「SLAM正在被复兴？」

目录

01    行业层面：为什么还在招？

02    技术层面：模型管反应，SLAM 管对齐

1. 高质量具身数据，首先需要可靠的空间坐标

2. 模型给答案，几何系统负责把答案放回现场

3. 大模型要理解空间，先要有一个可查询、可更新的空间底座

4. 头部企业高薪购买的，是跨学科的系统能力

03    SLAM 正在被"吸收"这也是在真实发生的

---

今天聊一个，后台私信我们的话题。

2026 年行业里，正同时发生两件"各自为真"的事。

一边是唱衰。

端到端大模型路线终将取代 SLAM，传统几何定位方案已是落后、可被抛弃的旧时代产物。

过去一年行业舆论场上，这种二元对立的叙事一直悄然流行。

另一边是抢人。

一个非常现实、矛盾的产业现象正在发生：一大批押注通用具身智能、人形机器人的创业公司，反而在高薪扩招 SLAM、状态估计、多传感器融合方向的工程师。

下面是我们翻了几家国内目前较活跃的具身智能企业的真实 JD。

难道大模型绕不开定位建图、无法独立解决物理世界交互问题？

有趣的是，唱衰与抢人同时为真。

这不是行业精神分裂，而是：岗位还在，甚至更多了，但岗位的定义已经变了。

这些公司需要的，不只是一个能识别物体、生成动作的模型，还需要有人能搭建一套可运行、可度量、可维护的空间系统。

换句话说，通往 AGI 的具身智能，不仅需要一个聪明的“大脑”，还需要对物理世界的几何与时序一致性有深刻理解。

把这些 JD 放在一起，能读出几个信号：

• 第一，"具身公司不搞 SLAM 了"是谣言，需求真实且稳定。从人形本体厂、关节供应商到"空间智能"新势力，SLAM 岗位横跨整个产业链，2026 年仍在持续放出。
• 第二，但"SLAM 岗位"的定义正在变。几乎没有纯算法岗了——JD 普遍叠加了部署、标定、数据采集、规划控制，甚至对神经 SLAM/3DGS 的跟踪要求。它不再是"研究型岗位"，而是"工程型岗位"。
• 第三，岗位层级与薪资低于 VLA/RL 核心岗，但高于通用软件岗。它在公司组织里的位置，更像"底座"，而不是"大脑"。

所以，"招不招"的答案很清楚。但"为什么招"，答案比表面复杂得多——它一半是真实的技术需求，另一半是行业的结构性现实。

（Figure AI 招聘的 Helix AI Engineer, Localization and Mapping 岗位，明确要求候选人具备实时定位、自运动跟踪、状态估计、多模态传感器融合（相机、IMU、编码器等）以及视觉惯性 SLAM 经验。美国基本年薪范围为 20 万至 40 万美元。）

01    行业层面：为什么还在招？

1. 产品形态先于技术叙事：当前能收钱的具身产品，"移动"是第一步。

2025-2026 年真正跑出商业闭环的具身场景有哪些？

零售仓拣选打包、24 小时药房、工业上下料、园区巡检——几乎都是"移动 + 操作"的组合。而"移动"这一步，也就是到得了、避得开、认得路，绕不开定位与导航。

这几乎是所有落地团队的第一课。

无论机器人形态怎么变（扫地机、四足、人形），导航定位都是每个代际共有的核心功能模块，"解决机器人 A 点到 B 点的运动问题"。

换句话说：VLA 解决的是"手怎么动"，而产品先要解决的是"脚往哪走"。

在后者被端到端完全接管之前，SLAM 与导航工程就是刚需。

2. 端到端解决了"懂"，还没完全解决"在"。

这一条是技术上的核心原因。这部分我们放在第二部分具体来聊。

业内关于"SLAM 和强化学习导航谁替代谁"的讨论，结论也在趋同：互补而非替代——SLAM 提供地图先验与全局定位，RL/大模型负责动态避障与局部决策。

几何是底座，语义是增量——而不是反过来。

3. 数据飞轮的地基：具身智能的瓶颈是数据，数据的瓶颈里有 SLAM。

高质量物理交互数据稀缺是具身智能公认的最大瓶颈。

但很少人注意到：数据管线本身的几何底座，是 SLAM 人在维护。

比如，因克斯他们招的 SLAM 工程师的第一职责就是"具身智能数据采集"：外参标定、时钟同步、数据质量评估、边缘平台移植。遥操作数据、自主探索采集、仿真-真实对齐，哪一环都依赖几何一致性。大模型越强，训练数据越贵，这条"数据工厂"的产线就越需要有人保证精度与一致性。

4. 工程与安全的硬约束，以及组织上的理性

• 边缘算力：VLA 大模型推理在机器人端侧依然昂贵，经典几何栈在低功耗平台上的性价比短期内无可替代；
• 确定性与安全：隋伟在访谈中专门强调，人形机器人"必须保证绝对安全"，不能与任何东西强力碰撞——安全认证需要可解释、可验证的几何层；
• 组织理性：现实的来说，SLAM 人才供给充足、评估标准清晰、性价比高。用 SLAM 团队搭底座，把稀缺的 VLA/RL 人力集中在上层，是任何理性团队都会做的资源配置。

这也是为什么招聘需求"真"，但不必过度解读为"SLAM 被再次加冕"。

02    技术层面：模型管反应，SLAM 管对齐

端到端模型已经能够从图像中识别目标、给出动作，甚至完成一些连续任务。于是，一个很自然的问题是：

既然模型已经能从像素直接输出控制，为什么企业还要为 SLAM 人才支付高薪？

答案要从端到端模型的边界说起。

端到端模型解决的是"从经验中学会反应"——看到什么，输出什么。但机器人一旦走进真实世界，光会反应不够，它还得持续回答三个问题：我在哪里？周围的物体在哪里？此刻看到的场景，和十秒前看到的是不是同一个世界？

这三个问题，端到端模型不管，也管不了。

而它们恰恰决定了具身系统的三件事：

能不能规模化采集数据，能不能持续执行任务，出了问题能不能定位和修正。

1. 高质量具身数据，首先需要可靠的空间坐标

具身智能的训练数据不是一张张独立图片。

遥操作数据、自主探索数据、任务轨迹，真正有价值的信息都在时间维度里：机器人在什么位置看到了什么、手臂以什么轨迹接近物体、抓取失败发生在哪个空间关系上。

如果相机位姿不可靠、轨迹不连续，采集再多的视频也很难整理成可复用的三维行为数据。

你可以拿它们训练视觉模型，但回答不了"这个动作是在什么空间条件下发生的"。

对想扩大数据采集规模的具身智能公司来说，这正是 SLAM 和状态估计的价值——把分散的图像、IMU、编码器信号，整理成相互对齐的时空记录。

图 | VINS-Mono 的完整原始系统图。相机和 IMU 数据先进入特征跟踪、IMU 预积分与初始化模块，再经过局部视觉惯性里程计、回环检测和全局位姿图优化，形成连续的位姿估计。

这也是为什么 Figure 的岗位中会同时出现实时定位、状态估计、多传感器融合和离线位姿跟踪。

它们并不是几个彼此独立的关键词，而是一条数据生产链：在线系统保证机器人在采集时不失去空间参考；离线系统则把更长时间、更大范围的数据重新对齐，形成可用于训练、评估和排错的高质量轨迹。

从这个角度看，高薪招聘 SLAM 人才，并不只是为了让机器人“认路”，更是为了给整个具身数据闭环建立一把可靠的空间尺子。

2. 模型给答案，几何系统负责把答案放回现场

端到端模型擅长从大量样本中学习模式，但它的内部状态通常难以直接检查。

当机器人在光照变化、快速运动、遮挡、传感器同步误差等情况下发生偏差时，团队需要知道误差来自哪里：是图像跟踪失败了，IMU 偏置累积了，还是地图在回环时发生了错配。

这正是几何 SLAM 的工程价值。

它把相机位姿、速度、传感器偏置、地图点以及不同观测之间的约束明确写出来。于是，系统可以发现某一段轨迹是否不合理，也可以利用新的观测去修正旧的估计，而不是只能等待一个端到端模型重新输出答案。

图 | ORB-SLAM3 的完整视觉惯性因子图。地图点、相机位姿、速度、IMU 偏置以及视觉和惯性观测的约束被同时纳入同一优化框架。它说明了SLAM工程师所处理的并非单帧识别，而是跨时间、跨传感器的空间一致性问题。

对具身智能公司而言，这类显式结构还有一个现实意义：

它是系统排错和质量评估的抓手。训练模型可以不断迭代，但机器人一旦开始在真实工厂、仓库或家庭环境中运行，团队不能只看“任务成功率”。它还需要知道定位是否漂移、坐标尺度是否稳定、局部地图和全局地图是否一致。

懂得把这些信号做成可靠系统的人，正是企业愿意持续投入的 SLAM 人才。

3. 大模型要理解空间，先要有一个可查询、可更新的空间底座

把 SLAM 与大模型放在对立面上，是对当前技术路线的误读。

更接近产业现实的图景是：大模型负责把语言、视觉和任务目标联系起来；SLAM、状态估计和建图系统负责把这些理解落到一个连续的三维空间里。

以 3D Gaussian Splatting 为代表的新型空间表示，正在把建图从“稀疏点和轨迹”扩展为更丰富、可渲染的三维环境。

对机器人而言，这不只是让画面更好看，而是意味着系统可以维护更细致的场景外观与几何关系，并在新观测进入时持续更新。

图 | SplaTAM 的完整在线跟踪与建图管线。系统围绕相机跟踪、高斯稠密化与地图更新三个环节循环运行：先根据已有地图估计当前相机位姿，再补足新观测区域，最后更新地图。

在此基础上，空间系统还可以继续向语义地图演进：

系统不只保留几何点，而是将来自不同视角的对象观测关联起来，形成对象节点和关系边；上层模型于是可以围绕“哪里有可抓取物体”“某个目标与另一物体的关系如何”等问题开展查询。

图 | ConceptGraphs 的完整原始管线图。从带位姿的 RGB-D 序列出发，系统完成开放词表检测、观测—对象关联、对象融合和三维场景图构建，并把结果提供给语言查询、导航和操作等下游任务。

这正好解释了为什么字节跳动/PICO 的岗位会把“大规模建图”“语义化地图”“地图与 VLM/LLM 的接口”放在同一份 JD 里。

企业要找的不是两个互不相干的方向：一边做传统定位，另一边接大模型；而是希望同一类人才理解如何让上层模型调用一个有坐标、有历史、有更新机制的空间记忆。

4. 头部企业高薪购买的，是跨学科的系统能力

如果只把 SLAM 理解为定位建图算法，就很难解释为什么这类岗位会同时要求三维几何、传感器标定、优化、机器人软件和学习方法。

企业真正稀缺的是能够把这些环节串起来的人：

既知道相机和 IMU 为什么会漂移，也知道大模型怎样使用空间信息；既能处理在线实时问题，也能构建离线大规模数据处理流程。

以 LM-Nav 这类工作为例，语言模型和视觉模型可以帮助机器人理解“要去哪里”，但距离估计和动作输出仍然需要依赖对当前位置、目标观测和可达性的连续判断。高层语义理解与底层空间执行不是替代关系，而是需要协同工作。

图6 | LM-Nav 的完整模型示意图。左侧的 CLIP 视觉语言模型负责连接文本描述与环境图像，右侧的视觉导航模型根据当前观测和目标观测输出距离与动作。它直观说明了：高层语义理解与底层空间执行不是替代关系，而是需要协同工作。

这也是头部具身智能企业招聘 SLAM 人才时，JD 里经常同时出现多视图几何、三维重建、状态估计、传感器融合、机器学习和数据管线等词汇的原因。

岗位的名称也许仍然叫 SLAM，但实际需要解决的问题已经扩展为“如何把机器人、数据和模型放进同一个可运行的空间系统”。

03    SLAM 正在被"吸收"这也是在真实发生的

强调 SLAM 的价值，不等于传统方案已经解决了一切。

真实环境中，人会走动、物体会移动、玻璃和镜面会造成视觉误差；移动平台的算力、功耗和传感器安装位置也会限制算法设计。纯几何地图本身还不擅长理解“易碎”、“可操作”、“危险”等语义属性。

这些局限确实存在，但它们指向的不是“SLAM 该被淘汰了”，而是“SLAM 该被重新定义了”。

企业今天并不是在回到十年前的技术路线。它们招聘 SLAM 人才，是为了把几何、传感器和优化能力与学习模型、语义表示和大规模数据系统结合起来。

换句话说，市场需要的不是守着旧工具不变的人，而是能够让空间系统跟上具身智能需求的人。

SLAM与大模型对立，是对当前技术路线的误读；把SLAM捧回神坛，同样是对行业现状的误读。

而把这两者对立起来，则既低估了大模型的局限，也低估了 SLAM 的韧性。

正是基于上述业内共识的判断，我们筹办了「具身智能学术夜」的SLAM专场线下沙龙。

有人可能会问：世界模型、VLN这些新概念这么火，为什么还要专门聊SLAM？

我们的理由很简单：恰恰是因为世界模型和VLN太火，才更需要把SLAM聊清楚。

所以我们愿意在这个时间点，认真聊一次SLAM。不是为了怀旧，也不是为了把SLAM捧回中心，而是想和一线从业者一起回答几个具体问题。

我们请了几位有意思的嘉宾，找了一个轻松的空间，留足了自由交流的时间。

8月28日见！

PS：本期活动名额有限，想参加的朋友一定要扫码认真填写问卷！

（名额有限，扫描下方二维码报名）