记者 郑晨烨

经济观察报记者 郑晨烨

“到2033年，拓展至百万台范围，覆盖工业、物流、家庭办事等多元化场景。”近日，智平方（深圳）科技无限公司（下称“智平方”）创始人兼CEO郭彦东，在公司新一代通用智能机器人AlphaBot 2的公布会上掷出了这句豪言。

对付一家成立刚满两年的初创企业而言，在商业化前景尚未十明白朗的具身智能赛道，立下云云详细的目标，实属罕有。

从履历上看，郭彦东曾是微软美国总部核心AI团队成员，任职时代主导开发了多款 AI 前沿技能和产物，其中Custom Vision办事是全球范围内初次将“预训练模子+场景微调”商业化的实践尝试，为AI技能的大范围应用翻开了新思路。

他还在小鹏汽车和OPPO担任过首席科学家和研发高管，这名技能和产业“老兵”，选择在人工智能大模子迸发的节点时刻切入机器人赛道，其核心机索逻辑是“将AGI（通用人工智能）从数字世界拓展到物理世界”。

展开盈余 94 %

郭彦东夸大，智平方坚持“软硬一体垂直整合”，以自研的Alpha Brain为核心，界说并驱动AlphaBot等一系列“AGI终端”，领先从汽车制作、半导体、生物科技等高门坎的工业场景追求商业化突破。

然而，在“唉声叹气”的背后，现实的拷问也随之而来：一家年青的创业公司，何以支撑云云“重”的战略投入和云云久远的产出预期？其宣称抢先的GOVLA大模子，在全球巨头林立、技能加快迭代的配景下，可否构筑起真正的护城河，并转化为可持续的商业成功？从“能演示”到“真能用”，再到“大范围用好”，这条路上的“坑”，智平方可否逐一趟过？

别的，郭彦东也展望通用机器人的“iPhone时刻”将在5至7年后到来。这一展望和百万台产能目标，是基于苏醒的行业洞察，还是在资本与舆论裹挟下的理想化宣言？

近日，带着这些问题，经济观察报记者与郭彦东展开了一场直接对话。

以下是对话实录：

最难啃的三块“硬骨头”

经济观察报：你从微软、小鹏、OPPO等大厂高位回身，创立智平方，投身具身智能赛道，是甚么驱使你做出这样的选择？要完成智平方的“AGI终端”普及的愿景，你以为最难啃的“硬骨头”是甚么？

郭彦东：我在微软、小鹏、OPPO的经历，让我深入体味到AI技能怎样一步步渗出并重塑各个智能终端形态。

从PC到智妙手机，再到智能汽车，每次变更的核心都是让人与智能终真个交互更便利，让终端能在更多场景完成更多样的工作，这是一个很清楚的头绪。

本日，我们正站在又一个变更的门坎上，通用人工智能（AGI）与物理实体的连系——也就是具身智能机器人——将是第四代反动性的智能终端。

这没有是简单的线性延长，而大概是一个数目级的飞跃。

我看到的机遇，就是将AGI的能力真正赋予物理世界的机器人，让它们从只能实行预设步伐的“机器”，进化成可以或许理解情况、自立决策、并与人自然协作的“智能体”。这片“无人区”，正是通用智能机器人可以或许像本日的智妙手机和汽车一样普及的巨大空间。

我们的愿景和任务，就是推动这一天的到来。但这条路无疑是艰苦的。当前最难啃的“硬骨头”，我以为有三块：

首先是技能的通用性与鲁棒性（指系统、模子或算法在面临异常输出、干扰、噪声或情况变更时连结正常功能和功能的能力）。怎样让机器人真正具有跨行业、跨场景、跨任务的泛化实行能力，而没有是每换一个场景就要从新大批编程和训练？这需要多模态感知、疾速学习、自立决策与精准实行能力的深度融会与突破。很多时候，实行室里表现完美的机器人，到真实、庞大、静态的工场或家庭情况里就“水土没有服”，这就是鲁棒性没有敷。

其次是本钱与代价的平衡。目前高功能机器人的硬件本钱依旧高昂，虽然我们判断未来2—3年硬件本钱会跟着范围化量产而显著下落，但现阶段，如安在特定场景下让客户明白感知到机器人带来的代价，比如，服从提拔、本钱降低、安全性提高，可以或许覆盖甚至远超其采购和安排本钱，这是商业化的枢纽。

最后是应用场景的深度挖掘与标准化困难，工业场景需求相对明白，比如我们互助的晶圆搬运、汽车装配。但即便是工业场景，没有同工场的工艺流程、情况结构也千差万别。

怎样从中提炼出共性需求，构成相对标准化的解决计划，再针对特定需求做少量定制，这对我们的技能能力和行业理解都是巨大磨练。而办事机器人、家庭机器人面临的场景则更为开放和非标，挑衅更大。

“软硬一体”自建产线

经济观察报：智平方坚持“软硬一体”并自建产线，走的是重投入的“机器人办事商”形式，外行业有多种轻资产形式的配景下，你为何认定这条重投入之路是需要的？怎样平衡高投入与回报周期的没有肯定性？

郭彦东：这确实是一条“重路”，但我们以为这是具身智能，尤其是通用智能机器人这个赛道特性决意的，甚至是唯一能走通的路。为甚么这么说？

第一，我们的商业形式核心是托付能解决实际问题的终究产物，而没有是一个单一的技能模块或零部件。客户买的是一个能干活的机器人，一个完整的解决计划，而没有是一堆需要自己集成的技能。这就要求我们对终究产物的功能、靠得住性、本钱负全责。

第二，从技能层面讲，机器人的“大脑”（AI模子）与“身体”（硬件本体）是高度耦合、深度绑定的，很难分裂开来自力进展和贩卖。这非常像自动驾驶系统，甚至可以说自动驾驶是机器人大脑的一个简化版。

你看看行业里的经验，一些已做得非常好的自动驾驶系统，换一个车型，往往需要几百个工程师泯灭十几个月的时间驻场进行适配开发。这个例子从一个侧面反应出，一旦进入具身大模子这个赛道，切换硬件的代价和本钱是相对对照高的。这就意味着，你很难用一个所谓“通用”的大脑，简单地卖给各种没有同的机器人硬件公司，让他们自己去适配。更高效、更靠得住的形式，是用一个全新的、壮大的大脑，去正向计划和界说你的全部机器人系统，然后以软硬一体的体式格局进行贩卖和托付。

汽车行业喊了很多年“软件界说汽车”“智能界说汽车”，但实际上受到了很多现有临盆供给链的限定、行业惯例的制约，和各种车规、行规和产物惯性的束厄局促，使得软件并没有可以或许真正意义上地完全界说硬件。但机器人是一个全新的赛道，它没有那么多历史包袱。只要你有这样的认知，有这样的能力，你完全可以用一个全新的软件和AI能力，去界说一套全新的硬件架构，然后软硬一体地托付给客户，供应最好体验。

当然，这要求创始团队和核心团队必须是“全能型选手”，既要懂模子算法，也要懂硬件本体，还要懂临盆制作、供给链管理，把这些要素协同起来，作为一个全体产物去打造和运营。

关于高投入与回报周期的平衡，我们有清楚的融资计划和阶段性的商业化目标。经过领先在高代价、需求明白的工业场景落地，比如半导体、汽车制作、生物科技等，我们可以较早地获得现金流，验证商业形式，并为后续更大范围的研发和市场拓展供应支撑。同时，自建产线也是为了更好地控制产物质量、迭代速率和终究本钱，为未来的大范围量产做筹备。

我以为一个壮大的、界说清楚的软硬一体化产物平台，反而能更无效地吸收和赋能生态伙伴。我们并没有是全部器械都自己做，比如一些通用的零部件、末了实行器等，我们会选择成熟的供给商。

大模子研发必须“重投入”

经济观察报：智平方宣称Alpha Brain的GOVLA大模子是“全球首款”全域全身VLA（视觉-说话-举措）模子，这个“全球首款”详细“新”在哪里，对比业界已有的VLA，其核心的、可被感知的“抢先性”体目前哪些方面？

郭彦东：称GOVLA是“全球首款”全域全身VLA大模子，我们是有底气的。它的“新”和“抢先性”，首要体目前对机器人“智能”和“举措”边界的根赋性拓展上。

传统的VLA模子，很多时候更着重于“视觉到单臂操纵”的映射，机器人像一个流动在原地的“桌面操纵员”。而我们的GOVLA，这里的“G”代表Global（全局），意味着机器人具有对广漠、静态、非结构化情况的理解与适应能力，没有再范围于眼前的一亩三分地；“O”代表Omni-body（全身协同），这是核心突破之一，意味着我们的大模子初次可以或许输出机器人全身的控制指令和完整的移动轨迹，而没有仅仅是机械臂的动作。

我举一个“做早饭”的例子，它很能说明问题：一个搭载通例VLA的机器人，你让它做早饭，大概需要人把鸡蛋、面包都放到它眼前的桌子上，它在桌面上操纵完成后，你还得去把它做的早饭端走。由于它大概“看”没有见桌子以外的器械，也没法自立移动到冰箱取食材。但搭载GOVLA大模子的AlphaBot 2，就可以做到360度无逝世角地感知四周情况，听懂你的指令后，自立计划路径去冰箱取食材，完成建造，甚至把早饭送到你的餐桌上。

这才是从“自动化工具”到“智能管家”的超过。我们GOVLA的内部架构，经过空间交互基础模子、负责庞大逻辑推理与任务拆解的“慢系统”（System2），和负责输出全身控制动作与移动轨迹并分身实时相应的“快系统”（System1）的协同工作，来完成这种庞大的全链条办事能力。

就我所知，在目前我国这么多做机器人的创业公司里面，我们是唯逐一家已把自己的模子版本开源，且有能力将自研的大模子能力商业化输出的公司，这本身就说明了我们的技能是有实际应用代价和市场竞争力的。

我们的GOVLA大模子，其核心框架——包含空间智能的构建、多模态信息的融会机制，和机器人全身运动控制和移动轨迹生成等枢纽模块——是100%全栈自研的。这是我们技能体系的基石，也是我们知识产权的核心。

在这个坚实的自研基础上，我们敏锐地观察到，当前大说话模子在长程庞大任务的理解、阐明和高级逻辑推理方面，确实显现出了非常壮大的能力。为了进一步强化我们GOVLA模子在这一特定维度的表现，让机器人没有仅“手巧”，更能“心灵”（具有深度思索和计划能力），我们选择性地将DeepSeek在推理大模子方面的枢纽训练技能引入GOVLA的训练过程当中，目的是在连结全体技能架构自立可控的条件下，更快地打造出全体功能更强、更智能、更具竞争力的国产可控VLA模子。

经济观察报：大模子研发无疑是一场高投入的“马拉松”，你们宣称具有“搜索引擎级”数据，并在研发上投入巨大。对这种高投入，你怎样向市场和投资人证实其商业上的公道性与需要性？

郭彦东：大模子的研发是“重投入”，而且必须是持续的“重投入”。

关于商业公道性和投入产出，我的意见是，在当前具身智能进展的初期阶段，尤其是对付我们这种致力于构建底层核心技能壁垒的公司，没有能简单地用传统的、短时间的财政投资回报率去衡量。

我们更看重的是，这些投入可否为我们构建起足够深、足够宽的技能护城河，可否让我们在枢纽的核心能力上，比如，模子泛化能力、端侧安排服从等，做到全球抢先，和这些核心能力终究可否转化为产物在特定场景下没有可替代的竞争力，并赢得客户的真金白银的定单。 这就像修高速公路，前期投入巨大，但一旦建成，其长期的社会和经济效益是没有可估量的。

那么，我们怎样确保这些投入是高效的，而没有是自觉烧钱呢？首要有几个层面：

第一，我们的投入是建立在清楚的战略认知和深挚的技能积累之上的，没有是跟风，也没有是“鼎力大举出奇迹”那么简单。

在算法层面，我们的核心团队在AI领域有近20年的“内功”修为，我们具有计划和完成全球抢先的、非基于现有开源框架的全新神经收集结构的能力。这是我们最核心的Know-how之一，它决意了我们模子的下限和独特性。

在数据层面，我们说用的是“搜索引擎级别”的数据，这个“级别”没有仅仅指范围大，更紧张的是数据的多样性和高质量融会。我们有来自公开互联网的海量数据，比如YouTube上每秒钟都在上传新的视频，这些能让模子具有遍及的知识和基础泛化能力；我们也有高质量的仿真数据，我们用仿真数据训练的模子在全球相干比赛中也拿过冠军，仿真情况能供应精确的3D空间信息和大范围、低本钱的交互训练；但最宝贵也最能提拔模子应对真实世界能力的，还是我们经过实际安排的机器人采集到的真实世界交互数据。

我早在2017年在华盛顿大学给博士生上课的时候，就提出要把这三种数据（互联网、仿真、真实物理交互）连系起来，由于每种数据都有其独特的优势和没有可替代的代价。

在算力层面，我们确实投入了大批的较量争论资源和基础设施扶植，但我们更夸大“好钢用在刀刃上”，非常注意训练服从的提拔。

比如，我们在训练加快、增量学习（Incremental Learning）等领域都有非常深切的研讨和实践——我之前写的一篇关于端到端增量学习的论文，是目前全球在这个细分领域被援用次数最多的。这意味着我们没有仅勇于投入，更知道怎样聪明地、高效地利用这些宝贵的算力资源。

第二，我们经过一些战略性的举措，来放大我们研发投入的代价，之前跟北大互助的RoboMamba（一款高效端到端VLA具身大模子）开源就是一个例子。

开源对我们来说，至少有三重意义。

其一，这是技能自信的体现，也是一种“以打促练”。我们把模子放活着界舞台上，与全球最顶尖的模子和团队去实测PK，我们的具身大模子在运转速率、任务实行的成功率上都远远抢先，这本身就是对我们技能最好的检验和提拔。我也很没有服气Figure AI创始人说我国公司只会搞硬件，我们就是要证实我国在AI智能化这个高毛利、高附加值的领域，同样可以做到世界一流。

其二，开源是吸收顶尖人材、促进技能交换、构建开发者生态的紧张路子。一个活跃的开源社区，能为我们带来宝贵的外部反馈，加快模子的迭代和优化，甚至大概发现一些我们自己都没想到的新应用场景。

其三，这对付我们商业模子的疾速成熟和数据生态的构建，有着间接但非常紧张的战略助益。

我们坚决幸免堕入没有计本钱的“烧钱竞赛”，我们的核心理念是“实干制造代价”。我们是“实干派”，没有是“炫技派”。

评价一项技能、一个产物好没有好，我们的标准没有是看它的演示有多酷炫，机器人能没有能舞蹈、翻跟头，而是看它能没有能真正在工场里、在实际应用场景中，稳定、高效地完成有代价的工作，能没有能为客户制造可量化、可感知的效益。

我们绝没有会为了追求某个单一的技能指标的极致，而牺牲产物的全体有用性、靠得住性和经济性。

为此，我们在技能路线上有很多非常务虚的选择，比如，我们鼎力大举进展端侧智能，提拔模子紧缩的能力。我们的技能可以让大模子在端侧安排后，推理运转速率提拔8倍以上，这意味着甚么？意味着可以大幅降低对云端高贵算力的依附，降低机器人的功耗和本钱，提拔相应速率和数据安全性。

这背后，是我们团队很多核心成员过去在OPPO、小鹏等企业，积累的将AI模子在数以亿计的智能终端（手机、汽车）上进行本地化安排和优化的宝贵经验。纯粹的科学家团队，大概在这方面经验会相对短缺一些。

我们的目标是做出真正有用、好用，而且终究让客户用得起的机器人。

高端工业场景“痛点清楚”

经济观察报：智平方主攻汽车、半导体、生物科技等高端工业场景，为甚么选择这些场景先行落地？

郭彦东：我们选择汽车制作、半导体、生物科技这些高端工业场景作为商业化的首批切入点，首要是基于几点思量：

第一，这些行业对自动化、智能化、柔性化的需求非常迫切，痛点清楚，比如招工难、人力本钱高、临盆情况要求严苛（如无尘、无菌）、重复性劳动强度大等；第二，这些场景对机器人的任务成功率、稳定性、靠得住性要求极高，可以或许充分检验和打磨我们的核心技能；第三，这些行业的客户通常有较强的付费能力和志愿，可以或许为我们带来相对可观的初期收入，构成正向的商业轮回。

这些场景的定制化需求对照高，这也是为甚么很多传统机器人公司或系统集成商在这些领域做得对照“重”的原因。

但我们的思路没有太一样。我们的核心是通用具身大模子Alpha Brain和通用智能机器人AlphaBot，而AlphaBot的计划理念是用一个相对通用的本体形态，经过公道地更换部份模组，完成对较多场景任务的适配性。

在详细项目落地时，我们会首先深切理解客户的核心工艺流程和痛点，然后基于AlphaBot在无限范围内的通用性，连系场景特性进行适配和优化。这种适配更多的是在软件层面，比如针对特定任务的技能学习、与客户现有临盆管理系统（MES）的对接等，而没有是对机器人硬件本体做大范围的定制化改造。经过对一个个扎实场景的攻坚，我们的Alpha Brain会积累愈来愈丰富的行业知识和技能，其泛化能力也会愈来愈强。这样，当遇到相似行业或相似任务时，我们就可以大大收缩安排周期，降低实施本钱，从而完成解决计划的可范围化复制。

比方，我们与吉祥科技旗下的晶能微电子互助，在杭州的半导体临盆基地安排AlphaBot，实行晶圆在无尘车间的搬运和装载任务，能无效降低因人工操纵大概引入的“人源净化”，提高产物良率。

最新的战略互助方是全球生物科技龙头华熙生物，我们的机器人将在其工场内实行物料协同转运、智能拆包消毒、制品智能视觉检验，和多种物料协同的智能供料等操纵，特别是在无菌产物灌装、微生物培育种植提拔监控等高风险、高洁净度要求的环节，替代人工操纵，幸免交叉净化，保障产物质量。

我们是从工业场景切入，渐渐向公共办事、家庭办事等领域拓展，构建起“技能-场景-数据”闭环。今年第三季度，智平方的机器人将上线海内一线城市的机场，为旅客供应知心办事。今年第四季度，智平方的机器人将在海内示范小区落地应用，为业主供应有伶俐、有温度的办事。

从实际的定单范围和商业回报来说，我们客岁（2024年）已完成了数千万元群众币的回款。

这在海内通用智能机器人创业公司中，算是对照早完成商业化营收的。这证实了我们的产物和办事是可以或许被市场接受并发生实际代价的。当然，目前我们还处于商业化的初期阶段，单个项目的金额和利润贡献大概还没法与成熟的工业自动化设备比拟，但紧张的是我们验证了技能的可行性和商业形式的闭环。

跟着我们解决计划的成熟度愈来愈高，可复制性愈来愈强，和客户对我们产物信任度的提拔，未来的定单范围和商业回报是值得期待的。我们没有是简单地卖几台机器人，而是经过“机器人即办事”的形式，为客户供应持续的代价。

通用机器人的“iPhone时刻”

经济观察报：你展望通用机器人的“iPhone时刻”在5—7年后到来。回顾智能设备史，许多技能从工业应用到消费普及的路径远比预期盘曲。支撑你这一判断的枢纽条件是甚么？

郭彦东：我对人形机器人，更狭义地说是通用智能机器人，进入民众消费市场的“iPhone时刻”的展望，是基于对技能进展趋向、本钱下落曲线和市场需求演化的综合判断。这里面有几个枢纽条件：

第一，核心技能的成熟与突破，特别是“智能的通用性”。机器人需要具有跨行业、跨场景、跨任务的泛化实行能力，可以或许像人一样适应没有同的情况和需求，而无需针对每一个新任务进行大批的从新编程。这依附于具身大模子的持续进化，包含更强的感知理解能力、更高效的学习能力、更安全的决策与交互能力。我们正在努力的方向，就是让Alpha Brain驱动的机器人，能做到“无需训练便可完成多种任务，而且能疾速掌握新任务，稳定适应各种变更”。

第二，硬件本钱的显著下落，目前高功能机器人的核心零部件，如传感器、驱动器、控制器和AI较量争论单元等，本钱依旧没有菲。但我深信，跟着机器人产业范围的扩大，供给链的成熟（尤其是在我国，很多机器人零部件可以借鉴和转化新能源汽车的供给链体系），和枢纽技能的国产化替代，机器人的全体硬件本钱在未来5—7年内无望降低到一个普通消费者可以接受的水平，大概就像本日一辆经济型汽车的代价。我们判断，机器人硬件本体的研发已趋于成熟，正处于量产爬坡阶段，未来2—3年内将迎来平稳的范围化增进期。

第三，“杀手级应用”的涌现，就像智妙手机的App Store和各种移动应用引爆了市场，通用智能机器人也需要在某些枢纽场景中显现出没有可替代的代价，解决用户的核心痛点，能力真正激发大范围的采办需求。在工业领域，这个代价点大概体目前服从提拔、本钱降低、替代高危或重复劳动；在家庭领域，大概体目前伴随、护理、家政办事等方面。

我们置信，这些索求对付理解用户需求、打磨产物体验，和终究找到通往“iPhone时刻”的路径相当紧张。这符合我们“技能-场景-数据”闭环的战略。

具身智能的“我国优势”

经济观察报：百万台产能目标（2033年），对初创公司而言极具挑衅。在核心零部件国产化、全体本钱、高端人材等现实制约下，智平方的“软硬一体的机器人办事商”形式怎样幸免重蹈“新势力”造车初期在产能和供给链上遇到的问题？

郭彦东：我们计划到2028年完成万台级别的场景应用，到2033年公司成立十周年之际，将机器人安排范围拓展至百万台级别，覆盖工业、物流、家庭办事等多元化场景。这绝非易事，尤其对付一家初创公司而言。

你提到的核心零部件国产化、本钱控制、高端人材等问题，都是我们必须正面应对的枢纽挑衅。关于“产能天堂”和“供给链掣肘”，我在小鹏汽车时亲自经历了从零到年产十万台的疾速爬坡过程，深知其中的艰辛与枢纽节点。我们选择自建产线，正是为了从一开始就将临盆制作的主动权掌握在自己手中，确保产物质量、迭代速率和长期的本钱控制能力。

对付供给链，机器人产业与新能源汽车产业有很多相似的地方，尤其是在“三电”（电机、电驱、电控）、电池、传感器等领域。我国在这些领域已建立了相对完善且富有弹性的供给链体系。很多机器人零部件并不是从零开始，而是可以从新能源汽车的成熟供给链中进行转化和进级，这个过程的速率和服从大概比外界想象得要快。

至于一些特定的、技能含量非常高、目前大概还需要依附入口的核心部件，首先，并不是每款机器人都必须使用这类特定的高端部件，有很多没有同的技能计划可以完成雷同的驱动功能；其次，即便某些部件短时间内存在瓶颈，我置信跟着海内需求的增进和技能的进步，国产替代的速率也会加快。我们也在主动结构核心硬件的自研能力，比如在机械臂、底盘等枢纽部件上，我们都有自己的自研技能，目标是渐渐提拔核心部件的自研比例和可控性。

人材方面，我们采取“南北协同”的形式，在北京设立AI团队，依托那边的人材高地进行核默算法和模子的研发，很多同事都来自北大、清华等顶尖学府，且多是经验丰富的“行业老炮”，可以“老带新”；同时将硬件研发、产业化和供给链管理扎根于深圳这个硬件创新之都。我们对人材的要求非常高，宁缺毋滥。

百万台目标虽然道阻且长，但我们有战略、有技能、有团队，也有对产业进展规律的敬畏和对挑衅的充分筹备。

经济观察报：你怎样理解我国进展具身智能产业的优势？你以为我国具身智能企业在全球牌桌上突围的枢纽是甚么？智平方怎样证实自己是核心智能的制造者，而非仅仅是硬件集成商？

郭彦东：我国为进展具身智能产业供应了可以说是得天独厚的情况：

第一，我们具有全球最完善、相应速率最快的机器人硬件供给链，这植根于我们国家蓬勃的消费电子和新能源汽车产业基础，使得硬件迭代更快、本钱控制更有优势；

第二，我们有极为丰富的应用场景，从巨大的制作业基础到多样化的社会办事需求，这为机器人供应了海量的真实世界训练数据和商业化机遇；

第三，我们有活跃的创业公司、主动的投资者和各级当局的鼎力大举支撑，配合构成了一个充斥活力的产业生态系统。

我甚至有一个判断：“任何国家的科学家要做具身智能，都得去我国，否则技能很难走出实行室。”

当然，“卡脖子”的风险也确实存在，尤其是在一些高端AI芯片、核心传感器、精密制作工艺等领域。美国等国家也在加快结构，试图构建技能壁垒。

我国企业要想在全球竞争中突围，枢纽在于两点：一是坚持核心技能的自立研发与创新，尤其是在“大脑”层面，也就是在具身大模子、空间智能、自立决策等核默算法上，必须有自己的器械，没有能满足于做简单的集成和应用；二是深度理解并疾速相应市场需求，将技能优势转化为实实在在的商业代价。

智平方从创立之初，就立志成为一家技能驱动的、世界抢先的具身智能机器人企业。我们没有仅要做出好的“身体”，更要打造出最聪明的“大脑”。

我们全栈自研Alpha Brain及其底层的GOVLA大模子，就是为了掌握核心智能。我们之前开源RoboMamba模子，也是希望活着界舞台上与顶级模子同场竞技，证实我国企业在AI软件和核默算法层面同样可以做到世界一流。

公布于：北京市