星尘智能AOS系统亮相黑客松，用DesignforAI架构连接通用大模型与具身机器人

10月24日至25日，星尘智能在深圳举办第三届机器人黑客松总决赛。现场17支队伍在36小时内完成从创意到真机测试的全流程开发，其中16个应用成功运行于实体机器人，真机上手率达94%。尤为关键的是，多数参赛者此前并无机器人开发经验——这一成果背后，是星尘智能自研的Astribot OS（简称AOS）操作系统所支撑的低门槛开发范式。

AOS的核心设计原则是“Design for AI”：系统将机器人的感知、移动、操作与交互能力封装为标准化的Meta能力包与Skill模块，并确保这些接口能被GPT、DeepSeek等通用大模型直接理解与调用。开发者只需输入一句自然语言指令，例如“把桌上的蓝色积木放到箭头指向的位置”，AI即可自动解析任务意图、规划执行步骤、组合调用对应能力模块，并输出可执行代码，最终驱动机器人完成动作。

这一路径的提出，源于星尘创始人来杰对行业技术路线的重新审视。过去两年，机器人领域普遍认为：通用大模型擅长理解数字世界，而物理世界交互必须依赖专门训练的具身基座模型（如VLA）。这种“分层论”曾是融资与研发的主要逻辑。但今年9月3日，OpenAI发布GPT-6 Astra后，情况迅速变化——有团队次日即将其接入机械臂，发现Astra不仅能拆解任务，还能直接输出末端执行器的位姿坐标，在部分测试中成功率甚至超过专为机器人训练的模型。

面对通用大模型向具身领域的快速渗透，业内出现明显分歧：一方坚持物理交互仍需专用数据积累，复杂操作仍是具身公司的护城河；另一方则担忧，留给专用模型兑现商业价值的时间窗口可能仅剩一至两年。

来杰并未选择站队。他指出，星尘既在推进第三代具身基座模型Lumo的研发，也主动拥抱通用大模型的能力红利。“我们不是要取代大模型，而是搭建一座桥。”他认为，通用智能与专用智能并非对抗或上下级关系，而应是“伙伴关系”，各司其职、协同增效。

一个典型例证发生于2024年：来杰曾让机器人执行“将物体置于桌上三支笔摆成的箭头前方”的任务。结果，通用大模型准确理解了“箭头”这一抽象符号并完成定位，而具身模型却因训练数据中缺乏此类符号表征而失败。“抽象概念在专用模型里几乎不存在”，来杰由此判断：必须从模型训练初期就明确分工，而非执着于打造一个全能型替代方案。

正是基于此认知，AOS从设计之初便以“AI可读”为第一准则。工程师编写接口时，需额外进行语义适配工作——将功能描述转化为大模型能精准解析的结构化表达。这使得接口本身成为一种“写给模型看的语言”。来杰将其类比为苹果图形界面的革命：当年GUI将开发门槛从命令行降至鼠标点击，如今AOS希望将机器人编程门槛从C++/ROS降至自然语言指令。

在硬件层面，星尘已推出Lumo系列本体机器人，配合AOS与自研模型，构成“本体—操作系统—模型”的三位一体架构。其目标并非仅做机器人制造商，而是构建类似iOS的生态基础：让设计师、产品经理、学生乃至非技术人员，都能参与机器人应用的创造。

本届黑客松中，一支由大学生组成的队伍开发了“盲人辅助取药机器人”：用户语音说出药品名称，机器人通过视觉识别药盒、抓取并递送至指定位置。整个流程未涉及任何底层运动学代码编写，全部依赖AOS提供的Skill组合与大模型推理。另一组作品“桌面整理Agent”则实现了对散落文具的分类抓取与归位，其任务分解逻辑完全由GPT-4o生成。

值得注意的是，AOS并非封闭系统。它兼容主流开源框架与模型服务，支持开发者接入本地部署的Qwen、DeepSeek-V3等模型，也可调用云端API。这种开放性使其在高校与初创团队中快速扩散——目前已有超20所高校将AOS纳入机器人课程实验平台。

行业观察者指出，星尘的路径代表了一种务实转向：当通用大模型展现出超出预期的具身能力时，固守“纯专用模型”路线的风险正在上升；而全盘依赖通用模型又面临物理世界长尾场景覆盖不足的问题。AOS试图在二者之间找到平衡点：用操作系统作为中间层，动态调度不同来源的智能资源。

从技术演进角度看，这一思路与近年兴起的“AI Agent+工具调用”范式高度契合。传统机器人软件栈（如ROS）强调确定性控制，而AOS则转向概率性规划与弹性执行——当某一步骤失败时，系统可触发重试、降级或请求人类介入，更贴近真实环境的不确定性。

尽管挑战犹存，例如多模态指令歧义处理、实时性保障、安全约束嵌入等，但黑客松的高落地率表明，该架构已具备初步工程可行性。来杰透露，AOS将于2025年初开放公测版本，首批合作机构包括中科院自动化所、哈工大机器人研究所及数家工业集成商。

在通用智能加速渗透物理世界的当下，操作系统层级的创新正成为新的竞争焦点。星尘智能的选择或许预示着：未来机器人的核心竞争力，不再仅取决于单点模型性能，而在于能否高效整合多元智能源，并将其转化为可规模化复用的应用能力。