24岁，中科大少年班，MSRA、DeepSeek、字节Seed都待过——按常规路径，他应该继续留在大模型最热的地方。但他转身去了具身智能，去做一台面向家庭的机器人。 这是深朴智能（Simple AI）首席科学家王家伟在十字路口访谈里讲的选择。合肥一中高二考入中科大少年班，后来拿到中科大与微软亚洲研究院联合培养博士资格，在MSRA做文档智能，在DeepSeek参与多模态与DeepSeek-V3预训练数据工作，又在字节Seed早期Agent团队实习。毕业这个节点，他把方向切到了具身。 为什么离开大模型的舒适区 他给的理由不是技术判断，是角色判断——想做一个能自己定义事情的角色。风险承受度高，他引用的是那句「风浪越大鱼越贵」：在里面更有机会做出有突破性的东西。 他对「聪明」的定义也做了修正。思维敏捷的人很多，但那可能不是最重要的一点，最重要的是会提好问题，以及知道自己的不足。他还提到一个反直觉的观察：对researcher来说，工作强度不是产出的必备条件。 自研采集设备，开源2000小时数据 深朴的定位不是纯数据公司，也不是纯模型公司，而是面向家庭提供产品的终端公司。王家伟的解释是，从数据、模型、部署到真机的链路非常长，只有把各环节握在手里，行业出现更好的模型时才能快速follow并迭代到自家产品，更快拿到场景与用户反馈。用他的话说：不是为了做全栈而做全栈，而是有这样的目标，所以不得不做全链路的事。 这条链路的第一环是数据。团队测过市面多款动捕设备，发现精度与时间同步达不到要求，于是自研了HiFi-UMI：六路相机，头部双目加腕部上下相机防止遮挡；抛弃基站，仅靠相机做到毫米级定位；微秒级时间同步；轨迹回放成功率超过95%。 在此基础上，深朴开源了2000小时数据，内部积累数万小时，模型已能在完全不做后训练的情况下完成部分未见过任务。数据标注与清洗环节，他们用GPT-6 Astra辅助。 大脑已收敛，小脑还得自己练 王家伟对通用模型和动作模型的分工判断很明确：GPT-6类通用模型会承担具身上层的大脑与规划，但动态环境中的实时控制仍需专门的动作模型，二者互补而非替代。 他给了一个具体观察：GPT-6 Astra直接驱动机械臂的演示，多为16至32倍速播放，单次推理耗时很长。静态环境可以work，但真实动态场景里杯子倾斜后难以快速recover。大脑侧已经收敛到GPT类范式，沿这条路继续加第一人称视角视频等数据即可，底层必须配上快速反应的action policy。 深朴同时在搭Agentic OS，把system two的理解规划与system one的快速执行连接起来。 没有公认benchmark，只能自己扎实做 具身智能目前缺少公允的benchmark，这是王家伟反复强调的问题。他批评仿真类benchmark（如Libero）可被纯后训练刷分，参考价值有限；真机benchmark又难以复现，别人训的模型没在自己的本体上训练过，直接对比大概率不可用。 他的结论是：最好的方式是自己把评估这件事做得足够扎实。深朴计划发布时公布最真实结果，从简单到困难、覆盖场景与物体泛化，并明确区分zero-shot与few-shot实验中各用了多少数据。 对行业热度，他保持克制。Scaling趋势存在，但不该轻言找到了Scaling Law——他区分「存在幂律现象」与「定义了数据量、模型规模、计算量之间可预测关系的law」，后者需要充分实验验证，非常严肃且耗算力。他也质疑Skild AI通过为demo专门训练获得的in-context learning被高估，因为自然涌现的能力才更具价值，具身领域噱头可能大于真实，需要从第一性原理判断技术点是否正确。 值得关注的方向，他点名了GEN-1.5的one-shot与π0.7的steerability。 三年后，家庭机器人洗碗的概率约80% 访谈最后落到一个具体预测：三年后家庭机器人洗碗的实现概率约80%。这个数字背后是他对全栈路线的押注——数据、模型、部署、真机都握在手里，才有机会把概率变成产品。 特别