乐动机器人创始人周伟先生出席国泰君安国际财富论坛做主题发言 以全栈感知筑牢物理AI产业地基

2026年7月28日，由国泰君安国际控股有限公司主办的“2026国泰君安国际818理财节财富论坛”，在香港隆重举行。

本届论坛以“智享科技财富新生”为主题，汇聚粤港澳大湾区金融监管领域资深专家、硬科技产业领军人物、全球资产管理机构代表、头部券商研究所首席分析师等，围绕金融互联互通、AI产业链机遇、科技周期下的资产配置等前沿议题展开深度对话，打造一场金融资本与硬科技产业深度交融的思想盛宴。

乐动机器人（01236.HK）创始人、董事长周伟先生受邀出席论坛，并于当日发表题为《定义物理AI的感官，从人的感知系统到物理AI的启示》的主题演讲。

周伟先生系统拆解具身智能爆发前夜的行业底层逻辑，揭示感知技术作为物理AI核心基础设施的战略价值，分享乐动机器人在空间智能领域的全栈技术布局与商业实践，为现场投资者与产业人士呈现物理AI赛道的全新认知框架。

在物理AI产业浪潮中，乐动机器人以感知智能为核心锚点，形成从底层硬件技术到上层空间模型、从技术迭代路径到数据资产壁垒的完整战略布局，完成从感知硬件厂商、向空间智能平台公司的战略跃迁，成为物理AI赛道兼具技术深度、与规模优势的全栈式玩家。

一、时代拐点已至：物理AI迎来图形界面时刻。

周伟在演讲开篇提出核心判断，LLM已重塑数字世界的交互范式，下一场深刻产业变革将发生在物理世界。

机器人产业从按预设程序运动的自动化阶段，加速迈向理解环境、自主行动的智能化阶段，这一切能力的前提，是先让机器人看见、看懂真实世界。

感知系统决定机器人能进入多少场景、承担多复杂的任务；视觉感知是物理AI最先兑现的基础设施层，以约20%复合增速扩张；谁掌握感知，谁就掌握机器人时代的入场券。

周伟将这一产业转折，类比为个人计算机从命令行、到图形界面的革命性跨越。

数字AI时代，人机交互以被动输入为主，用户通过文字、语音将明确需求传递给机器，机器执行对应指令。

物理AI时代，全模态主动交互将成为主流，AI能够实时、主动观察环境、理解人的潜在需求，并自主采取行动。

周伟强调，从被动、到主动，是物理AI时代最核心的交互变革，交互模式的升级，将带来数据与算力格局的根本性变化。

周伟指出，全模态主动感知交互需要持续的环境扫描与数据处理，视觉帧、触觉流、力觉数据、空间映射等多模态信息将每秒产生海量数据，空间Token将取代文本Token，成为物理AI时代最核心的数据形态，对应的算力、存储需求，将达到文本时代的万倍级。

在算力架构上，物理AI与数字AI存在本质区别。

数字AI依赖集中式算力，数据上传云端统一处理，秒级延迟即可满足需求。

物理AI场景中，碰撞、失误意味着直接的物理伤害与财产损失，同时家庭、工厂等场景的数据隐私敏感度极高，因此算力必须向端侧下沉，形成分布式算力网络，以满足毫秒级的响应要求。

周伟表示，物理AI的算力，不是集中在超算中心，是分布在每一台机器人、每一台智能设备当中。

周伟还对物理AI做了两个非常重要、具有启发性的思考与分享。

一个物理AI是快慢协同的多层次模型，而非单一端到端大模型。

物理AI核心特征是与真实物理世界进行实时、闭环交互，这一属性从根本上决定它无法依靠单一的端到端大模型实现，必须构建快慢系统结合的多层次模型协同体系。

与纯数字场景的AI不同，物理世界的交互同时面临三重刚性约束，一是极致的实时性要求；二是端侧算力约束，大量感知与控制逻辑必须在设备本地完成，无法完全依赖云端算力；三是数据隐私与可靠性要求，物理场景的容错空间，远低于数字场景。

这三重约束，共同决定单一通用大模型无法同时满足低延迟、高可靠、强智能的目标，必须通过不同层级的模型分工协作来实现。

这一架构设计可类比人类的感知—反馈三层生理体系，对应不同的响应速度与功能定位。

最底层是反射层，响应只需要50~150毫秒，类似人类脊髓与脑干，是无意识条件反射。碰到障碍立刻缩手，站不稳立刻调整姿态，不用动脑，用最快速度保障基础安全。

中间是协调层，响应150~500毫秒，对应人类小脑，管半自动化的运动控制。走路的步态平衡、熟练的动作技能，都靠这一层协调，不占用高层算力，动作流畅，还省算力。

最上层是认知层，响应500毫秒以上，由大模型承载，对应人类大脑皮层。负责路径规划、复杂决策、学习新任务，处理真正需要深度思考的问题。

这是直觉快思考+深度慢思考搭配着来，快系统管稳定、管安全、管效率，慢系统管智能、管泛化、管创新。多层协同，才是物理AI真正的技术底色。

另外是关于未来的社会分工，周伟做了一个预测，物理AI会接管物理世界，虚拟世界将接管人类的精神世界。背后逻辑链条非常清晰，AI时代最根本变化，是机器终于会干活了。

未来，家务、搬运、制造这些体力活，机器人来做；日常出行，交给自动驾驶；农业、工业、服务业里的物理劳动，都会逐步被自动化接管。

物理AI本质，是把人类从体力劳动里彻底解放出来，人类不用再为了满足物质生存需求而出卖体力。

人被解放出来之后，时间、精力、需求自然会往精神层面转移。人类娱乐、社交、自我实现，会越来越多发生在数字空间里，数字身份、数字资产也会变成生活的重要组成部分。虚拟世界的本质，是把人类的精神生活全面数字化。

二、直击行业痛点：77%虚实落差背后的感知鸿沟。

演讲中，周伟援引斯坦福大学《2026 AI指数报告》数据指出，当前机器人在模拟环境中的任务成功率可达89.4%，进入真实世界后骤降至12.4%，高达77%的虚实落差，成为制约产业规模化落地的核心瓶颈。

在周伟看来，这一差距并非源于运动控制技术的不足，本质上是空间感知能力的鸿沟。

真实世界没有预设坐标，没有完美标注，更没有静态不变的环境；光照变化、材质差异、动态障碍物、长尾场景，都是实验室里无法完全复现的。

这就引出周伟分享中非常重要的一个洞察，也是物理AI是最有可能实现ASI的原因所在；具身智能是支撑物理 AI 发展的核心底层理念，从根本上重新定义智能的诞生逻辑，智能并非孤立大脑运算的产物，是在实体与环境的持续物理交互中逐步涌现的。

没有身体就没有真正的智能，是具身智能最核心的哲学判断。这一判断底层逻辑在于，智能终极目的，是适应、改造物理环境。

只有通过身体与环境的持续物理交互，智能才能完成从被动接收信息，到主动探索验证的跃迁，最终涌现出真正具备通用性与环境适应性的智能能力。

这是物理 AI 区别于传统数字 AI 的核心差异所在，智能诞生于身体与环境的交互闭环，传统数字 AI 类似缸中之脑式的智能，依托文本、图像等数据完成训练与推理，全部认知活动局限于数字空间，始终无法触碰真实的物理世界。

具身智能的核心主张是，智能不是大脑的孤立产物，是通过身体（传感器 + 执行器）与环境的持续交互中涌现的。

真正适配物理世界的智能，无法脱离实体独立存在。只有拥有可感知、可行动的身体，智能体才能在真实环境中接收即时反馈、验证自身认知、迭代行为能力，最终演化出能够适应复杂、非结构化物理场景的通用智能。

一套完整的具身智能系统，由感知系统、决策大脑、执行器三大模块共同组成，形成感知—决策—执行—反馈的完整闭环，精准对应生物感官—大脑—肢体的生理结构。

周伟系统梳理当前具身感知面临的三大核心瓶颈，分布是数据瓶颈、感知技术瓶颈、多模态融合瓶颈。

第一是数据瓶颈。

与互联网文本数据可批量抓取不同，物理世界的交互数据必须通过真实机器人在真实环境中感知、行动才能产生。

当前行业数据孤岛化严重，缺乏统一的数据标准与共享机制，高质量物理交互数据的稀缺，直接限制模型能力上限。

第二是感知技术瓶颈。

现有传感器在精度、维度、响应速度上仍有短板，缺乏亚毫米级的操作感知能力，难以支撑复杂场景下的因果推理与精细操作。感知精度的上限，直接决定机器人能力的边界。

第三是多模态融合瓶颈。

视觉、深度、触觉、力觉、听觉等多模态数据的实时对齐与高效融合仍是行业难题，单一传感器失效、遮挡、噪声等场景下，感知系统的可靠性会大幅下降，无法形成稳定的环境认知。

周伟用简洁的表述，没有感知，就无法理解；没有理解，就无法行动；概括感知的基础性价值。

在他看来，感知系统的能力边界，直接决定机器人能够进入多少场景、承担多复杂的任务，是物理AI必须突破的第一道关口。

三、向进化取经：人类感知系统是终极参照系。

周伟提出，在技术路径探讨中，人类感知系统是物理AI研发的终极参照系；生物进化用亿年时间验证感知系统的最优解，运行效率与适配能力远超当前所有人工系统；人类做技术研发，本质上是向进化学习。

人类感知系统并非传感器+大脑的简单线性链条，是一个多层级、多模态、预测性、闭环耦合的复杂智能网络。

周伟总结道，物理AI视觉系统的进化方向，不是盲目堆砌像素参数，是学习人眼用更少资源、做更聪明感知的策略，不均匀采样、事件驱动、边缘预处理、多通路融合，将是下一代感知技术的核心突破方向。

除了视觉机制，周伟强调多模态融合的相乘效应。

以McGurk效应为例，说明视觉输入，会直接改变人类对声音的感知，1+1>2的跨模态整合是生物感知的核心逻辑。

同时人类触觉密度分布极不均匀，指尖敏感度是手臂背面的百倍以上，进化将感知资源集中分配给最常与环境交互的部位，这一规律同样适用于机器人感知系统，资源应向核心交互部位倾斜，而非追求全机身均匀的感知密度。

感知系统正从机器人的辅助配套，升级为物理AI时代核心价值底座，呈现三大明确趋势。

一是成本占比快速提升，感知硬件成为整机价值的核心构成，直接决定机器人的环境适配上限；

二是技术向深度融合演进，行业重心从传感器堆叠，转向多模态数据的空间、时序双重对齐，这是感知可靠可用的工程核心；

三是能力维度持续突破，在精度、极端场景等多个物理感知维度，机器在系统性超越人类感官极限，为高质量物理交互筑牢基础。

四、乐动全栈技术布局：从传感器到空间Token，定义物理AI感官。

周伟介绍到，感知是物理AI与真实世界交互的入口，乐动核心技术突破，在于构建一套从原始数据采集、到结构化空间数据输出的完整全栈感知链路，最终输出可被大模型直接调用的空间Token，彻底重构感知系统的价值定位。

乐动这套全栈感知栈，分为四个递进层级。

第一层是传感器硬件层，依托乐动多类自研感知硬件，完成物理世界的原始信号采集，为后续处理提供高质量的多模态数据源。

第二层是AI算法处理层，通过乐动自研算法与AI深度融合能力，完成原始数据的初步校正、配准、特征提取，实现从原始信号到可用数据的转化，承担智能数据加工职能。

第三层是空间模型层，实现环境深度理解。基于前序数据完成精度达98%的三维重建，输出语义化场景结果，实现对环境结构、物体属性的深度认知，完成从看见到看懂的跨越。

第四层是空间Token输出层，实现结构化数据交付。空间Token是乐动对感知数据价值的重新定义，最终输出标准化的结构化空间Token，形成具备物理一致性的空间数据，既可以直接支撑机器人决策，也可作为世界模型的高质量训练素材。

这一技术栈核心价值，在于让乐动跳出传统传感器厂商的硬件定位，乐动不是单纯售卖传感器硬件的公司，是物理AI时代的数据精炼厂，通过全栈技术能力将原始物理信号提炼为可被AI直接消费的标准化空间数据。

周伟分享乐动基于全栈感知能力，面对即将到来的物理AI时代，清晰规划乐动三个层面的战略演进路径，从多模态感知、AI融合、空间模型的方向持续升级，最终指向通用空间交互基础模型的平台化目标。

第一层面是新型传感器，核心是扩展感知维度，突破感知的能力边界，让机器人感知覆盖更多人类无法触及的物理维度。

第二层面是AI深度融合，核心是实现从看见到看懂的升级。通过LLM大模型、视觉语言模型与空间感知能力的深度融合，让机器人具备包含物理环境属性与行为逻辑的复杂认知。

第三层面是家庭空间交互模型，这是乐动战略终局目标，被称为物理AI的GPT时刻。该模型将具备通用家庭环境理解能力，最终所有家用机器人都可以像调用GPT API一样接入这套模型，获得标准化的空间交互能力。

这一路径的核心愿景，是建成通用的家庭空间交互基础模型，推动乐动从感知产品公司，跃迁为空间智能平台公司，成为物理AI时代的底层基础设施提供商。

五、终局壁垒：海量实景数据，构筑不可逆竞争优势。

物理AI竞争本质是数据的竞争，乐动对行业数据路径做出清晰的终局判断，物理AI存在三条数据演进路径，唯有海量实景采集才能通向最终格局，乐动的规模化部署优势，是撬动这一终局的核心杠杆。

三条数据路径，分别对应不同产业阶段与价值定位。

第一条是数据工厂采集，是行业发展的启动器与幼儿园；真实世界的长尾场景无限，是行业起步的必经之路，无法支撑通用智能的长期演进。

第二条是仿真数据，是技术迭代的加速器；具备成本低、危险场景可复现的优势，仿真能力的上限，始终取决于对真实世界的理解深度，无法脱离真实数据实现自我闭环迭代。

第三条是海量实景采集，是行业终局路径；真实场景天然承载最本真的物理规律，能够覆盖无限长尾场景；数据量随机器人部署量指数级增长；这条路径核心逻辑是，部署量即数据量，数据量即壁垒，飞轮一旦启动便无法被复制。

对应三条路径，乐动行业角色呈现双重价值，在前两条路径上，乐动是提供感知工具的卖铲人；在第三条终局路径上，乐动凭借千万级终端部署量，成为坐拥实景数据金矿的核心玩家。后来者即便能造出更优的硬件工具，也无法复刻已形成的规模化实景数据壁垒。

整体而言，乐动以感知技术为起点，以全栈能力为骨架，以数据飞轮为长期壁垒，以空间智能平台为终局目标，构建一套自洽、具备强成长性的物理AI战略体系。在物理AI的产业浪潮中，这套战略既锚定行业演进的核心规律，也建立自身难以复制的竞争优势。

结语

周伟演讲，获得现场与会嘉宾热烈反响，多位资管机构代表表示，本次分享跳出传统机器人产业的分析框架，从感知基础设施与数据资产的视角重新定义行业价值，为资本市场理解物理AI赛道提供全新的底层逻辑。

让每一台智能机器人都拥有看懂世界的能力，是乐动始终不变的使命。

周伟表示，物理AI时代浪潮正在到来，感知基础设施是支撑整个产业的地基。

乐动将持续深耕空间智能感知技术，推动芯片、传感器、算法、空间模型与整机产品协同发展，携手产业伙伴与资本伙伴，共同开启物理AI时代的产业新局。