“2026年，具身智能领域的关键决胜点在于，谁能率先跑通完整的商业闭环。”
这一深刻洞察，源自戴盟机器人合伙人兼首席商业官张栋。戴盟机器人是一家从香港科技大学机器人研究院孵化而出的创新企业，创始团队均具备深厚的技术背景。近期，该公司成功完成了亿元级别的A轮融资，投资方包括汇川产投与中国电信。结合此前中国移动链长基金、联想创投、招商局创投等头部产业资本的持续加码，戴盟已构建起一个由顶级产业资本和头部风险投资协同支持的多元化生态体系。目前，团队规模已从最初的几十人扩展至约150人，其中绝大多数为算法与研发工程师。
在上海机器人周的间隙，张栋接受了我们的深度专访。他曾求学于德国慕尼黑工业大学，主攻电气工程与自动控制方向，此后进入自动驾驶领域，长期负责全球化业务与产业应用落地。如今在戴盟，他全面引领产品化、商业化与全球市场拓展——核心任务是将触觉传感器、数据采集工具链、模型验证能力与客户具体场景需求进行深度整合，打造出可交付、可复制、可大规模推广的商业化解决方案。
在具身智能这条竞争激烈的赛道上，戴盟精准地选择了一个极为细分的切口：触觉技术。张栋的判断是，当前机器人行业并不缺少本体硬件，也不缺乏炫酷的演示视频，真正匮乏的是能让机器人高效“工作”的数据，尤其是包含触觉信息的关键接触数据。戴盟的终极目标，是将触觉打造为一项底层基础设施。其商业闭环的逻辑清晰：以传感器作为数据入口，以工具链驱动数据闭环，以开源数据集构建生态卡位，最终实现客户为“数据+解决方案”付费的模式。
以下为专访的详细内容。
从自动驾驶到机器人，你看到了哪些相似的泡沫？
自动驾驶在中国经历了多轮发展周期。十年前，大量公司涌入自动驾驶领域，但最终能够生存下来的，恐怕寥寥无几。产业初期通常缺乏清晰的演进路径，任何新技术或新颖的商业故事，似乎都能轻易获得资本青睐。早期市场也容易出现急功近利的心态，资本驱动的力量往往强于业务本身的驱动力。
反观那些真正存活下来且发展良好的企业，它们普遍脚踏实地——从创始之初便拥有清晰、坚定的战略，即便中途遭遇波折，也始终坚持既定方向，不过度追逐热钱。融资本质上是为了服务业务，无论是融资还是上市，都只是实现业务目标的手段，而非最终目的。
如今的具身智能行业，与当年的自动驾驶颇有几分相似，但演进的节奏无疑会更快。这一领域必然会经历波动，但随之而来的调整也将更为迅速。从长远视角来看，其市场价值确实潜力巨大。
为什么说2026年的胜负手在于商业闭环？戴盟的闭环进展如何？
当前机器人行业面临的最大瓶颈是数据匮乏，尤其是在执行精细操作任务时，高质量数据的稀缺性更为突出。包含触觉信息的数据，是典型的接触密集数据，代表了真实物理世界的交互信息，这是纯文本和视觉数据所无法替代的。
戴盟的整个业务体系正是围绕触觉数据构建。我们精准定位了机器人行业缺乏触觉数据这一核心痛点，并决心将其做深、做透。但解决这一痛点，关键并非只是提供一个单一的零部件，而是要将触觉技术塑造为一项基础设施和生态体系。
今年，我们的工作重心主要集中在数据业务上。全球众多大型科技公司，包括北美和中国的企业，都在购买我们的数据进行模型验证。在同等数据量的情况下，采用我们的数据能够显著提升模型性能，并有效提高效果天花板。
当前阶段，我们的商业化主要围绕三大核心能力展开：首先，是触觉传感器与末端执行设备；其次，是专业的数据采集与数据服务；最后，是面向模型验证和实际应用场景的解决方案能力。短期内，收入结构会根据客户需求的动态变化而调整，但从长远来看，我们更加看重数据和解决方案所积累的复利价值。
“触觉基础设施”具体指什么？会不会被认为是一门需要长期投入的慢生意？
我们并不希望只是向客户提供单一的硬件产品。很多时候，客户真正缺少的并非仅仅是一个传感器，而是如何有效地采集、利用触觉数据，并验证它对于模型和具体任务的实际价值。
因此，我们定义的“触觉基础设施”，并非单一产品，而是一套围绕触觉数据构建的、完整的闭环能力体系。
第一层是数据入口。我们的触觉传感器能够灵活集成到灵巧手、二指夹爪、数据手套、遥操作设备等多种形态中，广泛覆盖工业制造、商业服务、家庭应用等不同场景。它解决的根本问题是“真实物理世界的接触信息如何被有效采集”。
第二层是数据工具链。在有了数据入口之后，我们还需解决数据如何采集、标注、清洗、映射和复用的问题。例如，我们开发了无本体采集、本体采集、带力反馈的六自由度遥操作设备、五指数采夹爪、包含视觉触觉能力的数据手套，以及能将采集到的数据映射到不同末端执行器的工具链。这一切都是为了确保触觉数据能够顺利进入模型训练和任务验证环节。
第三层是场景化交付。客户的最终目标并非购买一套设备，而是希望在具体任务中提升机器人的操作能力。因此，我们会将传感器、采集设备、数据工具链和模型验证能力进行组合，形成面向客户特定应用场景的综合性解决方案。
这也是我们提出“3D产品矩阵”的核心理由：Device（设备）是入口，Data（数据）是核心资产，Deployment（部署落地）则是价值实现。短期来看，这确实是一项需要持续投入和耐心的长期事业；但从长远来看，真正稀缺的并非硬件本身，而是那些高质量、可复用、能显著提升模型能力的触觉数据。
你们开源了1万小时的触觉数据集，这不会削弱你们的收费能力吗？
我们不纠结于此。开源的价值体现在两个方面：第一，它能让更多人了解并使用这些数据，从而让业界对戴盟的高质量触觉数据建立起深刻认知，加速整个具身智能领域的发展进程；第二，通过来自生态合作伙伴和客户的反馈，我们能够迅速迭代和优化自身的产品体系。
如果特斯拉、Figure等头部本体厂商选择自研触觉方案，你们如何应对？
特斯拉在汽车领域，从芯片到算法，许多核心部件都选择了自主研发。但这并未妨碍自动驾驶产业链上涌现出众多强大的供应商巨头。比如，电池领域出现了最大的巨头，自动驾驶芯片领域同样有最大的巨头。一个成熟的产业最终必然走向专业化分工。我们只需要把自身的核心优势做到极致即可。
团队全为技术背景，如何做出正确的商业决策？
在决策过程中，市场和技术人员会坐在一起深入讨论。通常我们关注两个板块：一是对前沿技术，包括具身行业的算法、大模型等进行前瞻性洞察；二是密切关注产业动态和客户的真实需求。我们需要在这两者之间找到一个最佳结合点，这个点就是产品路线的方向。
学术研究的最新成果，有些短期内能带来价值，有些则需要经过产业验证才能真正落地。同样，客户提出的需求，有些与产业的长期战略相契合，有些则可能是暂时的、阶段性的。我们需要具备准确分辨的能力。
在戴盟内部，我们非常推崇对话和辩论。管理层会就不同意见展开激烈讨论，鼓励各抒己见。很多事情不经过辩论就无法看清本质。但对于创业公司而言，团队之间的信任至关重要。幸运的是，我们这个团队成员年龄相仿，背景互补——有在北美、欧洲工作过的，有技术背景的，也有商业背景的。大家对于最终要驶向的目标和彼岸，有着坚定的信念。
你个人偏向经验主义思维，而团队更多是学术推演思维，这两种风格如何调和？
我本人更容易首先想到产业化过程中可能遇到的各种挑战，比如产品化的难点、客户场景的适配问题、交付的复杂性以及组织管理的难题。因为我亲身经历了自动驾驶从技术热潮到规模化落地的全过程，深刻理解一项技术从实验室走向客户现场，中间会遇到多少技术之外的问题。
创始团队和研发团队成员大多拥有学术背景，他们对前沿论文、新模型、新方法更为敏感，也更愿意从第一性原理出发去推演技术方向。讨论经常在这两种不同视角之间展开：一项新的知识或技术是否真的能转化为产品价值？它解决的是客户的实际问题，还是仅仅在技术上看起来很完美？我们的竞争对手是谁？我们的差异化优势在哪里？即使这件事本身是正确的，它是否一定应该由我们目前来做？
在我加入戴盟之前，我和创始团队进行了长达数月的沟通。这个过程充满了思维碰撞，也让我意识到我们看待问题的方式确实存在差异。但这种差异本身非常有价值。产业经验能够帮助团队避开一些商业化和交付中的常见陷阱，而学术和技术的视角则会不断提醒我们，不要被过去的经验框架所束缚。
因此，关键不在于谁能说服谁，而在于能否在技术前沿、客户需求和公司资源之间找到那个精确的交叉点。对于创业公司而言，最宝贵的是明确的方向感和团队成员间的深度信任。只要大家相信的是同一个目标，激烈的讨论本身就是一件好事。
戴盟目前招聘什么样的人才？非科班出身的人如何进入具身智能领域？
在商业团队方面，我们希望销售岗位的人才具备客户思维，同时拥有深刻的战略洞察力和产业认知。因为当前行业的解决方案和产品形态尚未收敛，需要销售人员站在战略高度，帮助客户提供定制化的落地解决方案。产品岗位的人才则需要对算法和大模型有扎实的技术理解，整个团队需要具备AI原生的思维模式。
此外，拥有海外背景的人才是我们重点寻找的方向，因为企业正在积极拓展全球市场。
对于年轻人而言，首先，要对事物抱有极大的好奇心，有内在驱动力，坚信这个时代的到来，并具备使命感。其次，除了对理工科的热爱，也要对人文社科有一定感知，拥有良好的“人感”。最终机器人技术会走向消费者市场，面对的始终是人。第三，情商和软技能要出色，要做长期主义者，能够脚踏实地做事。当前行业氛围相对浮躁，多数人可能只想短期获利，反而最需要的是那些能沉下心来、稳扎稳打的人。
你在自动驾驶领域的海外市场操盘经验，如何应用到机器人出海？
机器人行业的一个特点是，中国和北美在前沿技术落地的差距并没有那么大。中国拥有完整的硬件供应链和丰富的应用场景优势，而北美在算法、大模型和顶尖人才密度上则更为激进。对于产业链上游公司来说，不能只盯着单一区域市场，而需要与全球最前沿的模型公司、机器人团队和产业客户保持高频互动。
这种互动的价值，不仅仅在于获取订单，更在于帮助判断产业真实的演进方向。客户提出的问题，往往比内部的闭门讨论更接近产品路线图的真相。因此，客户本身才是真正的产品经理。我们需要从客户的任务需求、数据需求、模型验证结果和部署反馈中，反向定义我们的产品和工具链。
但全球化绝非简单地将产品卖到海外。文化差异、法律法规、本地化交付能力、客户决策流程以及合作伙伴体系，每一项都会影响一项技术能否真正落地。从自动驾驶中得出的一个重要经验是：技术领先仅仅是第一步，真正能够实现规模化的公司，必然同时具备强大的产品化能力、商业策略能力和全球交付能力。
因此，在机器人出海的战略上，技术和商业必须协同并进。既要理解最前沿的模型和算法，也要深刻理解客户场景、区域差异和产业合作模式。只有这样，触觉数据和工具链才不会成为一个孤立的产品，而能成为深入全球机器人产业链的核心基础能力。
公司内部如何利用AI提升效率？
我们团队的平均年龄在30岁左右，算法和研发背景的人员占比较大，因此大家对AI工具的接受度非常高。很多时候，管理层并不需要刻意推动，大家会自发地将AI应用到研发、产品、市场和销售等各项工作中。
AI对创业公司的价值，不仅仅是提升某个单一环节的效率，更是从根本上改变团队的工作方式。过去，很多人会陷在执行细节中，现在许多重复性、整理性、分析性的工作可以由AI辅助完成，团队就有机会将更多时间和精力投入到更高层次的问题上，例如产品定义、客户需求判断、技术路线选择和跨团队协同。
目前，公司内部尚未专门设立一个角色来推动AI办公，但管理层已经在思考，未来能否以更系统化的方式，将研发、产品、销售、交付和管理流程串联起来。我们不希望只是叠加几个独立的SaaS工具，而是希望打造一个横向的工作流底座，让信息、任务、知识和决策过程能够更顺畅、更高效地流动。
最近，我们也在与一些大模型和AI工具团队进行交流。核心不是追逐热点，而是找到真正能提升组织效率和产品化速度的实际应用场景。
在加入戴盟和投身机器人行业之前，有没有一个被机遇打动的瞬间？
从自动驾驶转型到机器人领域，对我来说并非一次完全跳跃式选择，而是在同一条价值主线上继续深入探索。
自动驾驶让我第一次真正理解，一项复杂技术要想进入真实世界，必须经过产品化、工程化、商业化和全球化的长期考验。机器人行业同样如此，甚至更为直接。它距离物理世界更近，距离客户应用场景更近，也更能让人感受到新一代AI技术进入产业的加速节奏。
两个行业在技术、组织和人才方面也具有很强的延续性。例如，对数据的深刻理解、对安全性与可靠性的高要求、对客户应用场景的解构能力、以及对全球化交付的判断，这些宝贵的经验都可以迁移到机器人行业。当然，机器人也带来了新的、更大的挑战，它更为复杂，发展也更早期，需要我重新学习和适应很多东西。
在加入戴盟之前，我确实经过了长时间的深思熟虑。创业必然是一件艰难的事情，不可能只有高光时刻。真正能够支撑一个人长期投入的，绝不能仅仅是短期结果，而是你是否真正相信这件事本身的长远价值，是否愿意与一群志同道合的人一起，将一个尚不成熟的技术方向，慢慢打磨成真实可用、具备产业价值的产品。
对我而言，最重要的是这个过程本身。能够与一群相信物理智能、坚信触觉价值、并愿意为长期目标而努力的人共事，这本身就是一件极有意义的事情。无论是阶段性的突破，还是过程中遇到的困难，只要大家还在朝着同一个方向前进，这件事就值得全力以赴。
注：以上信息基于5月26日专访内容整理。其中涉及企业自述的融资数据、收入情况、出货量及未来规划，建议读者结合企业后续发布的最新信息综合判断。
