作者：MD出品：明亮公司
8月20日，2026世界機器人大會期間，星動紀元創始人陳建宇發表了主題為《大腦、本體與場景的共生進化》演講，分享了公司在通用機器人、具身大模型、世界動作模型（WAM）、人形機器人本體、五指靈巧手、運動控制和商業化落地方面的最新進展與思考。
公開信息顯示，成立於2023年8月，是清華大學唯一直接持股的具身智能企業，由清華交叉信息研究院孵化，陳建宇為清華大學副教授、博士生導師。公司堅持"AI-Native"軟硬一體全棧自研，構建"數據—大腦—運控—靈巧手—本體"全鏈條能力，硬件自研率超95%，核心產品包括全尺寸雙足人形機器人星動L7、輪式服務機器人星動Q5及XHAND全直驅靈巧手。
公司最新一輪孖展公布於2026年7月，孖展規模為10億元、由誠通基金領投，多家知名機構跟投。據AlphaEngine數據庫，公司2026年共宣佈完成3輪孖展，規模分別為10億元（公布於3月）、超2億美元（4月）和7月的10億元。
據外媒信息，星動紀元正在籌備赴香港聯交所主板上市。
公司今年孖展信息（來源：AlphaEngine）在大會演講中，陳建宇認為，經過過去幾年的發展，通用機器人、人形機器人和具身智能的巨大潛力已經逐漸成為行業共識。未來，這一方向會成為萬億級超級市場：
「第一步，機器人會帶來生產力變革，幫助人類更好地生產電腦、手機、汽車等現有產品；第二步，機器人本身可能成為繼智能終端之後的下一代終端產品，並以某種家用機器人的形式進入日常生活。」陳建宇表示。
在他看來，更加通用的機器人需要具備兩個特徵：第一，上限更高，擁有更高自由度和更高智能，能夠完成過去機器人不能完成的事情，從而打開市場；第二，泛化性更強，面對新任務時，不必像專用機器人一樣重新開發硬件和軟件，而是能夠複用已有能力和系統。
圍繞這一目標，星動紀元選擇了軟硬一體、全棧自研路線：在「大腦」側，自研端到端具身大模型、世界動作模型（WAM）；在「本體」側，自研雙足本體、關節、靈巧手和運動控制，並將大腦、本體、場景協同起來，形成一個持續迭代的數據與能力飛輪。
陳建宇在演講中提到，打造通用機器人，避不開同時做它的大腦和本體；世界模型要構建對物理世界常識性的理解，這種理解具備比較好的泛化性；從今年開始，具身行業已經進入商業化拐點；星動紀元希望用通用的形態，逐步去做具體專用場景，讓能力和數據在下一個場景中繼續複用。
以下為「明亮公司」根據現場速記精編後的演講內容（未經演講人審閱）：
來源：WRC、星動紀元（下同）
通用機器人：大腦、本體和場景的協同進化
非常感謝主辦方的邀請和介紹，在這裏跟大家分享一下我們做的相關工作和一些思考。
經過這幾年的發展，大家已經意識到通用機器人、人形機器人和具身智能的巨大潛力。它未來一定會成為萬億級超級大的市場。
首先，它可能帶來生產力的變革，幫助我們更好地生產電腦、手機、汽車等產品。第二步，它自己就會成為繼智能終端之後的下一代智能終端產品，可能以某種家用機器人形式存在。
這裏面非常重要的關鍵點，是能不能打造更加通用的機器人。
這樣的機器人具備兩個特徵。第一，它的上限更高，有更高的自由度、更高的智能，所以能做到很多以前機器人不能做到的事情，把市場整個打開。第二，它更加通用，泛化性更強。所以我們做新的事情時，不像以前專用機器人一樣，需要重新開發硬件和軟件，裏面絕大部分東西都可以直接複用和泛化。
打造通用機器人，避不開同時做它的大腦和本體。星動紀元圍繞這個目標，這幾年已經實現了通用機器人軟硬一體、全棧自研的多項突破。
包括大腦這一塊，我們自研了端到端具身大模型；在運動控制和本體側，我們自研雙足本體、關節和靈巧手，並且把它們很好地整合到一起。最重要的是把大腦、本體和場景協同起來，做成一個協同進化的飛輪。
最上層是端到端具身大腦大模型，裏面包括VLA、世界模型、數據等。它是通用模型，能夠支配多種本體，用到不同場景裏。中間層是本體，因為具身模型和大腦最終要產生價值，一定要放在某個本體上，才能跟物理世界進行交互，真正去幹活，所以這一層也非常重要。最終，我們可以把它用到各類場景裏面。
如果設計比較得當，大腦是通用的，本體也是比較通用的，那麼它用到各類場景裏，就都應該可以比較通用地進去。在場景應用過程中，我們又可以不斷獲得很多數據反饋，這些反饋進一步反哺大腦發展。
通過這種方式，可以把技術和商業化很好地協同起來，形成協同進化的飛輪。
從VLA到世界動作模型：讓機器人理解物理世界
下面具體講一下我們的思路和做法，首先是具身大腦層面。
我把具身大模型迭代方式，到目前為止列成三個範式。
第一個範式，是語言模型加機器人的控制。所有一切都是從ChatGPT大模型出現後開始的。最開始ChatGPT語言大模型出現之後，我們探索的是能不能把語言大模型用在機器人裏面，但整個框架還是傳統模塊化機器人框架的思路，只是用語言模型增加上層推理。
第二階段，是2023年以GPT-4為代表，多模態語言模型出現了，可以把視覺等信息融入進來。這個階段對應到具身模型，就是VLA模型，即視覺-語言-動作模型。它在多模態模型底座之上，把機器人非常重要的動作，以及和環境交互的功能，一起融合到統一模型裏面。
第三階段是世界模型。在AI大模型這一側，比較早的代表是2024年Sora第一代模型，現在類似方向也發展得非常迅速。具身智能這塊基於類似方法，做出了世界動作模型。這樣的模型能夠預測未來產生的動作，並對決策形成閉環。
在這三個階段，我們都做出了一些引領性工作。比如在第一個階段，我們較早做出了全球首個大語言模型結合人形機器人的工作。
它以語言模型作為上層規劃，但下層感知、控制、執行仍然由傳統模塊化機器人控制方法完成。我們很快意識到，傳統分層方法有侷限性，因為它把感知、規劃、控制、執行都模塊化處理，只是把語言模型替代了最上層規劃。模塊之間的特徵和接口都是人工定義的，也沒法進行端到端訓練。
不管是語言模型還是視覺模型，都經過了從模塊化、人工定義特徵，到端到端、靠數據Scaling最終取得成功的過程。具身智能也應該沿着類似範式，這就來到端到端VLA模型。它把視覺、語言、動作等各種模態，以及感知、決策、規劃、控制等多個層面的功能，融合到一個模型中，這樣就可以把大量數據Scale起來。
現在典型VLA模型有很多，比如π0系列、GR00T、Helix。這些VLA模型統一的範式，是以多模態語言模型為底座，再加上Action Expert或者Action Head，端到端進行訓練。類似這樣的範式，我們在2024年就以公開論文形式發表過。
為什麼現在還需要做世界模型？
這要說到典型VLA模型的侷限性。它非常好的一點，是找到一種方法能夠把多模態端到端地用一個模型訓練，並呈現出比較好的Data Scaling效果。但它的學習方法主要還是通過模仿學習，所以需要採集大量人類行為數據。只有大量行為數據，模型才能通過模仿形成一定泛化性。
但這種泛化性相對有限。一個新任務如果沒有經過模仿，很難直接舉一反三泛化過去。
世界模型則要構建對物理世界常識性的理解，而這種常識性理解具備更好的泛化性。比如水杯往下倒，水就會往下流。你不需要一遍遍去學習這個動作，只要具備一定常識性理解和推理，就有望大幅提升泛化能力。
從功能上看，世界動作模型包含了所有VLA功能。它的輸入包括以視覺為代表的感知輸入，也包括語言Prompt；輸出上，一方面要產生Action，也就是動作，另一方面比VLA多了一部分：對物理世界未來演化和發展進行預測。
在具體實現上，二者較大的區別是智能底座。VLA的智能底座是多模態語言模型，最底層的智能內核在語言智能空間。它的優勢是抽象思維較強、泛化性較好，但缺點是可能缺少細節物理層面的信息和理解。世界動作模型很多以視頻模型為底座，視頻模型直接處理原始圖像、視頻、音頻等數據，而這些原始感知數據包含更豐富的物理世界細節。因此，我們認為它更適合物理世界操作的具身模型。
沿着這個思路，我們做出了一系列工作。早在2024年，我們就發表了世界動作模型工作，這是全球首個融合視頻預測與動作預測的世界動作模型，基本也是現在標準世界動作模型的範式。我們的發表時間比英偉達類似方案早一年左右。
在此基礎上，我們做了很多改進。比如數據層面，用了世界模型之後，它對數據吸收能力比較強。我們提出了全球首個大規模基於人類視頻數據的世界動作模型訓練方案，並在2025年發表相關論文，把機器人真機數據和第一人稱人類操作數據結合起來一起訓練。
我們也與Physical Intelligence聯合創始人Chelsea Finn合作了ControlWorld，進一步提高動作行為的精準可控性。把世界模型用到真實世界中，有了反饋之後，還可以繼續對它進行迭代和強化學習。
在模型能力上，世界模型很重要的一點是對複雜物理世界進行建模和預測。我們展示過兩幅圖，一幅是世界模型生成的，一幅是真實世界實拍的，大家幾乎分辨不出來哪個是生成、哪個是實拍。
通過大量數據和比較好的網絡設計，世界模型可以比較精準地預測複雜物理現象。比如毛巾褶皺、從紙巾盒抽出一張抽紙等非常細微的操作，也能比較好地建模出來，這對精細操作非常有利。
我們也做了一些零樣本任務泛化的例子。零樣本任務泛化，是我們對泛化的終極追求。現在的VLA模型可以比較好實現物品泛化，比如換一個物品或者物品位置變化，它可能還能泛化；但到了一個新任務，通常很難實現。我們希望新的任務沒有見過、沒有訓練過、沒有收集數據，也可以做到一定程度泛化。
零樣本的意思是，到新任務上不再收集數據，直接拿預訓練模型，看它能不能一定程度泛化過去。我們發現了一些比較好的初步結果。比如我們在自己的辦公區隨機找一些場景拍攝作為輸入，再隨機給一些任務指令。這些任務帶有相對複雜的語義理解，模型能夠端到端把行為動作直接預測出來。
經過比較多的後訓練之後，我們可以看到它能做一些比較精細的操作，比如疊紙盒，翻襪子，把襪子從裏到外翻出來，再比如剝橘子或者開鎖。這些比較精細的操作也能夠做到。
我們的模型也具備一定跨本體能力，比如能夠操作比較複雜的靈巧手。操作靈巧手之後，就可以做工具使用，比如用螺釘槍打螺釘，或者使用移液器。不只是把工具拿起來移動到對應位置，還要用大拇指按下按鈕，再做相應操作。這些能力也獲得了一些國際排行榜和獎項認可。
從零樣本泛化到本體自研：通用機器人需要匹配的大腦和身體
當我們有了一個不錯的大腦之後，也要有與之相匹配的本體。
對於通用人形機器人來說，一個是靈巧手，一個是雙足，這都是此前沒有成熟產品的方向。還包括靈巧手、雙足和全身高自由度人形機器人的運動控制，這跟傳統機械臂控制完全不是一回事。所以這一塊，我們也全棧自研了本體硬件體系和運動控制。
本體方面，從整機到部件再到零件，我們都自研。部件包括關節模組和靈巧手，零件包括電機、減速器、驅動器，這些都是自己設計，並且達到很高指標。同時，我們也自研運動控制算法，現在主要通過強化學習來做。
我們的全尺寸高爆發雙足人形機器人本體硬件，有比較高的力量和速度，關節扭矩達到400牛米，跟小米SU7汽車的扭矩差不多。機器人高度1米7，重量六七十公斤，自由度比較高，載荷、速度和工作空間都比較大。因為我們設計出來，就是希望它能夠通用地進入現實物理世界，幹更多樣的活。
為了達到這種狀態，我們也是國內較早發展準直驅關節路線的團隊之一。現在很多人形機器人可以跑得很快、跳得很高，都是用了新型準直驅關節路線。
在運動控制上，我們也做了很多工作。其中一個代表是2024年RSS最佳論文提名獎。RSS是機器人領域最頂級會議之一，這也是歷史上首次中國第一作者單位獲得相關獎項。
靈巧手與商業化：今年具身行業已進入商業化拐點
接下來講一下五指靈巧手。
五指靈巧手是末端執行器的更新。以往在工業領域主要使用夾爪或者吸盤，它們通常只有一個自由度，只能把物品夾起來再放到另一個地方，很難把物品位置翻轉，或者做手內操作。五指靈巧手則可以像人一樣做非常複雜的操作。
另一個非常重要的點是，現在很多數據來自人類行為數據。用五指靈巧手，能夠更好地跟人類行為匹配，所以我們能更好地把人類行為數據用上。
現在靈巧手主要有三大技術派系：連桿、腱繩驅動和直驅。我們在全行業首創並較早推出全直驅五指靈巧手產品，2024年推出了XHAND系列靈巧手，現在在市場上比較受歡迎。
直驅有比較多好處和優勢，其中最大優勢是響應速度非常快，我們的手一秒鐘能夠點擊10次鼠標，達到超人類水準。因為有比較好的反驅能力，抗衝擊能力也比較強，穩定性很高，同時可以做到單手24千克負載。
把軟件硬件做好之後，最終最重要的是到商業化場景裏面落地。
我們為什麼同時做軟件和硬件？因為希望打造完整產品，最終提供完整解決方案，交付到終端用戶裏面。我們會從物流、工業開始，逐步往服務和To C、家用方向滲透。另一條線是，在這個過程中，我們把硬件平台、一些軟件工具鏈和API開放出來，供二次開發者或者研究者使用，或者進一步拓展。
我們認為，從今年開始，具身行業已經進入商業化拐點。以我們自己為例，B端客戶已經涵蓋十餘個城市，在各種物流和工業場景裏進行常態化運作，而不僅僅是拍一個Demo。現在各行各業對機器人都非常關注。
機器人就像AI大模型一樣，AI大模型可以跟各行各業結合，通用人形機器人和具身智能也可以跟各行各業結合。從互聯網大廠，到汽車主機廠，再到3C電子公司、物流公司等，都對此有非常多需求。
比如在物流分揀場景中，我們已經有一些應用案例。同時，我們開放硬件本體、一定API和軟件工具鏈，也有很多用戶基於這些工具鏈搭建自己的應用，或者做新型研究，已經形成不少生態用戶和相應成果。
總結一下，在具體物流場景中，我們直接用端到端具身大模型、人形機器人和靈巧手，用通用形態逐步去做具體專用場景。這樣做的目的，是希望通用形態能夠持續迭代。到下一個場景時，我們不需要重新搭建一整套軟硬件系統；之前場景所構建出來的能力和數據，都可以得到比較好的複用。在此基礎上，隨着系統能力發展，我們可以不斷開拓更新場景。這樣的進化飛輪，我們已經初步建立起來。
感謝大家的支持，這是我今天的分享，謝謝。
| 發福利！添加下方明亮公司主編微信有驚喜！
