星海图创始人高继扬：具身智能三层技术路线，没有捷径可走，双足人形Kengo首秀

2026年6月16日，星海图（Galaxea）举办了第一届全球开发者大会WDC 2026。上百位全球开发者、顶尖学者与产业链伙伴齐聚一堂，见证了一家具身智能创业公司的"成人礼"。创始人高继扬在会上阐述了星海图的具身智能三层技术路线——数据层、模型层、生态层——并带来了三枚"信号弹"：100万小时真实数据计划、新一代基础模型G0.5、以及首款双足人形机器人Kengo。

一、"没有捷径可走"：100万小时真实数据的雄心

高继扬在大会上多次强调一句话："具身智能没有捷径可走。"这话的背后，是星海图对行业瓶颈的清醒认知——当前机器人模型最大的问题并非算法不够先进，而是数据不够多、不够好。

大模型之所以在语言和视觉领域取得突破，依赖于互联网上数万亿Token的文本数据和数十亿张图像数据。而机器人训练数据的"惨状"截然不同：一个精细操作任务的演示数据，可能需要数小时的人工遥控采集，而且不同机器人本体、不同传感器配置产生的数据之间缺乏一致性。这导致机器人领域有一个尴尬的现象——很多算法论文在模拟环境中"效果惊艳"，一到真实世界就"原形毕露"。

星海图的应对策略是联合北京亦庄发起一家新数据公司"亦数智能"，专项推进100万小时超高质量真实数据计划。这相当于一家公司以接近工业级的规模系统性地采集机器人操作数据，而不是依赖开源社区零散的演示集。据透露，仅这个数据项目的初期投入就超过2亿元人民币。在行业内，如此规模的数据投入并不常见——大多数具身智能公司的研发预算更多地分配给了模型算法和硬件迭代。

二、G0.5：新一代具身基础模型

在三层路线图的模型层，星海图发布了新一代具身基础模型G0.5。从命名不难看出，这是对上一代模型G0的重要升级，但尚未到"完全体"版本。G0.5的关键改进在于引入了更高效的视觉-语言对齐策略和更强的多任务泛化能力。

具体来说，G0.5在训练过程中采用了"数据课程学习"（Data Curriculum Learning）策略——不是将所有数据混合后一股脑喂给模型，而是按照任务复杂度从简单到困难逐步递进训练。这种策略让模型在掌握基础操作后，再学习复杂任务组合，训练效率提升了约3倍。在星海图内部的实际测试中，G0.5在20种未见过的餐桌操作任务上实现了超过70%的成功率，而G0的基线水平不到40%。

值得注意的是，G0.5仍然是一个以"感知-规划-控制"为范式的模块化模型，而非端到端的"感知到动作"直出模型。高继扬对此的解释是，在具身智能领域，"系统可解释性"在现阶段比"极致简洁"更重要——当机器人走进家庭和工厂，用户需要知道机器人为什么这样做，也需要在出现错误时能够回放和追溯问题根源。

三、Kengo：首款双足人形机器人的亮相

本次大会最大的亮点——首款双足人形机器人Kengo的正式亮相。实际上Kengo在半个月前已经在某些技术社区中被"剧透"，但这是首次面向行业公开展示完整形态和技术规格。

Kengo的设计理念可以用"实用主义人形"来概括——它不像某些人形机器人那样追求极致的美学或运动能力，而是专注于在真实的家庭和办公环境中完成有价值的操作任务。Kengo的身高约165厘米，重量约60公斤，全身拥有超过40个自由度。特别值得注意的是它的手部设计——每只手配备12个自由度，包括4个独立驱动的手指和可对撑的拇指，能够完成抓握、捏取、按压等多种精细操作模式。

Kengo在大会上现场演示了打开冰箱取饮料、整理书桌、开关灯等一系列日常家务操作。虽然动作速度还不及人类，但其运动流畅度和操作稳定性已经达到了令人印象深刻的水平。高继扬表示，Kengo预计在2027年进入小批量试产阶段，首个落地场景将聚焦于高端家政服务和轻度护理场景。

四、三层技术路线的内在逻辑

星海图的数据层—模型层—生态层三层路线图，展现了一个完整的"产学研"闭环思维。数据层提供燃料，模型层提供引擎，生态层提供应用场景和反馈回路。这种结构化的战略规划在一家创业公司中并不常见——大多数初创公司更倾向于"先做一个产品，再想战略"。

但高继扬给出的理由非常充分：具身智能的复杂性决定了它不可能像互联网APP那样快速迭代。一个真实的机器人系统涉及硬件、软件、算法、数据、安全、法规等数十个维度，任何短板都会导致整个系统的失效。因此从一开始就从系统角度规划三层结构，反而可能是最快的路径。

大会上的另一个亮点是清华大学电子系教授汪玉的演讲以及今日资本创始人徐新的全程参与——这两位重量级嘉宾的出现，从侧面印证了星海图在"学术+资本"资源整合方面的强大能力。2026年被行业视为"具身智能分水岭"，星海图用一场大会向行业宣告：他们已经做好了过冬的准备，也准备好了迎接春天。