作者丨高景辉
编辑丨董子博
在具身智能领域，业界常将“具身大模型”比喻为“大脑”，以凸显其核心地位。然而，这一比喻虽利于传播，却不够严谨。它往往忽略了承载模型的物理实体——算力底座。
这种忽视主要源于两点：一是英伟达等巨头提供了通用算力方案；二是自建算力底座技术复杂、成本高昂，初创企业难以企及。
成立仅一年的「灵境智源」却选择了这条少有人走的路。截至目前，其自主研发的端侧算力底座已对接超 300 家具身企业，行业覆盖率逾 70%，其中超 200 家客户已完成批量装机与订单落地。
面对“重复造轮子”、“技术壁垒”及“市场认可度”等质疑，AI 科技评论专访了灵境智源创始人兼 CEO 孙博，试图探寻其快速崛起的底层逻辑。
具身大脑不等于模型，而是一套实体系统
AI 科技评论：从精实测控二次创业，是基于怎样的机会判断？
孙博：创业是持续的探索过程。我在工业测控领域深耕十年，见证了公司从 0 到 1 的成长，积累了深厚的行业经验。当业务进入平稳期后，我开始关注新方向。
作为自动化与 AI 专业出身，我早在 2022 年便关注到 Transformer 架构带来的范式变革。2023 年，我着手寻找 AI 与硬件控制的结合点。在与上海交通大学宋海涛院长的交流中，我们聚焦于具身智能的核心卡点：手、脑、能源。其中，“脑”与我过往的工业控制经验最为契合。
依托交大和上海人工智能研究院的平台，我们组建了智脑创新中心，汇聚了机器人、操作系统、MPC 等领域的顶尖专家。经过多次技术碰撞，最终确定方向：打造具身智能的端侧算力底座，即真正的“智脑”，解决如何在端侧硬件上高效承载 AI 智能化能力的问题。
AI 科技评论：为何将架构命名为“德沃夏克”？
孙博：我们在整合操作系统、底层技术、传感通信等多领域细节后，意识到这是在构建一套原生适配具身智能时代的新计算体系。上海交大博士生导师闫维新将其命名为“德沃夏克架构”，寓意探索物理 AI 时代的“新大陆”（源自《自新大陆》交响曲）。
该架构包含两层核心思路：
第一，技术层级架构。不同于冯·诺依曼架构的精准控制，德沃夏克架构面向端侧计算进行全链路定义，涵盖芯片、OS、硬件、通讯至模型应用层，均由我们自主规划。
第二，理念层级架构。我们尝试在硅基上复现碳基生物的进化路径。生物智能通过大脑、小脑、脑干等分区实现分布式控制。因此，德沃夏克架构的精髓在于“超异构 + 分布式”，利用不同的异构 PU 处理特定任务，再整合为统一的“类脑”系统。
AI 科技评论：如何看待“大脑等于模型”的观点？
孙博：模型仅是分层架构的上层，类似于人的思维框架；而完整的大脑是包含不同功能分区的物理实体。软件迭代快，容易形成“模型即大脑”的认知偏差；但硬件需要长期沉淀，讲究架构迭代、供应链稳定及成本控制。不能将思维框架等同于脑结构本身，具身智能的“大脑”必须是一套软硬结合的实体系统。
AI 科技评论：这是否是在“重复造轮子”？
孙博：现有许多算力方案源自智驾赛道，属于迁移适配模式。而灵境智源是原生具身企业，所有技术思考均从具身智能本质出发。我们基于德沃夏克超异构架构，推出了划分精细的 T 系列产品（如小脑、中等算力大脑等），不仅解决了架构设计问题，更实现了对市场需求的精准分级，这与简单的芯片爆改有本质区别。
原生自研，专用于具身领域
AI 科技评论：客户使用后的具体改善有哪些？
孙博：最直观的反馈集中在体积小、接口专业、散热优异、运行稳定。曾有头部客户在对比测试后，对我们的产品力给予高度评价，直接跳过研发验证环节下达批量订单。这种表层体验的背后，是深度软硬耦合与大量底层 Bug 修复的技术支撑。
AI 科技评论：如何适配不同的模型？
孙博：目前具身领域主流模型类型有限（如端侧小应用、VLA、运动控制、SLAM 等）。我们通过自研工具链，已与数百家厂商完成深度适配，并支持客户自研模型的部署。
AI 科技评论：方案是专用还是通用？
孙博：我们是“专用”于具身领域，但通过产品系列化覆盖多样场景。无论是空中、水下还是管道作业，亦或是分布式算力协同，我们都能提供适配方案。我们不追求单款产品通吃，而是匹配行业不同阶段的需求。
AI 科技评论：不同场景（如马拉松 vs 工厂）是否需要特化？
孙博：马拉松场景主要验证散热与工程稳定性。我们的策略不是项目制定制，而是需求收敛：将重点客户的特殊需求转化为通用技术，沉淀为工程能力，最终落地为标准产品。
AI 科技评论：如何实现商业化？
孙博：逻辑在于归纳共性需求。例如统一线缆标准以降低门槛，或针对不同场景推出差异化产品（如高防护等级用于野外，高实时性用于运动控制）。这种“技术平权”模式提升了单款产品的出货量，进而优化供应链，形成正向循环。
AI 科技评论：是否有自研操作系统？
孙博：是的，我们拥有打穿底层的自研 OS，覆盖芯片、驱动、通信及安全层，而非仅仅是应用层的 UI。作为具身操作系统的共同发起单位，我们致力于提升系统的长期兼容性与稳定性。
AI 科技评论：从工业测控迁移过来，哪些能力可复用？
孙博：计算底层逻辑（如线程调度、RTOS、推理芯片适配）是可复用的基础。创新则体现在技术突破与计算体系架构重构，来源包括团队探索、高校预研及客户需求创新。
AI 科技评论：快速起量是否意味着壁垒不高？
孙博：这是两年多技术沉淀的量变引起质变。真正的壁垒在于：一是迭代速度，紧跟前沿；二是底层积累，坚持“预研一代、研发一代、投入一代”。硬件迭代遵循物理规律，无法速成，市面上的成熟产品均经过长期打磨。
AI 科技评论：如何定义"Infra"？
孙博：我们更倾向于称之为“基座”或"Platform"。其核心是基于“类脑”思路，扎实承载智能，涵盖架构设计、传感器定制及线缆规划等底层部分。
AI 科技评论：关于“神经中枢”与通信协议的比喻？
孙博：线缆本质解决通讯问题。我们正在探索面向具身场景的新型通讯拓扑与协议。策略上，我们坚持务实路线：市场验证 - 形成共识 - 行业标准。目前公司已参与或牵头 30 多项国标制定。
量产的三大难点：产品、供应链和管理体系
AI 科技评论：全栈架构下的组织设计是怎样的？
孙博：内部设立具身架构、AI 芯片、类脑基模、模型算法、操作系统五大研发中心。由于技术链条过长，未设统管 CTO，而是由各方向负责人领衔，并联合高校团队与行业顾问进行预研，确保资源最优配置。
AI 科技评论：与传统公司相比，组织形式有何不同？
孙博：首先是研发占比极高（70%），智力密集度高。其次人才结构分为两类：爆点型人才负责前沿探索，工程化老兵负责技术落地。两者结合实现了“探索快”与“落地稳”的平衡。
AI 科技评论：量产阶段的难点是什么？
孙博：主要有三：产品定义（形成行业共识）、供应链能力（补齐产业化短板）、管理体系（平衡效率与成本）。我们采取类似苹果的模式：核心 Know-how 在研发，依靠强大供应链支撑量产，通过技术服务对接客户。
AI 科技评论：招人看重什么？
孙博：首重文化认同，核心理念是“善意为基”。在此基础上，强调对节奏（Tempo）的把握，即在正确的时间做正确的事，快慢有致。核心候选人加入往往是因为对方向的认可与理念的共鸣。
AI 科技评论：您的时间如何分配？
孙博：核心聚焦于定战略、找资源、找人。日常管理与核心团队保持高频但高效的沟通，快速判断技术趋势与业务方向是否符合当前发展节奏。
出对命题，比解题更重要
AI 科技评论：具身智能落地难的原因？
孙博：软件层面技术尚未到达临界点；硬件层面产业链支撑不足，如传感器、数据带宽及整机稳定性仍需长期迭代。
AI 科技评论：必须等技术完全成熟才能落地吗？
孙博：不必。可优先选择专业化、垂类路线。在特种作业等 ROI 清晰的场景中，无需通用大模型，利用垂类模型即可实现实际产业价值。
AI 科技评论：主要客户需求来自哪里？
孙博：客户主要分为三类：明星企业（To C 出货量需求）、自用型企业（内部场景）、垂类场景企业（行业解决方案）。此外还有高校的科研合作。
AI 科技评论：未来格局是一家通吃还是百花齐放？
孙博：一定是产业链分工协作。应用层将百花齐放，每个细分场景都有足够的市场空间，没有公司能横跨全产业链通吃。
AI 科技评论：中美差距在哪里？
孙博：美国在前沿理念与技术突破上领先；中国的优势在于产业端与应用端，有望通过开源路线形成独特竞争力。
AI 科技评论：最大的挑战是什么？
孙博：挑战在于资源需求、核心人才与资金、以及发展节奏的平衡。技术问题是可解的命题，关键在于出对命题，这需要准确的趋势判断与资源聚集。
