高飞的童年梦想是成为一名飞行员。受家附近战斗机航线的影响，“飞行”二字早已深植其心。尽管因视力原因未能如愿进入驾驶舱，但命运以另一种方式让他回归蓝天——18岁进入浙江大学攻读自动化专业后，他投身于四旋翼飞行器与无人机研究，并在此领域深耕至今。
作为浙江大学控制科学与工程学院长聘副教授、《麻省理工科技评论》“35岁以下科技创新35人”亚太区入选者，高飞及其团队在学术界与开源社区颇具影响力。从EGO-Planner到微型飞行机器人集群研究，他们通过公开代码、视频及免费课程，推动了开发者社区的复现与创新。2024年底，高飞创办微分智飞，致力于将学术积累转化为面向真实场景的产品，探索“飞行智能”的边界。
开源精神：拒绝重复造轮子
DeepTech：您和团队的EGO-Planner、EGO-Swarm等开源项目在社区传播广泛，主要原因是什么？
高飞：首先，学术界和应用界急需真正能解决问题、代码与论文一致且即插即用的自主规划器。我们的项目内核一致，即在保证安全稳定前提下，帮助无人机在障碍环境中完成单机规划、多机协同或目标跟踪任务。
机器人研究复现难度大，依赖关系强。我们的工作让初学者能快速上手看到效果，同时确保工程落地性。社区认可的根本原因，在于我们踏实解决了避障、规划等实际问题，并能兼容不同开发者的平台环境。
DeepTech：为何如此重视开源，甚至提供全套系统课程？
高飞：我本身就是开源受益者。博士期间，依靠开源资源我才得以入门机器人领域。这是一种“我为人人、人人为我”的工程师分享精神：做好一个工具，让他人不必重复造轮子，直接在其基础上构建工程。
这种经历影响了我们的商业逻辑。在不影响核心商业利益前提下，我们坚持开源并建设社区。开源既能积累口碑，也可能带来商业成功，二者相辅相成，形成“开源经济学”。企业需灵活取舍，保留技术壁垒的同时贡献社区，吸引更多人跟随技术路线，从而形成长期商业价值。
DeepTech：是什么促使您决定创业？
高飞：一是受父亲影响，他既是研发工程师也是产品制造者，让我深信工程不能只停留在纸面。工科的技术链条应从原理发散，经验证收敛，最终走向工程化（Engineering），即产出可用的产品。若只做科研而不完成产品化，我会感到遗憾。
二是时代机遇。AI与硬件的深度结合，正推动机器人从自动化设备向自主设备乃至智能设备演进。
（来源：受访者）
重新定义飞行智能：从自动到自主
DeepTech：过去无人机已具备自主定位和避障能力，您强调的“通用飞行AI”与“飞行具身智能”核心区别何在？
高飞：过去无人机硬件成熟，但在完全未知、无先验信息的环境中自主完成任务仍有差距。需厘三个概念：
- 自动（Automation）：重复执行预设任务，如依赖GPS在已知坐标间巡线。
- 自主（Autonomy）：将完整任务闭环交给机器人，在无预设环境下自行寻找路径、处理变化并完成任务。
- 智能（Intelligence）：具备认知、理解和泛化能力，能将复杂目标拆解为子任务并组合执行。
过去多数工业无人机仅处于“自动”阶段。AI的引入有望先解决“自主”问题，进而迈向“智能”。
DeepTech：在“替人取咖啡”演示中，新增的核心能力是什么？
高飞：新增的是一套完整的智能能力体系。机器人需理解模糊指令，将其拆解为目标搜索、导航避障、物体拿取及结果验证等步骤，并在过程中持续处理不确定性。人只需给出目标，无人机端侧“大脑”即可判断下一步动作，调用原子能力组合执行，类似于智能体（Agent）的工作模式。
DeepTech：面对现实环境的意外情况，系统如何应对？
高飞：系统需进行滚动规划。若在出发前仅规划一次且不纠错，属于开环控制，误差会随任务延长而累积。因此，系统需根据新观测不断判断状态，若环境变化则重新调整路径或任务步骤，持续纠错直至闭环完成。
DeepTech：您提出的Command–Measurement–Action框架，为何强调Measurement而非Observation？
高飞：主流具身智能路线多为Command-Observation-Action。但对飞行机器人而言，其在遮挡多、未知区域广的高速机动场景中，不能被动获取信息。Measurement强调对现有观测信息的实时深入评估，并结合对未知信息的预测来判断是否满足任务目标。飞行动作往往是获取和处理信息的手段，这一分析预测过程至关重要。
DeepTech：为何研发带机械臂的HI-ARM飞行操作机器人？
高飞：机器人具备移动和操作两种通用能力。过去无人机主要强化移动能力，虽是“会飞的眼睛”，却无法与物理世界交互。例如工业巡检发现问题后，仍需人工介入处理。赋予无人机基础操作能力（如拿取、按压、拧螺丝），使其能真正“动手做事”，将极大拓展任务边界。
DeepTech：未来飞行机器人本体形态是否会持续分化？
高飞：是的。飞行机器人的重量、推力、电池与体积高度耦合，不同场景需要不同本体，不存在万能形态。但在智能层面，我们追求跨平台能力。内部架构分为负责运动控制的“小脑”、负责任务理解的“大脑”及处理协作的“群脑”。理想状态下，上层智能可快速迁移至旋翼、固定翼等不同本体，仅需少量底层适配。
图｜32克微型机器人（来源：受访者）
商业飞轮驱动数据迭代
DeepTech：未来3-5年，飞行机器人最具落地价值的场景有哪些？
高飞：我们寻找技术与市场的交汇点，优先选择团队优势领域：不依赖人工干预、GPS或遥控器，进入人类难以到达的高风险区域获取高价值信息。如矿井、爆破隧道、地下电力管廊、灾后搜救等。这些场景无卫星信号、地图未知且环境恶劣，地面机器人难以进入，小型飞行机器人具备独特优势。产品落地不仅产生用户价值，更能积累高价值现实数据，推动模型迭代。
DeepTech：落地过程中，AI与硬件各自扮演什么角色？
高飞：硬件是底座，决定能力下限；智能决定上限。只有夯实硬件基础，智能突破才能打开更多应用场景。我们尊重硬件动力学特性，强调软硬件共同进化。目前部分产品目标是将严重故障率控制在千分之一以内，确保异常情况下飞机能安全返回。
DeepTech：飞行智能是否存在Scaling Law？如何突破数据瓶颈？
高飞：与大语言模型不同，飞行智能缺乏现成的大规模真实世界语料。因此，需先启动“商业飞轮”再启动“数据飞轮”。在产品达到“可用”状态后，通过真实场景应用获取数据，提升模型泛化能力。飞行智能的Scale体现在三个方向：训练侧Scale Up提升基础模型能力；部署侧Scale Down将智能嵌入有限端侧算力；场景侧Scale Out拓展至更多真实环境。
低空经济亟需“大脑”
DeepTech：无人机集群的主要价值是效率提升还是新能力涌现？
高飞：两者兼有。一方面，在灾害搜救等时间敏感场景中，集群可覆盖更大区域，且分布式架构具备弹性，单点故障不影响整体任务。另一方面，集群能突破单机物理与智能边界，如协同吊运大型物资，或通过群体策略实现更复杂的搜索围捕。
DeepTech：大规模集群协同的最大难点是什么？
高飞：难点在于系统性。相比中心式控制，我们推崇自组织、分布式的群体智能，让个体独立决策又相互配合，形成类似足球比赛的“默契”。此外，需设计高效的机间通信协议，使模型智能与通信协议共同进化。
DeepTech：这套智能能否迁移至其他本体？
高飞：飞行平台不稳定，对控制稳定性要求极高，在此场景下练就的能力迁移至地面平台相对容易。我们已验证算法在轮式、足式平台及移动操作任务中的有效性，证明模型具备一定泛化能力。现阶段虽聚焦飞行，但不排斥其他本体研究。
DeepTech：在低空经济规模化进程中，飞行智能扮演何种角色？
高飞：当前低空经济讨论多集中于基础设施与空域管控，反映出系统缺乏成熟的智能调度能力。中国无人机产业链成熟，但许多任务仍依赖远程人工操控，未实现真正自主。因此，低空经济最缺的不是“身体”，而是“大脑”。智能成熟后，场景才能真正规模化扩展。
DeepTech：未来的低空智能系统是怎样的？距离“iPhone时刻”还有多远？
高飞：未来将是“一脑多体、一脑多场景”的通用智能底座，支持零样本泛化或少量适配部署。行业卡点在于具备泛化能力的通用智能，需兼顾单体与集群智能。预计3-5年内，飞行机器人将在典型场景真正铺开。由于飞行机器人主要补充人类无法触及的能力，其普及速度可能快于人形机器人。