6月18日，来自深圳的初创公司MindOn（中文叫灵启万物）的创始人朱庆旭，放出了一段新视频。
画面里，两台宇树G1人形机器人和两台固定式双臂机器人配合跑完了一整套物流流程，从货架上取货、搬运到工作站、分拣打包，最后把包裹装箱，这套动作做下来很流畅。
这家总部位于深圳的公司，由前腾讯Robotics X实验室研究员于2025年联合创立，其实这家公司早在去年就放过一个视频，当时刷屏了不少人的眼睛，还被很多媒体转发，在圈内引起过不小的轰动。
▲ MindOn在2025年的演示场景当然，这个早期的Demo并不是我们今天要聊的重点。
初看这个视频的时候，自会认为这只是物流自动化的展示，没什么特别的，但MindOn创始人朱庆旭想通过这个Demo传达的，其实是另一层意思。
MindOn真正的目的，是要验证一个更底层的能力：
一个模型，只用人类数据训练，就能在不同形态的机器人上完成移动操作任务，全程没用过任何机器人采集的数据。
两种机器人，同一个模型
认真看完MindOn的演示视频，本身的这套流程并不复杂。
▲ MindOn最新演示：一个模型驱动两台人形机器人与两台双臂机器人，完成从取货到打包的完整物流流程——跨不同机器人形态泛化与协调，全程仅依靠以人为中心的学习，无需机器人采集数据。人形机器人负责移动操作，比如从货架上取货、在工位之间来回转运。固定式双臂机器人则在工位上做精细活，分拣、打包、封箱，完成流程的收尾工作。
在我看来，这两种形态真的各有所长，宇树G1人形机器人擅长在人类设计的环境里移动，能适应现有设施。而双臂机器人则依靠精度高、重复性好，在结构化操作上明显效率更高。把两者搭配在一起，就是一个「移动能力+精细操作」的完整闭环。
真正引人注目的是，整个系统背后在跑的那个智能模型，这才是重点。
所有机器人共用同一个模型，完全基于人类数据训练，没有任何机器人数据的参与。它不绑定特定硬件，部署在人形上可以，部署在双臂平台上也没问题。
透过这个视频演示证明了一件事，人类数据可以支撑不同形态机器人的移动操作任务，异构机器人系统完全有可能共用一套智能体系。
为什么要把「大脑」和「身体」分开？
现在大家都在做的一件事就是，做出一个全能的人形机器人，让它包办一切。
但在真实场景中，不同形态的机器人各有不可替代的优势。人形机器人适合需要移动和交互的环境，双臂固定机器人精度高、重复性好，移动式双臂机器人则兼顾了两者，能在更大范围内操作。
问题在于，传统做法里每一种机器人都有自己的数据、模型和训练流程，能力很难在不同平台之间迁移。
MindOn的做法是想把机器人的智能和身体分离。
他们的构思是把系统拆成分两层，上层是高维智能层，负责场景理解、任务推理和行为生成。下层是低层控制层，负责执行和硬件相关的动态控制。
这样一套架构就能跨平台部署，在这个演示里，同一个模型同时跑在人形和双臂机器人上，尽管它们的形态和控制需求完全不同。
那么问题来了，什么样的数据，能训练出跨平台通用的智能？
用人类数据训练，路子不一样
老生常谈了，现在AI模型的突破靠的是大规模数据。语言模型学文本，视觉模型学图像和视频。
到了具身智能这里，核心问题就是该用什么数据，才能支撑同等规模的训练，同时还能够跨平台迁移？
用机器人数据训练看起来最直接，但扩展性很差，有其局限性，不是理想方案，而且采集成本很高，还需要绑定特定硬件，换一个平台就得重新采集、重新训练。
更麻烦的是，人操作机器人采集数据的时候，动作是被机器束缚的，要迁就机器人的延迟、关节限制、传感器精度，采集效率低，动作也显得保守。
尤其在人形机器人上，数据采集还要同时协调行走、平衡、感知和操作，难度更大。
人类数据则提供了另一条路。
人类演示天然不绑定任何机器人形态，而且规模可以做到很大。模型学到的不是「某个特定机器怎么执行任务」，而是「人类怎么解决这个任务本身」。
MindOn的做法是，只用人类数据训练一个统一模型，通过第一人称摄像头、手持设备、全身动作捕捉等方式采集，然后直接部署到人形和双臂机器人上。
结果证明，人类数据可以作为跨平台机器人智能的通用基础，完全不需要机器人采集的训练数据。
从人类行为到机器人执行，中间有几道坎
人类数据虽然好，但直接用起来比机器人数据难得多。
机器人数据本身就是动作空间里的信号，可以直接拿来训练策略。人类数据不一样，它来自一个完全不同的人体，运动学结构、动力学特性、工作空间、操作方式都不一样。直接照着学不行，中间得有个明确的转换机制。
MindOn做了几件事：
跨本体数据管道。
人类数据和机器人动作空间差异巨大。他们设计了一个转换管道，把大规模人类演示数据翻译成不同机器人能理解的动作表征。
全身动作基础模型。
人形机器人要同时协调行走和操作，还要保持平衡。他们用了几万小时的动作捕捉数据训练了一个全身动作控制模型，末端精度能做到3厘米以内。
真实世界执行补偿模型。
仿真里跑得好的模型，到真实世界经常翻车。他们用少量真实部署数据训练了一个轻量级补偿模型，修正跟踪误差和动力学偏差。在宇树G1上，这款机器人手臂精度其实不算出色——能做到1厘米以内的操作精度。
分层协调推理。
机器人执行有物理延迟，人类数据没有。直接模仿会导致同步问题。他们的高层策略会实时监控底层反馈，自适应决定什么时候该执行什么动作，确保在延迟条件下也能稳定运行。
这四层组合在一起，构成了一个从人类演示到机器人执行的完整通路。这套框架不依赖特定机器人的遥控数据集，支持跨异构平台部署。
不止做一个机器人的「大脑」：MindOn想做跨平台的共享智能
这个演示目前还处在早期阶段，MindOn接下来要做的，是扩大人类数据集的规模、提升模型能力、把部署扩展到更多形态的机器人上，包括移动式双臂机器人和其他兼顾移动和操作的平台。
随着模型持续优化，执行速度和可靠性会提升，长周期任务的表现会更强，物流、工业和商业场景的落地也会更广。
他们的目标不是给每个机器人单独做一个「大脑」，而是做一个能跨异构平台运行的共享智能。
结语：不管机器人长什么样，MindOne只想给它们装同一个「脑子」
当很多人还在讨论人形机器人是不是终极形态的时候，MindOn选择了一条与众不同的路，其实不管机器人长什么形态，并不重要，重要的是所有形态都能共用一套智能系统。
而训练这套智能的方式，不是让机器模仿机器，而是让机器去试着理解人类。
至于这个方向对不对，现在下结论还为期尚早，但至少MindOn的demo已经跑通了。
-END-
文章参考来源:
https://www.mindon.tech/blog/mind-0/
https://www.humanoidsdaily.com/news/mindon-s-new-demo-unites-humanoids-and-dual-arm-robots-under-a-single-mind
10个月宝宝每天需要喝多少奶粉？
