地瓜机器人发布的新款算控一体开发平台RDK S100与英伟达的产物算力相同，价格却只有一半。地瓜机器人要做的事，一定程度上可以看作地平线在具身智能机器人领域复刻其成功路径。 今时今日，人形机器人领域的竞争，正从被过度聚焦的千姿百态的机器人形象本体扩展到构建具身智能产业的基础设施 。 不久前，摩根史坦利在一份针对中国具身智能产业的报告中指出，除了「大脑」（即芯片）部分仍依赖于国外高端 AI 芯片，人形机器人几乎所有的身体部件都可以在中国国内生产。 作为从中国明星智驾芯片公司地平线孵化出的机器人团队，地瓜机器人在6月11日正式对外发布了新款算控一体开发平台RDK S100。以2499元限时定价提供百TOPS级异构算力（集成CPU/BPU/MCU），并搭载「开箱即用」的全套开发工具链。 地瓜机器人表示，经算法-芯片联合调优，该架构展现出显著性能突破：运动控制算法经BPU加速后，推理效率较纯CPU方案提升超百倍；前沿操作策略模型（如Diffusion Policy优化版）在同等硬件环境下亦实现10倍以上效能跃升。 据介绍，这款新发布的RDK S100在正式亮相前，已经与超过20家具身智能领域头部客户建立了合作，并获得了超过50家合作伙伴展开测评。 在现场演示环节，地瓜机器人使用 RDK S100 连接了宇树机器人，用 RDK S100 的算力实现了机器人跳舞；在求之科技AIRBOT机械臂上，一个机器人用RDK S100 的算力则实现了对桌上物品的识别和抓取。 地瓜机器人刚刚完成1亿美元A轮融资，但其目标并不是加入具身智能产物的竞争中去，其定位与地平线在智能汽车行业的定位相似，成为机器人时代的Wintel，打造机器人时代的CUDA。 胡春旭：我们团队的核心背景来自自动驾驶领域。回顾自动驾驶的发展历程，以及更早的计算机和手机时代，一个清晰的规律是：当一个行业（如汽车智能化）即将迎来爆发性增长时，其底层支撑技术必然走向标准化平台化。Wintel联盟（Windows + Intel）之于PC，ARM+Android之于手机，都是经典例证。底层标准化是支撑上层应用繁荣和行业规模扩张的关键基础设施。 在地平线的时候，我们就致力于构建生态和平台。进入机器人领域后，我们延续了这一核心思想——坚持做底层的、支撑性的平台。这就是为什么我们选择聚焦于套件和计算中心，而非直接下场做本体。 胡春旭：机器人行业目前仍处于早期阶段，但放眼未来10年、20年，它必将迎来爆炸式增长。伴随这种增长，行业内部一定会分化出类似「Wintel」这样的角色，提供标准化的核心平台（包括硬件套件和计算中心）。 Q：地瓜提出「机器人母生态」目标，而英伟达通过CUDA构建AI生态并侧重云端（如Omniverse），地瓜则聚焦端侧落地。如何将端侧差异化转化为生态护城河？是否担心英伟达「Omniverse+边缘芯片」的组合挤压空间？ 胡春旭：现阶段我们与英伟达更多是互补协作而非直接竞争。英伟达的核心优势在云端算力（如Omniverse训练仿真），而地瓜专注解决未来海量机器人终端的本地化智能需求与高效端侧算力平台。我们主动融入现有生态——利用Omniverse进行模型训练，同时通过自研工具链实现模型到地瓜端侧平台的无缝、高效迁移，以大幅降低开发者成本。 胡春旭：地瓜机器人是从地平线孵化出来的团队，所以继承了很多汽车上的技术和Know-how。这些经验放在机器人行业看，我觉得都是有效的。具身机器人的技术演变逻辑与智驾之间有很多相似之处，但区别在于汽车的验证进度要比机器人要快。原因主要是汽车场景的数据获取成本比机器人低得多。 机器人未来的演进路径，可能也会类似汽车智驾L1-L5等级。目前汽车大概是在L2-L3之间，机器人可能相对滞后一点。假设机器人L5是真正的AGI，那L5的机器人会替代其他机器人吗？我们觉得不会，L2-L5机器人之间应该是并存的关系。可能区别是机器人的L4-L5是端到端、世界模型的方式驱动智能，L2-L3还是分段式。 回到RDK S100上来，我们的定位肯定不是一步到位。毕竟100TOPS级的算力，做不到端到端大模型的算力支持。我们现在的定位，更多是为了解决机器人L2-L3分段式模型的技术路径。 胡春旭：我个人判断的话，类比汽车L2+需要400TOPS、L3需要1000TOPS算力，机器人需要的算力分级可能会比汽车的需求高50%-100%。类比汽车L2+，机器人可能需要600-800TOPS算力。这是因为机器人AI面临的任务复杂度比汽车高得多。但算力也不是越大越好，因为算法和模型的效率也相当重要。所以并不能完全说800TOPS算力支持的模型效率就比400TOPS高一倍。整体看来，我认为机器人L1-L5之间对应的算力大概会有一个相对值，但具体是多少，现在其实没有形成共识。 胡春旭：我们认为大小脑的方式一定不是所有机器人都会有的，如果对应到G1到G5阶段，我们认为从G2到G3，在G3整个Level里都是大小脑协同的方式。但是到G4和G5，是以端到端的方式，那输入就是各种多模态视觉的信号，输出直接到明确带时间戳的关节信息，直接产生运动了，这才能叫端到端。所以目前整个两种技术流派中，在短期内能够有落地快速可能性的是大小脑模型。 具象化到我们的场景来看，100T算力对应到的几个场景，一个是商业化清洁，一个是低速物流的车，有可能是在园区跑的，有可能是在室外跑的，类似于配送这种场景；也有可能是四足类的机器人，做一些巡检的工作。这种场景既满足场景相对可控，是一个比较结构化的场景，又满足算力要求相对没有特别大。所以从成本、功耗到功能，他能够在短期内最容易达到一个相对均衡产物化规模的可能性，所以我们认为这种场景会更合适，所以这也是反推我们先推出RDK S100 SoC的原因。 第一大类是没有数据，就去产生数据。我们内部会做一个云平台，核心功能就是去产生数据。比如一个国内公司做海外业务，没有海外的数据，没问题，我们通过云平台，基于大模型输入一些prompt，就可以产生一千张、一万张甚至更多的数据来支持他做训练。我们也会有大模型的方式来做自动化标注。整个过程提供一套完整的工具链。 第二种方式，是通过尽量小的数据让模型泛化程度更高。比如抓取，市面上主流的方式叫GraspNet，我们算法团队会对这个模型做充分的优化、改造，做完之后能够跑到非常高的效率，同时我们把结果通过开源的方式分享出去。这样开发者就不用再从头做训练、数据采集了，只需要基于我们的模型，把它当成一个Foundation Model，结合他的业务场景做一些调优。我们在ModelZoo里面现在提供了100多种类似这样的模型。 胡春旭：两家公司在技术渊源上紧密关联。地平线机器人实验室专注前沿研究（如四足/人形机器人），地瓜则与其开展深度算法合作——例如本次展示的人形舞蹈算法即由双方联合开发：地平线提供通用框架，地瓜贡献行业know-how与部署经验，共同推动技术落地。 Q：从智能驾驶到机器人，既有扫地机等消费场景的「降维」，也面临具身智能（如人形机器人复杂任务）的「升维」挑战。这些升维挑战如何破解？ 胡春旭：现在升维这部分最大的挑战是数据，因为车场景里数据的获取成本相对较低，有大量车在跑了，他有不断的数据可以进来，但机器人数据很少，这是一个核心卡点，所以我们会通过很多种方式来解决数据的问题。 我们认为目前机器人在某些点还没有单点突破的一个很重要原因是，他没有把需求真正提炼出来，这时候地瓜机器人的角色很特别，我们是在布局整个生态，所以我们会看到各种各样的开发者、需求，以及国内和海外不同化场景，因此我们会将提炼后的行业判断输出给生态伙伴，针对性解决其落地痛点，例如优先攻克封闭场景中运动规划、多模态感知等关键模块。
