田晏林 發自 凹非寺
量子位 | 公眾號 QbitAI

物理AI發展到現在，所有玩家都奔著同一個方向使勁：

讓機器人「讀懂」所處的物理環境。

這不僅是具身智能玩家拉開身位的關鍵，也決定了機器人未來能否進入真實場景，創造商業價值。

人類看到一張桌子，會知道它在哪里、是什么材質、能不能移動；看到一個門把手，會自然判斷它可以被旋轉；面對突然出現的人，會馬上調整自己的動作。

但對機器人來說，做出這些看似簡單的判斷，并不容易。

△AI生成

因為它面對的不是一張圖片，而是一個不斷變化的三維世界。

想要讓機器人真正長出能理解物理世界的「腦子」，不能只依靠參數量更大的基礎模型。

機器人大腦需要海量真實物理交互數據做訓練燃料。

而高質量視覺感知，正是把現實環境轉化為模型可讀信息、持續產出訓練數據的核心入口。

更強的視覺感知持續供給真實世界數據，不斷迭代升級機器人的物理世界大腦。

最近登陸港交所主板的樂動機器人，過去十年押注的，就是這樣一條路線。

從掃地機器人、物流倉儲機器人，到無接觸式酒店和餐廳的服務機器人，再到如今的人形機器人、機器狗等新賽道爆發，樂動持續圍繞一個底層問題布局：

機器人如何感知空間，并理解環境。

這也讓其在多輪機器人產業發展中，逐漸積累了「空間感知技術」的先發優勢。

但上市之后，市場關注的不只是這家企業過去的成績。

大家更想知道，在人人都要機器人「讀懂世界」的物理AI時代，智能化的底層地基該怎么打？

機器人競賽，焦點變了

論機器人行業未來的通用底層剛需，答案離不開一個：環境感知能力。

背后邏輯很好理解。

無論機器人最終落在哪個場景，家庭、酒店、餐廳、倉儲、工廠，包括未來要規模化商業落地的人形機器人，它首先要會回答：

• 我在哪里？
• 我看到了什么？
• 眼前的東西意味著什么？
• 我下一步應該怎么行動？

如果沒有對環境的理解，機器人就只能停留在固定場景、固定動作的自動化設備階段。

就像傳統工業機械臂，可以精準完成焊接、搬運等重復任務，但它并不真正「知道」自己面對的是什么。

過去，機器人行業的競爭敘事一直圍繞一個詞展開：運動能力。

誰能走路、誰能避障、誰能抓取、誰能完成復雜動作。

但隨著具身智能進入真實應用階段，這套評價體系開始失效。

下一代機器人要進入真實世界，面對的是大量開放環境和長尾情況：

一個隨意擺放的物品、一扇半開的門、一個突然移動的人，甚至是光線變化都可能讓系統崩潰。

空間變化帶來的不確定性，要求機器人具備對世界持續理解的能力。

而理解世界的前提，是感知。

△AI生成

特別是進入物理AI時代，「感知」更是連接現實世界與AI模型的必要入口

它負責把復雜的物理世界轉化為AI能理解的數據，再交由模型完成認知、決策。

某種程度上，機器人的智能上限，取決于它感知世界的深度。

所有空間智能，本質上都依賴同一件事：真實世界數據的持續供給。

沒有數據，再強的模型也只是靜態能力。

數據一旦斷供，所謂泛化能力就會迅速塌縮。

也正因此，行業的競爭焦點正在發生遷移：從「誰的模型更聰明」，變成「誰能持續生產真實世界」。

而這本質上就是一件更工業化的事情：把物理世界變成數據流。

這也是感知能力被重新定義的地方。

它不再只是機器人的一個模塊，而是整個系統的入口。

一個決定后續所有智能上限的入口。

從傳感器到「數據精煉廠」

但想把物理世界變成AI能理解的數據，并沒有那么簡單。

現實世界的數據，天然就是混亂的。

就像剛從礦井里開采出來的原油。有價值，但不能直接用。

真正決定機器人智能水平的，不只是有沒有傳感器，而是有沒有能力把這些原始信息加工成模型可以理解的「燃料」。

這也是樂動機器人過去十年持續投入的方向。

在公司成立之初，團隊就做了一個判斷：

機器人未來無論進入家庭、酒店、餐廳、倉庫還是工廠，最底層的共性需求一定是理解環境。

樂動機器人董事長周偉告訴量子位，「感知」可分為兩層：

第一層是感，負責通過傳感器采集環境數據；
第二層是知，通過算法和模型把數據變成機器人對環境、空間和物體的認知。

這意味著，感知從來不是一個單獨硬件問題。傳感器只是入口。

真正的競爭，在于誰能把入口采集的數據，進一步加工成空間智能。

這也是樂動沒有停留在硬件公司的原因。

這些年，機器人產業經歷過多輪周期：

• 2017年～2018年，掃地機器人快速普及；
• 2019年，物流倉儲機器人興起；
• 2020年～2021年，無接觸服務機器人進入酒店、餐廳；
• 2023年～2024年，割草機器人開始爆發。

到如今，人形機器人、機器狗、無人小車等新方向集中出現。

每一輪機器人浪潮，最終都會回到同一個問題：機器人如何理解自己所在的世界。

樂動踩中的，正是這個長期不變的底層需求。

為了讓機器人擁有理解真實世界的最佳能力，樂動的「感知產品」經歷過多輪技術迭代。

△AI生成

先說傳感器

過去單一傳感器時代，視覺解決語義問題，激光雷達解決空間定位問題。

但單一能力始終存在缺陷。

激光雷達知道距離，卻不知道那是什么；視覺知道物體，卻不一定精準知道空間位置。

而物理世界中的機器人，需要同時回答：這是一個什么東西？它在哪里？我能不能移動它？我應該如何行動？

所以，周偉認為，未來傳感器硬件的趨勢，必然走向多模態融合。

視覺、激光、深度信息、IMU（慣性測量單元）等不同數據源，需要被統一理解。

再看算法模型。

樂動早期也是依靠工程師人工編寫代碼。

但這種方式的問題很明顯，不僅效率低，而且工程師可以寫出100個規則，卻很難覆蓋真實世界里的第101種情況。

變化發生在AI進入機器人之后。公司完成了從人工規則算法到端到端AI模型的范式革新，依靠AI自主學習、自主認知環境。

在周偉看來，硬件負責收集世界，模型負責理解世界。

只有兩者結合，才能形成真正的空間智能。

如何把這些不同來源的數據，變成機器人可以學習的語言呢？

樂動自研了LD-SenseWorld靈境物理空間交互大模型。

它不是通用大模型，而是聚焦物理空間智能。核心目標只有一個：讓機器人真正理解空間。

它的第一項能力是數據預處理與多模態融合。

現實世界的數據來自視覺、激光雷達、IMU等多個通道，但這些信息天然不同步、不同結構。

如果不做統一處理，本質就是噪聲疊加。

LD-SenseWorld通過對齊、清洗與融合，把多源數據拉回同一時間與空間基準，形成可用的世界輸入。

第二項能力是特征提取與空間Token化。

連續變化的物理世界，必須被轉化為機器可學習的離散表達。

系統將位置、距離、物體關系與運動狀態等信息壓縮為“空間Token”。

相當于為機器人建立一套描述現實的基礎語言，讓空間本身變得可讀、可計算。

第三項能力是語義化與物理一致性注入。

機器人最終不是為了識別，而是為了行動。

僅有結構還不夠，機器人還需要理解規則：什么能移動、什么會墜落、人在何種情況下會改變路徑。

通過引入物理約束與語義理解，數據不再只是坐標與點云，而是具備因果與行為邏輯的認知輸入。

本質上，LD-SenseWorld做的不是建模，而是把混亂無序的數據，加工成可學習的世界「燃料」。

這也是樂動作為「數據精煉廠」的核心所在。

百萬臺設備，撐起物理AI的數據飛輪

對于物理AI來說，模型只是開始。

真正決定機器人能不能進入現實世界的，是模型背后的數據供給能力。

這也是當前機器人行業最大的挑戰。

周偉提到，行業數據來源主要有三類：

仿真數據、實驗室或數據工廠數據，以及真實場景落地數據。

這里最大的問題，是前兩者很難覆蓋真實世界里的大量未知情況。

這也是為什么，越來越多機器人公司開始意識到，真正稀缺的不是訓練模型的方法，而是訓練模型的原料。

特斯拉FSD的優勢，本質上來自大量真實道路數據積累。

△AI生成

機器人也一樣。

沒有真實設備持續運行，就沒有持續進化的數據來源。

樂動的路徑，是通過構建「物理AI三層核心架構」，給模型落地做底層支撐。

• 硬件感知層：負責用多模態傳感器采集真實世界海量原始數據。
• 模型層：空間交互大模型負責讓機器人理解真實世界，打造真實物理世界的數據精煉廠。
• 數據層：區別于仿真數據，基于真實設備持續采集，自研大模型持續加工，輸出源源不斷的結構化、語義化、物理一致性的空間Token，可直接輸入世界模型訓練。

最終形成從硬件采集數據，到數據訓練模型，再到模型反向定義硬件的「數據飛輪」。

這也是樂動和傳統硬件公司的區別。

傳統硬件公司的邏輯是生產設備——銷售設備——結束交易。

但樂動在物理AI時代，通過更多的設備，采集豐富的數據。

“數據越豐富，模型越強。模型越強，產品體驗越好。體驗越好，又容易推動更多設備進入真實場景。”周偉說。

這是一個不斷加速的循環。

△AI生成

樂動已經在這條路上積累了規模化基礎

2025年，其核心產品DTOF激光雷達出貨量超過400萬臺。

但樂動擁有的不只是傳感器出貨量，而是一個持續運行的真實世界數據入口。

據悉，搭載樂動視覺感知技術的設備量已突破2000萬臺。

在樂動的財報里，割草機器人是該公司第二增長引擎。產品目前主要銷往歐美、澳洲等高潛力智能花園養護市場。

第三方機構統計，到2030年，全球智能割草機器人市場規模預計將增至62.5億～100億美元。

什么概念？這意味著，將有更多源源不斷的真實場景數據，等待被樂動收集。

這是「數據精煉廠」成立的基礎，也是數據飛輪能夠快速起飛的前提。

20年機器人長跑，周偉的「直覺」

回看樂動的發展路徑，會發現這并不是一次突然押中的風口，而是一場持續二十年的積累。

1986年的周偉，是機器人行業典型的“少壯派”。

早在大學時期，他就獲得了中國機器人足球錦標賽冠軍。

△樂動機器人董事長周偉

2012年畢業后，周偉與華科的學長郭蓋華在深圳共同創立樂行天下。

最初選擇體感車行業時，二人的目標就不僅僅是做交通工具，而是想做出更便捷、更張揚個性自由的智能出行機器人。

2013年秋，第一款樂行智能平衡車發布，也讓樂行成為國內平衡車領域的開創者之一。

2014年，樂行天下完成1億元的B輪融資。周偉也于2015年入選“福布斯中國30位30歲以下創業者”榜單并成為封面人物。

2017年，周偉和郭蓋華兩人再次踏上創業征程，樂動機器人成立了。

從樂行天下再到樂動機器人，周偉積累了大量機器人產業經驗。

以至于創業多年后，公司遇到難關時，他還能保持技術者的敏銳直覺。

2022年那段時間，國內外宏觀環境與資本市場低迷，樂動機器人的經營狀況并不樂觀。

高研發投入、商業化周期長、訂單規模受限，投資者都開始勸周偉降低研發投入，優先保證業務。

但究竟是要短期現金流，還是積累長期技術壁壘？這是科技創業公司常見的典型試題。

頂著投資人的壓力，周偉決定all in感知技術。

原因很簡單。他認為感知不是一個階段性需求，而是所有機器人未來都會需要的底層能力。

事實證明，這個判斷最終迎來了行業回報。

2024年至2025年，機器人產業進入新一輪爆發期，樂動早期的技術投入開始釋放價值。

對外，周偉常半開玩笑說，當初的決定源于一時直覺。

所謂直覺，其實都是長期認知形成的本能。沒有二十年機器人領域的功力，恐怕很難做出這般取舍。

One more thing

傳統AI和物理AI最大的不同，是后者在面對一個復雜、連續、不斷變化的現實空間。

誰能把這個空間高質量地數字化，誰就掌握了下一階段機器智能的入口。

從這個角度看，樂動正在做的事情，已經不只是提供感知硬件，它更像是在建設一套物理世界的數據加工體系。

讓機器人看懂世界，讓模型理解世界，再讓機器人基于真實世界不斷進化。

從傳感器產品公司，到物理AI的「感知基礎設施平臺」，樂動正在完成身份重塑。