出品｜虎嗅科技组
作者｜陈伊凡
编辑｜苗正卿
头图｜AI生成
“具身智能，还处于乱世。”
这是与CyberOrigin（下称：赛源）创始人殷鹏见面时，他对我说的第一句话。赛源是特斯拉、英伟达等公司在人形机器人领域的合作商之一。而其所在的珠三角，是世界机器人供应链的核心，那是殷鹏真正的“战场”全球任何一家机器人相关的公司，都必须到珠三角寻找硬件供应链，如今，还包括数据。在机器人圈，这些为特斯拉、英伟达人形机器人提供关键训练数据的公司，往往被视为巨头背后的“卖水人”。
和此前十余年“卖水人”多为生产制造环节相关公司不同，AI纪元下，数据类“卖水人”正在异军突起。一批诸如赛源，开始聚焦于提供机器人与真实物理交互的数据。以殷鹏的公司为例，它的客户名单中，包括英伟达、特斯拉、OpenAI的人形机器人；也包括谷歌和斯坦福李飞飞的机器人模型训练实验室，也是赛源能够与其他机器人数据公司拉开差距的地方。
但对于这些“卖水人”而言，2025年以来警报声不时响起。
近期，据媒体报道，特斯拉被曝暂停人形机器人的研发，调整设计。殷鹏在四月份已知道这个消息，暂停的主要原因，仍然在数据问题特斯拉需要更多机器人数据以训练模型。这对于赛源这样的数据提供商而言，是个好消息，真实物理交互数据，而非本体，正在成为这场具身智能军备竞赛中的核心弹药“机器人是引擎，数据是石油。没油，发动机运不了。” 殷鹏说，“我们需要成长为特斯拉最大的数据端供应商。”
当虎嗅于六月在上海见到殷鹏时，他穿了一身运动打扮，黑色迪桑特polo衫和运动鞋，倔强的刘海，时不时在说话间甩到前额，他再利落地把它撇开。见面时，他正经历一场短期出差，还带有一丝风尘仆仆，他需要在晚上飞回深圳，也是大量“卖水人”的基地所在。
作为赛源的CEO，殷鹏的另一个身份是香港科技大学助理教授，他曾师从SLAM和规划界传奇人物，JiZhang教授，他开创了实时 3D 激光雷达 SLAM 的先河，并将其商业化。这一技术，是机器人、自动驾驶车辆的“导航大脑”，如果没有它，扫地机器人、车辆自动驾驶将无法存在。而殷鹏在此后曾深度参与NASA（美国国家航空航天局）、DARPA（美国国防部高级研究计划局）和英伟达的课题，其第一篇国际顶刊文章，成为NASA火星降落的参考方案之一，殷鹏也是NASA火星登陆项目的高级顾问；在DARPA的地下机器人挑战赛上，殷鹏和团队开发出了首个超大规模多机协作定位建模系统，这个成果也发了第二篇国际顶刊论文。
图为殷鹏在实验室 图片由殷鹏提供
在与虎嗅的交流中，殷鹏不断提及马斯克特斯拉的创立者，他强调“第一性原理”的方法论，他读马斯克的自传，拆解这位硅谷“钢铁侠”的创业逻辑、商业故事，他称马斯克为“老马”，“第一性原理非常可怕，他能把一件在旁人看来不可能实现的事情变成可能。”殷鹏说。
2024年，殷鹏选择创立赛源。在创业之初，殷鹏请教过不少前辈，其中包括香港科技大学教授李泽湘与高秉强，前者建议充分利用大湾区的资源。后者则建议做海外市场，以及思考C端的生意。高秉强不仅是导师，也是殷鹏最早的天使投资人，这位在硬科技领域投资了不少上市企业的前辈告诉他，当下时点，找一个切口去创业，再层层迭代。
面对虎嗅，殷鹏分享了自己对具身智能的看法和创业的想法，从学者转化为企业CEO，殷鹏很坚决，因为学术已经很难满足他需要的资源，他需要到业界、到一线去获得更快更真实的数据反馈。这也是为什么他没有选择做CTO，而直接选择做CEO的原因。
“如果认准了身位，那就义无反顾。”殷鹏说。
机器人的ChatGPT时刻
虎嗅：很明显的行业趋势是，ChatGPT出现之后，出现了Emboied AI的概念，随即特斯拉、英伟达、亚马逊等大公司开始发布其各自的通用人形机器人计划。这个飞跃在过去机器人历史中极为少见。Transformer架构究竟做了什么，让这个行业出现这样质的飞跃？
殷鹏：Transformer架构最大的提升在于发明了一种可以Scaling Law的模式。过去我们强调强化学习的效果能达到多少，训练数据集和测试数据集相差不大，因为场景很多，一定无法涵盖所有场景，那么模型要不断重新训练。但这种基于监督学习的方式，在未知领域发展很慢。Transformer架构可以输入足够多的数据，在足够多的数据下再进行微调和提升。
这个策略架构最早是谷歌提出来，但真正用起来的是特斯拉的那群人，将Transformer架构运用在自动驾驶上。因为研究人员发现，Transformer的核心是当数据量到一定数量级时，会出现涌现。这让具身智能在空间理解方面有了很大进步。
首先，它实现了空间理解能力的质变：传统强化学习在有限场景中只能进行局部探索，而借助Transformer的自注意力机制，机器人能够对整个三维空间进行全局感知，并通过同时处理视觉、语言与动作等多模态信息，形成统一的空间认知模型；其次，它在泛化能力上取得了突破，传统方法在训练集和测试集场景相似时表现尚可，但一旦场景变化就需重新训练，而Transformer模型通过大规模数据训练后，能够在未见过的场景中自主推理与适应；第三，这一架构推动了从规则驱动到数据驱动的范式转变，彻底告别了基于IF-ELSE的人工规则系统，实现了从感知到动作的端到端学习，极大地减少了中间环节的信息损失。
此外，Transformer擅长时序建模，其注意力机制让机器人不仅理解动作间的先后关系，还能进行复杂动作序列的长期规划；更重要的是，它支持多任务学习：在世界模型中，视觉、语言与操作被整合于同一模型；在分层架构中，上层负责高层推理与决策，下层则承担精确执行，两者兼顾；在数据效率方面，尽管依然需要大量数据，但与传统方法相比，Transformer能用更少的任务特定示教数据完成复杂任务，并将学到的知识迁移到相关任务；同时，其在线学习能力使机器人在执行过程中不断学习与调整，并对光照、物体位置等环境变化具有更高的鲁棒性；最后，它实现了语言理解与执行的统一，不仅能理解复杂的自然语言指令，还能结合视觉信息进行多模态推理并转化为具体动作。
这种从“专用AI”向“通用AI”的转变，让机器人从只能执行预设任务的工具，进化为具备环境理解、技能学习与新场景适应能力的智能体，这一技术进展正是“通用机器人成为可能”的根本驱动力，也是当前人形机器人热潮的核心所在。
虎嗅：你刚才说最早将Transformer发扬光大的是特斯拉的无人车，让大家看到一个重要的实现路径，可以展开说说吗？
殷鹏：特斯拉无人车将Transformer"发扬光大"的关键在于他们率先将Transformer架构应用于自动驾驶的视觉感知系统，实现了从多个摄像头输入到驾驶决策输出的端到端学习。
这打破了传统自动驾驶依赖激光雷达和复杂传感器融合的技术路线，证明了纯视觉方案的可行性。特斯拉拥有全球最大的自动驾驶数据收集网络，每天有数百万辆车在路上收集数据，他们率先验证了Transformer架构在大规模真实世界数据下的"涌现"效应，当数据量达到一定规模时，模型性能会出现质的飞跃。
特斯拉的Transformer模型能够同时处理8个摄像头的实时画面、车辆运动轨迹和历史状态、以及3D环境理解和路径规划，这种统一的多模态处理能力为后来的具身智能提供了重要借鉴。
更重要的是，特斯拉证明了Transformer不仅能做感知理解环境，还能做决策规划路径和控制车辆，实现了完整的感知-决策-执行闭环，这为机器人的"大脑"设计提供了重要范式。通过车辆在真实道路上的行驶数据，特斯拉实现了大规模的自监督学习，让模型能够从未标注的数据中学习驾驶技能，这种方法后来被广泛应用于机器人的动作学习中。
另外，还将其工程化，实现了在车载硬件上的实时推理，这为具身智能的实际部署提供了重要经验。
所以特斯拉的成功让整个AI界看到了一条重要路径：通过大规模真实世界数据训练Transformer模型，可以实现从感知到行动的端到端智能。这直接启发了谷歌的机器人项目开始大规模收集机器人操作数据，OpenAI将类似架构应用于机器人控制，各大科技公司开始重视具身智能的数据收集。
所以，特斯拉实际上开创了"用数据驱动的AI来解决物理世界交互问题"的先河，这正是当前具身智能热潮的技术根源。他们证明了Transformer不仅能处理语言，更能处理复杂的时空序列数据，为机器人的"ChatGPT时刻"奠定了基础。
虎嗅：目前全球机器人模型主要来自几家实验室，包括谷歌和斯坦福李飞飞实验室，这些不同的模型技术路线有什么不同以及优劣之分？
殷鹏：目前，模型体系大致分为两类，很难简单评判优劣。第一类是“世界模型”，将视觉、语言与操作等多种能力整合进一个统一模型中进行训练。例如，李飞飞实验室的 Open VRA1.0 和谷歌的 PaLM。这类模型的优点是收敛速度快，适用于在厨房、浴室、卧室等特定场景中采集数据并优化机器人性能。但其缺陷在于泛化能力弱。一旦超出训练场景（如机器人从一个房间移动到另一个），就需重新采集数十小时的数据进行训练，否则性能会大幅下降。例如 SLAM（同步定位与地图构建）对光照和场景元素极为敏感，细微变化就可能导致如抓取等操作失败。因此，该类模型更适合简单场景的演示，难以应对如工厂等复杂、动态环境。
第二类是分层混合架构模型，代表如 Figure.AI。该模型结构类似于人脑与小脑的分工：大脑部分负责文本和视觉推理，解决“去哪里”“拿什么”的逻辑问题，如根据卧室或厨房的图像定位目标与制定抓取策略；小脑部分控制机器人本体的具体动作，如行走、开冰箱门、抓取鸡蛋等，需靠大量数据训练实现高精度控制，例如调整机械手的力度和手指分布。
这类模型的优势在于分工明确：上层负责空间逻辑与决策，下层执行精细动作，尤其在完成“最后一厘米”的操作时，能精准控制执行细节。
以特斯拉等公司的机械手为例，通常具备19至20个自由度，因搜索空间庞大，必须通过大量数据学习来优化动作路径。这种架构更适用于环境复杂、频繁变化、泛化要求高，且对操作精度极高的场景，如精细抓取。Figure 和特斯拉走的是这条路线。
李泽湘老师（虎嗅注：香港科技大学教授，固高科技董事长，松山湖国际机器人产业基地发起人）和高秉强老师（虎嗅注：香港科技大学荣休教授、工学院原院长，全球知名微电子专家，投资了思特威、博通集成、澜起科技等公司）。
本文网址：
