切的原因。值得注意的是,逐際動力的人形機器人並未選擇進入工廠。張巍解釋,這不是對錯問題,而是選擇題。兩條腿的人形機器人在工廠效率不高,不是最優選擇。公司以商業場景為主,最終目標是進入家庭。進工廠既耗費時間,又對家庭場景幫助有限,因此沒有必要。不過,公司確實有針對工廠的 TRON 系列產品,會賣給工廠並提供技術支持,只是自身落地場景不會選擇工廠。
至於 Luna 系列,張巍則直言,目前市面上全尺寸人形、類女性、且能對外銷售的只有 Luna,「如果你想請一個機器人女性演員,只有 Luna,這就是市場的唯一性。」
對於未來是否會出現一套大一統的機器人作業系統,張巍認為短期內比較困難。OS 和技能不是一回事,但 OS 層面可能出現一些通用層,未來會有開源方案,讓大家在此基礎上迭代。統一與否,最終取決於生態的量有多大,只有量起來了,分工才會細化,分工細化了才有價值。
Related
相關文章

當 human in the loop 變成“閉著眼睛點確認”,企業Agent 安全還能靠誰?
專家指出,AI Agent 從內容安全轉向行為安全,提示詞注入、工具濫用與過度授權成為主要風險。企業應建立可視、可管、可追溯的安全基線,並對工具權限進行最小化與臨時化管理,避免 human in the loop 淪為形式。安全防護需從靜態入口轉向動態行為約束,以因應 Agent 自主執行帶來的全新挑戰。

開源Agent框架刷爆ARC-AGI-3,「自我改進」的RLM harness引爭議
一套開源Agent框架在ARC-AGI-3基準測試中創下超過85%的正確率,大幅領先其他解決方案,其核心是名為「RLM harness」的自我改進機制。然而,該方法引發學術爭議,部分研究者批評它透過反覆試錯「鑽漏洞」,不符合ARC-AGI評測一次性推理的精神。這場討論促使AI社群重新審視評測標準,並可能影響未來ARC-AGI版本的設計方向。

騰訊是在“賽馬”,還是在打造 “Agent工廠”?
騰訊內部正在探討其發展策略究竟是「賽馬」機制還是打造「Agent工廠」。相關討論聚焦於公司如何平衡內部競爭與統一平台建設。目前站內已移除相關混雜文字,保留原始主題供讀者參考。
ChinaJoy 2026 AI遊戲規模化落地,邊緣雲與API安全重構產業底層邏輯
2026年ChinaJoy展館,“與AI同遊”的主題隨處可見。行業調查顯示,僅有21%的企業擁有完整的API資產清單,大量後臺AI接口仍在無人監控的狀態下裸奔。合規與安全也同步下沉。算力下沉還不夠,API安全必須同步前移邊緣雲解決了體驗問題,但AI交互入口的安全,同樣需要前置到邊緣。算力與安全,缺一不可Akamai的判斷很明確:遊戲AI轉型不能割裂算力與安全。這也是遊戲廠商規模化落地AI智能體、構建AI原生遊戲的標準化底層方案。

openJiuwen發佈業界首個企業級分佈式蜂群架構,聯合郵儲成功落地金融生產環境
< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.

螞蟻集團開源Avernet,讓人與智能體像組織一樣高效協作
**螞蟻集團開源Avernet:打造人與智能體高效協作的“組織級”基礎設施** **來源:量子位** **2026-08-07 11:08:51** 近日,螞蟻集團正式宣佈開源多智能體協作基礎設施Avernet,其社區版本已同步上線。作為業界首個聚焦於“組織級協作”的智能體基礎設施,Avernet的首個版本重點開放了智能體協作網絡能力,旨在支持不同智能體之間的發現、共識達成、跨團隊協作與治理,為人工智能從“單點智能”走向“系統智能”提供關鍵支撐。