快问快答：24 岁首席科学家的自我介绍

王家伟介绍自己 24 岁、下月满 25，小学初中在小县城，高二高考进中科大少年班，2020 年进入中科大与 MSRA 联培 PhD，2026 年刚毕业。深朴智能定位为面向家庭的通用机器人公司，slogan 是 keep the world simple。

从 GPT-6 Astra 谈起：大脑与小脑的分工

主播以 GPT-6 Astra 驱动机械臂画金门大桥的视频切入，王家伟分析其试错与经验总结能力，但指出推理速度慢、缺乏实时控制，在动态环境中难以 recover。他认为大脑会收敛到 GPT 类架构，但下面必须配上 action policy 做快速反应。

少年班怎么考：一场考吸收速度的面试

王家伟讲述少年班选拔机制：15 周岁以内、高考分数浮动二十分进面试，面试当天先上数学物理课再立刻考试，考的是注意力与知识转化速度，一百人进面试选三四十人。他本科做分子马达的交叉学科研究，并长期担任班长。

什么是聪明：会提好问题，并直面自己的不足

王家伟重新定义聪明：思维敏捷不是最重要的，会提好问题、知道自己的不足并愿意直面才是。他坦言自己硬件理解不深，做机器人后经常向硬件团队请教。他解释转向具身的原因是想做能自己定义事情的角色，并称「风浪越大鱼越贵」。

具身智能的智能到底体现在哪：三个核心能力

深朴智能内部定义具身智能的三个能力：适应能力（zero-shot 与 OOD 泛化）、steerability（语言/图像/视频操控）、上下文理解能力。王家伟指出此前很多具身工作对原生上下文理解不足，只关注当前 observation。

DeepSeek 与字节 Seed：两种大厂文化

王家伟回忆 DeepSeek 工作强度不大但能做出好工作，人能接触到底层代码；字节 Seed 组织精密，每人负责一个点，很难 touch 范围之外的事。他因多模态资源倾斜、想推自进化工作受阻，最终选择离开大模型赛道。

为什么做全链路：一家终端公司的定位

深朴智能从数据到模型到部署到真机全链路自研，王家伟解释这不是为了全栈而全栈，而是因为目标是提供真正的产品。全栈让他们在行业出现好模型时能快速 follow 并拿到场景反馈。

自研 UMI 采集设备与 HiFi-UMI 数据集

因供应商设备精度与时间同步不达标，团队自研六路相机 UMI 手套，抛弃基站定位、只用相机做到毫米级，时间同步做到微秒级。轨迹在仿真中回放 95% 以上能复现。开源两千小时数据，下载量超五十万。标注投入近期更大，正试用 GPT-6 Astra 做自动标注。

开源之后：收到的反馈与触觉的取舍

开源后收到多家海内外公司购买数据的邮件，也收到 marker 太大、手套发热等反馈。关于触觉，团队装了传感器但新开源数据不含触觉，原因是二指夹爪视觉遮挡少，且触觉传感器尚未收敛，换传感器后旧数据难以复用。

模型年底发布：zero-shot 与 scaling 的信号

王家伟透露模型已具备 zero-shot 能力，几千个任务直接训完即可执行，且能组合泛化。他强调团队避免讲 Scaling Law，只讲 power law，因为 Scaling Law 需要科学依据。数据多样性、计算、数据量扩展都带来明显性能提升。

Agentic OS：system one 与 system two 的分层

深朴智能的 Agentic OS 分两层：system two 理解意图做规划，system one 快速精细执行。王家伟解释具身需要的 harness 与数字 Agent 不同，要做上下文管理、大脑小脑交互设计。system two 目前仍用字节 Seed 的模型，算力优先给 action 预训练。

评估难题：没有公允 benchmark 怎么办

王家伟指出此前 benchmark 多聚焦仿真，Libero 靠纯后训练也能刷高分，仿真与真实世界有 gap。具身评估的是整个链路的稳定性与成功率，最好自己把评估做扎实。年底发布将公开最真实结果，明确数据量与是否 zero-shot。他判断下面吃掉上面不太可能，上面吃掉 system two 有可能。

团队规模与工作文化：不强制加班，AI 工具额度无限制

深朴智能约七十多人，工作时间九点半到六点半，不强制加班，AI 工具额度基本无限制，主要用 Codex。王家伟强调保持思维灵活性，在 Agent 加持下更重要的是管理好 Agent、对项目有清晰认识。团队会做充分的事先规划与 context 交换。

前沿突破：Astra、Javelist、Gen-1.5 与 π0.7

王家伟认为 Astra 最大启示是通用智能可能外溢到各行各业，system one 与 system two 边界会越来越模糊。他 respect Javelist 把数据量轰到二十万小时，Gen-1.5 做 in-context learning，π0.7 强调 steerability。他认为其他家做 in-context learning 引入配对数据只是一时妥协。

噪音与信号：具身领域噱头大于真实

王家伟对比语言模型与具身领域：语言模型更透明、结果可复现、有开源；具身领域今年上半年大家吹捧 world model，但真正落地的没几家，效果比 VLA 好多少也没结论。他的过滤标准是看讲的点与 demo 结果是否吻合、是否符合第一性原理。

第一性原理与 ego 数据的取舍

深朴智能的第一性原理是思考什么是具身智能的智能。他们没有贸然引入 ego 数据，因为 ego 成本虽低（三十元一小时），但后续标注与训练极贵，性价比需要验证。UMI 数据自采、质量高、清洗要求低，可以充分验证 scaling 配比。

做播客与做投资的异同

嘉宾反问主播做播客与做投资的异同。主播回答两者都是花两小时向一个人提问、尽可能了解他，都会问「人生中最艰难的十字路口」；不同在于做播客会非常 nice，做投资则必须追问让对方不舒服的问题才能得到真实答案。

最艰难的十字路口与三年后的期待

王家伟说最 tough 的十字路口是选择做语言模型还是做具身，要放弃优渥薪资与算力资源，从零到一搭建 infer、模型设计与团队。少年班同学多去美国读基础学科或转 AI。三年后他期待机器人能在家庭里帮忙洗碗，给出 80% 的概率。