今年8月的世界机器人大会现场，超维动力展台的乒乓球台前排起了长队。观众轮番上场，只为体验与一台人形机器人对打。这套名为SMASH的高动态人形乒乓系统，需要在毫秒级时间窗口内完成来球识别、轨迹预测与挥拍回击，不少人正是通过这个demo认识了超维动力。
更早引发行业讨论的，是超维动力今年4月的一场发布会：整场发布由两台名为KAI的超拟人机器人以对谈形式完成自我介绍与内容输出。KAI身高173厘米，全身一百多个自由度，体表覆盖一万八千个触觉传感点，一度领衔全球自由度最高的人形机器人。
这场发布会真正冲击行业的并非形式，而是KAI极高的自由度与触觉传感配置——它远超当前具身大脑的驱动能力上限。为什么发布一款当下难以发挥全部能力的本体？超维动力的技术布局也并不止于这台超拟人本体。过去一年内，这家公司搭建起了一张具身行业中少见的全栈版图：
- 自建数据链路：采集员佩戴自研数采头环KAI Halo，走进家庭、医院、酒店、零售等真实场景，累计采集超过十万小时的ego数据，覆盖二十多个场景。据超维官方数据，该体系使数据生产效率提升10倍；
- 这些数据用于训练自研具身大模型KAI World Model，模型评测效率提升7倍，未见场景的任务执行成功率提升51%；
- 搭建KAI Embodied AI Infra层，将采集、质检、标注、训练到真机回流串成闭环，供不同形态机器人使用；
- 自研灵巧手KAI Hand，与轻量化数采头环KAI Halo Lite一道作为独立产品对外销售。
支撑这张版图的是超维动力的创始团队：华为22级高管+10万引用算法学者+硬件顶尖专家的组合。联合创始人兼CEO喻杰，为前华为22级自动驾驶产业高管，亲历自动驾驶从零到百万辆以上量产的全过程；第二位联合创始人罗平是香港大学计算与数据科学学院教授、副院长，兼任港大多媒体实验室负责人；第三位联合创始人郑存远为中美机器人与智能硬件领域连续创业者，曾任知名机器人公司整机研发负责人。
团队配置也直接反映在融资进度上。超维动力2025年7月成立于深圳，当年10月完成天使轮融资，投资方为分享投资和青鸟消防；同年12月完成新一轮天使轮融资，松禾资本领投；今年9月11日，公司宣布完成超5亿元天使+轮系列融资，祥峰资本、方广资本、万石资本等纷纷加注。
具身智能的路线之争，核心是一道选择题：先做垂直场景的专用机器人、挣出现金流，还是埋头通用智能研发、赌更远的未来。喻杰认为这并非二选一——他对"攀登珠峰、沿途下蛋"的理解，不是任性的"既要又要"，而是基于华为智驾经历沉淀出的一套平衡之道。这套逻辑也是超维全栈布局及其一系列"出格"动作的底层逻辑。
对话实录（略有删减）
从实验室到量产，工程化的难点在哪？
喻杰：这一步的难度不在单点技术，而在整套工程能力。做机器人本质更接近做手机或智能车，必然是"工业+实验室"的模式：光在算法上做出漂亮突破不够，还必须具备量产思维和成熟的运营运维体系。实验室验证原理，到产品交到用户手里能用、耐用、成本算得过来，中间隔着工程化、供应链、质量和成本管控等一整段链条。我们在华为亲历了自动驾驶从零到百万辆以上量产的过程，这套经验在具身行业同样适用。
具体包括三点：一是AI落地光有算法不够，要有快速迭代能力，华为当年花大量精力搭基础设施，对后来百万辆级量产帮助很大；二是数据能力，数据的快速回传、清洗、处理、训练链路要尽早建立，早期数据积累比算法创新更重要；三最根本的是如何兼顾远大目标与到达目标之前的生存——华为早期销量未起、研发成本巨大时，团队就明确了大目标要靠造血能力支撑，业务必须自己能转起来。
对标到具身行业，主航道永远是通用人形，同时围绕主航道做商业化部署支撑公司前行。这些部署不是另起炉灶，而是从通用基座能力里长出来的，投入不需很大，但能实实在在反哺研发。超维不会在主航道之外做过多探索。
如何看待先做垂直场景专用机器人的路线？
喻杰：从垂直场景切入没有问题，但技术框架和数据必须是通用的，否则就只是在做一台专用机器。智驾行业已经演过一遍：当年一批智驾公司先做港口、矿山场景，做了好几年没有换来优势，因为垂直场景里数据多样性不够、算法复杂度也不够，很难沉淀出通用技术。
打个比方：一个只在工厂里长大的小孩，没见过外面的世界，认知和能力就非常有限，机器人也是一样。关键不在于做不做垂直场景，而在于底下是不是一套通用的底座——技术框架、数据管线、算法能力都得通用，垂直场景只是这套能力的一次应用。只有这样，场景里积累的数据、能力和工程经验才能沉淀回主线。
超维定义的通用底座包含什么？
喻杰：拆开是三层：足够拟人的本体、大规模的人类数据，以及把数据持续变成能力的处理体系。具身行业公认的最大问题是数据：机器人没普及就没有产品，没有产品就没有数据；数据少则能力差，能力差就没人用，没人用就更没有数据——这是一个转不出去的循环。破解要两条腿走路：一方面造出足够拟人的本体，另一方面用头环这类设备从人身上采数据。
第一步必须是拟人本体，因为构型越接近人，人的数据映射到机器人身上的误差就越小，才可能更高效地从人身上学到东西。
如何评价先从小尺寸人形本体起步、先攒数据的中间态路径？
喻杰：如果最终目标是全尺寸人形机器人，中间态研发很可能造成巨大的效率降低和资源浪费。在小尺寸本体上采的动作数据，对后续全尺寸研发帮助非常有限。我们的体会是，用非拟人本体跑人的数据，利用率只有百分之二三十，稍微复杂一点的动作就做不了。就像办公室的桌子按成人尺度设计，一台一米二的小人形根本够不到；国外有些演示看着流畅，但操作位置都是迁就过机体能力的。我们宁愿一开始就走最难的路，把超拟人本体做出来，回头看这反而让迭代更快、更省时间。
高拟人本体和全身触觉皮肤这些超前设计，最终服务的是什么？
喻杰：服务两件事：从人身上学数据，以及安全地与人协作。117个自由度、体表大部分覆盖触觉皮肤、18000个触点能感知0.1N级别的轻触，这些不是炫技，核心是让机器人构型尽量接近人，人的数据才越用得上。触觉同理——要跟人、跟物体发生细腻交互，没有触觉就等于闭着眼干活。所有选择都奔着一个目标：让机器人能在人的环境里真正干活。
全栈是否意味着太费钱？
喻杰：这是常见误解。全栈、垂直整合、把关键环节做深，本质上是为了省钱，也为了省时间。举两个例子：灵巧手市面上我们几乎都试过，要么太贵、要么没法用，自研之后成本只有外购的三分之一到四分之一，更关键的是能跟上自己的迭代节奏；数据采集自营成本大概是外购的三分之一。
行业里有个现象：一些公司手握大笔资金，研发效率反而不高，原因就是过度依赖供应商，什么都等供应商给，节奏永远慢半拍。全栈的真正好处是让关键环节长在自己身上，成本、时间、节奏都自己说了算。
哪些自研、哪些外购，如何判断？
喻杰：全栈不等于全都自己做。触觉皮肤、电池等部件，我们会用质量更高的供应商，该用外部能力的地方要用足。真正考验创始人和团队的是判断本身：依据一是它是不是核心竞争力，二是外部有没有足够好的供给。有些环节必须自研，是因为市面供给满足不了要求，比如灵巧手；有些环节外购，是因为外面做得足够好、也更划算，非要自己做反而费钱费力。这个先期判断非常关键——判断错了，要么成本失控，要么被供应商卡住。
具身落地场景众多，超维的落地标准是什么？
喻杰：我们清楚当前的能力边界：具身还进不了对效率要求极高的场景。我们的基因从产业而来，知道那里是什么要求——进了人家的生产系统，停工超过一小时电话就来了，两小时投诉就来了；酒店清洁说好四十五分钟做完，实际上三十分钟就得做完，客户还在旁边等着。现有硬件和算法撑不起这种节奏，所以我们选容错率更高、允许拿时间换效率的场景，比如医疗康养。而且这些场景里有人、有桌椅，数据形态和未来的家庭场景接近。我们已经和北大医疗达成深度合作，方向是把具身智能在医疗场景的落地路径一步步走实。既养活当下，也服务终局。
量产和进家庭的节奏预期如何？
喻杰：节奏上，预计2027年达成小批量量产，2028年进一步铺开，然后逐年爬坡。进入家庭我判断大概在2028年，会先从有支付能力的家庭开始。中国哪怕只有1%的家庭，量就非常大了，更不用说海外市场。这件事最关键的是谁先做出来、谁先进入市场，就像当年的iPhone——它的用户当前不是最多的，但它最早推出来，能力一直是最强的。当然我也很清醒，我们不会是唯一做成的公司，这不现实，但这一轮的窗口期我们会全力去拼。
SMASH乒乓系统除了展示和赛事，还会走向哪里？
喻杰：SMASH对我们来说是能力的检验：全身协调、感知、预测、控制要在一个高速动态任务里对齐，很考验系统的上限。它首先是技术验证平台。同时我们也看到了它带来的关注度和真实需求——世界机器人大会上观众排队跟它打球，它还在世界人形机器人运动会上跟奥运冠军丁宁对打。往下走，这种高动态、高交互的能力在文娱、康养等方向有真实场景，我们对它的商业化持开放态度：沿主线继续做，有机会就往前推一步。
超维"沿途下蛋"策略目前有哪些具体动作？
喻杰：第一，核心零部件。我们的灵巧手已经有订单、有真实复购。当初自研是因为市面上买不到合用的，做着做着，它自己就成了有竞争力的产品。第二，数据。我们的数据首先自用，同时头环这类采集设备以及数据本身也开始产生效益。第三，垂直场景的先期投入，比如医疗康养，不一定马上挣多少钱，但能打磨产品、积累场景数据。这三块有一个共同点：都是通用基座能力的复用，投入很小，而且每一块都在给主线供血。
行业里常拿超维与Figure、特斯拉Optimus对比，像在哪？
喻杰：像的地方有三处。一是路线的坚持：Figure一直只做通用人形，没有去做别的形态的机器人，我们的重心也一样，从成立起专注的就是具身智能里最难、但也最大的市场。二是全栈的方式：从本体、模型到量产，Figure和特斯拉都握在自己手里，我们的数据、算法、本体、关键零部件也都在自己做，当然全栈是有边界的，不是什么都做。三是采集数据的方法：都相信要从人身上学。我们大概是去年开始做头环、做第一人称数据采集，后来Figure也默默开发了自己的数采系统，这说明在数采这件事上，我们和Figure的判断是一致的。
难以证伪的行业，与不变的判断标准
"具身智能这个行业最大的问题就是难以证伪。"喻杰在对话最后表示，"自动驾驶公司的技术在半年后就要上车、试乘，技术行不行可以当场见分晓。而具身行业整体偏早期，确实不容易判断。这就造成了一个结果：前一阶段，有一个说得过去的故事、有一个看起来有特色的团队，就可以融到钱。但最近行业的评价标准也在变化，大家务实多了，会看你真正的产出是什么，看谁真正落了地，这个趋势对认真做事的公司是好事。"
整场对话中，喻杰说得最精炼的一句话来自他在华为学到的一课：没有弯道超车。
这句话几乎概括了他对具身行业的全部判断：故事和概念从不稀缺，最后比的还是产出，看谁真正能把东西做了出来。而超维动力的平衡之道，也正是从这句话里生长出来的。
