【ZiDongHua 之“技術(shù)文章區(qū)”收錄關(guān)鍵詞：星海圖 具身智能 自動駕駛 機器人 】
　　
　　深度觀點 | 萬字長文分享！我們看到的具身智能的未來
 
　　
　　2025年6月21日，星海圖首席執(zhí)行官高繼揚受邀出席極客公園AGI Playground 2025，并發(fā)表主題演講《我們看到的具身智能的未來》。以下為本次演講全文實錄。
　　
　　我是星海圖的高繼揚，今天非常開心，也非常榮幸可以分享我們過去一段時間里在具身智能領(lǐng)域的一些感受、體會和思考。
　　
　　01
　　
　　From Motor To Model，
　　
　　具身智能是不能有短板的游戲
　　
　　我們從這句話開始說起吧，我們自己的一個很深的體會是，具身智能不是一個純軟件的事情，它是一個軟硬件結(jié)合的事情。所以我們把它稱作是一個“沒有短板的游戲”。它的具體表現(xiàn)就是這句話——From Motor to Model，從電機開始，到整機、再到數(shù)據(jù)，再到模型，它是一系列的整合。
　　
　　如果我們再對比一下大語言模型的發(fā)展，有一個很大的特點是，模型和產(chǎn)品之間的關(guān)系非常緊密，模型本身就決定了產(chǎn)品形態(tài)。因為人類在過去二十多年里已經(jīng)積累了大量的數(shù)據(jù)，隨著模型能力的提升，應(yīng)用層面的產(chǎn)品也就迅速進入了爆發(fā)期。
　　
　　但當(dāng)我們回到具身智能來看，會發(fā)現(xiàn)具身智能的發(fā)展還是相對比較緩慢的。那這個原因是什么呢？我們覺得，關(guān)鍵在于具身智能所需要的高質(zhì)量數(shù)據(jù)是缺乏的。而為什么缺乏高質(zhì)量數(shù)據(jù)？是因為缺乏合適的“本體”——也就是整機。再往上看，是因為整個供應(yīng)鏈也是缺乏的。
　　
　　所以我們說，從供應(yīng)鏈開始，從零部件、電機，到主機、到遙操作、再到數(shù)據(jù)，這一整套前序工作，都是智能發(fā)展所必須的條件。這也是我看到的一個顯著區(qū)別——具身智能在發(fā)展智能的時候，和大語言模型的發(fā)展路徑非常不同。而這也正是為什么我們認為，“整機 + 智能”才能構(gòu)成一個真正能和客戶發(fā)生直接價值交換的產(chǎn)品。
 
　　
　　在這樣的定位之下，我們?nèi)タ次磥韮傻饺?，具身智能到底能提供給客戶、提供給世界的產(chǎn)品形態(tài)會是什么？
　　
　　經(jīng)過這段時間的實踐和思考，我們認為最有概率的形態(tài)，是一個產(chǎn)品的組合——整機 + 預(yù)訓(xùn)練模型 + 后訓(xùn)練工具。這里說的后訓(xùn)練工具，可以理解成一整套遙操作設(shè)備，用來遙控機器人在特定場景中完成各類任務(wù)。
　　
　　這個產(chǎn)品組合的體驗應(yīng)該是什么樣的？
　　
　　我們認為它就像培訓(xùn)一個新員工一樣，客戶拿到我們的遙操設(shè)備，在實際任務(wù)場景中采集幾條、幾十條數(shù)據(jù)，把這些數(shù)據(jù)用來微調(diào)預(yù)訓(xùn)練模型，之后把模型部署回整機，機器人就能完成場景里面的特定任務(wù)。當(dāng)這樣的產(chǎn)品逐漸成熟并部署到下游場景中，它一定會成為一項重大的生產(chǎn)力。
　　
　　在這個過程中，星海圖自己就是開發(fā)者，同時也致力于去助力更多開發(fā)者，我們是一起做這件事的。因此在業(yè)務(wù)模式上，我們一直強調(diào)共創(chuàng)，面向企業(yè)客戶，我們提供“整機 + 智能”的產(chǎn)品；而面向開發(fā)者，我們則開放所有的工具鏈。
　　
　　要做好這一切，其實背后需要的是完整的供給體系——從 Motor 開始，電機、整機、遙操作系統(tǒng)、數(shù)據(jù)管線，再到智能模型，這五層全部打通，才有可能實現(xiàn)下面的這一切。
 
　　
　　02
　　
　　具身智能的瓶頸，
　　
　　是在正確的本體上獲取正確的數(shù)據(jù)
　　
　　我們回到當(dāng)下這個時間點來看，在具身智能的發(fā)展過程中，我們看到最主要的問題還是數(shù)據(jù)的問題。其實現(xiàn)在很多算法層面的要素已經(jīng)具備，而“算法 + 數(shù)據(jù) = 模型”。那問題就卡在沒有數(shù)據(jù)上，進一步往前推是沒有在正確本體上的數(shù)據(jù)。
　　
　　我們可以先回顧一下 ImageNet。其實 ImageNet 已經(jīng)是十五年前的事情了，大概在 2010 年左右。正是因為當(dāng)時計算機視覺領(lǐng)域有了 ImageNet 這樣的大規(guī)模高質(zhì)量數(shù)據(jù)集，后來才誕生了很多具有代表性的工作，比如 AlexNet、VGG 等等，也帶動了深度學(xué)習(xí)的第一次崛起。
　　
　　這個過程給整個業(yè)界的一個重要的lesson learn，要想有好的算法和模型，前提是有好的數(shù)據(jù)。先有高質(zhì)量的數(shù)據(jù)，才有高質(zhì)量的模型。這個范式，其實在大語言模型、自動駕駛的發(fā)展中我們也都看到了類似的情況。
　　
　　那回到具身智能，它的特殊之處在于我們所需要的數(shù)據(jù)不是天然存在的。它不像、文本、視頻這些互聯(lián)網(wǎng)原生數(shù)據(jù)，這些數(shù)據(jù)對于具身智能來說其實是相對低質(zhì)量的數(shù)據(jù)。具身智能真正需要的是機器人本體與物理世界交互的數(shù)據(jù)——比如操作一個物體、開門關(guān)門、抓取、放置等。就像是一個嬰兒出生后，在和世界互動、摸索的過程中逐漸積累起來的感知與動作數(shù)據(jù)。這些才是我們講的具身智能的數(shù)據(jù)。
　　
　　而要構(gòu)建這樣的數(shù)據(jù)體系，其實必須有一個標(biāo)準(zhǔn)。所以我們認為，首先要有一個標(biāo)準(zhǔn)的本體，然后在這個本體之上，去積累機器人與物理世界交互的數(shù)據(jù)。接著才能定義任務(wù)、定義評測指標(biāo)，最后模型的演進才能真正進入一個相對高速的發(fā)展期。
　　
　　循著這樣的思路，從我們創(chuàng)業(yè)開始就自己去定義我們的本體。因為我們重點做的是雙臂操作，這跟宇樹做的雙足、全身運動控制方向不太一樣。我們更多是希望機器人真正干活，所以我們把重點放在雙臂操作上。
　　
　　在定義本體、定義整機的過程中，我們提出了一個核心理念，叫做“智能定義本體”。
　　
　　那雙臂操作到底需要什么樣的本體？
　　
　　我可以給大家舉幾個例子。在這個過程中，其實有很多是從智能的需求出發(fā)，對硬件提出的新要求。
　　
　　比如我們現(xiàn)在的雙臂系統(tǒng)，采用的是低減速比的行星減速器。這和傳統(tǒng)使用諧波減速器構(gòu)成的機械臂系統(tǒng)很不一樣。我們的方案更能夠滿足人類類似的高動態(tài)操作需求，而且在控制上也更適配模仿學(xué)習(xí)的訓(xùn)練方式。所以我們的雙臂系統(tǒng)，是圍繞低減速比、高動態(tài)、大負載這幾個方向來做的。有時候為了更好地支撐算法能力，我們甚至?xí)苯有薷碾姍C的底層驅(qū)動。
　　
　　在軀干部分，我們采用的是高減速比的電機。因為在實際作業(yè)過程中，如果發(fā)生一些緊急斷電情況，很多雙足機器人在這種時候會直接塌下來。
　　
　　我們在軀干這個部分放了四個高減速比電機，它們本身具備非常強的支撐力，即使緊急斷電，也不會直接倒下，而是可以支撐在那兒。
　　
　　再說到底盤，人的雙腿很重要的一個作用，就是能全向移動：橫著跨一步，斜著走一步，不用轉(zhuǎn)身。這個“橫移”、“跨步”、“全向移動”對上半身的操作能力其實是非常關(guān)鍵的。
　　
　　而傳統(tǒng) AGV 底盤很多是雙輪差動的，需要轉(zhuǎn)身再轉(zhuǎn)回來，這就和上層的雙臂操作能力脫節(jié)了。所以我們底盤采用的是六電機、三舵輪的全向移動方案。
　　
　　這就是我們圍繞雙臂操作的智能需求，重新去定義的整機本體?，F(xiàn)在已經(jīng)有了 R1、R1 Pro 和 R1 Lite 三款產(chǎn)品，特別是 R1 Lite 是我們和 Physical Intelligence 團隊聯(lián)合定義的，他們也在我們平臺上開發(fā)了 PI0.5 模型。我們和他們還有一些數(shù)據(jù)合作，也會在今年下半年逐步發(fā)布。所以這就回到我們前面說的，要有好的數(shù)據(jù)，必須得先有正確的本體。
　　
　　那回到數(shù)據(jù)這個問題上，有了本體之后，我們到底需要什么樣的數(shù)據(jù)？
　　
　　現(xiàn)在很多人在搞具身智能數(shù)據(jù)建設(shè)時，第一反應(yīng)是去建一個自采場。但我們認為，預(yù)訓(xùn)練真正需要的數(shù)據(jù)，必須來自真實場景中的開放數(shù)據(jù)。所以我們不是去大搞自建場景，而是直接把機器人投放到各種真實的應(yīng)用場景中去采集數(shù)據(jù)。
　　
　　我們現(xiàn)在、此時此刻，就有幾十臺機器人正在真實場景中進行數(shù)據(jù)采集。這些場景可能是酒店、公園、食堂，也可能是商場——我們就是把機器人投放到這些真實環(huán)境中去做采集。
　　
　　但這個事情其實并不簡單。因為這里面涉及大量工具鏈相關(guān)的問題，比如數(shù)采運營的問題、數(shù)采工藝的問題。
　　
　　我們是把數(shù)據(jù)采集當(dāng)作一個“生產(chǎn)活動”來做的。既然是生產(chǎn)活動，那就需要思考怎么做一次遙操作，怎么執(zhí)行一整套遙操流程。這里面其實就像在工廠里做裝配一樣，有很多工藝要素要規(guī)劃，比如怎么組裝一個零件、每個動作的標(biāo)準(zhǔn)是什么。這些都不是拍腦袋決定的，而是需要有方法、有流程的。
　　
　　在工藝標(biāo)準(zhǔn)制定清楚之后，還涉及到怎么運營一個數(shù)采團隊，再往下是我們要配套一整套什么樣的工具鏈，來支撐整個數(shù)采活動。
　　
　　按照我們的計劃，到今年三季度，我們會累計完成1萬小時的真實交互數(shù)據(jù)。這些數(shù)據(jù)都是來自我們的本體與物理世界的實際交互。目前，我們采集到的操作對象種類已經(jīng)超過1,000個，任務(wù)類型超過300種。這些數(shù)據(jù)構(gòu)成了我們進行具身智能基礎(chǔ)模型預(yù)訓(xùn)練最重要的數(shù)據(jù)基礎(chǔ)。
　　
　　而且所有這些數(shù)據(jù)，都是圍繞著兩個我們認為“正確的本體”來進行采集的。我們也計劃將這些數(shù)據(jù)分步驟向開發(fā)者釋放，支持更多開發(fā)者開展基礎(chǔ)研究和應(yīng)用開發(fā)。
　　
　　03
　　
　　具身基礎(chǔ)模型應(yīng)堅持端到端和真機數(shù)據(jù)為主
　　
　　那么當(dāng)有了數(shù)據(jù)之后，我們就進入“智能”這一部分。在基礎(chǔ)模型訓(xùn)練方面，我們堅持兩個核心原則：一是端到端，二是真機數(shù)據(jù)為主。
　　
　　我們可以先解釋這“兩個端”分別是什么：
　　
　　一端是視覺（Vision）和指令輸入（Language），這個指令可以是自然語言，也可以是結(jié)構(gòu)化的編碼指令；
　　
　　另一端是Action，也就是機器人最終的動作輸出。我們希望模型是基于這種完整閉環(huán)的輸入輸出來訓(xùn)練的。整體的訓(xùn)練架構(gòu)，其實和我們看到的其他領(lǐng)域的基礎(chǔ)模型有一些相似——也是“預(yù)訓(xùn)練 + 后訓(xùn)練”的結(jié)構(gòu)。
　　
　　在這其中我們要特殊地去解釋一下，具身智能的預(yù)訓(xùn)練到底在干什么？它解決的是什么問題？
　　
　　對于具身智能來說，預(yù)訓(xùn)練的本質(zhì)，是在學(xué)習(xí)本體與物理世界交互的基本法則。做個類比，更像是一個嬰兒——從剛出生，到三五歲，再到上小學(xué)的過程中，他不斷地跟物理世界發(fā)生接觸、碰撞和摸索，學(xué)習(xí)怎么去使用自己的身體、理解世界。這個過程就是預(yù)訓(xùn)練。
　　
　　而后訓(xùn)練，更像是讓他到了一個具體的崗位上，執(zhí)行一個具體任務(wù)，它是面向具體任務(wù)的適配過程。這是我們看到的具身智能的預(yù)訓(xùn)練和后訓(xùn)練的區(qū)別和關(guān)系。
　　
　　具體在預(yù)訓(xùn)練這部分，我們采用的是一個“快慢雙系統(tǒng)”的結(jié)構(gòu)。實際上這個快慢結(jié)構(gòu)，最早是我們星海圖的聯(lián)合創(chuàng)始人趙行在自動駕駛領(lǐng)域里首創(chuàng)的，后來也被應(yīng)用到了具身智能領(lǐng)域。
　　
　　所謂“慢思考”，主要是指做一些邏輯推理、任務(wù)拆解，還有與人的多輪交互等能力。這部分通常由“多模態(tài)大語言模型（VLM）”來完成。
　　
　　而“快執(zhí)行”這部分，其實才是具身智能公司需要真正聚焦解決的問題。它是一個實時的執(zhí)行、閉環(huán)的反饋工具，還要集成感知識別等模塊。這一部分模型通常被稱作 VLA，參數(shù)量大概在十億級別。相比之下，慢思考模型的參數(shù)量在百億級別甚至更大。
　　
　　因為這種結(jié)構(gòu)的存在，我們在終端部署時，往往也需要面對“云、廠、端”三側(cè)協(xié)同的問題，這里面還有很多工程挑戰(zhàn)需要持續(xù)探索。
　　
　　后訓(xùn)練部分，它更多是圍繞特定任務(wù)來進行，比如“拿起一個杯子倒水”。這就是一個完整的任務(wù)。圍繞這種任務(wù)，我們通常會采集100條到200條數(shù)據(jù)，每一條數(shù)據(jù)就是從頭到尾完成這個任務(wù)的一整套數(shù)據(jù)。這個過程，就是我們所說的預(yù)訓(xùn)練 + 后訓(xùn)練的全流程。
　　
　　而經(jīng)過這個流程之后，我們希望看到的效果是：在垂類場景中，簡單任務(wù)可以實現(xiàn)零樣本泛化，復(fù)雜任務(wù)可以實現(xiàn)少樣本泛化。所謂“少樣本”，我們的定義是需要多少條增量數(shù)據(jù)來完成一個新任務(wù)的學(xué)習(xí)，目前模型的能力大概是在100條這個量級。這是我們目前看到的具身智能基礎(chǔ)模型，在第一個階段的主要技術(shù)范式。
　　
　　后面我們現(xiàn)在正在做的一些任務(wù)案例，包括清理桌面、把衣服放進柜子、開窗、拿東西放東西，雙手戴毛線帽，打開冰箱并把東西放進去，或者使用工具完成具體操作等等。
　　
　　這些任務(wù)其實都是我們預(yù)訓(xùn)練階段的重要組成部分。它的本質(zhì)，是讓我們的機器人本體盡可能多地與物理世界中的各種場景和任務(wù)發(fā)生交互，在實踐中去學(xué)習(xí)。這一階段對數(shù)據(jù)量的要求非常高，通常需要幾千到上萬小時的高質(zhì)量交互數(shù)據(jù)，才能支撐出具有良好泛化能力的基礎(chǔ)模型。
　　
　　后面有一個問題還是挺重要的，也是在具身智能發(fā)展“智能”的同時與商業(yè)結(jié)合的過程中遇到的問題，具身智能的“智能”到底要解決什么樣的問題？
　　
　　從技術(shù)本質(zhì)上看，它要解決的是“泛化”問題，具體而言是四個“泛化”問題，包括對象泛化、動作泛化、場景泛化和本體泛化。這四個泛化組合起來是完整的具身智能的技術(shù)終局。
　　
　　對象泛化指的是，比如同樣的“抓取-放置”類動作，面對不同的物體都能完成任務(wù)，比如今天抓瓶子，明天抓杯子，或者抓手機、抓其他小物件，都能泛化適應(yīng)。動作泛化則是指面對同一個物體，機器人能夠完成不同的操作，比如今天抓杯子放下，明天就能擰瓶蓋、或者倒水，這是能力上的橫向延展。
　　
　　場景泛化強調(diào)的是，同樣一個任務(wù)，在不同的環(huán)境背景下依然可以完成，比如今天的桌面是這樣，明天換一張不同顏色或布局的桌子，機器人依然能完成任務(wù)。最后是本體泛化，意思是一個模型可以在一種機器人本體上運行，也能在另一種類型的本體上遷移使用。這四類泛化能力如果都能實現(xiàn)，我們認為具身智能的“智能問題”就基本解決了。
　　
　　但從另一個角度看，也就是從商業(yè)化和產(chǎn)品價值的角度來看，在當(dāng)前階段最關(guān)鍵、最具實際價值的，其實還是對象泛化和動作泛化。
　　
　　這是因為我們觀察到，具身智能目前的大量應(yīng)用場景都是工站式的、序列化的任務(wù)，它不像自動駕駛那樣需要在廣闊開放的道路環(huán)境中持續(xù)泛化，因此場景泛化的挑戰(zhàn)性沒有自動駕駛那么強。而本體泛化方面，正如我們前面講到的，具身智能產(chǎn)品形態(tài)不是模型、而是整機+智能。
　　
　　在這樣的產(chǎn)品形態(tài)下，本體泛化在商業(yè)初期階段沒有那么重要。所以我們認為，具身智能需優(yōu)先解決對象泛化和動作泛化的問題，解決這兩個的組合之后，有相當(dāng)比例的場景和應(yīng)用就可以被開發(fā)出來、商業(yè)價值也就可以被釋放出來了。
　　
　　04
　　
　　構(gòu)建具身智能商業(yè)閉環(huán)的關(guān)鍵變量是開發(fā)者群體
　　
　　最后我們簡單談一下關(guān)于應(yīng)用和商業(yè)化的問題。在這個過程中，星海圖始終特別重視開發(fā)者群體。我們一直認為，具身智能商業(yè)閉環(huán)的核心變量就是開發(fā)者。
　　
　　為什么這么說？因為具身智能的繁榮，歸根結(jié)底是應(yīng)用的繁榮，而應(yīng)用要能產(chǎn)生價值，就必須有一群有活力、聰明的開發(fā)者在做各種各樣的應(yīng)用。
　　
　　開發(fā)者在做具身智能應(yīng)用的過程中，其實是需要支持、需要幫助的。我們自己走過這個過程，所以深有體會，具身智能的鏈條很長，供應(yīng)鏈、制造、電機、整機、遙操作、數(shù)據(jù)等都做完之后，才能做模型、做應(yīng)用。我們不可能要求每一個開發(fā)者都從頭把這些底層環(huán)節(jié)再做一遍。
　　
　　所以我們的理念是，星海圖自己是一個開發(fā)者，我們自己會面向場景做應(yīng)用，同時我們也會盡可能地把我們做好的工具、整機產(chǎn)品開放出來，去幫助更多的開發(fā)者一起推進具身智能的發(fā)展。
　　
　　也正是基于這樣的思路，我們現(xiàn)在在全球已經(jīng)有超過 50 個合作伙伴和客戶，大家一起做開發(fā)，一起打磨產(chǎn)品。這個過程中，我們逐步構(gòu)建起一個“四位一體”的生態(tài)圈——從本體，到數(shù)據(jù)，到模型，到應(yīng)用，全鏈條打通。
　　
　　我們相信，具身智能行業(yè)真正成功的那一天，一定不是星海圖一個公司的成功，而是整個生態(tài)里的很多個企業(yè)大家一起成功。在這個一起成功、一起把行業(yè)做出價值的過程里面，我們希望能夠幫助大家。
　　
　　也在這里提前給大家做個預(yù)告，今年8月的世界機器人大會（WRC）上，星海圖將正式發(fā)布我們的具身基礎(chǔ)模型，并開源 Preview 版本，其背后使用的就是前面提到的整套本體與真實場景的數(shù)據(jù)管線。
　　
　　而到今年9月底的CoRL（Conference on Robot Learning）上，我們也將進一步開放我們的數(shù)據(jù)集與完整的訓(xùn)練模型，歡迎大家提前關(guān)注。這兩次重要的開源發(fā)布，我們希望能夠?qū)呱碇悄艿拈_發(fā)應(yīng)用起到激活的作用。
　　
　　同時，我們也想分享一下目前在全球范圍內(nèi)與我們合作的一些開發(fā)者案例。很多人一提到“開發(fā)者”，可能第一反應(yīng)是科研人員，但其實真的遠不止如此。
　　
　　開發(fā)者是一個廣義的群體，有在高校進行研究的老師和博士生，也有國家資助的重點實驗室，更有大廠里的前沿創(chuàng)新團隊，以及不斷涌現(xiàn)的創(chuàng)業(yè)公司。
　　
　　最早使用我們 R1 整機進行全身遙操作訓(xùn)練的，是斯坦福李飛飛團隊；在北美，有多家創(chuàng)業(yè)公司在倉儲與后廚等典型場景中使用我們的平臺開發(fā)應(yīng)用。我們也協(xié)助上海人形機器人創(chuàng)新中心構(gòu)建了他們的第一個數(shù)據(jù)采集場，并助力 Physical Intelligence 團隊完成了 π0.5 模型的研發(fā)。除此之外，華為云、螞蟻集團都是我們重要的開發(fā)者生態(tài)伙伴。
　　
　　說到這里，我想最后分享一個觀點，就是我們看到具身智能已經(jīng)走到了“上半場”的結(jié)尾，正在迎來“下半場”。幸運的是，我們在經(jīng)歷具身智能上半場的同時，觀察到了隔壁大語言模型的下半場是長什么樣的，一定是“應(yīng)用為王”。
　　
　　具身智能的應(yīng)用什么時候能來，我們還是從供給側(cè)、需求側(cè)簡單分析一下，為什么我們說 2026 年是具身智能應(yīng)用的元年。
　　
　　從供給側(cè)來看，最核心的幾個變量正在同時成熟。第一個是本體的成熟，不僅僅是星海圖自己的機器人本體，整個行業(yè)中也有越來越多高質(zhì)量的本體平臺在逐漸成熟穩(wěn)定；第二個是基礎(chǔ)模型具備了一定的泛化能力。
　　
　　模型的供給能力有幾個定量的指標(biāo)非常重要，第一是操作精度，具身智能模型目前可以做到的操作精度是厘米級；第二是操作速度，目前智能系統(tǒng)的操作速度大約是人類的70%到80%；第三是泛化能力，目前機器人學(xué)習(xí)新任務(wù)的樣本量大約在百條量級，也就是我們說的“少樣本泛化”。這些指標(biāo)逐漸穩(wěn)定，就意味著下游的應(yīng)用釋放也將進入實質(zhì)階段。
　　
　　同時還有一個很關(guān)鍵的要素，就我們看到全球范圍內(nèi)，具身智能的開發(fā)者群體在快速地增加。
　　
　　需求側(cè)其實也有很重要的變化，過去兩年在我看來基本上是“全民探索具身智能可用場景”的階段。無論是大公司還是中小企業(yè)，大家都在尋找用具身智能優(yōu)化工作流程的機會。這個過程中，很多應(yīng)用場景也開始逐漸清晰，而市場的預(yù)期也在變得更加理性。
　　
　　兩年前，特斯拉展示人形機器人 Demo 的時候，很多人一度期待機器人能在短期內(nèi)取代整條生產(chǎn)線的工人，但現(xiàn)在更多人開始意識到，具身智能要從局部環(huán)節(jié)、工站式任務(wù)、服務(wù)型應(yīng)用逐步切入，先跑通商業(yè)路徑，再進入規(guī)?；涞?。
　　
　　基于這些變化，我們堅定地認為，2026年將真正成為具身智能下半場的開啟之年。而這個下半場的核心，就是應(yīng)用。
　　
　　在這個過程中，星海圖自己不僅要加油努力，我們也愿意與行業(yè)中的合作伙伴、客戶一起共創(chuàng)、共研，一起推動具身智能走向真正的落地時刻。
　　
　　如對星海圖產(chǎn)品感興趣，歡迎聯(lián)系咨詢：
　　
　　熱線電話：4008 780 980
　　
　　郵箱地址：product@galaxea.ai