具身最终还是要发挥价值，说白了是GDP逻辑，单位时间能干多少事。
作者｜周悦
编辑｜王博
“甜蜜的毒药”。丁文超用这个词形容具身智能公司拓场景时最容易踩进去的坑。
一个新场景，表面上意味着新客户、新收入。但真正做进去，硬件要稳，数据要补，模型还要能泛化。场景越多，交付越乱，单点做不透，能力也很难外溢。
这种警惕，来自丁文超在自动驾驶里的教训。2020年，他入选华为“天才少年计划”，进入车BU做智驾。
那几年正是自动驾驶从前沿技术走向规模化产品的关键期，他亲眼见过场景一旦铺开、交付会变得多复杂。“我的经验是，一切东西都要能够规模化。规模化不了，将来卖给用户会很折磨。”
带着这种判断，线束装配很早就进入了它石智航（下称“它石”）的视野。
线束柔软、易变形，并且属于长程、复杂任务，对精度、任务规划能力和成功率要求都很高。它不像搬运、分拣那样容易被外界一眼看懂，也不是传统自动化能轻易覆盖的标准化任务。模型、数据、硬件、部署里任何一环有短板都藏不住。
今年3月，它石A1机器人完成百余次亚毫米级柔性线束装配，拿下吉尼斯世界纪录。一个月后，4.55亿美元Pre-A轮融资落地，刷新中国具身智能最大Pre-A轮和最高单轮融资纪录。
纪录和融资让它石被更多人看见。但线束也不再是冷门选择，越来越多具身企业开始盯上这个场景。它石的先发优势，还能维持多久？
线束之外，它石还有更多“反常识”的选择。行业集中讨论VLA模型路线时，它石提出AI World Engine（AWE）；不少公司还在依赖仿真和遥操作采数据时，它石押注human-centric（以人为中心）的真实数据采集。
丁文超把它们放在同一个三角形里：数据、通用AI模型、核心零部件与终端应用。“我们从第一天开始，就设定了这三个角，而且在每个角上根据第一性原理，都做了比较反常识的选择。”
丁文超是它石智航联合创始人兼首席科学家。离开华为后，他回到复旦大学，担任研究员和博导，搭建了具身智能实验室MagicLab。后来，他与其他几位业界大牛联合创办它石。
有意思的是，这个具有强工程化背景的人，聊起技术与产品爱用武侠语言。回顾创业节奏，他说最深的感受是“天下武功，唯快不破”；聊起技术路线的抉择，他又借《神雕侠侣》里的玄铁重剑作喻：“重剑无锋，大巧不工。”
近期，「甲子光年」专访丁文超，从线束开始，聊到智驾经验、世界模型，以及他的创业之路。
它石智航联合创始人兼首席科学家丁文超，图片来源：它石智航
1.盲目拓场景是“甜蜜的毒药”
甲子光年：最近一些具身智能公司也宣布把线束作为重点，你们很早就切入线束场景，怎么看这个场景的壁垒？
丁文超：欢迎他们来做，但这里面确实非常难。
场景没有秘密。我经常说，场景分散对于基础模型不强的公司来说是甜蜜的毒药。看起来有客户、有收入，但做不透，能力不能外溢。当基础模型能力不强时就去扩场景，很可能每个场景的解决方案都长得不一样。
自动驾驶有一个关键的转折点，就是靠端到端实现one model。对所有场景、所有条件，只训练一个模型，背后是一套训练、数据、模型和部署的管线。
具身比自动驾驶更发散。每个场景差异更大，单一场景分布也更散。它石首先找大场景，比如线束，因为单一场景的ROI足够大；第二，我们有自己的通用模型，随着通用模型能力提升，扩新场景的边际成本会下降。
这不是单纯的数据问题、模型问题或者硬件问题。它是一个系统工程，是全栈能力的大考。任何一环薄弱，这个场景都可能变成毒药。你做不透它，硬件不稳定；针对这个场景做出来的东西又泛化不到其他场景；再扩新场景，投入产出比又特别低。
甲子光年：如果把具身任务放在一个光谱里，现在我们能看到的搬运、叠衣服、分拣、线束装配分别处在什么位置？
丁文超：最简单的是pick and place，也就是PP问题。不少仿真企业在PP问题上已经做得比较扎实，但要向更深层次迈进，会面临很多挑战。
PP往后，是泛PP问题，类似分拣。它没有复杂长程任务，都是非常短程的，东西翻一下就可以，但有时需要局部微调。
再往后，任务长程性进一步提高，操作对象逐渐变成柔性物体，难度就更高。线束基本在这个区间：第一，它操作的是柔性东西；第二，它是长程任务；第三，它对成功率和节拍都有很高要求。
越往光谱左边，越接近传统工业自动化已经解决的问题，新创造的价值越低。越往中间甚至右边走，传统工业自动化够不到，门槛越来越高，技术难度也越来越高。
它石智航A1机器人获线束装配吉尼斯世界纪录称号，图片来源：它石智航
甲子光年：你在最近一次公开论坛上说，这一代具身智能要啃的是“柔性、动态和长程任务交互”。外界也会质疑，它石是不是擅长什么，就把什么定义成最难的赛道，你怎么回应？
丁文超：这不是由它石定义的，而是由市场定义的。反过来看，市场上还剩什么任务？给具身真正存留的是什么任务？
任何一条产线都有这个规律，简单题、选择题已经被传统工业自动化做完了，剩下的难题和复杂题才空在那里。我们讲的柔性、动态、长程任务，本质上就是这些空下来的大题。
当然，光谱中间的任务，将来它石也可能做。但我们的方法是靠模型能力外溢去覆盖。就像海平面上升去淹没小岛，不是主动要淹没它，但水位上来了，它可能顺带就被覆盖了。
甲子光年：线束是观察它石一个入口，你们整体的技术路线是什么时候定下的？
丁文超：2024年那个时间点对我们影响很大。我们发现，行业里很少有人把这件事想清楚，也没有太多可参考的路线。
我们从第一性原理、top-down（从上到下）地去想。做具身核心就是一个三角形——它石的logo也是三角形——分别是数据、通用AI模型、核心零部件和终端应用。我们从第一天开始，就设定了这三个角，而且在每个角上都做了比较反常识的选择。
我们最初觉得遥操作很难scale up，所以提出做human-centric数据；其次是模型。2024年VLA很火，但我们觉得单纯把一个action的头拼进VLM里，不是终极架构，所以提出了AI World Engine(AWE)；然后是应用，模型早期要找到ROI最大、同时适合这一代具身智能的场景，我们去了很多工厂，最后找到了线束。
甲子光年：外界对它石的技术路线有没有误读？
丁文超：外界怎么看待不是我最关注的。它石最终让人信服的，不是我们技术路线多好，或者某一个点怎么样。大家怎么看技术路线只是一方面，最终还是要发挥生产价值。
客户和产品、是否真的实现落地和创造价值才是第一性原理。自动驾驶虽然现在还有人讨论两段式端到端、一段式端到端，但实际上比的还是谁的车开得好。具身可能很快，在2026、2027年也会进入这种状态。
2.智驾团队做具身是降维打击？
甲子光年：最近一年很多自动驾驶团队进入具身行业，有人会说这是降维打击。但机器人毕竟不是车，哪些自动驾驶经验不能直接搬到具身里？
丁文超：这是一个很好的问题，我不觉得自动驾驶在技术路线上给具身多少直接借鉴。真正有价值的，是自动驾驶沉淀下来的一套数据闭环体系。
自动驾驶最后沉淀下来的，不是某个技术栈。对我来说，最大的收获是学会了通过海量数据、用户问题，提高产品力，让一个物理AI产品在物理空间里达到可靠、可信赖。这个方法论和具身是共享的。
但具体技术问题差异很大。自动驾驶是在物理空间里不要接触任何东西，本质上是从A到B，但不要和任何东西发生接触。具身恰恰相反，它一定要和东西发生接触，并且知道接触之后的结果是什么。
所有contact-rich manipulation（丰富接触的操作）对模型特质的要求都和自动驾驶不一样。很多人觉得车开得快，所以智驾对反应要求更高，但在狭小空间里做操作，具身对实时反应的要求反而更高。
甲子光年：具身智能发挥价值可以用什么指标来衡量？
丁文超：我会把具身指标定义成任务吞吐率。具身最终还是要发挥价值，说白了是GDP逻辑：单位时间能干多少事。
如果简化成公式，任务吞吐率=任务成功率*任务完成效率*其他因子。
第一是任务成功率，这是基础；第二是任务完成效率，也就是任务能不能达到人类水平。
甲子光年：你认为什么才是具身真正的“GPT时刻”？
丁文超：我们什么时候被GPT震惊到？是因为它干某件事居然比我还好，接近甚至超过我的水平。对应到机器人，任务完成效率也要非常高。很多demo动作很慢，效率可能只有人的30%。这不会让人觉得GPT时刻到了。
什么时候一个任务叫打穿？就是成功率和效率都上来了，单位时间有效完成任务的吞吐率接近甚至超过人类。
我认为GPT时刻到来，不是一个任务打穿，而是若干任务都打穿，那一刻才真的来了。
甲子光年：同时打穿若干任务，核心听起来不是单点demo，而是泛化。具身模型出现泛化或涌现能力时，会怎么表现？
丁文超：宏观一点看，如果在一个新任务上，模型能打到八九十分，但需要的后训练、特定数据采集或训练被压到最低，比如只需要分钟级、几十分钟，或者小时级数据，这就是很重要的泛化表现。
微观一点看，泛化还会表现为模型涌现出一些不是监督微调教出来的行为。比如它换了一个手，或者夹东西的方式和遥操作示教完全不一样，自己判断出另一条路径完成任务。
3.世界模型怎么进入真实世界
甲子光年：你们一直强调世界模型，在ICRA 2026上，大家看到了VistaBot、TacForeSight这两篇重点论文，以及自研灵巧手DexHand。这与世界模型的关联在哪里？
丁文超：我觉得是顺带的。我们的核心还是前面讲的三环，但在这个过程中会有一些外溢。
去年我们发了视触觉数据集，今年年初也发了一些开源模型，有些研发思路我们会通过论文、数据和模型向外传递。
VistaBot背后我们想提醒大家一个点：室内demo都很好，但一到新的地方、新的场景，就不敢展示复杂任务。
ICRA 2026现场很多展示要么是静态，要么是简单pick and place，展示长程动态任务的很少，背后的原因就是泛化很难。
TacForeSight也是类似。我们很早就关注触觉和力反馈的重要性。接触丰富的操作对反应要求很高，单纯30Hz或60Hz的视觉反馈已经不够，末端会有遮挡，末端差几毫米，最后接触的状态可能完全不对。
这些工作更多是生态和理念共享，也是在告诉大家，世界模型要进入真实任务，不能只停留在抽象预测里，它必须处理空间、接触和反馈。
成为付费用户可以阅读 它石智航 所有资料
了解更多 →