Vol.011 对话地瓜机器人隋伟：VGGT、数据闭环与具身智能，机器人产业的新篇章

人工智能正经历一场新的范式转变。自动驾驶经历了三次关键跃迁：模块化与规则驱动 → BEV+Transformer 的空间与时序融合 → 端到端大模型的工程收敛。与此同时，机器人正从多样化硬件与稀缺数据的混沌期加速起步，智驾在芯片、视觉、标注与数据闭环上的经验，正在被系统性地迁移到具身智能。

学界与产业的焦点正在转向「三维几何的统一解」。VGGT（Visual Geometry Grounded Transformer，CVPR 2025 Best Paper）尝试以 Transformer 统一表征多视角几何关系，将传统 SfM/MVS/SLAM 的分步优化，替换为端到端的可学习框架——这被视为三维几何的重大范式变化与潜在拐点。

在这期对谈中，地瓜机器人技术副总裁隋伟深入解析：为什么自动驾驶进入工程收敛，而机器人仍处于前沿探索；BEV、占用网络与数据闭环如何「复用」到机器人；以及 VGGT 对 3D 感知、定位与操作泛化的实际价值与边界。我们也讨论了当下 VLA 的落地瓶颈、为何应「先从 VA（vision→action）做起」，以及面向 1.0/2.0/3.0 不同形态机器人的通用算法底座该如何演进。

隋伟提出，VGGT 有可能改变未来十年的 3D 视觉技术架构，这也是我们首次对 VGGT 的论文与实践落地做深度解读。这是一个新的临界点：当几何大模型开始改写三维感知范式，AI 正在逼近具身智能的主战场。

「本期主持」

大吉（微博@42号车库-大吉，小红书@大吉），42号车库创始人。

「本期嘉宾」

隋伟（小红书@隋伟），地瓜机器人技术副总裁，中科院自动化研究所博士，长期担任 ICRA、IROS 等机器人会议的审稿人，同时担任《智能驾驶和机器视觉》《智能驾驶与多维重建》等自动驾驶相关著作的主编。

「时间戳」

Part 1 自动驾驶的收敛与机器人早期探索
00:03:40 自动驾驶的三次跃迁：模块化 → BEV+Transformer → 端到端大模型
00:06:12 智驾经验的迁移：芯片、视觉、数据闭环延伸到机器人
00:09:18 汽车硬件标准化 vs. 机器人硬件形态分散
00:12:05 数据挑战：汽车有规模数据，机器人依赖仿真与合成
00:15:26 算法探索：VLA 展示潜力，但框架尚未定型

Part 2 技术前沿：VGGT 与三维几何大模型
00:20:10 VGGT 可能改变未来十年的 3D 视觉架构
00:23:04 Transformer 统一 SfM/MVS/SLAM，替代分步优化
00:26:55 双臂任务实验：纯视觉重建效果超越 RGB-D
00:30:47 从 BEV 到占用网络：三维重建的新范式变化
00:34:18 世界模型的意义：几何大模型可能成为基础模块

Part 3 落地挑战与产业前景
00:40:12 VLA 的现状：展会上秀肌肉，距离落地仍远
00:44:30 工程务实路线：端到端模型提案 + 规则兜底
00:48:22 自动驾驶 vs. 机器人：舒适性 vs. 脱困问题
00:52:18 特斯拉的作用：从 BEV 到 Optimus，仍是行业先驱
00:58:03 芯片与生态：功耗约束、技术预判、教育推广

Part 4 技术人的路径与未来选择
01:04:12 从北航控制到图像处理，再到三维视觉与 AI
01:09:45 对学生建议：兴趣驱动，尽早立志并入局
01:13:28 科研灵感与偶然性：如何抓住时代窗口
01:16:50 下一代开发者：生态建设、套件普及与「下一个王兴兴」

「相关资料」

整理后的文字稿

隋伟提到的论文

「AI 只能替换特征检测、匹配的模块，甚至 SLAM 里的回环检测等模块。这类感知识别任务是可以通过 AI 解决的，但 BA 还是解决不了。」

「未来一两年之内，SLAM 和 Structure-from-Motion 的架构肯定会发生很大的改变。」

本期提到的名词

《无限不可能引擎》是一档以智能汽车为起点，延展至 AI 硬件与机器人时代的深度对话栏目。我们关注的不止是技术本身，而是技术迁徙之下，那些不断转换身份的人。技术的创造者、产品的构建者，以及趋势的参与者，他们怎么思考新的世界，又怎么应对旧的问题。