人形机器人：为何“有脑”不等于“有技能”？逐际动力的底层逻辑破局
资本热潮下的冷思考：从“短跑”到“长跑”的路径选择
在具身智能领域，资本的涌入往往伴随着技术的焦虑与速度的竞赛。当多数初创企业试图通过快速迭代特定技能（如翻跟头、跳舞或复杂抓取）来吸引眼球并融资时，逐际动力（LimX Dynamics）选择了一条更为克制且艰难的路径。近期，该公司完成Pre-IPO轮融资近2亿美元，投后估值高达150亿元，跻身“超级独角兽”行列。这一结果并非偶然，而是其坚持“底层运控基础模型”研发策略的自然回响。
不同于行业常见的“堆技能融资”短跑模式，逐际动力的创始人张巍坚持认为，资本的考量必须服务于技术的健康节奏。这种克制源于其深厚的技术底色。张巍拥有中国科学技术大学自动化系本科及美国普渡大学博士学位，曾任俄亥俄州立大学长聘教授。2022年回国创业后，他并未急于在表演性技能上炫技，而是将资源倾注于本体、AI基础设施及具身智能体OS系统的底层构建。这种从底层出发的全栈技术路线，旨在解决机器人从“能动”到“会思考”的根本跨越，而非仅仅停留在动作模仿的表层。
“有脑”与“有技能”的本质错位
当前行业存在一个普遍的认知误区：将训练大模型直接等同于赋予机器人“大脑”。张巍对此提出了尖锐的批判：“脑其实是一套完整的操作系统，它以语言模型为引擎，同时包含记忆管理、情绪管理等多个模块，而模型只是一个个的技能。”
为了阐明这一观点，他使用了两个生动的类比。首先，霍金虽无法进行体力活动，但无人否认其拥有健全的大脑；其次，一个人不会弹钢琴并不代表他没有大脑，技能只是大脑调度资源后产生的一种输出。真正的“大脑”应当具备理解意图、调度资源、管理记忆乃至产生情绪反应的底层架构，而具体的行走、抓取等技能，只是运行在这套系统之上的应用层模块。
这种区分对于具身智能的发展至关重要。构建任何一项技能都需要海量的数据支撑，只有当获取数据的成本低于该技能产生的商业价值时，投入才是理性的。如果将所有资源都投入到单一技能的训练中，而不构建统一的调度系统，机器人将无法在非结构化的真实世界中实现通用的泛化能力。逐际动力的核心主张在于，必须先在底层搭建一套可量产、可复用、可闭环的架构，再逐层填充技能。
三层架构：解构机器人的“神经中枢”
基于“脑”与“技能”分离的理念，逐际动力提出并实践了一套独特的三层架构体系，分别对应机器人的不同认知层级。
System 0（小脑/全身运控）：这是最底层的执行层，核心任务是解决“动”的问题，而不涉及高阶思考。对于轮式或双臂机器人，运动控制已是成熟技术，但对于双腿人形机器人，实时全身运控仍是新课题。逐际动力强调其小脑并非预编排动作的回放，而是基于基础模型的实时响应。这意味着，当外部干扰或环境变化发生时，机器人能实时调整姿态，而非依赖固定的脚本。
System 1（技能层）：作为连接大脑与身体的“肌肉记忆”，这一层主要处理广义的VLA（视觉-语言-动作）或World Action Model。它输出的是具体的行动策略。值得注意的是，不同技能的训练路径不同。例如，行走和上下楼梯等规律性动作可通过仿真环境大量生成数据（Sim-to-Real）；而在复杂交互场景中，由于仿真与现实的巨大Gap，则需要真机数据进行补充。FluxVLA Engine作为该层的开源平台，旨在向全球开发者提供模型训练、迭代和部署的工程管线，降低开发门槛，推动行业从“训练一个模型”向“让所有人训练模型”转变。
System 2（大脑）：这是最高级的认知层，负责“思考”而非直接动作。其标志性特征是引入了持久的记忆管理机制。大脑的思考引擎由大语言模型、视觉语言模型以及World Model组成。需要明确的是，World Model在此处的作用是指引思考与决策过程，而非直接控制电机。这种分层设计使得机器人能够在理解环境的基础上，进行长期的任务规划与逻辑推理。
全球化战略：避开内卷，寻找价值高地
在明确技术路线的同时，逐际动力在商业战略上也展现出独特的全球视野。目前，公司已获得数千台订单，其中过半来自海外市场。张巍指出，从创立之初，公司就将自己定位为一家全球化企业。长远来看，海外收入占比超过国内是大概率事件。
这一判断基于对全球市场供需关系的深刻洞察。首先，海外市场在利润率、增长空间及竞争态势上相对友好。相比之下，国内具身智能赛道竞争极其激烈，价格战压力巨大。其次，机器人替代人力的经济性在海外的体现更为显著。由于海外人力成本显著高于国内，机器人作为生产力工具的商业闭环更容易成立。
在具体落地场景上，逐际动力做出了明确的取舍：不进工厂。张巍认为，两条腿的人形机器人在结构化、高强度的工厂流水线上，效率并非最优解，那是轮式或机械臂的天下。公司自有品牌主要聚焦于商业服务、演艺娱乐（如Luna系列）、全地形巡检等场景。虽然公司旗下TRON系列专门针对工厂环境，但核心品牌坚持走差异化路线，最终目标是进入家庭，服务人类日常生活。
生态构建：从“造手机”到“造生态”
逐际动力在行业内的一大独特优势，在于其具备全自主管线训练基础模型的能力。张巍将其比喻为“造手机”：科学家设计芯片，工程师拆解工序，工人专注特定环节。非技术人员也能通过其搭建的流水线参与模型训练，这极大地降低了具身智能的开发门槛。
关于未来是否会涌现一个“大一统”的机器人操作系统，张巍持谨慎乐观态度。他认为短期内出现完全统一OS较难，因为OS与技能是不同维度的概念。但随着生态规模的扩大，必然会出现一些“通用层”（Common Layer），并通过开源方案进行迭代。只有当生态参与者达到一定量级，分工才会细化，价值网络才会真正形成。
目前，逐际动力正通过与全球高校、实验室及具身智能企业合作，推动其技术在科研教育、商业服务及工业应用中的落地。其开放的FluxVLA Engine不仅是一个工具，更是一个吸引全球开发者共建生态的入口。这种“底层自研+中层开源+上层应用”的模式，或许正是其在巨头环伺的具身智能市场中，突围并建立长期壁垒的关键所在。
行业启示：回归物理世界的本质
逐际动力的实践为具身智能行业提供了一个重要的参照系：在技术狂欢中保持清醒，区分“表演”与“能力”。当外界关注点集中在机器人能完成多么惊人的特技时，逐际动力专注于如何让机器人在混乱、非结构化的物理世界中稳定行走、准确感知并自主决策。
这种对底层架构的深耕，虽然起步慢、难度大，但一旦形成闭环，其护城河将远超单纯依靠堆砌数据训练出的单一技能。随着数千台海外订单的交付与规模化部署，逐际动力正在验证其技术路线的商业可行性。对于整个行业而言，如何平衡“脑”的认知深度与“技能”的泛化能力，如何在开源共享与商业壁垒之间找到平衡点，仍是未来几年亟待解决的核心命题。
具身智能的下半场，不再是单纯的算力竞赛，而是系统工程与生态建设的较量。逐际动力的选择表明，只有回归物理世界的本质，构建可复用、可进化的底层操作系统，人形机器人才能真正从实验室走向千家万户，成为真正服务于人类的通用智能体。