機器人前瞻（公衆號：robot_pro）

作者 | 許麗思

編輯 | 漠影

機器人前瞻9月9日報道，近日，費莫一科技（下文簡稱「PHYMI」）完成近億美元種子輪孖展。本輪孖展由IDG資本領投，雲啓資本、滴滴出行、復星銳正、耀途資本、禾賽科技跟投。

對於一家成立不久、首款產品都還沒公開的創業公司，投資人究竟在為什麼下注？

公司的名字聽起來有些神祕，來歷卻很直接。PHYMI寓意連接Physical World、 Manipulation & Mobility與Intelligence，中文名「費莫一」則來自英文名的音譯，也暗含了對「莫拉維克悖論」的致敬。創始人劉念邱解釋，團隊最初想過很多含義明確的名字，但大多無法註冊，最終選擇了這個更加年輕化、有個性的名字。

站在費莫一背後的劉念邱，是一位從自動駕駛行業轉向具身智能的連續創業者。他曾任英特爾高級工程師，此後擔任元戎啓行技術合夥人、董事，參與過無圖智駕方案落地，以及技術體系向端到端模型、VLA大模型演進的過程.

在元戎期間，劉念邱親歷了自動駕駛從0到1做出產品、從1到10推進試點，再到大規模量產的完整周期,見證了中國高階自動駕駛從 L4 研發運營走向規模化量產的關鍵階段。隨着智駕逐漸進入規模增長和持續迭代階段，他把目光投向了仍處在早期的具身智能行業。

劉念邱從2024年開始密切關注機器人。當時行業的能力重心仍偏向機械系統和運動控制；到了2025年，本體和小腦運控逐漸成熟，VLA、World Model等技術路線快速演進，基於AI的機器人開始進入真正的0到1階段。

在劉念邱看來，這正是進入具身智能的絕佳窗口期。相比繼續參與一個成熟產業的規模擴張，他更希望重新做一件從0到1、再到10的事情。

▲費莫一科技創始人劉念邱

PHYMI想做的，是一個能夠走進開放、動態生活空間的Physical Agent。

在劉念邱描述的場景中，機器人就像是融入人們生活中的一個夥伴。比如，去公園露營時，機器人可以幫忙馱東西、鋪墊子、買咖啡和清理垃圾；在前往咖啡店的途中，用戶看到一家冰淇淋店，還可以通過系統臨時增加一項購買任務。在這個過程中，機器人能夠不斷自主調整行動計劃，連續完成長程移動、環境理解、物品操作和人機交互。

講這些故事的機器人公司其實不少，不過劉念邱強調，PHYMI這條路線的核心在於，零門檻部署、開箱即用，實現「GO ANYWHERE，DO ANYTHING，WITH ANYONE」。

劉念邱把PHYMI的技術路線類比為元戎當年探索無圖智駕：先擺脫固定區域的限制，接受在開放、動態空間中早期能力不夠成熟的情況，再逐步擴大適用範圍。

圍繞這一目標，費莫一同時佈局了PHYMI BRAIN、PHYMI BODY、PHYMI DATA和PHYMI LINK。

BRAIN面向開放動態真實世界，構建覆蓋多模態感知、世界建模、推理規劃與行動生成的具身智能模型系統；BODY是 Physical Agent 進入真實環境並長期穩定運行的物理載體；

DATA將真實交互轉化為可學習的經驗；LINK負責連接人、Physical Agent和環境，支持遠程交互、任務調度以及多機器人協同等。

近億美元孖展也將沿着這套體系投入，主要用於Physical Agent核心技術研發、真實動態數據體系建設、產品工程化與場景落地，以及團隊擴充，加速Physical Agent的產品迭代與發展。

產品正式亮相之前，費莫一關於開放動態真實世界的判斷，仍需要通過產品和真實使用等待驗證：一家早期初創公司，為何一開始便同時佈局BRAIN、BODY、DATA和LINK？面向開放動態場景的Physical Agent，又將以怎樣的產品形態進入真實生活？跨場景免部署可以做到什麼程度？

圍繞這些問題，機器人前瞻與劉念邱進行了一次面對面的深入交流。

一、離開元戎創業，具身智能剛走到真正的0到1

機器人前瞻：您過去的職業經歷一直圍繞汽車和自動駕駛展開，在2024年的一次演講中也提到，自動駕駛其實是具身智能的一種形態。為什麼選擇在元戎啓行還處於快速上升期的時候，離開相對成熟的智駕行業，進入產品形態、商業模式和落地路徑都還沒有完全確定的具身智能領域？

劉念邱：我覺得其實要看這兩個行業所處的階段。

在智駕領域，我在元戎經歷了一個比較完整的周期，從0到1、從1到10，再從10到100、到1000。

從0到1，是有產品出來；1到10，是開始能夠落地、試點，證明它的商業價值；從10到100、1000，就是正式進入大規模量產，後面其實更多就是規模增長和持續迭代的過程。

再看機器人。我其實從2024年就比較關注機器人，那個時候機器人還真的就叫 Robotics，更多偏機電系統和運動控制。

到2025年開始出現一些操作能力，但那個時候的操作能力和現在相比，還是有非常大的差距。真正基於AI的機器人，我覺得其實是從2025年纔開始進入一個從0到1的過程。

之前大家會用Diffusion、VLA，最近又比較火的World Model等等。我感覺現在已經到了一個路線開始收斂，然後開始往上去 scaling 的階段。

所以我覺得這是一個非常關鍵的時間點。過去的經驗，本質上就是用經驗去形成認知。從這個時間點往後，纔是開始邁出通向具身智能這條路的起點，所以應該下場了。

剛好智駕也已經走過了前面的階段，開始進入成熟期。所以我覺得這是一個非常好的時間點。

機器人前瞻：您現在出來創業，這是一個好的時間點嗎？

劉念邱：我覺得，如果是真的想把具身智能落地，現在是一個很好的窗口期。

如果再早兩年，我們可能要花大量精力做的其實不是具身智能，而是在做機械、電機、齒輪。

如果是去年，可能勉強能夠搭一個還不錯、能用的本體，開始做一些數據驗證。但數據怎麼做，可能也需要做很多實驗，運控也沒有那麼成熟。

但到現在這個時間點，本體加小腦、運控這些東西的成熟度相對已經比較高了。雖然不能像汽車那麼成熟，但已經可以很快支持我們需要開發的能力。

可能它的可靠性還沒有那麼高，做不到五年不壞，但已經足夠支撐我們做大腦、系統和產品能力的開發與驗證、

而且剛好我們過去在汽車行業積累了很多東西，包括對硬件、傳感器，以及整個軟硬一體AI系統的理解，這些其實能夠更好地幫助我們完成這樣一個整合。

因為機器人畢竟是物理世界裏的東西，它很難脫離硬件單獨去做。

機器人前瞻：從自動駕駛到具身智能，過去在汽車行業的很多經歷在具身智能裏都有發揮空間。那有沒有哪些經驗，是您之前覺得可以直接用，但進入具身智能以後發現其實並不work的？

劉念邱：我覺得具體的方法不能直接搬過來。因為汽車本身做的是迴避碰撞，而且天然是在一個平面上移動，所以具體的方法不能直接搬。

但是如果往上抽象一層，很多方法論其實還是可以借鑑的。

機器人前瞻：您之前在元戎的時候主導過RoadAGI的一些探索，現在費莫一也強調機器人在開放環境裏的移動能力，這兩者在技術上有沒有一些延續？

劉念邱：要看怎麼定義這個「延續」。其實用的是完全不同的方法，但我覺得目標是一致的。

當時我推動RoadAGI，目標也是希望它從道路擴展到更大的範圍，包括室內，能夠跨室內外。但當時發布的RoadAGI本身還是一輛車，只是一輛「有手的車」。

現在我們關注的是一個真正的機器人，它已經不再是汽車形態。

當它不再是汽車形態之後，就會涉及更復雜的越障能力、通過障礙物的能力，讓它真正不再受地形影響，像正常人一樣通過正常障礙物，比如樓梯、欄杆這些。

所以應該說目標上存在延續，都是希望智能系統能夠擺脫固定區域的限制，進入更加開放的空間。但Physical Agent面對的環境、任務和交互對象更加複雜，因此技術方法和產品體系都需要重新構建。

二、還沒有產品，就拿下近億美元種子輪孖展

機器人前瞻：您能介紹一下現在覈心團隊的情況嗎，當時是怎麼把整個團隊搭起來的？

劉念邱：我們最大的特點，是提出了一條新的路徑，這條路徑對很多人其實是有吸引力的。

我們不是只想讓機器人在一個固定場景裏完成某個Demo，而是希望它真正進入開放、動態的生活空間，成為人的夥伴，在這個空間中接觸更多場景、更多人，獲得更多真實反饋。這樣一來，機器人既要有長程移動能力，也要有操作能力。

所以我們在搭團隊的時候，基本也是圍繞這幾類能力來組建的。

第一類是AI 2.0方向的人才。現在智駕本身也已經進入預訓練、大模型驅動的階段，所以我們團隊裏有過去做AI Coding、視頻生成等方向的人。

第二類是機器人方向的人才，包括機器人操作、運動控制。

第三類是我們過去在智駕行業積累比較多的能力，比如傳感器系統、底層軟件，以及軟硬件系統整合。車載供應鏈在可靠性和性能上已經有比較成熟的積累，這些經驗對機器人同樣有幫助。

另外還有很重要的一塊是數據工程。機器人真正出去運行以後，數據怎麼採集、上傳、清洗、標註，背後都需要一整套基礎設施，這方面我們過去也有比較多經驗。

所以現在團隊基本就是圍繞這幾個方向搭起來的，各個關鍵環節都有人。

機器人前瞻：你們招人的時候，更傾向具有什麼樣特質的人？

劉念邱：我們現在這個階段非常關心的一點，是這個人是不是非常目標導向，會不會提出問題、看問題。因為創業早期其實不缺問題，缺的是判斷哪個問題纔是重要的問題。

一天可能能看到幾十個、上百個問題，但我們人數有限、精力有限，所以要選擇哪一個問題最值得解決，然後再想怎麼解決。

另外一個就是創業精神。我覺得創業公司為什麼適合幹新的事情？因為來創業公司的人，大概率本身就是有創業精神的人，不然他可能也不會來這樣的公司。

機器人前瞻：費莫一現在還沒有公開具體產品，只提到一些技術路線。但在這種情況下，已經完成了數億元的種子輪孖展，投資人在投你們的時候，最看重什麼？

劉念邱：首先還是我們講的這條新路徑。我們希望把機器人真正帶進開放、動態的日常生活圈，讓它更早產生商業價值，也就是有人願意為它的實際使用價值付費。

這背後的基礎首先是移動能力。哪怕機器人現階段只會一些簡單的抓放，只要移動能力足夠好，其實就已經能幹很多活，也有機會產生商業價值。

如果一開始就做家庭家政，機器人可能要先把很多事情都做得很好，消費者才願意買。我們的路線不太一樣，希望先憑藉移動能力進入真實場景，隨着機器人的能力不斷提升，願意使用它的人也會越來越多。

與此同時，真實使用又會帶來更多數據和反饋，反過來繼續推動產品迭代。我們希望形成這樣一個閉環。

從投資人的角度來說，這條路徑本身有足夠的差異化，而且這個差異化恰好對應具身智能接下來要進入的階段。

我們認為，科技行業大致會經歷三個階段。

第一階段是Demo和概念階段，大家都在判斷誰可能成功，但其實還看不清楚，某種程度上像「抽卡」。

第二階段，開始真正嘗試落地、驗證商業邏輯。到了這個階段，團隊就不能只會做科研，還要能夠做產品、做工程落地和運營管理。雖然這個時候收入可能還覆蓋不了成本，但會不斷接近最終規模化的商業模式。

再往後纔是真正的大規模商用，這時候考驗的是怎麼把技術優勢快速轉化成商業優勢。

所以除了技術路線本身，投資人也會看重我們過去在產品化、工程化和規模化方面的經驗。

另外，現在整個具身智能行業，我覺得還是處於第一階段的後半部分，還沒有真正到落地。

真正落地就不應該是公司自己發一個新聞，說「我在那裏做了什麼事情」，而應該是用戶自己會發。

就像Robotaxi一樣，用戶會說「我今天在哪兒打了一輛車」，而不是只能在新聞上看到它。

三、同時佈局大腦、本體、數據和系統，想讓機器人成為動態生活空間裏的夥伴

機器人前瞻：國內外做類似開放世界移動操作的企業其實也不少。費莫一和它們相比，最特別的地方是什麼？

劉念邱：本質上還是路線差異，我們的一個核心能力是「跨場景免部署」。

這裏的「免部署」是希望儘可能降低機器人進入新環境的使用門檻，不再依賴複雜的前期建圖、掃描或環境改造。長期來看，我們希望Physical Agent能夠跨越更多空間和任務，這也是「GO ANYWHERE. DO ANYTHING. WITH ANYONE.」所表達的願景。

機器人前瞻：你們剛成立不久，就同時佈局了四層能力。對一家初創公司來說，這意味着非常高的研發投入和組織複雜度，為什麼覺得這四層都必須同時做？

劉念邱：因為我們要走向第二階段，也就是開始真正嘗試落地、驗證商業邏輯的階段。

走向第二階段，就意味着必須得有本體。

其實DATA和BRAIN，所有AI公司都應該要有，但不是所有公司都真的能夠做好一套支撐大規模數據的基礎設施。

LINK則是機器人要和人產生交互，需要有這樣的系統來支持，這部分也和運營相關。

其實就和汽車一樣。如果我要真正做Robotaxi運營，我得買車、改車，得有傳感器系統，有運營調度系統，還要能夠收費，同時還需要數據和模型。

機器人前瞻：這四層都是全棧自研嗎，還是有一些會用開源或者生態夥伴的方案？

劉念邱：我們其實非常崇尚和生態夥伴合作，但凡有夥伴能夠做好，我們肯定願意用夥伴的東西。

我們的核心競爭力還是放在PHYMI BRAIN這一塊，這是我們的上限。但Physical Agent真正進入現實世界，模型、本體、數據和交互不能彼此割裂。BODY、DATA和LINK是BRAIN（大腦）能力落地不可缺少的系統支撐。。

機器人前瞻：PHYMI的定位是想做開放、動態、真實世界的Agent。能不能用一個更具體的例子解釋，這到底意味着什麼？

劉念邱：用通俗的話來說，我們其實想打造一個生活圈裏的夥伴。它不是只服務某一個人，而是進入開放、動態的生活空間，在不同場景裏幫助不同的人承擔那些高頻、細碎，卻始終需要有人親自到場、持續消耗時間和注意力的現實事務。

這些需求可能來自普通用戶，也可能來自服務人員。我們的定位是協助人，而不是替代人。我們希望機器人能夠成為一個隨時可以被想到、也能夠真正完成目標的夥伴。

機器人前瞻：您提到的這些場景都非常細碎，但市場足夠大嗎？最開始是怎麼想到「丟垃圾」這個場景的？

劉念邱：我覺得市場其實非常大。

我們做過一些調研。也和物業等一線服務方進行過交流。調研下來會發現，幫人處理這些高頻、細碎的生活事務，已經形成了真實需求，也有人願意為此付費。

我們的出發點其實一直不是去找一個單獨的垂直場景，而是看一個生活圈裏，不同的人在不同時間會有哪些需要別人幫忙的事情。聊下來會發現，這些需求雖然看起來很細碎，數量但非常多、頻次高，而且很多都發生在同一個區域裏。放到整個生活圈來看，其實際需求和市場空間都很大。

跨場景能力可以讓同一台機器人在不同時間承接不同任務，提高機器人的使用效率和實際價值。對我們來說，重要的不是押注某一個單獨場景，而是讓機器人真正進入生活，被大家接納和使用。只有進入真實生活，獲得更多使用和反饋，機器人才能迭代得更快。最終我們想走的還是通向通用機器人的路徑。

機器人前瞻：在產品形態上，你們強調PHYMI BODY不被單一形態定義，要「為長期幹活設計」。能滿足這個要求的機器人本體，應該長什麼樣？

劉念邱：PHYMI不會簡單用某一種固定外形定義產品，但無論採用什麼形態，核心還是要有通用的移動能力，同時能夠像人一樣幹活，這就意味着身高不能太矮，也不能太高。否則很多人能放東西的位置，它拿不到；人能看到的東西，它也可能看不到。

另一方面，它又不能太貴，穩定性也得好，最核心的就是要讓大家用得起，也願意長期使用。

機器人前瞻：您啱啱提到價格要讓大家比較容易接受、用得起。大概什麼價格比較合適？

劉念邱：我們希望它最終能夠進入普通用戶和服務機構可負擔的價格區間。具體價格還要結合產品形態、能力和量產進展來確定。

機器人前瞻：PHYMI BRAIN採取的是多層異步分頻多模態架構，這個和業內常見的「高層慢思考、低層快執行」的兩層架構相比，最大的區別是什麼？

劉念邱：那種本質上是一個兩層架構。如果只是從大的邏輯上來說，我們也可以這麼理解，但實際上沒有這麼簡單，因為機器人的決策其實有很多種。

就像大模型一樣，大家做Agent，完成一件事情可能會有很多Agent共同參與。我們認為一個Physical Agent，本質上也需要很多模型共同解決問題。

比如所謂高層慢思考，它其實也不只是一個「慢思考」。機器人要去買咖啡，到了一個地方以後，它得想咖啡店在哪裏、怎麼找，是看導航還是問人；如果問人，又涉及跟人交流。如果是操作任務，比如做冰淇淋，它又要把任務拆成幾步，第一步幹什麼、第二步幹什麼，這其實是另外一種思考模式。

所以如果只從大的邏輯上拆，當然可以分成低頻的認知決策和高頻的運動控制。但如果機器人真的進入真實空間，它還要跟人交流、理解人的目標、拆解目標，同時還要移動。

而且真實移動過程中，也不會像一些Demo一樣，提前把往哪裏走、過什麼路、在哪裏左轉這些信息都告訴它。真實情況下可能沒有這些信息，它得自己去搜索、去看導航。

所以我們才提出多層異步的系統。它其實是一堆能力的集合，不同能力對運行頻率、輸入信息、模態的要求都不一樣。

我們還提出全模態感知能力。比如機器人在真實世界裏，手臂碰到東西，也應該知道自己碰到了，而不是只有指尖碰到才叫碰到。這些都會對模型提出不同的要求。

機器人前瞻：現在大家都在講數據飛輪，您覺得這個飛輪要真正轉起來，最關鍵的是什麼？有人會說是數據質量或者一致性。

劉念邱：如果要讓它轉得動、而且高質量地轉，首先基礎設施得好。

沒有基礎設施，數據本身的流轉都不通暢。

但流轉通暢以後，更關鍵的是每轉一圈，怎麼保證它真的往上走了一層，這就必須有真實反饋。

我們覺得真實反饋很重要，所以最終還是得進入真實市場。

機器人前瞻：採集到的數據，什麼樣的數據纔算真正好用？

劉念邱：這個有很多維度。

如果從最基礎的角度來說，比如時間同步、一致性，這些必須做好，這是最基礎的。

再往宏觀一點，就是這個數據背後的邏輯必須清晰。

舉個例子，我需要拿編號為「1」的那瓶水，但是「1」這個字寫得非常小，那至少你的攝像頭得能夠看清楚這個「1」。

如果攝像頭根本看不清「1」，只是人在示教的時候看清楚了，然後抓了這一瓶，那機器人憑什麼知道為什麼要抓這瓶？它根本不知道這個動作背後的原因。

所以從細的角度，是時間同步、一致性這些基礎質量；從宏觀角度，是這個數據背後的邏輯必須清晰。

機器人前瞻：PHYMI LINK主要負責多模態交互、動態同步等能力，這些能力看起來也可以由BRAIN或者普通機器人調度系統完成，為什麼要單獨定義成一層？

劉念邱：它其實是一套系統，有點像人和機器人之間，以及機器人和機器人之間的橋樑。

因為我們做的是長程移動，機器人並不一定一直在人的身邊，所以人和機器人之間怎麼交互、機器人之間怎麼協同，就需要通過PHYMI LINK來完成。

它不只是任務調度。比如一台機器人發生故障，但任務還沒有完成，這時候可能就要讓另外一台機器人來接替它。

再比如機器人幫你去買咖啡，櫃台上放了很多杯，它不知道應該拿哪一杯。你可以在家裏看到它那邊的畫面，然後告訴它拿哪一單。或者它去一個店裏幫你買東西，你事先不知道店裏具體有什麼，它到了以後看到現場的東西，你也能看到，再決定讓它買什麼。

所以PHYMI LINK本質上是讓人和機器人、機器人和機器人之間能夠跨越空間、無縫協同的一套系統。

它不是一個單獨的硬件，載體可以是小程序，也可以是APP。如果機器人就在你面前，也可以直接交互。

四、機器人能力被普遍高估，真正量產還得等用戶買單

機器人前瞻：費莫一成立時間不長，卻要同時搭建模型、本體、數據和交互體系，，這個過程中最大的挑戰是什麼？

劉念邱：我覺得其實到處都是挑戰，但也沒有哪一個挑戰會讓我睡不着覺。

最開始什麼都沒有的時候，大家每天會討論非常多的問題。那個階段比較難的一點，是要判斷哪些問題更重要、應該優先解決哪些問題。因為所有問題其實都想解決，但時間和精力有限，所以怎麼做選擇很重要。

現在很多基礎設施基本都已經搭起來了，相對來說就會好很多。

機器人前瞻：現在業內很多具身智能公司都在講從模型、本體到數據的各種閉環和全棧能力。行業出現這種全棧競爭，是因為大家的產品方向還沒有確定，所以誰也不願意放棄任何一個方向的可能性嗎？

劉念邱：我們不是。我們的核心還是大腦，然後落地開放場景。

其他三個都是基礎設施。基礎設施的標準就是它能夠支撐我長期發展，不會成為我的瓶頸，並不是說這些方向我們都要拿來試一遍、探索一遍。

我們做本體的思路，和專門做本體的公司也不一樣，專門做本體的公司可能會追求本體性能的極限。我們只是希望這個本體在成本可控的情況下，各項參數能夠符合產品需求。

機器人前瞻：從去年下半年到今年上半年，大批自動駕駛人才轉向具身智能，甚至有人覺得自動駕駛的時代已經過去，具身智能纔是未來。您認可這種說法嗎？

劉念邱：不能這麼說。首先，自動駕駛現在依然是一個很熱的領域。特別是Robotaxi 正處在從概念真正走向落地的一個關鍵轉變期，相關能力和用戶規模都在持續增長。。

而且現在自動駕駛是真正被廣大用戶用起來了，增長速度也非常快，所以不能說它是一個過去的產業。

只能說，我個人對機器人非常感興趣。我覺得它是一個開始要起來的行業，我更想去做0到1、再到10的事情。

從自動駕駛轉到機器人，並不意味着所有做自動駕駛的人都有一樣的優勢。自動駕駛本身就是一個很大的行業，每個人在裏面做的事情、積累的能力都不一樣。

我過去的經驗，一方面是經歷了自動駕駛一個比較完整的周期；另一方面，我也做過非常多不同的板塊，包括硬件、傳感器、供應鏈、產品運營，還有數據相關的工作，這些都可以在機器人行業有很好的發揮空間。

元戎2019年才成立，而行業裏很多公司2016年、2017年甚至更早就已經入場。作為後來者，我們必須不斷判斷，在每一個關鍵時間點應該做什麼樣的技術選擇。

有些選擇在別人眼裏可能是一種豪賭，但在我們看來，是因為原來的路已經很難成功，所以必須找到一條新的、可能成功的路徑。

機器人前瞻：自動駕駛和具身智能都經歷過從概念火熱到落地艱難的過程，您覺得具身智能有哪些能力是被大家高估的？

劉念邱：只要它開始走向人的真實生活，大家就很容易高估它，這和自動駕駛很像。

自動駕駛最開始出來的時候，大家就天天討論倫理問題，但實際上，早期的智能根本沒那麼高級。那個時候連GPT都還沒有，哪裏來的那麼複雜的推理能力？

現在整體來說，我覺得普通大衆對它的能力還是高估了。大家高估的時候會把它想得特別厲害；但實際體驗如果沒有達到預期，又會反過來覺得它特別「垃圾」。

機器人前瞻：一家公司如果真的要進入量產階段，需要邁過哪些門檻？

劉念邱：這就要看怎麼定義「量產」。

如果把量產定義為通過現代化管理的標準工廠，按照標準化流程生產，那其實現在有些公司也可以算量產。

但我覺得真正的量產，應該是消費者有廣泛、持續的真實需求，在日常生活中真的會去願意長期使用它的時候。

而不是主要買它的科研價值或者表演價值，如果按這個標準來說，那還需要一段時間。