田晏林 發自 凹非寺
量子位 | 公眾號 QbitAI

新一代具身基礎模型G0.5和首款雙足人形機器人Kengo亮相不到半個月，星海圖又整活兒了。

這家于2023年成立的具身智能公司，今年年初完成股改后，正處于密集發力的窗口期。

這一次，星海圖干脆把自己的「朋友圈」一次性亮了個遍。

6月16日，在該公司舉辦的第一屆全球開發者大會（Galaxea WDC 2026）上，上百位全球開發者、頂尖學者、產業鏈上下游伙伴，甚至連海外機器人企業都來了。

當天活動現場的座位安排頗為講究：

第一排嘉賓席C位，上午留給了相關部門領導，下午換成了清華大學電子工程系教授汪玉（下午首場演講嘉賓）。

星海圖創始人兼CEO高繼揚把自己安排在了他們的右手邊。

而他的右側嘉賓十分固定，今日資本創始人徐新一直聽到該公司聯合創始人、CTO趙行分享結束才離場。

這種「學術+資本+產業鏈」高密度同框的場面，傳遞出一個清晰信號：

2026，似乎真到了具身智能分水嶺。

我呢，一天大會跑下來，發現有三件事值得細嘮嘮：數據、模型、生態。

單拎起哪一個，都足夠說明星海圖當前的戰略意圖。

2億成本投真機，劃算么？

在星海圖的技術敘事里，被反復提及的關鍵詞就是「數據」。

會上，星海圖聯合北京亦莊共同發起的一家新的數據公司「亦數智能」，并提出一個非常激進的目標：100萬小時超高質量真實數據計劃。

100萬小時意味著什么？大概是具身智能終于有「互聯網級別」的數據養料了。

天眼查顯示，亦數智能（北京）科技有限公司，星海圖作為第二大股東認繳出資額2500萬元，持股比例25%。

亦數智能牽頭，原力靈機、螞蟻數科、百度智能云、獵聘、海天瑞聲等15家公司，是首批共建企業。

我們是國內最早、也最堅定押注真實數據的公司。模型、數據和本體，必須在同一套體系里跑通。

高繼揚的潛臺詞很清楚：在具身智能里，數據不是輔助，而是底層生產資料。

這也是具身行業共識。大模型之所以能有效工作，根本原因在于它「吃」了海量數據。

同理，機器學習底層邏輯之一，也是高度依賴數據中臺的質量。

但具身的數據從來不是現成的。

一位星海圖工程師告訴量子位，真機數據收集難度大，短期內為提升數據量，還得引入UMI、Egocentric數據等。

BTW，很多公司已經把UMI+Ego結合使用了。這類數據被認為是當前行業里較為常見的「廉價替代方案」。

但在內部判斷中，這并不是終局。

他們更傾向于把真機數據作為核心資產長期積累。

同時，逐步引入互聯網身體數據、人類行為數據以及物品交互數據，用數據工程方式放大規模。

對于仿真數據，星海圖團隊的態度相對保守。

我們公司不太相信仿真數據、合成數據，與真機數據差異較大，難以總結有效算法設計。

這種判斷也并非沒由頭。海外具身智能公司Genesis AI也未成功將合成數據用于預訓練呢。

在數據組織方式上，有行業人士打了個比方：如果說大模型的數據生產是被動收割，那么具身智能更像是豐田式的精細經營，需要對每一條數據進行控制與驗證。

問題也隨之而來——成本。

在會后群訪中，高繼揚直言不應只關注數據單項成本，應該關注智能總成本。

采數據是為了搞智能，得回到我們的目的。

智能總成本分三塊：數據、算力、研發團隊。

我們先把研發團隊工程師成本去掉。實踐中發現數據和算力成本比例大概是1:10。

也就是1塊錢的數據成本，至少需要10塊錢的算力成本，才能把模型訓明白。

在他看來，如果數據本身不work，后面產生的模型一定也沒什么用。

高繼揚把真實世界數據拆成兩類：

• Human centric data（人類行為數據）
• Robot centric data（機器人遙操作數據）

在成本層面，這兩類數據的價格區間已經被拉得非常清晰。

Human centric data大約在每小時50～100元人民幣之間，受地區與采集條件影響存在波動。

Robot centric data由于涉及遙操作、人工控制以及設備折舊，成本顯著更高，大約在每小時250元左右。

在市場上，一些團隊的報價甚至達到300~350元，但通常伴隨10%~20%左右的毛利空間，更多取決于運營效率。

如果把這件事放到規模上看，邏輯會變得更直觀。

100萬小時的數據采集，對應的是1億~2億元人民幣的成本。

而在高繼揚的對比視角里，這個數字并不夸張，甚至是「必須發生的投入」。

今天做大模型訓練，每年算力支出是幾億美金級別。相比之下，這一兩億人民幣的數據成本是必須要花的，而且從智能產出的角度看，其實非常劃算。

G0.5用到雙足人形，還需時間

硬件與數據，最終都要服務于模型。

本次大會，星海圖新一代VLA基礎模型G0.5正式發布，并宣布開源。

在下午場演講中，趙行重點介紹了星海圖的三層技術路線：

• 本能智能：讓機器人協調全身
• 作業智能：讓機器人干活
• 進化智能：讓AI重新定義機器人形態

G0.5處在第二層，但它做了一件關鍵的事情：把VLA統一進一個自回歸生成框架中。

視覺、語言、思維鏈與動作不再分段處理，而是在同一數據流中連續生成，實現「邊理解邊執行」的閉環推理。

會后，我們問了趙行一個現實問題，G0.5什么時候能用到雙足人形機器人Kengo身上？

他的回答比較直接：至少要等到今年年底。

原因也很現實。這里面還有不少工程問題沒有完全解決，比如小型人形機器人的端側算力仍然不足。

這直接指向一個硬約束——NVIDIA Jetson Thor。

Thor被定義為「機器人大腦」，用于運行VLA、世界模型和多傳感器融合任務，但問題是功耗高、體積大，小型人形結構空間不夠。

有算法工程師告訴量子位，如果未來有廠商能針對具身智能做Thor的輕量化版本，可以直接用。

這一現實也解釋了一個行業現象：為什么很多具身智能公司在早期驗證或生產環節，會更傾向于輪式機器人。

相比雙足形態，輪式平臺在算力承載、供電能力和結構空間上都更加寬松。

高繼揚在群訪時也說，G0.5的整體架構，更適配雙臂智能或輪式雙臂這類形態。

現階段會更多落地在R1 Lite、R1 Pro，包括新發布的單臂A1Z等平臺上。

而Kengo這樣的雙足人形產品，目前仍處在本能智能階段。

在他看來，以上提到的「三層技術路線」是必經階段，沒捷徑可走。

作業智能是當前的主流路線，本質上仍以模仿學習為主，強化學習更多起到輔助作用。

而在本能智能階段，則是強化學習是主，模仿學習作為補充。

這一趨勢在過去幾年已經逐漸清晰，包括英偉達的Sonic，以及基于Mimic類方法的跳舞控制系統，本質上都是在強化學習框架中引入模仿信號進行修正。

從長周期看，高繼揚認為本能智能與作業智能這兩條路徑，最終大概率會走向融合。

等到那個階段，才可能真正把G0.5級別的能力遷移到Kengo這樣的雙足系統上。

多說一句，今年年初，星海圖發布了第一版世界模型Fast-WAM。

在后續研究中，趙行團隊發現一個關鍵問題：市面上大多數基于世界模型的機器人策略，是在一個視頻生成模型上再疊加策略模塊，導致整個推理鏈路變得冗長。

他們做了結構性簡化：直接去掉推理階段的視頻預測過程，僅保留訓練階段學到的世界表征能力。

結果顯示，模型性能沒有明顯下降，但推理速度提升4倍以上。

同時，Fast-WAM可以在消費級顯卡上穩定運行5億～10億參數規模模型，為后續工程部署提供了現實基礎。

都開始拼生態了

如果只看技術發布，本屆WDC不會顯得特別激進。

G0.5開源、Fast-WAM、Kengo首秀，基本都在預期內。

一個變化是，星海圖開始轉向「生態化」敘事了。

除了亦數智能，本次大會上，星海圖還聯合凱輝基金發布創業孵化項目「星途計劃」。

據CFO羅天奇介紹，他們重點關注三個方向：數據驅動智能、應用場景突破、下一代核心技術。

尤其是第三個最關鍵，因為它對應的是未來Physical AI Agent在真實世界中的擴散路徑。

過去一年，星海圖已陸續投資近10家企業，未來3到5年希望投資30～50家。

投資不只是為了財務回報，是要與伙伴共同構建產業拼圖。

星海圖過往投資支持的公司，已有不少成為其上下游伙伴。

「產業成功的時候，不是某一家企業的成功，而是一批企業的共同成功。」高繼揚說。

這句話也有潛臺詞：沒有任何一家公司能夠獨自定義具身智能。行業已經進入平臺期前夜。

確實，具身智能行業鏈條很長，連接AI、機器人、本體、傳感器、數據、制造、場景和服務，不是一家公司靠單點技術就能完成的。

當前，不少具身公司都在搭建生態。

區別于智元自研全品類整機，「航母式孵化」應用場景，星海圖認為自己走的是「生態平權」路線。

開放技術、工具、接口，降低入行門檻，所有開發者、企業都能平等使用核心能力，打造開放共享生態。

One more thing

會上，高繼揚主動談起星海圖的商業模式，會沿著三段式路徑演進：

從整機銷售，到方案訂閱，再到物理世界Token銷售。

在這一框架下，第一階段的整機銷售更多承擔場景驗證功能。

相較于這一階段直接追求規模化增長，他認為，當系統能力能夠被持續調用、任務能力可以實現模塊化訂閱時，智能驅動的商業化才會逐漸顯現出更大的可能性。

在這個邏輯下，2024年10月，星海圖首批GalaxeaR1機器人本體，迎來第一個客戶——斯坦福李飛飛實驗室。

△李飛飛基于R1 發布全身移動操作機器人套件方案

高繼揚和量子位分享了合作背后的小故事。

他與趙行都曾在美國讀博，與李飛飛團隊在學術圈有交集。

“我們想做具身智能這么一款產品，跟他們一碰，正好需要。要不說researcher更懂researcher呢。”

不過，高繼揚當時接觸的不只有李飛飛團隊，也聊過不少潛在客戶。

但最后真正接住這件事的，還得是飛飛老師。