星尘智能：用「绳驱+AI」重新定义机器人，2026年迎降本拐点
【AI洞见导读】
行业预测，2040年中国的人形机器人产业规模有望达到3万亿元。其中工业、商业服务、家庭生活三大领域分别接近2.3万亿、超5000亿、近1700亿。
在机器人产业加速落地的当下，锦秋基金近日对话了星尘智能创始人来杰，深入探讨仿生机器人商业化路径与技术优势。星尘智能首款轮式机器人Astribot S1，凭借创新设计理念与AI能力，甚至吸引了海外热门机器人Figure CEO的关注。
来杰｜星尘智能创始人履历
- 2010年起开始机器人研究，早期聚焦强化学习控制倒立摆模型；
- 2014年加入百度并创建小度机器人团队；
- 2018年成为腾讯Robotics X 1号员工，组建工程团队；
- 2022年底创立星尘智能，专注打造“AI机器人助理”。
星尘智能核心战略与技术亮点
公司以“Design for AI”为核心理念，构建软硬件一体化系统架构，将AI智能与操作能力深度融合，提升机器人仿人程度，并快速获取第一视角数据，实现具身智能。
- 聚焦增量市场，释放创造力价值
星尘认为机器人不仅是替代人力，更是放大人类创造力。例如科研实验场景中，通过机器人复现实验师操作，提升实验效率，缩短科研周期。餐饮领域，则可将顶级厨师技艺数字化，让更多家庭体验高端厨艺服务。 - 创业初心：服务人的机器人公司
星尘愿景是成为如苹果般的科技企业，提供智能化机器人产品。目标是通过软硬件结合设计提升机器人实用性，推动标准化与降本增效，最终实现大规模应用。 - 技术破局：国产绳驱降本，力控更优
绳驱方案已在国内容易实现供应链保障，成本显著低于谐波减速器。尤其在对力量控制要求高的场景（如手臂末端、手指操作）具备明显优势。目前特斯拉部分关节也采用该方案，未来与谐波或将形成协同互补格局。 - 效率对标人类，降本2026年迎来拐点
星尘强调机器人必须达到与人类相当的操作效率，才能真正释放AI潜能。通过系统级优化，机器人能执行高精度、高速度动作，满足模仿学习需求。预计2026年，随着量产推进与工艺成熟，整体成本将显著下降。
星尘智能：以务实路径推动机器人商业化落地
👨 星尘智能 | 来杰：
自去年4月发布仅具上半身的机器人原型以来，我们已逐步扩展至具备底盘的仿人机器人设计。在下半身结构中，通过设置踝关节、膝关节、髋关节和腰扭转四个自由度，赋予机器人基础行动能力。现阶段未采用双足结构，而是选择更易商业落地的下半身设计方案，力求实现有价值的上半身与可执行任务的下半身结合，从而加速商业化闭环。
降本路径：设计优化+供应链协同
成本控制是通往C端市场的关键挑战之一。来杰指出，降本一半依赖设计优化，一半来源于供应链协同。设计方面，团队不再追求“全面超越人类”的极致性能，而是围绕实际应用场景进行调整。例如，在负载能力上无需过度超前，但在力控精度上仍需超越人类标准以确保安全性。
在供应链端，公司深度参与上游模组生产指导，帮助传统电机与减速器厂商理解机器人需求。预计明年将出现行业级供应链拐点，由全行业订单规模推动更低成本和更好设计。
商业化探索：养老场景优先
星尘智能目前已与深圳养老院展开合作，验证服务机器人的社会价值与技术可行性。选择该场景的逻辑包括：
- 满足真实照护需求（如端茶倒水、日常陪伴）；
- 公共环境复杂互动有助于采集多样数据；
- 响应国家老龄化趋势，获得机构端技术采纳意愿支持。
VLA架构与快慢脑系统：迈向通用智能
公司在算法层面创新性融合VLA（视觉-语言-动作）架构与快慢脑机制。快脑负责实时反应（如抓取物体时动态调整），慢脑处理复杂逻辑任务（如环境异常情况处理）。这种结构使模型既能快速响应变化，又能执行多步骤逻辑规划。
此外，星尘与 PI 团队联合研发了基于长序列任务的 VLA 架构，实现了从观察到行为的完整闭环操作。通过语言指引提升模型泛化能力，并引入强化学习机制增强试错学习能力，使机器人能自主完成高精度动作。
未来展望：AI 与机器人互为反哺
随着机器人在物理世界的数据积累，其感知与行为数据将反哺大模型训练，推动构建真正的“世界模型”。届时，AI不仅能理解互联网信息，更能掌握现实世界的常识与规律。
反过来，大模型也提供了先验知识与任务分解能力，辅助机器人进行复杂任务决策。这种交互循环关系最终将使机器人成为智能的最佳终端形态，进入千家万户。
星尘智能：以DFVI架构引领具身智能变革
在机器人技术快速发展的当下，星尘智能通过创新的DFVI（Design for Vision and Intelligence）软硬件一体化架构，正在推动机器人从“机械执行”迈向“真正理解与操作”的新阶段。其核心在于结合快慢脑模型、VLA架构以及绳驱系统的独特设计，提升机器人感知、决策与执行的能力。
技术路径：快慢脑模型与VLA架构演进
- 快慢脑模型：模拟人类认知机制，快脑系统负责实时动作控制（如调整物体姿态），慢脑系统处理复杂任务逻辑（如完成咖啡制作流程），显著提升任务容错性与适应能力。
- VLA架构进化：在视觉-语言-动作（Vision-Language-Action）基础上，融合触觉、力觉多模态数据，通过端到端训练实现更泛化的任务迁移能力。未来将引入强化学习减少真实数据依赖，并探索互联网数据共性建模。
AI泛化能力的突破方向
- 解决AI抽象空间与物理世界的对接难题，提升机器人对现实环境的理解和应变能力。
- 利用大模型基础认知能力，构建机器人第一视角的数据处理框架。
DFVI设计优势：硬件为AI赋能
- 绳驱系统的创新应用：借鉴生物学原理，采用仿生结构设计，兼具柔性与高精度特性，重复定位精度达0.03毫米。
- 传感补偿算法：通过底层驱动优化，有效应对绳驱弹性带来的非线性挑战，使操作更具自然性和安全性。
- 以人为本的操作体验：注重人机协同感受，在操作中让用户感觉像是自己肢体延伸。
产业落地：成本控制与供应链革新
- 短期目标：聚焦商用场景下的性能与成本平衡，确保产品“买得起、用得上”。
- 中期策略：推动产业链协同，提升标准化水平，进一步降低制造门槛。
- 长期愿景：借助中国制造业升级浪潮，加速家庭级服务机器人的普及进程。
行业展望
具身智能正逐步从科研走向实用，未来一至两年内有望在特定场景中实现初步规模化应用；三至五年间或将广泛参与生活服务场景；最终成长为具备通用能力的家庭管家型机器人，成为理解和操作物理世界的重要媒介。
星尘智能表示，当前并未遇到不可逾越的技术瓶颈，随着AI能力持续增强与硬件不断迭代，机器人将在现实中扮演越来越重要的角色，服务于人的本质需求。
星尘智能：具身智能的发展路径与破局关键
从模仿学习到迁移能力，推动机器人实用化落地
在具身智能的发展过程中，星尘智能经历了多个技术验证阶段。早期尝试中，通过调酒动作的采集训练，团队验证了模仿学习在移动机器人、操作机器人等平台上的可行性。虽然当时的泛化能力有限，但这一阶段奠定了基础。
目前行业已形成共识：模仿学习是提升机器人能力的重要方式，并通过多样化数据增强其泛化性能。然而，“缺数据”成为行业发展的一大瓶颈。对此，星尘认为该问题会随着技术演进而逐步解决。
当前，星尘主要依赖真机数据，同时引入仿真数据和互联网数据作为补充。这种从 0 到 1 的探索有助于构建未来更高效的数据利用模式。星尘预计，未来机器人所需数据量将趋于减少，因为核心在于模型对共性特征的提取与迁移能力。
此外，机器人还应具备类似人类的“纠错能力”，包括快速调整的小脑型机制和策略变换的大脑型应对。这种动态适应能力有助于降低长期数据依赖，使系统更具智能化表现。
四大维度破解具身智能发展难题
1. 成本与供应链
- 挑战：当前供应链并非为机器人定制，导致硬件成本居高不下（如部分机器人造价数十万但功能受限）。
- 突破方向：更多厂商参与可促进标准化降本，中国或有望率先实现家庭场景中的机器人商用。
2. 能力泛化与模型架构
- 挑战：大模型数据与物理世界脱节，硬件限制人工智能能力上限。
- 解决方案：采用快慢脑模型（结合大模型与动作端到端训练），并通过绳驱传动技术（仿人肌腱结构）实现高精度控制（达 0.03 毫米）。
3. 数据获取与应用
- 挑战：真机数据获取成本高，不同场景间迁移难度大。
- 创新实践：采用模仿学习（如使用真狗动作数据）、提升模型迁移能力，从而减少数据需求，在商业应用场景中形成数据闭环。
4. 算法与硬件协同优化
- 矛盾点：传统硬件难以满足 AI 实时力控需求。
- 技术突破：VLA 架构融合多模态数据，联合 PI 公司利用语言标签 + 大模型解决长序列任务（如制作咖啡）。
总结：迈向家庭实用终端的关键进阶
具身智能的核心挑战聚焦于成本适配、数据泛化、算法与硬件协同三个层面。星尘智能围绕以下三大策略持续发力：
- 仿生硬件设计（绳驱传动）
- 生物启发算法（快慢脑模型）
- 场景化数据策略（模仿学习 + 迁移能力）
上述立体方案正逐步打破物理与数字世界的交互壁垒，推动机器人由实验室原型向家庭实用终端进化。展望未来，伴随供应链成熟及多模态数据融合深化，具身智能有望在未来 3-5 年实现大规模商业化落地。
