场外配资平台郭彦东“详解”具身智能：将AGI的能力真正赋予物理世界的机器人

　　经济观察报记者郑晨烨

　　“到2033年，拓展至百万台规模，覆盖工业、物流、家庭服务等多元化场景。”近日，智平方（深圳）科技有限公司（下称“智平方”）创始人兼CEO郭彦东，在公司新一代通用智能机器人AlphaBot 2的发布会上掷出了这句豪言。

　　对于一家成立刚满两年的初创企业而言，在商业化前景尚未十分明朗的具身智能赛道，立下如此具体的目标，实属罕见。

　　从履历上看，郭彦东曾是微软美国总部核心AI团队成员，任职期间主导开发了多款 AI 前沿技术和产品，其中Custom Vision服务是全球范围内首次将“预训练模型+场景微调”商业化的实践尝试，为AI技术的大规模应用打开了新思路。

　　他还在小鹏汽车和OPPO担任过首席科学家和研发高管，这名技术和产业“老兵”，选择在人工智能大模型爆发的节点时刻切入机器人赛道，其核心思考逻辑是“将AGI（通用人工智能）从数字世界拓展到物理世界”。

　　郭彦东强调，智平方坚持“软硬一体垂直整合”，以自研的Alpha Brain为核心，定义并驱动AlphaBot等一系列“AGI终端”，率先从汽车制造、半导体、生物科技等高门槛的工业场景寻求商业化突破。

　　然而，在“豪言壮语”的背后，现实的拷问也随之而来：一家年轻的创业公司，何以支撑如此“重”的战略投入和如此长远的产出预期？其宣称领先的GOVLA大模型，在全球巨头林立、技术加速迭代的背景下，能否构筑起真正的护城河，并转化为可持续的商业成功？从“能演示”到“真能用”，再到“大规模用好”，这条路上的“坑”，智平方能否一一趟过？

　　另外，郭彦东也预测通用机器人的“iPhone时刻”将在5至7年后到来。这一预测和百万台产能目标，是基于清醒的行业洞察，还是在资本与舆论裹挟下的理想化宣言？

　　近日，带着这些问题，经济观察报记者与郭彦东展开了一场直接对话。

　　以下是对话实录：

　　最难啃的三块“硬骨头”

　　经济观察报：你从微软、小鹏、OPPO等大厂高位转身，创立智平方，投身具身智能赛道，是什么驱使你做出这样的选择？要实现智平方的“AGI终端”普及的愿景，你认为最难啃的“硬骨头”是什么？

　　郭彦东：我在微软、小鹏、OPPO的经历，让我深刻体会到AI技术如何一步步渗透并重塑各个智能终端形态。

　　从PC到智能手机，再到智能汽车，每一次变革的核心都是让人与智能终端的交互更便捷，让终端能在更多场景完成更多样的工作，这是一个很清晰的脉络。

　　今天，我们正站在又一个变革的门槛上，通用人工智能（AGI）与物理实体的结合——也就是具身智能机器人——将是第四代革命性的智能终端。

　　这不是简单的线性延伸，而可能是一个数量级的飞跃。

　　我看到的机会，就是将AGI的能力真正赋予物理世界的机器人，让它们从只能执行预设程序的“机器”，进化成能够理解环境、自主决策、并与人自然协作的“智能体”。这片“无人区”，正是通用智能机器人能够像今天的智能手机和汽车一样普及的巨大空间。

　　我们的愿景和使命，就是推动这一天的到来。但这条路无疑是艰难的。当前最难啃的“硬骨头”，我认为有三块：

　　首先是技术的通用性与鲁棒性（指系统、模型或算法在面对异常输入、干扰、噪声或环境变化时保持正常功能和性能的能力）。如何让机器人真正具备跨行业、跨场景、跨任务的泛化执行能力，而不是每换一个场景就要重新大量编程和训练？这需要多模态感知、快速学习、自主决策与精准执行能力的深度融合与突破。很多时候，实验室里表现完美的机器人，到真实、复杂、动态的工厂或家庭环境里就“水土不服”，这就是鲁棒性不够。

　　其次是成本与价值的平衡。目前高性能机器人的硬件成本依然高昂，虽然我们判断未来2—3年硬件成本会随着规模化量产而显著下降，但现阶段，如何在特定场景下让客户明确感知到机器人带来的价值，比如，效率提升、成本降低、安全性提高，能够覆盖甚至远超其采购和部署成本，这是商业化的关键。

　　最后是应用场景的深度挖掘与标准化难题，工业场景需求相对明确，比如我们合作的晶圆搬运、汽车装配。但即便是工业场景，不同工厂的工艺流程、环境布局也千差万别。

　　如何从中提炼出共性需求，形成相对标准化的解决方案，再针对特定需求做少量定制，这对我们的技术能力和行业理解都是巨大考验。而服务机器人、家庭机器人面临的场景则更为开放和非标，挑战更大。

　　“软硬一体”自建产线

　　经济观察报：智平方坚持“软硬一体”并自建产线，走的是重投入的“机器人服务商”模式，在行业有多种轻资产模式的背景下，你为何认定这条重投入之路是必要的？如何平衡高投入与回报周期的不确定性？

　　郭彦东：这确实是一条“重路”，但我们认为这是具身智能，尤其是通用智能机器人这个赛道特性决定的，甚至是唯一能走通的路。为什么这么说？

　　第一，我们的商业模式核心是交付能解决实际问题的最终产品，而不是一个单一的技术模块或零部件。客户买的是一个能干活的机器人，一个完整的解决方案，而不是一堆需要自己集成的技术。这就要求我们对最终产品的性能、可靠性、成本负全责。

　　第二，从技术层面讲，机器人的“大脑”（AI模型）与“身体”（硬件本体）是高度耦合、深度绑定的，很难割裂开来独立发展和销售。这非常像自动驾驶系统，甚至可以说自动驾驶是机器人大脑的一个简化版。

　　你看看行业里的经验，一些已经做得非常好的自动驾驶系统，换一个车型，往往需要几百个工程师耗费十几个月的时间驻场进行适配开发。这个例子从一个侧面反映出，一旦进入具身大模型这个赛道，切换硬件的代价和成本是相对比较高的。这就意味着，你很难用一个所谓“通用”的大脑，简单地卖给各种不同的机器人硬件公司，让他们自己去适配。更高效、更可靠的模式，是用一个全新的、强大的大脑，去正向设计和定义你的整个机器人系统，然后以软硬一体的方式进行销售和交付。

　　汽车行业喊了很多年“软件定义汽车”“智能定义汽车”，但实际上受到了很多现有生产供应链的限制、行业惯例的制约，以及各种车规、行规和产品惯性的束缚，使得软件并不能够真正意义上地彻底定义硬件。但机器人是一个全新的赛道，它没有那么多历史包袱。只要你有这样的认知，有这样的能力，你完全可以用一个全新的软件和AI能力，去定义一套全新的硬件架构，然后软硬一体地交付给客户，提供最佳体验。

　　当然，这要求创始团队和核心团队必须是“全能型选手”，既要懂模型算法，也要懂硬件本体，还要懂生产制造、供应链管理，把这些要素协同起来，作为一个整体产品去打造和运营。

　　关于高投入与回报周期的平衡，我们有清晰的融资规划和阶段性的商业化目标。通过率先在高价值、需求明确的工业场景落地，比如半导体、汽车制造、生物科技等，我们可以较早地获得现金流，验证商业模式，并为后续更大规模的研发和市场拓展提供支持。同时，自建产线也是为了更好地控制产品质量、迭代速度和最终成本，为未来的大规模量产做准备。

　　我认为一个强大的、定义清晰的软硬一体化产品平台，反而能更有效地吸引和赋能生态伙伴。我们并不是所有东西都自己做，比如一些通用的零部件、末端执行器等，我们会选择成熟的供应商。

　　大模型研发必须“重投入”

　　经济观察报：智平方宣称Alpha Brain的GOVLA大模型是“全球首款”全域全身VLA（视觉-语言-行动）模型，这个“全球首款”具体“新”在哪里，对比业界已有的VLA，其核心的、可被感知的“领先性”体现在哪些方面？

　　郭彦东：称GOVLA是“全球首款”全域全身VLA大模型，我们是有底气的。它的“新”和“领先性”，主要体现在对机器人“智能”和“行动”边界的根本性拓展上。

　　传统的VLA模型，很多时候更侧重于“视觉到单臂操作”的映射，机器人像一个固定在原地的“桌面操作员”。而我们的GOVLA，这里的“G”代表Global（全局），意味着机器人具备对广阔、动态、非结构化环境的理解与适应能力，不再局限于眼前的一亩三分地；“O”代表Omni-body（全身协同），这是核心突破之一，意味着我们的大模型首次能够输出机器人全身的控制指令和完整的移动轨迹，而不仅仅是机械臂的动作。

　　我举一个“做早餐”的例子，它很能说明问题：一个搭载常规VLA的机器人，你让它做早餐，可能需要人把鸡蛋、面包都放到它面前的桌子上，它在桌面上操作完成后，你还得去把它做的早餐端走。因为它可能“看”不见桌子以外的东西，也无法自主移动到冰箱取食材。但搭载GOVLA大模型的AlphaBot 2，就能做到360度无死角地感知周围环境，听懂你的指令后，自主规划路径去冰箱取食材，完成制作，甚至把早餐送到你的餐桌上。

　　这才是从“自动化工具”到“智能管家”的跨越。我们GOVLA的内部架构，通过空间交互基础模型、负责复杂逻辑推理与任务拆解的“慢系统”（System2），以及负责输出全身控制动作与移动轨迹并兼顾实时响应的“快系统”（System1）的协同工作，来实现这种复杂的全链条服务能力。

　　就我所知，在目前中国这么多做机器人的创业公司里面，我们是唯一一家已经把自己的模型版本开源，且有能力将自研的大模型能力商业化输出的公司，这本身就说明了我们的技术是有实际应用价值和市场竞争力的。

　　我们的GOVLA大模型，其核心框架——包括空间智能的构建、多模态信息的融合机制，以及机器人全身运动控制和移动轨迹生成等关键模块——是100%全栈自研的。这是我们技术体系的基石，也是我们知识产权的核心。

　　在这个坚实的自研基础上，我们敏锐地观察到，当前大语言模型在长程复杂任务的理解、分析和高级逻辑推理方面，确实展现出了非常强大的能力。为了进一步强化我们GOVLA模型在这一特定维度的表现，让机器人不仅“手巧”，更能“心灵”（具备深度思考和规划能力），我们选择性地将DeepSeek在推理大模型方面的关键训练技术引入GOVLA的训练过程中，目的是在保持整体技术架构自主可控的前提下，更快地打造出整体性能更强、更智能、更具竞争力的国产可控VLA模型。

　　经济观察报：大模型研发无疑是一场高投入的“马拉松”，你们宣称拥有“搜索引擎级”数据，并在研发上投入巨大。对这种高投入，你如何向市场和投资人证明其商业上的合理性与必要性？

　　郭彦东：大模型的研发是“重投入”，而且必须是持续的“重投入”。

　　关于商业合理性和投入产出，我的看法是，在当前具身智能发展的初期阶段，尤其是对于我们这种致力于构建底层核心技术壁垒的公司，不能简单地用传统的、短期的财务投资回报率去衡量。

　　我们更看重的是，这些投入能否为我们构建起足够深、足够宽的技术护城河，能否让我们在关键的核心能力上，比如，模型泛化能力、端侧部署效率等，做到全球领先，以及这些核心能力最终能否转化为产品在特定场景下不可替代的竞争力，并赢得客户的真金白银的订单。这就像修高速公路，前期投入巨大，但一旦建成，其长期的社会和经济效益是不可估量的。

　　那么，我们如何确保这些投入是高效的，而不是盲目烧钱呢？主要有几个层面：

　　第一，我们的投入是建立在清晰的战略认知和深厚的技术积累之上的，不是跟风，也不是“大力出奇迹”那么简单。

　　在算法层面，我们的核心团队在AI领域有近20年的“内功”修为，我们具备设计和实现全球领先的、非基于现有开源框架的全新神经网络结构的能力。这是我们最核心的Know-how之一，它决定了我们模型的上限和独特性。

　　在数据层面，我们说用的是“搜索引擎级别”的数据，这个“级别”不仅仅指规模大，更重要的是数据的多样性和高质量融合。我们有来自公开互联网的海量数据（603138），比如YouTube上每秒钟都在上传新的视频，这些能让模型具备广泛的常识和基础泛化能力；我们也有高质量的仿真数据，我们用仿真数据训练的模型在全球相关比赛中也拿过冠军，仿真环境能提供精确的3D空间信息和大规模、低成本的交互训练；但最宝贵也最能提升模型应对真实世界能力的，还是我们通过实际部署的机器人采集到的真实世界交互数据。

　　我早在2017年在华盛顿大学给博士生上课的时候，就提出要把这三种数据（互联网、仿真、真实物理交互）结合起来，因为每种数据都有其独特的优势和不可替代的价值。

　　在算力层面，我们确实投入了大量的计算资源和基础设施建设，但我们更强调“好钢用在刀刃上”，非常注重训练效率的提升。

　　比如，我们在训练加速、增量学习（Incremental Learning）等领域都有非常深入的研究和实践——我之前写的一篇关于端到端增量学习的论文，是目前全球在这个细分领域被引用次数最多的。这意味着我们不仅敢于投入，更知道如何聪明地、高效地利用这些宝贵的算力资源。

　　第二，我们通过一些战略性的举措，来放大我们研发投入的价值，之前跟北大合作的RoboMamba（一款高效端到端VLA具身大模型）开源就是一个例子。

　　开源对我们来说，至少有三重意义。

　　其一，这是技术自信的体现，也是一种“以打促练”。我们把模型放在世界舞台上，与全球最顶尖的模型和团队去实测PK，我们的具身大模型在运行速度、任务执行的成功率上都远远领先，这本身就是对我们技术最好的检验和提升。我也很不服气Figure AI创始人说中国公司只会搞硬件，我们就是要证明中国在AI智能化这个高毛利、高附加值的领域，同样可以做到世界一流。

　　其二，开源是吸引顶尖人才、促进技术交流、构建开发者生态的重要途径。一个活跃的开源社区，能为我们带来宝贵的外部反馈，加速模型的迭代和优化，甚至可能发现一些我们自己都没想到的新应用场景。

　　其三，这对于我们商业模型的快速成熟和数据生态的构建，有着间接但非常重要的战略助益。

　　我们坚决避免陷入不计成本的“烧钱竞赛”，我们的核心理念是“实干创造价值”。我们是“实干派”，不是“炫技派”。

　　评价一项技术、一个产品好不好，我们的标准不是看它的演示有多酷炫，机器人能不能跳舞、翻跟头，而是看它能不能真正在工厂里、在实际应用场景中，稳定、高效地完成有价值的工作，能不能为客户创造可量化、可感知的效益。

　　我们绝不会为了追求某个单一的技术指标的极致，而牺牲产品的整体实用性、可靠性和经济性。

　　为此，我们在技术路线上有很多非常务实的选择，比如，我们大力发展端侧智能，提升模型压缩的能力。我们的技术可以让大模型在端侧部署后，推理运行速度提升8倍以上，这意味着什么？意味着可以大幅降低对云端昂贵算力的依赖，降低机器人的功耗和成本，提升响应速度和数据安全性。

　　这背后，是我们团队很多核心成员过去在OPPO、小鹏等企业，积累的将AI模型在数以亿计的智能终端（手机、汽车）上进行本地化部署和优化的宝贵经验。纯粹的科学家团队，可能在这方面经验会相对欠缺一些。

　　我们的目标是做出真正有用、好用，而且最终让客户用得起的机器人。

　　高端工业场景“痛点清晰”

　　经济观察报：智平方主攻汽车、半导体、生物科技等高端工业场景，为什么选择这些场景先行落地？

　　郭彦东：我们选择汽车制造、半导体、生物科技这些高端工业场景作为商业化的首批切入点，主要是基于几点考虑：

　　第一，这些行业对自动化、智能化、柔性化的需求非常迫切，痛点清晰，比如招工难、人力成本高、生产环境要求严苛（如无尘、无菌）、重复性劳动强度大等；第二，这些场景对机器人的任务成功率、稳定性、可靠性要求极高，能够充分检验和打磨我们的核心技术；第三，这些行业的客户通常有较强的付费能力和意愿，能够为我们带来相对可观的早期收入，形成正向的商业循环。

　　这些场景的定制化需求比较高，这也是为什么很多传统机器人公司或系统集成商在这些领域做得比较“重”的原因。

　　但我们的思路不太一样。我们的核心是通用具身大模型Alpha Brain和通用智能机器人AlphaBot，而AlphaBot的设计理念是用一个相对通用的本体形态，通过合理地更换部分模组，实现对较多场景任务的适配性。

　　在具体项目落地时，我们会首先深入理解客户的核心工艺流程和痛点，然后基于AlphaBot在有限范围内的通用性，结合场景特点进行适配和优化。这种适配更多的是在软件层面，比如针对特定任务的技能学习、与客户现有生产管理系统（MES）的对接等，而不是对机器人硬件本体做大规模的定制化改造。通过对一个个扎实场景的攻坚，我们的Alpha Brain会积累越来越丰富的行业知识和技能，其泛化能力也会越来越强。这样，当遇到相似行业或相似任务时，我们就能大大缩短部署周期，降低实施成本，从而实现解决方案的可规模化复制。

　　例如，我们与吉利科技旗下的晶能微电子合作，在杭州的半导体生产基地部署AlphaBot，执行晶圆在无尘车间的搬运和装载任务，能有效降低因人工操作可能引入的“人源污染”，提高产品良率。

　　最新的战略合作方是全球生物科技龙头华熙生物，我们的机器人将在其工厂内执行物料协同转运、智能拆包消毒、成品智能视觉检验，以及多种物料协同的智能供料等操作，特别是在无菌产品灌装、微生物培养监控等高风险、高洁净度要求的环节，替代人工操作，避免交叉污染，保障产品质量。

　　我们是从工业场景切入，逐步向公共服务、家庭服务等领域拓展，构建起“技术-场景-数据”闭环。今年第三季度，智平方的机器人将上线国内一线城市的机场，为旅客提供贴心服务。今年第四季度，智平方的机器人将在国内示范小区落地应用，为业主提供有智慧、有温度的服务。

　　从实际的订单规模和商业回报来说，我们去年（2024年）已经实现了数千万元人民币的回款。

　　这在国内通用智能机器人创业公司中，算是比较早实现商业化营收的。这证明了我们的产品和服务是能够被市场接受并产生实际价值的。当然，目前我们还处于商业化的早期阶段，单个项目的金额和利润贡献可能还无法与成熟的工业自动化设备相比，但重要的是我们验证了技术的可行性和商业模式的闭环。

　　随着我们解决方案的成熟度越来越高，可复制性越来越强，以及客户对我们产品信任度的提升，未来的订单规模和商业回报是值得期待的。我们不是简单地卖几台机器人，而是通过“机器人即服务”的模式，为客户提供持续的价值。

　　通用机器人的“iPhone时刻”

　　经济观察报：你预测通用机器人的“iPhone时刻”在5—7年后到来。回顾智能设备史，许多技术从工业应用到消费普及的路径远比预期曲折。支撑你这一判断的关键前提是什么？

　　郭彦东：我对人形机器人，更广义地说是通用智能机器人，进入大众消费市场的“iPhone时刻”的预测，是基于对技术发展趋势、成本下降曲线以及市场需求演变的综合判断。这里面有几个关键前提：

　　第一，核心技术的成熟与突破，特别是“智能的通用性”。机器人需要具备跨行业、跨场景、跨任务的泛化执行能力，能够像人一样适应不同的环境和需求，而无需针对每个新任务进行大量的重新编程。这依赖于具身大模型的持续进化，包括更强的感知理解能力、更高效的学习能力、更安全的决策与交互能力。我们正在努力的方向，就是让Alpha Brain驱动的机器人，能做到“无需训练即可完成多种任务，并且能快速掌握新任务，稳定适应各种变化”。

　　第二，硬件成本的显著下降，目前高性能机器人的核心零部件，如传感器、驱动器、控制器以及AI计算单元等，成本依然不菲。但我坚信，随着机器人产业规模的扩大，供应链的成熟（尤其是在中国，很多机器人零部件可以借鉴和转化新能源汽车的供应链体系），以及关键技术的国产化替代，机器人的整体硬件成本在未来5—7年内有望降低到一个普通消费者可以接受的水平，也许就像今天一辆经济型汽车的价格。我们判断，机器人硬件本体的研发已趋于成熟，正处于量产爬坡阶段，未来2—3年内将迎来平稳的规模化增长期。

　　第三，“杀手级应用”的出现，就像智能手机的App Store和各种移动应用引爆了市场，通用智能机器人也需要在某些关键场景中展现出不可替代的价值，解决用户的核心痛点，才能真正激发大规模的购买需求。在工业领域，这个价值点可能体现在效率提升、成本降低、替代高危或重复劳动；在家庭领域，可能体现在陪伴、护理、家政服务等方面。

　　我们相信，这些探索对于理解用户需求、打磨产品体验，以及最终找到通往“iPhone时刻”的路径至关重要。这符合我们“技术-场景-数据”闭环的战略。

　　具身智能的“中国优势”

　　经济观察报：百万台产能目标（2033年），对初创公司而言极具挑战。在核心零部件国产化、整体成本、高端人才等现实制约下，智平方的“软硬一体的机器人服务商”模式如何避免重蹈“新势力”造车早期在产能和供应链上遇到的问题？

　　郭彦东：我们计划到2028年实现万台级别的场景应用，到2033年公司成立十周年之际，将机器人部署规模拓展至百万台级别，覆盖工业、物流、家庭服务等多元化场景。这绝非易事，尤其对于一家初创公司而言。

　　你提到的核心零部件国产化、成本控制、高端人才等问题，都是我们必须正面应对的关键挑战。关于“产能地狱”和“供应链掣肘”，我在小鹏汽车时亲身经历了从零到年产十万台的快速爬坡过程，深知其中的艰辛与关键节点。我们选择自建产线，正是为了从一开始就将生产制造的主动权掌握在自己手中，确保产品质量、迭代速度和长期的成本控制能力。

　　对于供应链，机器人产业与新能源汽车产业有很多相似之处，尤其是在“三电”（电机、电驱、电控）、电池、传感器等领域。中国在这些领域已经建立了相对完善且富有弹性的供应链体系。很多机器人零部件并非从零开始，而是可以从新能源汽车的成熟供应链中进行转化和升级，这个过程的速度和效率可能比外界想象得要快。

　　至于一些特定的、技术含量非常高、目前可能还需要依赖进口的核心部件，首先，并非每一款机器人都必须使用这类特定的高端部件，有很多不同的技术方案可以实现类似的驱动功能；其次，即便某些部件短期内存在瓶颈，我相信随着国内需求的增长和技术的进步，国产替代的速度也会加快。我们也在积极布局核心硬件的自研能力，比如在机械臂、底盘等关键部件上，我们都有自己的自研技术，目标是逐步提升核心部件的自研比例和可控性。

　　人才方面，我们采取“南北协同”的模式，在北京设立AI团队，依托那里的人才高地进行核心算法和模型的研发，很多同事都来自北大、清华等顶尖学府，且多是经验丰富的“行业老炮”，可以“老带新”；同时将硬件研发、产业化和供应链管理扎根于深圳这个硬件创新之都。我们对人才的要求非常高，宁缺毋滥。

　　百万台目标虽然道阻且长，但我们有战略、有技术、有团队，也有对产业发展规律的敬畏和对挑战的充分准备。

　　经济观察报：你如何理解中国发展具身智能产业的优势？你认为中国具身智能企业在全球牌桌上突围的关键是什么？智平方如何证明自己是核心智能的创造者，而非仅仅是硬件集成商？

　　郭彦东：中国为发展具身智能产业提供了可以说是得天独厚的环境：

　　第一，我们拥有全球最完善、响应速度最快的机器人硬件供应链，这植根于我们国家发达的消费电子和新能源汽车产业基础，使得硬件迭代更快、成本控制更有优势；

　　第二，我们有极其丰富的应用场景，从庞大的制造业基础到多样化的社会服务需求，这为机器人提供了海量的真实世界训练数据和商业化机会；

　　第三，我们有活跃的创业公司、积极的投资者以及各级政府的大力支持，共同构成了一个充满活力的产业生态系统。

　　我甚至有一个判断：“任何国家的科学家要做具身智能，都得去中国，否则技术很难走出实验室。”

　　当然，“卡脖子”的风险也确实存在，尤其是在一些高端AI芯片、核心传感器、精密制造工艺等领域。美国等国家也在加速布局，试图构建技术壁垒。

　　中国企业要想在全球竞争中突围，关键在于两点：一是坚持核心技术的自主研发与创新，尤其是在“大脑”层面，也就是在具身大模型、空间智能、自主决策等核心算法上，必须有自己的东西，不能满足于做简单的集成和应用；二是深度理解并快速响应市场需求，将技术优势转化为实实在在的商业价值。

　　智平方从创立之初，就立志成为一家技术驱动的、世界领先的具身智能机器人企业。我们不仅要做出好的“身体”，更要打造出最聪明的“大脑”。

　　我们全栈自研Alpha Brain及其底层的GOVLA大模型，就是为了掌握核心智能。我们之前开源RoboMamba模型场外配资平台，也是希望在世界舞台上与顶级模型同场竞技，证明中国企业在AI软件和核心算法层面同样可以做到世界一流。