当机器人大脑飞上天！替人奔赴危险作业现场，对话硅羽科技
2026-08-22 16:53:13
来源：量子位
乔不迟 发自 凹非寺
量子位 | 公众号 QbitAI
具身智能的创业江湖，可以用“热辣滚烫”来形容。
几乎每天都有新的创业公司和创新技术涌现，路线越来越多，玩家越来越多，融资、模型、数据、硬件……已经热得不能再热。
就在这片热闹之中，又来了一位履历颇有意思的教授。
他叫张富。
这个名字背后的标签，单拎一个出来都足够讲一段故事：李泽湘的学生、拥有 8 年大疆产业顾问经历、香港大学副教授。
跟随李泽湘研究无人机时，他学会了沉下心来，到一线与供应链团队和用户沟通，不只做学者和旁观者；在大疆的 8 年时间里，他了解了如何将实验室技术做成产品，以及产业化过程中面临的真实问题；在港大实验室，他和团队一起持续推进自主飞行等前沿研究。
所以，这次创业，张富没有和一众玩家一起卷“地面”。
他将这三种经验结合起来，打造了不依靠 GPS 定位、不依靠飞手遥控，就能感知环境、判断自身位置、规划下一步行动，并最终自主完成任务的空中智能体。
图片
这也为具身智能进入人类世界创造了另一种可能：
具身智能未必一定要长出人的手脚。
它也可以先长出一双翅膀，替人走进那些几十米高的幕墙、陡峭的山坡和危险的工业现场。
具身智能又来了一位创业教授
硅羽科技受到关注，不只是因为它把具身智能搬到了天空，还因为创始人张富。
张富是香港创业教父李泽湘的学生。本科毕业于中国科学技术大学，之后在加州大学伯克利分校攻读博士。
2015 年前后，张富受李泽湘邀请进入香港科技大学，开始系统研究机器人和无人机；
2016 年起，他又深度参与大疆的核心技术研发与产品化，研究方向覆盖飞控、多传感器融合、激光雷达等。
在产业一线深耕多年，他参与过研发、产品定义和量产落地的完整过程。
图片
后来，张富来到香港大学，担任机械工程系终身副教授。期间，他组建了 MaRS Lab（港大机电与机器人系统实验室），并将研究重点继续聚焦于一件事：让飞行机器人在陌生环境中自主找到路。
MaRS Lab 公开资料显示，实验室长期研究 UAV、自主导航、激光雷达 SLAM 和集群协同，并强调将实验室成果推向真实世界。
其中一个代表性成果，就是 FAST-LIVO 系列。
简单来说，在 GPS 失效后，FAST-LIVO2 可以让机器人靠自己“认路”：一边观察周围环境，一边判断自己身处何处，再将沿途看到的世界拼成一张地图。
这一相关成果的论文获得了 IEEE Transactions on Robotics（TRO）傅京孙纪念最佳论文奖。
这条技术路线，恰好成为硅羽如今“空中智能”的技术底座：先让机器知道自己在哪里，再让它理解周围是什么，最后进一步判断“我要做什么、下一步怎么做”。
目前，张富正带领团队将实验室的科研技术转化为公司和产品。
公司目前构建了多模态感知、端到端运动控制、世界导航模型，以及灵巧作业和集群协同等技术体系，试图让飞行器摆脱对 GPS、先验地图和持续人工操控的依赖。
所以，硅羽真正想卖的不只是更聪明的无人机，还有无人机的通用大脑。
让无人机拥有“自主能力”，不需要人实时手动操作；同时，让同一套智能能力装进不同的飞行器，使它们能够自主感知、自主决策、自主完成任务。
资本已经开始下注。硅羽在半年内连续完成四轮融资，累计融资数亿元，投资方包括耀途资本、锦秋基金、阿里巴巴等。
图片
对张富来说，资本真正关注的并不是一架更智能的无人机，而是飞行器下一阶段可能出现的能力范式变化：
当成千上万种不同的飞行平台进入真实世界，能否让它们共享一套不断进化的智能能力？
给无人机装上大脑
量子位： 具身智能这么热，大家的注意力大多集中在地面人形具身上，你为什么偏偏选择了难度更高的空中具身？
张富： 我读博士时研究控制理论和人工智能，当时在学校实验室里见过简陋的四旋翼无人机，觉得特别有趣。
2015 年开始，我在港科大李泽湘老师的实验室里正式接触无人机，做了大量基础性工作，从无人机新构型硬件，到定位、感知、导航。
这两年具身智能发展得很快，我们很早就开始将具身智能与无人机结合起来。
随着研究深入，我们需要更多算力、数据和专利。
另一方面，我们也收到大量潜在客户的邮件，希望利用更智能的飞行器，解决一些传统方式难以覆盖的问题。
这两个因素共同促使我创业：一是满足市场需求，二是借助公司平台更好地推进技术突破，将通用空中智能推向下一阶段。
图片
无人机能够作业的场景，往往都是人很难去、去作业成本很高或非常危险的地方，因此天生具有不可替代性。
我认为，空中具身智能的商业进展会更快。
如果说飞行器行业的上半场比拼的是工程成熟度，那么下半场的核心变量将是自主能力。这已经成为行业痛点，大家都在将技术和资金投入这一方向，因此这个赛道的价值会更早得到体现。
量子位： 融资后有报道称你们正在量产，目前产品能够完成什么任务？
张富： 目前，人工操作的无人机受限于技术和智能化程度，仍有很多地方无法抵达，这部分就是我们的目标。
今年年底，我们会量产第一阶段的产品，让无人机不再需要飞手遥控，能够飞往更多困难、复杂的场景，自主完成特定任务。比如地下空间中的管廊、隧道，室内空间中的仓储和厂房，以及桥下、森林等无人机很难作业和飞行的地方。
再进一步，我们要让无人机具备自主思考能力，像人一样推理世界、自主决策，根据环境判断如何飞行，甚至在完全未知的环境中，依靠以往经验作出判断、完成任务，就像把人的脑袋装到无人机上。
我们的技术目前还在研发迭代中，需要进一步提升稳定性和成熟度。
图片
第三阶段的产品将具备干预世界的能力，比如抓取物体。这方面的商业化和落地需求还需要时间培育，例如高空作业、玻璃幕墙清洗等。
目前，这些作业场景都需要将人送上高处，非常危险，成本高、效率低。未来，这些工作都可以通过智能飞行器完成。
量子位： 硅羽科技的核心竞争力有哪些？
张富： 我们团队在两个维度做得比较好。
第一是原始技术创新能力。过去 10 年，我们研发的技术被企业广泛使用。
比如，在大疆时我负责研发的激光雷达览沃（Livox），解决了激光雷达成本高、重量大的问题。如今，从割草机、移动机器人、物流机器人、机器狗，到空中具身智能行业，大量无人机都在使用览沃。
对于空中设备而言，成本高和重量大带来的影响更为明显，任何一点重量都会带来能量损失和续航损失。我们的产品在同类产品中应该算是最轻的，重量不到一千克，整体只有一张 A4 纸大小。
它的续航能力与常见无人机类似，为 20～30 分钟。但需要注意的是，绝对续航只是一个方面，更重要的是有效续航。有效续航指的是单位时间内能够执行多少任务。
无人机依靠人操作时，人首先要对环境作出判断，再进行操控，还要在空中不断干预和纠正，这些都会在无形中降低无人机的作业效率。
空中智能体具备自主解决问题的能力后，就不再需要人工操纵。它能够高速自主飞行，在单位时间内抵达更多地方，执行的任务量远高于目前依靠人工操作的无人机，可能达到数倍。
以前执行一项任务需要 20 分钟，现在可能只需要 5 分钟。在我看来，这其实才是解决续航问题的最佳方式。
图片
第二是量产经验。我们知道如何将技术做成可靠、一致，并且能够满足用户痛点的产品。
量子位： 你在产业一线做了 8 年科学顾问，这段经历对创业有什么帮助？
张富： 最大的收获，是让我了解了将技术落地为产品的全过程。
我以前是比较典型的学者思维，只想做有趣、前沿、能够发表论文的研究。
但研究出来的技术如何应用到产品、应用到真实世界，我此前并没有过多了解。
到了企业之后，我才接触到产业化过程中会遇到哪些问题、需要什么资源、如何解决，以及如何将产品推向市场。只有真正下沉到生产一线，到工厂与研发人员沟通，观察工人操作，甚至亲自上手操作几遍，才知道软硬件结合、将产品做到产品层面，会面临多少困难和挑战。
这段经历让我对问题的思考不再停留于学者思维，还会从产业化角度思考和解决真实产业中的问题。
量子位： 公司刚成立不久，就有阿里巴巴这样的企业参与融资。大家说投资是因为你这个人，你觉得教授身份是投资的主要原因吗？
张富： 教授身份是一方面，肯定是亮点，代表我们具备原始技术创新能力。
但最终大家看的，一定不是某一个身份标签，而是团队有没有能力将一件长期而困难的事情真正落地做出来。
重构数字孪生仿真环境
量子位： 具身智能行业都面临数据紧缺问题，空中具身是不是更加缺数据？数据采集成本也更高吗？
张富： 是的，而且获取成本会更高。很多地面具身数据可以由人直接采集，但空中数据需要飞行器真正进入三维空间运行，还涉及飞手、设备、安全和场地条件。因此，高质量空中真实数据本身就比较稀缺。
如果完全依靠真实飞行覆盖所有环境，成本会非常高，而且很多长尾场景也很难完整采集。
所以，我们一直在探索如何利用少量真实世界数据，构建更大规模、更丰富的训练环境。
图片
量子位： 那硅羽用什么方式采集数据？
张富： 如果只靠真机采集真实数据，可能积累 10 年都不够用，成本也是无法估量的。
我们打造了一套 Real-to-Sim 数据采集系统，只需少量现实飞行数据，就能重构出非常逼真的仿真环境，批量生成不同场景的训练数据，大幅降低对真机采集的依赖。
Real-to-Sim 相当于一个放大器。一条真实数据可以复制、放大几千倍甚至上万倍，重复飞行数千至数万次，在一定程度上解决真实数据稀缺的问题。
量子位： 这样会产生 sim-to-real gap 吗？
张富： 这就是为什么我们做 Real-to-Sim，而不是纯仿真。
纯仿真会出现较大的 sim-to-real gap，但我们的 gap 小很多，因为环境不是直接从噪声（误差）中生成的，而是通过真实数据重构出来的，与真实世界高度一致。
在建筑领域，这被称为数字孪生：现实世界是什么样，通过 Real-to-Sim 放到电脑构建的数字世界中就是什么样。
Real-to-Sim 做得越好，gap 就越小。我们积累了大量底层核心技术，能够将保真度做得很高，速度也很快，几十平方公里的场景大概用十几分钟就能生成出来。
量子位： Real-to-Sim 生成的场景会不会过于单一，被限制在某个特定空间？
张富： 仿真不是一潭死水，可以进一步改变物体位置、环境结构、视角、任务条件等参数，将有限的数据扩展成更丰富的训练分布。
真实数据采集也不会只采集一两条，而是会采集成千上万条真实数据，只是每类数据不需要采集太多。
真实数据只需覆盖足够全面，多样性则可以在仿真环境中创造。两者结合，才能更有效地支持模型训练。
图片
量子位： 有了这个环境还能做什么？
张富： 不仅能解决数据短缺问题，还能进行强化学习。
现在大家更多在做监督学习，监督学习更多是模仿，而强化学习则是模型的自我迭代。
模型见过大量场景后，能够记住分布特征，基于记忆和数据产生行为推理，并不断在仿真环境中进行交互、自我博弈和迭代，最终其智能化程度可能超过人类。
这是让我们非常激动的一点。我们现在甚至开始考虑如何规制（regulate）技术，避免其被滥用。
量子位： 现在模型已经比人强了吗？
张富： 现在还没有。但随着数据、模型和算力不断积累，机器会越来越强。下一步的发展，就是让机器能够应对更加复杂、更加开放的真实环境。
空中智能逐步进入高风险、高成本场景作业
量子位： 你认为国内空中具身智能处于什么阶段？
张富： 刚刚起步。现在还没有一款产品真正实现批量制造，更不用说销售情况如何。大家还在探索技术路线和应用场景。
量子位： 距离规模化商业应用和量产还有多远？
张富： 很快，不会超过两年。但不同场景会有很大差异。
图片
量子位： 空中智能体有哪些应用场景？
张富： 我们对接过一个需求，是利用产品进行山坡基础设施巡检。
山坡上有一些基础设施需要定期检查和维修，比如阻挡泥石流下滑的铁丝网。
铁丝网只有两米高，周围却有很多树木遮挡。飞行器需要自主感知环境，避开树枝、树叶等干扰，飞到关键部位拍照，为铁丝网进行三维建模，检查是否存在需要加固或维修的地方。
这类工作以前都需要人来完成。工人要爬上很高的山坡，越过杂草和碎石；作业现场天气酷热，还有蚊虫叮咬，环境危险、效率低下，过去还发生过安全事故。
现在，飞行器可以逐步替代人工，进入这些高风险、高成本场景开展作业。随着空中智能体的操作能力进一步成熟，还可以用于更多空中作业，例如矿业、电力能源类基础设施巡检，以及仓储物流行业的仓库巡检。
量子位： 除了市政、矿业、电力等 B 端场景，普通消费者可以用在哪里？
张富： 未来，随着智能能力提高，人与飞行器的交互方式会发生变化。
比如摄影，飞行器可以像摄影师一样具备审美、捕捉情绪，自主选择角度、运镜和拍摄方式。消费者相当于随身携带了一位摄影师。
但这些都建立在一个共同前提上：飞行器首先要从“被遥控”走向“能自主”。
当这种能力真正成熟之后，空中具身智能才会从少数专业场景，逐步进入更广泛的真实世界。
圖片