城市服務，成為了具身智能的新考場？

具身智能，在城市服務里補上了“全棧”這塊硬骨頭。

同樣一臺機器人，如果把它放在工廠車間和城市馬路上，它面對的實際上是兩個世界。

在結構化場景（比如工廠車間）內，機器人落地已經十分成熟，但一進入開放環境（比如城市馬路），難度就完全不一樣了。尤其是在城市戶外環境中，機器人需要7×24小時不斷電地干活，這就要求它必須經得住風吹日曬和人來車往。

中國信息通信研究院的《具身智能發展報告》把現狀概括成了一句話：數據、模型、本體、場景難閉環。但毫無疑問的是，2026年的具身智能已經開始從技術驗證期邁向場景落地期，而城市服務，正在成為檢驗一切落地能力的重要考場。

面對這一現狀，以“具身智能服務城市開放場景”為目標的庫薩科技做了一個清晰的選擇：把數據采集、模型訓練、機器人部署的全棧工程一并打通，讓機器人在真實世界里先跑起來，并且保證能夠跑得穩。在庫薩的判斷里，填平規模化落地的鴻溝，研發和工程化能力必須同時過硬。

庫薩成立于2023年，核心團隊來自清華、上海交大等高校，核心成員擁有15年的整車、機器人與自動駕駛研發與管理經驗，核心產品是面向城市開放場景的服務機器人，產品已經在超過40座城市落地運營。

在今年7月中旬，庫薩科技發布了一套具身智能開發平臺Kusa Robo Platform。平臺定位很明確，即一套專為城市級具身智能部署打造的工程化平臺，從數據采集、模型訓練到多端部署、遠程運維，形成了全棧閉環。作為少數真正走進這個考場的公司，庫薩想要以此回答一個行業里沒人能說清的問題：

為什么具身智能規模化落地，做好專用平臺才是關鍵？

01. 城市級具身，為什么難？

自動駕駛團隊轉型做機器人，幾乎一開始都以為只是需要把二維問題升到三維。

庫薩的團隊一開始也這么想。從平面提到空間，難度好像不大，但真正扎進場景才發現，基準實際上完全變了。

最本質的區別在于評價方法的變化。同一個場景下，一臺乘用車的任務是從A到B，不撞、體感好就算成功。而一臺城市環衛機器人可能是反過來，它要主動去跟各種東西發生接觸，做出判斷。

比如，馬路上一個鼓鼓囊囊的黑色塑料袋，里面到底是磚頭、裝滿水的礦泉水瓶，還是空瓶子？實際需要的處理方式天差地別。對于自動駕駛來說，碾過去或者繞開就行，環衛機器人得嘗試去掃，掃不動再決定怎么辦。因為環衛的硬指標是把垃圾掃干凈，看到東西就繞開等于根本沒干活。

評價方法變了，背后藏著一個被低估的維度和難點：物理交互。

庫薩科技聯合創始人兼CTO陶圣告訴36氪，自動駕駛不太關心接觸力學，是因為汽車行業已經有多年積累，底盤“早就做好了”，城市服務機器人卻必須得做到，把末端清掃結構的力矩反饋、旋轉控制跟整車控制完全耦合。從“車”到“機器人”的跨越，區別就在于這里。而要處理好物理交互，光靠傳感器不夠，還得讓模型理解物理世界本身。

02. 為什么偏偏選城市場景？

陶圣表示，核心判斷在于看到了真實且迫切的需求：

城市空間復雜度高、技術壁壘強，同時能直接產生可落地的商業化價值，是驗證具身智能工程化能力最合適的土壤。更關鍵的是，城市服務機器人行業的市場滲透率很低，還不足1%，是一個尚待開發的藍海。

做起來很難，但回報卻很明確的生意，也是一件值得長線技術投入的“難而正確的事”。這種門檻，決定了城市級具身智能需要一套專用的工程平臺，庫薩的回答就是Kusa Robo Platform，這需要先從三塊核心技術說起。

03. 底座、燃料和大腦

這次發布的三塊核心技術，各自分工明確。

Kusa OS是面向城市級具身智能的專用操作系統，管機器人的穩定運行和實時調度；Corner Factory是數據工廠，負責從數據里自動挖掘、清洗、標注長尾場景；Kusa Omni-CTS是全模態具身模型，負責從場景感知、認知理解到動作輸出的完整鏈路。三塊技術回答的是同一個問題：機器人怎么在城市里跑得穩、學得快、懂場景。

Kusa OS首先解決的問題是“跑得穩”，這套操作系統的起點要追溯到2018年，庫薩核心團隊當時還在做碼頭無人駕駛。

ROS2是機器人圈最主流的開源軟件框架，設計上重視靈活性和易用性，方便研究者快速跑通新算法，但代價是硬實時性不夠，會有不可預期的延遲和抖動，在長期穩定性和實時性要求非常高的城市服務場景中有潛在風險。

這也是庫薩從底層自研Kusa OS的核心原因。

與城市服務一樣，碼頭場景也需要7×24小時不斷電運行，對長期穩定性和實時性要求非常高。庫薩從場景真實需求出發，基于數據分發技術從頭自研了一套系統，核心思路是讓系統更加精簡，每個模塊都嚴格可控。系統更小，就能更穩定。

在長期迭代的過程中，它為行業解決了三件事：長期穩定性、確定性調度，以及時延抖動壓縮。

不過，過去幾年里自研OS的代價也是實打實的。

“到現在我都依然在糾結”，陶圣這么形容。最大的挑戰是工具鏈不完備，ROS2社區原本有大量開源貢獻，覆蓋了從實時可視化監測，到機器人動力學仿真，再到世界場景重建的全鏈路，但自研就全都要自己建。庫薩的解法是另起爐灶，做一套編程工具鏈，用描述性語言自動生成初始化代碼，讓遷移成本盡量低。

自研支付的代價，終于換來了底層的自由度和實時穩定度。

如果說OS是底座，那么Corner Factory就是燃料，因為它解決了“持續學”的問題。

庫薩的數據飛輪“跑通”體現在，公司第一個量產產品落地的時候，整套管線就已經打通了，現在自動標注的占比也從早期的80%提升到了90%以上。

根據陶圣的介紹，一條完整的數據鏈路是這樣運轉的：機器人在作業中遇到異常觸發停車，自動保存前后若干秒的多傳感器數據，回到作業站點后由專門的數據采集器傳回數據工廠。先完成人臉、車牌等脫敏，進入自動標注，從早期的2D分割分類，升級到3D占用網格和三維重建。人工做最后的修補和確認，再由專用模型篩選哪些是真正值得學習的長尾場景，入庫后喂給模型訓練。

在Corner Factory中，Kusa Omni-CTS基于單幀真實場景輸入生成時序視頻流，并從中同步派生3D點云及OCC語義占用。Kusa Omni-CTS將OCC/3D點云確立為核心中間表征，在二維觀測與三維結構間構建物理級空間約束，確保空間理解的準確性，支撐數據閉環的高效運轉與模型周級迭代。

但陶圣也直言：“數據飛輪或者管線并不是壁壘，數據才是真正的壁壘。因為數據跟場景極相關，沒見過就是沒見過，不可能靠工程師腦補。數據飛輪帶來的先發優勢，本質上需要用時間乘以量。”

最上層的Omni-CTS作為大腦，解決的是讓機器人“懂場景”的工程化難題。

陶圣解釋，庫薩模型的“第一性原理”是：難點不在某個具體技術，在思維方法的轉變。他甚至自嘲：“我們就是個縫合怪”。但縫合不是拼湊，是把視頻生成、時空編碼、3D Gaussian等不同領域的前沿思路，拼成一套原創的解法。

工程化領域有個更準確的說法，這是模型結構的創新——它突破了模型異步輸入的難點。

核心問題也很具體。在真實的機器人上，多個傳感器天生就對不齊。比如激光雷達10赫茲、相機30赫茲、IMU可能1000赫茲，數據來的節奏完全不同。強制同步要么等待卡頓，要么產生矛盾，模型性能就會直接大幅往下掉。

Kusa Omni-CTS要解決的就是這個問題，它的解法分了兩層：

第一層，是跨模態異步特征對齊。摒棄傳統離散幀對齊，在高維隱空間構建連續時空曲線，視覺、激光、IMU、力矩反饋各按各的節奏采集，進入模型后自動“對表”，讓數據自然流動，不再依賴昂貴的硬件同步。

第二層，則是物理一致性預測——這正是對“物理交互”難題的回應。在高維空間構建符合物理動力學的連續軌跡，模型不僅能理解當前發生了什么，還能基于物理規律和環境變化，提前推測接下來可能發生的種種狀況，再選擇最合理的執行方式。

Kusa Omni-CTS模型結構圖：基于連續時空預測的全模態模型

從硬件角度來說，這套設計的硬件變更其實不多，但它解決了時間抖動時模型能力大幅下降的問題。在具身領域，多模態融合才是最終的解決方案，既有上限，也能兜底。

對庫薩來說，研發和工程化從來不是兩件事。單有研發，落不了地；單有工程化，守不住技術門檻。庫薩選擇把這兩件事放在同一張桌上做。Kusa Omni-CTS的結構創新、自研OS的底層重構，背后都是實打實的研發功底；而OS、數據飛輪、全模態融合的耦合，又把研發成果變成了跑得穩、學得快的工程系統。可以說，研發是庫薩的基本功，而工程化則是它的殺手锏。

三塊技術合起來，形成了一個認知進化的閉環。往深一層看，每一個單點技術都有可能在短期內被復制，但OS、數據飛輪、全模態融合的耦合深度，再乘以城市場景的時間積累，形成了全棧協同的系統性優勢，為庫薩這家公司構筑了獨特的護城河。

04. 跑通了嗎？

既然上文提到這是一場考試，那么更重要的是成績如何。

目前，庫薩的具身智能產品已經部署到了40多個城市里。從增速看，三年的時間從0起步，交付規模連續以數倍甚至數十倍的速度擴張，如此陡峭的爬坡曲線，在這個細分賽道里還沒有第二家。

在中大型開放道路場景，庫薩已經進入跑通商業模型、產生實際作業價值的常態化運營階段。但陶圣緊接著就開始“降溫”：

從存量看，規模化問題還沒有完美解決。場景泛化能力還要增強，硬件還沒經過極端天氣考驗，產能從單線500臺爬到5000臺的里程碑，也還在進行中。

他的原話很直白，對于行業來說分量也很重：“沒有驗證之前，都還是打嘴炮。”

這是因為量產爬坡從0到1是突破，1到100是突破，100到10000也是突破，每個階段面對的問題都不一樣，很多時候說不清哪個階段“更難”。

唯一可以確定的是，在這條坡道上，技術迭代一定是被真實需求推著走的——真實世界里的長尾場景，永遠比預設的多。

第一個有說服力的場景，是一根“不起眼”的魚竿。

庫薩從市政道路往公園、園區、景區等更靠近人的場景走，有時候會碰到釣魚的人把魚竿支在那兒，一兩厘米粗、孤零零一根。團隊以前做的是地面分割，檢測水管電線，從沒想過空中會有這么細的東西，只能重新采數據訓練。

陶圣從中收獲了一個感悟：在規模化落地之前，大部分技術迭代都是為了針對突然發現的場景，團隊不可能一開始就預設到所有問題，這是一個慢慢發現的過程。

第二個案例則是“書包旁的紙與鉛筆”。

傍晚，機器人看到書包、紙筆，旁邊有學生在跑。靠這幅畫面的語義理解，它能判斷前方奔跑的學生可能是文具的主人，書包和文具都屬于臨時存放，選擇不清掃；第二天，書包和人都不在了，同樣的一張紙，就會被判定為遺留垃圾。這個場景判斷的實現，靠的是大模型對整張圖片的語義理解能力，能把人、物、時間、空間關聯起來。

無論是識別一根魚竿，還是理解一個放學場景，這些迭代之所以能快速發生、快速部署到機器人體內，背后靠的是Corner Factory的數據飛輪，和Kusa Robo Platform的通用型。

長尾場景之外，平臺還要跨得住形態的切換。平臺通用性最硬的證據，是一腦管理多形。同一套棧，短期內就從輪式機器人切到了雙輪足式，機械臂控制也從一個輪式車型上的2到3個自由度，平滑擴展到多自由度。換句話說，平臺不會被某一種機器人形態鎖死。

跨形態適配的難點在本體動力學差異和控制矩陣差異，庫薩的解法是硬件抽象層，把力矩、角度、圈數統一抽象成上層算法看不見的量，再由底層運動學模型轉換成可執行的指令。

陶圣打了個比方，就像人游泳時不會刻意去想手怎么打水，動作會慢慢變成肌肉記憶；一腦管理多形的奧秘也在于此，大模型管頂層思維，底層小模型負責具體的執行和“肌肉記憶”。

未來平臺進化最大的空間在哪？

陶圣給出的回答很明確：還是在大模型。

OS底層枯燥、迭代慢、目前已經基本夠用，而大模型正在回歸數學本質，開始引入物理和數學的硬約束，比如用流體力學描述物理概念嵌入世界模型，讓3D空間理解成為共識。

具身智能的OS不會像手機那樣一家獨大，機器人場景的碎片化程度遠超手機和PC，最后大概率是“多家分天下”。

而在行業終局到來之前，庫薩要做的，就是讓城市服務機器人在更多縱深的場景里開箱即用，成為可靠、持續、可規模化的生產力伙伴，讓城市的智慧運轉變得更加高效、有韌性。