公司商业化进展 - 星尘智能与深圳市养老护理院达成深度战略合作，聚焦AI养老机器人研发、多模态数据训练及智慧照护系统落地，探索具身智能技术在生活辅助、健康监测、情感陪伴等养老场景的创新应用[3] - 旗下轮式仿生机器人Astribot S1成为国内首个进入养老护理院的人形机器人[4] - 公司于2024年12月30日开启Astribot S1预售，并为客户配置丰富套件和开发工具，与头部高校、企业、数据中心等合作落地实践[16] 技术突破 - 自研VLA大模型DuoCore系统实现重大更新，采用快慢系统架构，具备「本能反应+深度思考」双智能模式，显著提升抗干扰能力、泛化性和自适应性[6] - DuoCore采用高度仿人的知识迁移机制，实现跨场景「元技能」迁移，降低新技能学习数据成本[8] - 首创"Design for AI"软硬件一体化架构，实现视觉、触觉、力觉等多模态数据交互，在ICRA大会上展示0延时遥操体验[9] 行业趋势与竞争格局 - 国际电工委员会发布全球首个养老机器人国际标准IEC 63310，护理和陪伴机器人成为产业发展重点[4] - 具身智能领域双系统架构VLA模型成为主流，Figure AI、Physical Intelligence、英伟达等均推出同类技术[8] - 星尘智能是首家与Physical Intelligence战略合作的人形机器人公司，并获科技大厂投资认可[9][16] 产品性能 - Astribot S1单臂自由度7个，末端速度超10m/s，额定负载10公斤，负载自重比1:1，重复定位误差仅30微米，性能超越普通成年男性[11] - 搭载Physical Intelligence的机器人基础模型π0，定位为"新一代AI机器人助理"[13] 融资与资本动态 - 2025年4月完成A轮及A+轮数亿元融资，由锦秋基金（字节系）、蚂蚁集团领投，道彤资本、云启资本跟投[14] - 科技大厂加速布局具身智能赛道，华为、美团、腾讯、京东等通过投资加码入局[16] 战略定位与团队背景 - 公司愿景为"让数十亿人拥有AI机器人助理"，核心团队6人来自腾讯RoboticsX实验室，兼具AI与机器人工程化能力[10] - 创始人兼CEO来杰曾任职百度小度机器人团队负责人及腾讯RoboticsX嵌入式组组长[10] 行业前景与挑战 - 陪伴型机器人预计三年内进入家庭，护理型机器人五年内有望催生万亿级市场[4] - 养老场景对机器人泛化性要求极高，目前仍处于早期阶段，需解决安全性、感知算法等技术瓶颈[18] - 人形机器人商业化需突破算力、算法、数据、硬件、工程化等多维瓶颈，具备自研大模型能力的企业更具竞争优势[17][19]

核心观点 - 智平方发布全栈自研全域全身具身智能大模型Alpha Brain和新一代仿生机器人AlphaBot 2，具备从桌面到开放环境、从单臂到全身、从简单到长程任务的能力 [1][3] - Alpha Brain采用GOVLA架构，整合空间交互基础模型、慢系统(System2)和快系统(System1)，实现复杂逻辑推理与实时动作控制 [5] - 公司首次将DeepSeek技术融入VLA大模型，提升长程复杂任务理解能力，并与优必选科技等企业共同推动双系统架构VLA模型成为行业主流 [5][8] - AlphaBot 2搭载Alpha Brain，具备34+全身自由度、0-240cm垂直工作范围和6h+续航能力，适配汽车制造、半导体等多场景任务 [7][8] 技术架构 - GOVLA大模型由空间交互基础模型、慢系统(System2)和快系统(System1)组成，慢系统负责复杂逻辑与任务拆解，快系统控制实时动作 [5] - 双系统架构技术路径将VLA拆分为VLM和动作执行模型，解决传统VLA数据采集难和长期规划问题，提升复杂场景适应性 [13] - 智平方是国内最早研发端到端VLA模型的企业，其RoboMamba模型在未见任务泛化能力上超越Google RT系列模型 [14] 商业化进展 - 公司已签约多家车企和高端制造企业，2024年实现数千万收入，并提供AI2R Brain MaaS订阅服务，计划按"智能操作工时"收费 [20] - 与吉利科技晶能微电子合作研发半导体制造机器人，与华熙生物开发生物科技领域智能解决方案 [24] - 目标2028年实现万台应用，2030年达成百亿级营收，2033年拓展至百万台规模 [20] 融资与行业动态 - 2025年完成Pre-A+轮数亿元融资，投资方包括敦鸿资产、云启资本等，此前Pre-A轮由达晨财智领投 [25] - 具身智能赛道吸引车企和自动驾驶领域人才创业，它石智航等公司完成亿级融资，行业进入融资热潮 [22][23] - 行业共识认为全栈自研是核心竞争力，智平方等具备AI+本体能力的企业更受资本青睐 [26][27] 创始团队背景 - 创始人郭彦东为国家级创新领军专家，曾任小鹏汽车首席科学家和OPPO首席科学家，具备AI与硬件复合背景 [17] - 副总裁邱巍拥有清华大学和德国高校背景，曾在西门子工作13年，后加入驭势科技任高管 [17] - 核心团队来自微软、小鹏、OPPO及清华、北大等顶尖高校，覆盖AI、机器人、智能终端领域 [18]

文章核心观点 - 通用机器人是AGI从数字世界走向物理世界的重要路径，robot foundation model旨在为机器人构建大脑以实现通用能力 [3] - Physical Intelligence（PI）被视为机器人领域的OpenAI，专注于开发通用机器人的foundation model，近期开源了通用模型π0并推出分层推理系统Hi Robot [3][10][26] - 实现机器人泛化的核心在于获取多样化数据而非仅追求数据质量，需扩大真实机器人数据规模并优化跨平台数据共享 [12][17][18] - 人形机器人形态当前被高估，未来机器人形态将呈现多样化"寒武纪大爆发"，物理智能才是AGI核心 [4][22][36] Chelsea Finn机器研究的开端 - 研究始于10年前伯克利博士阶段，早期探索神经网络控制将图像像素直接映射到机器人扭矩，当时属非主流方向 [6] - 关键挑战在于让机器人在不同环境/物体间泛化任务能力，如拧瓶盖、挂衣架等基础操作 [6] - 研究路径涉及构建广泛数据集，结合强化学习、模仿学习等方法，曾在Google Brain工作并创立斯坦福实验室 [7] PI的研究进展和发展 - 目标构建可控制任何机器人执行任何任务的神经网络模型，突破传统单一任务优化局限 [10] - 采用跨平台数据整合策略（六轴/七轴/单双臂机器人），最大化数据复用价值以解决硬件迭代导致的数据废弃痛点 [10][12] - 2023年10月展示复杂任务能力（叠衣/清理/纸箱搭建），当前重点扩展语言交互与环境泛化能力 [13][15] - 技术架构依托Transformer和预训练Vision-Language Model，利用互联网知识迁移（如Taylor Swift案例） [15][16] 机器人实现AGI的路径 - 短期难预测具体应用场景，需探索人机协作模式降低容错要求，语言交互是重要突破方向 [21] - 运动控制蕴含进化级智能，基础操作（倒水/做麦片）实际具有极高复杂性 [23] - 关键里程碑研究：SayCan（语言模型规划）、RG2（网页数据集成）、RT-X（跨机器人形态训练）、Aloha（远程操作训练） [24] Hi Robot系统设计 - 分层推理架构：高层模型处理任务规划（如"拿起番茄"），低层模型转换为具体动作指令 [26] - 解决长周期任务执行与实时交互需求，已实现三明治制作/购物/清理等场景 [28] 传感器与硬件发展 - 当前依赖视觉（RGB摄像头）已取得显著进展，手腕摄像头可部分替代触觉传感器 [29] - 嗅觉/味觉等冗余传感器虽有益但非优先级，当前瓶颈在于数据处理与记忆功能开发 [30] - 未来硬件将趋向场景专用化（厨房/折叠衣物等），形成多形态共存的生态系统 [36][37] 自动驾驶与机器人领域对比 - 机器人操作空间维度更高（14维vs自动驾驶2D），精度要求更严但分布问题范围较小 [31] - 初创公司优势在于快速迭代部署，大公司受限于安全规范难以实现多样化数据收集 [34] 训练数据方法论 - 人类观察数据（如YouTube）价值有限，机器人需从自身物理经验中学习运动控制 [35] - 数据泛化能力取决于分布广度，通过建筑物/场景数量等指标粗略评估 [36] - 自动化经验与强化学习结合是提升数据价值的关键路径 [35]