workshop 星工聚将分享照片
美西时间4月27日，一场聚焦具身智能与机器人创业的workshop在斯坦福校园内举行。四位来自不同领域的嘉宾——产业创业者、前沿研究者、AI工程师与资深投资人，分别从技术路线、算法演进、中美对比和资本逻辑等角度，展开了一场跨界的深度对话。
以下是星工聚将团队在workshop的核心节选。（为了方便阅读，做了文本优化）
01
李梓正 · 星工聚将打造通用泛化本体
星工聚将总经理 · 李梓正 演讲照片
蒋青原演讲照片
蒋青原，清华大学机械工程系本科、MIT博士，现为苹果Camera-Incubation组机器学习工程师。他以“像摄影师一样规划路径”为主题，分享了博士期间正在研究的无人机跟拍技术的演进之路。他指出，当环境复杂且人的行为存在多种可能性时，单一的预测假设会失效，需要用扩散模型来表征未来多模态的概率分布，并通过实时迭代，进行动态调整。
这对于机器人的路径规划同样适用，他认为，不应将所有问题都丢给端到端的大模型暴力解决，要善于将过去几十年的机器人领域经典工作与现代模型相结合。同时，数据的分布是否覆盖了边缘场景，往往比数据量本身更重要。
03
Zhuotun Zhu · 算法与制造的中美博弈
Zhuotun Zhu 演讲照片
Zhuotun Zhu，机器学习高级工程师，Johns Hopkins 计算机博士，师从斯坦福机器人之母李飞飞同门师哥、霍金学生。他曾先后在英伟达、微软工作，现任职于Qbio，主导医疗器械人工智能系统的研发。
他对美国人工智能的前沿动态有密切的关注，对中美机器人发展路径做了清晰的对比：
美国在做“大脑”，追求通用人工智能的突破，走的是AI first路线——先在大规模数据上训练基模，再用强化学习做post alignment对齐具体任务。
而中国在做“身体”，依靠发达的制造业先将产品低成本、大规模地铺开，再基于海量用户反馈数据快速迭代，走的是工程驱动路线。虽然现在中国与美国在算法上还是有一定差距，但是通过这种路线，中美模型之间的gap正在补齐。
总的来说，未来机器人领域的竞争将是AI算法能力与制造业能力的综合竞争。
另外，在AI竞争力的排序上，他认为：数据 > Infra（基础设施） > 算法 > 人才。
- 数据：排第一，高质量且大规模的数据，能够显著缩小不同模型之间的性能差距。
- Infra：数据决定了模型的上限，而Infra决定了你多快能到达那个上限。
- 算法：Claude code等AI工具的出现加速了算法的迭代，缩小了算法效率的差距。
- 人才：企业可以通过财力引进人才，补齐技术壁垒。
04
刘敏 · 机器人企业的创业投资逻辑
刘敏演讲照片
刘敏（Allen Liu），AI 创投平台——硅谷科技评论 SVPR创始人，曾在亚马逊帮中国企业出海。他结合多年的投资经验，从资本视角拆解了机器人企业的创业逻辑。他指出本轮机器人创业的本质是AI进入物理世界的接口，行业正经历三大迁移：从硬件交付到软件持续迭代、从Demo演示到真实数据闭环、从单点产品到全球产业链竞争。 在投资落地上，他总结了三类受资本青睐的方向：讲前沿叙事、讲商业化落地（ROI）、讲基础设施。 他特别强调，具身智能的核心不是做单个零部件，而是构建数据飞轮形成闭环。理想的创始团队需兼具模型、硬件、行业认知与场景落地能力。而判断一家机器人公司的关键不是能否干活，而是能否越做越好，能否持续优化迭代。机器人不是终点，能持续学习、规模化部署、创造价值的物理世界智能系统才是。
——
从技术攻坚到场景落地，从数据闭环到产业链竞争与合作，四位嘉宾的分享共同指向一个判断：具身智能的竞争早已不只是单项能力的比拼，而是一场关于“持续学习、规模化部署、创造价值”的综合较量。
