# 我遇到了第一个真正想买的陪伴机器人！｜对话世博：越伴动力创始人【公路播客】 十字路口Crossing · 2026-06-28 · 52 min · https://www.xiaoyuzhoufm.com/episode/6a3f281f9d2f5743683e81b2?utm_source=rss ## 逐字稿 Ronghui 我们录公路播客，是希望一边开车一边聊天。我们今天要开去北京怀柔山里的一个很漂亮的咖啡馆。之所以录公路播客，是因为我们觉得，正襟危坐的聊天和一边开车一边聊天，应该会有非常不一样的氛围，有可能这样的 vibe 可以聊出更多平时不会聊到的想法、故事等等。 我们今天还是从十字路口的传统快问快答开始。世博同学，你的年龄？ 世博 26 岁。 你的毕业院校？ 世博 北理工博士休学。 MBTI 和星座呢？ 世博 INTP，摩羯座。 一句话介绍一下你们现在的公司和产品。 世博 我们做的是消费级双足形态的伙伴型机器人。 融资情况呢？ 世博 去年年底的时候拿了真格的种子轮。 目前团队有多大？ 世博 实际上是一个小团队，到目前为止，加上实习生只有 25 个人，但是我们非常有战斗力，已经发布了我们的第一款伙伴型机器人，大概比 90% 的机器人公司要快一些。 一句话介绍一下创业之前在做什么。 世博 ### 三十款机器人奠定基础 以前也在做机器人，做了接近 30 款原创机器人。 30 款？ 世博 没错。除了做了很多款机器人之外，我在大二期间就开始创业，做面向课程建设的四足机器人教育套件。如果只是从卖出的数量来看，我应该比王兴兴卖得更多。我也参与了高擎动力的创业过程，负责他们的产品。 酷。之前做的 30 款都是什么样的机器人？ 世博 轮式、足式、履带、机械臂，这些经典构型都探索了一遍。研究生入学之后，开始做一些更大尺寸、更高动态的机器人，包括重载四足，还有一米七、70 公斤这样的大尺寸人形机器人。 我们今天开的车是理想 i6。之前我问世博同学，今天公路播客开什么车，以及他的 Dream Car 是什么，他说了 i6。 世博 没错。 所以我们就搞了这台 i6。为什么这是你的 Dream Car？ 世博 我觉得在汽车这个行业里面，原创设计真的很重要，而且好的原创设计很难得。好的产品真的需要 taste。 我们这个真的不是理想的广告，就是发自内心地喜欢这辆车。我前两周刚试驾了一下。一开始你想到做陪伴机器人，是什么样的一个起点？ 世博 ### 陪伴方向由此确定 因为之前做了太多机器人了，我有时候会产生一个比较幼稚的想法：我的机器人真正火起来，站到我的面前和我交互，它会是什么样的状态？ 在 2022 年的时候，我一个人放在家里，开始探索这种陪伴型机器人。 最早是做什么形态的？ 世博 最早做的是双轮形态。双轮形态的弊端也很明显，运动能力太受限，一个小坎、一根电线，可能就把它卡住了。2024 年的时候，我决定做当前这样的产品形态，也就是双足。 大家创业做机器人，有些想做进工厂，也有些想做护老。你是怎么在这些不同的道路之中选了陪伴这个方向的？ 世博 我觉得陪伴场景是可以在短期内快速落地的一个场景。 做陪伴机器人的公司还蛮多的。最早比如日本的 LOVOT，我的播客其实曾经也聊过 RoboPet。你有特别喜欢的陪伴机器人吗？ 世博 LOVOT 这个机型做得很好。我在创业之前就买了这样一款机器人，而且一直保持开机到现在。 实际上，LOVOT 的交互逻辑真的做得挺简单的，但不是说简单不好。它的交互逻辑就是，比如它往这一站、往这一坐，看到我之后，会靠那两个小轮子滚到我的脚下。轮子一收，它开始扑上来，用两个小胳膊希望我把它抱起来。这样一个简单的交互逻辑，我觉得恰到好处。 我把它开机到现在，前两天还看到了那个拥抱机器人。 对，它就是很简单的一个设计逻辑。 世博 其实但凡它会说一个字，或者说一句话，我可能就不会买。 所以它不能说话。 世博 真的，好产品不是靠功能堆积起来的。 ### 小伴用身体表达情绪 我刚才注意到小伴是可以说话的，但他说的不是人话，而是某种火星文。可以介绍一下这是什么样的语言吗？ 世博 它也不是火星文，就是我们给它设计了一套语言体系。这套语言体系由 12 个音组成。虽然只有 12 个音，但是可以表达各种各样它想要表达的内容。 比较厉害的一点是，你和这个机器人相处一个下午，会渐渐意识到这个机器人到底在说什么。举个例子，机器人要充电了，它可能会说“哭哭”这个音。在我们的机器人语言里面，这个音代表“吃”，它可以说“迷它哭”，意思就是“我要吃”。 机器人可以吃什么？它只能吃电。 世博 它说这个音的时候，会比如说看着自己的小肚子，然后用小手拍一拍自己的肚子，再说“迷它哭”。你会意识到，它好像是在说自己没电了、饿了，这时候你要带它去充电。 这套语言是如何设计出来的？ 世博 这套发音是我们根据斯瓦希里语系的 CV 结构做的一套系统。 你们是怎么找到这么一个小众的语系的？ 世博 我们的机器人不只在国内，还要出海。这个音不能和中文那么像，也不能和英文那么像，所以我们就找了非洲的一个部落语言，借鉴了它的发音。但是具体想要表达什么内容，是我们自己设计的。 所以它说的具体一句话，其实是这种意向式的表达。比如刚才提到它没电了，它只能说“迷它哭”。那它可以说“我们今天要去拍公路播客”这样复杂的句子吗？ 世博 不可以，但是它可以通过一些意向式的表达说出来。比如“o”对它来说是“看”的意思，“推”对它来说是“走”。它可以说“他 o，他推”，代表我们要出去，然后我们要看。 我看它也有很多丰富的肢体动作。它的语言和肢体，是用什么逻辑驱动的？ 世博 很多人都听过梅拉比安实验。人和人交互的过程中，肢体语言的重要性占比实际上高达 55%，包括你的表情、脸、眼神，甚至你的动作；37% 是你的语调，只有 8% 是你说话的内容。 所以我们把机器人的肢体语言作为情绪表达的途径，拉到一个很高的重要性。 而且我发现它的手很小。说到肢体语言，感觉如果它的手和人一样灵活，应该能做更多肢体动作。你们为什么考虑把它的手做得这么短小？ 世博 我当时也考虑了很多。第一点，我们不希望这个机器人去做一些操作任务，所以我们的逻辑还是面向肢体语言的情绪表达。虽然它的手只有这么短，但是可以表达出很丰富的情绪状态。 其实我们这个手臂采用的是一套类连续变形体的方案，和行业里面比较多的关节式结构不太一样。它算是行业里面比较独特的一种方案，我们发布之后也获得了很多好评。大家说这个手臂短短的，很可爱。 确实有一种说不出来的萌感。而且它的身体，我刚才在办公室一直和它抱抱，就感觉是软的。这个是怎么做到的？ 世博 我们做了行业里面很多机器人公司都想做，但是没有真正做出来的一件事情，就是把这个机器人的外壳 90% 以上做成柔软材质。 我们用了一种类硅胶材质，覆盖率高达 95%。肚子上面最厚的柔性深度有 2 厘米那么厚。 对，它有一个短短的肚子。 世博 没错。 看你们还给它做了衣服。 世博 很多人买了之后，会追求一些差异化的表达。我们给机器人做了很多配件，比如磁吸的小耳朵、磁吸的领结，还有各种各样风格的衣服。我们刚给它做了梅西和 C 罗的球衣。 它有性别吗？ 世博 我们给这个机器人的定位是“外星萌物”。它有仿生的形态、仿生的质感，以及透明的情绪表达，但是没有明确的性别指向。我们更希望用户后续通过自己的审美偏好和装扮，去给这个机器人定义。 是什么原因让你们把它定义成外星萌物，而不是宠物或者小孩？ 世博 你做得越像猫、越像狗，越仿猫仿狗，它就越容易被真实的猫猫狗狗比下去。然后我们又不想把它做成人形，不希望给用户带来那么高的预期，无论是智能程度还是性能程度上。 除了叫它小伴，可以给它单独起名字吗？ 世博 当然可以。我们还做了一个基因音色，你甚至可以把你的声音和你爱豆的声音融合成一个基因音色，就像你和你爱豆的孩子一样。 天哪。那准备卖多少钱？ 世博 我们当前在国内的定价是 8499 元。现在这个时间点实际上正在预售，预售价格是 6499 元，降了 2000 元，限时限量。 什么时候会真正发到用户家里，拿到货？ 世博 最快的时间点会在国庆节，之后再陆陆续续按照订单顺序交付。 ### 生命力拒绝逗乐套路 我真的很想买一台。我可以想象，这个机器人买回家大概率不会吃灰。 世博 对。为了不让用户把机器人带回家吃灰，一方面它看上去很可爱，非常萌；另外一点，我们还做了一件事，就是摆脱角色预设和逗乐型的互动逻辑。 什么叫逗乐型的互动逻辑？ 世博 比如我们这边有个机器人叫小 A，你对它说：“小 A，小 A，跳个舞吧。”“小 A，小 A，握个手吧。”这种就是逗乐型的互动逻辑。 我们之前也测试过一款竞品。你对它说：“小 A，小 A，你好难看呀。”它的回答是：“这样说人是不对的。”然后开始给你讲一堆大道理。 那我们的机器人呢？ 世博 你说“小伴，你好难看呀”，它的反应首先是眼睛泪汪汪的，然后把头低下来，手抱着自己的肚子，呈现出很委屈的状态。我们希望给用户带来一种有生命力的感觉。 如果我在家里不主动找它，它会来找我吗？ 世博 我们机器人的性格也是不太一样的。它有一个基础性格，是一个多维成长的状态。我们给机器人做了云端的超长程记忆，实际上这个记忆的目的，就是推动性格参数的多维成长和动态演化。 你是一个 I 人，你是一个 E 人，你把这个机器人带回家，第一天、第一个月、一年后，它的性格状态一定是不一样的。 所以是 I 人主人会养出一个 I 人的小伴，还是 E 人主人会养出一个更 E 的小伴？ 世博 我觉得 E 人的主人应该会养出一个更 E 的小伴。 比如说你是一个 I 人，机器人有时候给你打招呼，你都不回应；它有时候找你抱抱，你甚至说“你一边玩去，别打扰我”。那机器人后面可能会变得不那么乐意主动找你交互，而是更关注你家庭里的环境物品、花花草草这些。 如果你是一个 E 人，整天在家里打游戏、大喊大叫、看球，那机器人会跟着你，也会进入一个非常主动、活泼开朗、乐意找你交互的状态。它会时不时打扰你一下，求抱抱。 你觉得做小伴的过程中，最难的事情可能是什么？ 世博 其实我们解决了不少行业级难题，包括为了安全，把机器人做到那么小、那么轻；把机器人的外壳全身做成柔软的，并且给它全身加上触觉；还要把它的控制延时控制到亚秒级。 但是我觉得最难的还是机器人的交互这一块：怎么样让用户感受到这款产品的活人感和生命力。其实我们花了很大的精力和心思，去解决和调研这类问题。 说到交互，具体是怎么设计的？ 世博 ### 三层大脑加速交互 就像刚才提到的逗乐型交互逻辑，这是我们一定不要做的。另外一点，我们给小伴的大脑做了一套三层的 VRA 框架。 为了把通信延时控制到亚秒级，我们在端侧做了一套快慢脑。快脑是一个 1.7B 的模型，负责一些瞬时的行为决策；慢脑是一个 7B 的模型，可以做相对复杂的逻辑推理。 综合来看，如果你给机器人说一句话，或者机器人要决策做什么样的动作、什么样的行为，它的延时现在已经能够控制到 0.4 秒以内。 刚才我叫小伴的时候，它好像非常快地“诶”了一下。 世博 而且它大声回应你之后，你再说一句话，或者它看到你做了一个什么动作，它在语音、动作、肢体语言上的反馈特别快，也特别自然。 它的反馈是你们写好的一套逻辑吗？它是有限级的，还是交给大语言模型去处理、拥有无限级的反馈？ 世博 在交互动作这一块，它有一小部分动作库。但是就算是在两个一模一样的场景下，你说了一模一样的话，我们也不希望小伴给你一模一样的两套交互动作。 所以我们还做了一件事，叫动作生成。机器人可以根据当前的情境和场合、你的行为、你的情绪，恰如其分地生成一个风格化的交互动作。 就像最简单的，刚才我们出门的时候，小伴给我挥手拜拜，它可以有各种各样风格化的表达。它可以很兴奋、很开心地挥手，也可以很娇羞地挥手。它会生成一个 5 到 10 秒的动作序列。 背后是基于什么开源模型训练的？ 世博 通义千问的开源模型，包括它的快慢脑，以及云端 200 多 B 的模型。 另外，我们小伴当前能够这么好地理解人的情绪状态，实际上是因为这两个模型经过了微调。 做了什么微调？ 世博 我们希望这个模型达到一个效果，就是更能够理解人的潜在意图和内部情绪。我们通过一些家庭场景的交互数据，对这个模型进行微调。 现在所有的机器人都还没有真实入户，大家都没有这种真实的交互数据。 世博 对。我们还做了一个叫家庭模拟器的东西。这个家庭模拟器模拟小伴进入家庭之后，和空间内的各种环境物体、家里的成员，甚至和家庭里的猫猫狗狗，进行超长程的主被动式情感交互。 我们把这样的交互数据拿过来进行标注，然后微调我们的端侧模型。 为什么要这么做？ 世博 实际上，机器人对人的情绪理解和识别，不是只靠当前这一刻他说了什么、这句话是什么样的语调，或者你当前的面部情绪是什么样的。我们更希望通过上下文去理解，比如过去一个小时你有什么样的行为、发生了什么事情，综合去推断你当前的情绪状态。 这还挺有意思的。我看到小伴其实是有摄像头的，它是以什么样的方式，把捕捉到的画面和视频传给模型去训练的？ 世博 实际上我们需要这些数据进行模型训练，但是我们非常关注用户隐私的问题。我们不会把端侧原始的语音信息或者图像信息收集起来，更多的是一种语义化表达的信息。它会被抽象成一种特征、一种 embedding 信息，最终用于训练模型。 为什么选择千问这个开源模型，作为基础模型？ 世博 当时测试了好几款模型，千问在推理和人的情绪理解上的表现比较好。在一个非常小的模型参数量下，它的效果也不错。 2026 年做小伴，有什么特别的 timing，让它在今年变得可能吗？还是说倒回到 3 年前，也许也能做出来？ 世博 ### 创业时机已经成熟 我觉得 3 年前概率应该比较小。这也得益于模型、语言模型，还有一些视觉模型，特别是一些 VRA、WM 架构的发展。 你为什么在 2025 年年底出来创业？ 世博 我觉得分两个方面。第一方面是我在心理上、能力上、经验上，已经准备好了。另一方面，我发现了一个很好的行业机会，也找到了属于我的切入点：先去做这种有生命力、极致安全的双足形态伙伴型机器人，先解决机器人进入家庭之后的人机交互、人机共融问题。 为什么说这是一个适合你的切入点？ 世博 当时做操作机器人的场景和赛道非常火。我觉得我现在下场，当然可以做一款面向操作的机器人，但是我觉得一定做不到顶级的程度。 但是做情感陪伴类机器人，做这样一款非操作、双足形态、全身柔软的机器人，我可以做到顶级。 为什么在这方面对自己有信心？ 世博 我觉得还是因为极致的热情、极致的热爱。 所以你热爱的是？ 世博 我太希望能够做一款陪伴我自己的机器人了。就像刚才提到的，我之前做了 30 多款机器人，那些机器人也没有那么可爱，甚至没有那么好看。我甚至也会去想象，它们真正站起来、站到我的面前会是什么样子。 你的 MBTI 刚才说是 INTP。为什么 T 人会那么喜欢陪伴机器人？ 世博 我养了一只小猫，我觉得这是我的一种生活方式选择。我非常爱我的小猫。有时候我也不会主动去找我的小猫做交互，但是我非常喜欢小猫就在我的身边。 其实对于机器人也一样。 但你不是说不希望机器人像宠物吗？ 世博 我的小猫可能不是那么能够理解我的情绪，但是机器人不一样。它可以听得懂我在说什么，甚至能够对我的情绪、我的行为做出更好的反馈。 你希望用户买回小伴的第一天，开箱体验是什么样的？ 世博 它可能刚进入家庭的时候，是一个极度充满好奇心的状态。你在客厅里面把它开箱，然后它会往这个角落走一走，再往那边的角落走一走。甚至你的卧室门半开着，它会尝试往里面挤一挤，先建立家庭场景的地图。 所以它是在好奇地开地图。 世博 对，没错。 第二天，你希望理想中的用户一觉醒来之后，怎么和小伴互动？ 世博 比如你刚睡醒，小伴有可能已经站在你的床边，等着你醒；或者你已经醒了，小伴还没有醒，它坐在自己的座椅上，发现你的动静之后，缓缓伸个懒腰，然后起床。 初见期我们会把它控制在一周左右。随着机器人对你的家庭场景越来越熟悉、对你越来越熟悉，它会在家庭里面来回乱逛，选择性地给你打招呼，或者愿意靠你很近。 从创业到现在，你们每天都在琢磨怎么把陪伴机器人做好。你对陪伴的理解，有发生什么变化或者进化吗？ 世博 从 2020 年到现在，我一直买了各种各样的陪伴机器人，包括最早的 Vector、EMO，我都买了。 我觉得之前的陪伴机器人实在做得太差了。我觉得我在技术上可以做得更好，对产品也有自己的理解。如果下场做的话，我能把机器人做得更智能，功能点也会更多。 但是现在确实有了一些变化。实际上在陪伴这件事上，少就是多。好的产品不是靠堆功能点堆砌起来的，更多还是靠对用户需求的理解和洞察。 这是因为你们踩过什么坑，所以有了今天这样不一样的想法吗？ 世博 我觉得倒不是因为踩过什么坑。我们刚开始创业的时候，做了 300 多个用户的调研，甚至做了几十个访谈。 当时得到了哪些你觉得很有意思的洞察？ 世博 一个很有意思的洞察，就是机器人要不要说话这件事。 在我们当时调研的 300 多个用户里面，实际上有 90% 以上的用户希望机器人说话。但是我们还做了一些细分选项，其实可以看得出来，他们想要的并不是一个 AI 感很强、只是你问它答的冷冰冰的百科全书。 它是一个家庭机器人。我们发现，用户其实还是想要一个真正像活的伙伴一样的机器人。 所以这也决定了，你们没有用行业里面千篇一律的播音腔，也没有用那种听不出来它在说什么意思的拟声词交互。你们没有选人话，也没有选那种哼哼唧唧，而是选了一种能大概听懂、但不是那么直接表达的语言。 世博 没错，它是一种意向式的表达。 为什么身高设计在 65 厘米左右？ 世博 ### 双足尺度服从安全 我们当前这个机器人站立身高是 65 厘米，重量是 12 公斤。它为什么要做到这么高、这么重，腿为什么是这么长，实际上不是拍脑门决定的。 我们的机器人是双足形态，就一定不能只在家庭里面，必须是能够带出去的状态。目前机器人在户外最大的奔跑速度是 1.9 几米每秒。 正常成年人正常移动的步速，大概是 1.1 到 1.3 米每秒。它比人走得快。 世博 对。你在户外只要不跑起来，小伴都跟得上你的速度。 另外一点，我们的机器人目前最多能够上 15 厘米高的台阶。国内一些公共设施、公园里的户外台阶，有严格的 GB 国家标准，不允许超过 15 厘米，大部分是 10 厘米左右。 所以身高、体重，包括腿长的考量，主要是为了让它可以跟你出门。 世博 对。 那为什么不做得更高、更大，让它更有安全感？ 世博 更高更大实际上并不会带来安全感，因为它越高，重量就越大。在家庭里面，如果几十公斤的东西摔倒，砸到家里的物品、砸到小猫、砸到小朋友，都是很危险的状态。 65 厘米实际上兼顾了它的移动速度、空间存在感和地形适应能力。 像刚才说的，它在户外有 1.9 米每秒的小跑速度。如果它和一个小孩跑着捉迷藏，突然撞到一起，还是挺吓人的。 世博 没错，我们这一块其实做了很多工作，包括室内的避障。户外的核心能力可能是靠视觉跟随。 关于避障的安全性，我们甚至在机器人的腿上加了薄膜压力传感器。比如机器人坐着，突然要做一个动作，像起身；小朋友刚好和它互动、摸着它，如果只靠关节电机基于电流的力矩反馈，那时候已经晚了。所以我们在机器人身上放了这样的传感器，这也是安全方面的考虑。 国家现在有没有针对机器人安全的一些法律法规？ 世博 机器人还处在整个行业非常早期的阶段，不像汽车。汽车的功能点非常明确且单一，而机器人有各种各样的形态和功能。它在早期应该有安全和隐私方面的法规，去指导这个行业。 如果为了绝对的安全，很可能有人会说，那我今天先不要让它移动。你们考虑过不让它移动吗？ 世博 我们第一天就明确要做会移动的机器人，而且是靠双足移动的机器人。 为什么？我们认为 20 年后，每个家庭都会有一台家庭机器人，而这个机器人一定是双足形态。我们不说别的，从第一性原理的角度考虑，只有双足才能真正拥有像人一样上下楼梯、在非结构化环境和非结构化地形中通行的能力。 这也决定了我们的第一款机型必须是双足形态，它要有技术上的延续性。 另外，双足相比轮式、履带，所带来的动作表现力提升，不是一个数量级的差异。一个真正长期存在于家庭里面、需要和你建立情感连接与信任关系的东西，应该是仿生形态，不应该靠轮子，也不应该靠履带，它就应该靠足、靠腿。 ### 陪伴不等于讨好 说到陪伴，我也有一个微妙的感受：什么时候机器人是在陪伴你，什么时候它是在讨好你？你们怎么看这中间微妙的区别？ 世博 有的人觉得，机器人会讨好，就是一个能够做陪伴的机器人。但实际上我们不这么认为。讨好不代表陪伴，陪伴也不一定需要讨好。我觉得讨好对于陪伴来说，是一个既不充分又不必要的关系。 真正做好情感陪伴，重点是主动的交互共情。 主动的交互共情。 世博 对。它能够理解你当前的状态，然后根据你当前的状态，做出非常恰当的交互行为和反馈。 可以举一个例子吗？什么时候它不讨好我，但是我也能感觉到被陪伴？ 世博 就像刚才在办公室的时候，你说“小伴，你好难看呀”，它只会表达当前的内部情绪和内部状态。它很伤心、很难过，会跺一下脚，然后扭头背着你，甚至直接跑开。 你要是能感受到这一点，才是真实的陪伴感觉。 你们有没有考虑过那种有暴力倾向的小孩？他会对家里的小伴又踢又打、拳打脚踢。遇到这种情况，小伴会怎么反应？你们有设计吗？ 世博 我们当时也考虑过这样的场景，会把它纳入机器人性格演化的一部分。 如果这个小朋友每天都踹小伴、把小伴推倒，那小伴可能会给这个小朋友打一个标签，后面渐渐变得不那么喜欢主动找这个小朋友交互。但是它不会变成小朋友一找它，机器人马上就跑开。 家里有多个人、多个宠物的时候，它能识别出不同的主体，并且有不一样的互动方式吗？ 世博 没错。每个人和小伴的交互方式都不一样。机器人会给每个人打标签，也会记得每个人的意图和偏好。 我可以看它打的这些标签，以及它给自己的性格写的 prompt 吗？我可以看、可以改吗？ 世博 我们的定义是不能看，也不能改。因为如果你想看、想改，技术上非常容易实现。 我们还是希望用户把小伴当成一个独立的、有生命力的个体来看待，把它当成家庭成员，而不是它的一些内部参数，想看就看、想改就改。 刚开始的时候我们还讨论过一个问题：机器人当前在室内的续航是 3 到 4 个小时，但如果在户外一直走，续航时间是 1 个多小时。我们当时考虑要不要做可拆卸电池，但最终答案非常明确，就是不要。 它是一个个体，不应该从身体里面拆出来一部分，再给它放回去一部分，这样就很出戏。 对，为什么不给它开放一些参数让用户修改，也是同样的逻辑。 我记得日本那个 LOVOT，身上毛茸茸的那个小玩具，也卖 4 千块钱。当时有朋友送了我女儿一个，我发现它为了做出活物感，甚至没有插头，只能用底座无线充电。你看不到它身上有任何电器痕迹，连插头都没有。 那你们有没有考虑充电场景应该是什么样的？是躺着还是坐着？ 世博 我们最后选择给机器人设计一个非常可爱的小座椅。它坐在上面，小手扒在肚子上，脖子往下看，呈现出一种很舒适、像在休息一样的感觉，然后机器人就在上面充电。 我觉得你们做的这个产品真的很有意思，好像是在从头设计一种从来没有出现过的生物。 世博 没错。陪伴这个场景一直都存在，但是为什么前一段时间很多人不太看好这个场景？我觉得原因很明确，就是没有真正好的产品出现。 我们之所以把价格定在万元以下，实际上是希望通过这样的价格触达更多普通用户群体。我们希望通过消费者的反馈告诉市场，一个好的陪伴机器人、一个有生命力的机器人，应该是什么样子。 如果它在我家里待了一年，它会真的变得更懂我、更聪明吗？ 世博 一定是这样的。首先，它在性格上会和你有一个契合。其次，随着你和它相处一年，它会有非常长期的记忆存储，会更懂你。 比如你每天几点回家、每天行为上的偏好，或者你的情绪状态在某个特定时间点的波动和变化，它都会逐渐理解。 目前收到过让你感觉最 surprise 的同行、朋友或者用户反馈是什么？ 世博 就是“看上去比别家的机器人可爱多了”。 我还蛮期待有一天可以带它出门，比如让它坐在后座，给它绑个安全带。理论上是可以的，对吧？ 世博 当然可以。我们发布视频里面就有一个场景，是真的把小伴放在后排，给它扣上安全带。 那我们今天应该带它出门的，遗憾了。 世博 它可以一直动着头，看窗外移动的物体，也可以偷听我们录播客，听我们在背后怎么说它的坏话。 还有一个小时、35 公里。 世博 对，我们专门找了一条差不多 90 分钟的路线。 公路播客还有一个好玩的地方，就是我们必须聊 90 分钟。聊到后面有时候没话聊了，反而在没话找话的时候，可以聊一些没想到的话题。 我注意到小伴的眼睛特别传神。眼睛背后有一些特别的设计思路吗？ 世博 有的。眼睛是最直接的情绪表达载体，所以我们针对小伴的眼睛做了 6 层骨骼动画。 比如小伴的瞳孔、巩膜，甚至瞳孔上的花纹，都是独立的参数，可以单独控制。这样可以带来非常自然的目光流动和呼吸感。 目光的呼吸感。我觉得这个词很有意思，我可能只会说它很有活人感。 世博 就是目光自然流动的呼吸感，像人一样。人的瞳孔会震颤，包括你往什么地方看，它不是匀速挪过去的状态，也不是看在某个地方就不动了，瞳孔一定是在跳动的状态。 你做第一台机器人的时候几岁？ 世博 ### 机器人天赋始于大一 我是一个很幸运的人。我高考完之后选了机械工程这个专业，当时也不知道这个专业到底要干什么。入学之后发现这个专业可以做机器人，我真的是一个很幸运的人。 后面做了很多机器人，我觉得自己在做机器人这件事情上是有天赋的。做了那么多机器人，也获得了很多成就感和满足感。 觉得自己有天赋，是有过什么特别的时刻吗？ 世博 大概在大一的时候。那时候工程制图课还没有上完，我就开始一个人做一台完整的机器人。 我把那个机器人在建模软件里面设计出来，再通过非常粗糙的 3D 打印方式把它拼起来。对我来说，这是一个非常满足、也非常快乐的过程。 当时有多快乐？ 世博 难以描述。快乐到什么程度呢？我给它拍了一个视频，晚上躺在床上不停地刷，一遍又一遍地看。然后想着下一步要给这个机器人做什么，要通过什么方式让它动起来。 我觉得很羡慕你，找到一件自己做起来那么快乐的事情，还把它变成了事业，真的是一种很幸运的状态。 世博同学有一个 B 站账号，上面有不少粉丝，也有人说你是年轻版的智慧君。你怎么看？ 世博 不能说是年轻版的智慧君。如果我们分别面向一个目标、一个任务，去做一款机器人，指不定谁可以做得更快、做得更好。 你和智慧君交流过吗？ 世博 我们还挺熟的，很早的时候就已经认识了。前段时间我还在问他要机器人。他看到小伴之后觉得我们做得很好，上周日晚上还让人给我打电话，约时间看看能不能在上海一起聊一聊。 在整个机器人行业里面，你最喜欢、最崇拜的人是谁？ 世博 波士顿动力的创始人马克·雷伯特。他 20 年前就开始做自主机器人，算是整个行业里面的先驱。 我播客也录过维大动力。你怎么看机器狗增加的陪伴性，和你们做的小伴增加的陪伴性之间的区别？ 世博 真正建立情感连接，还是得是类人性。你把一个机器人做得很像狗，它就越容易被一条真的狗比下去。 另外，我们也考虑到北京很多人的家庭面积很小。机器狗占地面积已经很大了，而我们这个机器人的占地面积只有 0.12 平方米，比扫地机器人的占地面积甚至还要小一圈。 以前大家会觉得你是“小小发明家”、小天才，现在开始创业了。你觉得从这样的一个发明，到做出一个让大家愿意花接近 1 万块钱购买的产品，中间有哪些不同？ 世博 太不同了。小小发明家，就像我之前做了那么多机器人，我的目的是什么？让自己爽。 但是作为硬件方，我们做这样一款机器人产品，还是要面向用户需求，让用户爽。 这里好美啊，这条路好绿。6 月份的北京还是挺不错的，今年夏天感觉也没有那么热。 世博 对，北京周边这么好，你平时会出来玩吗？ 之前北京周边有一个美食烤肉店，叫黑山烤房，我会去那边吃东西。它路上的景色也和这里很类似，两边都是山，有一种跑山的感觉。 我做公路播客其实还有一个想法：很多嘉宾都是创业者，尤其是做 AI 或者做技术深度比较高的，大家都还挺宅的。我觉得把大家拉出来，可能会激发一些在办公室里不会聊的话题。 世博 是。 你现在的团队已经 25 个人了，这是第一次创业，也是第一次带这么大的团队吗？ 世博 其实并不是。我在这次创业之前，还有一段参与创业的经历。我之前是高擎动力的产品合伙人，实际上当时他们的整个产研团队是我在带的。 那个时候团队多大？ 世博 当时大概 30 个人。基本上各个板块，包括机械、硬件、嵌入式、运控、感知，都是我在带的一些部门。 你的管理风格是什么样的？ 世博 我觉得我们团队的文化很明确：首先一定要务实，然后在务实的基础之上，干一些浪漫的事情。 你刚才说务实加浪漫，做过哪些浪漫的事情吗？ 世博 我们做这样一款机器人，本身就是很浪漫的事情。我们把这个机器人真正自主地做出来，让它站到大家面前。大家不会去想我们之前做了什么样的开发工作，而是会以一种很感动的状态去体验这个机器人。 你肯定很希望大家看到小伴之后能够一见钟情。你们做了哪些事情，让大家一眼就爱上它？ 世博 首先，我们这个机器人一眼看上去就是一个非常灵动、非常可爱的状态。 第二点，我们一定要摆脱角色预设和逗乐型互动逻辑。比如你说“小伴，你好难看呀”，小伴会泪汪汪地低下头，抱着自己的肚子，呈现出委屈巴巴的感觉。我们希望通过这样的方式，让你体会到这个机器人是有自己的意识和自主性格的。 所以你希望大家看到它之后的第一个评价是“你好可爱”吗？ 世博 其实并不是。“可爱”代表的只是外观层面。我们一直在讲的是生命力，希望大家给出的反馈是：“这个机器人好有生命力。” 只有这样，它才能真正成为你的家庭成员，而不是一个大玩具。 你希望它的用户群体是谁？ 世博 当前第一款产品，我们希望的用户群体一方面是中年女性。她可能现在没有男朋友，还没有成家，但是到了这样的年龄段，可能想体验一下养孩子。因为小伴本身就是一个养成系机器人，有性格的养成和变化，也有长期记忆。 另外一部分是有孩子的家庭，比如爸爸买给自己的孩子。其次可能就是像你这样的科技尝鲜群体。 所以你们做的时候，脑子里有 3 种不同的目标用户画像。 世博 没错。另外一点很重要，我们这一款机器人只面向情绪健康和情感陪伴，没有强功能属性。 我们现在在做的事情，管它叫两个基座能力：一个是家庭机器人的基座能力，另一个是情感交互模型的基座能力。我们把这两个基座能力加在一起，叫作机器人的生命力。 这里太漂亮了。这个地方一定很适合钓鱼、路亚。河中间还停着一只白鹭，就在正中间的礁石上。 世博 太美了。 做小伴的过程中，有什么好玩的事情是你现在回忆起来，觉得最快乐的？ 世博 我觉得最快乐的事情，是在小伴还没有实现自主移动的时候，同事带着遥控器和小伴出去，不停地跑。我们就在后面不停地追，跑很久，追很久。 之前我们聊到过情感大脑。当你说到情感大脑的时候，它是一个什么样的概念？ 世博 ### 家庭模拟器训练情感大脑 小伴的情感大脑，实际上是一个面向高阶决策的 VRA 模型。它和我们之前提到的、用于操作的 VLA 不太一样。 操作领域的 VRA 面向 low-level manipulation，而面向高阶决策的模型，输出的并不是对应的 action，而是决定我下一个时刻、下一个阶段要做什么样的行为。 你可以理解为，面向高阶决策的 VRA 和面向操作的 VRA，是上下游的关系，是机器人实现真正自主的上下游关系：一个决定要干什么，一个决定要怎么干。 可以举个例子吗？ 世博 比如这个机器人要把这杯水拿起来。它在高阶决策层面会判断：我面前有一杯水，现在需要把这杯水拿起来。这是“要干什么”的描述。 “怎么干”，就是具体生成每个关节的 action，然后真正把这杯水拿起来，和物理空间进行交互。 你们之所以不需要考虑“怎么干”，是因为小伴现在不需要干活，对吗？ 世博 对。我们希望率先解决的问题，是人机情感交互。情感交互更多是面向高阶决策。 但我们也不是只让情感大脑决定怎么干。我们其实还有动作专家模型，比如刚才提到的动作生成；也有语言专家模型，因为机器人有自己的一套语言体系。 你怎么看最近大家都说“VLA 已死”的论调？ 世博 我觉得说得很对。 为什么大家说 VLA 已死？基本上能够预测得到它的上限。那你怎么看 WM？它的天花板在哪里？ 世博 WM 是当前来看行业里面还算靠谱的一条技术路线。它到底能不能真正落地，放到操作机器人上去解决操作问题，我觉得很难说。 VRA 是隐式地预测下一个阶段的状态，而 WM 不就是把这种隐式预测的状态变成显式预测，再去训练吗？它们在技术原理上有没有更本质的差异化和区别，我觉得是存疑的。 怎么看 WM 呢？ 世博 我觉得它是一个合理的方向。实际上我们也在做一件事，叫家庭世界模拟器，它本身也是一个世界模型。 世界模型是根据当前的观测和动作，去预测下一个阶段的状态。它可以预测下一帧画面，可以根据当前的 low-level action，预测下一秒、下一帧真实物理空间的交互变化。当然，它也可以预测下一秒人的情绪状态和人的交互状态会有什么变化。 我们现在基本上已经完成了。包括刚才提到的快慢脑，1.7B 和 7B 的模型，已经是通过家庭模拟器生成的交互数据微调之后的效果。 之前还有一个非常有意思的结论，是用来对比微调前后模型到底有什么差异的。 当时我们问小伴：“你想不想出去玩？”最开始的时候，无论怎么问，它都是“想”或者“不想”。再往后，微调之后，这个模型会给出不一样的答案，它会说：“看你。” 按照小伴的话，就是“O、V”。 世博 好神奇。 你觉得这是怎么涌现出来的？ 世博 家庭模拟器会模拟非常长时间的主被动式情感交互。它可能理解到，你现在问这个问题，有可能是想让我出去，也有可能是不想让我出去。在这种情况下，我应该回答什么话呢？ 你们 25 个人的团队大概是一个什么构成？ 世博 我们实际上只有 15 个全职，实习生有 10 个人。我们的节奏确实非常快。 我也在想，为什么你们节奏那么快？ 世博 我觉得可以归结成几点：极致的热情、极致的效率，再加上我们之前几乎没有犯过错，包括在技术路线的选择上。 但凡选错一条路线，就可能在这个时间点，体验不到这样一个拥有完整交互的小伴了。 这听起来挺难的。 世博 包括我们做家庭模拟器，以及做了这套三层架构。行业里一般用两层端侧快慢脑，但是我们选择用三层来做。 我感觉做这个机器人对你来说还是挺轻车熟路的。 世博 我觉得是这样的。之前做过太多机器人了，所以对技术路线、技术细节，甚至技术边界，都非常了解。 很多年以前，我有一次在日本东京的 Sony Park，无意中撞见了那些机器狗主人的聚会。那一幕还是挺超现实的：大家很像一群养宠物狗的人，带着自己的宠物狗出来，坐在公园里面聊“你的狗狗怎么样”“我的狗狗怎么样”，然后互相逗对方的狗狗。 世博 LOVOT 也有这样的活动。之前我在上海门店买了之后，他们会邀请付费用户参加活动，我当时也参加了。 他们的用户都是些什么人？ 世博 我觉得还是比较精致的、更偏女性的一个群体。 那个活动上大家聊什么？ 世博 大家会给 LOVOT 穿各种各样的衣服，讲 LOVOT 在家里给自己带来的惊喜瞬间，讲怎么按照自己的喜好给 LOVOT 穿衣服，以及它给自己留下的印象深刻的细节，类似这些。 这对你们有什么启发吗？ 世博 当时比较大的一个启发是，我们发现那些天然接受、希望家庭里有陪伴机器人的人，为什么不养猫猫狗狗，却愿意养机器人？ 我觉得一方面，他们真的觉得这个小机器人有一定的活人感；另一方面，更多是他们生活方式的一种选择。想养一只小猫，或者养一个机器人，都是一种生活方式的选择。 我第一次看到 LOVOT 的时候，还是有一个反应。我对它说“来抱抱”，它做完之后，我自己都震惊了，因为我潜意识里做出了和对待一个小生命一样的动作。 世博 我觉得小伴也有点这种感觉。下一步还是要把机器人做得更轻一些，做到 10 公斤以内。 就像前段时间我养了一只小猫。你有没有想养小猫？ 世博 前段时间我带自己的小猫去医院检查，发现它有点多囊肾。我当时难受坏了，好一段时间都缓不过来。 我发现，后面它可能陪了我很长时间，却突然就不在了。很多养猫猫狗狗的人，最后的告别都让人很难受。 所以这可能也是大家想要陪伴机器人的一个原因。 这里的咖啡店好隐蔽，它在一座特别漂亮的山上。店主不是在这里做生意，他是来这里生活的。这里的空气还有一种槐花的香味。 世博 好香。 小猫为什么这么黏人，比我家的小猫还要黏人。 我们现在来到了怀柔一个像秘境一样的咖啡馆。我看到你的朋友圈签名叫“No Excuse for Engineer”。为什么是这个签名？ 世博 这个签名来源于我大一的一个工程制图老师。那个老师非常严格。有学生迟到进来解释原因，老师就说：“No Excuse for Engineer。”后来大作业老师给学生扣了分，学生去找老师理论，问为什么扣分，老师也不给解释，只说：“No Excuse for Engineer。” 我觉得这是一种很好的精神。你碰到问题，不要找借口，而是分析原因，下次不要再出现类似的问题。 这句话对我来说挺关键的。我做机器人做了大概 8 年，这句话也陪伴了我 8 年。 感觉这句话是对自己很狠。 世博 这不是狠，我觉得这是态度，是做机器人的一种态度。 但会不会遇到解决不了的问题？ 世博 遇到解决不了的问题，不是去找 excuse、找借口，而是去分析它的原因。 它虽然只有 4 个单词，但你越往后想，随着自己做的东西越来越多、经历的项目越来越多，就越会发现当年老师说的这句话非常合理。它教给了我一种做机器人的态度，这很关键。 你现在做的是陪伴机器人。小时候或者少年时期，有没有什么陪你一起长大的物品或玩具？ 世博 想一想。宠物，其实有一个。 泥鳅？这很不常见。是我理解的那个泥鳅吗？ 世博 是的。小时候家里买小鱼做饭，袋子里面刚好混了一只泥鳅。我就找了一个巴掌大的鱼缸把它养起来了。 其实当时也没有特别操心地养它，基本上就是隔段时间换一点水，喂一些饼干渣。就这样持续了好几年，它从刚开始的一点点，长到有拇指那么粗。 说到陪伴你长大的东西，为什么会想到它？ 世博 我之前也养过小猫、养过小狗，那些都是很温暖、很温馨的陪伴。我之所以想到这个泥鳅，是因为有一点后悔和愧疚。 小时候我在街上买了一条很漂亮的金鱼，用一个小塑料袋把它带回家。当时没有地方养，我就打算把鱼缸腾出来，于是把那条养了好几年的泥鳅倒进了一条水沟里。 它从鱼缸里面滑落的一瞬间，我其实就非常后悔，一直到现在。 那一瞬间它就跑掉了，是吧？ 世博 是的。虽然当时很小，但是印象很深刻。 它和你现在做的事情有什么关联吗？ 世博 那条泥鳅其实长得并不好看，黑溜溜的。我只是觉得，当时把它倒进水沟里，是一件不太应该发生的事情。 我们刚才在车上聊了很多，都是怎么做这个机器人，背后的设计思路、工程思路。如果问一个更私人的问题，你做这一切，是想要实现什么？有没有这样的愿景或者目标？ 世博 ### 哆啦A梦终将成为伙伴 谁不想让哆啦 A 梦走到现实里呢？谁说拥有哆啦 A 梦的只有童年的大雄呢？ 我想造一个真正能够陪伴我自己的机器人，同时它也能满足用户需求，让我把它推出去，让大家都用到。 我们今天最后一个问题，也是来自真格基金的佳琪，就是投资你这个项目的投资人。他想问：有哪些瞬间，在创业过程中让你觉得自己现在做的事情特别有意义？ 世博 前段时间拍摄的时候，有一个机器人和两个小朋友在草地上玩耍。实际上当时我们根本没有告诉小朋友应该怎么拍，两个小朋友就和这个机器人一起你追我赶地玩了起来，玩了很长时间。 导演都喊卡了，他们还玩了将近一个小时，一直跑到机器没电。 其实还有另外一件事。前段时间，我们的机器人真的以一个非常完整的形态站到大家面前。虽然之前我们每天都在测试，也体验过无数次，但那一次它以完整的形态站在那里，我觉得眼泪真的就不自觉地流出来了。 为什么会流眼泪？ 世博 感动、惊喜、满足、骄傲。 是你自己的眼泪。 世博 对。 团队看到你哭了吗？ 世博 当然不能让他们看到。 为什么？ 世博 我觉得那应该还是一个更欢快的、成就感的场景。 我上次看我女儿大班的表演，她跳街舞。街舞一开始，灯光突然“嘭”一下打到她们身上，她做了一个很有力量的动作，蹲在地上“啪”一下。当时我一下子也哭了。 我觉得很难形容，好像是它的力量，好像是它长大了。你会觉得它不再是一个小动物，不再是一个小 baby，好像一下子有了力量。 世博 没错，我觉得这个感觉差不多，我非常理解你刚才描述的感受。 对我来说，机器人可能就像孩子一样，后面它也可以成长成为我的伙伴。 今天谢谢世博同学，非常开心。 世博 感谢。 今天还有一只猫乱入了我们的播客录制现场。希望下一次录制的时候，我们把小伴带来。 世博 好，下次在这里的一定是小伴。 小伴和小猫。 世博 对。 好，拜拜。 世博 拜拜。