线性资本对话它石陈亦伦：从 Human-centric 到高精度柔性线束，它石智航选择从最难的问题切入

当前，具身智能领域的热点似乎总围绕着大模型展开。然而，在它石智航创始人兼CEO陈亦伦看来，如果缺乏来自真实世界的高质量数据，具身智能的泛化能力恐怕难以真正实现。

在与线性资本CEO王淮的对话中，陈亦伦反复强调了一个核心观点：机器人仅仅“看见”世界是远远不够的。它必须深入理解人类与物理世界交互时的一系列连续过程——动作如何发起、接触如何形成、力如何作用、反馈如何产生，以及最终的结果如何影响下一步决策。

这正是它石智航坚定选择“以人为中心”（Human-centric）技术路线的重要原因。

与单纯采集视频或记录机械臂末端轨迹的传统方式不同，它石更关注人类在真实场景中，以自然方式完成任务时所产生的多模态数据。陈亦伦指出，倘若目标是训练一个能够跨场景泛化的具身智能基础模型，那么数据的质量与数据的规模同等关键。

毕竟，具身智能所要应对的，是一个高度开放、极其复杂且维度繁多的真实物理世界。要攻克这个难题，首要任务就是解决数据的源头问题。

问题的核心在于，机器人学习的难点远不止于“看懂画面”。真正的挑战在于理解物理世界中连续发生的动态变化：手如何接近物体，接触如何产生，力如何作用，物体状态如何随之改变，而动作的结果又如何反馈并影响后续的决策。这一系列丰富的信息，如果仅依赖单一的视觉信号或低维的运动轨迹，很难被完整、准确地表达。

因此，它石选择从真实世界的人类操作数据切入，希望通过一种更自然、干扰更低的方式，采集人类在完成任务过程中的多模态信息，从而让模型能够学习到人与物理世界交互的底层规律。

这也就解释了，为何它石没有从相对简单的搬运任务起步，而是将工业领域的柔性操作作为了突破口。

在工业制造中，许多涉及刚体、结构化工件且位置固定的任务，早已被传统自动化方案解决得很好。然而，那些涉及柔性、细小、形状复杂的物体，并且需要精细力控与实时视觉反馈的任务，长期以来仍是行业痛点。这类任务对机器人的感知、规划、控制能力，以及对数据和模型的要求，都提升到了一个新的层级。

高精度柔性线束的装配，正是这类难题的典型代表。线束并非刚体，其形态会在抓取、移动、插接过程中不断变化；同时，它对装配的位置精度、力控的稳定性以及实时纠错能力都有着苛刻的要求。对机器人而言，这绝非简单的“拿起-放下”，而是一个需要持续感知环境、动态调整策略并精细执行动作的复杂过程。

在陈亦伦看来，恰恰是这类难题，才是具身智能真正应该去攻克的目标。

如果机器人只能在受控的实验室环境中完成预设好的任务，那它依然停留在原型验证阶段。只有当机器人能够在真实的物理环境中，稳定地完成复杂任务，并具备跨场景的迁移与泛化能力时，具身智能才算迈入了一个新的阶段。

这也是它石提出“具身智能2.0”概念的底层逻辑。

面对为何选择如此艰难场景的疑问，陈亦伦的回应很直接：选择难题并非为了炫技，而是因为这些难题本身蕴含着极高的产业价值。真正的技术突破，不应该只停留在演示视频里，而必须能够进入真实的生产系统，解决实际的问题。

它石曾用一台刺绣机器人做过一次生动的展示。相比晦涩的工业场景，刺绣更容易被普通观众理解，也能更直观地体现机器人在复杂精细操作中的泛化能力。但陈亦伦特别强调，刺绣并非它石长期投入的主战场，而是其底层技术能力的一次对外呈现。

对它石而言，真正重要的是构建一个完整的闭环：高质量的真实数据不断输入模型，模型提升的能力反哺机器人的实际操作，而机器人在真实场景中的持续验证与迭代，又进一步优化数据和模型。这个循环，才是技术落地的关键。

可以说，陈亦伦对具身智能发展路径的核心判断在于：未来的竞争，将不仅仅是某个单点模型能力的比拼，而是数据、模型、硬件、工程化能力与真实场景之间，能否构建起高效、强健的系统性闭环的竞争。

从Human-centric的数据路线，到挑战高精度柔性线束装配，它石智航选择的并非一条最容易向外界解释的道路，而是一条更贴近真实产业需求、更触及问题本质的路径。这条路要求团队同时具备数据采集、模型训练、硬件执行、工程集成和场景落地的综合能力，也要求其技术路线必须经得起真实任务的反复锤炼。

归根结底，对陈亦伦和它石来说，具身智能的终点不是制造一个“会表演”的机器人，而是打造能够在真实环境中稳定工作、持续进化、并真正创造生产力的机器人。越是困难的问题，越能检验技术的真实边界；而只有真正解决了这些问题，才有可能将具身智能从实验室和展示台，真正推向广阔的产业现场。