12个月冲击物理AGI的“GPT-3时刻”

允中 发自 凹非寺

量子位 | 公众号 QbitAI

后空翻、跑酷、单手抓举几十公斤……

过去两年，人形机器人最出圈的高光时刻，几乎都发生在精心布光的舞台上。

但镜头之外，有一个更朴素的问题始终悬而未决：它到底什么时候能走进你家，稳稳端起一杯水、收好一桌碗筷、把脏衣篮抱进洗手间？

5月20日，极佳视界没有再用“五年内”这类含糊措辞来搪塞。它把通用人形机器人真机，直接推进了武汉光谷一处真实的居民社区：

那里有人住、有孩子把玩具撒一地、家具随时会被挪动位置。

在发布会现场，极佳视界还首次完整披露了过去三年沉淀下来的“双金字塔”技术体系。

一边是数据金字塔，从互联网视频、真人数据、世界模型模拟器、仿真合成数据一路走到真机数据；

另一边是算法金字塔，围绕世界模拟、动作对齐、经验强化搭建具身基础模型的自我进化路径。

资本市场也已经提前投票。2026年3月至4月，极佳视界在短短一个月内连续完成两轮融资，合计金额约25亿元，并跻身国内首个世界模型“百亿独角兽”。

于是，一个更值得追踪的问题浮出水面：

当100台机器人开始进入真实家庭，当双金字塔体系开始吃到长周期、多变量、带有人类反馈的真机数据，当25亿元融资把研发、量产与场景落地同时推上快车道，物理AGI会不会真的迎来自己的临界点？

极佳视界联合创始人、首席科学家朱政博士，这一次走向台前，身上多了一个新标签：拾光品牌CEO。

作为全场焦点的具身智能C端子品牌，朱政在发布会上留下了一段近乎产品宣言的定调：

AGI不该只停留在屏幕里。我们不是在讲一个遥远的未来故事，而是在把骨子里对物理AGI的信仰，变成真实的产品。

在这款第一代产品——拾光S1的设计哲学里，能清晰看到这家公司对“真实家庭场景”极其具体的解构。

最具视觉冲击力的“全人形+双足”路线，并没有出现在拾光S1身上。相反，它采用了一种更务实的家庭版轮臂构型——下半身轮式底盘，上半身人形双臂。

这是一组带有鲜明产品观的取舍。

毕竟在现阶段，家庭场景对机器人的真实刚需，是稳当地端水、收拾餐具、抱起脏衣篮、把零食递到孩子手上，而不是在客厅里完成酷炫的跑酷动作。

相比之下，轮臂构型在稳定性、安全性、续航以及硬性成本上，显然都更占优势。

面对中国家庭的真实地板宽度、真实门洞尺寸以及真实的预算曲线，拾光S1展现出了一种极为清醒且务实的市场姿态。

而在务实的硬件外壳之下，支撑其运转的是极佳视界自研的具身基础模型（GigaBrain系列）。

该模型实现了从感知、理解到行动的完整闭环，能够自主识别物体与场景、规划路径，并执行包含抓取、对齐、折叠、归类等多步骤的长程任务。

回到硬核的商业化进展上，极佳视界现场宣布：拾光S1已斩获真实家庭场景的百台量产订单，将率先部署于武汉光谷之寓——一处位于光谷的真实居民住宅社区。

具体的落地节奏也已经排定好：

把“100台”这个数字放进全球具身智能的坐标系来看，其含金量并不在于数字本身，而在于“家庭”二字。

纵观全球，Figure AI挺进了宝马工厂，但其家庭场景仍处于试点阶段；1X虽开放过NEO的预订，但实际履约规模仍停留在数十台；Tesla Optimus至今则尚未真正对外部消费者开售。

在主流国内具身智能玩家里，目前能够拿出一份可履约家庭订单的团队，也屈指可数。

究其原因，进工厂和进家庭，完全是两个数量级的难度。

工业工厂是高度结构化的，光线、节拍、物料位置基本恒定。

而家庭场景则是极度的“非结构化”：今天家具被挪动了位置，明天孩子把玩具撒了一地，后天又有客人突然到访……所有的动态变量都在无限叠加。

这也揭示了当前行业最隐秘的痛点——当下具身智能最稀缺的资源，不是算法，也不是单纯的算力，而是在真实家庭里、长周期、多变量、带有人类反馈（RLHF）的真机数据。

这种数据，在实验室里造不出来，在自动化工厂里也补不出来。

一旦第三季度这百台机器人真正跑起来，产生的将是难以被复制的核心数据资产：家庭场景下的真实故障率、用户偏好分布、更具烟火气的长尾任务清单，以及人机交互的真实边界。

这些数据，将成为GigaBrain后续模型迭代不可替代的燃料。

值得注意的是，在C端家庭场景高调破局的同时，极佳视界的B端工业节奏也在平行推进。

就在发布会前不久，极佳视界联合一汽模具、阿里云，完成了国内首个具身智能机器人在真实工业制造场景的全流程落地。

在这场跨界合作中，团队成功将传统自动化方案长达数月的场景适配周期，压缩到了短短几周。

家用求广，工业求深。

左手C端场景的数据飞轮，右手B端工业的标杆落地，极佳视界的双线并行矩阵，至此已初具雏形。

如果说“百台部署”回答了具身智能产品何时落地的破局点，那么“双金字塔”回答的就是另一个更底层、更核心的终极命题：

物理AGI的Scaling Law，究竟该建在什么样的基石之上？

在发布会现场，极佳视界合伙人、研发副总裁叶云首次完整披露了公司过去三年沉淀的技术方法论。

他直言不讳地指出了当前具身智能行业系统性存在、却鲜少被彻底攻克的两大瓶颈：

一是数据侧的“既要又要还要”难题。

真机数据精度高但成本高、规模小；仿真数据可扩展但存在不可忽视的sim-to-real gap（虚实迁移鸿沟）；互联网视频规模极大，却缺乏动作监督。

任何单一数据源，都无法同时满足规模、密度和真实性。

二是算法侧的“小马拉大车”困局。

主流VLA（Vision-Language-Action）范式习惯性将视觉、动作token化后塞进大语言模型，但这套机制天然不擅长处理3D空间信息、物理因果逻辑以及连续动作编码。

针对这两大痛点，极佳视界给出的解法是：将数据与算法分别解构，用结构化的“双金字塔”体系强行破局。

数据金字塔的核心，在于解决模型“喂什么”的问题。

极佳视界将其从底到顶划分为5个层级：

互联网视频数据→真人数据→世界模型模拟器→仿真合成数据→真机数据。

在这套架构中，底层管广度，顶层管精度。

而中间三层，正是工程化空间最大、也是过去整个行业最被低估的“腰部力量”。

分层概念在学术界讨论已两年有余，真正拉开差距的是全栈工程化的落地能力。

极佳视界直接为每一层都掏出了对应的商业化或自研硬核产品：

从数据采集、数据生成到模型训练，全链路100%控在极佳视界自己手里。

放眼国内具身智能赛道，能对五层数据做如此系统性、全栈式硬核布局的玩家，目前或许只有极佳视界一家。

一个刚发生的硬核例证是：极佳视界与清华大学合作的研究成果R2RGen，正式被机器人顶级会议RSS 2026录用。

该技术支持机器人在“仅看一条人类演示”的前提下，就能完成一组任务的空间泛化，其1条演示的训练效果可直接媲美25条真人演示。

这正是数据金字塔中，用算法工具实现“真机数据高倍率放大”的典型降维打击。

如果说数据金字塔是筑基，那么算法金字塔解决的就是“怎么学”的自驱路径。

它由底到顶分为三层：世界模拟→动作对齐→经验强化。

在这条路径上，极佳视界交出了一份极其罕见的成绩单：在全球

（摘要已截断，点击下方"查看原文"获取完整内容）