编按
“身体力行”，古已有之。《淮南子·氾论训》有“圣人以身体之”，《礼记·中庸》亦言“力行近乎仁”。古人所重，不只在“知”，更在知之后的“行”——以身体感知世界，在行动中验证认知。
两千多年后，这四个字在具身智能时代有了新的现实含义：具（身），让智能拥有进入物理世界的载体；智能（体），赋予机器感知、理解与决策的能力；创新（力），推动技术突破瓶颈、建立壁垒；执（行），让这些能力最终转化为产品、交付与真实价值。
值此之际，《融资中国》推出“身体力行”具身智能专刊，将目光投向一批正在产业深处生长的未来独角兽。我们试图记录的，是一场从“知”到“行”的跨越，也是新一代机器人企业从技术走向产业的成长之路。
（ID：thecapital）
半年时间，从组建团队到拿下国际汽车产业链巨头大额订单，这样的速度，在具身智能行业并不多见。
2025年3月，张玉峰决定创立无界动力时，业内不少人感到意外。作为前地平线总裁，他曾带领千人团队征战中国辅助驾驶市场，助自主品牌拿下市场份额第一，主导过与大众、比亚迪、长安、大陆集团等巨头的深度合作。
但他和团队看到了下一个拐点：智能驾驶本质是“四个轮子上的机器人”，解决的是二维平面高速移动中的感知与控制；而一旦把这套“感知－决策－控制”闭环放进三维空间，面对连续且高度耦合的物理交互，挑战将被成倍放大。与他同行的，还有中科院自动化研究所博士夏中谱，是国内首个智驾端到端方案的缔造者。
这支从智能驾驶战场厮杀出来的团队，带来的核心资产不是代码，而是一整套车规级验证的工程体系，和把复杂AI软硬件规模化交付的能力。他们要做的，是把这套经验完整迁移到机器人身上。
技术路线上，无界动力没有跟随主流VLA，而是押注隐空间世界模型+强化学习，打造通用大脑MWA™。用他们自己的话说：世界模型给机器人一个“世界观”，强化学习给它一个“价值观”。前者让机器人理解物理世界、预判动作后果，而不只是模仿动作、知其然不知其所以然。
无界动力联合创始人王瑛韫总结，当前，无界动力的落地策略是“用工业练技能，用商业练泛化”：标准化的工业场景磨炼精度与稳定性，开放多变的商业场景检验能力的迁移边界。
截至今年8月，成绩已经写在了订单和认证里：7亿元全球订单开始落地，机器人走进国际客户产线；第二代机器人K15拿下欧盟工业级CE全指令认证，是全球首个获此认证的具身智能机器人，也是唯一通过EN 18031网络安全标准的具身智能人形机器人。
在世界机器人大会上，无界动力与韩国HOLLYS咖啡共同打造的“人机共生”沉浸式机器人咖啡空间里，机器人在顾客活动的开放区域中完成端送、清理、消毒、整理座椅的全流程。这不是实验室里的演示，而是真实商业场景的日常。与此同时，总额5亿元的远景科技全球订单已经启动交付，首批K15正漂洋过海，去往欧洲的生产线。
从中国工程师的图纸，到欧洲工厂的产线，无界动力把“中国智造”写进了全球具身智能的版图。
以下为采访实录，以飨读者：
《本刊》：世界模型、VLA、端到端、分层大小脑等路线的差异究竟在哪里？
王瑛韫：我们的判断是，具身智能真正需要解决的，是让机器人理解物理世界、判断任务成败、预测行动结果，并据此形成稳定的行动策略。因此，我们选择以隐空间世界模型为核心、以强化学习为重要路径，构建具身通用大脑MWA™。
世界模型、VLA、端到端和“大小脑”并不完全是同一层面的概念。端到端是一种训练和系统组织方式；“大小脑”是一种系统分层架构；VLA和世界模型则是两种不同的模型。
VLA描述的是输入视觉和语言，输出动作。它主要依赖示范数据进行模仿，面对训练数据之外的物体、环境变化或者复杂长程任务时，容易出现“知道要做什么，但不知道为什么这样做、下一步会发生什么”的问题。
世界模型解决的是另一层问题：机器人能否在“大脑”内部建立对物理世界的表征，理解物体、空间、物理规律和行动因果，并预测不同动作可能带来的未来结果。它不只回答“下一步动作是什么”，还要回答“如果这样做，世界会发生什么”。
无界动力把世界模型放在核心位置，是因为机器人进入真实世界后，不能只根据既有数据模仿“过去的人是怎么做的”，还要判断“现在是什么状态”“这样做会发生什么”“结果是不是我们想要的”。MWA™通过隐空间中的高维表征理解物理环境和行动因果，再通过强化学习，在试错、反馈和奖励中形成策略能力。我们把这概括为：世界模型让机器人形成“世界观”，强化学习让机器人形成“价值观”。
在此基础上，系统可以采用端到端训练或者分层执行，但这些都只是实现方式。无界动力更关注的是，最终能否实现理解、生成、预测与控制的一体化，并在真实环境中完成连续、长程、可闭环的任务。
换句话说，我们并不是为了选择一个热门技术标签，而是从机器人真正进入物理世界所需要的能力出发，反向确定技术路线。
第一视角多模态数据采集系统 AnySense Ego
《本刊》：机器人需要一个“超级大脑”，还是多个专用模型协同？
王瑛韫：我们所说的“通用大脑”，不是用一个参数规模无限扩大的模型包办机器人的所有功能，也不意味着要针对不同任务分别训练一套彼此割裂的专用模型，而是建立一个统一的顶层认知与决策中枢。
无界动力的具身通用大脑 MWA™以隐空间世界模型为核心，重点不是记住某项任务对应的固定动作，而是理解物理世界的底层逻辑、物理规律与行动因果，并据此进行任务规划和行动决策。这一路线的核心价值在于泛化，它学习的不是某项任务对应的固定动作，而是可以跨场景、跨任务迁移的底层认知能力。
因此，问题的关键在于，无论机器人在具体执行层上是否包含不同的技能和控制能力等，都需要由“通用大脑”统一的世界表征、任务理解与决策逻辑统筹。我们希望让机器人从“一个任务训练一个模型”，走向基于统一的认知，理解并完成不同任务。
具身通用大脑 MWA™隐空间世界模型
《本刊》：从语言理解到动作执行，中间最容易发生信息损失的是哪一步？
王瑛韫：我们认为最根本的信息损失，发生在连续的物理世界被转换为离散语言和语义表征的过程中。
语言擅长描述目标和抽象概念，却很难完整承载物理世界中连续、动态且高度耦合的信息。比如一句“把杯子稳稳地放到托盘上”，语言表达了任务意图，却没有完整包含杯子的材质、重心、摩擦力、可抓取区域、手臂运动轨迹、抓取力度，以及周围环境正在发生的变化。
过去，以语言为中介的具身模型架构，试图将连续的物理世界强行塞入离散的语义空间，其泛化天花板已经逐渐显现。当机器人进入高动态、多元化的严苛实体产业场景时，仅有语言层面的理解并不足以支撑行动。模型如果缺少对物理边界、环境规律和行动因果的认知，就很难预测一个动作将如何改变世界，也无法在环境变化、执行偏差或任务中断时持续调整和进化。
这也是无界动力选择隐空间世界模型路线的重要原因。MWA™并不是先把物理世界完整“翻译”成语言，再由语言生成动作，而是将视觉、空间、本体状态、历史动作和任务目标统一映射到高维隐空间中，直接学习物理规律、状态变化与行动结果之间的关系。
在这一框架下，语言仍然是人向机器人表达任务意图的重要方式，但不再是机器人理解物理世界的唯一中介。机器人需要在语言之外，形成对物体、空间、运动和因果关系的内在表征，并在行动前推演可能的结果，在行动中持续接收反馈，在实际结果偏离预期时重新判断和规划。
所以，无界动力关注的不只是如何缩短“语言—动作”的转换链路，而是如何避免让语言成为物理智能的瓶颈。真正的操作智能，不是听懂一句话后生成一串动作，而是能够理解语言背后的物理目标，并在真实世界中持续完成“感知—理解—预测—行动—反馈—再规划”的闭环。
《本刊》：机器人需要多强的推理能力，才能进入真实工业和商业环境？
王瑛韫：机器人进入真实场景，需要的是足够可靠的“行动推理能力”：理解当前状态、拆解任务、预测动作结果、判断执行成败，并在环境变化或任务中断/偏离时作出调整。
我们在工业和商业场景中验证的，正是两类不同但互补的能力。
工业场景的环境和任务类型相对标准化，但对精度、节拍、稳定性和长时间运行提出了非常明确的要求。机器人不仅要执行动作，还要理解工序之间的关系，判断物料是否到位、抓取是否成功、上一环节是否完成，以及异常出现后如何恢复。
商业服务环境则更加开放和动态。人员可能随时进入工作区域，物体位置和任务需求不断变化，指令表达也未必标准化。机器人需要在与人共存的环境中实时理解变化，重新规划任务，并在不确定条件下保持安全、稳定执行。
因此，无界动力提出“用工业练技能、用商业练泛化”。工业场景帮助机器人训练高精度、高稳定性、高价值的操作技能，商业场景则检验这些能力能否在开放、动态、不可完全预设的环境中迁移和复用。两者并不是先后关系，而是共同驱动通用大脑进化的两类现实试炼。
而进入真实场景真正的门槛也不在于一次成功，而在于能否在开放动态的环境中长时间稳定运行、处理异常并持续完成任务。
具身智能机器人 K15（搭载Anyverse ADA类人手臂）
《本刊》：泛化究竟应该如何定义：换物体、换任务、换场景，还是换本体之后仍然能够工作？
王瑛韫：泛化不是一个非此即彼的概念，而是一套分层能力。换物体、换任务、换场景、换本体都属于泛化。
对产业落地而言，更重要的是机器人面对真实环境中的有效变化，能否继续稳定工作：物体的尺寸、材质和位置发生变化，环境中出现新的人员或干扰，任务流程临时调整，机器人是否还能理解当前状态、重新规划并完成任务。
因此，我们更倾向于把泛化定义为：面对训练数据之外的物体、任务和环境变化，机器人仍能以可接受的成功率、稳定性和安全性完成任务，并且不需要为每一种变化都重新采集大量的数据、重新训练一个新模型。
通用大脑 MWA™通过隐空间世界模型学习物理规律、行动因果和任务价值，目的就是让机器人掌握的不是某个场景中的固定动作，而是可以迁移和重组的能力。评价泛化也不能只看一次成功，还要看连续运行、异常恢复、换场景后的性能变化，以及适应新任务所需的数据和时间成本。
《本刊》：未来具身大脑会掌握在整机企业手里，还是形成类似操作系统、基础模型一样的独立平台公司？
王瑛韫：这个问题现阶段还没有定论。因此我们更关注的是如何让具身大脑真正进入现实世界。
具身智能与纯软件不同，模型的每一次判断最终都要通过真实硬件执行。机械臂、灵巧手、传感器、执行器和中央计算平台的性能，都会直接影响模型能力能否落地；执行过程中产生的数据和反馈，也会反过来推动模型迭代。
因此，无界动力坚持软硬一体，并不是为了简单扩大产品边界，而是从模型算法出发，反向定义控制参数和关键硬件指标，打通“大脑—计算—本体—场景—数据”的完整闭环。
围绕这一思路，无界动力已经形成覆盖具身通用大脑 MWA™、AnySense EGO 第一视角多模态数据采集系统、Anyverse ASC 中央计算平台系列、K15 机器人本体及 Anyverse ADA 类人手臂，同时也在布局含双足和轮式双臂的新一代机器人本体、灵巧手等核心部件的产品矩阵，并在工业与商业场景中持续验证和迭代。不同产品并非彼此独立，而是共同服务于“场景—数据—模型—计算—本体—反馈—迭代”的闭环。
未来，我们也将沿着这一全栈布局，持续推动模型、数据、计算平台、本体和核心部件协同进化，让通用大脑在更多任务与场景中实现稳定迁移和复用。
至于未来具身大脑会以整机企业还是独立平台的形态存在，我们认为仍需由技术成熟度和产业实践来验证。无界动力当前所做的，是先把软硬件之间最关键的链路打通，为通用大脑走向不同任务和场景建立坚实基础。
（头图人物：无界动力联合创始人王瑛韫）
