作者丨流光
编辑丨关雎
图源丨深穹星核
前不久，优必选发布了新一代全尺寸超仿生人形机器人U1，预售订单超过1.3万台。但吐槽同样铺天盖地：走路僵硬、交互不够自然，一眼就能看出是机器人。
这也是整个仿生人行业正在面对的共同问题。
从动作、皮肤、五官到表情，现在的机器人越来越像人。但外观不断逼近真人后，一个更根本的问题开始浮现：它们依然“不懂人”：听得懂指令，却理解不了情绪；能够回答问题，却很难建立持续、自然的人际交互。
郁振波认为，这才是仿生机器人真正需要突破的地方。
深穹星核创始人兼CEO郁振波
郁振波是上海交通大学吴文俊人工智能荣誉博士班博士，长期从事计算机视觉、虚拟人和人机交互研究，连续三年获得计算机视觉领域权威比赛ImageNet的世界冠军，并先后参与微软、华为、腾讯、淘宝等企业相关项目。
2025年，他创立深穹星核，希望为仿生人打造一个更加懂人的“大脑”。“我们是一家模型公司，做的是端侧意图理解模型”，郁振波说。
他判断，机器人走进千家万户的核心，很有可能是因为这种能理解人的大脑。
成立一年多，深穹星核已经完成五轮融资，投资方包括360集团、零以创投、元禾原点等。
今年7月，公司发布首款超仿真人脸机器人Nova S1，并首次展示自研VLIA端侧交互大脑。
以下是《创业邦》与郁振波的对话，经编辑整理。
现场对话完整版⬆️请扫描小宇宙收听
01技术有周期，但人的需求一直在
创业邦：什么时候开始有创业的想法？
郁振波： 我在上大学之前，跟着家里一些亲戚做行业研究，在投资公司实习，看了很多科技公司、互联网公司怎么做技术、怎么做产品、怎么做应用。所以我初中、高中的时候就有一些sense。
我观察到一件事——技术本身是有周期的，今年火的技术明年可能就不火了。但人是一直在的，这个世界是由人构成的。我当时就想：如果我要做技术，我要做的是服务于人的技术。为人服务的技术没有产业周期，会一直越来越重要。
所以我从本科开始，做的所有研究都跟人有关——人脸识别、表情识别、微表情识别、行为理解、3D重建、虚拟试衣……一直到博士，再到创业，这条线从来没断过。
创业邦：之前你参与过微软、华为、淘宝等企业的项目，分别在做什么？
郁振波：本科到博士阶段，我们一直在跟企业合作。我们跟淘宝合作做虚拟试衣，研究布料仿真，让布料能够适配到各种体型的三维人体身上。之后在华为关注流体粒子仿真和人脸实时渲染端侧应用。在微软做了一些模型相关的事，训了一些大模型。
创业邦：你还获得了2024中国整形十大创新奖。整形和机器人是两个不同的领域，为什么会拿这个奖？
郁振波：我们一直在思考灵巧脸和灵巧手的本质差别。从机械工程角度来看，其实没有区别，都是电机、舵机、传动、连杆。
灵巧手通过VLA做Manipulation，实现的是功能；灵巧脸通过VLA做Expression，实现的是表情。但做脸真正难的，不是把五官做出来，而是让它足够逼真、足够自然，这背后依赖的是美学和解剖学。
过去我们做了大量3D Face Morphing、布料模拟等研究，技术原理和后来做硅胶仿生其实是相通的。做手，目标是功能化；做脸，目标一定是自然，尤其是微表情。所以后来我们开始研究组织学、解剖学、仿生学这些更底层的东西。
我们和上海九院合作，构建了全球最大的人脸肌肉、肌腱组织数据集，研究颅骨结构、肌肉结构、解剖学结构以及整个形变过程。今年也和上海九院共同承担了上海交通大学医工交叉基金项目。
创业邦：造出一张生动自然的脸，难点是什么？
郁振波：真正禁锢脸的是自然。要让舵机、电机传动的装置像真人面部一样自然，需要高精度审美的人、专业的整形医生，对比例、肌肉力度、组织薄厚精准建模。还要知道不自然的逻辑是什么，是解剖学问题？硅胶材料问题？厚度问题？机械控制问题？这是庞大的系统工程。
收敛路径在仿真。做硅胶要1-2个月，调机械参数也要1-2个月，但仿真收敛非常快。所以要集成大量仿真算法和物理仿真能力，加上好的审美才知道收敛方向对不对。
创业邦：从计算机视觉做到机器人社交大脑，跨度是不是很大？
郁振波：2019年是分水岭。做计算机视觉的人分了两个方向：一波去了机器人，结合机械控制，后来逐渐发展成VLA。另一波去了计算机图形学、3D Vision、游戏交互。我们属于后者。
从视觉到理解是递进的过程。理解人需要先高精度、低延迟地把人的结构化信息抓出来，例如人脸上68个点、身体几十个关键点，再对结构化的信息做预测。先看再理解。
创业邦：为什么选择在2025年这个时间点，出来做仿生人大脑？会不会有点晚？
郁振波：因为我们觉得，2025年对于机器人这个赛道而言处在一个后期阶段。国内90%的机器人公司已经构成了很庞大的生态、产业链、系统。但机器人还没有真正意义上的智能，它没有办法泛化地做任务，没有办法真正像人一样思考、做家务、协作。
像我们这种做模型背景的人，什么时间节点下场最好？恰恰就是2025年——具身本体逐步成熟，系统化的工程和运控趋于成熟，所有人开始定义机器人时代的GPT时刻什么时候到来。
我们切入的点是，相比于让机器人把活干好，我们更关注机器人怎么更懂人，怎么跟我们更好地互动。
02仿生机器人需要的，不是更会行动，而是更懂人
创业邦：外界可能会把深穹星核理解成一家机器人公司，但你一直强调是一家模型公司。深穹星核具体做的什么？
郁振波：大家都在做“像人”，我们在做“懂人”。
像人是让机器人外表看起来和人一样。懂人是让机器人知道你想要什么、你的情绪是什么、下一步要做什么。
所以我们的定位一直都是仿生人大脑。也正因此我们做的是端侧意图理解模型，而不是云端大语言模型，因为云端模型太大，延迟太高，没有办法实现真正实时的人机交互。未来真正进入家庭的机器人，一定需要低延迟、高精度，因此模型必须运行在端侧。
创业邦："懂人”为什么是一个比"会行动"更重要的问题？
郁振波：因为机器人真正进入家庭以后，人和它的交互一定是连续发生的。它不仅要完成任务，更重要的是理解人。知道你现在高兴还是难过、知道你真正想表达什么。
今天很多机器人能够完成动作，但真正理解人的能力还很弱。我们认为，相比于动作能力，理解人的能力才是真正决定机器人体验的核心。
创业邦：所以你们提出了VLIA（Vision-Language-Intention-Action，视觉-语言-意图-动作），而不是传统的VLA。为什么要加入Intent？
郁振波：传统VLA更多关注的是Action。我们认为，在Language和Action之间，还缺少一个Intent。机器人如果不知道人的真实意图，它即使能够完成动作，也可能完成的是错误的动作。
所以Intent应该成为整个系统里的中枢，机器人首先要知道你真正想干什么，再决定下一步行动。
因此最关键的是把人的Intent，也就是意图，提取出来。传统的视频信息其实非常复杂，里面有衣服、背景、颜色、头发等大量冗余信息，但真正有价值的是人的动作、姿态、表情以及这些信息背后所表达的意图。
所以我们第一步，会把人的动态信息全部结构化，最后形成一个由关键点组成的人，而不是完整的视频。第二步，再根据这些结构化数据去预测人的意图。
创业邦：你们的可感知交互意图世界模型IA-WM (Intention-aware World Model) ，和传统世界模型的区别是什么？
郁振波：很多世界模型关注的是预测世界下一帧，我们更关注预测人的下一步，关注人的表情、动作、人与环境之间的交互。最终识别人的情绪、状态，再决定机器人应该反馈什么样的动作、语言或者表情。
创业邦：仿生人大脑要理解人，最关键的数据来自哪里？
郁振波：我们会收集很多不同来源的数据，包括真实视频数据、AI短剧生成的数据、游戏里的交互数据，以及各种标注数据。
不同的数据都有价值，真正重要的是，把这些数据最终都转化为人的意图数据。
创业邦：为什么意图数据会成为未来最大的壁垒？
郁振波：因为人的行为一直在变化，机器人必须实时理解人。
过去我们和腾讯、华为、淘宝做了很多相关工作，从视频里高精度、低延迟地提取三维骨架，本身就是一件非常困难的事情。只有能够稳定获取这些数据，机器人才有可能真正理解人的状态。
创业邦：如何确保模型在交互过程中不会显得冒昧，而是足够自然？
郁振波：没有办法保证百分百好，模型训练会存在意外，识别不准。但恰恰因为存在意外，才是我们最大的机会。
对于任务型机器人来说，一次失误可能意味着盘子摔碎、财产受损。但在聊天场景中，即使十句话有两句回答得不够准确，最多只是让人觉得交流不够自然。所以我们有高容错，市场会给机会让我们不断强化模型。
我们也会限定场景，提前知道场景在卧室、厨房、工作场景，不断利用数据飞轮降低错误率。
但我们不会一开始直接面向C端售卖，会不断迭代到100句可能只有1-2句出问题的时候再做量产。如果10句就有1句爆雷，就在B端容忍度更高的场景做应用。
创业邦：这些能力最终会如何部署到机器人身上？
郁振波：我们一直坚持做端侧。未来真正进入家庭的机器人，不可能一直依赖云端。所以我们希望模型足够轻，同时具有Memory、实时反馈等能力，最终让机器人能够真正实现自然、连续的交互。
创业邦：最新发布的Nova S1意味着什么？
郁振波：Nova S1最大的意义，是第一次把我们的模型能力真正展示出来。
它眼睛里集成了摄像头，可以实时感知周围环境和人的状态。整个灵巧脸系统能够还原上百种人类微表情，包括自然眨眼、头部微动等动作。同时支持实时语音口型同步，以及低延迟对话打断，真人对话同步误差低于50毫秒。
这些能力都是为了验证，我们能够把模型真正部署到机器人身上，并且我们能做出一个好看的仿生机器人。
创业邦：未来，你们的大脑也会开放给其他机器人公司？
郁振波：一定会的。我们的定位不只是做一个仿生人头或仿生人，我们非常希望跟各种仿生人公司合作，用模型能力赋能。
我们最终想要定义一个仿生人走向家庭需要具备哪些能力。先给大家看一个好看的皮囊，再逐步填充内容。我们不一定给了最终答案，但我们给出了仿生人大脑应该是什么的定义：提出VLIA和IAWM，以意图作为整个机器人系统的核心中枢。
03投资人更看重“Model First”
创业邦：仿生人大脑这个赛道非常早期，你怎么让投资人愿意相信你们？
郁振波：我们的投资人非常理解这个赛道。零以创投和元禾原点在投我们之前，整个具身上下游供应链、零部件、本体全都投过了。他们捕捉到了“脸”的空缺，跟一系列竞品对比后判断：脸这个赛道需要大脑，仿生人这个赛道需要大脑。这也是我们在市场上站得住脚的核心。
投资人投我们的时候，其实我们什么都没有，没有完整的脸的硬件。我们可能是最近的发布会，也就一周前才发布，投资人投我们的时候并没有看到任何机器人实物。
360方面，他们早期在智源研究院接触了很多清华系的模型公司，跟我们聊之前就觉得脸这个赛道要找做脑的团队。他们最看重我们公司的slogan叫“Model First”——始终把模型放在第一位。
创业邦：一家技术公司容易陷入“只做技术、忽略商业化”。投资人没有担心过这个问题吗？
郁振波：投资人非常关注商业化，但他们给我们的建议反而是沉下心来先把模型做好。公司在没有多少钱的时候，做太多商业化都很虚。整个具身板块真正能落地的商业化不多，商业化一定在明后年，这个时间段一定要模型先杀出来。
投资机构很明白，像我们这样模型背景的团队，要尽快拿出一个给市场交付的模型，那才是真正意义上的竞赛。前期必须足够聚焦，才能做模型的天花板。如果模型一知半解，商业化也一知半解，公司价值不高。
他们追求的是最终商业化落地，不是今年的，而是三年后的。有的投资人甚至说不要去搞商业化，因为短期商业化订单没有意义，没有给公司带来价值。真正有价值的是在模型领域击穿这个赛道、维持头部和领先性。
创业邦：成立一年多完成了五轮融资，节奏很快。是你主动去找投资机构，还是投资机构追着投你？
郁振波：都有。
我们做模型需要花很多钱，所以我们一直在融资。但另一方面，也是因为我们的迭代速度足够快。第一轮融资的时候，我们基本只有一份PPT，什么产品都没有。到了第四轮的时候，全尺寸机器人硬件、模型基本都Ready了。
我们没接触大量机构，但转化率很高，聊完的一大半都转化了。
创业邦：为什么大家会这么快做决策？
郁振波：因为模型行业，最终还是看结果。后面大家不会一直听你讲故事，而是看成果。不断把新的成果拿出来，让大家看到模型能力持续提升，比讲任何商业计划都更有说服力。
零以投我们时，我们跟投资人吃了个饭，他们三天就决策了，很快。
后面我们基本保持高频更新，模型的迭代速度，本身就比机械结构快得多。下半年到明年的融资节点，我们还是不断迭代，输出成果，让大家相信我们能做得更快更好。
创业邦：模型迭代速度很快。
郁振波：模型短期就能出结果，迭代速度远快于硬件本身。
我们是今年年初刚起步，只花了半年时间就做出了全尺寸机器人，这个速度在仿生人赛道是极快的。年初很多公司已经有机器人了，我们什么都没有。
这反映我们的模型速度一定会更快，因为模型才是我们最得心应手的能力。硬件能做这么快，模型只会更快。
创业邦：接下来融资节奏是怎样的？
郁振波：目前公司到Pre-A阶段，接下来预计还会完成Pre-A+轮。今年预计还有两轮融资，基本都会围绕模型能力的新进展展开。接下来也会陆续发布我们的一些模型。
04机器人真正进入家庭，还需要跨过哪些门槛？
创业邦：海外有不少公司在做仿生机器人，也拿了很多钱。深穹星核和它们的区别是什么？
郁振波：今年更多是大家对机器人形态的尝试。国内外的公司大多在做“像人”：表情像人、皮肤像人、神情像人。但“懂人”的赛道接下来才会开始。
深穹星核是在没有demo、没有机器人实体的情况下，就拿了四轮融资的公司。投资人投我们，也不是因为看到“像人”的机器人，而是看到“懂人”这个赛道的想象空间和价值。
创业邦：如果未来越来越多公司，包括大厂，也开始做机器人社交大脑，你怎么看竞争？
郁振波：如果大厂下场做“懂人”、以意图为先，对我们恰恰是认可，说明原来属于我们的非共识，开始慢慢变成整个行业的共识。
任何一个赛道要做大最终一定是共识，但在最开始的时候一定是少数人的非共识。如果未来整个行业都开始重视"懂人"、重视意图理解，我们反而会成为最大的受益者。
此外，Data Scaling（数据规模化）的过程没有那么容易收敛。并且意图数据不是一下场就能做，它具有稀缺性，和今天很多Data Infra不一样，不是投入资源马上就能追上。
另外，我们融资体量已经到了模型公司的体量，接下来会重注模型，很快能在端侧模型赛道站稳脚跟。
创业邦：如果未来机器人足够懂人，它会成为每个家庭的刚需吗？
郁振波：我觉得这一定是一个趋势。今天智能体越来越强，手机已经很难承载未来所有的AI能力。未来的智能体可以连续工作24小时，帮你做很多事情。人们一定会需要一个能够承载智能体的新载体，机器人就是其中之一。
当然，机器人进家庭不见得一开始就是人形，可能是桌面机器人、小玩具，或者其他终端。
我们自己也把未来分成三个阶段：首先，把模型以API形式提供给各种家庭终端接口，接着把模型进一步做到端侧芯片、端侧模组。最后，把仿生机器人送进家庭。
创业邦：如果未来机器人真的能够像人一样，实时理解情绪、影响人的决策，是否会带来技术安全风险？比如诱导消费、情绪操控，甚至诈骗。
郁振波：这个首先它是一个客观存在的，因为大语言模型本身一定会遇到这样的问题。如果是偏陪伴的产品，我觉得一定会遇到这样的问题。
但我们公司的核心更多还是重交互。什么叫重交互？我们不会局限于做一个以情感陪伴为导向的产品，我们更多还是以人机交互为导向，更侧重识别人的意图。这个意图其实可以作用在很多场景，比如家庭、家务、拿包、聊天、看比赛，包括老人照护、危险防范等，这些都是我们的涉猎范围。陪伴只是其中一个应用方向。
所以你刚刚说的这些问题，比如高频对话、对话引导、诈骗，包括有人利用大语言模型做一些欺骗性的事情，我觉得更多还是模型端，尤其是大语言模型需要长期关注的话题。
我们相对而言是在端侧，模型的重点还是放在意图本身、理解人本身，不会把能力用在引导性的东西上。
当然，这种能力一定会有。因为大语言模型现在已经具备这样的能力，如果有人通过一些Prompt或者技术手段去做引导，我觉得这个问题一定是包括我们在内，所有做大模型、做云端模型、做语言交互模型的公司，都需要注意和防范的。
创业邦：创业到今天，一切都按照你的预期在发展吗？
郁振波：整体还是非常符合预期的。我本人在做事情的时候很多都是以5年周期去思考。
我们选择在这个节点切入做仿生人，也是因为看到这个赛道刚开始，看到仿生人大脑这个空白以及意图大脑未来在机器人板块的重要性。
未来，我们会始终以人的需求为导向，无论是穿衣、吃饭、情感陪伴，还是教育等各种需求，再反过来决定，我们应该做什么样的产品。
创业邦：如果不创业，你会做什么？
郁振波：我在投资板块蛮有天赋的，可能会去做投资，或者继续做科研、做老师，都有可能。
创业邦：无论是投资、科研还是创业，你最希望做成一件什么样的事情？
郁振波：我希望做一些真正有影响力的事情。不管是做老师、做投资还是创业，我都在意做的事情有没有价值、能不能真正有影响力。
做投资希望投出真正意义上非共识但有前瞻性、高价值的公司。做老师也希望积累一两年后能做商业化转换，最终可能还是回到创业。
本文为创业邦原创，未经授权不得转载，否则创业邦将保留向其追究法律责任的权利。如需转载或有任何疑问，请联系editor@cyzone.cn。
