4个月前，星尘智能的AstribotS1横空出世——叠衣、分拣物品、颠锅炒菜、吸尘清洁、竞技叠杯等复杂技能样样精通。
一通丝滑操作猛如虎，甚至还被网友冠上了国产人形机器人「核弹」的头衔。
网友们纷纷表示：忽然看到未来养老机器人的希望！
不仅如此，它在国外也破了圈。
人形机器人市场咨询师StewartSwayze称，我们离《杰森一家》中的Rosey越来越近了。
4个月后，星尘智能直接向公众秀真机了！
在今日举行的机器人大会上，顶流机器人一再奉上精彩表现，直接刷爆了好评。
就连大名鼎鼎的FigureAI公司CEO，也在实时追踪。
文能弹琴逗猫，武能咏春篮球，顺便跳个海草舞
我们来逐帧看看这个两天前发布的详细产品演示！
S1产品视频
视频中，AstribotS1能泡茶、做华夫饼、喂猫、清洁……完成一连串高难度、长序列、可泛化的任务，说一句「最强AI机器人助理」，一点也不夸张！
划重点，以上这些demo，都是1倍速、实物实拍、无遥操作的。
S1表现出的敏捷、灵活、精准和丝滑度，无不令人惊叹。
要知道，上面这些动作人类做起很轻易，但对机器人来说，需要跨越极高的技术门槛，单拎出哪一个都不简单。
比如泡功夫茶这个复杂工具泛化的最强操作。
洗茶、冲泡、倒茶、分茶它样样都能拿捏。用视觉识别技术识别茶具位置、形状和状态，用精确的触觉和力觉控制系统舀茶叶、注水、倒茶，一气呵成。
在以后，我们还会有了解自己饮茶偏好的机器人，来提供个性化服务。
而弹奏扬琴，对机器人的细微操作和精准控制能力要求极高。
懂乐器的朋友们都知道，打击乐的精髓，就在于敲击动作的精准度。而且，演奏所持的琴竹和敲击的琴弦都具备弹性，这更是让控制的复杂性大大增加。
机器人必须具备极高的力控能力，和对弹性特性的准确建模，才能「硬控」住弹性形变，同时精细调节敲击力度。
可以看到，机器人会首先利用视觉识别技术，捕捉琴弦的位置和扬琴的结构；然后利用力觉反馈系统，让每一次敲击琴弦都安全准确，既不会太轻也不会太重。
接下来，S1还有一波酷炫操作。其中，投篮要的是精确控制力量和协调性，跳舞和打拳，则是要流畅的身体动作和节奏感。
相信大家看完演示，都有一个共同的感受：这个机器人，怎么这么像人？
是的，星尘智能的理念，即是让机器人像人一样学习、思考和劳动，不断拓展应用边界。
看完S1大秀的这波神操作，我们有理由相信，它离人类互动和家务场景已经不远了！
智能需要一个「身体」
能承载如此多高难度的精细操作，S1的身体，有必要说道说道。
生产线上精确控制的机械臂，不能算作机器人，因为既没有智能，也不会学习和处理问题。
那么，把大模型塞进机器人，就能得出真正的具身智能吗？
显然，并非如此。
正如LindaSmith在「具身假说」中所提出的，只有当一种智能能够感知和导航物理环境时，人类水平的智能才能出现，就像婴儿通过探索环境来学习一样。
同样，Meta的研究科学家AksharaRai也曾表示，「缺乏物理具身的AI系统永远无法真正智能。想要完全理解世界，就必须与之进行互动，并观察这些互动的结果。」
所以，让AI发展出真正智能的唯一方法，就是给它一个身体，以及在世界中移动和体验的能力。
相比之下，纯数字化的AI可能在处理特定任务时表现出色，但总会遇到智能的天花板。
爆火全网的Flux+Gen3生成的视频之所以有破绽，也是AI没有人类的身体，不理解人类的舌头、头发、眼睛为何物
然而，大多数机器人行业的人都知道，「做机器人很难」。这也正巧体现了莫拉维克悖论：对机器人来说容易的事情对人类很难，反之亦然。
随着LLM的爆火，机器人研究领域也出现了一种新的趋势：将LLM嵌入到规划中，将VLM嵌入到感知中，将代码生成用于执行。
但仅仅把未经训练的AI「大脑」放入机器人「身体」里，并不能解决问题。
毕竟，具身智能机器人是集众多领域之大成，包括但不限于机器学习、强化学习、计算机视觉、机器人技术、规划与控制、环境建模与预测、基于物理的仿真等等。
因此，各种多亟待解决的挑战也随之而来。
-现实世界的知识：具身智能必须对物理世界及其规律和动态特性有深刻的理解，从而能够有效且安全地进行交互。
-学习和适应能力：具身智能必须从经验中学习，并适应不断变化的环境。这需要先进的学习技术和极大的灵活性。
-复杂的实体交互：具身智能需要一个能够与物理世界进行自然交互的系统。这涉及到运动协调、环境感知和实时决策的管理。
-鲁棒性和可靠性：具身智能需要足够的鲁棒性（Robustness），从而可以在真实且常常不可预测和动态的环境中可靠地运行。
怎么解决？靠的就是机器人身体和大脑的完美配合。
研发耗时一年，S1在软硬一体化系统架构上取得了重大突破，既有智能的大脑，也有全能的身体。
星尘智能认为，研发出新一代最强AI机器人助理，便需要将「AI智能」和「最强操作」强耦合。
在智能方面，S1拥有一个「最强大脑」。
不仅可以在复杂环境中进行感知、认知、实时决策，而且还具备智能理解和多模态交互执行能力。从而实现物体、任务和环境级别通用操作泛化。
更厉害的是，S1还具备持续学习进化的能力。
从前文的demo中不难看出，S1能像人一样去理解和分析、与人流畅交互，更能通过与人、与真实世界交互获得海量高维数据，从而持续学习进化，不断提升智能化和多任务泛化能力，逐步实现通用智能。
大多业内人士认为，机器人训练最大的瓶颈就是缺乏数据。更何况，机器人还需要理解物理定律和人类现实世界。
对此，星尘智能的思路是：不仅要收集所有可以得到的数据，而且还要高效地利用起来。
「仿真数据要用，人体动捕数据要用，机器人实操数据也要用！」
而由此得到的S1，既可以用第一人称，支持从视频、动捕，以及遥操作收集多维度的高质量数据，实现人类多模态数据交互，也能低成本、高效率地利用已有的真实世界视频数据，以及人体动作数据。
当然是因为，它「用力」方式和人是一致的。
如果只是轨迹一致，并不能满足实操的效果，反而会僵硬，也没有泛化能力。怎么办？
星尘智能的解决办法是——追求更高数据维度，也就是力觉、触觉等。
如果把力的信息采集下来，就能让机器人像人一样，用施加某种力的方式控制精度。
比如，S1把盐舀起来后，会在杯壁上刮了一下，可谓是把人的精巧、细微的力度控制都学出来。