超维动力全栈具身智能系统：闭环效率驱动进化
在一场机器人行业盛会上，乒乓球台被搬进了展台现场——一台全尺寸人形机器人正专注应对飞来的乒乓球，挥拍、转腰，根据落点快速调整动作，整套动作流畅自然，引得周围观众驻足围观。
展台另一侧，一套更完整的具身智能系统同步亮相：全尺寸人形机器人KAI Bot、高自由度灵巧手KAI Hand、数据采集头环KAI Halo、KAI World Model，以及覆盖数据处理与训练全流程的KAI Embodied AI Infra平台。从硬件本体到模型算法，再到数据采集和训练底座，这套全栈式的具身智能解决方案完整呈现在观众面前。
全栈布局：行业发展的必然选择
这套完整的布局很容易让人联想到全球具身智能领域的明星企业Figure：作为本轮人形机器人热潮中估值最高的公司之一，Figure之所以获得资本青睐，并非只是造出了单台人形机器人，而是同时布局了本体研发、模型训练与真实场景落地的全链路。从自研Helix大模型，到将机器人部署到宝马工厂收集真实任务数据，再将数据反哺模型迭代，Figure打通了从硬件到数据回流的完整闭环。
而来自中国的超维动力，同样选择了全栈式的发展路径。这家成立仅约一年的公司，已经将整机、灵巧手、数据采集设备、世界模型与训练Infra平台全部落地。很多人好奇，这些分散的技术模块为何必须同时存在，又如何咬合成为一套持续进化的系统？答案就藏在超维动力选择的全栈路线中。
近年来，人形机器人行业的评判标准已经发生了明显变化。过去只需完成炫酷动作就能吸引关注，但现在行业参与者和观众都更加务实：单次任务的完成只能证明该动作可以被实现，而能否在不同环境、不同机器人本体上稳定复现，才是决定其能否成为量产产品的核心标准。
放眼全球主流玩家，尽管起步路径各不相同，但都在加速补齐全栈能力的短板。比如特斯拉Optimus依托特斯拉垂直整合的全产业链优势，将自动驾驶FSD积累的算法经验、成熟的供应链体系与自家工厂的落地场景结合，同步推进本体研发、模型训练与规模化制造；而专攻通用具身基础模型的Physical Intelligence，则试图让同一套模型适配不同形态的机器人，为各类本体提供通用操作能力。
尽管路线各有侧重，但所有头部玩家的目标高度一致：将机器人本体、智能模型、真实数据与落地场景整合进同一条迭代闭环中。超维动力的选择，正是同时布局硬件本体、具身大模型、高质量数据采集和底座Infra平台。
超维动力联合创始人罗平对此有过形象的解释：语言模型的服务对象是人类，输出的是文字token；而具身智能的“大脑”服务对象是机器人，输出的是下一秒的动作指令。一次错误的输出不只是答案不准确，更可能导致抓取失败、碰撞甚至机器人失去平衡。
这也决定了具身智能无法仅仅依赖互联网公开数据进行训练，模型需要真实世界的动作数据，更需要在实体机器人上反复测试验证。数据输入模型、模型驱动本体、本体执行结果反馈回训练系统，任何一个环节的缺失都会打破这个闭环。从这个角度来看，全栈布局并非企业刻意拓展业务边界，而是具身智能落地真实场景后的必然要求。
全栈拼图如何咬合：从硬件到数据闭环
打造适配人类经验的机器人身体
超维动力推出的全尺寸人形机器人KAI Bot，身高173厘米、体重70公斤，整机拥有117个自由度。这款机器人全身近80%的区域覆盖了触觉皮肤，集成了超过18000个触觉触点，理论上能够感知0.1牛以上的轻微触碰。
很多人认为高自由度和触觉皮肤只是为了让机器人动作更拟人，但实际上这是为了适配人类示范数据的核心设计。随着机器人训练越来越依赖人类的动作示范，如果机器人的结构无法完成人类需要的肩、腰、手部动作，再多的示范数据也无法直接映射到机器人本体上。每缺失一个关键自由度，模型在动作重定向时就需要多做一层妥协。
罗平曾指出，机器人本体越接近人类的身体结构，就越容易从第一人称的示范数据中学习人类的操作方式。人类社会中的桌椅、工具和公共空间都是按照人体工程学设计的，机器人追求高拟人化并非为了外观好看，而是为了降低复用人类既有经验的门槛。这也是KAI Bot坚持高自由度设计的核心逻辑：自由度并非单纯的参数堆叠，而是决定了模型能否将学到的动作完整执行出来。
手部是承担精细物理交互的核心部件。独立对外销售的KAI Hand拥有37个自由度，其中包括20个主动自由度、1个被动自由度和16个柔顺自由度，指尖最大抓握力超过30牛。即使持续抓握10分钟，整手的最高温度也不会超过人体体温。
高自由度提供了充足的动作空间，柔顺结构可以缓冲碰撞带来的冲击力，而抓握力和热管理能力则决定了机器人能否长时间稳定工作。这几项特性结合在一起，才打造出了真正适配具身智能模型的灵巧手部。
KAI World Model：让机器人理解并预测世界
如果说KAI Bot和KAI Hand解决了“机器人身体是否够用”的问题，那么KAI World Model要解决的则是“机器人如何理解物理世界并预测动作结果”的核心命题。罗平将KAI World Model比作一个实时生成的可交互VR环境：人类在这个虚拟环境中用双手操作物体，模型会根据人的动作和第一视角画面生成后续的环境状态，产生的数据再用于训练人形机器人。
这条技术路线并没有押注单一技术方向，团队同时探索了JEPA类方法、3D空间建模和视频生成技术，将其概括为4D世界建模方案。不过，生成可交互的虚拟环境只是起点，世界模型最终需要回到真实世界中，接受速度、碰撞检测和不同本体适配性的检验。
SMASH人形机器人乒乓球系统，正是KAI World Model能力的直观展示。乒乓球运动速度快、旋转多变且落点随机，机器人无法依靠预设动作完成对抗，必须持续感知环境、预测来球轨迹，并根据预测结果实时调整下一步动作。
SMASH系统并没有依赖单一大模型包办所有任务，而是将视觉感知、轨迹预测、动作规划和全身控制整合成了一套闭环方案。系统会在毫秒级的时间内捕捉来球并预测轨迹，再将视觉数据与高频机身状态实时融合，持续计算最佳的击球时机、速度和角度。
不久前，SMASH刚公布了最新的技术进展：实现了人类历史上首场人形机器人自主完成的完整11分制乒乓球对局，让两台人形机器人完成了整场对抗。从预测到动作落地，团队采集了数十小时的人体运动数据，让机器人从人类击球动作中学习技能，再通过全身协同策略调动肩、肘、腕、腰和腿部完成连贯击球。
更值得关注的是，SMASH系统并没有只适配自家的KAI Bot本体，相关算法还可以适配宇树G1、智元远征A3等多款主流人形机器人。从视觉感知、轨迹预测到动作执行，这套乒乓球演示系统完整展现了世界模型的闭环能力，以及这种能力跨机器人本体复用的潜力。
数据闭环：决定模型进化速度的核心
机器人的身体和模型准备就绪后，接下来需要解决的是如何让模型持续获得真实世界的经验。具身智能所需的数据无法像网页文本那样直接抓取，人类如何打开柜门、如何在超市取货、手指接触物体时如何调整力度，这些细节都需要在真实场景中逐一记录。
KAI Halo就是超维动力打通真实世界数据的入口。数百名数据采集人员佩戴该设备，进入家庭、超市、商业空间和小型工厂等场景，采集第一人称多模态数据。据官方披露，目前团队已经积累了超过10万小时的视频数据，覆盖20多个场景和300多种全身基础动作技能。
这些采集到的数据还会经过进一步处理，生成人体全身关节轨迹、三维场景信息、手部姿态和动作语义标签，尽可能减少数据进入训练流程前的重复加工。不过，数据采集只是第一步，当百万级的数据片段涌入后台时，如果处理、训练和评测仍然依赖人工拼接，迭代速度很快就会陷入瓶颈。
KAI Embodied AI Infra平台承担了后半段的工作，它覆盖了数据处理、模型训练、仿真评测和真机部署全流程，还可以将机器人运行后的结果回传到系统中进行迭代。根据官方公布的数据，这套平台可以将高质量数据的生产效率提升10倍，将模型训练与评测的平均速度提升5至7倍。
至此，KAI Halo负责数据采集、Infra平台负责数据加工与训练、World Model负责模型学习、KAI Bot负责算法验证与落地，再通过不同的机器人本体完成任务执行，真实世界的反馈再进入下一轮训练，这套全栈拼图才算真正咬合。当资金和算力并不占据绝对优势时，闭环运转的效率就成为中国创业公司缩小与全球头部玩家差距的重要杠杆。
一年搭建完整技术骨架，提前布局商业化
对比大洋彼岸的Figure，这家成立于2022年的企业用了数年时间才逐步补齐机器人本体、Helix模型和工厂部署的短板，才形成了相对完整的闭环。而超维动力的发展速度要快得多。这家公司于2025年7月在深圳成立，仅仅用了约一年的时间，就完成了整机、灵巧手、数据采集设备、世界模型和训练Infra平台的全部落地，具身智能所需的核心技术拼图已经初具轮廓。
这样的推进速度，离不开团队背后的深厚积累。超维动力的团队横跨具身模型、计算机视觉、运动控制、自动驾驶和机器人硬件多个领域，核心成员曾参与医用康复外骨骼量产、L4级矿卡落地以及端到端自动驾驶模型等多个重量级项目。该公司的Infra团队背景实力强劲，曾参与打造华为自动驾驶从0到100万量产交付背后的底层平台。同时，公司还与香港大学MMLab、深圳河套学院等科研团队展开合作，共同推进具身模型和运动控制相关的研究。
不过，铺开产品线只是第一步。人形机器人最终需要面对的考验包括长时间运行的可靠性、能否实现批量交付，以及进入真实场景后能否创造实际商业价值。对于一家成立仅一年的公司来说，同时推进本体、模型、数据和Infra平台的研发，面临的资金和组织压力都不小。
因此，超维动力并没有等到整套系统完全成熟后再考虑商业化，而是先将其中相对独立的能力拆分出来单独落地。在2026 WAIC展会期间，KAI Hand灵巧手和KAI Halo Lite数据采集头环就已经开始公开销售。
除了整机产品之外，灵巧手可以适配其他品牌的人形机器人，数据采集设备可以为各类模型团队提供服务，Infra平台也可以对外提供技术支持服务。每一款独立产品既是商业变现的入口，同时也能为内部的全栈闭环带回更多的真实数据和场景经验。
这也是超维动力最值得关注的核心亮点。尽管在资金规模、场景积累和商业化进度上与Figure存在一定差距，但两家公司对行业终局的判断高度一致：具身智能领域的竞争，不会仅仅局限于单台机器人的性能参数，而是比拼谁能让本体、模型、数据与真实场景的迭代闭环运转得更快更高效。
超维动力的优势在于其全栈布局一步到位且足够集中，成立仅一年就搭建起了完整的技术骨架，同时还为部分核心能力找到了商业化落地的入口。如果这些产品能够实现数据、场景和模型能力的相互反哺，那么超维动力拥有的将不只是一台持续升级的人形机器人，而是一套可以反复训练迭代的完整具身智能系统。这正是该公司有潜力超越Figure的核心原因。
这个判断并不依赖于单一的参数或者某一场Demo，而是随着行业进入系统级竞争阶段，超维动力已经率先拿到了下一阶段竞争的入场券。未来，闭环运转的速度与效率，将决定超维动力能走多远，也将成为中国具身智能公司追赶甚至超越硅谷巨头的关键所在。
现场细节：流畅的救球反应
据展会现场围观的业内人士透露，在现场的乒乓球对抗环节中，KAI Bot面对擦网球和高抛球等难度较高的来球时，依然能够做出流畅的救球反应（doge）。
