出品 | 创业最前线
作者 | 魏帅
编辑 | 冯羽
美编 | 倩倩
审核 | 颂文
8月，北京北人亦创国际会展中心，世界机器人大会。一台名为“小朴”的轮式双臂机器人试图完成一段比抓取纸杯复杂得多的任务：找到脏衣物，放进衣篓，带着它移动到洗衣机旁，打开舱门，把衣物送进去。
每一个动作单独看都不新鲜，困难藏在动作之间——衣服是否真的被抓起，洗衣机门是否完全打开，上一环节留下的物体位置，能否成为下一环节可以接续的起点。
只要任一环节衔接失效，后续所有标准动作都会失去意义。这也是长程任务与剪辑精巧的机器人Demo之间最容易被忽略的距离。
深朴智能选择直面这段距离。
物理世界里的人工智能很难只靠仿真或互联网数据一步到位，它更像自动驾驶：先在边界相对清楚的环境里达到可用，再通过真实运行产生的反馈，逐级提高能力。
也正是基于这一判断，深朴智能没有把家庭当成第一个市场，而是选择先进入酒店、零售和家政等“类家庭场景”。深朴要证明的不只是机器人能否洗完一次衣服，而是同一套能力能否在不同房间、面对不同物品反复运行，且由此产生的价值足以覆盖设备、部署和维护的成本。
这是一个技术问题，也是一道苛刻的商业命题。
1、类家庭到家庭：从一间客房启动闭环创办深朴智能，多少像是李晓飞把自己经历过的一段产业周期重新走了一遍——只是这一次，曾创业近十年的他，将自动驾驶汽车换成了难度更大的机器人。
李晓飞本科和博士均就读于清华大学汽车工程系，研究智能汽车环境感知与人工智能算法。此后近十年，他亲历了一整个自动驾驶创业浪潮，也经历了机器人产品从研发走向交付的关键阶段。
在他看来，两代技术面对的是同一类困难：算法在实验室里达到新高点，不等于产品已经能进入开放的物理世界。自动驾驶需要车辆持续上路，在真实交通中暴露问题，再让数据、算法、硬件和工程系统共同迭代——具身机器人也很难绕开这条路。
2024年10月，深朴智能成立，定位是AI原生具身智能公司，而非单纯的机器人硬件企业。
这个定位包含一个清楚的取舍：本体是能力的载体，公司真正想建立的，是一套能够理解目标、组合动作、验证结果、处理异常并持续学习的系统。
这从底层逻辑解释了深朴智能为何没有直接冲进家庭。家庭有洗衣、整理、清洁和收纳等直观需求，却也是机器人最不友好的起跑线：房型、家具和生活习惯高度分散，人与宠物带来随机干扰，摄像头牵涉隐私，机械臂近距离工作又放大安全责任。技术尚未跨过门槛，产品更是要承受消费级设备对价格、可靠性和易用性的要求。
联合创始人、技术副总裁李明磊在采访中把这一取舍概括为：“家庭是一个很好的终点，但是家庭不是一个好的起点。”
酒店同样有床、桌子、卫生间和大量柔性物品，机器人需要学习抓、放、擦、整理和开门；但房型、物品摆放和服务流程更标准，人与机器的交互也更可控。
不等待一个无所不能的模型突然出现，而是先找到能力与责任边界相对明确的场景，让机器人开始工作、产生反馈，再扩大任务范围。
场景路线也决定了深朴智能的组队逻辑。让机器人进入真实生活空间，需要三类经验同时存在：理解大模型和多模态系统的“AI原生”人才，做过大规模数据闭环和产品落地的人，以及掌握机器人软硬件全链路的工程人员。三类经验之上，还需要一套让数据、模型、本体与场景真正形成闭环的研发体系。
李明磊，正是这套研发体系的设计者与构建者。他在多模态、大规模数据闭环与产品化上有着深厚积累，加入深朴智能后又将这套方法延伸到机器人全链路，把三类经验组织进同一个闭环。
他是中科大与微软亚洲研究院的联合培养博士，毕业后进入微软云和AI部门任资深研究员，主导多模态图文理解的全栈研发，成果规模化落地于Azure、Office和Windows等产品。
在多模态理解领域深耕多年后，他越来越确信，AI的下一个台阶，是从“看懂世界”走向“在物理世界中做事”。他很早就看好具身智能方向，在深朴智能起步阶段便与创始团队一起梳理技术方向。
让他下定决心的，除了方向，还有人。李明磊回忆，早期团队规模不大，但深入交流后他发现，大家既做过研究，也做过产业，能够“背靠背”做事。更重要的是，团队对长期路线很早就形成了共识：先在酒店等类家庭场景中打磨能力，再逐步走进家庭。而要走通这条路，机器人就不能只完成孤立动作，必须具备长程任务能力和泛化能力，并尽量减少模型与特定本体的绑定。
正式加入后，他既参与制定公司的技术路线，也负责搭建覆盖数据、模型、全身控制与导航、具身操作系统、评测与基础设施的端到端研发体系。“在真实场景中迭代”是他的工作信条，他要做的，是把这句话落到研发体系的每一个环节，让机器人的能力在真实世界中持续进化。
李晓飞从自动驾驶中形成的产业判断，决定了深朴智能走什么路；李明磊的“研究到产品”经验，则决定这条路能走多快。它们指向同一个问题：如何让机器人在真实世界里学到的每一次经验，都变成下一次更可靠的能力。
但从研究突破到客户可用，中间并不是一次模型发布。论文可以用特定任务上的最好结果证明方法有效，展台演示可以展示能力边界，客户现场却要求机器人在反复作业中保持稳定，还要能够从失误中恢复。一个模型即使提高了平均成功率，如果同时增加推理延迟、引入新的失败方式，也未必适合进入交付版本。
这也让“闭环”成为一道组织管理难题。如果研究团队只负责刷新实验指标，交付团队只负责解决眼前的问题，现场就容易积累越来越多临时补丁，却难以形成下一家酒店也能使用的能力。
李明磊介绍，深朴智能让研究模型与商业化模型在同一套真机数据上评测，再由连接研究与产品的团队推动能力转入部署、现场失败返回研发。这套机制的意义，是让双方围绕同一批问题判断：新模型究竟解决了什么，是否损害已有能力，以及改进能否迁移到更多任务。
真正考验管理的，是如何协调两种不同节奏：研究需要不断试错，客户需要一个稳定的版本。新能力不能未经验证就进入现场，交付中暴露的问题也不能只靠工程师逐个兜底。
深朴智能能否把两者接起来，最终要看每次模型更新是否减少了现场接管，每次现场排障是否降低了下一次部署的难度。否则，数据即使持续回流，研发与交付仍可能只是两条各自忙碌的流水线。
深朴智能选定了要进入的房间，也组建了让机器人走进去的团队。但房间不会按照研发计划布置：衣物可能从夹爪滑落，舱门可能只开到一半。下一步该继续、重试，还是请人接管？
技术闭环，最终要从这些具体而琐碎的判断开始。
2、闭环加速度：比模型领先更重要的事李明磊不愿意只用机器人会做多少种“任务”来衡量能力的高低。
取衣、开门、放衣、导航，看起来是四个动作，连在一起却成了另一道题：机器人怎样知道衣服已经拿稳、门确实打开，下一步的前提是否还成立？这正是整个具身智能行业普遍面临的长程任务难题。
深朴智能是国内较早将大小脑分层构建的团队之一，搭建了记忆增强的智能体系统，但起初仍把较多精力放在单个操作模型上。李明磊回忆，单项测试的表现不断提高，组合起来却仍然出错。问题出在子任务之间的“交接棒”：有时机器人以为上一步已经完成，实际并没有；有时操作确实完成了，留下的物体位置和环境状态却不符合下一步的要求。
团队由此意识到，长程任务不能只靠更强的单点能力。系统必须检查动作结果、处理步骤衔接：抓取失败后是否重试，门只开了一半时是否继续，要根据现场状态实时判断，而不是按预设动作执行到底。
基于此，深朴智能把技术框架收敛成“1+2+N”。“1”是一套具身系统，包括负责理解目标、规划步骤并记住进度的智能体，负责抓取、放置等动作的基础操作模型，以及控制与导航模块；“2”是两条数据线路，一条是不占用机器人的无本体采集，解决规模问题，另一条是机器人进入现场后回收的失败与接管数据，处理真实世界不按训练样本行事的部分；“N”是逐步进入的真实场景。“不同场景可能需要不同本体，同一场景的本体也会迭代；模型若过度绑定某一种机器，场景就难以真正扩张。”李明磊说。
但在他看来，“1+2+N”只是框架的外形，真正让它运转起来的，是一个完整的闭环：数据训练模型，模型驱动本体，本体进入场景，场景中暴露的失败再变成新的数据。闭环之下，是一层不常被外界看到的基础设施，包括数据基建、训练基建、运行时基建和评测基建，分别决定数据怎么产、模型怎么训、机器人怎么稳定运行并回传信息，以及每一次修改是否真正有效。
“闭环是具身智能走向真实世界的必经之路，但有闭环只是起点。”李明磊说，“真正形成壁垒的，是闭环的加速度：每转一圈，下一圈都能转得更快、代价更低。”
模型领先几个点，很快可能被追平；难以复制的，是闭环越转越快的能力：发现问题到重新部署的周期越来越短，进入新场景、适配新本体所需的数据和人力越来越少。而决定加速度的，正是底下那四层基建。
这个判断，首先在数据这一环接受了检验。
语言模型可以从海量互联网文本中学习，机器人却很难获得同样充足、可直接用于操作训练的数据。“行业并不是完全没有数据，真正短缺的是能够规模化采集、又足够高保真的动作数据。”李明磊表示。真机遥操作贴近机器人的执行方式，但成本高、难以规模化；无本体采集更易扩展，却往往难以准确还原动作轨迹及其与画面的对应关系。
起初，团队并不想自己做采集系统，毕竟硬件、算法和数据管线都要从头搭建。但试用多种业内设备后，采集的数据在精度和同步上都难以满足直接部署的要求。去年，参加李飞飞团队发起的NeurIPS 2025 BEHAVIOR-1K挑战赛，处理长程家庭任务时更是深有体会：继续提升的瓶颈不只在模型架构，更在数据的质量与规模。深朴由此下决心自己补上这一环。
今年7月底，深朴智能发布高保真无本体数据生产引擎HiFi-UMI。采集员戴上头部相机，双手使用带相机的采集夹具直接完成操作，系统同步记录画面、双手轨迹和夹具开合状态，再经过轨迹重建与机器人回放两道校验，筛掉目标机器人无法执行的片段。
团队只用这样生产出的无本体数据完成后训练，再把策略直接部署到真机上。在同一台机器人、同一套评测下，其任务成功率与使用真机遥操作数据训练的基线基本持平。这意味着，机器人学习的数据生产首次在深朴的验证中有望摆脱对本体的依赖：采集不再受限于机器人数量，闭环的第一个环节由此提速。
相关论文一经发布，便登顶Hugging Face Daily Papers日榜；同步开源的2000小时HiFi-UMI-2K数据集引发社区广泛关注，截至2026年9月17日，在Hugging Face与魔搭社区（ModelScope）的累计下载量已超过61万次。
不过，李明磊强调，“零真机”不意味着部署后的持续学习不再需要真机数据。“无本体数据提供学习的基础，现场数据校正它与物理世界之间的偏差，两者并非替代关系。”进入现场后，团队还会以真机强化学习持续打磨策略，让机器人在真实交互中主动积累经验、自我改进。
机器人进入真实环境后，仍会失败、需要接管，而持续学习正从这里展开——每一次接管只是闭环的起点。“团队需要判断，问题出在感知、动作执行，还是对任务进度的误判；再决定补采什么数据、调整哪个环节，并验证修改是否真正有效。”李明磊说，“壁垒不在于记录了多少失败，而在于同类问题是否越来越少、解决得越来越快，以及解决办法能否迁移到其他任务和场景。”
换言之，只有当加速度快过场景扩张的需求，技术闭环才会真正变成商业上的护城河。
这也是技术闭环与商业化发生联系的地方。
“大家是为你的价值买单的。”李明磊如是说。
3、从一次成功，到一门可复制的生意选择酒店作为切入场景，是深朴智能的战略判断。这一选择有两重意义：酒店既是机器人学习的现场，也必须是愿意付费的市场。这两件事并不天然一致。客户不会因为一次作业为模型贡献了数据，就接受更慢的服务或更高的成本。
深朴想提供的，不止于配送机器人把物品送到房门口，而是进一步参与整理、清洁和衣物送洗。李明磊认为，机器人除了分担劳动，还能让服务更标准、可追溯：杯子是否清洗、某个区域是否完成清洁，作业过程都会留下记录。服务业人员流动频繁、忙闲差异大，稳定可预期的供给本身就有价值。
但这些价值成立的前提，是机器足够可靠。从“有价值”到“有人付费”，中间隔着一张很长的指标表。一类是运行指标：任务成功率多高，速度是否影响客房周转，能连续稳定工作多久，人工接管占多大比例。另一类是成本指标：一台机器的折旧、维护和能耗是多少，一家新酒店需要多少人天完成建图、采集、调试和流程改造。这些指标共同决定，它最终是一台设备、一项服务，还是一个需要工程师长期驻场的项目。
目前，深朴智能已与中旅酒店等多家客户开展合作。李明磊介绍，现阶段合作的重点，是与客户共同探索能力边界、打磨高价值场景、建立行业标杆；方案跑通并能规模化复制后，盈利会水到渠成。
POC（概念验证）承担着双重作用：客户检验机器人是否有用，深朴检验哪些技术能力能够沉淀为产品。双方的判断标准并不相同。对深朴而言，一个任务值得做，既因为它有潜在收入，也因为它能带回数据，让系统学到更通用的能力。对酒店而言，标准更具体：能否分担工序、保证服务质量，使用成本是否划算。
试点的意义，就是让这两套判断在真实作业中碰面。研发团队认为有价值的任务，可能因为速度太慢、接管太多而不值得购买；客户急需的功能，也可能过于依赖定制，难以推广。因此，POC的终点不是“完成过任务”，而是要厘清三件事：机器能独立承担什么，人需要在哪里介入，换一家酒店后既有方案还能保留多少。
对行业现状，李明磊的判断是：人们可能“高估了现有的水位”，却“低估了水位上涨的速度”。
前半句对应今天的交付现实。展台上的一次成功，容易被理解为机器人已经能够上岗，但客户现场要的是重复完成、异常恢复和可承受的使用成本。POC正是把演示中被隐藏的问题重新暴露出来。
后半句指向闭环带来的飞轮效应。基础模型的预训练为机器人提供了强大的初始能力，但真正让能力持续进化的，是部署之后的持续学习迭代。机器人今天做不好一项任务，不意味着下一次仍会以同样的方式失败。
只要现场问题能被准确识别、转成有效数据，再经过训练、评测和部署，解决下一类问题的周期就会缩短。李明磊期待，随着基础能力提升，新任务所需的示范数据会持续下降，最终只需少量示范。这正是闭环加速度在商业场景的体现。
当然，学习速度不会自动变成商业增长速度。李明磊坦言，数据和模型能够快速迭代，本体硬件则需要更长的验证和打磨周期，也依赖成熟稳定的供应链，好在整个行业正在快速成熟。安全验证、现场维护与客户采购，同样有各自的节奏。
因此，衡量“水位”是否真正上涨，不能只看机器人学会了什么，还要看客户承担的看护和部署负担是否在下降。对深朴而言，POC最有说服力的结果不是一段更流畅的视频，而是三点：下一家酒店用得更快，同样的工作需要更少接管，有人愿意持续付费。
李晓飞从自动驾驶带来的产业判断，为深朴划定了“从类家庭场景切入、在真实运行中逐级进化”的路线；李明磊搭建的闭环研发体系，则要让这条路线跑得足够快。两者最终都要在同一个场景中接受检验。只有当学习速度转化为服务的可靠性和交付成本的下降，“水位上涨”才会从研发者的感受，变成客户可以核算的事实。
具身智能走向产业的关键，也正在于此：不只让机器完成一次动作，而是把一个场景中习得的经验，变成更多场景可迁移、可复用、可规模化的通用能力。
*注：文中题图来自深朴智能官方账号。
