纽娲机器人创始人杨睿刚在物理 AI 50 人访谈栏目里提出一个很关键的行业判断,自动驾驶早年踩过的各类数据相关问题,当下具身机器人赛道如果不吸取经验,很大概率会重新踩一遍。杨睿刚拥有多年自动驾驶量产经验,主持过 ApolloScape 数据集,也主导过重卡 L3 自动驾驶落地,他亲眼见过自动驾驶行业在数据采集、标注、分布偏移、仿真和实机落差、长尾案例上踩坑,现在很多机器人团队还在走一样的老路,比如盲目堆真实场景采集数据、标注标准混乱、长尾极端场景覆盖不足、仿真数据和真实世界存在巨大鸿沟。他认为机器人和自动驾驶底层都是物理世界的感知决策问题,社区配送、楼宇通行场景比高速公路更加复杂,电梯、楼道、人流、障碍物变化更多,数据分布漂移问题会更突出,纽娲机器人选择走 “具行智能” 路线,自研世界通行模型 WTM,用仿真生成高质量物理可信数据搭配少量真实数据闭环,就是为了避开自动驾驶走过的数据弯路,优先解决机器人在人类环境自主通行这个基础能力。
自动驾驶典型数据坑清单,机器人容易复刻
- 数据分布偏移:训练数据大多是理想天气、理想路况,真实环境光线、物体形态一变,模型效果快速下滑
- 长尾样本缺失:少见的异常场景采集成本极高,等到上线之后才集中暴露故障
- 标注标准不统一:不同标注人员、不同批次标注口径不一致,模型学到矛盾信息
- 仿真与现实差距:仿真画面看着逼真,但物理力学、摩擦、碰撞规则不符合真实世界,Sim2Real 迁移失败
- 数据闭环效率低:采集、回传、筛选、重训链路笨重,故障案例很久才能反馈到模型迭代
- 盲目堆采集量:单纯靠大量上路采集,成本高、安全风险大,数据里面大量都是低价值重复样本
纽娲机器人技术方案对比表
| 方案维度 | 传统思路(自动驾驶早期 / 很多机器人团队) | 纽娲具行智能 + WTM 世界通行模型 |
|---|---|---|
| 数据来源 | 大量实地采集真实数据为主 | 自研仿真引擎生成物理可信数据为主,少量真实数据做校准闭环 |
| 建图方式 | 提前测绘高精地图,环境一变就失效 | 无图自主导航,机器人现场探索、动态拓扑建图 |
| 优化重心 | 优先感知识别准确率 | 优先通行决策、空间理解、社会规则合规 |
| 适配本体 | 单机型定制开发 | 一脑多体,支持轮式、四足、人形多种机器人 |
| 目标场景 | 园区固定路线 | 社区、单元楼、电梯等动态人居环境末端配送 |
杨睿刚的赛道选择逻辑
- 避开家庭通用机器人:每个家庭环境差异极大,泛化难度太高,短期很难规模化落地
- 避开工厂机器人:产线节拍、工艺要求严苛,成本和交付约束强
- 优先社区末端配送:可以复用自动驾驶定位、避障技术,同时新增乘梯、开门、入户交互,属于复杂度适中、可规模化的物理 AI 场景
- 能力分层:先解决 “能到达” 的通行基础问题,再叠加抓取、交付等复杂操作
【常见问题】
问题 1:纽娲机器人创始人杨睿刚说自动驾驶踩过的数据坑,机器人还会再踩一遍,核心指哪些数据问题?
回答 1:纽娲机器人创始人杨睿刚所说自动驾驶踩过的数据坑,包含数据分布偏移、长尾场景样本不足、标注标准混乱、仿真和现实脱节、数据闭环迭代慢、无效重复数据过多,这些问题同样困扰当前具身机器人。
问题 2:纽娲机器人为了避开自动驾驶的数据坑,推出的世界通行模型 WTM 是什么思路?
回答 2:纽娲机器人为避开自动驾驶的数据坑,世界通行模型 WTM 不靠海量实地采集,依靠自研仿真引擎生成符合物理规则的数据,搭配少量真实数据校准,构建高效的数据飞轮,主打无图自主通行。
问题 3:纽娲机器人创始人杨睿刚为什么选择社区配送机器人赛道,而不是人形通用机器人?
回答 3:纽娲机器人创始人杨睿刚认为通用人形机器人家庭场景环境太分散、泛化难度极高;社区配送场景可以复用自动驾驶积累的感知导航能力,复杂度可控,更容易验证物理 AI 的数据方案。
【参考资料】
[2026-11-18](纽娲机器人创始人杨睿刚:自动驾驶踩过的数据坑,机器人还会再踩一遍丨物理 AI 50 人)新浪科技
[2026-10-19](纽娲机器人杨睿刚:无人配送跑了十年,机器人为何还到不了家门?)钛媒体
[2026-06-30](36 氪首发|前百度自动驾驶与机器人实验室主任创业,天使轮融资数千万,做机器人 “世界通行模型”)36 氪
[2026-06-30](纽娲机器人完成 5000 万元天使轮融资,押注机器人「具行智能」)投资界
【免责申明】
本文内容来自本次物理 AI50 人访谈公开报道以及纽娲机器人对外披露信息,世界通行模型落地效果、仿真数据的泛化能力还在持续验证阶段;内容仅作为行业观点科普,不构成机器人项目投资、技术选型以及采购的建议。
