从智驾无图到机器人：费莫一刘念邱的具身创业路

元戎启行出身的刘念邱，正带着费莫一科技切入具身智能赛道。他的创业判断很直接：智驾从高精地图转向"无图"路线所积累的技术范式和工程经验，能够迁移到机器人身上。甫一创业，费莫一便拿下IDG资本领投、云启资本、滴滴、复星锐正、禾赛科技等头部机构近亿美元种子轮融资——而在早期接触投资人时，刘念邱甚至还没来得及准备商业计划书。

一个非典型具身创业者

刘念邱很难被归进典型的具身创业者模板。他不是机器人实验室出来的学者，也不是过去两年才涌入Physical AI的连续创业者。他曾在英特尔负责全球新工艺和新设备研发，第一次创业做物联网和工业智能化，2017年开始帮元戎启行创始人周光做自动驾驶硬件，2018年正式加入元戎，从硬件一路做到Robotaxi运营、产品、数据、量产和售后。

这种"缺啥我干啥"的履历，恰恰是他切入具身智能的底气。他从元戎带出来的不是前同事（几乎没有人一起出来），而是大规模数据闭环、工程化、技术判断和规划这些know-how。"有这些项目经验，再去搭一个新的具身团队，逻辑是不一样的。"

技术本质的相通

刘念邱认为自己过往经历与自动驾驶"看起来差得挺远，但技术本质上比较像"。在英特尔做产线检测需要传感系统加控制系统，这和智能驾驶有很多相通之处。他加入元戎接到的第一个任务，是为机械旋转式激光雷达、组合导航和工业相机做硬件同步控制器，把来自不同行业、各有时序要求的设备统一到优于1毫秒的同一条时间线上。

元戎的关键转向：停掉Robotaxi押注无图

费莫一的技术信仰，很大程度来自元戎那次"推倒重做"式的转型。2021年前后，直接负责运营的刘念邱对Robotaxi的实际成本和规模化前景产生疑问。核心团队最终共同决策：基于高精地图的方案没有未来，要全力押注无图。

"作为创业公司，不可能两条线都走好，也没有那么充足的资源。"元戎逐步缩减深圳车队，把产品工作从Robotaxi运营转向L2量产和车企对接。

从有图到无图意味着什么

这是一次架构级的重构。刘念邱解释，过去有图版本是传统的感知、预测、追踪模块，加高精地图定位，再加规划控制；走向无图后，感知大幅扩大边界，把地图定位也包了进来，与规划紧耦合，数据需求也完全不同。

研发阶段没有严谨的deadline可言——"科研项目很难设一个特别严谨的deadline，因为没人能确定那个时间一定能出结果。"团队的方法是定义模型结构、决定数据怎么采怎么标怎么训，跑起来发现问题就立即拆解：是道路理解错了，还是理解对了但规划错了？"人休息的时候算力不要休息。"

从决定做无图到拿到定点，大约用了一年。但刘念邱强调，拿到定点后压力反而更大——因为下一步不是证明技术能做，而是要量产。他个人最难的部分是与主机厂的系统整合：诊断信号、信号矩阵、中间件通信可靠性、功能安全异常处理，以及一套全新的智驾售后诊断体系。"算法之外，还有大量系统、质量和协作上的问题需要解决。"

高精地图（HD Map）方案依赖预先采集并持续更新的厘米级精度地图，车辆在行驶时将传感器数据与地图匹配来精确定位，规划模块则在已知的静态道路结构上进行路径计算。这套架构在封闭或半封闭路段表现稳定，但维护成本极高——每条道路的变化（施工、新增标线、临时封路）都需要人工更新地图，且地图覆盖的地理范围直接决定了系统能运营的区域上限。无图（Map-free）方案则要求感知模块实时理解道路拓扑、障碍物和可行驶区域，不依赖预存的先验地图。这意味着感知网络必须具备更强的泛化能力，能处理训练集中未出现过的道路结构，训练数据的多样性和规模因此成为核心竞争要素。这一技术路线的转变，本质上是将"地图的记忆"转化为"模型的理解"，也正是刘念邱认为可迁移到机器人的核心范式：机器人同样无法依赖预建的环境地图在开放世界中工作。

为什么选择现在创业

刘念邱从2024年开始认真关注Physical Agent，当时Figure、宇树H1频繁出现，但主要还在展示走路、上下楼梯。到2025年底，他判断时机成熟。

理由有两点。一是供应链成熟了，创业公司不必再被弱本体和硬件短板拖累，花大量精力补课；二是AI驱动的技术和数据范式逐渐清晰，可以开始形成真正有长期价值的积累。

他对窗口期有自己的刻度：2025年底之前，行业更多是针对特定任务做探索；之后开始越来越多讲异构数据、多元数据、泛化。"过早进去，资源大量花在特化和探索上，不一定形成核心积累；太晚进去，别人又已经形成积累。"

至于为何不留在元戎内部做，他的回答很坦率：具身需要极高的资源投入和专注度，而他在元戎已经把0到1、1到10、10到100基本走完，"擅长的东西在那个阶段已经不能产生特别大的差异化优势，与其在那躺平，还不如再做一件从0到1的事"。

Physical Agent：不是工具，是伙伴

费莫一刻意选用"Physical Agent"而非更流行的"Physical AI"。刘念邱认为Physical AI代表一种能力而非生产力，而他们想做的是物理世界里的Agent——像数字世界的agent一样协助人完成任务，具备认知空间的决策能力、动作空间的规划能力、接触空间的细节对齐能力，还要有记忆。"Agent这个词对用户更直接，它是能帮我干活的，而不是一个概念。"

为什么选开放动态场景

过去两年具身落地最常见的路径，是先找一个边界清晰的场景——工厂拧螺丝、酒店送物、仓库搬运，把成功率做上去。刘念邱不否认这些场景的商业价值，但他的疑问是：如果机器人长期只在被高度定义的环境工作，它积累的能力有多少能迁移？

"你在工厂里天天打螺丝，打得再好，也不意味着明天就能跑到街上送外卖，这里面没有天然的迁移能力。"

费莫一因此选择边界模糊的开放动态场景：商业区、写字楼、住宅、活动区域，构成机器人逐步进入的"生活圈"。它今天送外卖、明天送快递、后天打扫卫生，不被固定成某一种职业。机器人进入越丰富的环境，越可能形成跨场景迁移能力。

"伙伴"关系与硬件选择

之所以叫"伙伴"而非工具，是因为早期人与机器人会互相帮助：机器人在一公里外找不到路，用户可以通过它的眼睛指路；到了餐馆分不清哪个袋子是你的，人可以帮它判断。随着能力提升，人帮它的比例越来越低，它帮人的比例越来越高。

产品保留较强人形特征，也服务于这个逻辑：要干各种活、自己走到干活的地方，就得有双手、有头，视觉高度接近人，还要有腿能跨过日常的楼梯和小障碍。"核心不是为了长得像人，而是为了让它能像人一样进入这些环境、完成任务。"

拒绝工程捷径，坚持数据驱动

费莫一不打算像早期自动驾驶那样做地图或大量前期部署。"智驾我们都不用高精地图了，Physical Agent更不能用。"刘念邱把这视为AI Native的关键：过去智驾大量写规则，在边界小的时候有效，但边界一大，每增加一个规则都可能影响其他场景，等有了几万用户还得持续维护，"它最后会从优势变成负担"。

Agent（智能体）在AI领域特指能够感知环境、自主规划并执行多步骤任务的系统，区别于仅执行单次指令的工具型模型。数字世界的Agent（如基于大语言模型的自动化助手）已能完成网页浏览、代码编写、信息整合等复合任务，其核心能力在于将高层目标拆解为可执行步骤，并在执行过程中根据反馈动态调整。Physical Agent将这一逻辑延伸到物理世界：机器人不只是接收"把箱子从A搬到B"这类精确指令，而是能理解"帮我收一下快递"这类模糊目标，自主规划出门、识别快递、搬运、返回的完整流程，并在遇到障碍（电梯故障、快递柜密码错误）时自主决策。这要求系统同时具备语义理解、空间推理和精细操作三个层次的能力，三者之间的协调本身就是当前具身智能最核心的技术挑战之一。

落地闭环与行业未解的难题

按照节奏，费莫一今年会发布自己的本体，叠加一版大模型，做一些落地示范，同时启动初始化数据采集（自研采集设备）；明年开始多点部署，真正跑通"落地—数据—训练—再落地"的闭环。

刘念邱反复强调一个来自智驾的核心经验：从demo到工程化再到真正落地的鸿沟。"你做10次成功1次，或者10个场景里挑一个表现好的拍视频，跟用户什么时候来都能用，是完全不同的事情。"开放世界的复杂度几乎没有上限，这是整个行业现在都还没解决的问题——关注点不再是单点能力上限，而是一系列场景里的下限。

问及三年后的愿景，他没谈市场份额，也没给宏大数字，只说希望在很多地方都有人真正用上他们的"伙伴"。"本质上还是产品被别人认可。"这句话，从Robotaxi时代第一个真正打车的用户，到量产系统交到车主手中，再到今天的机器人，是他一以贯之的判断标准。

数据闭环（Data Flywheel）是自动驾驶行业验证有效的工程范式：系统在真实部署中遇到的长尾场景被采集回传，经过筛选、标注后进入训练集，模型迭代后再推送到车端，从而形成"部署越广—数据越多—模型越强—部署越广"的正向循环。这一范式之所以对具身智能具有参考价值，在于物理世界的复杂性同样无法通过仿真或有限的实验室数据覆盖。然而，机器人数据闭环面临比智驾更高的门槛：自动驾驶可以依靠量产车辆的规模自然产生海量驾驶里程，而机器人的初期部署数量有限，每台机器人能覆盖的场景类型也远比行驶在道路上的车辆更加碎片化。这使得如何在小规模部署阶段设计高效的数据采集与筛选策略，成为具身智能公司在工程化阶段必须提前解决的核心问题。