逐际动力张巍：人形机器人大脑已达GPT-3阶段，2026年成PoC验证元年

2026世界人工智能大会期间，人形机器人何时能真正走出展厅、成为解决现实问题的工具，成为现场最受关注的问题。7月19日，逐际动力创始人、南方科技大学长聘教授张巍在演讲中给出了一个反共识的判断：当前以人形机器人为代表的具身智能正处于指数增长曲线上，而整个机器人大脑系统已经走到了GPT-3左右的阶段。

逐际动力成立于2022年，张巍将其定位为"产品型、有大脑能力的主机厂"。公司融资节奏清晰，资本认可度持续攀升：2023年10月完成近2亿元天使轮与Pre-A轮融资，投资方包括峰瑞资本、绿洲资本、联想创投等；2024年7月获阿里巴巴战略领投A轮融资，这也是阿里首次下注具身智能领域；2025年半年内累计完成5亿元A轮系列融资，后续又获京东战略领投；2026年1月完成2亿美元B轮融资；今年7月再完成近2亿美元Pre-IPO融资，引入磊石资本、意大利财团、蓝思科技、IDG资本等投资方。

张巍认为，很多人因机器人目前"笨笨的"状态而习惯用线性方式预判其未来，但行业正经历的是指数变革。他以比尔·盖茨投入数十年未能解决语言交互问题为例——若在大模型出现前询问解决时间，答案可能是十年二十年，而技术范式一变，半年内大量问题便迎刃而解。

一个可能令人意外的看法是，张巍认为人形机器人"比较好造"，零部件数量仅约汽车的十分之一，比光刻机、飞机甚至汽车都更容易制造。当前瓶颈不在本体制造，而在AI——尤其是来自物理世界的数据。物理AI的数据不来自互联网，而来自真实物理生活，这使其成为AI最具挑战的应用类别。其终极形态"人形物理AI"，本质上是在模仿人的大脑。

张巍将大脑系统划分为三层结构：最上层为"System2"，类似人的前额叶，是以大语言模型、视觉语言模型乃至未来世界模型为引擎的思考引擎，负责记忆管理、指令收集、信息理解、任务规划与决策，"只负责想"；中间层是视觉运动皮层，接收上层决策、观察环境并做运动规划；最下层是小脑和运动控制系统，"只动不想"。他强调，行业真正的挑战不是将某一层做到极致，而是将三层在毫秒级实时系统里协同起来，并与硬件联合优化——逐际动力称之为"大小脑融合技术"，也是公司最重要的投入方向之一。

关于GPT时刻的类比，张巍判断整个机器人大脑系统已到GPT-3左右的初级阶段，这与"还非常早"的主流认知截然不同。但他提醒，机器人大脑并非单一模型，而是由大语言模型、视觉语言模型、世界模型、记忆管理、任务规划、运动控制共同构成的agentic系统，逐际动力这套系统名为COSA。"如果System2由LLM驱动，就像躺在病床上不能动但能思考的残疾人；由VLM驱动，就是有眼睛能看见世界的残疾人；若再加上世界模型，则相当于学了物理的霍金。"具身智能要做的，正是让这个聪明的System2指引行动，"像让残疾人做康复训练一样，通过数据和练习长出下面的技能。"

在技能学习方面，张巍同样抛出反共识观点：技能不需要非常通用才叫有脑，技能的泛化性并不代表智能水平。他举例称，跳舞这类不需要实时和环境交互的技能相对简单，而上楼梯这类需要实时交互的则难得多——逐际动力的机器人Ollie上楼梯就是实时大小脑融合技术的体现。收拾桌子则必须依赖真机数据。

据介绍，COSA系统能够接收人的指令，通过System2做任务规划，再调度导航定位、执行具体任务。最近该系统完成重要升级，实现全自主、实时推理的长程任务：在家庭环境中靠一个模型、一个技能直接推理完成全身移动与操作，没有遥操作、没有遥控器，整个模型纯数据驱动、不需要专家规则。张巍表示，除Figure外，能完成这种长程移动操作通用任务的公司非常少，而把全身移动和操作联合起来的系统尤为稀缺。

商业化方面，张巍将人形机器人的底层逻辑概括为"通用本体加APP"。他认为单一技能价值有限，但不改变机器人构型、持续叠加不同技能与应用，最终会出现"吸星大法拐点"。逐际动力的口号是"serve people, not process"——两条腿的人形机器人应服务于人而非生产流程，因此优先在人类环境里做接待、公共服务，而非工业场景。他总结：商业化的关键在于，构建一个技能的数据成本要小于该技能所创造的价值。

张巍特别提醒，具身智能不应复刻大模型行业"先做通用模型、再找落地场景"的路径。由于物理世界数据天然稀缺且昂贵，不同技能间数据差异大，更合理的路径是具备一定通用能力后尽早进入具体场景，通过专业数据反哺模型，形成场景与模型的数据飞轮。他也判断行业未来不会一枝独秀，而是百花齐放，因此需要推动开源生态与产业生态建设。逐际动力已提供开源训练架构，开发者可用自然语言训练VLA模型，也能使用其机器人和开源设备。

张巍最后判断，2026年会是具身智能PoC验证的元年，明年有望看到一些规模化发展，人形机器人正在进入从"会动"到"能用"的关键节点。