孙博：创业本身就是探索的过程，我其实一直处在创业状态。当时我看到工业测控领域的产品架构、国产化环节存在缺失，就切入了测控赛道。十年创业走下来，看着公司从 0 到 1，成长为人数过千、业务遍布全球的企业，在细分赛道做到了全国前三，中间积累了很多行业经验。

等到精实后期进入平稳发展阶段，我便把运营层面的事交给团队，腾出时间探索新方向。我本身是交大自动化加 AI 专业本硕出身，2022 年 ChatGPT 出来后，我算是行业里比较早关注的。Transformer 不是靠算法模式，而是靠数据堆积训练，实现量变引起质变。了解了 Transformer，我就觉得这条路径很有价值，判断这会是行业很大的引爆点。

于是 2023 年，我开始找 AI 和原有行业的结合点，但纯大语言模型和硬件系统距离比较远。我常回交大以及上海人工智能研究院，有次和宋海涛院长深度聊了一次，核心就是找AI和控制、计算体系的结合点，当时就聊到了具身智能、机器人方向。而我在华南的时候，就大量接触过工业机器人，和珞石机器人、安川、发那科都有很深的合作，对机器人控制本身有比较深的认知。

当时我们探讨，具身智能核心技术撇开模型层面，核心有三块——手、脑、能源，未来的核心卡点大概率在这三块。其中“脑”和我的专业、从业方向最匹配，我原来做的工业控制、装备里的控制单元，本质就是“脑”的角色。后来，我和宋海涛院长共同组建了智脑创新中心，依托交大和研究院的平台做方向探索。

过程中，我们聚集了五大方向的教授，分别是各领域顶尖专家，有机器人方向的，有操作系统方向的，也有 MPC 方向的。我们经常开思享会做技术碰撞，慢慢沉淀后，最终确定了公司方向：做具身智能的端侧算力底座，本质就是“智脑”的概念——如何在端侧硬件上承载AI智能化能力。

孙博：我们整合了操作系统、底层技术、传感技术、通信技术等多领域细节，搭建完整的计算体系架构，做到最后才后知后觉，我们其实是在探索一套原生适配具身智能时代的新计算体系架构。最后上海交通大学博士生导师闫维新拍板命名为“德沃夏克架构”。闫维新老师本身除了是科学家，同时也是个“艺术家”——我们实验室常放德沃夏克的第九交响曲《From The New World》，寓意我们在探索物理 AI 时代的技术新大陆。

德沃夏克架构有两层核心思路：

第一层是技术层级架构。上一代 PC 时代的冯·诺依曼架构，五大核心组件，主打精准、确定性控制。德沃夏克架构是面向端侧计算的全链路定义，从芯片、操作系统、硬件、通讯，到模型层、应用层，全部由我们自主规划。

第二层是理念层面的架构。我们做了碳基到硅基的智能映射，智能本质是生物学概念，碳基生物经过 6 亿年进化，形成了大脑、皮层、海马体、额叶、枕叶、脊髓、脑干等分块控制、分布式控制的结构，不同脑区负责不同功能。我们认为智能终端要和物理世界交互，就可以在硅基上复现这条进化路径，所以德沃夏克架构的精髓是超异构 分布式体系，不同的异构PU处理不同任务，再整合到同一套系统中，也就是我们说的“类脑”架构。

我们花了两年左右探索整套架构，同时把当前时代的主流方案吃得非常透。在此基础上，我们推出了第一代 N 系列产品。

孙博：模型在整个分层架构里偏上层，模型之上是应用。用人脑类比的话，大脑首先是物理实体，你不会把意识、思维框架等同于大脑本身。模型更多层面上是思考框架，而完整的大脑是有大脑、小脑、脑干等不同功能分区的实体系统。

为什么行业里会先形成“大脑=模型”的认知？因为很少有人愿意沉下心把这件事想透、做透。软件和硬件是两套完全不同的逻辑：模型公司大多是软件出身，软件迭代速度快，AI 加持下更快，讲究极致效率，所以大模型时代榜单每月甚至每周更新，概念普及速度很快。

但硬件讲究沉淀，全球存活下来的硬件科技公司，基本都有几十年的积累，最短的 AMD 也有几十年历史，苹果更是有五十年历史。硬件需要一轮一轮迭代，架构要迭代、产品要迭代，还要拿市场反馈，兼顾成本、供应链稳定、制造体系，成长周期很长。所以概念上软件会先跑出来，但深究本质，大脑的定义本来就源自人脑系统，不能把思维框架等同于脑结构本身。

孙博：说重复造轮子，要先回归本质：当下很多算力方案最开始不是面向具身做的产品，大多都来自智驾赛道，是看到有切入具身的可能性，才把现有产品线迁移过来。国内很多芯片公司也是同样的逻辑，拿现有芯片切入端侧AI、具身赛道，都是迁移适配的模式。

但我们不是，我们是原生具身企业，所有技术思考、需求收集都从具身智能的核心本质出发，不是拿某家的芯片爆改一下。我们要先把现有方案摸透，通过市场和技术验证，明确它的优缺点，拿到客户的真实使用反馈。N 系列我们积累了大量市场需求，外围自研，积累了很多先发优势。

T 系列，我们推出全新的自研方案，基于德沃夏克超异构架构，划分出小脑、加强型小脑、中等算力大脑、高等级大脑等不同层级的产品，把整个体系打透。这种分级产品一方面来自架构设计，另一方面也是我们对市场做的需求分级。

孙博：改善首先体现在显性层面，客户最直观的反馈有几点：体积小、接口设计专业、散热表现好、运行稳定性强。

举个实际例子，国内某头部客户，原来用其他厂商的方案，拿到我们的产品后第一反应是体积怎么这么小，再看接口设计就知道是懂行业的，用下来又发现散热和稳定性都远超预期。他们做了一个月的老化、抗冲击、模型适配等全流程测试，直接就下了批量订单，产品直接上机量产，省去了从研发到工程再到量产的完整环节，原话就是：“你们的产品力当前就是行业最好的，我直接拿来用”。

这些都是表层体验，背后是深度软硬耦合、大量底层bug修复的支撑，就像用苹果手机觉得丝滑、不闪退、电脑可以一年不关机，表面是体验，底层是全链条的技术打磨。

孙博：这正是我们软件团队和操作系统团队在做的事，过程中也积累了很多工具链。其实现在具身领域的主流模型类型并不多，主要就是端侧小应用模型、VLA 模型、运动控制相关模型、SLAM 与视觉相关方案这几类，我们把主流的全部做好适配就行。

我们和数百家厂商的研发端都在做深度适配，很清楚客户的模型分哪几类，也支持客户自研模型的部署适配。

孙博：可以说是“专用”于具身这个领域，而且我们有不同的产品系列，不是单款产品打通所有场景，这也和当前行业的发展阶段匹配。

现在的本体厂商，需求差异很大：不同场景不一定都用人形，可能是异构机器人；有的场景对工程化要求极致，有的场景算力要求不高；还有分布式算力协同的新玩法，不需要单点算力很强，而是端侧之间协同运算。

所以我们不限制客户类型，天上飞的、水里游的、管道里钻的，各类具身设备我们都能适配。

孙博：跑马拉松只是秀能力，不是真实场景，没有机器人会当职业运动员。马拉松核心考验的是散热、工程稳定性，是系统级能力的验证，涉及软件系统、关节模组、线缆等全链条的稳定性。

今年几家做马拉松机器人的企业都用了我们的方案，赛后的实际反馈也反哺了我们的产品迭代，他们新一代产品也会用我们的体系。我们的做法不是项目制定制，而是做需求收敛：把重点客户的需求转化为技术，再沉淀为工程能力，最终落地为通用产品。

孙博：商业逻辑很简单：几百家客户、上千种新场景，我们从中归纳共性需求，沉淀到产品里。比如行业里的一些线缆标准，我们已经在逐步统一，这是帮全行业降低使用门槛、形成共识。再比如不同系列的产品对应不同大类应用：有的产品 IP 等级高、抗震性强，适合野外场景；小脑系列产品主打实时性，多通道视觉和运动控制融合做得好，对应一大类应用。

这种模式我们叫“技术平权”——让同类场景、同类构型的厂商，都能直接用上当前最成熟、通用、优质的底座产品。对我们自己也有好处，单款产品的出货量上去了，供应链管控能力也会同步提升。去年到今年已经有很多客户的批量订单起来了，整体是正向循环。

孙博：对，我们有自研的 OS。现在有些人说的 OS，其实偏应用层，就是个 UI 加 API。我们的OS是真打穿底层的，从芯片层、物理层、驱动层，到中间层、通信层、安全层，全部覆盖在内。

去年在 PMC（开源鸿蒙社区跨平台框架）上，我们和华为等几家是具身操作系统的共同发起单位，也是行业里为数不多同时横跨硬件底座和操作系统的厂商。OS 最大的作用是保障整套系统持续高效稳定运行，提升硬件适配性和长期兼容性，就像早期安卓和现在的安卓完全是两个体验，操作系统的迭代价值就在这里。

孙博：基础技术点是可以复用的，这么多年积累的计算底层逻辑是通用的，比如 CPU 做线程任务调度、跑 OS 和 RTOS、模型算法跑在推理芯片上，这些底层技术都能用。

创新体现在两个层面：一是技术点的突破，二是计算体系架构的创新，比如 OS 的边界怎么定义。创新来源有三个：第一是我们团队自己的探索；第二是合作高校的前沿研究，我们会给他们出命题作文，定向做预研；第三是客户的需求创新，我们也会吸纳进来。

孙博：首先，我们之前已经有两年多的技术沉淀，现在是量变引起质变。

一个简单的逻辑：如果这件事没有技术门槛，那些比我们积累更久的原有供应商，为什么会被我们快速撬动客户？

其次，我理解的技术壁垒在两个层面：

第一个是迭代速度。要紧跟行业趋势，站在潮流前端，这一点很重要；

第二个是底层技术积累，这是真实存在的壁垒。我内部常和硬件部门说，默认产品拿到市面上会被客户暴力拆解，拆到最后无非就是芯片、存储、架构这些东西。但做底座的公司，一定是预研一代、研发一代、市场投入一代，预研的技术方向和积累，就是我们的核心壁垒。

硬件迭代有物理规律，比如芯片从设计、仿真到流片落地，最短也要一年半，你没法违反规律快进。市面上看到的产品，都是我们内部打磨了很久才推出来的。

做平台型、基础设施型的硬件公司，必须有沉淀，否则就是随波逐流，也没法判断哪条技术路线是对的、值得长期押注。

孙博：我其实不太喜欢用这些很潮的词，包括“大脑”“AI infra”，我们更习惯用“platform”“基座”这类词。我们定义的具身计算基座，就是类脑架构里底层的整个部分。

一方面是比喻层面的“类脑”，我们的架构设计、传感器定制、线缆规划，全部基于类脑的思路；另一方面是功能层面，核心是承载智能，把底座做扎实。这个定位从上海人工智能研究院智脑创新中心时期到现在，一直都没变过。

孙博：首先这是源自我们做的事，外界做了总结。最开始我们也纠结过，要不要做线缆这类看起来低附加值的配件，后来想通了，线缆的本质是解决通讯问题。

现有的工业通讯协议，比如 EtherCAT、CANFD，都来自国外几十年前的车规、工业标准。我们现在在做前沿研究，探索面向具身场景的新型通讯拓扑结构，甚至定义真正的具身通信协议，未来可能还有带通信芯片的新型线缆。

这件事我们不会高举高打，还是走务实的路线：先和客户小范围试点验证，确认有实际效果，再逐步推广，由市场共识到工程共识，再形成行业标准。中国有全球最前沿的实际应用场景，完全可以走“市场验证-形成行业共识-国标-国际标准”的路线，而不是纯靠技术制高点去定标准。目前我们参与或牵头的国标有 30 多项，就在往这个方向走。

孙博：我们内部是五大技术方向：具身架构、AI 芯片、类脑基模、模型算法、操作系统，对应研发中心下的不同团队。我们也没有统管的大 CTO，技术链太长了，没人能覆盖全部。

每个方向背后都有高校团队帮我们做预研性研究，同时我们还有一批行业资深顾问，AI 方向、算力方向的都有，很多都是行业里影响力很大的人。这种模式能确保我们在每条技术线上，都能接触到行业最好的资源。

孙博：两点比较明显的不同。第一是人员结构不一样。灵境智源研发占比70%，是非常重研发的企业，技术链很长，这还只是公司内部的人，算上外围高校的老师团队，还有大几十人，整体智力密集度非常高。

人才也分两类。一类是偏创意、偏研究的爆点型人才，我们非常鼓励他们做探索，很多时候只给大方向，让他们自己去追踪全球最新技术路线，自己提研究方向，我们来配资源，只要符合大方向就行。另一类是工程化老兵，基本都是20年以上行业经验，还处在高产阶段，负责把好的技术快速转化为产品。比如我们做高阶 PCB 盲埋孔设计，一次成型，从来没有废过板，这就是工程能力的体现。两类人才分别对应技术探索的快和工程落地的稳。

孙博：量产的难点主要有三个：

第一是产品定义，你得先定义出能形成行业共识的产品，才能谈量产，有量才有备货、库存管理的全链条联动，第一步就是产品定义；

第二是供应链能力，我们产业化时间还不到一年，这块主要靠团队的经验和过往的人脉资源补短板；

第三是管理体系，上半年我们还做了自研的测试站，把 EOL 测试、老化测试的经验都沉淀进去，平衡效率和成本。这些事靠有经验的人来做，会少走很多弯路。

整体思路是能合作的环节就找合作伙伴，不全部自己做。公司最大的价值还是在研发，我们走的路线和苹果比较像：首先是产品设计公司，核心 know-how 在研发端，然后靠强大的供应链能力支撑量产和品质，再靠技术服务团队对接客户、收集需求。

孙博：看文化认同。我们公司第一条文化是“善意为基”，这是我们几个合伙人的共性选择，也是核心底线。做基座业务，未来会影响很多客户和终端使用者，科技向善是我们的基本理念。

能力再强，理念合不来，我们也不会强求。这条底层标准反而降低了很多管理成本，比如信息公开透明、打破部门墙这些事，大家理念一致就很好推进，不用靠大量管理条例去约束。

孙博：我们还没有体系化的测试，主要靠面试判断理念契合度。公司战略是做选择，人才也是做选择。我们希望营造的氛围是，节奏很快但氛围正向，创业总会遇到各种管理问题，但底层的善意共识能帮我们解决很多矛盾。

所谓的“节奏（tempo）”是我们内部最强调的一个词，不是一味求快，而是知道什么时间点该做什么事，有的时候慢就是快，该快的时候也要拉满节奏。

孙博：我不觉得有什么“无法拒绝的理由”，招聘都是双向的。有意思的是，我们特别需要某类人才的时候，合适的人往往就会出现，这也是一种节奏。到目前为止，我面过的核心候选人基本都加入了，核心不是薪资，是对所做事情的认可度。

行业里的资深人才都很有个性，最开始可能也不看好，觉得你心太大、项目太早期。但做着做着，他们能看到你的正向反馈，能感受到团队做事情的扎实程度，觉得这个方向也是自己想做的，就会来聊。聊的过程中发现技术路线、理念有共鸣，也判断事情能落地，再考虑理念分歧和长期回报，基本就水到渠成了，剩下的就是看缘分。

孙博：我的核心都是老生常谈的事：定战略、找资源、找人。我不会每次周会都参加，业务周会、技术周会都是阶段性参与。和核心团队大家很有默契，各自积累到一定程度，就凑在一起聊半小时一小时，交流行业想法、技术趋势，看到什么视频有启发也会一起探讨，快速判断这件事要不要干、当下干还是储备起来，核心看符不符合当前阶段的节奏。

孙博：落地难主要是两方面原因。第一是软件层面，当前技术还没到临界点，整体还在探索期，模型、上层技术都还不成熟。

第二是硬件层面，整个产业链的支撑还不够。比如传感器、数据带宽、信号预处理的前后端分工，还有整机的稳定性，都有短板。工业机器人发展了十几年，连续作业时长还是有限，硬件就是要靠长期积累迭代。人形机器人也就是近几年才拿到充足的研发资源，之前都偏手搓阶段，产业链成熟度还不够。

孙博：不一定。不走通用路线，走专业化、垂类路线，现在就能落地。垂类场景不需要通用大模型，用垂类模型就行，训练数据量要求不高，也不需要太强的泛化性。

比如特种作业场景，机器人替代人做危险工作，ROI 算得过来，能力弱一点没关系，有真实的产业价值。这类落地可能没那么酷炫，做的都是偏简单的作业，但有实际价值，是当前就能落地的方向。

孙博：客户主要分三类：

第一类是明星企业，有出货量需求，包括做 To C 机器人的公司；

第二类是自用型企业，采购设备用在自己的内部场景里。

第三类是垂类场景企业，面向特定行业场景做解决方案。

高校客户偏研究合作，我们和交大、南大、浙大、东南大学等都有特定课题的定向合作，不是单纯的产品采购。

孙博：一定是产业链分工协作，没有公司能横跨多个产业链通吃，所有成熟产业都是这么走的。应用层会百花齐放，如果物理 AI 真的是跨时代的生产力，就一定会渗透到不同场景，每个场景都有足够的市场空间。

孙博：技术成熟度上，从新模型到架构，再到数据端的方法，美国在前沿理念和技术突破上还是领先我们。

当然我们也有自己的优势，我们的优势在产业端、应用端。之前参加活动有人说，中国未来可能走用开源打闭源的路线，在AI时代形成自己的竞争力，我觉得是有道理的。

孙博：挑战主要有三点。

第一是资源需求。做底座越深入，需要的资源越多，去年到今年我们已经积累了不少，但还是不够。

第二是核心的人才和资金。人才是最核心的，资金也是必要的支撑，有足够的支撑才能快速夯实底座能力。

第三是发展节奏的平衡。不能跳过发展阶段，做违背客观规律的事，要在发展速度和稳健性之间找平衡。节奏背后是对趋势的判断，是资源的阶段性聚集，关键节点绝对不能错过。

当然技术本身也是挑战，但技术都是命题解题类的问题，靠人和资源就能解决。出对命题，比解题更重要