2023年，前Figure AI技术总监、Google X资深研究科学家连文昭决定离开硅谷回国创业。基于在通用人工智能与机器人领域十余年的积累，他看好多模态大模型推动机器人进入真实物理世界的机遇，希望将技术转化为实际产品。
回国后，连文昭联合高中同学、原优必选Walker人形机器人产品线负责人谢铮，共同创立了物理智能机器人公司源络科技。两人分别深耕AI算法与机器人硬件，形成软硬互补的团队架构。不同于当时热门的工业制造或家庭服务场景，源络科技选择了极具挑战性的生命科学实验室作为切入点，旨在通过高难度场景倒逼机器人建立真正的通用能力。
成立近三年，随着具身智能热潮兴起，源络科技已将机器人部署至真实实验室。DeepTech近日在北京海淀专访连文昭，探讨从实验操作到自主科研的演进路径。
为何选择生命科学实验室而非工业场景？
DeepTech：你曾在Vicarious、Google X及Figure AI任职，2023年为何决定离开Figure AI回国创业？
连文昭：我在机器人行业深耕十余年，从早期的AGI探索到Google X的工程实践，再到Figure AI的软硬件协同，对行业有了全面认知。2022年前后，多模态大模型的快速发展让我判断其能加速机器人的实际应用。尽管机器人面临更多物理约束，但有望成为AI下一阶段的突破口。
在Figure AI期间，我深刻体会到软硬件协同的重要性：某些软件易解的问题在硬件上极难实现，反之亦然。国内在人才储备、供应链响应及软硬件协同研发方面具备优势，支持更快的产品迭代，因此我决定回国创业。
DeepTech：为何避开成熟的工业制造和物流场景，选择生命科学实验室？
连文昭：工业制造追求标准化、低成本和高效率，许多问题可通过调整环境和流程解决，对机器人智能水平要求相对有限。而生命科学实验室非结构化程度高，实验流程、样本配比和操作方式经常变化，难以完全标准化。
实验室场景对机器人的柔性、精细操作能力及长序列任务执行能力提出了极高要求，这正是物理智能的用武之地。选择高难度场景有助于倒逼团队构建机器人真正需要的核心能力，这些能力未来可迁移至其他领域。
DeepTech：已有高通量平台和“黑灯实验室”，为何还需要新的智能机器人？
连文昭：实验室自动化可分为三个阶段：1.0是以人为核心的传统手工操作；2.0是以设备为核心的自动化，通过固定仪器连接流程，适合标准化重复任务，但灵活性不足且需一定规模才具成本优势。
我们致力于推动实验室3.0，即由上层AI模型规划任务，底层智能机器人执行，实现“手脑联动”。这并非替代现有自动化设备，而是利用机器人的柔性操作能力连接各环节。AI根据结果动态调整计划，机器人执行并反馈数据，从而形成真正的科研实验闭环。
DeepTech：未来三种模式是取代还是共存？
连文昭：三者将长期共存，但比例会变化。人工操作比例逐渐降低；对于固定、大批量重复任务，传统自动化工作站仍具成本效率优势；实验室3.0占比将随AI能力提升而增加，逐步具备自主规划和执行能力。
从技术演示到真实部署的挑战与突破
DeepTech：创业伙伴谢铮负责硬件，你负责算法，这种分工基于何种考量？
连文昭：我与谢铮是高中同学，他在机器人硬件、机械结构和控制技术领域经验丰富。机器人是软硬件高度耦合系统，若软件依赖外部硬件平台，性能及迭代速度受限。我们采用类似苹果的垂直整合模式，将关键硬件、底层控制与AI模型结合，谢铮负责本体与控制，我负责模型与算法，实现优势互补。
DeepTech：三年间，产品和技术路线有哪些变化？
连文昭：我们坚持通过数据闭环推动研发落地。一方面持续积累实验室场景数据（包括早期采集的第一视角视频）训练模型；另一方面迭代高柔性、高精度机器人本体。目前，机器人末端执行精度达±0.1毫米，满足目标场景需求，并在物体和任务层面实现了一定程度的泛化。商业化上，我们与多家科研机构及企业合作，分阶段提升运行速度和覆盖环节。
DeepTech：“复现80%常见实验流程”具体意味着什么？距离完全自主还有多远？
连文昭：80%是关键流程的粗略覆盖率。目前，在细胞培养传代、毒性检测、核酸提取等常见实验中，已覆盖多数操作环节。最终目标是实现完整流程的无人值守运行，连接原本需人工辅助的设备，实现7×24小时持续运转。接下来需继续扩大覆盖范围，提升速度与可靠性。
DeepTech：针对不同实验需求，研发了哪些机器人形态？
连文昭：我们从单一产品走向模块化组合。早期推出轮式双臂机器人Monte 01，后续延续类人形设计的Monte 02，以及轮式单臂机器人Monte S1，同时也支持固定式单臂、双臂等形态。
图｜Monte 系列机器人（来源：受访者提供）
不同形态机器人共享关键硬件模组、底层控制系统和上层AI模型。根据任务需求协同工作：称量、滴定等复杂操作使用双臂协作，简单转运则使用轮式单臂，不强制单一形态完成所有任务。
DeepTech：面对开源模型和成熟硬件，源络的技术壁垒在哪里？
连文昭：搭建演示系统与实现规模化可靠交付截然不同，如同造车与量产汽车的区别。真正的壁垒在于系统可靠性、运行速度、成本控制以及对客户实际需求的满足。特别是在科学实验室，需将实验工艺、操作经验等行业知识融入系统，这需要长期的工程积累和用户合作沉淀。
DeepTech：目前智能机器人难以完成的操作有哪些？
连文昭：没有绝对无法完成的操作，关键在于方法与成本的权衡。以高精度粉末称量为例，一种是训练端到端模型让机器人模仿人手取样，适应性强但成本高、精度有上限；另一种是使用专用自动化设备，效率高成本低但灵活性差。我们不主张所有实验均由通用机器人独立完成，而是根据任务特性选择机器人、专用设备或两者结合的方案。
数据闭环与OPN模型的创新
DeepTech：如何采集机器人训练数据？
连文昭：数据来源主要包括三方面：一是第一视角和第三视角视频，帮助模型理解任务和目标；二是真实机器人操作数据，通过人工引导或遥操作记录动作与环境反馈，这对精细动作控制至关重要；三是自主探索学习，如让机器人在称量中根据电子秤反馈不断调整取样动作，从操作反馈中自我改进。
DeepTech：自研的OPN模型与主流VLA、世界模型有何不同？
连文昭：我们的框架融合了视觉语言模型（VLM）和世界模型，用于预测未来视频帧和力觉信号。OPN模型（Object-Centric Physics-Native Model）的特色在于采用以物体为中心的表征方式。相比直接基于原始图像预测动作的端到端模型，OPN提取物体的姿态、可供性等结构化信息并编码物体间关系，从而减少对特定场景数据的依赖，提高泛化能力和操作可靠性。
DeepTech：针对不同实验室的仪器设备，是否需要重新开发系统？
连文昭：无需针对每台设备重写程序。虽然仪器种类繁多，但操作步骤可拆解为有限的基础技能。机器人掌握这些基础能力后，只需适应不同设备的位置、尺寸和结构即可。我们正在积累可复用的操作技能，向“开箱即用”迈进。
图 | Monte 系列机器人可连续实现 50 余种操作技能(来源:受访者提供)
DeepTech：若未来设备接口标准化，AI可直接调用设备，机器人是否还有必要？
连文昭：人是实验室最通用的接口，能操作各类厂商设备的按钮和样品。智能机器人可承担类似角色。即使设备实现软件直连，样品转运、上下料等物理操作仍需完成。未来将是软件控制与物理机器人操作的动态平衡。
构建AI for Science的新基础设施
DeepTech：专注实验室场景是否会限制通用物理智能的发展？
连文昭：实验室是高要求的模拟考场，涉及操作电器、处理液体及连续多步骤任务，与家庭服务场景高度相似但精度要求更高。专注实验室有助于提前积累通用机器人所需的关键能力，并未偏离终极目标。
DeepTech：随着数据增加，科学实验机器人能力是否会遵循Scaling Law持续提升？
连文昭：一方面，机器人物理操作能力随经验积累在精度和速度上持续提升；另一方面，机器人产生的新数据可反馈给科学模型进行自我迭代。目前科学模型如海绵般仍有巨大吸收空间，未见明显天花板。
DeepTech：未公开的失败实验数据是否有价值？
连文昭：极具价值。现有模型多依赖发表的成功数据，存在系统误差（如P-Value Hacking）。智能机器人可完整记录实验条件、过程及结果，包括失败案例，为科学模型提供更完整、可靠的一手数据，修正偏差。
DeepTech：短期内能否实现自主科研闭环？
连文昭：在边界明确的任务中已实现自主闭环。实验室环境相对可控，可预先明确目标、设备和操作范围。我们采取从具体任务入手，逐步放宽约束、扩大任务范围的策略，在产生实际价值的同时积累数据训练模型，而非等待完全通用智能的出现。
DeepTech：源络科技现阶段的目标是什么？
连文昭：推动智能机器人在实验室的规模化部署，与合作伙伴共建科学智能与物理AI结合的闭环生态，从AI for Science出发构建通用物理智能。长远来看，期望AI在科学领域取得超越人类现有水平的突破性成果。