对话灵初智能CEO 王启斌：具身智能，正从"硬件浪潮"进入"数据浪潮"

最近，全球最大的开源AI社区HuggingFace的Trending榜单上，出现了一个引人注目的名字：由灵初智能开源的SynData数据集，冲上了全球第一的位置。

这个数据集的背后，是超过10万小时的人类真实操作数据，覆盖了工业装配、生活操作、物体抓取等多样场景。目前，其中1000小时的数据已向公众开放。截至2026年5月13日，其下载量已接近1.5万次。

公开信息显示，灵初智能成立于2024年。其创始人兼CEO王启斌，曾任职于云迹科技和京东机器人，在消费电子与商用机器人（如酒店配送、物流配送）的研发、交付与商业化方面经验颇丰。联合创始人陈源培，则曾在全球范围内首次实现了利用强化学习在真实世界同时控制双臂、双手进行多技能操作。

与许多专注于机器人本体运动控制的同行不同，灵初智能选择了一条差异化的路径：聚焦于人类数据。他们试图通过采集人类在真实世界中的行为数据，来训练具身智能模型，从而让机器人的灵巧操作具备更强的泛化能力。

在数据采集方式上，他们摒弃了传统的遥操作和纯仿真方案，转而采用自研的多模态数据手套。这套设备能在真实场景中同步记录操作者的视觉、触觉、关节角度等多维度信息，旨在获取信噪比更高的精细操作数据。

目前，灵初智能已部署了上百套数据手套设备，完成了万小时级别的真实数据验证。他们的目标是在2026年，将数据采集量级提升至百万小时。

今年4月，灵初智能发布了Psi-R2与Psi-W0，构成了其“双系统大模型架构”。简单来说，Psi-R2是一个“世界动作模型”（World Action Model），它的核心任务就是看懂指令、规划动作，并直接驱动机器人执行。而Psi-W0则是一个“动作条件世界模型”（Action-Conditioned World Model），它不直接控制机器人，而是在后台模拟物理世界的运行规律，专门用来评估、打磨和提升Psi-R2的策略。

用灵初智能CEO王启斌的话说：“当前具身智能正从‘硬件浪潮’进入‘数据浪潮’，灵初智能要在这波浪潮里成为‘数据标准制定者’。”

他将公司的技术路径概括为三步：

第一步，把采集成本打下来。通过自研的外骨骼手套，将数据采集成本降至传统真机方案的十分之一，精度达到亚毫米级，让大规模采集成为可能。

第二步，用数据训练出领先的模型。Psi-R2是全球首个以10万小时量级人类数据预训练的世界动作模型，在MolmoSpaces榜单上位列第一，据称仅需少于100条真机演示轨迹就能完成新任务的泛化。

第三步，通过开源推动行业标准形成。他们已经开源了首批1000小时的人类手部操作全模态数据集，后续计划结合行业推动Benchmark建设，同步推动数据格式与评测指标形成共识。

对话灵初智能CEO王启斌：数据飞轮、行业误区与未来胜负手

以下是经过编辑的对话内容：

关于客户与场景：聚焦高频、可量化的半结构化任务

Q：灵初的核心客户是谁？制造业精密装配、物流柔性打包之外，下一个重点落地场景是什么？

王启斌：目前核心是两类客户：一是制造业客户，核心解决精密装配环节，比如电子产品组装、汽配零部件检验；二是物流行业，重点是服装仓储的拣选、分拨和打包。服装物流的SKU极其丰富，一个仓库可能有几万个品类，这种天然的多样性对我们的模型训练价值极高。

下一个重点场景，我们正在认真评估零售门店的补货与货架整理，以及电商物流中的多品混合拣选。这些场景有几个共同特点：任务高频、可量化、客户降本需求迫切，而且环境是半结构化的——既不像全开放环境那么复杂，也不像固定工位那么简单，正好是我们模型能力的“甜区”。同时，我们也有明确的海外物流客户在推进。

关于数据路径：为何人类原生数据更具潜力？

Q：在您看来，数据从人类中来，为什么比从遥操/仿真中来更有潜力？行业目前是否存在一些数据观点上的误区？

王启斌：人类在工厂、仓库或家中进行的灵巧操作，天然携带了三样宝贵的东西：真实的任务分解逻辑、手眼协调的精细反馈，以及面对意外时的自适应调整能力。这些是遥操作和仿真都很难完整复现的。

遥操作的问题在于节奏慢、成本高，更关键的是，它的天花板是人盯着屏幕能做到的最好水平——而人在屏幕前的操作能力，远不如在现场的自然操作。仿真的问题则是众所周知的“Sim2Real Gap”（仿真到现实的差距）：在精细操作中，差一两毫米可能就意味着任务失败，仿真的物理模型再精确也存在偏差。

行业目前有几个比较明显的误区：第一，认为数据量等于能力。其实，任务多样性比物体多样性重要，物体多样性又比场景多样性重要，单纯堆数量堆不出泛化能力。第二，认为遥操作是“黄金标准”。我们的实验表明，同等时长的人类原生数据，在精细操作上的迁移效果显著优于遥操作数据。第三，对数据格式和模态的关注不够。全模态数据（视觉+语言+关节角+触觉）与仅有视频的数据，其价值差异是量级上的。

关于数据管线：如何让机器人学会新技能？

Q：能否描述一下，从手套采集一条人类动作数据，到机器人最终学会并优化一个新技能，中间经历了怎样的完整管线？有哪些证据表明数据飞轮在加速？

王启斌：完整管线大致是这样的：操作员戴上我们的外骨骼手套执行任务，手套以亚毫米级精度同步采集关节轨迹、触觉信号和第一视角视觉流，并配合语言标注。

数据回传后，由Psi-W0（世界模型）进行自动质检和打分——它本质上是在判断“这个动作是否合理”。低分数据被过滤，高质量数据进入标注池。大部分标注工作由AutoLabeling完成，只有少量模糊样本需要人工审核。最终，干净的数据进入Psi-R2的预训练池。

当需要迁移到新任务时，流程是：给Psi-R2输入少于100条该任务的真机演示轨迹进行微调 → Psi-W0在世界模型中进行强化学习，生成大量合成的机器人数据来补充长尾情况 → 筛选出高质量数据回流到预训练池 → 下一代模型因此变得更强。这个循环每轮都在缩短。

飞轮加速最直观的证据，就是新任务的上手速度。半年前，一个新任务可能需要几百条真机演示才能稳定；现在，不到100条就能完成像装配手机、工业包装、叠纸盒这样的长程精细操作。这说明预训练模型的质量在指数级提升，而非线性堆砌。

关于数据金字塔：仿真数据的价值与真机数据的内部层级

Q：真机数据和仿真数据有没有应用的黄金比例？真机数据内部是否也存在一个“小金字塔”？

王启斌：仿真声量下降，本质上是行业意识到Sim2Real Gap在灵巧操作中是个结构性问题，不是调参就能解决的。但仿真并未消亡，它的价值体现在三方面：一是探索性训练，为没有真实数据的长尾任务做前期预热；二是大规模强化学习训练，在世界模型中生成反事实样本；三是安全边界测试，模拟极端情况。我们的Psi-W0，其实就是一种“基于真实物理感知的仿真”，与纯虚拟仿真不同。

至于黄金比例，行业没有统一答案，我们内部也没有固定配方——这完全取决于任务类型。精细操作类任务，真实人类数据的权重要高得多；粗力矩任务，仿真数据的覆盖可以更多。强求一个固定比例反而会造成误导。

你提到真机数据内部的“小金字塔”，这个观察很敏锐。确实，在我们看来，顶层的真实操作数据内部也有层级：最高质量的是外骨骼采集的人类原生数据（高精度、全模态、天然携带任务意图）；其次是传统遥操作数据（真实物理，但节奏慢、存在操纵偏差）；再次是机器人自主作业中回流的在线数据（这是最终目标，但质量参差不齐，需要筛选）。

灵初的策略是绕开传统遥操作，直接用人类原生数据做预训练，再用少量真机演示做微调，本质上是把这个小金字塔的中间层给“压扁”了。

关于百万小时：量级共识与临界点预判

Q：行业都在讲百万小时的数据量级，这个共识是如何达成的？

王启斌：100万小时不是一个随意定的数字。可以类比大语言模型（LLM）的发展，从GPT-2到GPT-3的数据量跃升，带来了能力的“涌现”。我们相信机器人领域也存在一个类似的临界点，在那之后，模型对未见任务的Zero-Shot泛化能力会出现质变，而不仅仅是量的累积。目前业界普遍将这个临界点估计在百万小时量级。

我们对这个节点的预判是在2026年底。实现路径上我们在并行推进：工厂合作集中采集、特定的数据采集工厂，以及正在设计的分布式微支付采集网络。

从内部预演来看，我们已看到一些早期信号。当训练数据从1万小时扩展到10万小时时，模型在未见场景上的迁移成功率出现了非线性提升——这给了我们信心。按照这个趋势，达到百万小时后，我们预期新任务的冷启动数据量可以从现在的不到100条继续大幅压缩，趋近于真正的Few-Shot甚至Zero-Shot部署。

关于未来胜负手：三个周期的交错与取舍

Q：您曾把2026年具身智能的发展概括为硬件、数据、场景三个交错推进的小周期。未来两年最关键的胜负手会在哪个周期？

王启斌：这三个周期确实存在，但时间轴是错位的。硬件周期是整个行业都在跑的赛道，门槛正在降低，整机成本快速下降，这带来了机会，但也意味着纯硬件已很难形成壁垒。场景周期刚刚启动，大多数真正的商业订单还处于小批量验证阶段，爆发要等数据和模型能力先到位。

未来两年，关键的胜负手在数据周期。我们的判断是：谁先建立起高质量、可持续的数据飞轮，谁就能在场景周期爆发时，最快完成能力迁移。这个数据飞轮不只是数据量的积累，更是“采集-质检-训练-部署-回流”整个链路的效率。

为此，我们做了明确的取舍：第一，把资源集中在模型、数据和灵巧操作本身。整机是高资产、慢迭代的事，而我们需要快速迭代；第二，在场景选择上聚焦，宁愿把物流仓储做到极致，也不同时铺开多个场景；第三，暂时牺牲一部分商业收入的增速，确保数据飞轮真正转起来，而不是为了短期交付而交付。

关于商业化节奏：在资本预期与经营现实之间

Q：行业“融资热、落地难”的矛盾突出。灵初估值一年涨了数倍，同时您也提到2026年底销售额目标在数亿级别。如何管理这种张力？

王启斌：我的态度是：不刻意管理资本预期，而是管好自己的经营节奏，然后如实、透明地沟通。

估值上涨，背后是资本对这个赛道长期价值的判断，不完全是对我们当下收入的定价。我们没有因为估值高就去做超出能力的承诺。2026年底数亿的销售额目标，是我们基于交付管线和商业进展认真核算后提出的，不是为了配合融资故事。

张力确实存在。资本希望看到快速的商业化验证，而具身智能的真实落地周期比软件长得多——一个仓库项目从接洽到稳定运行可能需要6到9个月。我们的做法是，对投资人坦诚区分“技术里程碑”和“商业里程碑”，前者可以较快展示，后者需要更长时间。不混淆两者，才能建立真正的信任。

我亲历过2018年前后机器人和自动驾驶的那轮周期，见过公司因过度承诺商业节奏而最终失去信誉。这一次我的原则是：宁可让资本预期低一点，也不承诺我们没把握做到的事。

关于热潮与风险：底层变化与集体盲点

Q：您亲历了多轮技术周期。这一次具身智能热潮，您认为哪些底层条件真正变了？又有哪些风险被集体忽视了？

王启斌：真正发生变化的底层条件有三点：第一，算法范式转移。2018年的机器人本质还是规则驱动加有限感知，而VLA（视觉-语言-动作）端到端模型的出现，让“从数据中学习复杂操作”第一次真正可行。第二，中国供应链的成熟度。灵巧手、传感器、执行器的成本和供应稳定性，比2018年好了一个数量级，大幅降低了硬件创业门槛。第三，大模型带来的算力和推理基础设施。具身大脑在边缘端运行的成本曲线还在快速下降。

而被集体忽视的风险，我认为主要有两个：第一，数据质量问题。行业里有一种错觉，认为只要堆数据量，能力就会出来。但如果数据的精度、模态完整性、任务多样性不够，量大只会放大噪声。第二，商业化时间线的乐观偏差。大家普遍说今明两年是“商业化爆发元年”，但真实的工厂和仓库客户决策周期很长，一个项目从概念验证到大规模采购可能需要2到3年。过度承诺商业节奏会让行业信誉受损，最终伤害整个赛道。