具身智能如何跨身体进化？维他动力提出「具身基因组」新范式
近年来，人形机器人正以前所未有的密度出现在全球各大科技展会中。从波士顿动力到特斯拉Optimus，再到中国本土创新企业，行业似乎达成一种共识：通往通用机器人的终极形态，必须是“人的形状”。然而，在这场形态竞赛背后，一个更本质的问题被悄然掩盖——造出一副人形的身体越来越容易，但装进这副身体的“智能”从何而来？
2024年世界机器人大会（WRC）上，维他动力交出了自己的答案：不仅发布了首款人形机器人 Vbot ATOM 并开启预订，更同步推出一套名为 “具身基因组”（Vbot Embodied Genome） 的技术体系。这一命名并非营销修辞，而是直指当前具身智能发展的核心瓶颈：如何让智能在不同物理身体之间实现继承与进化？
值得注意的是，ATOM并非凭空诞生。其背后站着已实现量产交付、累计运行超13万小时的四足机器人“大头”。这种从真实用户场景中积累的数据与工程闭环，构成了维他动力区别于纯算法实验室的关键优势。
智能继承：不是全盘照搬，而是分层复用
在发布会后的专访中，维他动力联创兼技术副总裁秦海龙明确指出，智能的“继承”不能一概而论，而应按功能模块进行分层处理。
首先是交互层。由于人类语言、意图表达与反馈机制不依赖于机器人本体形态，四足机器人在数万小时用户陪伴中积累的对话数据、成功/失败案例可100%直接迁移至人形平台。这意味着ATOM一出生就具备成熟的自然语言理解与响应能力。
其次是策略生成与空间理解层。无论是四足还是人形，在家庭或办公环境中执行“找水杯”“避障通行”等任务时，对空间结构、物体语义、动态障碍物的感知逻辑高度一致。维他动力采用第一人称视角（Egocentric）基模路线，结合公开数据与合成数据构建通用空间理解能力，大幅降低对特定本体真机数据的依赖。
真正存在差异的是底层运控与强化学习层。由于关节自由度、运动学拓扑、平衡约束等物理特性迥异，四足的步态控制无法直接用于人形双足行走。对此，维他动力提出“隐空间共通，末端分叉”策略：上层共享环境-身体联合状态表征，下层通过轻量化的本体适配器（Body Adapter） 将高层动作意图转化为具体关节指令。
这种架构使得ATOM的研发周期被极大压缩——从今年3月项目启动到正式发布，仅用不到半年时间。这并非技术奇迹，而是同源智能在新人形躯体上的高效验证。
真实数据稀缺的本质：不是缺专家，而是缺“问题”
当前行业普遍将操作数据稀缺归因于采集成本高，但秦海龙提出了更深刻的洞察：真正稀缺的不是专家演示数据，而是真实用户使用中产生的“问题数据”。
遥操（teleoperation）获取的数据往往展示“理想状态下该怎么做”，但现实世界充满不确定性：地面打滑、光照突变、用户临时改变指令、机械臂抓取失败……这些边缘案例和失败日志才是驱动系统进化的关键燃料。
维他动力的四足机器人“大头”已累计完成23700公里用户伴随里程，两周留存率达86%。这些终端不仅是产品，更是遍布真实生活场景的动态感知探针，持续捕获实验室无法模拟的长尾扰动。过去三个月，产品通过4次OTA更新新增31项功能，模型能力提升超30%——这正是数据飞轮高速运转的体现。
三大核心模型：构建具身智能的完整链条
为支撑“具身基因组”理念，维他动力同步公布了三大技术支柱：
Vbot-OmniDuplex：物理世界的流式全双工交互
传统语音助手依赖“说完—解析—响应”的轮次制交互，在动态环境中极易脱节。Vbot-OmniDuplex采用240毫秒微轮次对齐机制，将音频、视频、文本与传感器事件实时融合。其Thinker-Talker架构实现前后台解耦：Talker负责低延迟语音反馈，Thinker在后台进行空间感知与任务拆解。当遇到复杂指令（如“跟着我…等等，先别过来”），系统可无缝切换至深度推理模式，确保“边看、边听、边说、边干”。
Vbot-WorldModel：从生成未来到决策未来
许多世界模型止步于生成逼真视频，但对机器人而言，关键在于能否用预测指导行动。Vbot-WorldModel作为动作条件推演引擎，执行“生成—评估—优化”三步流程：策略网络输出多个候选动作；世界模型分别推演各动作下的物理未来，并从任务完成度、安全性等维度打分；优化器据此选择最优序列执行。训练数据涵盖770K+导航片段、5000公里轨迹，覆盖家庭、办公、社区等多元场景。
Vbot-EvoMorph：跨本体的策略共享与表达分化
面对“同一任务、不同身体”的挑战，EvoMorph通过统一时序编码器输出高层动作Token（如“靠近目标”“抬升姿态”），再经由本体适配器转化为具体控制指令。四足获得步态曲线，人形生成质心平衡策略，机械臂则输出抓取轨迹。这种设计使新本体无需从零训练，只需接入已有智能体系即可快速具备基础能力。
Real-Sim-Real：弥合仿真与现实的鸿沟
传统强化学习依赖Sim-to-Real路径，但物理鸿沟常导致真机表现崩塌。维他动力反其道而行，提出Real-Sim-Real闭环：
- Real→Sim：真机运行中采集接触力、打滑、延迟等遥测数据，用于精准系统辨识（System ID），并重建高保真数字孪生环境；
- Sim大规模试错：在赋予真实物理参数的仿真中，进行海量对抗训练与域随机化（Domain Randomization）；
- Sim→Real：鲁棒策略部署回真机，新暴露的边缘案例再次被捕获，进入下一轮迭代。
现场展示的北京办公室数字重建场景中，四足与人形可共用同一环境资产进行规模化测试，极大提升研发效率。
终极竞争壁垒：软硬一体的工程闭环
当被问及具身智能的终极壁垒是大模型还是数据闭环时，秦海龙的回答清晰而坚定：“模型只是开始，真正重要的是让模型进入真实环境，跑通全链路闭环。”
机器人不是纯软件系统，其智能增长依赖于模型—本体—产品—场景的四重耦合。只有终端能够量产并进入千家万户，才能沉淀有价值的真机反馈；只有持续OTA迭代，才能形成能力累积效应。这考验的不仅是算法能力，更是供应链管理、硬件工程、用户体验与商业落地的综合实力。
维他动力将自身定位为“聚焦生活空间的具身智能终端公司”，其四足机器人已验证了从产品定义到规模交付的完整路径。ATOM的发布，则标志着这套能力正向更复杂的人形平台迁移。
结语：身体成为智能演化的载体
过去几年，大模型的Scaling Law围绕数据、参数、算力展开。而具身智能引入了一个全新变量：身体。如果每增加一种机器人形态，都要重建数据、模型与学习流程，行业将难以形成规模效应。
维他动力的“具身基因组”提供了一种可能：让上一副身体在真实世界中碰撞出的经验，成为下一副身体演进的起点。这不仅关乎技术架构，更是一种组织范式的转变——从追求“技术能否做到”的实验室，转向回答“能否长期稳定服务”的终端公司。
ATOM的出现，或许尚处早期，但它首次将“跨本体智能继承”这一命题，从理论图纸带入了真实物理世界。在这条通往通用机器人的路上，身体不再是终点，而是智能持续进化的载体。