同一項工作任務放進真實場景，能穩定地完成成千上萬次，并讓客戶愿意為結果付費，才是一門生意。

真實環境中的變化不可能被訓練樣本完全窮盡，一次微小偏差也可能在長程任務中不斷放大。隨著具身智能走向規?；瘧?，行業競爭的重點正在從展示單次能力，轉向比拼真實作業中的穩定性、效率和商業價值。

近日，世界模型驅動的城市場景具身智能全棧商酷哇科技宣布，正式聘任人工智能領域知名學者楊學博士擔任公司首席科學家。同時，酷哇近期將與上海交通大學啟動籌建“上海交通大學 - 酷哇科技通用具身智能聯合實驗室” (Embodied General Intelligence Lab）”，進一步深化產學研前沿布局。

成立于2015年的酷哇，聚焦復雜城市場景中的具身智能應用，是業內率先實現萬臺級機器人常態化運營的公司之一。目前酷哇已進入全球50余座城市及地區。業務覆蓋共享出行、市政環衛、智能制造和物業服務等領域。

依托于商業運營，酷哇進一步構建了“動態場景、物理交互、真機糾偏”三層真實世界數據金字塔，積累數據規模超50PB，并打造COOWAM——行業首個雙層智能體世界模型架構，以統一模型驅動不同形態的機器人落地應用。

商業化已經領先一步的酷哇，為何選擇此時引入首席科學家，共建校企合作平臺？

這指向了酷哇對于具身智能走向規?；瘧?，如何跨越鴻溝的一個核心判斷：讓算法、硬件和場景深度融合，形成系統性的商業閉環。

萬臺級部署，帶來的不只是訂單

算法、硬件和場景的融合，并不是把三種能力簡單疊加。在酷哇想要構建的閉環中，真實商業場景既是需求的來源，也是數據產生的起點。

實驗室可以預設物體位置、光照條件和任務流程，城市開放環境卻始終處于變化之中。天氣、道路、障礙物、作業對象以及其他參與者的行為，都可能改變機器人的下一步行動。而這些變量很難僅靠仿真樣本完整覆蓋。

機器人要進入真實世界，訓練它的數據就不能只記錄“看到了什么”，還需覆蓋機器人與環境交互、行動結果，以及出現異常后調整的糾偏數據。基于長期真實運營，酷哇因此構建了三層真實世界數據金字塔：

動態場景數據幫助模型理解開放環境和行業任務；物理一致性交互數據記錄動作、力反饋及物理因果關系；真機執行與閉環糾偏數據則呈現實際執行結果、異常處理與策略調整。

三層數據分別對應機器人認識世界、理解交互和執行任務的不同環節。這也意味著，酷哇的50PB數據并非簡單的真機運行日志，而是一套覆蓋環境認知、物理交互和閉環執行的多源數據體系。

但數據規模并不等于模型能力。數據越多、類型越復雜，篩選、標注和訓練的成本就越高。如何提高真實世界數據向訓練信號的轉化效率，這是楊學能夠幫助酷哇解決的第一道難題。

從50PB數據到模型能力，關鍵在轉化效率

公開資料顯示，楊學為上海市啟源學者、CCF優秀博士學位論文獎得主，曾連續三年入選斯坦福全球前2%頂尖科學家榜單，在單體多模態大模型、復雜目標檢測、弱監督學習及模型后訓練等領域形成了一系列享譽國際的研究成果。

這些研究成果，能夠應用于酷哇“模型-硬件-場景”商業閉環中的兩個關鍵環節。

第一個環節是數據工程。

面對50PB真實世界數據，完全依賴人工完成篩選和精細標注，從成本層面來看并不現實。更關鍵的問題在于數據分布不均，尤其異常和長尾場景發生頻率低、識別成本高，卻直接影響機器人在開放環境中的穩定性。

酷哇為此已經搭建了物理AI數據工廠（Physical AI Data Foundry），流水線完成數據清洗、標注與樣本生產。而楊學在弱監督學習和模型后訓練方面的研究積累，將進一步降低核心數據標注成本，提高長尾場景的挖掘和校準效率。

第二個環節是 COOWAM 的系統升級。

COOWAM并不是一個單純根據圖像生成動作的模型，是一套原生融合“快慢思考”的雙層智能體世界模型架構。

上層（慢思考）Urban VLM 負責理解任務語義、城市服務規則，進行長程規劃，決定機器人該做什么； 內嵌的PVM 生產力價值評估模塊在決策節點評估機器人的行動策略是否創造生產力價值，判斷值不值得做，下層（快思考）CooWAIM 負責短時窗口的物理推演和實時動作修正，告訴機器人具體怎么做。

按照酷哇的披露，楊學在單體多模態大模型方面的研究突破，將幫助增強Urban VLM的跨模態理解和長程認知能力；其在自動化獎勵設計方向的探索，將強化 PVM 對生產力價值的判斷；在多模態融合和動態場景理解方面的積累，則將推動CooWAIM 提升對當前物理狀態的細粒度感知，為物理推演提供更精準的初始條件。

從數據到模型，對于酷哇而言，楊學補強的不是公司某一個技術模塊，而是整套商業閉環的轉化效率：讓真實世界數據加速成為訓練信號，推動模型迭代，進而轉化為機器人在真實場景中的作業能力。

模型回到真實場景，商業飛輪才轉動起來

不過對于當下的具身智能企業而言，模型完成一次迭代并不是終點。

在酷哇看來，只有當更強大、更聰明的模型重新部署至終端產品，在真實任務中提升機器人的穩定性、作業效率和復雜環境適應能力，技術進步才會轉化為客戶愿意付費的生產力價值。

依托“一腦多態”架構，酷哇以 COOWAM 作為統一智能底座，將模型升級后的能力應用于不同形態的機器人，使得來自真實場景的數據可以沉淀到統一模型中，模型迭代的新能力也能應用于真實商業環境。

在此基礎上，酷哇進一步跑通了一條業務鏈路：

獲取商業數據 → 低成本數據工程化提煉 → 依托產業創新大模型 → 新模型落地反哺商業。

在這條鏈路中，商業并不只是模型的落地環節，也同時提供數據來源、任務目標和價值驗證。機器人在真實場景中作業，產生新一輪數據反哺模型迭代；進化的模型部署至更多場景，并由作業表現和客戶付費檢驗價值。

商業既是模型迭代的起點，也是閉環能否成立的終點。在酷哇看來，具身智能的價值不能由模型自證，必須在真實場景中轉化為生產力。

再回過頭看楊學的加盟與聯合實驗室的籌建，也并非兩個相互獨立動作，而是酷哇強化這套商業閉環的技術與組織支點。前者幫助酷哇盤活真實世界數據，直接提升從數據到模型能力的轉化效率；酷哇與上海交大籌建的聯合實驗室，則為這一過程提供長期的產學研平臺。

產業提出問題，科研形成解法，場景檢驗結果。只有當真實作業中的需求能夠進入研究體系、前沿成果能夠進入模型和產品，產學研合作才不只是單向的技術轉移，也會成為閉環的一部分。

對酷哇而言，具身智能跨越規?；瘧螟櫆希揽康牟恢皇悄硞€技術奇點的到來，更在于算法、硬件和場景能否形成持續自我強化的商業飛輪——通過真實數據反哺算法迭代，推動硬件能力提升，拓展更多場景應用。

具身智能的下半場，從Demo到真正的生意，競爭才剛剛開始。而酷哇已經在這條路上，等了十年。

免責聲明：市場有風險，選擇需謹慎！此文僅供參考，不作買賣依據。

關鍵詞：