從具身大腦到商業落地，跨維智能為何選擇“AI定義機器人”

ROBOT INDUSTRY

當行業熱衷于展示炫酷Demo時，跨維智能已悄然將具身智能技術帶入上百個真實場景，實現億元級營收。這家公司從“具身大腦”起步，堅持仿真到現實的技術鐵律，逐步“長出”身體，并開源核心平臺。其選擇背后，是一條從技術理想主義通向規模商業化的獨特路徑。

早在2021年，當“具身智能”還僅是學術圈的前沿概念時，跨維（深圳）智能數字科技有限公司（以下簡稱“跨維智能”）便已成立。跨維智能創始人、香港中文大學（深圳）教授賈奎的初衷并非追逐風口，而是解決一個根本問題：如何讓AI理解并處理三維物理世界的信號。他洞察到，泛智能制造場景對自動化、柔性化的剛性需求，與具身智能的技術特性天然契合。這一定位，讓跨維智能從誕生之初就避開了純技術演示，直指“創造勞動力價值”的商業核心。

圖1 跨維智能創始人、香港中文大學（深圳）教授 賈奎

跨維智能CMO林嘉偉將這條路徑形容為“沿途下蛋”：“跨維智能沒有一開始就押注人形機器人整機，而是先從泛智能制造場景最急需的3D視覺感知與‘具身大腦’切入，用明確的產品為客戶降本增效。當技術基座與市場認知成熟后，才順勢推出自研的Dexbot人形機器人系列，進軍商業服務等更加開放的場景。”

1

以Sim2Real為基，構建數據驅動的世界模型

“具身智能所需的數據是多模態的——涉及視覺、力覺、觸覺，以及機器人本體的動作和電機信號，而且是絕對三維和物理的，”賈奎指出，“這類數據在互聯網上幾乎不存在。”真機采集路徑成本高企，無法啟動驅動AI進化的“縮放定律”，這成為制約行業發展的根本瓶頸。

跨維智能的答案，是自研基于生成式仿真的世界模型（GS-World）。其核心并非簡單地復刻現實世界的表象，而是從底層對物理規律進行數學建模，在虛擬世界中高效生成海量符合牛頓力學的高保真合成數據。“仿真的核心是讓交互符合物理規律，”林嘉偉解釋道，“我們通過可微仿真等技術在底層做了大量工作，確保合成數據可用于模型訓練并可部署于真機操作。”

圖2 跨維智能CMO 林嘉偉

作為技術底座的DexVerse引擎，在“模擬真實”與“計算效率”間取得了工程化平衡，無需追求對某個具體場景每一處細節的完美復刻，而是通過算法高效制造出足夠多樣化的數據，以覆蓋任務的數據分布，從而實現泛化能力。這種能力，使得跨維智能能將傳統自動化中長達數月的現場部署調試周期縮短90%以上，實現了“虛擬到現實”的高效遷移。

面對“仿真與現實存在差距”的質疑，賈奎的回應直指問題核心：“真機數據之間同樣存在差距。問題的關鍵不在于復刻某個具體場景的每一個細節，而在于能否生成足夠多樣化的數據來覆蓋任務的數據分布。”跨維智能的實踐表明，當仿真數據在物理規律上足夠嚴謹，且在多樣性上遠超有限的真機采集時，模型在現實世界中的表現反而更具魯棒性和泛化性。

2

“沿途下蛋”與“AI定義”的務實哲學

跨維智能的產品路線圖，生動詮釋了其“沿途下蛋”的務實策略。聚焦于泛智能制造場景的“眼睛”和“大腦”，跨維智能推出了自研的純視覺3D傳感器（DexSense）和“具身智能大腦”軟件（PickWiz/XWiz）。

林嘉偉表示，跨維智能的解決方案，使得傳統工業機械臂和協作機器人瞬間獲得了柔性作業能力，迅速在汽車零配件、3C電子、家電等幾十個細分行業的上下料、分揀、裝配等環節落地，服務超千個項目，帶來了穩定的億元級營收基本盤，也完成了核心技術在嚴苛工業環境下的驗證與迭代。

當技術基座與市場對更通用自動化需求同步成熟時，跨維智能順理成章地“長出了身體”，于2024年發布自研人形機器人Dexbot W1系列。對于采用“輪式底盤+人形上身”的構型，林嘉偉的解讀充滿成本與工程考量：在工廠、商場等室內半結構化環境中，輪式在移動效率、成本、穩定性和續航上都優于雙足，這也符合公司聚焦上半身靈巧操作的技術基因。

圖3 跨維智能DexForce W1 Pro

在設計DexForce W1 Pro時，團隊將機器人的構型參數作為可優化的變量，置入DexVerse仿真環境。針對目標場景任務庫，以任務成功率、能耗、成本等為綜合目標函數，通過強化學習和可微優化反向推導出更優的硬件設計參數。

“這類似于在虛擬世界中進行‘機械進化’，”賈奎闡述道，盡管最終設計還需結合供應鏈現實，但這一本體設計流程從根本上改變了傳統“先設計硬件，再編寫軟件”的機器人開發模式，實現了硬件為AI能力深度定制。

產品矩陣的模塊化設計進一步體現了商業化思維。DexForce W1 Pro版移除了移動底盤，針對固定工位場景提供更高性價比選擇，降低了客戶嘗試門檻。林嘉偉指出，人形機器人規模化的核心成本壁壘，并非硬件BOM成本，而是部署調試的“軟成本”。因此，跨維智能致力于降低對現場工程師的依賴，避免陷入傳統自動化項目制“人海戰術”的泥潭。

3

深耕工業與拓荒服務的雙輪驅動

賈奎基于對產業自動化程度的洞察，將泛智能制造場景鎖定為創業初期的突破口。“工廠對提升效率、解決人力難題的需求非常剛性且迫切。只要技術能達到或超過人類的效率，其投資回報率計算就非常清晰。”他回憶道。在2021—2022年行業冷啟動期，團隊正是依靠深入工廠一線，用原型系統演示真實的降本增效價值，才贏得了早期客戶，甚至不計成本進行概念驗證。

圖4 跨維智能人形機器人在多個場景應用

工業領域的成功，為跨維智能樹立了“解決問題”而非“展示技術”的市場形象。他們的“大腦”軟件適配了主流機械臂品牌，解決了柔性生產中最棘手的“小批量、多品種”問題。在新能源電池模組的復雜裝配、戶外物流園區的無序分揀等場景中，跨維智能的解決方案實現了行業首例的落地應用。這背后，是DexVerse引擎支撐的快速場景適配能力——通過對通用基座模型進行自動化微調，能在數天內針對新工件、新環境完成模型優化，滿足工業客戶對穩定性、節拍和近乎100%成功率的嚴苛要求。

在夯實工業基本盤的同時，跨維智能基于同一技術基座，開辟了商業服務這一第二增長曲線。Dexbot W1系列作為軟硬一體平臺，被投入咖啡制作、飲品售賣、文旅導覽等場景。

林嘉偉闡釋了其邏輯：商業服務場景對絕對效率的要求低于泛智能制造場景，但更注重人機交互體驗與商業模式閉環，是驗證人形機器人通用性、走近普通消費者的理想試驗場。目前，跨維的機器人已在廣州等核心城市實現常態化運營，服務數萬名顧客。

對于未來規模化應用的行業判斷，林嘉偉給出了三個方向：商業服務、文旅導覽，以及需要“巡檢+簡單操作”的復合場景。賈奎則從更宏觀的產業視角補充，汽車、3C等高端制造業仍將是自動化需求最前沿的領域，但人形機器人在這類高度結構化產線中的獨特價值，將體現在需要雙臂協同、全身協調的復雜裝配環節，而非替代現有的成熟工位。

4

開源、協同，通往通用智能的未來

在構建自身商業版圖的同時，跨維智能正將目光投向更廣闊的行業生態，其開源的EmbodiChain平臺，意味著全球首個用100%生成式數據自動訓練具身智能模型的“數據流水線”誕生。

在EmbodiChain的架構中，跨維智能不使用任何真實數據訓練模型，其結果是它在操作成功率上大幅領先部分主流方法，并且即使研究人員像“搗亂者”一樣更換桌布、移動物體、改變光照，模型依然穩定，甚至在某些任務中，由于去除了容易過擬合的背景噪聲，模型的表現反而比用真實數據訓練還要好。

圖5 跨維智能亮相多地行業展會

賈奎對開源有著深刻的認知：“如果數據問題不解決，行業無法做大。”他預見，當生成式仿真成為主流，數據將逐步“平權”，企業的核心競爭力將轉向對技術范式的深刻理解、產品化工程能力以及在垂直場景中構建完整解決方案的速度。

開源EmbodiChain，是希望降低行業門檻，吸引更多開發者和研究者共同完善具身智能的基礎設施，就像移動互聯網時代的安卓系統，最終催生出繁榮的應用生態。

賈奎判斷，真正基于三維物理的“世界模型”將成為技術競爭的焦點，而更自然、更低成本的真人動作數據采集方式也將出現。

閱讀更多內容，歡迎訂購《機器人產業》雜志。

點擊跳轉！圈內人都在看的專家觀點