引言

斜跃智能宣布完成数亿元天使+轮融资，线性资本、钧山资本、弘颐资本、隐山资本等参与。资金将用于具身基础模型训练、算力与数据基础设施建设、核心团队扩充，以及家庭机器人本体研发与场景验证。由前理想系核心高管联合创立的斜跃，将“家庭”作为第一落地场景，并提出以 Duplex Reasoning 为核心的新范式，瞄准通用具身智能的长期路线。

核心内容

为什么选择“家庭”作为首场景

家庭是开放且高频的真实物理环境，任务形态复杂多变，天然融合感知、理解、规划、操作与交互，既包含脑力任务（决策、对话、规则理解），也包含体力任务（抓取、搬运、清洁）。与传统工业或仓储的结构化环境不同，家庭需求具有模糊性、连续性和个性化，要求机器人具备可中断、可修正、可接管的行动智能。这既是验证通用具身智能的理想试炼场，也是形成高价值数据闭环的土壤。

Duplex Reasoning：交互与行动一体化的新范式

过去的机器人多遵循“接收指令—执行动作—返回结果”的单工或半双工流程，强调执行正确性，却难以应对家庭场景中持续变化与即时纠偏的需求。Duplex Reasoning 的核心是在人机之间保持持续的双向通道，让对话、环境反馈与安全信号在任务执行过程中实时介入，从而动态调整目标与计划。

• 持续可纠偏：行动可被用户随时打断、修正或接管，避免“一条路走到黑”的错误累积。
• 交互与行动同模同训：在数据、模型结构与训练流程层面一体化建模交互与行动，不再把对话和控制割裂。
• VLA + 世界模型协同：以 VLA 为主干，语言把视觉、语音与环境变化压缩为可迁移的高层语义；世界模型预测动作的未来结果，为长程任务提供事前约束。
• 目标函数现实化：以可控算力成本提升开放环境中的理解、决策与行动成功率。

这相当于把“人机协同控制”和“长程规划”前置为模型的训练目标，而非仅依赖推理链或工程规则拼接。关键不在更大的参数，而在可持续的闭环与同构的训练设计。

从模型到系统：Infra 与数据的“硬实力”

斜跃将能力建设拆解为训练与数据双轮驱动，并强调评估闭环：

• 训练 Infra：围绕预训练、后训练与强化学习构建可复用、可扩展的训练体系，充分释放高质量数据价值。
• 数据 Infra：聚焦信号同步、任务设计与标注质量，优先高代表性与高信息密度数据，而非盲目堆叠时长。
• 评估与仿真闭环：持续、客观地测量模型进步，减少“演示效应”的偏差。
• Ego 数据与分层体系：自研第一视角采集设备与平台，分层整合无本体数据与与本体相关数据，兼顾泛化与落地微调。

与其只追逐参数规模，不如把“数据—算力—评测”打造成可复用流水线，这决定长期爬坡的斜率与边际成本。

路线图：本体策略与场景验证

• 单一本体、全栈闭环：阶段性控制硬件构型与传感器一致性，降低研发变量，再把经验证的能力导入面向 C 端的家庭本体。
• Home-native 形态：在空间通过性、交互方式、安全边界与家庭审美之间求平衡，避免“为了技术而技术”。
• 商业节奏“先验证，再进家”：先在酒店、养老院等半结构化场景验证跨空间泛化、任务完成率与单位经济性，再逐步进入家庭。
• 任务优先级：洗衣、收纳、清洁等高频、长程且标准清晰的任务作为突破口，有助于建立可衡量的产品力与成本模型。

影响与展望

如果 Duplex Reasoning 得以跑通，家庭机器人将从“流程自动机”迈向“可协同的行动智能”，交互体验与任务可靠性同步提升，用户信任与采用曲线有望被加速拉直。真正的挑战在于三件事：稳定的安全边界、对家庭差异的快速适配能力、在可控算力下的长程任务可靠性与可解释性。

值得关注的观察指标包括：
- 半结构化场景中的跨空间泛化曲线与任务成功率
- 可中断/可接管交互的恢复时间与失败后的自愈能力
- 数据密度与算力消耗下的单位经济性变化
- 评估与仿真闭环对真实世界表现的预测一致性

随着资金、团队与基础设施到位，具身智能的“Scaling Law”将从口号走向实证。行业拐点不会来自单一炫技 Demo，而是来自持续通过评测闭环、在真实业务中形成复利的系统性能力累积。对家庭机器人而言，Duplex Reasoning 提供了一条更贴近人、贴近环境、也更可工程化的上行路径。

标签： 具身智能 家庭机器人 基础模型 Duplex Reasoning AI基础设施