0
AI 正重塑機器人的技術邊界，而具身智能，是下一個戰場。
AI 帶來了新變量，也提出了新挑戰。一旦實現足夠的泛化能力，機器人將在家庭和工業等場景徹底改寫體力勞動的邊界，加速從“專用”邁向“通用”的跨越。而這背后，是基于大模型或 AI 驅動的技術壁壘重構。
具身智能也由此成為新熱詞。
2024 年，越來越多來自智能駕駛的人才加速涌入具身智能領域。車與機器人的高度相似性——都需要融合感知、決策與控制，都在走向端云協同與自學習系統——讓不少人試圖以智能駕駛的演進邏輯來推演機器人的發展路徑。
地瓜機器人正是在這樣的背景下，從地平線中拆分出來獨立運營，轉向這場新戰役。
從十年沉浮的智能駕駛，邁向仍處原野的具身智能，地瓜機器人帶著對閉環系統的理解與工程化經驗，試圖用一套更“知道怎么落地”的思路重構機器人技術堆棧。
6 月 11 日，地瓜機器人召開了一場媒體溝通會。會上，CEO 王叢、開發者生態副總裁胡春旭深入淺出地解釋了他們如何判斷下一波具身智能的爆發點——又將如何從芯片、系統到工具鏈，重建一整套屬于機器人的基礎設施。
自 23 年下半年以來，一個高度收斂的行業共識開始形成：具身智能將是AI下一階段最具想象力的落點，隨之而來的是融資頻率與估值水位的持續抬升。但現實是，機器人行業還處于非常早期的階段——技術路線尚未收斂、行業標準缺乏、機器人形態高度異構、需求零碎且散。
一個不爭的事實是，無論是清潔、配送還是巡檢，每一類機器人都需要 AI，卻又缺乏統一的系統性基礎設施。
濃烈的市場期待，與技術落地的分散，一度形成喧囂的錯位。
但無論如何演化，有一點是清晰的，當一個新興行業進入爆發前夜時，必須建立統一、可擴展的底層標準。越早搭建標準、建立生態壁壘，就越早搶占技術與平臺的先機。歷史上，Wintel 聯盟、ARM+安卓體系已經驗證了這一路徑的確定性。
地瓜機器人選擇自研底層基座，正是基于這樣的判斷：只有足夠通用，才能夠承載多樣化的機器人形態，真正支撐起“平臺級”的可能性。這不僅是產品決策，更是一場技術棧的長期布局。
如何在喧鬧中找到真需求？過去十年駕駛的發展路徑，或許能帶來一些答案。一位業內人士告訴 AI 科技評論，從智能駕駛到機器人，更多是方法論復用，涵蓋數據流、模型架構、仿真環境、模型接口等。
本質上，智能車也是一種具身智能體：同樣由算力驅動，同樣以模型和數據為核心資源。區別在于，汽車作為工業成熟度極高的載體，早期數據積累路徑更清晰，場景更可控。因此今天的智能車已進入比拼系統工程能力的階段，硬件已不再是核心難題。
這同樣啟發了具身機器人行業：電機的扭矩控制、關節靈巧度、負載能力等雖然仍有技術提升空間，但現階段最大的挑戰，或許不再是硬件本身，而是系統整合、數據閉環與算法工程化的協同效率。
目前來看，機器人硬件架構與 AI 模型的演進仍處于多路徑探索中。
具身智能的典型能力模型是“感知—決策—行動”三位一體。在此之上，行業逐漸分化出兩條技術路線：一是分層架構，強調模塊化和工程可控性；二是端到端路徑，追求算法的極致泛化與協同。前者對數據的依賴較低，部署門檻較低，但難以適配復雜場景；后者雖然具備更強的通用性和任務適應力，但前提是需要海量高質量數據支撐。
目前分層與端到端兩條技術路線在機器人領域尚未定論，但在汽車場景中，這兩條路線已有所驗證：
早期，智能駕駛主要采用傳統的分層架構，端到端的技術理念雖有興起，但影響有限。自 2018 年起，差異逐漸明確。一面是以特斯拉為代表的企業在端到端上不斷做探索，另一面則是傳統車企和科技公司仍然堅持分層架構。2024 年，技術路線進一步分化。理想、小鵬、蔚來等新勢力紛紛宣布轉向端到端架構，同時分層架構也在引入新技術與算法，如華為乾崑 ADS 3.0 引入端到端大模型架構，但仍采用感知 + 決策分層的 GOD + PDP 架構。
可以看到，在智能駕駛中，分層路線已經大規模落地，而端到端方式迅速崛起后正逐步落地。
以汽車類比，當下機器人發展階段大概與 L2 與 L3 的汽車階段相似，那落地最快的方式正是分層架構。分層架構雖然泛化性存在不足，但整個穩定性和數據需求相對沒有那么苛刻。而端到端架構，是圍繞一個數據飛輪來構建全流程。
胡春旭指出，未來機器人從“專用”到“通用”，必然會以端到端方式為主導；但在當下，如何更快落地、找準場景，是更為緊迫的現實需求，因而大小腦的分層架構落地會更快。
相比智能駕駛，機器人當前面臨的最大挑戰并非算法或模型，而是高質量數據的嚴重匱乏。
汽車場景天然更具結構化：道路規則明確、環境相對穩定，且車足夠多，數據采集效率高，成本也相對可控。以特斯拉為例，截至 2024 年，全球已有超過 600 萬輛車在路上奔跑，形成了龐大的真實駕駛數據池，也為模型訓練提供了堅實基礎。
而機器人的世界復雜得多。機器人不僅要解決動態環境下的物理交互難題，還要在家庭等私密空間中獲取數據，面臨更高的數據采集門檻。同時，不同形態的機器人帶來系統異構，數據格式不統一，進一步加劇了訓練難度。數據稀缺、分布不足，機器人正深陷“數據饑渴”，這也成為具身智能邁向規模化應用的核心瓶頸。
面對數據難題，業界主要采用兩條路徑：
一是生產數據，通過仿真、生成、合成等手段搭建數據金字塔，提升長尾場景的覆蓋率；
二是優化算法模型，提升效率與性能。例如 DeepSeek 采用稀疏 MoE 架構，僅激活 5%-10% 參數推理，配合 FP8 混合精度訓練，顯存降 30%，訓練提速翻倍；
對此，地瓜機器人也給出了自己的解法，兩端發力。第一步，是打造具身智能工具鏈云平臺，覆蓋業內最大規模的并行化訓練場與最完整的訓練工具鏈，旨在提升數據生產效率，加快模型訓練閉環。
“目前行業普遍缺乏統一 benchmark 和標準數據集，導致算法難以橫向比較和持續迭代。”多位行業專家曾向 AI 科技評論指出。這種分裂的狀態，已成為科研到工程轉化過程中的一大痛點。
地瓜機器人平臺內置專用 3D 數據庫，并通過高度并行的物理仿真環境生成各類長尾場景，輔助模型完成對復雜動作的模擬與驗證。與此同時，還支持模型在仿真和實機之間的快速遷移，加速具身智能模型迭代周期。
第二步，在算法側，地瓜機器人也在構建開放協作生態。CEO 王叢透露，團隊已在 CVPR、ICRA 等國際會議上發布多項具身智能相關成果，并與國內多所高校建立合作機制，圍繞 Manipulation、導航等關鍵任務優化模型，并逐步開源部分算法代碼和訓練腳本，便于行業開發者快速復現與集成。
數據是具身智能的突破口，一旦打開，將催生大量機器人模型，走向真正部署。但數據難題并非一蹴而就的工程，而是一個典型的閉環過程，必須在持續迭代中形成正循環。
如前所述，端到端架構需分階段實現，大小腦分層架構是當下更快落地的方案。而大小腦的核心是大小模型的深度融合，需要兼顧低功耗和多樣化算力組合的單 SoC 計算平臺。
隨著具身智能從人工設計算法向數據驅動模型演進，其對底層計算能力提出新要求：不僅追求 TOPS，還需要低延遲響應與控制閉環能力，并能承載更復雜的多模態模型。傳統的 CPU、GPU、MCU 架構分散，靈活度有限，而市面上也缺乏能統一調度多種計算單元、兼顧決策與控制需求的 SoC 產品。
6 月 11 日，地瓜機器人推出 RDK S100 算控一體化機器人開發套件，采用異構架構設計，在單一 SoC 上整合了機器人所需的幾乎所有處理單元，包括用于通信和邏輯決策的 CPU、用于模型推理的 BPU、用于底層高頻控制的 MCU，可同時兼顧感知推理和實時運動控制的計算需求，并減少系統的體積和復雜度。
CPU+BPU+MCU 的異構設計，是 RDK S100 的靈魂。它以單芯片實現對大模型感知推理與底層實時控制的協同調度：
大腦：由 6 個 Cortex-A78AE 高性能 CPU 核與新一代 BPU 納什（Nash）架構組成，具備高達 100K DMIPS 算力，支持 Transformer 等模型的高效推理與復雜任務規劃；
小腦：由四核心 Arm Cortex R52+ 實時 MCU 構成，提供 6K DMIPS 的運控能力，滿足低延遲、高頻次的底層控制需求。
據胡春旭介紹，與之配套的 BPU 納什架構，是地平線繼“伯努利”“貝葉斯”之后的又一代進化產品——前者針對 CNN 進行了結構級優化，后者則專注于 Transformer 的高效加速。如今，納什架構在算力與功耗之間找到更優平衡，并支持 80、120TOPS 靈活配置，適配不同形態的機器人應用。
為什么偏偏選擇百 TOPS 算力級別？這是出于對當前落地場景的判斷。
胡春旭表示，這一級別算力最適配的落地場景包括商業化清潔、園區或戶外的低速物流車，以及執行巡檢任務的四足機器人等。這類場景普遍具備環境結構化、任務可控的特點，對算力的需求也相對溫和，有助于在成本、功耗與功能之間找到平衡點，更容易在短期內實現規模化產品落地。
從市場和技術的反推角度看，先落地、再演進，是更為現實的路徑。
在產品戰略上，地瓜機器人正形成“有梯度”的算力組合：從 10 TOPS 的 RDK X5 到百 TOPS 級的 RDK S100，分別對應對控制強實時性與對模型強感知性的場景需求。
為了支撐具身智能的大模型部署，RDK S100 也支持多模型高效協同運行，從輕量級視覺模型到 LLM 等高語義層任務，打通多模態輸入與多樣化運動執行之間的鏈路——最終構建“感知-決策-控制”閉環體系，推動機器人在認知能力與交互能力上同時升級。
更進一步，圍繞該芯片平臺，地瓜機器人構建了完整的軟硬件協同棧，涵蓋深度適配的 ROS 操作系統、算法工具鏈、模型倉庫與云端訓練平臺，從芯片級能力到開發者生態形成閉環，構建屬于機器人的“端-云協同基礎設施”。
王叢表示，“從底層芯片出發，我們搭建了一整套面向具身機器人的基礎設施。它不僅要通用，還要夠用、好用，為行業提供真正能落地的‘地基’。”
在未來具身智能時代，“通用機器人”將不再是遙遠愿景，而是在數據與算法雙輪驅動下，以“小步快跑”的方式逐步實現。而落地的關鍵，始終是算力與數據兩端的閉環聯動。
2024年，機器人與大模型開啟相互滲透、快速發展階段。
地瓜機器人選擇從“賣鏟子”做起，從芯片到操作系統、從算法倉庫到數據云平臺，搭建具身智能的底座，是一場關于標準、生態與工程化能力的持久戰。它既延續地平線在車載智能領域的技術脈絡，也主動切換至機器人這一新戰場，將經驗轉化為判斷，將判斷轉化為產品。
這是一條從趨勢中反推產品、從應用中反推架構的路徑。是面對“數據饑渴”與“需求碎片化”困局時，不盲目卷模型參數，而是在算力、能效與生態適配間，尋找更實際的解法。
正如地瓜機器人所說：“要先找準能落地的場景。”
在巨大的智能化想象力背后，真正需要回答的問題，是哪類機器人可以率先規模化落地？哪類計算架構更適配當下的數據與工程現實？以及，誰來為這類場景提供標準化、可復制的底層技術棧。
這是技術公司在下一盤比模型更深的棋。
雷峰網雷峰網雷峰網(公眾號：雷峰網)
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
