字节跳动机器人老将陶科加入小米，机器人基础模型竞争升温
据报道，Xiaomi 于 2025 年夏季招募了前 ByteDance 机器人业务负责人陶科，由其负责一个高度保密的机器人基础模型团队。这项任命之所以重要，是因为 Xiaomi 如今获得的不只是一位研究负责人，还包括一名曾用六年时间打造 ByteDance 机器人项目的高管，以及接触 Xiaomi 设备、汽车和工厂的直接渠道。
36Kr 于 2026 年 8 月 10 日援引多位熟悉两家公司情况的独立消息人士报道了这项人事变动。消息人士称，陶科还带来了数名 ByteDance 前员工。他们还表示，Xiaomi 更广泛的机器人组织规模约为 200 人，但 Xiaomi 尚未公开确认这一数字。
这并非又一次普通的高级 AI 人才引进。ByteDance 在陶科领导下打造了中国最受关注的通用机器人模型项目之一，而 Xiaomi 则在 2026 年持续发布自己的模型与训练方法。如今的竞争，是两种具身智能路径之间的较量：一家互联网平台从模型出发发展机器人研究，另一家硬件公司则围绕产品、工厂和实体部署构建模型。
据报道，Xiaomi 内部发生了什么变化
陶科的加入，为 Xiaomi 的机器人业务提供了一位经验丰富的团队建设者，正值其机器人工作从演示阶段迈向模型平台。
原始报道将陶科描述为 Xiaomi 机器人基础模型团队负责人。基础模型是经过广泛训练、可适配多种任务的系统，而不是为某一种固定动作或机器专门设计的系统。
这一区别很重要。传统工业机器人会在结构化环境中重复经过精密编程的动作。基础模型研究则旨在让机器人能够理解语言、感知不断变化的场景，并在不同任务中生成恰当的实体动作。
陶科的公开履历独立佐证了相关背景。他在其个人研究页面上表示，自己于 2019 年至 2025 年担任 ByteDance 机器人研究总监，并建立和领导了该公司的机器人研究团队。
该页面并未公开标明 Xiaomi 是其现任雇主。不过，页面邀请研究人员和工程师参与机器人基础模型与系统相关工作。这一表述与其据报新职位的职责范围一致，但并不能独立核实报道中的每一项组织细节。
据 36Kr 报道，陶科于 2025 年夏季加入 Xiaomi，并招募了数名此前在 ByteDance 工作过的人员。报道称，其团队使用独立办公区。一位消息人士称，即使在 Xiaomi 更广泛的机器人组织内部，这个团队也显得异常神秘。
这些说法应谨慎看待。两家公司均未发布任命公告、组织架构图或该团队经核实的人数。Xiaomi 也未公开说明陶科是否直接管理其机器人研究品牌下发布的每一个项目。
不过，Xiaomi 的公开研究时间线为这则人事报道提供了充足背景。公司于 2026 年 2 月推出 Xiaomi-Robotics-0，4 月发布后训练流程，并在 7 月公布两项更大型的研究项目。这些发布均出现在陶科据报加入之后。
这一时间点并不能证明陶科亲自创建了每一个模型。研究项目往往在发布前很久便已启动，论文通常也代表众多贡献者的工作。但它表明，在陶科据报到任后的那一年里，Xiaomi 的机器人模型业务开始在公开层面持续产出成果。
因此，这一事件最具影响力的部分并不在于某间办公室的保密状态，而在于一位经验丰富的研究负责人、一支招募而来的团队、可见的发布节奏，以及一家拥有多条现实部署路径的公司，正汇聚在一起。
为什么 Xiaomi 此时需要机器人基础模型团队
Xiaomi 正试图在通用机器人领域最终围绕少数主导模型栈收敛之前，将其硬件布局转化为训练和部署优势。
该公司多年来一直从事机器人工作。它于 2021 年展示了 CyberDog 四足机器人，并于 2022 年展示了 CyberOne 人形机器人。这些系统吸引了关注，但都未能让 Xiaomi 成为通用机器人智能的供应商。
其 2026 年的工作提出了更雄心勃勃的主张。Xiaomi 的机器人研究网站描述了一项聚焦于由可扩展基础模型驱动的通用机器人的计划。其发布内容强调模型训练、动作生成、世界建模，以及对高难度操作任务的高效适配。
这一方向反映了机器人领域更广泛的变化。机器人不再只需要性能出色的电机、关节、摄像头和控制软件。团队越来越希望拥有一个可复用的模型，将视觉感知、语言指令和实体动作连接起来。
这类系统通常被称为视觉-语言-动作模型，或 VLA。它接收图像和文本，然后生成机器人可以执行的动作。理论上，一个经过广泛训练的 VLA 可以适配多种机器和环境。
但在实践中，这项任务仍然困难。机器人必须在连续的物理空间中行动，微小误差就可能打翻饮料、损坏物体，或令生产线停摆。互联网规模的文本和图像数据，并不能直接教会机器在将耳机塞入充电盒时该施加多大的力。
Xiaomi 拥有可帮助缩小这一差距的资产。它销售消费电子产品，运营互联设备平台，制造电动汽车，并可接触生产环境。每个领域都提供了潜在部署场景，不过 Xiaomi 尚未宣布一个涵盖所有这些领域的统一商业机器人平台。
工厂是最直接的试验场。重复性的操作任务提供了可衡量的成功标准、可控的安全边界和自动化的经济动机，也能产生改进模型所需的失败数据。
家庭代表着更大的市场，却也是更艰难的技术问题。家居物品差异很大，人们的移动不可预测，而可接受的失败率极低。一台在实验室里十次成功九次的机器人，在儿童、宠物、玻璃器皿或高温电器周围仍可能并不适用。
汽车则构成另一条可能的桥梁。自动驾驶与机器人技术都依赖感知、规划、仿真，以及在不确定性下做出决策。二者的传感器和动作空间不同，因此模型无法不经适配便直接迁移。不过，团队可以复用数据基础设施、训练系统和多模态推理经验。
这正是为何一位经验丰富的基础模型负责人此时尤为重要。Xiaomi 必须协调数据采集、模型架构、后训练、评估、硬件控制和部署等各方面研究。零散的演示无法产出可复用的机器人智能层。
据报约 200 人的团队规模也表明，Xiaomi 将机器人视为一项持续性计划，而非小型探索项目。这个数字尚未得到确认，但公司的发布节奏显示出相当可观的运营规模。
对 Xiaomi 而言，机会不只在于打造一台人形机器人，更在于创建一种可服务于不同具身形态的模型架构，也就是适用于不同机器人机身、传感器和控制系统。若取得成功，公司将为当前需要分别进行工程开发的机器提供一层通用软件。
Xiaomi 和 ByteDance 正从相反两端推进
ByteDance 拥有大模型研究和互联网规模 AI 基础设施，而 Xiaomi 能将模型开发与硬件、制造和最终产品部署相连接。
这正是陶科转职所带来的核心竞争。两家公司都能资助大型研究项目、招募专业人才，并训练多模态模型。但它们最强的资产并不相同。
ByteDance 从模型侧进入机器人领域。其 Seed 研究组织覆盖语言、视觉、语音、世界模型和机器人技术。在陶科早期领导下，其机器人项目探索了能够将网络知识与实体技能相结合的通用模型。
其中一个例子是 GR-2，被描述为用于机器人操作的生成式视频-语言-动作模型。该项目随后推出 GR-3，这是一款拥有 40 亿参数的模型，旨在遵循语言指令、跨物体泛化并完成更长时程的任务。
ByteDance 的GR-3 发布说明称，该模型整合了视觉-语言理解与动作生成。公司展示了涉及柔性物体和双臂操作的任务，而刚性编程在这些领域往往表现欠佳。
这些演示展示了 ByteDance 的研究雄心，但并不能证明其具备广泛的商业可靠性。公开视频和经过挑选的实验室任务无法揭示其在数千个家庭或工厂中的失败率。
ByteDance 同样面临部署问题。它拥有大型消费平台和云服务，但并不具备 Xiaomi 那样丰富的自有品牌实体产品。它可以与机器人制造商合作、授权模型，或打造参考系统。每条路径都会增加模型开发者与硬件所有者之间的协调环节。
Xiaomi 则从另一个方向处理这一问题。它已经设计设备和汽车、管理供应商并运营制造系统。它面临的挑战，是建立一层能够匹敌专业 AI 实验室质量的通用智能层。
招募陶科缩小了这一差距。他带来了在大型互联网公司内组织机器人研究团队的经验。据报随他加入的 ByteDance 前同事，也缩短了组建一个成员已共享方法和术语的团队所需的时间。
人才流动并不意味着知识产权自动转移。员工在处理机密信息时仍受法律、合同和道德界限约束。没有公开证据表明陶科或跟随他加入的同事曾不当转移 ByteDance 技术。
能够转移的是经验。研究人员会了解哪些数据流程会失败，哪些评估会掩盖弱点，以及哪些模型设计会在现实控制中变得不稳定。这类运营知识很难仅凭论文复制。
ByteDance 仍保留着一个可见的机器人项目。其当前研究页面展示了 GR-3、灵巧操作硬件和强化学习工作。因此，该公司依然是严肃的参与者，而不是因一人离职便被拆解的实验室。
对 ByteDance 而言，压力在于战略层面。它必须证明，以模型为中心的组织能够在不拥有完整硬件栈的情况下，将强劲研究转化为可重复部署。Xiaomi 则必须证明反过来的命题：硬件覆盖范围能够产出更好的具身智能，而不只是提供更多安装不成熟模型的场所。
Xiaomi 的基础模型布局如今已有可衡量的实质
小米近期发布的论文，将招聘消息转化为一项可检验的技术战略，其核心围绕规模化、世界建模与高效后训练。
Xiaomi-Robotics-0 是该项目首个公开发布的基础策略。策略是机器人模型中将观测结果和指令映射为动作的部分。
随附的研究论文介绍了基于跨具身机器人轨迹和视觉语言数据进行的预训练。跨具身训练将不同形态机器人的数据结合起来，目标是学习不局限于单一机器的技能。
研究人员还重点关注实时执行。这一点很重要，因为动作模型若推理速度过慢，便无法对不断变化的物理环境作出安全响应。当机器人必须在物体滑落前调整抓握时，延迟便成为智能的一部分。
4 月，小米发布了该模型的后训练流程。后训练是指在初始大规模训练完成后，将经过广泛训练的系统适配至特定行为。该公司重点展示了一项精准耳机入盒任务，使用了 20 小时任务专用后训练数据。
这项演示针对的是一个真实存在的机器人问题。小型物体要求准确定位、力度控制，以及从轻微错位中恢复的能力。与机器人按预设流程行走相比，它提供的信息更有价值；不过，单项任务成功并不能证明其具备普遍可靠性。
7 月，小米又发布了两个项目。Xiaomi-Robotics-U0 聚焦具身世界建模，而 Xiaomi-Robotics-1 则强调利用规模大得多的真实世界数据集扩展动作模型。
世界模型会预测环境在动作之后将如何变化。对机器人而言，这意味着估计其推动、抬起、旋转或释放物体时会发生什么。更好的预测能力可在机器执行实体动作前支持规划。
U0 论文认为，普通图像和视频生成模型并不能完全满足机器人领域的需求。具身系统需要跨摄像头视角的一致性、连贯的几何结构，以及对机器人自身物理约束的认知。
这是小米战略背后的一个重要机制。视频生成可以提供视觉先验和模拟经验，但机器人不能将世界视作一连串吸引人的画面。其预测必须与三维空间和可执行动作相兼容。
Xiaomi-Robotics-1 则着力于数据规模。研究人员称，他们使用通过手持式接口采集的超过 10 万小时真实世界操作轨迹进行了预训练。这些接口让人们无需直接操作每一台目标机器人，便可生成示范数据。
模型论文提出了一种两阶段方法。大规模预训练用于培养广泛的动作生成能力，随后通过后训练使模型适应复杂任务。
这一数据集规模意义重大，因为机器人数据成本高昂。文本模型可以从面向人类读者产出的文档中学习。机器人则需要与动作、物理结果相联系的观测数据，并且通常还需要专用传感器记录。
然而，时长本身并不决定质量。大型数据集可能包含重复动作、不一致的示范、狭窄的环境，或对失败案例覆盖不足。论文提供了基准测试和实验结果，但独立复现比醒目的数字更重要。
这一系列发布揭示了一个连贯的技术栈。Robotics-0 建立初始动作模型。U0 致力于预测具身环境。Robotics-1 扩展真实世界行为数据。后训练则将这些通用能力适配至精准任务。
这种连贯性让报道中的任命更具意义。小米似乎正在构建一项整合式模型计划，而非发布彼此无关的机器人实验。孔涛在 ByteDance 的经验契合这类组织的需求。
这也改变了竞争对手评估小米的方式。该公司不再仅通过机器人硬件演示参与竞争。它正在发布可供研究人员检视和挑战的架构、方法与模型。
公开发表有助于招聘。研究人员通常更青睐能够发表论文、建立可见成果体系的组织。开放模型和训练工具也能带来外部反馈，即使公司保留了最有价值的数据或部署系统。
不过，发表论文并不等于商业化。小米尚未公布基于这些模型的大众市场通用机器人发布日期，也未披露现场可靠性、运营成本、安全事故率或客户采用情况。
技术战略如今已经清晰可见。商业和产品战略仍大多隐藏在幕后。
保密状态留下了三个尚未解答的重大问题
小米已展示出可信的组成部分，但尚未证明这些组成部分能够构成安全、经济且可靠的机器人产品。
第一项不确定性涉及领导职责和贡献归属。招聘报道称孔涛领导基础模型团队，但小米尚未确认其职务或职责。公开论文列出了许多研究人员，他们的工作可能在他加入之前就已展开。
因此，将小米整个 2026 年研究成果归功于一位高管并不准确。孔涛可能的贡献既体现在组织层面，也体现在技术层面：确定研究重点、招募团队、审查系统，以及将实验与部署连接起来。
第二项不确定性是泛化能力。模型可能在实验室任务中表现良好，却会在光照变化、物体变形或有人打断流程时失败。真实环境充满经过精心筛选的评估经常遗漏的边缘情况。
长任务会放大这些错误。若机器人在每个独立步骤上的成功率为 98%，那么它在十个相互独立步骤中无故障完成的概率仅约为 82%。实际错误并不总是相互独立，但这一简单计算说明了为何精心打磨的演示可能具有误导性。
恢复行为与初始准确性同样重要。一台有用的家用或工厂机器人必须能识别抓取失败、重新评估场景，并尝试另一项动作，同时不让情况恶化。
第三项不确定性是经济性。更大的模型和更广泛的数据集需要算力、数据采集、测试和专用硬件。一套技术能力出色的系统，如果运营成本超过其替代或辅助劳动力的价值，仍可能失败。
工厂提供了受控条件，但其中早已使用成熟的自动化系统。基础模型必须在灵活性具有可衡量价值的场景中超越固定系统。否则，客户可能更愿意选择专为单一任务打造、价格更低的设备。
消费环境则带来相反的问题。它们包含丰富多样的任务，但买家要求价格可负担、安全、运行安静且维护需求极低。模型无法弥补执行器性能不足、电池续航不佳或传感器不可靠的问题。
报道所称的组织保密措施可能是为了保护竞争性研究和未发布产品，但这也限制了外界评估。小米尚未披露其机器人团队如何在模型研究、硬件、汽车系统和制造自动化之间划分职责。
保密同样可能造成内部摩擦。机器人基础模型需要数据采集人员、硬件工程师、安全专家和应用团队之间紧密合作。独立办公室可以保护专注度，但过度隔离可能减慢物理系统所需的反馈循环。
此外还存在竞争应对风险。ByteDance 可以加快其保留的 Seed 机器人团队发展，和硬件制造商合作，或让开发者更容易采用其模型。其他中国公司也可以从两个组织招募人才，并争夺同一有限的资深研究人员群体。
Google DeepMind、Tesla、Figure AI、Physical Intelligence 以及多家中国机器人公司，正通过不同的硬件和模型战略追求相关目标。小米获得制造能力的优势，并不能使其免受其他公司的技术进展影响。
现有证据支持一个更为谨慎的结论。小米已经建立了一项严肃的研究计划，并据报道招募了一位具备相关经验的领导者。但它尚未证明其模型能够以商业规模稳定可靠地运行。
这种区分应指导读者如何解读未来的演示。重要的问题不在于机器人是否完成一项令人印象深刻的任务，也不在于论文是否报告了更大的数据集，而在于系统失败的频率、它如何恢复，以及其性能能否迁移至开发者未曾精心筛选的环境。
对于工程师和企业买家而言，这同样是一个知识管理问题。机器人开发会在多个团队中产生实验、失败视频、传感器日志和决策。为可搜索知识库构建的系统可以帮助团队关联这些证据，尽管文档本身无法解决模型可靠性问题。
孔涛据报道加入小米后值得关注的事项
三个信号将表明，小米是在打造可部署的机器人平台，还是一个成果卓著但近期没有产品的研究实验室。
第一个信号是官方澄清孔涛的角色及小米的组织架构。确认信息将明确他负责的是已发表的基础模型、未来产品技术栈，还是一个范围更窄的研究部门。
领导职责范围决定执行方式。研究负责人可以优化论文和基准测试，而产品负责人还必须对安全审查、硬件约束、部署成本和现场支持负责。小米接下来的招聘公告和贡献者名单，或许会在正式公告之前揭示实际边界。
第二个信号是独立技术验证。研究人员应关注小米结果的复现、公开模型评估，以及在陌生机器人或环境中的表现。
跨具身迁移尤为重要。如果 Robotics-1 能够高效适配不同机器和困难任务，小米的大规模预训练投入便能获得杠杆效应。如果适配仍需要大量任务专用数据，这一平台的通用性就会低于其宣传框架所暗示的程度。
长时程评估同样值得关注。长时程任务需要许多彼此依赖的动作，例如清理桌面并将多个物体放置在各自正确的位置。成功率应包括完整任务完成情况、失败恢复能力和安全干预次数。
这份 10 万小时数据集也需要更仔细的审视。未来论文可能会澄清其多样性、采集方法、物体分布、环境覆盖范围，以及成功与失败行为之间的平衡。这些细节将决定规模化是否产生了广泛能力，还是主要重复了熟悉的动作。
第三个信号是真实部署及运营指标。小米工厂是最可能的首个场所，因为公司能够控制环境并衡量生产率。一次有限试点所揭示的信息将多于又一次人形机器人演示。
有价值的指标包括完成周期数、人工干预次数、平均故障间隔时间、任务切换时间，以及每次成功操作的成本。小米无需公布敏感的内部经济数据，但一些持续运行的证据将支持其更广泛的主张。
在一家汽车工厂部署，也将检验小米的战略优势。小米可以将机器人学习与其已掌控的制造工作流、传感器基础设施和质量控制系统连接起来。
面向消费者的发布门槛更高。买家需要明确的安全边界、实用任务、本地或云端处理政策、维修选项，以及在人类周围行为可预测的产品。目前没有公开证据表明此类发布已迫在眉睫。
这些信号可能强化，也可能削弱核心判断。若正式确认孔拥有广泛的职权，将强化这样一种看法：小米正围绕基础模型战略整合机器人业务。独立的迁移测试结果则将表明，该技术栈是否确实具备可复用性。
持续的工厂部署将提供最有力的证据。它会将研究规模与实体价值联系起来，而这仍是具身 AI 领域尚未解决的问题。
相反的结果同样重要。若对领导层持续保持沉默、评测仅限于精心设计的任务，或论文反复发布却没有部署，都将表明小米在转型中仍处于比其发表速度所暗示的更早阶段。
因此，关于孔从 ByteDance 转投小米的报道，应被视为一个要求更高阶段的开端。招募一位备受尊敬的机器人技术领军者，可以加速研究、吸引同事，并明确优先事项。但这无法消除现实世界严苛的要求。
对开发者而言，下一个问题是，小米是否会发布可在其自身实验室之外测试的模型、训练代码或接口。对企业买家而言，问题在于部署数据能否支持灵活自动化带来可信回报的判断。
对其他所有人来说，最清晰的检验很简单：看镜头持续记录后，机器人究竟做了什么。小米已经集结了竞争所需的人才、数据战略和硬件获取能力。现在，它必须证明这些优势能够经受住非结构化现实的考验。
