本文来自微信公众号： 野生编辑部 ，作者：野生编辑部
#具身智能#姜旭#林俊旸#天才#语用科技#亮源新创
八月的第二周，两个天才几乎在同一天又走到台前。
一个是姜旭。他在OpenAI待了将近四年，完整经历了InstructGPT、ChatGPT到GPT-4的整个周期。
2024年底姜旭回国，在深圳筹备创办亮源新创，做具身智能的基础模型。2026年8月14日，宣布一笔数亿元的Pre-A轮，领投方是国科投资，一家中科院系背景的国资机构。
另一个是林俊旸。他在阿里待了七年，从达摩院一路做到通义千问的技术负责人，是阿里最年轻的P10之一。
2026年3月他离开千问，5月在上海成立语用科技，8月12日官宣一笔天使轮，金额约2.2亿美元（约15亿人民币），投后估值约20亿美元，折合人民币一百三十五亿左右，高榕中国和红杉中国联合领投，腾讯、上海未来产业基金参投。
两个天才都从顶级AI实验室出走，都押注智能进入物理世界，都在同一周对外亮出融资。
姜旭拿数亿元融资，领投的是国资、未披露估值，林俊旸一个拿2.2亿美元。顶级VC领投、估值站上一百三十多亿。同样顶尖的人才，第一笔钱差出一个数量级。差的肯定不是本事，是时间窗口、路线远近、资本性质和资产轻重多个变量。
押了同一局
姜旭本科和博士读的都是物理。博士期间他把物理学的各个方向都试了一遍，发过不少彼此不相关的文章。
临近博士毕业，他坚定转向AI，啃吴恩达的Coursera公开课自学Python和机器学习，做了些开源项目，在硅谷找到第一份AI工作，一年之后进了OpenAI。
林俊旸的路径在另一头。他1993年生，本科读的是国际关系学院英语文学，后来到北大念计算语言学硕士，从语言学拐进自然语言处理，再走到大模型。
一个从物理跨界，一个从语言学跨界，都不是计算机科班典型出身，学科底色几乎完全相反。绕了一大圈，两个人最后都走上了同一条路，让智能进入物理世界。
姜旭在OpenAI的四年，是一段很扎实的全栈经历。
2019年，OpenAI大约一百人，自己换过四五个团队，从最底层的训练基础设施做起，中间做预训练做了一两年，最后做对齐又做了一两年。用他的话说，是从大语言模型最底层的infra，到预训练，到对齐，走了一个完整的栈。
这段经历里最硬核的一块，是他独立牵头的FP8训练。
FP8是八比特浮点数训练，他加入OpenAI之后解决的第一个大问题就是这个，花了一年时间把八比特浮点训练模型摸清楚。
OpenAI自己不做硬件，只在算法层探索，然后把结果交给NVIDIA，说服对方从H100这一代开始原生支持FP8。
今天回头看，DeepSeek-V3用FP8训练、gpt-oss用FP4发布，这条降低成本的技术路线就是那时候铺下的。这是姜旭身上站得住的硬成果，比任何头衔都实在。
姜旭还有不少有名的署名论文，比如InstructGPT。
那篇《Training language models to follow instructions with human feedback》发在NeurIPS 2022，姜旭是主要作者之一、核心贡献者。
这篇论文的贡献是RLHF的三阶段流水线，先监督微调，再训练奖励模型，最后用PPO做强化学习。
这篇论文得出了一个很反直觉但重要的结论：一个13亿参数的InstructGPT，在人类偏好评测里能超过1750亿参数的GPT-3。对齐比单纯堆规模更关键。
ChatGPT之所以能听懂人话，奠基就在这篇论文里。
他还亲历了GPT预训练那段波折。
2021年初，原预训练团队的核心人物达里奥·阿莫代伊(Dario Amodei)等人陆续离职去创Anthropic，布罗克曼带着不到十个人接手，姜旭是其中之一。
他讲过失败迭代的滋味：几千张卡训几个月没训出好模型，这种事在头部公司也不罕见，他经历过两次。最后GPT-4的预训练成了集大成者，从架构到优化算法到infra都超前于时代，完成时间比预计还早。
林俊旸那边，科研上的硬通货是M6多模态预训练论文的一作，以及参与OFA和Qwen-VL。
但真正让他出圈的，是产品。他是通义千问系列的技术负责人，把Qwen做成了全面开源，落地了Qwen3-Max旗舰，Qwen3.5还拿到过马斯克公开点赞。2025年5月他升到P10，那年三十二岁，是阿里最年轻的P10之一。
姜旭的招牌是「在OpenAI参与了让大模型又好用又便宜的两件大事」：对齐让它好用，低精度训练让它便宜。
林俊旸的招牌是「把一个开源大模型生态做成了现象级产品」。
声誉这边的反差也明显。姜旭在GPT-4报告里被引八次，媒体喜欢把它翻译成「ChatGPT核心贡献者」，但热度还是仅局限在AI圈内。
林俊旸的声誉则更「破圈」：Qwen这个名字和他深度绑定，他是AI圈当下最被追捧的明星创业者之一。
两个都是天才，但姜旭一直在做底层范式，林俊旸则塑造了千问，在产品化和生态。这本身也是资本后来给出不同定价的伏笔，也说明了VC的偏好。
[CORE]
现在做的事，姜旭造的是物理世界的GPT，林俊旸造的是跨数字与物理的行动操作系统。两个人谈不上竞争关系，未来甚至可能是上下游：林俊旸的物理Agent将来需要的那颗大脑，说不定就是姜旭这类具身基础模型。
一个造大脑，一个造行动系统
林俊旸和姜旭做的事，都大概是「让AI进入物理世界」，但落点差得很远。
亮源新创是给机器人造大脑。
姜旭的核心判断是，具身智能首先得有自己的预训练，就像语言模型从海量文本里学世界知识一样，具身模型得从互联网尺度的人类运动、空间移动、物理交互视频里学运动先验、空间理解和物体的可供性。
真机遥操作数据只是高价值的对齐和验证数据，不是预训练的主源。
亮源新创的打法是三段范式。先规模化预训练，再规模化对齐，做类似RLHF的那套，最后规模化部署，让模型进真实环境产生数据反哺，转起来一个数据飞轮。
姜旭在世界模型上有两个任务：预测世界的下一个状态，以及预测下一个动作。他认为如果必须二选一，预测动作比预测状态更重要，因为训练世界模型不是为了生成视频，是为了控制机器人。
「具身智能本质上仍是一个新的大模型问题。」这是姜旭的核心观点。
亮源新创团队已经超过一百人，研发占九成。他们有Light-Loco-Parkour这套端到端感知型全身运动系统，一个神经网络策略，只靠机载深度相机和速度指令，就能自己决定怎么走、怎么平衡、怎么攀爬、怎么下台阶、怎么翻过障碍，不需要预先设定步态和轨迹。
旗下的机器人Lightbot 0身高90厘米、重18.9公斤、21个主动关节，已经演示过无脚本跑酷，翻过大约75厘米的障碍。姜旭自己说，过去一年在验证路径，今年要从探索阶段进到scaling。
但话说回来，这家公司2024年成立，干了快两年，到今天官宣的还只是数亿元Pre-A，没有披露估值，也没有发布正式的模型能力演示。它确确实实还在极早期。
林俊旸的Pragmatik Labs语用科技，走的是另一条线。
他定义的是横跨数字世界和物理世界的下一代智能体，数字Agent管知识工作和企业流程，物理Agent进真实环境感知、适应、执行长周期任务，两套建立在一套共同框架上：推理、调工具、从反馈学习、协调行动。
他管这叫Agentic Thinking，从为答案而推理，转向为行动而思考。
语用科技官网目前还没有公布首款产品、核心团队、模型方案和上线时间。数字和物理两条线，到底是共用一套底层系统，还是先走通一条再说，要等第一款产品出来才知道。
换句话说，林俊旸说的物理Agent目前更多是方向声明和框架，不像亮源新创已经有Lightbot 0实体和LightLP系统那样可以演示。不过林俊旸2025年10月就在千问内部组过机器人和具身智能小组，不是毫无积累。
再说简单一些。姜旭做的是具身基础模型层，是物理世界的GPT，自己搞预训练、跨本体、还造硬件本体。可以理解为一家具身智能公司。
林俊旸做的是智能体应用层，是数字和物理通用的行动操作系统，模型可能调用别人的。
未来，两个人甚至可能是上下游关系。林俊旸的物理Agent将来需要的那颗大脑，说不定就是姜旭这类具身基础模型。表面都喊着跨数字与物理，姜旭的「物理」是模型本身要去理解物理世界的运动，林俊旸的「物理」是Agent进入真实环境去执行。
但问题是，为什么同样是顶级人才出走，第一笔公开的钱差这么多？
尤其是，今年上半年，无论是具身智能本体，还是大脑，还是数据，纷纷爆发。姜旭和亮源新创明明2024年就入局了，为什么没有卡到一个好的生态位？
可能的解释之一是，两个人在VC面前的「信用」不一样。
林俊旸带领团队做出了Qwen开源生态，全球下载六亿到十亿次，二十万衍生模型，这个信用直接转成了「他能做出现象级产品」的商业想象。姜旭只是在OpenAI中负责其中一个节点，虽说，是创新性的，但他没有证明过自己在产品上的能力。
姜旭在OpenAI始终是一个研究者的角色，埋头把模型训好、把训练系统做扎实。
林俊旸在阿里是通义千问的技术负责人，是一个产品的整体leader，要管研发、管开源、管生态，有全局思维。
VC当然喜欢天才，但在各个维度上证明过自己的天才，VC更喜欢一个被验证过的产品leader，显然比一个被验证过的研究员更容易拿到大钱。
也因此，即使现在林俊旸什么都没有，红杉和高榕敢给20亿美元估值。
国科投资、招商局这类国资，押的其实是国家级具身智能基础模型这个长期战略，估值体系也更看重实打实的团队和技术，而不是叙事溢价。
襄禾资本的说法是，谁真正理解大模型智能涌现的底层逻辑，谁就更有可能把这套范式复刻到机器人身上，这句评价恰好落在姜旭的长项上。
最后，姜旭自己说过，在中国创业一定要带上供应链和硬件，这是中国的独特优势。他的话在去年和今年都应验了。但亮源新创本身并没有过攀上这波浪潮。
[INSIGHT]
把这些叠起来，资本待遇的差异就不奇怪了。但这不是人才被低估的故事，是时间、路线、身份、资本性质与资产轻重一起作用的结果。还有一个待解的问题是，为什么姜旭2024年就入场了，今天还在融Pre-A？
2024就入场，为什么今天还在Pre-A
今天看，做具身智能本体、大小脑、世界模型、数据的公司，拿到巨额融资不稀奇。但从绝对时间点看，姜旭做具身大脑的时间点是2024年，这相当早。
当时，不少行业内的公司，都还在犹豫要不要自家下场做模型的阶段。
也就是说，如果具身大脑这个赛道有很强的时间窗口，早两年入场的人早该把后来者挡在门外了。可现实是，2026年还在不断有全新的公司成立、刚成立就拿钱。随便今年拿到钱的一些公司。
卜拉格2026年5月底才成立，做世界模型和具身大脑，6月就拿了红杉中国、腾讯投资、高榕创投联合投的天使轮。
源策未来Archon Robotics由香港大学教授创立，2026年4月成立，6月完成数亿元种子轮，真格基金、高榕、IDG、五源资本进场。
潜界科技是清华团队，2026年5月成立，8月就拿了高瓴创投、智元等的数亿元种子轮。
欧拉万象2026年3月成立，三个月里完成三轮融资，从种子到超亿元天使轮。
在数据采集这一侧，觅蜂科技是智元孵化的数据平台，2026年2月成立，成立十天就完成数亿元种子加天使轮，红杉中国领投，6月又拿了上海国资入局的天使加轮。
光轮智能成立较早，做物理AI数据与评测基础设施，2026年3到6月完成数轮融资，规模达20亿元以上，估值破150亿，是全球第一个具身数据独角兽。
这些公司大多2026年才成立，做的要么是具身大脑、要么是数据采集基础设施，刚露面就拿到了钱。
这说明一件事：这个行业的进入时点，没有那么强的卡位效应。大家都慢，所以先发优势没那么绝对。姜旭早入场，并没有因此把后来者挤出牌桌。反而在叙事上是吃亏的。
慢的根因，是数据太缺。
截至2026年初，全球高质量真实物理交互数据总量大约50万小时，不到大语言模型训练数据的两万分之一。
星海图CEO高继扬给过一个数，国内可用于具身训练的数据大约百万小时，和LLM那几千万小时视频、几十万亿token文本比，差距明显。
智元联合创始人彭志辉的说法是，相比LLM用了一整个互联网的数据，我们还差三到五个数量级。
越疆创始人刘培超说，去年行业内沉淀的有价值数据，按时长算不超过三万小时。2026年业内管这叫具身智能的数据元年，行业从算法驱动转向数据驱动。
采集本身是个重资产活。单台机器人生成一万小时有效数据，综合成本百万元级。一线专家说，研发70%的工时耗在数据采集、清洗和修正，真正拿去训练的不够30%。不同本体、传感器、标注规范不统一，数据孤岛严重，跨企业跨场景很难互通。
姜旭自己的技术判断也指向这里。为什么亮源新创创业两年多还困在pre-A，可能与技术路线有关。在2024年到2026年这近两年的时间中，姜旭和亮源新创一直是沉默的。
当下市场的共识是，只靠2D互联网视频、缺少真机交互闭环，不足以直接跑出通用物理操作能力。
姜旭也认为最大的挑战是数据稀缺，他的的理解是，互联网视频做预训练，后续还要根据现实世界的数据做真机闭环。但我们不知道的是，这中间姜旭是否走过一些弯路。
行业多热，都要准备储粮过冬
而且具身智能本身热度已经逐渐下来了，行业还没经过周期的考验。那些融了几十上百亿的公司，可能就是奔着过冬去的。那如果冬天来了，姜旭没有足够的储备粮。活下去就成了问题。
如果资本耐心开始向真实订单和单场景盈利倾斜，那些首轮烧完还没跑通商业模式的，估值会回调。训练范式也还没收敛，不像LLM有公认路线，具身基础模型的后训练怎么泛化，还是核心挑战。
算法泛化不足、硬件性能和成本难兼顾、高端传感器国产化偏慢，是横在那里的技术三角困局。
把上面这些连起来，对亮源新创、对姜旭、对整个具身大脑赛道，最诚实的判断是，故事可以讲，但得讲得清楚，还不能一直讲。
数据稀缺、范式未收敛、没经过周期、技术障碍一堆，这四个加起来，决定了具身大脑的创业更像做科研。
姜旭说今年进scaling、后续发技术报告与跨本体演示，这更像是先科研突破、再场景验证的节奏。
国科投资董事总经理周晓峰评价亮源新创团队最难得的地方，是既有超大规模模型训练和数据处理经验，也有把模型落到真实系统的工程实践，同时还具备硬件本体和运控能力。这三点正好对应了具身智能最难的三道坎：大脑、数据、身体。
回到姜旭和林俊旸，一个从物理跨界，一个从语言学跨界，都押注智能进入物理世界，都从顶级实验室出走。一个造大脑，一个造系统。虽然资本市场有偏爱，但俩人可能看的都是5年或10年之后的事。
[CLOSING]
唯一能确定的是，不管什么技术路线，都得积攒起足够多的储备粮。这是穿越周期暴力却实用的解法。