内容摘要：2026年中，具身智能赛道热度不减，融资、模型迭代与行业峰会密集涌现。随着行业叙事从“具身智能元年”转向“商业化落地关键年”，一个核心痛点日益凸显：高质量训练数据的稀缺性已成为制约模型迭代的最大瓶颈。

2026年中，专访具身智能赛道热度不减，大晓多型打开融资、李鸿练新路径模型迭代与行业峰会密集涌现。升脑随着行业叙事从“具身智能元年”转向“商业化落地关键年”，背后一个核心痛点日益凸显：高质量训练数据的具身稀缺性已成为制约模型迭代的最大瓶颈。

传统基于真机遥操作的规模数据采集模式，在成本、化训场景多样性及机型适配上已触及天花板。专访当标准示教无法应对真实世界的大晓多型打开复杂变量时，具身模型的李鸿练新路径下一批“训练养分”从何而来？

针对这一困境，大晓机器人发布并开源了全新“一脑多型”具身操作VLA模型——ACE-Ego。升脑该模型通过联合预训练大规模第一视角人类视频与多机型机器人数据，背后将人类与物理世界的具身交互经验转化为机器人可学习、可迁移的规模监督信号。

核心突破与性能表现：
* 刷新SOTA纪录：在国际人形机器人操作基准 RoboCasa GR1 TableTop上，ACE-Ego以 72.8%的平均成功率登顶；在 RoboTwin 2.0强域随机化测试中，成功率高达 90.62%，展现出卓越的环境鲁棒性。
* 泛化能力跃升：引入第一视角人类视频联合预训练后，ACE-Ego在RoboCasa上的成功率从68.3%提升至72.8%，验证了“借人之眼”在降低训练成本、提升泛化能力上的显著价值。
* 复杂场景落地：模型已能稳定完成塑料袋打包、鞋盒封装等长周期、强接触的零售操作，突破了以往模型仅局限于简单桌面抓取的边界。

近日，我们专访了大晓机器人世界模型科学家李鸿升。他指出，ACE-Ego不仅是性能的刷新，更是“以人为中心”研发范式的关键落地：从遥控采集转向第一视角理解，从单一本体训练走向多机型协同，从实验室走向规模化产业场景。

一、 破局“素材厂”困境：从标准化采集到第一视角泛化

长期以来，遥控操作采集被视为行业黄金标准。通过建设专用素材厂、配置专业遥控人员，记录精确轨迹数据。这种方法严谨可控，但正逐渐成为制约发展的桎梏。

1. 传统遥操作采集的三大局限

• 高昂的成本压力：场地租赁、硬件集成及专业人员配置前期投入巨大，且属于劳动密集型工作，单人单日有效数据时长有限。
• 场景固化导致泛化不足：素材厂的物理配置（光照、物体位置、台面材质）固定，导致模型动作绑定于特定环境，无法举一反三。
• 仿真到现实的鸿沟：Sim-to-real的差距至今未完全弥合，仿真数据难以完美映射真实世界的复杂性。

李鸿升形象地比喻：“在素材厂训练的模型如同只做过标准试卷的学生，一旦考题变化便手足无措。”

2. “借眼入局”：第一视角数据的价值与挑战

转向人类第一视角视频，旨在绕过高昂采集成本与技术瓶颈，获取真实、多样的世界数据。然而，非结构化、无统一标准的人类视频直接输入模型，不仅无法成为养分，反而可能扰乱认知体系。

李鸿升指出，将人类视频转化为机器可理解信息，需跨越四道认知鸿沟：

1. 空间坐标系不对齐：不同身高、机位导致的视角差异，使本质相同的操作被判定为不同任务。
2. 本体构型不匹配：人类指尖动作与机器人夹爪、吸盘等物理形态差异巨大，缺乏构型对齐则无法理解动作本质。
3. 时间帧率不一致：视频固定帧率与机器人控制频率不同，固定帧数切分会破坏动作因果序列与节奏。
4. 标签质量误差：视频反推的动作信息存在误差，尤其是手指末端和被遮挡部分的“伪标签”精度较低。

二、 ACE-Ego 核心技术：构建人机认知的“翻译机制”

为解决上述问题，大晓机器人团队设计了一套完整的“转译体系”，将人类丰富但非结构化的视觉经验，精准映射为机器可执行的监督信号。

1. 空间对齐：统一第一人称视觉空间

放弃以机器人本体为基准的传统思路，将所有真人视频与真机数据对齐至统一的第一人称视觉空间。通过几何校正，抹平身高、机位、俯仰角带来的视觉差异，确保模型在统一视角下识别动作的相对位置与空间逻辑。

2. 本体编码：基于URDF的身份体系

依托通用URDF构型文件，设计可学习的编码器：
* 机器人端：为每款机器人的躯体构型生成专属表征编码。
* 人类端：分配一套共享编码。
两者处于同一特征体系下，使模型能够理解不同物理形态下的动作本质。

3. 时间对齐：基于物理时长的动态切分

摒弃固定帧数划分，以真实物理时间为基准对齐所有数据源。无论视频帧率或机器人控制频率如何，均按统一时间窗口切割，保证伸手、抓取、抬起等动作的因果序列与节奏不被破坏，实现多源数据在时间维度上的同频。

4. 噪声过滤：动态置信度加权

针对伪标签误差，在损失函数层面实施分层权重策略：
* 高可信部位：如手腕根部等重建精度高的关节，赋予高权重。
* 低可信部位：如指尖末端等误差大的部位，或长时间遮挡区域，大幅降低权重。
以此弱化噪声干扰，引导模型优先学习高可信的动作信号。

这套转译体系的效果直接体现在榜单成绩上：ACE-Ego在RoboCasa GR1 TableTop以72.8%成功率夺冠，在RoboTwin 2.0强域随机化测试中以90.62%成功率展现超强鲁棒性。

三、 “一脑多型”：通用机器之魂的跨躯体迁移

看懂人类动作只是第一步，如何让通用的“机器之魂”适配形态各异的机械躯体，是行业面临的另一大难题。

1. 行业痛点：“一机一魂”的路径依赖

主流方案（如英伟达等）多绑定自有硬件生态，模型针对单一机型量身打造。换一款臂长不同的同品牌机型需重新调参，跨品牌迁移更是困难重重。这导致：
* 研发成本重复：每款新硬件需重复数据采集、训练、验证流程。
* 能力天花板锁定：模型能力受限于单款机型的数据体量。
* 中小企业门槛高：高昂适配成本阻碍了行业整体发展。

2. ACE-Ego 的破局：URDF编码器与通用语义空间

大晓机器人跳出硬件定制依赖，提出“一脑多型”设想。核心在于利用URDF编码器：
* 将机器人的连杆长度、关节限位、力矩范围、自由度等物理参数，映射到统一的语义表征空间。
* 人类肢体结构与机器人表征共享同一特征体系。

这相当于为“机器之魂”配备了一本通用的“躯体说明书翻译器”。无论何种品牌、构型的机械臂，只要传入URDF文件，模型即可快速理解其能力边界，将统一认知目标拆解为适配当前躯体的动作序列。

3. 高效迁移与开源生态

• 预训练融合：训练阶段即融合星海图、智源、银河通用等多构型真机数据，使模型提前适应不同躯体形态。
• 极速适配：面对未见过的方周双臂平台，模型可快速迁移验证。简单任务仅需50-100条人类演示数据，1-2小时即可完成新机型适配，极简场景半小时上线，效率提升一个量级。
• 正向循环：接入躯体越多、数据越多元，智能内核泛化能力越强，形成“数据多->魂强->适配快”的正向循环。

为此，大晓机器人宣布ACE-Ego完整开源计划，包括Checkpoint、真机任务数据集及完整训练脚本，旨在降低行业门槛，加速具身智能的规模化落地。

四、 落地策略：聚焦零售场景，理性推进商业化

面对行业泡沫与落地难的争议，李鸿升保持冷静务实。他认为，追求类人通用智能周期漫长，但聚焦特定任务，一两年内即可落地大量标杆应用。

1. 为何选择零售场景？

• 商业理性：零售与前置仓赛道体量大，分拣、打包等岗位用工成本高、流动率大，自动化替代意愿强烈，采购需求集中，商业化闭环速度快。
• 技术适配：零售任务边界清晰（抓取、放置、操作），便于快速采集人类演示数据。同时，真实零售场景中的商品差异、包装变化、光线波动等“不标准”变量，是检验模型泛化能力的极佳练兵场，且复杂度低于家居场景。

目前，ACE-Ego已稳定完成塑料袋打包、鞋盒封装、咖啡分装等典型零售作业。

2. 未来展望：补齐工业短板，打通世界模型

针对柔性制造与工业场景，大晓机器人计划补齐两块短板：
1. 数据扩充：利用自研轻重两套可穿戴采集设备，大规模扩充工业场景人类操作数据。
2. 心智增强：打通VLA模型与自研世界动作模型（WAM），提升精细化操作能力。

结语：先塑魂，再附体

过去，具身智能多遵循“先造人形躯体，再赋予智能”的路径。大晓机器人反其道而行之，先淬炼独立于硬件的通用“机器之魂”，再让智能内核主动适配产业躯体。

这种“先塑魂、再附体”的思路，解耦了算法迭代与硬件进度，让中小硬件厂商无需从零搭建模型团队，即可通过接入ACE-Ego快速赋予产品操作智能。在数据荒漠中，这是一条需要更多耐心与工程细节的路径，但一旦走通，将打破标准答案的囚笼，让具身智能真正深入人间烟火。