90.人形机器人为什么执着于运动会？｜与天工熊友军的访谈
摘要
熊友军把人形机器人运动会定义为极限测试场：比赛不是替代工业落地，而是在统一标尺下摸出本体、能源、运控与可靠性的天花板。 天工 Omni 从彩排的 9 秒 44 迭代到 8 秒 64，背后是竞争密度对软硬件极限的持续挤压；真正的商业门槛则更苛刻——工厂要求 7×24 小时运行和甚至 99% 的成功率，“板凳要坐十年冷”。
爆火的“无脸跑”不是预编程表演，而是机器人在肩关节受限、功耗受约束的条件下，为追求最快速度自行找到的解。 团队一度嫌姿势“不那么漂亮”，甚至想重训，但最终保留了最快版本：机器人舍弃摆臂、改用腰部扭动平衡下肢。熊友军将其视作一种具身智能“涌现”——“它确确实实是自我学习、自我进化的一个结果”。
运动会最重要的年度变化不是速度，而是自主化：去年 200 多台机器人中只有天工全自主参赛，今年除部分障碍项目外，田径机器人基本摆脱了遥控器。 熊友军认为这只是“大脑进步的一个展示”，因为识别跑道、压弯和调整跑姿仍是较浅能力；长程规划、错误反思和环境突变处理，比赛尚未充分呈现。
具身智能的数据需求很可能达到千万小时量级，但熊友军拒绝把“大力出奇迹”当成确定终局。 当前通用运动控制器只用数百小时人类数据，世界模型训练约几万至几十万小时，与千万小时仍差数个数量级；他承认“我们现在都还不知道”scaling law 的天花板，并判断纯靠堆数据“可能不一定是一个正确的方式”，自主探索、强化学习和少样本学习仍可能改写所需数据规模。
真正训练“机器人大脑”的门槛同时来自算力、数据和范式，而不是发布一个模型名称。 熊友军认同“千卡有效算力”是一条有意义的判断标准；创新中心借助百度及多家云平台训练，年采集量接近 20 万小时，开源下载超过 2,000 万次，并把重点从重复的抓取放置转向长程任务、逻辑链、力觉触觉、失败与反例。“数据驱动”仍能落地，但 VLA、世界模型、多模态与大一统模型都尚未收敛。
近期商业化仍将首先发生在结构化工业场景，但这更像通往家庭机器人的桥，而不是终点。 包裹分拣中，人类最快约 2,000 多件/小时，FANUC 被提及约 1,500 多件，国内机器人约 1,000 至 1,400 件；差异来自本体、算法、模型、数据与场景定制的综合能力，至少在 WRC 展示中尚未出现明显代差。熊友军坚持人形最终会成为“朋友、伙伴，甚至家人”，主持人则保留异议：生产设施也可能围绕“人＋机器人＋AI”重新设计，人形未必是唯一终局。
投资判断的核心不是谁在热潮中融资最多，而是谁有长期技术复利、清晰禀赋和穿越低谷的意愿。 熊友军认为行业目前“本质上是没有竞争的”，因为蓝海足够大，但资本可以买来单点成绩，买不来长期底层积累；创新中心以天工本体、慧思开物“大脑”和全球开源生态补公共基础设施。“选择一个方向……然后做时间的朋友”是他贯穿二十余年的答案。
精读
1. “无脸跑”是约束条件逼出来的最优解
卫诗婕追问天工 Omni 为何摇头晃脑、几乎不摆臂却速度奇快；熊友军解释，训练时团队刻意限制了肩关节的转动频率、范围、速度、角度与力量输出，让强化学习自己寻找平衡方案。
人类通常靠摆臂抵消下肢运动，但摆臂也消耗功率；Omni 为完成“以最快速度跑完 400 米、1,500 米”的总目标，把补偿转移到了腰关节，于是形成网友称作“无脸跑”的姿态。“它确确实实是自我学习、自我进化的一个结果。”
团队最初并不喜欢这个姿势，觉得“不那么漂亮”，还想训练一套更好看的动作；但它是所有方案里最快的，最终以成绩优先。熊友军因此把它视为具身智能的一次局部涌现：不是工程师直接写出动作，而是目标、奖惩和物理约束共同诱发了策略。
2. 从 9 秒 44 到 8 秒 64，竞争把天花板不断往上推
赛前彩排成绩约为 9 秒 44；看到对手表现后，团队继续迭代算法、试探硬件上限，最终跑到 8 秒 64。熊友军的判断是，比赛会迫使各队“不断去突破、不断去尝试”，把平时不会轻易触碰的余量压出来。
这种提升并非只靠单一算法：团队在仿真环境中准备多种策略，再用真实测试筛选。熊友军强调“AI 本质是一个实验科学”，既会借鉴人类训练方式，也会把不同方案跑一遍，用结果决定取舍。
对夺冠，他说“基本上是在预料之中”；对连续跑动视频多次上热搜，则完全没有预料到。他把传播热度看成公众对团队长期运控积累的确认，而不是技术路线本身突然改变。
3. 运动会的价值是极限测试，不是热闹地重复表演
面对“行业已经转向工业干活，为什么还要比跑跳”的质疑，熊友军给出的定义很直接：运动会是一个“极限测试的环境”，用来扩展本体可靠性、稳定性、运动能力和能源系统的边界。
WRC 展台上的工作演示代表行业从实验室表演走向“国民经济主战场”，但离真实生产仍有距离。工厂需要 7×24 小时运行，流水线甚至要求 99% 的成功率；运动会提供的是统一标尺和训练场，让各家共同“摸高”。
他的因果链是：竞技项目先暴露本体、关节、能源和控制算法的薄弱点，这些底层能力再支撑机器人进入工厂、商场与家庭。一个再好的“大脑”离开可靠本体也无法执行，正如“脑和手之间的关系”。
4. 真正的年度跃迁，是机器人放下了遥控器
熊友军回忆，上一届赛场有 200 多台机器人，只有天工依靠全自主方式参赛，其他队伍普遍需要人员拿着遥控设备跟跑；今年田径项目除部分障碍赛偶尔需要遥控介入，其他基本实现全自主。
全自主跑步需要感知跑道线、识别弯道、决定何时压弯，并随环境变化调整跑姿和速度策略。熊友军将其视为具身“大脑”投入增加后的集中展示，而非单纯把原有程序运行得更快。
但他也压低了这一进展的含金量边界：运动会呈现的大脑能力仍很小，长程任务规划、执行错误后的反思、复杂环境突然变化等能力，“都还没有表现出来”。未来赛事应逐步增加这些项目。
5. 通用运动控制器从人类数据起步，但奖惩与物理约束决定上限
团队用动捕设备记录人类不同速度下的跑姿、摆臂、平衡方式，以及脚踝、膝关节在不同阶段的变化，再把数百小时数据输入模型做基础模仿；熊友军提到 NVIDIA Sonic 使用了 700 多小时人类数据，行业量级大致相近。
模仿只是起点，“最主要的”仍是奖励函数、惩罚函数、优化目标和约束条件。关节最大扭矩、速度、角度和输出能力构成物理边界，控制策略必须在这些边界内求解总体最优。
这个通用控制器本身并不大，属于垂直领域模型；与人类期望的效果仍有很大距离。当前控制器主要覆盖全身运动、尤其是下半身，更复杂的操作和灵巧手控制仍缺数据。
团队在第一次马拉松夺冠后，开放了运动控制代码与训练 pipeline。熊友军称，托马斯回旋、空翻等复杂动作都能沿用这套范式训练。
6. Scaling law 可能存在，但没有人知道具身体量的答案
面对“1 亿小时还是 10 亿小时才会出现 scaling law”的问题，熊友军拒绝给一个看似精确的数字。他只愿判断“千万小时的量肯定是需要的”，而今天运动控制器只有数百小时，世界模型也大致是几万至几十万小时。
他坦承：“是真的，这个我们现在都还不知道。”未知的不只是数据量，也包括具身世界模型和机器人大脑最终采用什么范式；当前 VLA、4D 模型、多模态加 VLA、世界模型和大一统模型均未收敛。
卫诗婕将问题进一步拆开：即使未来范式收敛，新范式需要的数据也未必等同于今天大家采集的数据。熊友军认同，因此现阶段的数据资产不能简单按小时数线性估值，任务结构、模态和学习机制同样决定价值。
7. “大力出奇迹”是不得不用的解法，不必然是终局
熊友军把海量数据路线称作“当前不得不的一个解法”：大语言模型能利用互联网存量，而具身数据昂贵、稀缺且需要与物理世界互动，照搬语言模型的规模路径未必经济，也未必符合人类学习机制。
他的反问是：“我们人类其实几下子，或者少量的数据，就可以做一定的举一反三……机器为什么一定要那么大的数据？”如果自主探索或新的少样本范式取得突破，zero-shot 或小样本泛化可能降低数量要求。
这不是否认现有路线。熊友军认为，VLA 在相对结构化、环境可控、任务定义明确的工厂场景已经有效；复杂度上升到人机交互、突发变化和长程任务时，才需要多模态模型和世界模型承担更多预演与推理。
8. 数据竞赛正从 UMI、Ego 转向长程逻辑与多模态反馈
熊友军不把 UMI、Ego 或全身遥操作划分成绝对的对错：行业先发现某类数据能有效训练模型，就会形成约半年左右的阶段性共识；当供给不再稀缺，局限暴露，采集重点便转向下一种模式。
全身遥操作需要真实机器人、动作服或控制器和大量场景布置，成本高、速度慢；Ego 只需让工作者佩戴第一视角摄像设备，便能低成本覆盖丰富场景，因此迅速繁荣。但第一视角视频仍不能完整表达力量、触感、执行逻辑和失败原因。
创新中心下一阶段更关注长程任务及其逻辑链：“为什么第一步做这个，第二步做这个，第三步做这个。”数据还应加入语音、视觉、力觉、触觉、错误过程和反面案例，让模型不只复现动作，也能学习推理与纠错。
9. “为什么要捡垃圾”暴露了数据驱动学习缺少的价值层
熊友军用捡垃圾说明现有训练的缺口：模型可以被告知什么是垃圾、垃圾桶在哪里，再执行抓取和投放；但它不知道“这个垃圾放在这里为什么不好”，也不会自然形成维护环境整洁的主动性。
人类行动背后可能存在价值驱动和世界观层级，而不只是感知到指令后复刻动作。熊友军提到，国际上已有学者探索是否应让机器人拥有某种价值观；他没有断言答案，却认为这类问题会把具身学习推向哲学层面。
他的取向是“两条腿走路”：能落地的 VLA、多模态和世界模型先产业化，同时继续“仰望天空”，寻找更接近自主认知的学习机制。接地气与探索新范式在他看来并不矛盾。
10. Sutton 式自主探索，提供了另一条少数据路线
熊友军提到 Richard Sutton 曾到创新中心交流，其强化学习思路不是持续由人类喂入大量示范，而是设置环境、规则和迭代方向，让机器人“探索、反馈、纠正、学习、提升”。
他把过程类比为 PDCA 的螺旋：机器人失败后根据反馈修正，再进入下一轮探索；关键资源从大量示范数据，部分转移到高质量环境、奖励机制和可持续试错能力。
熊友军保留了不确定性：“具体最后哪个能跑出来，可能还需要一段时间的探索。”但他相信，这类自主迭代有机会超越单纯模仿，也解释了为何团队把 Omni 自己学出的奇怪跑姿视为重要信号。
11. 从可预测的数学模型到学习系统，是熊友军经历过的范式断裂
2010 年以前，团队主要依赖数学模型做运动控制：工程师规划每一步，求解后逐条下发，动作可预测、可判断，却把机器人变成了“一个傀儡”。环境稍有变化，系统就“完全不能工作”。
当时完成一个简单任务也可能需要几千乃至上万行代码。熊友军记得行业一度困惑：机器人是不是已经走到技术尽头？后来深度学习、大模型、视觉和自然语言技术改变了整个解法空间。
他把本田错过这次转向类比为“诺基亚错过智能手机”：ASIMO 时代的机械、加工和可靠性做到极致，但仍建立在传统数学模型、有限视觉与有限算力之上，未能抓住 AI 范式变化。
12. P2 点燃了理想，但也展示了技术宣言与产品路线的距离
熊友军读博时研究焊接机器人，整日处理焊缝均匀度、美观和变化适应；约在 2002 年，他看到本田 P2 接待来访者并带人参观流水线，感到双方差距“还不是一点点”，也第一次直观地觉得“这就是未来”。
熊友军说，本田应该从 1986 年开始投入人形机器人研发，利用汽车产业的精密零部件、加工、可靠性与稳定性优势，成为一代研究者仰望的对象；但当时机器人背着巨大的工业计算机，自然语言、视觉和算力都不足。
卫诗婕指出，ASIMO 更像技术宣言，始终未大规模进入真实生产。熊友军没有否定其价值：今天很多人形机器人愿景仍未超出本田描绘的图景，但市场需求存在不等于技术已经成熟；NAO、Pepper 等后续产品也重复证明了这一点。
13. 优必选的早期壁垒，来自没有供应链时自己造出来
熊友军加入优必选，是因为团队提出让机器人走进家庭，与他对“人机共融”的终局想象高度一致。他形容那是“找到知音的感觉”，早期办公室只有几个人、几张桌子，创业者常在员工下班后彻夜讨论未来，再把“梦”讲给团队和投资人。
第一代 Walker 原型从两条腿开始，因为上半身会令控制复杂度陡增；关节原想从德国、韩国采购，却因产品易坏而被迫自研。ASIMO 和 Atlas 当时都高度封闭，团队无法通过购买成熟技术抄近路。
2012、2013 年间，手机供应链接的是 K 级乃至百万级订单，人形机器人一次只做 10 台、20 台，技术要求高又压成本。团队要等机床空档，还得请厂长、操作师傅吃饭喝酒，才可能让“小单”被认真加工。
14. 高光不是偶然爆红，而是二十年行业记忆的累积
宇树凭春晚转手帕、武术获得大众关注时，熊友军把它视为“行业的一个盛世”，没有追问为什么热点不属于自己的团队。他提醒，优必选早在 2016 年就有 541 台机器人登上春晚：1 台与主持人互动，540 台组成三个方阵跳舞。
回忆优必选的艰难阶段，他首先想到的反而是春晚、上市等高光时刻，称自己一直“很享受这个过程”。优必选从 2012 年 3 月注册到后来上市几起几伏，真正留下的认知只有两个字：“坚持”。
早年资本追逐互联网、移动互联网和房地产，机器人融资困难；他本科接近汽车方向，也随时可以转向后来吸纳大量资本的新能源汽车，但答案始终是“就是喜欢”。“当你喜欢一个人的时候，就爱屋及乌”，失败也会被理解成考验和成长。
15. 团队的四个词，解释了为什么 90 分仍可能不合格
熊友军给团队设定的价值观是“正直、自驱、合作、极致”。正直是先做人再做事；自驱要求在无人监督时仍愿意为长期目标工作；合作来自机器人横跨机械、控制、算法、数据和应用的系统复杂性。
“极致”不是把单项做到 90 分或 95 分。他的原话是：“你不做到 120% 都不达标。”机器人产业链太长，如果每一环都只有 90%，误差层层相乘，最终会“差之毫厘，谬以千里”。
正直最难量化，他更多通过一个人如何看待梦想、低谷和长期投入来判断。上一轮人形机器人热潮中，大量公司在行业降温后转向更快赚钱的领域；高潮入场、低谷离开的人，很难成为他要找的“同路人”。
16. 遥操作不是落后技术，冒充自主才是越界
卫诗婕提到有团队因宣称自主、实际遥操而被取消资格。熊友军认为这违反比赛规则和团队价值观，必须由裁判约束；但他同时强调，遥操本身在高风险场景仍有正当价值。
例如配电柜或变电站出现红灯，错误操作可能造成严重后果，人类应决定是否扳动开关；一旦获准，机器人可以自主绕障、开门、走到设备前并完成动作。这已经不是玩具车式的前后左右控制，而是“人给高层决策，机器人负责具体执行”。
他把遥操区分为微动作级、行为级和任务级：前者近似傀儡，行为级可下达“拿起杯子”这样的局部指令，任务级则把人的判断与机器的自主执行结合。智能尚不足时，这种混合方式可能比追求形式上的全自主更安全。
17. 新玩家能买到单点成绩，买不到长期复利
对汽车、手机公司进入机器人行业，熊友军的第一反应是产业繁荣：商业公司“为利而来”，意味着它们相信这是万亿级蓝海，今天投入 1 亿元，未来可能追求 10 亿、20 亿乃至 100 亿元回报。
主持人以荣耀在 4 月马拉松中的夺冠和赛场“红白大战”为例，追问传统机器人公司是否会被资金雄厚的硬件厂商超越。熊友军认可荣耀的技术与投入，但认为结论只能是“真实做工作就能取得成绩”，不能推导为人形机器人的壁垒已经消失。
他的反驳针对资本市场的线性想象：砸 5 亿、10 亿元，确实可能在某个单点取得短期成果；但机器人不是一次性投入能完成的赛道。“板凳要坐十年冷”，底层技术、可靠性与系统整合需要长期累积，阶段性成功不等于可以次次成功。
18. 蓝海里没有真正的正面竞争，只有不同禀赋的兑现
熊友军判断，今天具身智能公司虽然很多，“大家本质上是没有竞争的”，因为尚未满足的市场足够大。只要能解决一个垂直领域的真实问题，就可能获得独立空间，这也是资本持续下注的原因。
判断一家公司，他先看“为什么而生”，再看后续资源配置是否真的围绕使命展开；然后看团队禀赋——懂工业和制造的可以深耕工厂，熟悉医疗、养老的可以做健康或外骨骼。愿景相似不重要，打法必须与能力匹配。
对跟风者，他的判断相当明确：没有独立定位，只在热度中复制别人，最终可能“淹没在具身智能的浪潮里”。坚持不是守着同一产品不变，而是把时间、精力和资源持续投入自己真正相信且擅长的方向。
19. 人形是不是终局，访谈保留了最重要的分歧
卫诗婕提出工业革命类比：过去设施围绕人力设计，蒸汽动力成熟后，整个生产系统转而围绕机器动力重构；同理，未来设施也可能围绕“人＋机器人＋AI”重新设计，因此今天的人形未必是最终形态。
熊友军同意环境会改变，却坚持自己的底层判断：未来是人机共融社会，机器人会成为朋友、伙伴甚至家人。要承担这种关系，它需要人类自然理解的外形、动作与交流方式，并能直接使用为人设计的工具和空间，而无需大规模改造环境。
他把人形称为潜在的“第三代人机交互中心”：不再像手机那样解锁、打开 App，也不依赖键盘、鼠标和 GUI，而是通过语言、手势甚至眼神理解意图。在他们做的测试、调研和对比中，暂时忘掉成本和技术复杂度后，大家会选择人形而不是机器狗。
卫诗婕明确说“我个人不是这一派”；熊友军则描绘“三体”画面：肉体的熊友军、机器人的熊友军和数字人熊友军并存，知识与经历或可借脑机接口迁移，甚至产生某种“永生”。两人的分歧没有被强行收束。
20. 工业落地是技术约束下的现实桥梁
Walker 最初锚定家庭，后来优先进入工厂。熊友军认为，这既是现阶段技术局限，也是商业回报要求下的综合选择：家庭涉及更高的安全、标准与开放环境难题，短期难以突破；结构化工业场景更可控、更容易变现。
工业部署也能反向创造数据：机器人进入真实一线后，可以采集大量数据，加快 Walker 系列的迭代。因此先工业、后家庭不是放弃长期愿景，而是为其建立商业回报、可靠性与数据基础。
对 WRC 展示的厂商，熊友军尚未看到明显“代差”。他举包裹分拣为例：人类最快约 2,000 多件/小时，FANUC 被提及约 1,500 多件，国内部分系统约 1,000 至 1,400 件；成绩取决于硬件、算法、大脑模型、数据和场景定制的综合能力。
软包、硬盒、塑料袋、不同颜色、尺寸和形状要求大量真实训练。VLA 已能在这种变化范围有限的场景形成一定泛化，但这仍不同于开放家庭环境中的任意物体、任意任务和人机互动。
21. 国家队的任务，是补基础设施而不是只赢一家公司
主持人提到北京人形机器人创新中心应于 2023 年 11 月成立；熊友军则说，从优必选 CTO 转向中心 CEO后，角色从商业公司的“小我”转向产业和国家的“大我”：不只追求单家公司商业化，而是扫描行业的痛点、难点和堵点。
创新中心把自己定位为基础设施搭建者：天工提供本体通用平台，慧思开物覆盖大小脑（访谈前文另称“慧思开悟”），并持续开放硬件设计、马拉松训练 pipeline、数百万条高质量数据和模型架构，以减少行业在底层重复建设上的浪费。
优必选、小米、亦庄方面及京城机电等早期股东的共同点，不只是期待财务回报，也认可平台的技术与产业价值。熊友军称开放原则“一视同仁”，美国、欧洲、日本、韩国的开发者同样可以下载，因此不认为平台已形成排他阵营。
相比优必选偏应用技术，创新中心需要投入更底层的共性卡点、工具与生态。比赛中大量高校、科研院所和二次开发者使用其平台参赛，熊友军把这种开发者密度视为平台价值，而非只看自有队伍奖牌。
22. 训练大脑的硬门槛，是千卡算力、数据质量与持续投入
卫诗婕转述行业判断：不依托政府或大厂、真正拥有千卡有效算力训练大脑的独立创业公司可能不超过 5 家。熊友军没有确认公司数量，但认同这条标准的方向——前期训练所需算力“非常非常高”。
创新中心早期自建算力中心，随着数据和模型增长很快不足；百度成为投资人后提供大量云端资源，团队也使用其他云服务。训练之外，未来大规模部署还会产生更大的推理需求，只是推理成本可随客户规模分摊。
年数据采集量已接近 20 万小时，熊友军称其在公开数据中属于很大体量，累计下载超过 2,000 万次。所谓高质量，不是把重复抓取堆成时长，而是覆盖多任务、多本体、多场景、长程逻辑、触觉反馈、失败过程和反例，并由团队训练、验证这些数据。
23. 大一统模型试图修复具身智能“最后一公里”的损耗
卫诗婕转述王兴兴的卡点：语言模型输入输出处于固定数字向量空间，信息损耗较小；机器人每次感知和动作都会引入偏差，触觉细微误差尤其难修正，任务越长，成功率越容易暴跌。熊友军明确认同。
创新中心探索的答案，是把语言、视觉、触觉等不同模态映射到统一表征空间，再由同一模型推理和决策。熊友军称团队已推出 RoboBrain Unify 统一大模型，并登顶 World Arena 权威榜单榜首；在语音和视觉榜单测评中也取得了不错结果。
这条路线试图结合 VLA 擅长操作和执行、世界模型擅长推理和预测等优势；代价是参数规模远高于单一模型，当前机器人端芯片难以承载，大多仍需云端运行。
熊友军设想，待模型成熟后可通过蒸馏、裁剪及架构变化缩小体量，再逐步部署到端侧。他把它定义为“值得探索的方向”，而非已经形成的行业共识。
24. 真正的“全栈”不可能由一家公司独占
面对大量公司自称全栈，熊友军认为必须给“全栈”加引号。机器人科技树包含关节、关键元器件、运动控制、MPC、WBC、更多大脑范式、操作系统、工具链和不同类型数据，没有公司能把全部层级做到最深。
创新中心所谓全栈，只指围绕天工本体平台和慧思开物大小脑平台，覆盖若干关键共性技术。赛事中同时取得竞技赛金牌数第一、场景赛金牌数第二，与国家平台需要扫描行业短板有关，并不意味着偏科公司没有价值。
熊友军反而为偏科辩护：“术业有专攻。”一家创业公司若在某个关键方向做到头部，就值得鼓掌；产业真正需要的是大量公司各自攻克擅长的技术，再通过开源和供应链组合，而非每家复制一套伪全栈。
25. 中美优势结构不同，中国要补的是原创“大脑”
熊友军把具身智能的全球竞争直接收敛到中美：双方至少处在同一起跑线，但优势结构不同。中国强在供应链、制造迭代和海量应用场景，美国强在 AI 原创、大脑模型、世界模型、空间智能与算力芯片。
中国在人形关节的行星减速、谐波减速、滚珠丝杠等方向已有大量探索，稳定性和可靠性持续提高，部分海外知名机器人公司的关键硬件供应链也在中国；电子皮肤、压力传感器和电池近两年进步尤其快。
电池仍是短板，但体积、容量和放电倍率已明显改善。熊友军甚至判断，“说不定下次马拉松比赛，你可以看到一块电池跑完全程”，以此说明供应链优化仍会直接改变产品边界。
国产算力已有替代方案，却需要重新适配底层架构和开发体系，当前未必是最经济选择；在海外芯片仍可获得时，企业未必主动承担转换成本。熊友军承认，国内在世界模型、空间智能等原创方向仍更多处于跟随状态，必须以长期投入补课。
26. 开源把公共投入变成开发者、反馈和人才复利
创新中心选择开源，并非只为宣传。第一层回报是培养使用者：今天下载代码和数据的人，未来可能成为客户或生态合作方；第二层回报是根据开源协议获得案例、修改、建议和 Bug 反馈，加快产品迭代。
熊友军称其数据集在国内下载量应该是最大的一家，并推测全球也可能处于第一，但对全球排名没有确证。他更看重“众人拾柴火焰高”：通过开放平台聚集开发者，减少共性技术重复投入，同时为中国培养具身智能人才。
相比美国常见的闭源路线，他认为中国开放文化可以形成另一种扩散优势。开源不是放弃商业化，而是把公共底座做大，让不同公司在应用、产品和服务层继续竞争。
27. 安全不是附属功能，而是机器人商业化的准入底线
机器人跑得越快、力量越大，摔倒、撞击、结构断裂的后果越严重。熊友军把安全拆成多个层面：本体不能伤害人和环境，数据和信息必须受保护，个人隐私不能泄露，系统还要防止黑客劫持。
他确认未来部分地区和场景一定会像无人机一样受到限制；机器人正式大规模销售前，也必须满足国家强制安全法规。创新中心正在工信部指导下参与标准制定，他称“今年年底”会有多项标准推出，未达标产品将不允许销售。
对“能否避免机器人被 hack 后变成杀手”，熊友军认为网络、通信和系统软件已有加密与防护方案，技术上并非无解；真正缺的是统一法律法规和行业强制执行，目前不少创业公司仍未充分投入。
28. 机器人最有生命力的时刻，不是夺冠而是被人需要
熊友军首先想到一个桌面机器人：他专注工作时，机器人突然站起来说，“熊总，外面有位客人到了，需要您去和他开个会。”自然的声音、语调和动作让他第一次感到，它像秘书，也像一个真正的人。
第二个画面发生在疫情隔离区，机器人为无助的人送去生活必需品；第三个画面来自养老院，机器人带老人做操，老人因新奇不断提问。熊友军称这些场景有一种“雪中送炭”的温暖，让技术真正产生社会价值。
卫诗婕从运动会感受到另一种情绪价值：机器人笨拙拳击、跑步、摔倒，让朋友们久违地围着电视大笑；当它们刷新纪录，又令人对“硅基生命”产生敬畏。笨拙与突破共同构成了观看乐趣。
熊友军的观看方式更像父亲看孩子学步：“充满期待的眼神和充满了爱。”测试中的 Omni、Archo 经常摔倒，胳膊有时会摔歪，胸前外壳也可能摔变形；他亲自提出给关键部位穿泡沫保护衣。别人看到的是笑点，他看到的是一个会摔倒、需要保护、也正在长大的孩子。