机器科学发布通用具身大模型Visics 首展VLOA双引擎架构

2025年6月24日，通用具身智能企业RoboScience机器科学在深圳举行了一场备受瞩目的发布会，正式对外发布了自主研发的通用具身大模型Visics，并首次完整展示了其底层技术架构VLOA的全貌。与此同时，该模型在真实场景中的应用表现也同步亮相，其中最引人关注的是被业界称为“全球最复杂具身操作任务”的家具拼装演示。

创始人兼CEO田野，以及联合创始人兼执行总裁汪涛，在会上对Visics大模型、VLOA架构及其背后的数据体系进行了深度解析，同时也分享了未来在模型泛化、场景落地和生态构建方面的战略规划。

Visics大模型：重新定义具身智能

机器人的操作能力长期以来受困于三大瓶颈：泛化能力薄弱、精细操作难度大、长程任务中误差持续累积。这是行业共识，也是制约鲁棒性提升的核心因素。Visics大模型提出的破局之道，是从架构层面进行彻底的“解耦”。

田野在发布会上指出，这套自研的VLOA架构——Vision-Language-Object-Action——首次将“Object Trajectory”（物体3D点云轨迹）作为中间接口。换言之，在“认知”与“执行”之间搭建了一条精确、可量化的信息通道。他解释说，“Object”一词兼具“物体”和“目标”的双重含义，以此定义交互的中间状态，既能精确描述机器人与物体之间的操作关系，也能准确向下传递机器人需要达成的目标。

这一架构的想象力体现在三个维度的泛化能力：任意机器人、任意物体、任意任务。以最基本的“抓取”为例，相较于过去高度依赖特定物体和特定机械臂的做法，VLOA架构在成功率、抓取姿态的多样性以及计算速度方面，均实现了显著提升。

Visics大模型内部融合了“具身世界模型”和“通用操作模型”两大核心引擎。其逻辑链路十分清晰：上层负责认知与物理轨迹的预演，下层负责将轨迹转化为不同机器人的物理控制信号。而充当“翻译官”角色的，正是以连续3D点云轨迹形式呈现的Object Trajectory。这样一来，高层语义与底层物理规律被彻底解耦，上下两层可分别利用海量互联网视频数据和仿真数据进行独立预训练，互不干扰，效率倍增。

“仿真+视频”双数据飞轮：数据成本的降维打击

在具身智能领域，数据是模型能力的根基，这一点无人质疑。但传统路线的瓶颈同样显而易见：预训练阶段依赖真机采集，月产能仅万条级别，可谓杯水车薪；后训练阶段，单个任务的复杂操作演示就需要上万条人工标注数据，成本线性累加；更棘手的是，数据工厂采集的数据与真实场景之间存在分布差异，导致模型落地时泛化能力大打折扣。

RoboScience机器科学选择了一条截然不同的路径。联合创始人兼执行总裁汪涛在现场详细介绍了这套“仿真+视频”双数据飞轮体系：核心是自研的高精度仿真引擎RoboMirage，搭配全自动视频数据标注与清洗管线。这套体系最直观的成果是，单条数据的获取成本被压缩到传统方案的1/20至1/200，而产能增速达到每周数十万小时。这从根本上突破了数据规模与成本的双重天花板，也为Visics大模型实现LLM级别的万亿级数据扩展打下了坚实基础。

双数据飞轮具体如何运转？可以分为两路并行：

具身世界模型的预训练，依赖海量互联网视频数据。通过全自动化的标注和清洗管线，团队已积累数百万小时以物体为中心的高维多模态操作相关数据集（数千万个视频片段），并且还在以每周数十万小时的速度持续增长。目标是到2026年，建成全球领先的千万小时级数据集。

另一路，通用操作模型需要学习物理规律，这部分数据来自自研的多模态物理引擎RoboMirage。目前团队已积累数百亿次高质量的操作轨迹数据集，而2026年的目标是突破1万亿次——即1T级别的全空间物体操作轨迹数据。

这套数据逻辑的精妙之处在于：它大幅降低了对昂贵真机数据的依赖，同时为模型提供了源源不断的进化动力。

“登月级”挑战：家具拼装全程自主完成

发布会的压轴看点，是Visics大模型在现场完整展示了一套家具拼装流程。该任务在业界被视为具身操作领域的“登月级”挑战，几乎涵盖了所有技术难点：手内操作、双臂协同、毫米级插接、精细力控、物体重排、部件嵌入与旋转配合——无一缺席。

演示中，机器人在读取说明书后自主启动拼装，整个过程完全无需人工干预。从深度理解零件结构逻辑，到多部件检测、感知与定位，再到自主分解多步骤任务、完成多关节双臂协同运动，一气呵成。凭借自适应插接路径规划和精细接触力调控策略，系统实现了高精度、高稳定性的拼装。一个充分体现鲁棒性的细节是：当拼装过程中有人故意拆解已装好的部件时，机器人能够自动感知状态变化，并接续完成后续步骤，未出现任何“宕机”或错误。

此外，RoboScience机器科学还展示了跨本体的灵巧手抓取——例如用软包覆方式抓取青椒、用精准捏取方式处理西瓜瓣，以及开信封、立硬币、抓取薯片、针管注射等精细力控操作，还有在动态传送带上进行抓取的场景。这些实操案例都在印证一件事：Visics大模型在任意物体抓取、精细操作和长程任务方面，具备可落地的通用能力。

学术+产业双轮驱动，量产已排上日程

团队是支撑这一切的核心力量。RoboScience机器科学的团队配置，堪称“学术+产业双轮驱动”的典范。首席科学家邵林团队连续两年获得ICRA最佳论文奖或提名，是亚洲唯一获此殊荣的团队。其最新研究成果T(R,O)Grasp，能够实现5 FPS的实时动态交互，以94.83%的平均抓取成功率刷新了跨智能体灵巧抓取的全球SOTA。

CEO田野曾担任苹果AI Platform技术负责人，也曾打造被誉为“苹果的PyTorch与CUDA”的核心平台。联合创始人刘朋海拥有科沃斯集团二十年的产品量产经验，汪涛则具备近十年的产业投资与募资经历。整个团队汇聚了来自斯坦福、中科大、新加坡国立大学等顶尖学府的学术力量，以及苹果、字节、腾讯、大疆等头部企业的产业骨干。

资本层面，公司已获得京东集团、商汤科技、达晨财智、招商局创投、零一创投、普华资本等多家CVC和财务机构的投资与产业支持。目前在北京、深圳、苏州、杭州设有研发和生产中心。商业化方面，RoboScience机器科学已与多家零售、物流、康养服务企业及机器人本体、灵巧手公司展开试点合作，并计划在今年实现面向工业与商业场景的标准化机器人本体产品量产。

公司的商业逻辑十分清晰：以大模型为核心，纵向打通自研本体、控制器与RobotOS，横向赋能模型泛化、便捷开发与多层级生态。这是一种软硬一体、闭环协同的模式。

汪涛在会上分享了更具体的商业化思考。他指出，具身智能的真正规模化落地尚未到来，因此需要一条清晰且有节奏的路径。RoboScience机器科学选择的切入点是物体维度——先解决对刚性、柔性及各种属性物体的泛化操作能力，而不是直接跳入工业场景与自动化方案竞争。为何选择这个方向？因为商超、电商物流等场景天然面对海量SKU和多品类的拣选与补货需求，这正是验证物体维度泛化能力的最佳试验场。而在真实场景中运行产生的数据，又能反哺大模型持续进化，形成正向循环。

基于这一思路，公司规划了分阶段的落地路径：

当前阶段，重点打磨Visics大模型能力，聚焦物体维度的泛化突破。在商超、电商物流等高频、多品类场景完成POC验证，用真实场景数据持续迭代“大脑”。

中短期，在物体维度泛化的基础上，逐步向任务维度和机器人维度延伸。推动自研硬件本体的量产落地，推出具身智能操作系统与开发平台，将应用场景拓展至酒店、工厂等更多B端领域。届时，经过一段时间场景迭代的“大脑”能力已足够泛化，硬件供应链体系也更加完善，成本大幅下降——这为进入家庭场景（如干家务）做好了技术与成本准备。

长期，实现B端与C端场景的规模化落地。打造具身智能时代的“App Store”，构建全球化机器人应用生态，完善硬件供应链，布局全球业务——最终让机器人真正服务于每一个家庭。

值得注意的一个商业细节是，RoboScience机器科学并不绑定自己的硬件销售。由于模型具备跨本体的技术能力，其学习过程并不依赖特定硬件数据，因此在交付方式上非常灵活：既可以做纯软件授权，也可以提供控制器方案，既服务自研本体，也赋能其他机器人公司拓展更多场景。

最后，用田野在发布会上的总结来收尾——他说：“在我们所想象的未来图景里，机器人不是成为人类的替代者，而是成为人类文明的增幅器。Visics大模型就是我们在这一方向上迈出的关键一步。我们希望具身智能的技术能够加速文明和科技的发展，给每个人带来更美好的生活。”