# 对话地瓜机器人王丛：“没人知道芯片算力该做多大”，具身智能没有标准答案

> 端侧算力不是可选项，而是具身智能产业化的基础设施。 文｜孟雯 过去两年，行业习惯了用TOPS（每秒万亿次操作）来衡量机器人的“智商”。某款芯片发布、某款人形机器人亮相，算力数字总是最先被圈出来的亮点。 560 TOPS够不够？1000 TOPS是不是未来趋势？机器人究竟需要多少算…

- 分类：具身智能
- 作者：奇点编辑部
- 发布时间：2026-07-17
- 原文链接：https://www.qidianyanjiushe.com/article/article-mrovau4d-ayaw
- 文章 ID：38

---

![文章配图-1](https://www.qidianyanjiushe.com/api/img-proxy?url=https%3A%2F%2Fq5.itc.cn%2Fimages01%2F20260717%2Fa3640608d66c49b3af1dabd13c0f767f.jpeg)

端侧算力不是可选项，而是具身智能产业化的基础设施。

文｜孟雯

过去两年，行业习惯了用TOPS（每秒万亿次操作）来衡量机器人的“智商”。某款芯片发布、某款人形机器人亮相，算力数字总是最先被圈出来的亮点。

560 TOPS够不够？1000 TOPS是不是未来趋势？机器人究竟需要多少算力？

当把问题抛给地瓜机器人CEO王丛时，他给出了一个并不符合预期的答案：

“没人知道算力该做多大。”

在他看来，行业里并不存在一个确定标准，规定机器人芯片应该达到怎样的算力水平。“这个问题每年都有不一样的答案，就看未来一两年的落地需求。”如果一开始把所有参数都定义死，“这个行业也就没法发展了。”

WAIC前夕，地瓜机器人对外发布了旭日S600算力平台的客户落地、技术适配与生态共建成果。自去年年末启动商业化以来，地瓜机器人已获得它石智航、优必选、傅利叶、加速进化等20余家头部客户认可，客户覆盖人形整机、医疗康复、工业协作等诸多方向，并联动100+产业链伙伴完成协同适配。

会后，地瓜机器人CEO王丛与开发者生态副总裁胡春旭接受了奇点研究社等媒体采访，并分享了他们对于行业发展的判断。以下内容根据演讲及采访整理。

![文章配图-1](https://www.qidianyanjiushe.com/api/img-proxy?url=https%3A%2F%2Fq0.itc.cn%2Fimages01%2F20260717%2Fa39dc74363f04de7bfa4d0f744ea8d1c.png)

量产不是炫技，是工业级的确定性工程

10年前，机器人更多是工业产线上执行流水线作业的机械臂；如今，具备自主决策、自主感知能力的人形机器人正在尝试突破海量场景落地。

2026年是具身智能机器人量产元年，这已经是行业共识。而在量产元年的背后，行业的核心命题已经发生了巨大转变。

过去大家会问机器人能不能跳舞？能不能翻跟头？现在大家会问你的机器人能不能连续工作24小时？能不能重复动作一万次？功能能不能复用至另一款标准化产品？量产，正在成为今年行业的分水岭，推动整个行业发生深刻变革。

地瓜机器人开发者生态副总裁胡春旭

![文章配图-1](https://www.qidianyanjiushe.com/api/img-proxy?url=https%3A%2F%2Fq8.itc.cn%2Fimages01%2F20260717%2Fabc14fc436b34e3fb21c796d2723db8c.png)

过去的炫技时代，一次翻跟头、一次成功抓取就足够吸引眼球；但如今我们已经进入真正的生产力时代，要求机器人能在环境中稳定、连续作业，具备高可靠性，耐受户外严寒与室内高温，在各类工况下都能稳定运行。

市场正在呼唤真正的生产力工具，这也是具身智能机器人量产面临的核心挑战。

判断今年是具身智能量产元年，有四大核心因素共同推动：

1、资本正在进行长期投入；

2、技术底座持续成熟，算法平台、传感器、硬件等各领域技术不断迭代；

3、市场需求爆发，各场景都呼唤更高效率的机器人完成作业；

4、产业链协同逐步成熟。尽管量产的产业共识已经形成，但背后面临的挑战依然十分巨大。行业内的从业者都深有体会，机器人从实验室走向工厂稳定作业，中间的鸿沟非常大。

这些挑战可以大致归纳为三点：

模型上车难。当前行业高度关注机器人端侧运行的 VLA 模型，如果模型能力不足，很多方案会将模型部署在云端，但云端推理存在实时性难题——云端到端侧的网络抖动、延迟，会直接影响控制的可靠性。

而如果要将大模型部署到端侧，又会面临功耗、成本、带宽等多重约束；将训练框架下的模型迁移至端侧运行，还需要完成量化、适配等全流程工作，需要投入大量软硬协同的工作量。

硬件平台的算力要求极高。这里的算力不只是运行 VLA 模型所需的算力，机器人是一套复杂系统：除了运行 VLA 与世界模型，还要调度多路摄像头、传感器实现高度协同，对数十个关节电机实现高精度控制。需要充足的算力同时支撑大脑侧的感知决策与小脑侧的运动控制，这是一套高度复杂的协同控制系统。

产业协同难。实验室做 Demo 相对容易，十次运行中只要有一次成功即可，原型机可以存在诸多缺陷，依靠手工标定就能完成演示。但大规模量产需要保障硬件一致性，实现 PCB、接口的标准化，所有功能都需要通过耐高温、耐冲击、高负载等全项可靠性认证。这个过程需要全产业链协同推进，单靠一家企业很难完成全链条落地。

机器人行业场景千差万别，地瓜机器人始终基于第一性原理打造算力平台：先分析行业真实的算力与计算平台需求，再据此定义芯片与硬件产品。

![文章配图-1](https://www.qidianyanjiushe.com/api/img-proxy?url=https%3A%2F%2Fq7.itc.cn%2Fimages01%2F20260717%2F1b1d08a828b740e894cdcd7efc5214f1.png)

芯片只是载体，算法闭环才是灵魂

芯片只是载体，真正的核心价值是载体之上的能力体系。

旭日 S600 的定位不是一颗算力芯片，而是一套面向具身智能规模化商用的完整解决方案，覆盖硬件载体、原生算法、开发软件、产业协同，贯穿机器人从原型验证、算法迭代到批量交付的全生命周期。

![文章配图-2](https://www.qidianyanjiushe.com/api/img-proxy?url=https%3A%2F%2Fq9.itc.cn%2Fimages01%2F20260717%2Fd97e7a9a82264946b3ec35c0a2bc9ddb.jpeg)

稳定可靠的硬件底座，是大模型流畅运行的先决条件。机器人多模态感知、实时运动控制对硬件实时性、稳定性、环境适应性提出严苛标准，这也是行业普遍面临的硬件工程难题。

平台多年研发重心集中在端侧 AI 与大模型加速，自研第三代 Nash 架构 BPU 成为整套方案的核心算力 IP。

经过多轮迭代优化，该架构针对 Transformer 算子深度调优，兼顾推理效率、数据吞吐与功耗表现；对比初代架构，CNN 网络推理提速 246 倍以上，Transformer 模型加速倍数超 27 倍。

![文章配图-1](https://www.qidianyanjiushe.com/api/img-proxy?url=https%3A%2F%2Fq0.itc.cn%2Fimages01%2F20260717%2F3b488e60fb1146eaa9065b89d4fc77e8.png)

多层级芯片架构、工具链与软硬件协同深度优化，最终转化为终端机器人直观的响应速度提升。

依托成熟算力架构，旭日S600 SoC 于去年 12 月正式落地，芯片内部集成三大核心处理单元：560 TOPS 四核 BPU，负责大模型与多类算法高效推理；18 核 CPU 承载复杂多任务并行运算与系统调度；6 核 R52+ MCU 搭配多路实时控制单元，保障关节运动毫秒级响应。204.8GB/s 超大带宽，足以支撑多模态大模型同步流畅运行。

完整 SoC 开发难度较高，为此配套推出巴掌大小的 RDK S600 核心模组，作为人形、工业机器人的标准化算力中枢。

![文章配图-1](https://www.qidianyanjiushe.com/api/img-proxy?url=https%3A%2F%2Fq4.itc.cn%2Fimages01%2F20260717%2Fe3b357dcaf06413eb14a8a82628c0dfa.png)

模组经过严苛工业级可靠性标定，采用 - 40℃至 105℃宽温设计，即便机器人胸腔内部长期维持 80℃以上高温，模组仍可稳定输出算力；同时完成高温高湿、机械振动等 11 项全工况验证，性能标准超出常规工业设备，满足万台级批量生产一致性要求。

针对前期算法验证、产品原型开发需求，同步推出配套开发套件。套件预留 GMSL 相机、PCIe、USB、以太网及多路自定义扩展接口，单套设备即可完成多相机、雷达、外设联动测试，厂商无需反复更换硬件载体，大幅缩短前期调试周期。

硬件构成机器人的运算躯体，多模态算法体系则赋予机器人自主行动能力。行业通用一套标准化算法闭环，就能支撑机器人完成全流程自主作业，整体分为环境空间感知、自身定位、物体操作、双足运动控制四大模块，形成完整作业逻辑：先识别周边环境、再判定自身坐标、规划抓取操作、最后稳定执行动作。

环境感知依托 Surrounding Omni-Vision 全向视觉算法，支持四目鱼眼或双目相机任意排布，无需严格固定安装点位。多路视觉数据融合后生成类雷达 3D 点云，摆脱传统二维图像识别局限，帮助机器人建立立体环境认知，支撑自主避障与路径规划。

操作层面有开源纯视觉 VLA 算法 VO-DP+，仅依靠多路相机图像输入，融合三维空间信息与语义识别，精准判断物体类别、距离与坐标，适配插花、设备装配、桌面整理等长序列复杂任务，跨场景泛化表现突出；该算法在旭日 S600 单核推理下帧率可达 20 帧以上，已对外开源。

地平线实验室轻量化 HoloBrain 模型进一步补齐 VLA 能力短板。模型融合实景采集、仿真模拟、人工示教三类训练数据提升泛化能力，仅 0.2B 参数量，多项仿真测试指标接近 7B 规模大模型，轻量化优势适配端侧有限算力环境。

定位环节由 MultiCAM SLAM 算法提供支撑，依靠相机 + IMU 时空耦合数据，仅视觉方案就能实现 360° 全域定位，上下楼梯、颠簸路面等复杂工况下定位精度保持稳定，可适配人形机器人双臂协同作业。

面向人形机器人双足行走，WM-LOCO 世界模型驱动运动控制，能够预判落脚点、推演连续动作带来的机身状态变化，实现跨越沟壑、上下阶梯、梅花桩等高难度动作。相较传统控制算法，这套方案功耗更低，复杂场景任务完成成功率提升至 95% 以上。

![文章配图-1](https://www.qidianyanjiushe.com/api/img-proxy?url=https%3A%2F%2Fq0.itc.cn%2Fimages01%2F20260717%2Ff7a9ab1dde0149c48ca0a27c0e465710.png)

Agent 重新定义开发：一句话指令，端到端落地

量产落地的核心痛点之一，是机器人开发链路冗长、人工操作繁琐。伴随 Agent 与 AI 原生开发浪潮，整套端云软件体系完成重构，彻底改写传统研发模式。

行业传统开发流程包含人工建模、素材制作、模型训练、设备部署多道工序，单套功能开发周期动辄一年；依托 Agent 自动化能力，数据生成、仿真训练、模型量化、端侧部署全流程可自主运行，大幅减少人工介入，开发周期由数月压缩至数周。

![文章配图-1](https://www.qidianyanjiushe.com/api/img-proxy?url=https%3A%2F%2Fq6.itc.cn%2Fimages01%2F20260717%2F589265e4b719476998b2521b3129ee8e.png)

整套开发框架分为端、云、PC 三层协同架构，核心底座为自研 Moss Agent 引擎，命名灵感源自《流浪地球》智能系统，定位面向机器人硬件开发的边缘智能框架。

端侧硬件搭载适配底层驱动的专用操作系统，上层运行 Moss Agent 生态，兼容主流通用大模型，内置大量可复用开发流程与调试完成的机器人技能，快速搭建全新应用。

云端与 PC 端配套两款 AI 原生工具，与端侧 Moss 形成闭环：云端 RoboGo™一站式平台覆盖数据生成、模型训练、仿真评测、量化部署全链路；PC 端 RDK Studio 负责硬件连接、应用编写与现场调试。三者联动，实现机器人持续迭代进化。

上线仅三个月，Moss 已积累数万开发者，覆盖学生群体与企业研发工程师，各类机器人应用持续落地。目前官方正式以 Apache 开源协议开放完整代码，全行业可自由获取、二次开发。

和通用大模型不同，Moss 专为机器人硬件开发打造，原生适配传感器、电机等物理设备，自动对接底层驱动文档、调试工具，降低硬件适配门槛。

依托 Moss 完成全面重构的 RDK Studio，仅耗时两周便实现功能升级，打造自然语言驱动的一体化开发 IDE。以往开发者需要切换多款终端、代码工具、咨询技术支持，如今只需输入一句自然语言指令，平台即可自主完成目标识别、路径规划、代码调试，输出可直接运行的机器人功能。

中小企业与独立算法团队可按需拆分使用 RoboGo™单模块工具，打通全链路则能进一步提升模型迭代速度。硬件、算法、AI 原生开发工具共同构成旭日 S600 量产解决方案核心，兼顾设备运行稳定性、模型推理速度与研发便捷度。

单靠软硬件产品无法支撑规模化量产，全产业链协同是必不可少的一环。旭日 S600 作为产业生态底层载体，已集聚 30 余家硬件厂商、50 余家解决方案服务商、20 余家软件企业，覆盖芯片、零部件、整机制造、配套软件全链条。

具身智能量产是系统性工程，单一企业难以独立打通全流程，完善的生态网络能够简化厂商选型流程，缩短适配到量产的落地周期。平台联动多家汽车零部件供应商，将成熟车规级大批量制造、可靠性管控经验迁移至机器人控制器开发，补齐 Demo 样机走向量产缺失的工业能力。

从控制器、传感器、执行器到数据采集系统，产业链头部厂商均推出配套标准化方案。

针对人形机器人数十路关节驱动需求，平台与兆易创新联合推出整套 EtherCAT 总线方案：以旭日 S600 为主站下发运动指令，搭配兆易驱动芯片作为关节从站，实现微秒级高精度控制。

完善的开发者生态同时为产业输送量产必需的专业人才。当前行业普遍面临研发人员缺口，平台通过开源社区、课程培训、青少年科普活动持续培育新生力量，为中长期行业规模化落地储备人力。

整套量产落地路径分为标准化三步，全部以旭日 S600 算力平台为核心：

原型快速验证：采用 RDK S600 开发套件，搭载预装算法与软件栈，快速完成产品 Demo 调试；

实景场景适配：切换量产级 RDK S600 模组，搭配定制底板，完成业务算法实地调优；

规模化批量交付：依托上下游生态供应链资源，完成硬件标准化定型，落地千台、万台级项目。

自旭日 S600 发布半年以来，平台已联合多家头部具身智能企业落地商用项目。今年平台与它石智航达成战略合作，落地国内首个千台级工业具身机器人量产项目，区别于数十台小规模试点，项目实现大批量稳定交付，严格把控整机硬件一致性，适配工厂高强度连续作业需求。

Q1：500~600 TOPS 是否是当前具身机器人的主流算力区间？

王丛：行业里没有任何标准说芯片算力应该做到多大。我还记得做智驾的时候，从1T、4T、10T一点一点做大，直到现在也没人知道汽车行业应该做多大。放到现在也一样，没有定论。

这个问题每年都有不一样的答案，就看2026年这一两年的落地需求，算法也在不断提高。

这个行业要是什么都定死了，也就没法发展了。未来十年、二十年，能效、算法、数据这些维度都会持续演进。

Q2：地瓜的核心壁垒是什么？如何判断当前行业态势的发展阶段？

王丛：所有的壁垒都叫相对壁垒。在当前技术高速迭代的时代，任何壁垒的有效期都很短。

地瓜目前有三方面的相对优势在持续积累：一是更早与客户共同开发，积累了更多真实细节需求；二是供应链能力，出货越多，与供应商联系越紧密，口碑越强；三是软件层面与需求的积累。这些优势都是相对的，更早切入市场会产生复利，这个复利是会持续的。

行业还远没到白热化竞争阶段，未来1~3年格局不会基本确定。

Q3：今年具身算法泛化能力显著提升，您认为背后有哪些核心原因？

王丛：这是算法发展的必然过程。早期数据采集很不规范，零散杂乱；今年随着数据量逐步积累，大家把数据对齐、数据治理的基础工作做得越来越扎实，配套工具也逐步完善。并没有出现什么革命性、颠覆性的技术突破，本质就是行业把基础工作越做越扎实，泛化能力自然就会提升。

Q4：如何看待摩尔线程、高通等入局带来的竞争？

王丛：现在行业里不少玩家都参与进来，但真正已经做出可落地产品的并不多。国内科技行业历来如此，就像早年手机行业起步时，大家都会跟进热门赛道，这是行业发展初期的正常现象。

行业整体向前发展，玩家越来越多，对所有参与者来说都是好事。我们的核心关注点始终是打磨产品、响应客户需求。

Q5：当前VLA模型尺寸偏小（约2.6B），未来会变化吗？

王丛：这个有刷新。之前Pi0.5版本是2.6B，今年发布的0.7版本已经是5B的闭源版本，阿里也调了一个4B的。目前行业模型迭代速度很快，半年基本就会有一次明显的参数升级。

等大家把小模型的路径彻底跑通，端侧模型至少会到30B，云端到100B以上。想要实现具身的效果，至少要有几十B，不然连基础的抓取效果都很难保障。

Q6：和头部算力厂商相比，地瓜最核心的卡点是什么？

王丛：不存在什么绝对的壁垒或者既定规则。不管是芯片本身、供应链能力还是生态建设，国内外厂商的发展路径和所处环境本来就不一样。在中国市场，很难说有什么不可突破的壁垒。

我们的做法是向海外头部企业学习研发细节，但学习最终还是要落脚到客户的真实需求上。我们恰好踩中了行业最核心的需求：把市面上主流的模型、算法产品都完成了深度适配，适配效果和落地速度都比同行更好。

Q7：从傅利叶、优必选，到小雨智能，我们的客户覆盖人形、工业具身、具身大模型等各个方向。在您看来哪个细分场景最有可能率先实现大规模量产？

王丛：从技术复杂度来看，仓储搬运、物料转运这类场景的技术门槛相对更低，特定工业场景的物料分拣、上下料，目前技术层面都已经基本跑通。

技术成熟之后，核心要解决两个问题：一是产品的性价比，投入产出比能不能打平；二是落地过程中的系统对接，不同行业有各自的生产管理系统，需要适配大量非标需求。

推动规模化落地的两个关键点：一是供应链持续降本，在中国很有希望；二是行业和客户一起把最后一公里的解决方案打磨成熟。

Q8：模型需要数据才能提升能力，但高质量数据来自真实场景，真实场景落地又对模型效果有很高要求，这个矛盾怎么解？

王丛： 这个矛盾理论上成立，但不是绝对的。就像智驾行业，自动驾驶起步做数据采集的时候，也没有成熟的量产车，都是自己改装车辆，第一批采集的数据很多都废掉了。

摄像头怎么装、装几个、配几个雷达，早期都没有标准，都是踩过几波坑之后才慢慢总结出成熟方案。

具身智能现在也会经历这个阶段，废掉几波数据、走几次弯路，自然会形成可行的落地路径。至于烧钱换突破，很多科研技术突破本来就是靠持续投入试出来的，科学本身就是一套实验求证的方法。

Q9：现在很多整机硬件企业，会基于自己的项目在系统上做二次开发。怎么避免算力平台被替代？如何平衡易用性与迁移成本？

胡春旭：我们的产品以芯片为底层基座，上层搭建了开放的机器人开发框架，再往上还有RDK Studio以及OpenClaw等一整套开源自研工具体系。地瓜的态度非常开放，软件基本全部开源，这本身就最大程度降低了开发者的迁移适配门槛。

今年我们在Agent工具上做了大量投入，很多开发者基本不用查阅文档，只需要通过Agent就能快速解决开发问题。

两周前帮客户调试一款全新的相机传感器，按照过往经验需要5到10天，用Agent之后两个小时就调试出了人眼看不出色差的图像效果，效率提升了10倍以上。

Q10：有客户反馈适配地瓜芯片比英伟达需要投入更多人力，你们怎么回应？

王丛：切换到不同的芯片架构，必然需要投入更多人员做算法迁移和适配，这是更换技术路线的正常现象。有量化部署经验、熟悉端侧优化的团队，比如有智驾开发背景的团队，迁移起来就会快很多。

很多熟悉英伟达平台的开发者，其实忽略了英伟达方案要跑出高效率也需要做深度量化优化，只是大家已经习惯了那套开发流程而已。整体走一遍完整流程下来，适配工作并没有大家想象的那么难。

Q11：论文里的模型泛化性与产品落地实际效果之间是什么关系？

王丛：泛化性本身是分维度的：有最高层面的通用泛化能力，也有特定场景下的局部泛化能力。目前行业顶层的通用泛化方法论还没有发展到成熟的阶段，大家解决的还都是局部场景的问题。

现在所谓的落地起量，也都是小范围逐步爬坡，从50台、100台往上走，这是行业发展的正常过程。

Q12：世界模型在端侧的运行效率如何？未来走向？

王丛：世界模型并不是完全独立的一套体系，很多时候是作为特征提取模块，为VLA等模型提供特征输入，辅助数据验证和测试。现在行业还处在早期，技术路线分很多流派。

什么时候世界模型能真正大规模广泛应用？等到大家不再刻意提"世界模型"这四个字的时候，就说明这条路真的跑通了。

就像自动驾驶行业，早年大家会反复讨论各种技术路线，现在没人再纠结自动驾驶用的是什么技术流程，直接看实际运行效果就行。

Q13：今年具身智能芯片出货量大概多少？AI芯片在整机成本占比？

王丛：今年的整机出货数据不同机构预测差异比较大，我们还是以实际客户项目的情况来判断，就不对外做具体数值预测了。

关于成本占比，可以参考其他成熟行业的规律：手机里旗舰芯片的成本占比大概在5%-10%；汽车行业的芯片成本占比，早期可能高一些，成熟后也会落到5%-10%的区间。机器人行业应该也会遵循类似的规律。

Q14：仿真数据和真实数据如何搭配使用？

王丛：最终训练算法的数据都来自特定的数据分布，里面有常规数据、异常数据，也有仿真数据和真实数据。算法本身会自动适配对应的数据分布，找到对应的规律。但数据配比到底怎么控制，目前没有标准答案。

仿真和真实数据怎么配、专家示教数据和普通运行数据怎么配，都是行业踩过很多坑之后才慢慢找到最优解的。现阶段所有技术路线都值得探索，不用过早纠结哪条是对的。

Q15：地瓜能拿到客户运营产生的数据吗？

王丛：我们不拿客户的业务数据。地瓜不是靠客户数据来迭代自身算法的，我们做自研算法的核心目的，是帮助客户更好地适配芯片：客户不熟悉我们的芯片架构，我们先在芯片上把基础算法跑通、做好优化，给客户提供一个可用的基础模型，客户可以在此基础上快速迭代自己的算法。整个过程都是和客户共创的，我们不会获取客户的核心业务数据。

Q16：工业机器人相较于普通技术工人，有什么优势和劣势？

王丛：最核心的一点是可以填补“人不愿意做的岗位”的缺口。比如制鞋行业的粘底工序，工作环境又臭又脏，年轻人根本不愿意做。还有搬运这类重复性劳动，现在愿意做的工人也越来越少。劣势也很明显，现在机器人的通用能力还不足，规则复杂、差异化大的工厂场景，还没法很好地适配，真正能替代人工的场景还在逐步拓展中。

Q17：过往经历给地瓜带来了哪些经验总结或方法论？

王丛：第一是坚持长期主义的思考方式。我们愿意做“现在投入1块钱，5年后还有价值”的事，哪怕短期不赚钱，只要长期有价值我们就会做。

第二是生态共建的理念。我们做的是生态型的业务，核心是和行业伙伴交朋友。地瓜现在的20多家头部客户，很多都是认识多年的朋友，早期大家都没业务交集，等到行业发展到相应阶段、有实际需求了，自然就走到一起合作了。上周末我们还办了一场青少年机器人科普活动，给8到14岁的小朋友上课，这事短期来看没有直接的商业价值，但这就是做生态、做长期布局的一部分。[https://www.sohu.com/?strategyid=00001&spm=smpc.content%2F382_3.content.1.17842884317806FmKzGg](https://www.sohu.com/?strategyid=00001&spm=smpc.content%2F382_3.content.1.17842884317806FmKzGg)

---

本文由奇点研究社发布，引用请注明出处：https://www.qidianyanjiushe.com/article/article-mrovau4d-ayaw