田晏林 发自 凹非寺 | 量子位 | 公众号 QbitAI

物理AI（Physical AI）的港股发展已进入深水区，所有玩家正殊途同归，新贵指向同一个核心目标：

让机器人真正「读懂」其所处的押注亿市物理环境。

这不仅是物理具身智能企业拉开技术身位的关键分水岭，更决定了机器人能否从实验室走向真实场景，乐动进而创造可持续的机器间的基础商业价值。

人类面对一张桌子，人打能瞬间感知其位置、造万材质及可移动性；看到门把手，场空本能判断其旋转机制；面对突发行人，核心能即时调整步态。设施

但对机器人而言，港股执行这些看似本能的新贵判断，却是押注亿市一道巨大的技术鸿沟。

△AI生成

因为机器人面对的物理并非静态图片，而是一个动态变化、充满不确定性的三维物理世界。

要让机器人长出理解物理世界的「大脑」，仅靠堆砌基础模型参数已远远不够。

海量真实的物理交互数据，才是训练机器人大脑的核心燃料。

而高质量视觉感知，正是将现实环境转化为模型可读信息、持续产出训练数据的关键入口。

更强的视觉感知能力，持续向系统输送真实世界数据，推动机器人物理大脑的不断迭代与进化。

近期登陆港交所主板的乐动机器人，过去十年正是坚定押注这一技术路线。

从早期的扫地机器人、物流仓储机器人，到中期的无接触酒店/餐厅服务机器人，再到如今爆发的人形机器人、机器狗等新赛道，乐动始终围绕一个底层命题布局：

机器人如何感知空间，并深度理解环境。

这一长期主义策略，使其在多轮机器人产业周期中，逐渐积累了「空间感知技术」的先发优势。

然而，上市之后，市场关注的焦点已超越其过往业绩。

在人人追求机器人「读懂世界」的物理AI时代，智能化的底层地基究竟该如何夯实？

机器人竞赛：焦点的范式转移

若论机器人行业未来的通用底层刚需，答案只有一个：环境感知能力。

其底层逻辑清晰且必然：

无论机器人最终落地于家庭、酒店、餐厅、仓储还是工厂，乃至未来规模化商用的人形机器人，它首先必须回答四个核心问题：

1. 我在哪里？
2. 我看到了什么？
3. 眼前的物体意味着什么？
4. 我下一步该如何行动？

缺乏对环境的深层理解，机器人只能停留在固定场景、固定动作的自动化设备阶段。

正如传统工业机械臂，虽能精准完成焊接、搬运等重复任务，却并不真正「知道」自己面对的对象。

过去，机器人行业的竞争叙事长期围绕「运动能力」展开：

谁能走得更稳？谁能更灵活避障？谁能更精准抓取？谁能完成更复杂的动作？

但随着具身智能进入真实应用阶段，这套评价体系正在失效。

下一代机器人要进入真实世界，面对的是大量开放环境和长尾场景：

随意摆放的物品、半开的门、突然移动的行人，甚至光线的细微变化，都可能导致系统崩溃。

空间变化带来的不确定性，要求机器人具备对世界的持续理解能力。

而理解世界的前提，是感知。

△AI生成

特别是在物理AI时代，「感知」已成为连接现实世界与AI模型的必要入口。

它负责将复杂的物理世界转化为AI可理解的数据，再交由模型完成认知与决策。

某种程度上，机器人的智能上限，取决于其感知世界的深度。

所有空间智能，本质上均依赖同一件事：真实世界数据的持续供给。

没有数据，再强大的模型也只是静态能力；数据一旦断供，所谓的泛化能力便会迅速塌缩。

正因如此，行业竞争焦点正在发生根本性迁移：

从「谁的模型更聪明」，转变为「谁能持续生产真实世界数据」。

这本质上是一项更工业化的工程：将物理世界转化为数据流。

这也是感知能力被重新定义的时刻：

它不再仅是机器人的一个功能模块，而是整个系统的入口——一个决定后续所有智能上限的关键入口。

从传感器到「数据精炼厂」

然而，将物理世界转化为AI可理解的数据，绝非易事。

现实世界的数据天然具有混乱性。

就像刚从矿井开采出的原油，虽有价值，却无法直接使用。

真正决定机器人智能水平的，不在于是否拥有传感器，而在于是否具备将原始信息加工为模型可理解「燃料」的能力。

这正是乐动机器人过去十年持续深耕的方向。

公司成立之初，团队便做出关键判断：

无论机器人未来进入家庭、酒店、餐厅、仓库还是工厂，最底层的共性需求必然是理解环境。

乐动机器人董事长周伟向量子位指出，「感知」可分为两层：

• 第一层是「感」：负责通过传感器采集环境数据；
• 第二层是「知」：通过算法和模型，将数据转化为机器人对环境、空间和物体的认知。

这意味着，感知从来不是一个单纯的硬件问题，传感器仅是入口。

真正的竞争壁垒，在于谁能将入口采集的数据，进一步加工为空间智能。

这也是乐动拒绝止步于硬件公司的原因。

回顾近年机器人产业的多轮周期：

• 2017年～2018年：扫地机器人快速普及；
• 2019年：物流仓储机器人兴起；
• 2020年～2021年：无接触服务机器人进入酒店、餐厅；
• 2023年～2024年：割草机器人开始爆发。

时至今日，人形机器人、机器狗、无人小车等新方向集中涌现。

每一轮机器人浪潮，最终都会回归同一个终极问题：机器人如何理解自己所在的世界。

乐动踩中的，正是这个长期不变的底层需求。

为了让机器人拥有理解真实世界的最佳能力，乐动的「感知产品」经历了多轮技术迭代。

△AI生成

首先看传感器硬件。

在单一传感器时代，视觉解决语义问题，激光雷达解决空间定位问题。

但单一能力始终存在缺陷：

激光雷达知道距离，却不知物体为何物；视觉知道物体，却未必能精准定位空间坐标。

而在物理世界中，机器人需要同时回答：这是什么？在哪？能否移动？如何行动？

因此，周伟认为，未来传感器硬件的趋势必然走向多模态融合。

视觉、激光、深度信息、IMU（惯性测量单元）等不同数据源，需被统一理解。

再看算法模型。

乐动早期依赖工程师人工编写代码。

这种方式弊端明显：效率低下，且工程师编写的100条规则，很难覆盖真实世界中第101种情况。

转折点发生在AI进入机器人领域后。公司完成了从人工规则算法到端到端AI模型的范式革新，依靠AI实现自主学习与环境认知。

在周伟看来，硬件负责收集世界，模型负责理解世界。

只有两者结合，才能形成真正的空间智能。

如何将不同来源的数据，转化为机器人可学习的语言？

乐动自研了 LD-SenseWorld 灵境物理空间交互大模型。

它并非通用大模型，而是聚焦物理空间智能。其核心目标只有一个：让机器人真正理解空间。

该模型具备三大核心能力：

1. 数据预处理与多模态融合

现实世界数据来自视觉、激光雷达、IMU等多个通道，天然不同步、不同构。

若不做统一处理，本质即为噪声叠加。

LD-SenseWorld通过对齐、清洗与融合，将多源数据拉回同一时间与空间基准，形成可用的世界输入。

2. 特征提取与空间Token化

连续变化的物理世界，必须转化为机器可学习的离散表达。

系统将位置、距离、物体关系与运动状态等信息压缩为「空间Token」。

这相当于为机器人建立了一套描述现实的基础语言，让空间本身变得可读、可计算。

3. 语义化与物理一致性注入

机器人的终极目的不是识别，而是行动。

仅有结构信息不够，机器人还需理解规则：什么能移动、什么会坠落、人在何种情况下会改变路径。

通过引入物理约束与语义理解，数据不再只是坐标与点云，而是具备因果与行为逻辑的认知输入。

本质上，LD-SenseWorld做的不是建模，而是将混乱无序的数据，加工成可学习的世界「燃料」。

这也是乐动作为「数据精炼厂」的核心所在。

百万台设备，撑起物理AI的数据飞轮

对于物理AI而言，模型只是起点。

真正决定机器人能否进入现实世界的，是模型背后的数据供给能力。

这也是当前机器人行业面临的最大挑战。

周伟指出，行业数据来源主要有三类：

1. 仿真数据；
2. 实验室或数据工厂数据；
3. 真实场景落地数据。

最大的痛点在于，前两者难以覆盖真实世界中大量未知的长尾情况。

这也让越来越多机器人公司意识到：真正稀缺的不是训练模型的方法，而是训练模型的原料。

特斯拉FSD的优势，本质上源于海量真实道路数据的积累。

△AI生成

机器人亦然。

没有真实设备持续运行，就没有持续进化的数据来源。

乐动的路径，是通过构建「物理AI三层核心架构」，为模型落地提供底层支撑：

• 硬件感知层：利用多模态传感器采集真实世界海量原始数据。
• 模型层：空间交互大模型负责让机器人理解真实世界，打造真实物理世界的数据精炼厂。
• 数据层：区别于仿真数据，基于真实设备持续采集，经自研大模型持续加工，输出源源不断的结构化、语义化、物理一致性的空间Token，可直接输入世界模型训练。

最终形成从硬件采集数据，到数据训练模型，再到模型反向定义硬件的「数据飞轮」。

这也是乐动与传统硬件公司的本质区别。

传统硬件公司的逻辑是：生产设备——销售设备——结束交易。

而乐动在物理AI时代，通过更多设备采集丰富数据。

「数据越丰富，模型越强。模型越强，产品体验越好。体验越好，又推动更多设备进入真实场景。」周伟表示。

这是一个不断加速的正向循环。

△AI生成

乐动已在这条道路上积累了规模化基础：

2025年，其核心产品DTOF激光雷达出货量超过400万台。

但乐动拥有的不仅是传感器出货量，而是一个持续运行的真实世界数据入口。

据悉，搭载乐动视觉感知技术的设备量已突破2000万台。

在乐动的财报中，割草机器人是其第二增长引擎，产品主要销往欧美、澳洲等高潜力智能花园养护市场。

第三方机构统计显示，到2030年，全球智能割草机器人市场规模预计将增至62.5亿～100亿美元。

这意味着，将有源源不断的真实场景数据等待被乐动收集。

这是「数据精炼厂」成立的基石，也是数据飞轮快速起飞的前提。

20年机器人长跑：周伟的「直觉」

回看乐动的发展路径，这并非一次偶然押中风口的成功，而是一场持续二十年的积累。

1986年出生的周伟，是机器人行业的典型「少壮派」。

大学时期，他便获得中国机器人足球锦标赛冠军。

△乐动机器人董事长周伟

2012年毕业后，周伟与华科校友郭盖华在深圳共同创立乐行天下。

最初选择体感车赛道时，二人的目标不仅是制造交通工具，更是打造更便捷、彰显个性自由的智能出行机器人。

2013年秋，首款乐行智能平衡车发布，乐行成为国内平衡车领域的开创者之一。

2014年，乐行天下完成1亿元B轮融资。周伟于2015年入选「福布斯中国30位30岁以下创业者」榜单并成为封面人物。

2017年，周伟与郭盖华再次踏上创业征程，乐动机器人正式成立。

从乐行天下到乐动机器人，周伟积累了深厚的机器人产业经验。

即便创业多年，面对难关时，他仍能保持技术者的敏锐直觉。

2022年，受宏观环境与资本市场低迷影响，乐动机器人经营状况承压。

高研发投入、商业化周期长、订单规模受限，投资者纷纷劝周伟降低研发，优先保业务。

究竟是追求短期现金流，还是积累长期技术壁垒？

这是科技创业公司常见的典型试题。

顶着投资人压力，周伟决定All in感知技术。

原因很简单：他认为感知不是阶段性需求，而是所有机器人未来都需要的底层能力。

事实证明，这一判断最终迎来了行业回报。

2024年至2025年，机器人产业进入新一轮爆发期，乐动早期的技术投入开始释放价值。

对外，周伟常半开玩笑称，当初的决定源于一时直觉。

所谓直觉，实则是长期认知形成的本能。若无二十年机器人领域的功力，恐怕难以做出这般取舍。

One more thing

传统AI与物理AI的最大不同，在于后者面对的是一个复杂、连续、不断变化的现实空间。

谁能高质量地将这个空间数字化，谁就掌握了下一阶段机器智能的入口。

从这个角度看，乐动正在做的已不仅是提供感知硬件，而是在建设一套物理世界的数据加工体系。

让机器人看懂世界，让模型理解世界，再让机器人基于真实世界不断进化。

从传感器产品公司，到物理AI的「感知基础设施平台」，乐动正在完成身份重塑。