当前，具身智能领域的发展焦点往往集中在大模型技术上。然而，它石智航创始人兼CEO陈亦伦指出，若缺乏来自真实物理世界的高质量、多模态交互数据，具身智能系统的泛化能力与实用落地将面临根本性挑战。

在与线性资本CEO王淮的深度对谈中，陈亦伦多次强调了一个关键理念：机器人仅具备“视觉感知”是远远不足的。其核心在于，必须深度理解人类与物理环境交互的完整闭环序列——包括动作的发起、接触的形成、力的施加、实时反馈的获取，以及最终结果如何动态影响后续的决策与执行。

这正是它石智航始终坚持“以人为中心”（Human-centric）技术路线的深层原因。

区别于仅采集视频或记录机械臂末端轨迹的传统数据收集方式，它石智航更专注于采集人类在真实工作场景中，以自然、流畅的方式完成复杂任务时所产生的多维度数据。陈亦伦认为，若要训练出一个能够跨场景、跨任务泛化的具身智能基础模型，数据的质量、丰富度与数据的规模具有同等的重要性。

毕竟，具身智能最终需要应对的是一个开放、复杂、高维度的真实物理世界。攻克这一难题的首要前提，便是从数据源头入手，解决高质量训练数据的获取问题。

问题的本质在于，机器人学习的难点超越了“图像识别”。真正的瓶颈在于理解物理世界中连续、动态的交互过程：手部如何逼近目标物体，接触如何发生并传递力信号，物体状态如何随之改变，而动作产生的结果又如何形成反馈，进而指导下一步规划。这一系列蕴含丰富物理规律的信息，仅依靠单一的视觉信号或低维的运动轨迹数据，是难以被充分表征和学习的。

因此，它石智航选择从采集真实人类操作数据切入，旨在通过一种更自然、侵入性更低的方式，获取人类与物理世界交互过程中的多模态信息（如视觉、力觉、触觉等），从而使模型能够学习到其中蕴含的底层物理规律与操作策略。

这也解释了为何它石智航并未从相对简单的物料搬运任务起步，而是将工业制造中高难度的柔性精细装配作为了技术突破的切入点。

在工业自动化领域，许多涉及刚性体、结构化工件且位置固定的任务，已被传统解决方案高效处理。然而，那些涉及柔性体、细小部件、异形物体，且需要高精度力控与实时视觉伺服的任务，长期存在自动化空白。这类任务对机器人的多模态感知、实时决策规划、柔顺控制能力，以及对背后数据与模型的质量，都提出了前所未有的高阶要求。

高精度柔性线束的自动化装配，正是此类难题的典型代表。线束作为柔性体，其形态在抓取、搬运、插接过程中会持续形变；同时，该任务对装配的位置精度、插入过程的力控稳定性以及实时纠偏能力均有严苛要求。对机器人而言，这绝非简单的“抓取-放置”操作，而是一个需要持续多模态感知、动态任务规划与高精度柔顺执行的复杂闭环过程。

在陈亦伦看来，恰恰是攻克此类高价值产业难题，才是具身智能技术应该锚定的方向。

如果机器人仅能在受控的实验室环境下完成预设的演示任务，那么其仍处于原型验证阶段。只有当机器人能够在真实的、不确定的工业现场中，稳定可靠地完成复杂的柔性装配任务，并具备向新场景、新任务迁移的泛化能力时，具身智能才意味着迈入了新的发展阶段。

这也是它石智航提出“具身智能2.0”概念的核心依据。

面对为何选择如此高难度场景的疑问，陈亦伦的回应十分明确：选择难题并非为了技术炫技，而是因为这些难题背后蕴含着巨大的实际产业价值。真正的技术突破，不应仅停留在精美的演示视频中，而必须能够无缝集成到真实的生产流程，解决切实的痛点。

它石智航曾以一台刺绣机器人进行过技术能力的直观展示。相比晦涩的工业场景，刺绣过程更易于公众理解，并能生动体现机器人在复杂、精细操作中所需的泛化与适应能力。但陈亦伦特别说明，刺绣并非公司长期投入的商业主战场，而是其底层通用技术能力的一次具象化呈现。

对它石智航而言，构建一个完整的“数据-模型-执行”闭环至关重要：高质量的真实交互数据持续驱动模型进化，模型提升的能力赋能机器人实际作业，而机器人在真实场景中的持续验证与迭代，又反过来优化数据采集与模型训练。这个自我强化的飞轮，才是技术实现规模化落地的关键。

可以说，陈亦伦对具身智能发展路径的核心判断在于：未来的竞争，将不仅是某个孤立算法模型能力的比拼，更是数据、模型、硬件本体、系统工程能力与真实应用场景之间，能否构建起一个高效、鲁棒、可进化的系统性闭环的竞争。

从Human-centric的数据采集路线，到挑战高精度柔性线束装配这一产业硬骨头，它石智航选择的并非一条最容易向外界解释的捷径，而是一条更贴近真实产业需求、更触及问题本质的攻坚之路。这条路径要求团队同时具备多模态数据采集、大模型训练、专用硬件执行、系统工程集成与场景落地部署的综合能力，也要求其技术栈必须经受住真实复杂任务的反复验证与锤炼。

归根结底，对陈亦伦和它石智航团队而言，具身智能的终极目标不是创造一个“擅长表演”的机器人，而是打造能够在真实、复杂环境中稳定工作、持续学习进化、并真正创造生产价值的智能体。越是困难的问题，越能检验技术的真实边界与成色；而只有真正解决了这些高价值的产业难题，才有可能将具身智能从实验室与展示台，真正推向广阔的工业现场与商业应用。