文章摘要
当下具身智能赛道火热，履历丰富的张富选择差异化路线，打造无需GPS定位和人工操控的空中智能体。其团队将实验室成果转化为产品，已完成四轮融资。产品分三阶段量产，具备自主能力。团队在技术创新和量产落地有优势，还开发数据采集系统解决数据稀缺问题。张富认为行业两年内将大规模商业化，应用场景广泛。
当下具身智能赛道正迎来爆发式增长，新创业公司与创新技术层出不穷，赛道热度持续攀升。就在这片火热的创业浪潮中，一位履历丰富的教授选择了一条差异化的路线。
他叫张富，身上有着多个让人瞩目的标签：香港创业领域资深学者李泽湘的门生、拥有8年产业顾问经验、曾任香港大学机械工程系终身副教授。
跟随李泽湘研究无人机期间，他养成了深入一线与供应链团队、终端用户沟通的习惯，不再局限于学者的旁观者视角；在企业的8年时间里，他完整参与了从实验室技术到量产产品的全流程，深度理解了产业化落地的真实挑战；在高校的实验室中，他带领团队持续推进自主飞行等前沿技术研究。
不同于多数玩家聚焦地面人形具身智能的赛道，张富将多年积累的学术与产业经验结合，打造了无需依赖GPS定位、无需人工飞手操控的空中智能体。
这类产品可以自主感知周围环境、精准判断自身位置、自主规划飞行路径，最终独立完成任务，为具身智能进入人类真实场景提供了全新的可能性——具身智能未必需要复刻人类的手脚形态，也可以先拥有一双“翅膀”，替代人类进入几十米高的幕墙、陡峭的山坡以及危险的工业现场。
相关创业项目之所以受到广泛关注，不仅在于其将具身智能技术落地到空中场景，更源于创始人的深厚背景。
张富本科毕业于中国科学技术大学，后赴加州大学伯克利分校攻读博士学位。2015年前后，他受李泽湘邀请加入香港科技大学，系统开展机器人与无人机相关研究；2016年起，他深度参与核心技术研发与产品化工作，覆盖飞控、多传感器融合、激光雷达等多个关键方向。
之后，张富赴香港大学担任机械工程系终身副教授，期间创立了机电与机器人系统实验室，将研究核心聚焦于让飞行机器人在陌生环境中自主导航。该实验室长期开展无人飞行器、自主导航、激光雷达SLAM以及集群协同等方向的研究，并强调将实验室成果推向真实产业场景。
实验室的代表性成果之一便是FAST-LIVO系列，简单来说，当GPS信号失效时，该系列技术可以让机器人自主“认路”：一边实时感知周围环境，一边精准判断自身所处位置，同时将沿途采集的视觉信息拼接为完整的环境地图。这一技术相关的论文还获得了IEEE Transactions on Robotics（TRO）傅京孙纪念最佳论文奖。
这套技术路线也成为了该创业项目“空中智能”方案的核心底座：先让飞行器明确自身位置，再让它理解周边环境信息，最终自主判断任务目标与执行路径。
目前，张富带领团队将实验室的科研成果转化为商业化产品与公司业务。团队已经搭建了多模态感知、端到端运动控制、全局导航模型、灵巧作业以及集群协同等完整的技术体系，目标是让飞行器彻底摆脱对GPS、预先测绘地图以及人工实时操控的依赖。
因此，该项目真正的产品不只是更智能的无人机，而是无人机的通用智能大脑。这套系统可以让无人机拥有自主决策能力，无需人工实时操控，并且同一套智能方案可以适配不同类型的飞行平台，让飞行器实现自主感知、自主决策、自主完成任务的全流程。
资本已经快速布局该赛道，项目在半年内连续完成四轮融资，累计融资金额达数亿元，投资方包括多家知名机构。
对于张富而言，资本关注的并非只是一款更智能的无人机，而是空中飞行器领域即将到来的能力范式变革：当大量不同类型的飞行平台进入真实产业场景，能否让它们共享一套持续进化的智能能力？
当被问及为何选择难度更高的空中赛道而非热门的地面人形具身智能时
张富表示，自己在博士阶段就研究控制理论与人工智能，曾在学校实验室接触过简陋的四旋翼无人机，当时就对这类设备产生了浓厚兴趣。2015年加入港科大实验室后，他正式系统开展无人机相关研究，从硬件构型到定位、感知、导航等核心技术都做了大量基础性工作。
随着具身智能行业近两年快速发展，团队很早就开始探索具身智能与无人机的结合方向。一方面，随着研究深入，团队需要更多算力、数据与专利资源；另一方面，大量潜在客户发来邮件，希望借助更智能的飞行器解决传统方式难以覆盖的作业难题。这两个因素共同推动了他的创业决定，既要满足真实市场需求，也要借助公司平台推进技术突破，将通用空中智能推向新的发展阶段。
张富认为，无人机天然具备不可替代性，其作业场景多是人类难以抵达、作业成本高且风险大的区域。空中具身智能的商业落地进度会更快，如果说飞行器行业的上半场比拼的是工程成熟度，那么下半场的核心变量将是自主能力，这也是当前行业的核心痛点，大量资源都在向该方向倾斜，因此该赛道的价值会更早显现。
针对融资后外界关注的量产进度与当前产品能力
张富介绍，当前人工操控的无人机受限于技术与智能化水平，无法覆盖大量复杂作业场景，这正是团队的目标市场。今年年底，团队将量产第一阶段的产品，这类飞行器无需飞手遥控，可以自主前往复杂场景完成特定任务，比如地下管廊、隧道巡检，室内仓储、厂房巡查，以及桥下、森林等传统无人机难以作业的区域。
第二阶段的产品将具备自主思考与推理能力，可以像人类一样理解环境、自主决策飞行路径，甚至在完全未知的环境中，依托过往经验完成任务，相当于为无人机装上了“人类的大脑”。目前该技术还在持续迭代优化，以提升稳定性与成熟度。
第三阶段的产品将具备物理交互能力，比如抓取作业，这类场景的商业化落地还需要一定时间培育，比如高空玻璃幕墙清洗这类作业，当前多是将工人送往高空作业，存在极高的安全风险、作业成本与效率短板，未来都可以通过智能飞行器完成。
关于核心竞争力
张富表示，团队主要在两个维度具备优势：一是原始技术创新能力，十余年来团队研发的多项技术已被大量企业应用。比如在产业一线期间，他负责研发的激光雷达方案，解决了传统设备成本高、重量大的痛点，目前该技术已广泛应用于割草机、移动机器人、物流机器人、四足机器狗以及空中具身智能等多个领域。
对于空中设备而言，重量与成本的控制尤为关键，每增加一点重量都会带来能量消耗与续航的损失。团队的核心产品在同类方案中重量最轻，整机重量不到一千克，体积仅一张A4纸大小，续航时间与常规无人机相当，可达20-30分钟。但张富强调，绝对续航只是一方面，更重要的是有效续航——也就是单位时间内能够完成的任务量。
人工操控的无人机需要飞手先判断环境、再执行操作，并且需要在空中持续干预纠正飞行路径，这会大幅降低作业效率。而具备自主能力的空中智能体无需人工干预，可以高速自主飞行，单位时间内覆盖的作业区域更广，完成的任务量是人工操控无人机的数倍。比如以往需要20分钟完成的任务，现在仅需5分钟即可完成，这才是解决续航问题的最优路径。
第二大优势是量产落地经验，团队清楚如何将技术转化为可靠一致、满足用户真实痛点的量产产品。
谈及多年产业一线经历对创业的帮助
张富表示，这段经历最大的收获是让他完整掌握了技术落地为产品的全流程。此前他作为学者，更关注有趣、前沿且能发表论文的研究，但对如何将技术转化为产品、推向真实市场缺乏认知。直到进入企业后，他才真正理解了产业化过程中会遇到的各类问题、所需的资源与解决方案，只有深入生产一线，与工厂研发人员沟通、观察工人操作甚至亲自上手，才能明白软硬件结合产品在落地层面的诸多挑战。
这段经历让他的思考不再局限于学术视角，而是能够从产业化角度出发，解决真实产业中的实际问题。
针对外界认为投资看中其学者身份的观点
张富表示，学者身份确实是团队的亮点之一，代表了团队具备原始技术创新能力，但投资方最终关注的并非单一的身份标签，而是团队是否有能力将长期且困难的技术落地工作真正完成。
当被问及具身智能行业普遍面临的数据紧缺问题，空中具身智能是否更加突出
张富肯定了这一点，他表示空中具身智能的数据采集成本更高。地面具身智能的数据可以通过人类直接采集，但空中数据需要飞行器进入三维空间运行，还涉及飞手、设备安全、场地条件等多重因素，因此高质量的真实空中数据本身较为稀缺。如果完全依赖真实飞行采集数据覆盖所有场景，成本会极高，且很多长尾场景难以完整采集。因此团队一直在探索如何利用少量真实数据构建大规模、多样化的训练环境。
关于数据采集方案
张富介绍，如果仅依靠真机采集真实数据，哪怕积累十年都不足以支撑模型训练，成本也难以估量。团队开发了一套Real-to-Sim数据采集系统，仅需少量真实飞行数据就可以重构高度逼真的仿真环境，批量生成不同场景的训练数据，大幅降低对真机采集的依赖。Real-to-Sim相当于数据放大器，一条真实数据可以被复制、放大数千甚至上万倍，支持数千至数万次的模拟飞行，一定程度上解决了真实数据稀缺的问题。
针对该方案是否会存在仿真到真实的差距的疑问
张富解释，这也是团队选择Real-to-Sim而非纯仿真的原因。纯仿真方案会存在较大的差距，但团队的方案差距极小，因为仿真环境并非基于噪声误差直接生成，而是通过真实数据重构而来，与真实世界完全一致，也就是建筑领域所说的数字孪生。Real-to-Sim的保真度越高，差距就越小，团队积累了大量底层核心技术，可以实现高保真度且快速的环境生成，几十公里的场景仅需十几分钟即可完成构建。
针对外界担忧仿真场景过于单一的问题
张富表示，仿真并非一成不变，可以通过调整物体位置、环境结构、拍摄视角、任务条件等参数，将有限的真实数据扩展为更丰富的训练分布。团队采集的真实数据并非仅几条，而是会采集成千上万条，只是每类数据无需采集过多，只要覆盖度足够全面，多样性可以通过仿真环境来创造，两者结合可以更高效地支持模型训练。
关于仿真环境的其他应用价值
张富表示，该仿真环境不仅可以解决数据短缺问题，还可以用于强化学习训练。当前行业更多采用监督学习，更多是模仿人类行为，而强化学习可以实现模型的自我迭代。智能体在仿真环境中见过大量场景，可以记住环境分布特征，基于记忆与数据产生自主行为推理，通过在仿真环境中不断交互、自我博弈与迭代，最终其智能化程度有望超过人类。这也是团队非常期待的方向，目前团队甚至已经开始思考如何对技术应用进行合理约束，避免被滥用。
当被问及当前模型是否已经超越人类时，张富表示目前还没有，但随着数据、模型与算力的持续积累，机器智能会不断提升，下一步的发展目标是让智能体能够应对更复杂、更开放的真实环境。
关于国内空中具身智能的发展阶段
张富认为当前行业仍处于起步阶段，目前还没有一款产品实现大规模批量量产与商业化落地，行业整体仍在探索技术路线与应用场景。
关于大规模商业化落地的时间节点
张富表示，落地速度很快，不会超过两年，不过不同场景的落地节奏会存在较大差异。
关于空中智能体的应用场景
张富举例，团队曾对接过山坡基础设施巡检的需求。山坡上的铁丝网等防泥石流基础设施需要定期检查维修，但这类设施仅两米高，会被周围树木遮挡，飞行器需要自主感知环境、避开树枝等干扰，飞到关键位置拍照并完成三维建模，排查是否需要加固或维修。
这类作业此前多由人工完成，工人需要攀爬高海拔山坡，穿越杂草碎石，作业环境酷热且多蚊虫，不仅效率低下，还存在极高的安全风险，甚至曾发生过安全事故。未来，智能飞行器可以逐步替代人工进入这类高风险、高成本的作业场景。随着空中智能体的操作能力进一步成熟，还可以应用于矿业、电力能源等领域的基础设施巡检，以及仓储物流行业的仓库巡检等场景。
关于消费端的应用场景
张富表示，未来随着智能水平提升，人类与飞行器的交互方式将发生变化。比如摄影场景，智能飞行器可以像专业摄影师一样具备审美能力，自主选择拍摄角度与运镜方式，消费者相当于随身拥有了专属摄影师。不过这类应用的前提是飞行器从“被遥控”转向“自主飞行”，只有当自主能力真正成熟，空中具身智能才能从少数专业场景逐步扩展到更广泛的真实世界。
以上内容不代表本平台立场，仅供读者参考