2008年7月10日，App Store上线第一天，首批应用只有500款，寥寥几页就能浏览结束。乔布斯后来在回顾时，把这描述为自己职业生涯中规模最大的发布之一。
这个看似单薄的数据，开启了一套全新范式：普通人无需隶属于苹果团队，也不必经过官方特许，就能为一台通用计算设备开发应用，供给全球用户下载使用。
当天，独立工作室Imangi提交了一款小游戏，几乎无人留意。直到十年过去，也是这支团队做出了累计下载量超10亿次的《神庙逃亡》。
十八年后，2026年秋天，深圳湾生态园，相似的“第一天”正在上演。
总决赛17支队伍，历时36小时，来自高校、产品、设计等不同背景，甚至是毫无人形机器人或完整App开发经验的参与者。他们把日常生活里细碎又真实的痛点，如外出旅行无人清理的猫砂、等待收料和重启尾的3D打印工件、需要代为收取的快递等等，转化为一个个具身机器人可执行的任务。
16款应用在现场最终完成真机迁移，上机率达94%。三站比赛制作出的47个App，验证了一件事，当工具链足够完整时，非专业开发者也能做出在物理世界运行的机器人应用。
这些原型或许尚且稚嫩，却直指具身智能长久忽视的应用盲区。当业界目光集中在机器人运控精度、模型能力、本体仿生度等单点指标上，更根本的命题鲜少被叩问：机器人应用由谁创造？普通用户能否低成本入场？应用开发完成后，如何复用、扩散，长出可持续的商业循环？
资本热潮终会回落，当融资叙事退潮，具身智能靠什么穿越周期？突破口或许不在更强的模型或更精巧的本体里，而在应用创作者的入口——这场黑客松，就是一次提前验证。
如果机器人只是预装固定功能的封闭硬件，开发权限牢牢掌握在少数工程师与专业团队手中，应用供给注定难以匹配海量、分散的真实场景需求。
星尘智能给出的答案是，并非打磨某一项单点机器人能力，而是搭建AOS（Astribot OS，具身操作系统）这一层中间底座，向下对接大模型与具身本体，向上面向开发者与终端用户，让用户和AI都能便捷调用机器人能力。
在和硬氪的交流中，星尘智能创始人来杰多次以苹果为参照。
苹果解决了两件事，让更多人参与开发、也让更多人方便使用。它撕开一道连接创造者与使用者的窗口，图形交互界面简化终端使用，操作系统与开发工具降低创作成本，App Store承载应用的分发、复用与商业化定价。四层构成稳定、自循环的连接生态。
这正是星尘为具身智能生态构想的蓝图。依托绳驱本体、自研模型与AOS三位一体的全栈架构，AOS不是某台机器人的配套软件，而是具身应用生态的入口，用户无需精通原理，一句话就能生成机器人APP，把真实场景里的需求转化为可执行的具身任务。
黑客松提供了一个可被记录的起点。曾经诞生于互联网时代的范式转移，如今正在物理世界里重演。
01
通用模型填不平物理世界鸿沟
过去两年，具身智能赛道的资源与目光，几乎都集中在两件事上：打磨性能更强的机器人本体，迭代泛化能力更好的具身基座模型。行业里炫目的技术演示Demo不断涌现，但进入现实场景、能够稳定跑通且可高频复用的机器人应用，依旧是稀缺品。
GPT-6 Astra问世进一步放大了路线分歧。市场逐渐形成两类二元对立的主流观点：一派持“全量上云”的乐观叙事，认为通用大模型足够强，直接对接机器人本体，仅凭泛化能力就能搞定全部物理任务；另一派走向另一个极端，认定云端大模型对物理世界束手无策，所有任务必须交由专用具身模型闭环解决。
前者高估了云端智能的迁移性，后者低估了两类模型协同的潜力，看似对立，本质上都陷入了对技术能力做简单的线性外推的误区。
但在星尘智能创始人来杰看来，真正的答案不在两端，而是如何做一套满足“既要又要”的协同范式：既拥有通用模型的抽象理解能力，也让具身模型承担物理空间感知、力控、轨迹执行，两者中间依靠一层底座完成双向流转。
要理解这套范式为什么成立，得先看清两类模型各自的能力边界。
2024年，来杰做了一个简单的内部试验：用三支笔在桌面上摆出箭头，指令机器人把东西放到箭头指向的位置。通用大模型一眼读懂了这个抽象指令，但当时星尘智能测试的具身模型，仅靠已有的训练数据，还很难理解“箭头”这类符号化指代。
这个测试直观暴露出不同模型的各自短板。通用模型本质是擅长高层意图拆解的“大脑”，它的能力止步于云端，并不天然掌握电机、传动、力控这类底层物理执行逻辑。而具身模型在现实作业时，熟悉物理空间里的运动与接触，却缺少对抽象符号、模糊意图的解读能力，需要通用模型先完成语义层面的理解。
这次试验让来杰开始思考，能不能从设计之初就让两类模型互补配合，将通用模型的抽象理解能力和具身模型对真实世界的感知、操作能力整合起来，都用到机器人上。
一个看似简单的任务，背后涉及任务规划、接口适配、动作控制、异常处理等多个环节。懂软件的人未必懂具身运动控制逻辑，机器人工程师容易和真实产业需求脱节；即便专业团队，也难以提前穷尽居家、生产环境里海量的长尾场景。
“随着大模型推理能力越强，越需要一层中间底座来承接物理执行；模型智力层面的跃迁，并不能自动填平数字逻辑与现实物理之间的鸿沟。”来杰说。
来杰举了一个生活化的例子：母亲隔着视频教他做饭，可以清晰交代放油、下菜、调味、控火的整套流程，这套步骤大模型也能看懂复述。但对话语境里，“手臂往前伸一点” 是可被接受的模糊描述，锅铲握持角度、发力轻重、临场微调这类细节，却无法用语言精准表达，只能在现场实时感知闭环。
星尘T1正在厨房炒菜
物理世界的底层约束，注定云端大模型无法包揽一切。来杰认为，通用智能与具身智能不是简单的竞争或替代关系，而是分工明确的伙伴：二者价值互补、各司其职，共同完成从意图理解到物理落地的完整链路。
这也指向当下真实的缺口，行业需要一套稳定可靠的翻译层，把大模型输出的抽象意图，转化为机器人能够稳定复现的动作原语。这正是星尘智能AOS想要解决的核心问题。
作为承上启下的中间底座，AOS要同时服务两类对象：一方面给普通人提供直观易用的交互方式，另一方面为AI开放可解析、可调用的底层接口。
“以前我们设计接口，默认对面是程序员。但现在，接口不能只关注程序员能不能看懂，还要考虑 GPT 能不能看懂。”来杰说。
如果AOS依旧沿用传统思路，把底层控制逻辑封装成仅工程师才能读懂的复杂代码，即便GPT拥有很强的推理能力，也很难跨过认知鸿沟进行精准调度。就像一个智商很高却失去触觉的人，空有想法却无法完成“倒油”或“拧瓶盖”的精细动作。
因此，AOS做了两层能力抽象：向下，对接具身模型与本体的物理控制链路，把执行能力封装成可调用的技能包；向上，输出标准化协议，即使是没有编程基础的创作者，也能用自然语言定义任务，一句话生成机器人APP。
这套方案落地到真实物理环境，星尘智能AOS研发总负责人安昭辉将其概括为“任重道不远” ：把大模型指令转化为稳定可靠的物理交互，还有大量工程难题要啃，这部分不会随模型能力提升自动解决；但上层基础模型的能力已经跨过关键门槛，叠加AOS接口体系持续完善，具身应用落地的窗口已经打开。
当AI可以顺畅调用物理世界的工具，创作门槛向普通用户放开，不再被编程能力束缚，具身智能才有望走出Demo循环，生长出大量扎根真实场景的应用。
02
三位一体，跨越可落地边界
星尘智能黑客松总决赛现场，焦灼的空气里，混杂着键盘敲击声和选手偶尔低声讨论的话音。在这里，代码推演下的完美逻辑，总要接受物理世界条件的重重校验。
GPT-6时代，纯软件应用的门槛早已被击穿：几句提示词就能搭出可用原型。机器人App则完全不同：它面向的不是屏幕里的渲染像素，而是物理空间里的硬件执行。控制权博弈、实时反馈、时延扰动、力控闭环等等，这些真实场景内的约束，无法被API一层抽象抹平。
传统开发模式下，硬件、算法、应用团队分块推进：硬件负责驱动，算法负责控制逻辑，应用层搭建业务流程。等到进入联调阶段，接口不匹配、时序冲突等问题集中暴露。一项功能从立项到真机验证，周期动辄数月，长则半年。
这套割裂、耗时长的开发链路，正是AOS瞄准的痛点——把复杂装进AOS，简单给创造者。把驱动、模型和接口调度提前封装好，让开发者跳过底层联调，直接进入应用层。
拿下比赛冠军的“远程分身”团队由三位还处在实验室阶段的学生组成。他们瞄准了程序员加班无暇顾家、家里有事搭不上手的痛点，借鉴AI Agent思路开发出一款手机遥控机器人的App，做了个简易“Robotic Harness”。
他们不用做任何底层开发，一套严密的底层机制就开始运转：当用户在手机端下发“浇花”指令，AOS已经分配了底盘（移动、导航）、浇花（操作）等Meta包的协同和工作顺序；机械臂伸向水杯时，背后是花瓶识别、抓取路径规划等Meta包。
实际抓取时，调用Lumo等具身模型充当“反射弧”，处理接触感知与力控闭环，在毫秒间计算抓取力，适应复杂的真实环境；最后由绳驱本体完成物理执行，并回传真实反馈。哪怕用户连续下达浇花、铲猫砂、倒水这类并行任务，AOS也能自主完成底层接口调度：划定权限边界、校验控制授权、流转任务节点、捕获运行异常，整套流程有序推进。
“远程分身”团队真机试验环境
不过从仿真进真机环节，还是给没怎么“摸过真机”的团队上了一课。他们试图让机器人执行“边往前走边拿水杯”的复杂指令时，硬件直接原地死机。“我们的App整合了大量原子能力，调用到底层关节链的控制权。一上真机，几个底层功能包为了抢夺底盘和机械臂的控制权互相打架，引发严重的仲裁冲突。”团队赛后回忆道。
这也体现了软硬件一体打磨的价值。原生的AOS，与Lumo模型、本体形成全栈闭环，能够直接读取底盘惯性、关节限位等原生硬件数据，在底层完成能力规范和权限仲裁，从根源规避不同动作争抢资源。
最终，三位没有人形机器人开发经验的学生，36小时里做出了一个难度极高的APP——App在手机和机器人上双端部署，应用会调用了底盘（移动）、视觉识别（感知）、机械臂（操作）、具身模型和通用大模型，在传统机器人开发流程里，这需要七八个人协作二到三月。
驻场导师在赛后复盘时指出，“不少开发者以为仿真快速跑通Demo，真机就能顺利交付，忽略了物理世界的复杂性和机器人App的难度。只有当本体、模型和OS遵循同一套接口规范做协同设计，大模型输出的意图，才能够稳妥地转化为物理世界的实际动作。”
这套原生全栈设计带来的能力，不止体现在单一模型的稳定调度上，也为第三方具身模型的接入留出了空间。同场比赛中，有团队借助AOS统一接口验证不同VLA模型的接入。
硬件本体，构成整套体系真实的物理底座。“笔走龙蛇”团队让机器人在宣纸上写毛笔字，考验本体的稳定性与精细力控，直观体现了星尘智能绳驱本体的差异化优势。
星尘T1在宣纸上写毛笔字
同时，自研本体更深层的价值，是把关节限位、惯性、力矩响应等物理特性原生开放给AOS，让调度逻辑自带物理层面的约束，也展现了模型、系统与本体协同的价值。
黑客松现场，不少团队没有强攻复杂机械运控，而是以轻巧场景切口，试图验证具身智能走向消费市场的潜力。
亚军项目 “摄影大师” 便是其中一个代表。两名港中深学生组成的GowithFlow团队，避开景区机器人售卖零食饮品的红海，瞄准游客拍照出片难、缺少运镜帮手的痛点，依托AOS探索自动构图与移动跟拍，未来有机会成为景区的付费服务，让机器人能力转化为具体生意。
亚军项目“摄影大师”
“AOS是一片很大的空地，上面的每一个APP就是一栋栋楼宇，而星尘的本体与AI模型，就是它的根基。”比赛中，驻场导师的这句比喻，点破了星尘技术路径背后的战略思考。
向下收敛底层复杂度、向上开放标准化能力，具身智能的生态，正是建立在这套底座之上，才真正开始生长。
03
做具身时代的App Store
如果把星尘智能AOS放在技术演进的坐标系里，它更像是一场跨越十八年的范式呼应。
回到苹果那段被反复提及的产业史，当Macintosh用图形界面（GUI）替代DOS命令行，它完成的最关键一跃，并不是增添了某项硬件功能，而是把晦涩的底层代码指令，变成直观的“图标、窗口和鼠标点击”，大幅降低了创造与使用的门槛，让电脑从极客的玩具变成大众的生产力工具。
自此之后，一款叫MacPaint的小软件，让无数人第一次体验到电脑绘画的乐趣；MacWrite文字处理器的出现，让作家们彻底抛弃打字机；开启电子表格VisiCalc变革的，是源于一名商学院学生不想反复手算财务习题的朴素想法。
正是这批没接触过专业计算机开发、纯粹凭着狂热和洞察力的年轻人，在底层系统上开辟出一个庞大的商业世界，也让“程序员”成为了一个全新的职业群体。
具身智能时代同样在呼唤这样一层连接软硬件的“新界面”。在来杰看来，AI与机器人的结合，势必会催生一波与之类似的开发者浪潮。
而当资本概念热潮趋于冷静，具身赛道正在褪去Demo和订单光环，转向更务实的落地考验。
市场也在筛选真正适配具身赛道的践行者：只靠单点优势很难走远，一家企业要持续应对物理世界带来的层层挑战，模型、系统、本体的能力，缺一不可。
基于此，星尘智能对自身的定位十分明确，不局限于本体厂商，也不止步于单模型公司，而是要做AI-OS-本体三位一体全栈自研的公司。在此之上，模型决定了智能的上限，本体定义了物理交互的边界，而AOS则决定了能力如何被组织、被开放、被复用。
必须承认的是，现阶段AOS还是具身生态的雏形，尚不能等同于“机器人时代的iOS”。一个生态能否真正成立，长期取决于多重变量，包括接口稳定性、仿真与真机一致性、开发者收益机制及终端用户真实需求等。这正是星尘团队当下持续探索与落地的核心命题。
而黑客松，正是这场漫长生态构建的起点。
从北京站、深圳站到总决赛，三站赛事共吸引了47支队伍。参赛者既有高校学生、大厂产品经理、独立开发者，也有毫无机器人经验的跨界人士。他们带来的不仅是各异的技术背景，更是各自在生活中沉淀的真实需求、工作经验与独特创造力。
星尘智能黑客松现场
在密集的开发过程中，星尘智能也在持续观察，哪些底层能力被高频调用，哪些步骤最容易引发反复调试，哪些场景需求在不同团队间高度重合。当一个开发者封装出的专项能力，能够被另一位开发者无缝组合进新应用时，平台的复用价值便开始显现，这就是AOS生态演进的逻辑。
如同当年App Store上线时那一批寂寂无名的开发者，今天这些黑客松作品，或将是具身应用时代的最初样本。
回看苹果早期的增长路径：硬件以有竞争力的定价降低入场门槛，吸纳客户与开发者；软件、工具与增值服务承接盈利重任。硬件、OS、工具、应用、收益环环相扣，构成自洽的生态闭环。
星尘的商业化节奏也遵循着类似的阶梯。优先落地商业场景定制交付，在真实工况验证技术可行性；其次服务科研群体，依托SDK与专业模块打造软硬一体的服务模式；远期再向消费市场延伸。
AOS要做的，正是把第一块路基铺到普通人脚下，让每一份微小的创造力，都能在物理世界里找到它的回响。
一级市场热度起落本是常态。当模型的价值被重估，全栈能力与生态搭建的价值会将再次凸显。从智能手机到新能源车、高阶智驾，产业波动反复印证同一个规律：只有锚定真实落地需求，企业才可穿越行业周期。