楊劍飛這十年，算是把科技浪潮踩得明明白白。

2012年進中山大學(xué)移動信息工程學(xué)院，趕上互聯(lián)網(wǎng)熱潮的風(fēng)口，2014年扎進大疆做視覺算法，親眼見證無人機行業(yè)的元年，還總往上海、武漢、臺北的黑客松賽場跑，48小時極限編程練出的0到0.1產(chǎn)品化能力，怕是行業(yè)里沒幾個人比他扎實。

后來他穿梭在新加坡南洋理工、加州伯克利等幾所頂尖高校，最終一頭扎進“PhysicalAI”這個領(lǐng)域，去年還在南洋理工創(chuàng)立了MARS實驗室，正式開啟教職生涯。

本來想，像他這樣踩中多個風(fēng)口的人，大概率是個“卷王”。

但接觸下來才發(fā)現(xiàn)，他反倒稱自己是“躺平”的人。

這種“高效學(xué)習(xí)遠勝于耗時間”的理念，放在現(xiàn)在的科研圈，確實挺難得。

他深耕的PhysicalAI，核心不是讓機器人單純動起來。

一開始他也覺得，RGB相機加雷達，就能構(gòu)建完整的三維世界表征。

但在哈佛訪學(xué)期間，和光學(xué)、實驗物理研究者深入交流后，他發(fā)現(xiàn)之前的認知太局限了。

真實世界里，多光譜信息、電磁信號這些看不見的維度，都是客觀存在的。

如此看來，PhysicalAI的核心是更準確、全面地觀測物理世界，再用AI去解釋這些觀測結(jié)果。

這一點在生命科學(xué)領(lǐng)域也能找到印證，顯微鏡、基因測序本質(zhì)上都是新觀測方式加AI分析的組合。

毫無疑問，這是個值得長期投入的方向。

2026年，他的團隊重點還是放在以人為本的具身智能研究上。

比如更安全自然的人機交互，他判斷具身智能3到5年可能落地，到時候人機交互的人性化問題躲不開。

另外，團隊也在VLA方向發(fā)力，探索多模態(tài)接入能否提升動作表達精度。

他還參與了Meta的ProjectAria項目，研究XR眼鏡和具身智能的結(jié)合。

現(xiàn)在XR眼鏡的顯示、芯片、電池技術(shù)都在突破，短期能做自然交互入口，長期配合邊緣算力，還能幫家里的機器人理解用戶需求。

當(dāng)下具身智能的應(yīng)用場景之爭，吵得挺熱鬧。

有人說該進工廠擰螺絲、搬東西，也有人覺得家庭才是趨勢。

楊劍飛的觀點很明確，核心還是在toC端。

工業(yè)場景是結(jié)構(gòu)化的，傳統(tǒng)工業(yè)機器人已經(jīng)做得很好了。

具身機器人在工業(yè)領(lǐng)域的價值，只體現(xiàn)在處理不規(guī)則物體、雜亂環(huán)境這些傳統(tǒng)機器人搞不定的地方。

但這些需求更適合工業(yè)自動化公司解決，不是通用具身智能的潛力所在。

那家庭場景的話，人形機器人是不是最好的形態(tài)？不同場景有不同優(yōu)勢，但通用家用機器人，人形形態(tài)適配性確實更強。

一方面，家庭空間本就是按人的尺度設(shè)計的，人形機器人能上下臺階，這是輪式機器人比不了的，尤其是海外很多多層住宅，這種優(yōu)勢更明顯。

另一方面，情感接受度很關(guān)鍵。

像小鵬機器人，不光步態(tài)逼真，外觀、材質(zhì)的設(shè)計也能帶來擬人化的溫度，讓人們更容易接受它融入生活。

當(dāng)然，人形不一定非得是雙足，這是更細節(jié)的討論了。

中美在具身智能賽道上的差異也很有意思。

國內(nèi)是供應(yīng)鏈自下而上，很多公司搞全鏈路自研，從本體到模型、數(shù)據(jù)都自己做。

這種模式能建獨立生態(tài)，但也容易資源分散，同質(zhì)化問題突出。

而且國內(nèi)的開源模型，聲量往往大于可用性，缺乏社區(qū)認可的基礎(chǔ)模型。

美國則是分層創(chuàng)新，很多團隊專注單一技術(shù)層，硬件直接采購國內(nèi)的成熟產(chǎn)品。

這種模式能集中資源搞突破，差異化更明顯，開源生態(tài)也更成熟，比如π系列模型就成了很多研究的基礎(chǔ)。

不過國內(nèi)的硬件制造和工程化能力是優(yōu)勢，松山湖的供應(yīng)鏈讓產(chǎn)品能做得快、做得好，迭代周期也比海外短。

現(xiàn)在美國有些創(chuàng)業(yè)者都想“做美國的宇樹”，這也能看出國內(nèi)硬件的領(lǐng)先地位。

具身智能發(fā)展的痛點不少，數(shù)據(jù)問題首當(dāng)其沖。

機器人數(shù)據(jù)采集成本高、不連續(xù)，合成數(shù)據(jù)能不能解決？楊劍飛覺得，仿真數(shù)據(jù)和真實數(shù)據(jù)得并行。

仿真數(shù)據(jù)容易規(guī)模化，但和現(xiàn)實有差距，真實數(shù)據(jù)成本高，可遷移性更強。

現(xiàn)在也有提升真實數(shù)據(jù)效率的辦法，比如UMI的統(tǒng)一夾爪，還有用第一視角人類視頻訓(xùn)練能促進智能涌現(xiàn)。

行業(yè)共識是預(yù)訓(xùn)練用仿真和視頻數(shù)據(jù)，場景落地靠真實數(shù)據(jù)校準，再加上世界模型補充。

開源對行業(yè)發(fā)展的作用，不用多說，肯定能加速創(chuàng)新，但也會帶來不確定性。

不過早期階段，這種不確定性正是創(chuàng)新的源頭。

硬件方面，UMI的開源夾爪讓社區(qū)有了很多改進，有人改成了三指靈巧手。

軟件層面，圍繞PaLM-E、π系列模型的微調(diào)改造，也出了不少實質(zhì)性進展。

楊劍飛覺得，機器人領(lǐng)域的開源價值比純軟件領(lǐng)域還大，能同時撬動硬件、算法、數(shù)據(jù)、應(yīng)用多個層面的創(chuàng)新。

宇樹機器人之所以普及，PaLM-E、Llama能形成生態(tài)，都是開源邏輯的體現(xiàn)。

國內(nèi)現(xiàn)在就缺一個像DeepSeek那樣的具身智能開源模型，來帶動整個社區(qū)的創(chuàng)新。

最后說說人才培養(yǎng)，現(xiàn)在很多高校在討論要不要設(shè)具身智能本科專業(yè)。

楊劍飛覺得，機器人是高度系統(tǒng)化的工程領(lǐng)域，涵蓋機械、電子、計算機等多個學(xué)科。

本科課程如果不聚焦，學(xué)生容易學(xué)得雜而不精。

過去這些年，真正推動機器人教育進步的，其實是競賽。

像RoboMaster這樣的比賽，讓學(xué)生在團隊里完成整機設(shè)計、調(diào)試，這種實踐訓(xùn)練比課堂有效得多。

他在大疆參與RoboMaster測試時就發(fā)現(xiàn)，全棧型人才大多來自頂尖戰(zhàn)隊。

所以說，本科專業(yè)只是個框架，關(guān)鍵是讓學(xué)生有機會參與系統(tǒng)級工程，把機器人從零做成可運行的產(chǎn)品。

具身智能的發(fā)展，不是單純堆技術(shù)那么簡單。

楊劍飛的經(jīng)歷和洞察告訴我們，這是個需要感知物理世界、適配人類需求、構(gòu)建生態(tài)協(xié)同的系統(tǒng)工程。

國內(nèi)有硬件和工程化的優(yōu)勢，只要補齊開源模型、數(shù)據(jù)生態(tài)的短板，再做好人才培養(yǎng)的實踐落地，大概率能在這個領(lǐng)域?qū)崿F(xiàn)突破。

未來，當(dāng)殺手級應(yīng)用出現(xiàn)，分布式數(shù)據(jù)體系建立起來，具身智能或許就能迎來自己的“ChatGPT時刻”，真正走進千家萬戶。