李丰
这一期《产业观察》是在一个特殊的场合下录制的。我们和我们的LP，也就是蚂蚁集团，包括它的投资负责人纪纲先生，组织了一次闭门研讨会，其中主要包括我们的一些被投企业、蚂蚁的一些被投企业，以及双方的投资团队。
在这个讨论会上，我跟纪总围绕智能硬件、数据，以及如何通过需求驱动所谓智能化的变化，做了一些闭门讨论。同事把这次讨论整理成了今天的播客内容，主要围绕三个方面：AI投资的周期和不同阶段的热点，以及为什么会有这些周期和热点；今天大家最关注的AI相关方向，背后到底缺的是算法还是数据；如果缺的是数据，以史为鉴，这些数据会从哪里来、通过什么方式获得。
如果数据是通过传感器在智能硬件上的普及获得的，那么新一代智能硬件到底是人们从来没有过的消费产品类型，还是已有消费产品的升级迭代？因为我们两个人很熟，本来也没有完全预期这会变成播客，大家可以把它理解成两个人在一个相对封闭的活动中进行的内部讨论，甚至是内部争论。
所以，这里面代表的都是个人观点。当然，也可能因为录制环境和场所的限制，有些地方不够清楚。大家肯定会有很多不同意见，也欢迎大家探讨、评论，提出不同的观点。
纪纲
今天可能还是以我捧哏、提问为主。因为我之前跟峰叔交流，每次都觉得能从峰叔那里学到很多东西。峰叔的思考比较有系统性，在产业前沿看得也很多。大家如果听过峰叔的播客，或者跟他聊过，也能感受到他那种滔滔不绝的风格。
对我来说，跟峰叔聊天就像打开了一个电视机，反正你只要换频道就可以了，但不用跟电视机交互。今天对我们来说是一个很好的机会，也欢迎大家来到蚂蚁集团上海办公室。
我第一个问题，想问一下峰叔，这个时代的智能硬件到底该怎么定义？什么叫AI时代下的智能硬件？因为智能马桶在我们家也摆了好多年，我还在用这些所谓通电的设备，或者有一点小智能的硬件，也已经很多年了。这一代的智能硬件到底应该怎么定义？
李丰
这是特别好的问题。先感谢蚂蚁愿意给我们提供这么好的场所，也感谢大家愿意抽出时间。
1. 从电子化走向智能化
回到刚才智能硬件的问题，中国为什么走到了这一步？这里有一个非常有意思的比方，我在内部经常讲：战后日本崛起到七八十年代的时候，正好赶上了一个技术区间。那时从电子管到晶体管，在半导体和电子器件上的进步刚好上了一个台阶，日本赶上了这个机会。美国后来赶上的原因，是美国限制了日本。
但我们回过头来讲，日本当时做的事情，就是把它掌握的相对先进的电子技术，能改的、原来不是电子化的产品都改成电子化。比如说，它把表从机械表改成了电子表，从上海牌手表变成了卡西欧、精工等等；它把钢琴改成了电子琴。我们还可以举更多例子。
这里面背后有两件事。第一，当时只是电子器件层面的小型化、规模化，以及能力的进一步进展，导致它能把机械的改成电子的，但当时还没有那么多芯片和传感器，所以它不能再把这些东西改成数字化。
我们打一个最简单、大家都能理解的比方：假定把当时的技术放到今天，它做的是把燃油车改成了新能源车。但如果再往下说，要装毫米波雷达、激光雷达、视觉传感器，以及车上的处理器，最后还能做判断、自动泊车和自动驾驶，当时是做不到的。所以它只能走到电子产品这一步，这就是它当时的能力。
另外半句话跟今天大家做的事情有非常大的关系。日本当时做的事情造成了两个结果。第一，靠这类东西卖遍了全球；第二，它一度被诟病产能过剩。
这个产能过剩是相对于什么而言的？本来能够买得起钢琴、上海牌手表或者海鸥表的人，按照全世界的人均GDP和收入算，是有限的。结果你突然把它们做成电子化产品之后，产量一下子变得很大，看起来明显供过于求。
但最后的结果是，到了八十年代，中国当时还比较穷。我上中学的时候，父母结婚，上海牌手表都是陪嫁。等我上初中后半期的时候，像我这样家里是老师的小朋友，也能戴一个电子表。我忘了当时是5块钱还是10块钱。
钢琴的普及也是这样。这句话的反面是：第一，日本通过这件事打遍了全球；第二，它一度被说成输出了过多产能。但实际上，它把单价打下来之后，使得这个产品在每1000个人或者每个家庭中的平均普及率，在10年之后比10年之前高了很多。比如，像我这样的人也能戴上手表了。
回到你刚才的问题。到今天来讲，比如两年多以前我说要尽量多投机器人，为什么要尽量多投这件事？因为它跟机器人背后的道理是一样的，跟当年的日本有点相似。
中国赶上了一次非常完整的制造业链条，尤其是硬件制造业。中国用了大概七八年时间，特别是从2018年之后，从华为、中兴之后的六七年时间，又做出了一个所谓芯片、传感器的产业链，当然也包括一部分计算芯片。
第三件事，虽然今天大家都说消费降级，但多多少少，中国是全球第二大，或者接近美国的商品消费市场。这里说的是物理产品，不是服务。你的流通效率肯定也是全世界最高的。蚂蚁也好，阿里也好，大概我们的互联网信息和商品购买的流转效率是最高的。
所以我们给它起了一个说法，叫“内卷市场”。内卷这个词，在有一本管理学的书里定义得更好一点：通过竞争达到饱和的水平和速度非常快的市场。也就是说，一旦有人做出一个创新，大家迅速就把这件事在很短时间内普及掉，它迅速达到竞争饱和的状态。
你把这四件事放在一起，就会产生一个问题：怎么把这四件事用起来做创新？另外半句话的背景是，你把这四件事攒齐之后，它会逼着企业做非常多不一定方向明确的创新。但你没有办法，因为用原来的东西已经搞不动了，只能想办法创新。
这其实也是国家创新阶段的第一个必然结果，因为你不知道要去哪儿。原来做模仿创新的时候，你知道要去哪儿，知道要学谁，知道要做成什么样，只是做得更便宜。
现在的问题是，有很多东西你已经不知道下一步要做什么，但后面又有非常多人在卷你，所以你只好把这几件能利用的事情重新连一遍，连出一条新线。这个结果可能有的对，有的错。
一个国家创新的第一个阶段就是这样：你没有办法，它就是一个偏内卷的市场。当然，内卷有坏处，会影响研发成本投入。但它同时也是一个有很多零散创新的市场。零散创新的结果，就是利用原来的产业链结构，把产业链分成纵向和横向，最后变成我们今天讨论的话题。
放到今天，中国跟八十年代的日本简单来讲，最大的差别是多了四个要素。日本当时有一个快速增长且内卷的国内市场、完整的产业链和制造链，并且相对赶上了一次电子器件升级，更快掌握了更好的技术。这几件事的迭代，使它在那个时候把机械的改成电子的。
中国今天是把电子的进一步改成数字化和智能化，同时把原来不电子的东西，比如吉他，也改成电子的。在这个基础上一边卷内部市场，一边卷外部市场，最后卷到外面的所有人都变成了全世界的第一名。这跟当年的日本是一样的。
李翔
2. AI硬件分成三条路线
我在想刚才峰叔讲的这段话，但还想继续追问一下。你刚才讲到国内市场的需求增长，以及中国产业链的完整性。坦白说，这都是过去20年、30年积累下来的渐变过程，不是这一刻才发生的。
但我们看到，今天所谓智能硬件的爆发，其实是这两年更加突出。为什么在产业链前几年已经相对完整的情况下，这个机会没有更早出现？
因为做投资，我们很多时候还是希望搭一个思考框架，不一定对，但至少先搭出来。这个框架里可能包括：从我的视角看，今天的硬件包括所谓AI相关的硬件。那么，AI作为这个时代最大的技术变量之一，到底驱动了哪些硬件？真正AI原生的硬件出现了吗？
我自己其实有一点判断，后面也可以再讲。我们看到了一些所谓AI原生带来的数据增量方式的变化，比如AI Pin。但真正全新的硬件比较少。
还有一类，是适合做AI载体的硬件。比如眼镜，今天的眼镜不管是显示设备、交互设备，还是采集设备，都可以成为AI的载体，也会发生一些变化。还有很多AI陪伴类硬件，也可以成为一种载体，但这类硬件又很容易跟传统玩具放在同一个大类里。
还有一个大类，就是刚才峰叔讲的，现在观察到更多的智能硬件品类，可能是出海的消费品，或者不一定完全是消费品，但至少是出海的硬件。
如果从投资视角来看，这三类硬件的估值体系完全不一样：AI原生的智能硬件、AI陪伴类硬件，以及出海类硬件。AI驱动的硬件，今天还需要教育消费者去认知这个产品，量肯定很小，但大家看到了它的潜力，认为它可能拿到一个很大的市场增长，所以可能会给一个较高的估值。
但消费品这一端，尤其是最极端的出海消费品，拼的可能就是供应链，以及市场营销和渠道。刚才讲的三大类混在一起，我不知道从峰叔的视角看，应该怎么把它们区分开？还是说，只要符合你刚才讲的几个要素，你们都会看、都会投？
因为那些要素排列组合之后，可以产生很多很多不同的东西。
李丰
我先回答你最后一个问题，然后我再问你。符合这些要素的东西我们都会看，因为我觉得从这些要素正推出来，交集里到底有什么，其实很难。这是我做投资一直很痛苦的地方：你能正推出来应该具备什么特质，但正推不出来，具备这些特质的东西最后到底会长成什么样，也不知道会是谁。
所以，只要有50%到70%以上这些特质的东西，我们都会投。但你的问题，我们先问第一个：你们过去半年投了比较多的项目。大家现在还会频繁使用DeepSeek吗？
3. 规模法则正在退潮
为什么在过去半年，大家不太关注和提及大模型本身，以及大模型公司的变化？还有一个衍生问题：为什么一年半以前所有人都在提scaling law？这是专门为大模型发明的词，但现在也不太有人提了。为什么没人提了？
纪纲
我不知道自己是不是最适合回答这个问题的人，但可以稍微多说两句。我们的确是在国内大模型起来的时代，比较早投了Kimmy、智谱，后来多模态模型也投了一些公司，然后一直在找应用公司。
理论上来说，我们当时有一个认知：大模型本身不一定是一个应用。它可能更像一个升级版的搜索引擎，因为大家的交互习惯是一个框架。
现在有一个很有意思的数据，不知道大家有没有关注：国庆期间，OpenAI在Dev Day上提到，它现在是一个周活8亿的产品，但用户使用时长只有17分钟。17分钟是什么概念？可能只是略长于传统搜索引擎。
所以今天用户的认知，可能还是把它当成一个更好用的搜索引擎。但如果大家看了这次Dev Day，它发布的三个东西，我觉得是在底层追求AGI的技术层面之外，展示了OpenAI的商业决心。
这会不会使大家未来重新关注大模型？如果大模型简单来讲只是一个框，是一个升级版的搜索引擎，那么用户的新鲜度过去之后，特别是普通用户的新鲜度过去之后，大家确实就不会再谈了。
但这次它发布了Apps SDK，把已经做好的东西放进一个框架里，你可以把信息反馈给它。第二，它发布了AgentKit，所有还没有解决的问题，创业者都可以在它的框架下去开发和解决。第三是Codex，很多人说Codex是写代码、写程序的，但我更多地认为，它是用来解决更长尾问题的。
有些问题解决不了，它可以现场给你写一个，而且效率很高。所以，当它把所有用户需求都放到自己的框架里解决之后，它要做什么？
我们展望一下两年之后。假如OpenAI能通过逐步的技术进步和用户积累，变成一个日活8亿、每天使用时长两小时的产品，那时候的问题就不是谈不谈大模型了，而是它能够解决更多问题。
如果它把市场上已经解决得很好的问题、正在解决但还没有解决好的问题，以及未来可能被个性化发掘出来的需求全部解决，那它就有可能变成这样一个产品。到那时，消费者自然会重新谈到大模型，但谈的也许不是大模型本身，而是它所使用的产品。
OpenAI拥有的是什么？是所有用户入口，以及用户对所有这些产品的共同记忆，再把这些记忆分发给相关产品。假设这件事在消费者端解决了，那么另一端的问题就是，为什么投资人最近也不谈大模型了？
我的看法是，大模型的竞争已经进入了深水区。现在剩下的参与者，不管是最近DeepSeek发布的DeepSeek的OCR版本、千问的进展，还是蚂蚁最近发布的一个万亿参数产品，今天它们的进步看起来没有那么明显地在消费者端显现，实际上是因为竞争进入了深水区。
这种智能领先程度，就好像今天峰叔比我聪明，但峰叔到底比我聪明1倍还是100倍，已经不重要了，因为他已经比我聪明了。
所以，今天更多人的观察是，它已经达到了平均人的水平。但这个水平一定要惊艳到100倍吗？100倍可能已经不是大部分人能够感受到的了。
我自己归纳，消费者是一侧，投资人或者研发人员是另一侧。大家不再谈大模型，可能就是这个原因。
李丰
没有得到我想要的答案。这个问题本来就是你挖的坑。
大家不谈的原因，是因为没有更高级别、公开可用的不同类别数据了，很难再沿着同一条路继续进步。就像我们原来讲scaling law，既有数据问题，也有算力问题。
我们先不考虑算力，反正英伟达还在不停地涨估值、不停地涨。你要是朝我眨眨眼睛，我就主动跳进去。数据不够的问题，跟我们今天要讨论的事情是什么关系，我一会儿再讲。
4. 具身智能进入泡沫期
先把这个问题跳开一下。你们也投了，我们也投了，大家都投了非常多不同方向的具身智能机器人。
从投资行业观察这个世界，两年半以前大家热的是大模型；一年多以前，准确地说是一年前，大家开始热具身智能机器人。这个方向在中国偏热一些，美国偏热的则是Agent，也就是用大模型做各种各样的数字化应用。
这件事有很强的国家属性，也很合理。美国没有制造业，所以它偏热、偏软；中国既有制造业，也有传感器，既要搞科技，又要做AI，所以我们偏热、偏硬，热的是具身智能机器人。
这也是为什么具身智能会被写进今年的两会报告。现在机器人当然还在讨论，但融资新闻已经少了很多很多。美国对Agent的讨论也已经比一年半以前少了很多。
我的问题也是一样的：第一，为什么美国在一年半以前热Agent，而我们热机器人？大模型之后，大家为什么分别热了这两个方向？第二，为什么这两个方向现在也没有那么热了？
它们仍然在讨论的话语体系里，但从新融资以及被关注的新创业公司的角度看，数量级都已经下降了很多。
纪纲
听起来又像一个坑，但我尝试先跳一下。的确，我们投了一些具身智能项目。坦白说，我们之前投了8个，最近可能在投2个，但我感觉也就是这个数量级了。
我觉得这个泡沫比较严重，这一点大家都能观察到。很多公司的估值一年涨了5倍，但实际上没有实质进展。
李丰
我今天要的就是这句话。
纪纲
没有观察到实际进展。
李丰
5. 机器人还不会操作
这是你刚才成功地朝我眨了一下眼。好，所以我再问一个问题。这个问题其实有一个“但是”，不过你先说完，我待会儿要把这个“但是”说出来。
你有没有办法简单抽象一下，今天那些能够被观察到有进展、用来演示的人形机器人，不管它们具体做什么，只要拿出来演示就能让大家眼前一亮的那些方向和动作，主要是在演示什么能力？
第二，我们原来认为它们应该有下一步进展，但今天看起来，进展还没有像大家预期的那么快到达。到底是什么阻碍了这个进展？
纪纲
我先回答第二个问题。很难想象一个行业在基础算法、数据采集，甚至本体技术路线都还没有收敛的情况下，就直接走到产业成熟。我觉得这是不可能的事情。
如果这些问题不逐步解决，机器人产业很难走到下一步。但反过来，我刚才讲的“但是”是什么？就像自动驾驶一样，2015年、2016年，自动驾驶创业公司可能有200家，今天跑出来了几家，但仍然受L2+法规和各种技术影响，还没有真正占到产业的大红利。
你说最后会不会走到自动驾驶？一定会。机器人也是一样。今天有太多问题没有解决，这只是阶段性的泡沫。
我刚才讲的“但是”是：我认为，15年之后，机器人一定会成为一个比电动车加自动驾驶更大的产业。我的判断是，全球所有中产家庭，最终每家一定会有1台到2台机器人，这件事的确定性很强。
要不然，我们不会在两年半以前跟同事说，要“尽量多投机器人”。但最大的问题是，这个行业的起伏和波折可能还会非常剧烈。我觉得现在也许有80%的公司都会被淘汰。
再回答你刚才第一个问题：机器人到底在演示什么？我觉得主要是本体的运动能力，但也只是部分本体运动能力。
本体技术路线最终至少要解决运动速率的问题。不说比人快，但我觉得要非常接近人的速度。可我今天看到的技术路线，包括算法和各方面能力，我觉得这一步不是几年之内能解决的。当然，我可能比较悲观。
纪纲
如果你回过头来看，不点具体公司，今天所有出来演示的著名公司，演示的内容几乎都是纯粹的运动能力。你想一想，不管是跳舞、翻跟头、踢腿、踢足球、跑步，还是运动，它们全都是运动能力。
李丰
虽然大家今天都叫它人形机器人，或者具身智能，但今天大家认为进展比较好，或者所有人演示的，其实都只是运动能力。
那大家什么能力没有被演示出来？就是人的其他能力，比如我们讲的操作能力。
一年以前大家拼命投资的时候，对于怎么解决操作能力这个问题，给出了不同答案。有的人认为，把大模型挪过来做一个“大脑”，就可以解决操作问题；有的人认为，用更多视觉数据，也就是所谓VLA，通过广泛可获得的视频数据进行采集，再用于泛化训练，就可以解决一部分上肢操作问题。
我相信这种方式有一定能力，但最后你要的是操作的鲁棒性和精准度，我猜可能还是有问题。
打一个大家都熟悉的比方：人的大脑肯定非常复杂，大家长到今天这个年纪，也都有一些不同的操作技能和技巧，甚至有自己的爱好。
假设你是一个极其忠诚的足球迷，把周围人群中最多的足球比赛都看过，对所有技术动作、裁判规则和细节都了如指掌，但你不是足球运动员。你上场之后，能不能达到半职业水平？
我想肯定没戏。要是只看比赛就能做到，那我早就是羽毛球冠军选手了。
这句话重新翻译一下：视频数据可能能帮你一点忙，但应该不太可能让你只通过观看就真正完成操作，尤其是涉及协调控制、操作准确性、时机，以及具体动作的处理和规划问题。
所以，刚才的问题其实都涉及数据不够。我们把刚才所有问题串起来，我想要的答案是这样的。
我们之所以有大语言模型，是因为互联网文本积累了40多年。今天通过算力、数据和算法进步，才得到了大语言模型。大家忘了，大模型最早全都叫大语言模型。
今天数据不够，原因是什么？你还想要别的数据：多模态数据、更多视频、更多照片，以及更多其他环境数据。但这些东西暂时没有像文本互联网数据一样积累50年，所以大家在这里都碰到了数据问题。
机器人也是一样。我们能让它走，是因为纯运动能力从工业机器人开始，就已经积累了很长时间。从在一个位置上不断做运动控制，到手臂按照什么角度落下、按照什么角度操作、双臂如何协同、怎么按照执行规定的路径运行，再加上电机和控制技术，这些事情我们大概已经做了三四十年。
中国在2013年就已经是全世界工业机器人的产销第一名。从八十年代日本和欧洲从美国引进机器人开始算，大概也做了三四十年。随着电机和运动控制的进步，再加上算法突破，包括所谓强化学习，我们今天才把机器人的运动能力做得比较好。
但回过头来，今天要做操作，你需要什么？就像大家讲的，你需要物理模型、物理量、环境数据和环境建模。但这些数据今天并没有。
再举自动驾驶的例子。15年前，自动驾驶经历了第一轮巨大的泡沫，那也是人工智能泡沫、AI泡沫。大家当时都说自动驾驶一定很快就会普及。
今天按照国标允许宣传L3，以前只允许宣传L2，所以国家对智能驾驶能够宣传到什么程度设定了上限。自动驾驶需要什么？需要环境数据，需要把整辆车的状态数字化：它处于什么驾驶状况、此刻的速度是多少、在哪条车道上、周围车辆是什么状况、驾驶员是什么状态、车里有几个人、载重多少。
这些东西也只是刚刚能够被数字化。我们在这个基础上迭代，虽然10年前大家就认为应该达到L4，但到今天，我们大概也只允许宣传到L3。
我原来经常用一个例子。自动驾驶里面大概分成三波人：第一波是特别懂算法的人，这一波现在只剩个别人；第二波是有算法能力，同时能够把技术落地、嵌入车厂的人。
这里面一直有一些做最贴地气应用的公司。自动驾驶本来就是一个递进的过程：要么限制使用环境，要么限制使用条件，否则不可能一下子到L4。
如果把环境和条件限制住，也许可以做到L4；如果开放环境、开放场景、开放路况，那不可能一步到L4。
所以我经常举一个例子：做最贴地气应用的公司，在自动驾驶里从第一天开始融资可能一直都是最后一名，但每一轮都融到了。那家公司叫新石器。
新石器不声不响地做封闭园区里的送餐和百货用品配送。它不是最高大上的公司，但每一轮自动驾驶热潮的最后阶段，它都能融到一些钱。
本来我说这个公司不声不响，每一轮都还不错。结果前两天它融了一笔42亿元的钱，所以它也不再不声不响了，变成了前排公司。
简单来讲，你只能让它在非常垂直的场景里做一些操作。你要想让它进入开放环境，今天最大的问题跟大模型的问题是一样的：它没数据了。这是我的结论。
从这一轮大模型，到机器人的上肢，再到未来大家想要的更多智能化产品，从这一点到将来那一点之间，最缺的一件事，就是除了文本和图片之外的无穷多数据、无穷维数据。
这些数据包括环境是什么样、人是什么样、人的情绪是什么样、人的具体操作是什么样，以及物理接触产生了什么样的结果和数据。这些东西今天缺得太多，所以完全没有办法跳步进行。
纪纲
我来把问题拉回来。原来诞生大语言模型、诞生机器人运动能力，以及诞生自动驾驶L2、L3的这些技术能力，它们的数据到底是从哪里来的？怎么产生、怎么积累，最后又怎么被使用起来？
这些数据是如何积累的，以至于诞生了大语言模型、今天的locomotion，以及今天的自动驾驶L3？
纪纲
我感受到峰叔的电视机频道又要调回来了。因为坦白说，具身智能、自动驾驶、大模型，都是可以让峰叔畅谈一个下午的话题。
李丰
这个问题我先不回答，还是回到智能硬件。我想直接问你：这些事情大家都有共识，而且也足够复杂。自动驾驶不用说，具身智能也有太多问题没有解决。
但智能硬件看起来很多，你刚才也讲了产业链和数字化的优势。那为什么今天要投这类设备？比如，我们最近在看很多所谓能够产生新数据的设备。
纪纲
这本来就是我下一个话题：该怎么定义新产生的数据。
李丰
因为主持人在朝我暗示，所以我想，要不然就先跳到下一个话题。
李翔
6. 消费传感器制造新数据
我直接回到频道上做一个总结。刚才我问的三个问题，是技术能力和数据如何产生。它们全都是靠一些普及化的新传感器进入消费者手里，使得足够多的人帮你把它变成数据。
简单来讲，在文本上，是因为有PC、键盘，尤其是键盘和鼠标的组合，让你把脑子中和心里的文字变成互联网上的文本。
当然也可以说，因为有特斯拉这样的企业，在消费者级汽车上装了很多摄像头和高频毫米波雷达，虽然它没有装激光雷达。中国也有很多在2015年之后卷进来的造车新势力和新能源汽车，把这些东西装在消费者级产品上，才产生了驾驶过程中的数字化状态，也就是我们说的数据。
大家在这个基础上，才开始做到今天的L2。最后一个问题，是有大量工业机器人场景、产线、控制系统和电机技术积累，在这个基础上往前推一步，才有了今天的locomotion加算法，也就是今天运动能力的进步。
这个答案也很简单。从今天到明天，我们想象中用大脑就能解决问题，但历史已经证明，只用大脑不能解决。我们的常识也证明，我只看羽毛球，不会变成羽毛球3.5级或4级运动员。
我得下去，一边看、一边打、一边学、一边想、一边练、一边调整，最后才能变成那样。我也缺数据，我缺的是训练数据，不缺看电视的数据。每一场公开赛我都看。
回到今天，从A点到B点之间，只从数据角度看，我们缺的是无穷多的、由消费者级产品搭载新传感器产生的数据。
为什么会有抖音？因为苹果、华为等公司把摄像头和相关传感器普及了。为什么会有外卖？因为它们把GPS这个传感器普及了。为什么会有微信？因为它们把麦克风阵列，以及高清语音和图像识别相关能力普及了。
你才有了今天的微信，才有了今天的抖音，也才有了所有跟外卖相关的业务，不管是阿里还是美团。我们从零点到A点之间，靠的就是这些被消费者化的传感器。
消费者不会为了买传感器而买传感器。他买的是一个产品，只是这个产品恰好装了传感器，于是自然地把消费者需求转成了数据。
当这些数据足够大，消费者级传感器足够普及之后，你才有了可用的数据；在这个基础上做算法和算力，最后才得到技术进步。
机器人要跟全世界交互，要跟物理世界交互；我们的Agent也想要各种各样的数据，去处理各种各样的问题。今天所有多模态大模型都想要更多不同类型的视频和照片，来解决生成问题。
但中间缺的那一大类，是无穷多的数据。比如，机器人生成俯视的航拍数据很难，因为过去俯视航拍的无人机还不普及。如果未来真的变成每个人手里都有一台可飞行的设备，那么各个角度、各个维度、各个速度的数据就会多起来。
从今天到明天，技术进步想要的东西比原来多太多了。所以今天到明天之间，缺的是无穷无尽的、搭载传感器的新消费硬件，它们可以收集无穷无尽的更多维度的数据。
这不只是数字、图片和文本，而是人的情绪、语言、状态、体征，环境的状况、环境建模，以及人与环境互动时产生的变化，还有无穷多的物理量。最后，才会进入下一步，变成我们想要的科技、算法、模型或者多模态模型。
李翔
7. 技术发展不必按顺序
我抬杠的心又起来了，必须抬个杠。我觉得这里面可能还是要讨论一下因果关系。
就像当年美国登月，肯定不是等到所有技术都出现之后，等到埃隆·马斯克把猎鹰做好，先去了地球同步轨道，所有问题解决、空间站建好之后，下一步才登月。
当年登月可能就是一个竞争性的选择。苏联人先发射了卫星和宇宙飞船，美国就定了一个其实不可达到的目标：我要登月。登月之后，反过来带动了很多技术发展。
这纯粹是抬杠。我觉得峰叔甚至不用回应，但我想表达的是：如果从某个视角看，我们把智能硬件的产业链，包括传感器和用户行为数据的采集，最终都导向具身智能，假如具身智能是终点，那么把中间这一环补上当然是正向结果。
但这件事也许不一定严格按照顺序发生。也可能有人直奔AGI、世界模型，或者具身智能的最终形态去做，反而在这个过程中带动产业发展，外溢出很多技术，让今天的智能硬件得到更好的发展。
纪纲
我觉得这里并没有这样的因果关系，但我非常理解你想表达的意思。也就是说，如果大家认可具身智能是终点，那么今天首先要把中间这一环补上。
我理解峰叔的态度是这个，这一点我部分同意。但我觉得，这并不妨碍大家一定要把中间环节补齐之后，才能奔着具身智能去。它其实是一个相互作用的过程。
我刚才从机场过来的路上，还听了一个关于神经手环的节目。我问，硬件有什么进展吗？对方说硬件没有进展，所谓电极这件事没有太大变化。
我问，那是什么发生了变化，以至于Meta要做这件事，你们也要做这件事？他说，是因为有了算法之后，可以在采集到的无序电极数据和人类可能做出的有限规定动作之间建立关联。
也就是说，在很短时间内，可以直接在手表或腕带上算出来，你做的到底是这个动作、那个动作，还是另一个动作。算法当然有帮助，芯片也有帮助，但本质上，做腕带的另一个原因是，你还没有办法直接利用手上的动作。
你没有办法拿手做一个控制器，去替代鼠标。为了用手来做控制器，你得先增加一个新的智能设备，也就是神经腕带，先收集和采集这样的数据，然后才能进一步实现手一挥、屏幕就跟着动。
8. 技术投资经历三波浪潮
李丰
回到最后一个问题：怎么定义消费品？我们刚才分别从国家和产业链、从数据层面讲了一遍。为什么中间需要这么一大堆东西？其实还有一个话题，就是从投资周期来看，技术投资有一个非常典型的规律，每次都是这样，智能驾驶也是一样。
第一波投的是技术变革本身。第二波投的是技术最有想象力的事情。以大家熟悉的大模型为例，先投大模型，等大模型没那么热，或者格局已经形成之后，大家投的就是大模型里最有想象力的方向。
为什么是Agent？因为大家一想，大模型一出来，AGI一实现，Agent就可以替代人在计算机和数字设备上要做的所有事情。这当然是想象力最大的事情。
为什么投机器人？因为机器人也一样。将来所有物理世界的事情都交给机器人，数字世界的事情都交给Agent。这两个显然都是想象力最大的挑战，但也最难落地。这是硬币的两面，否则它就没有那么大的想象力。
然后第三波，就轮到既能用上科技，又能证明需求，最好还能赚钱的项目。比如自动驾驶，先投最强的算法团队，再投跟主机厂有关系的公司，最后投已经装到机器上的公司。
不管是港口的车、园区的车，还是像特斯拉这样自己使用的车，它们已经开始用上，也已经开始赚钱。每一个技术周期的投资一定是这三轮，不会中间少一轮，也不会多跳一轮。
所以，接下来或者正在发生的，就是大家开始进入第三波。
李翔
9. AI产品必须服从需求
回到我最后一个问题：在有科技进展的时候，怎么去找它在消费端的应用？
这里面对于投资人来讲，最大的两个问题经常会让人判断错误，我肯定也是一样。到底是按照技术进展，去找一个最能交付技术能力的产品；还是从消费者需求端出发，找一个比今天使用的产品好一点的东西，只用上一点技术？
也就是说，这是一个永远的争议话题：今天的AI产品，到底要在最AI的层面定义一个用户产品，还是要在最用户需求的层面，比原来使用的科技产品多一点AI，用AI去赋能和提升？
李丰
这个问题正反两面都可以有答案。作为投资人，更多关注的是你在什么阶段进入一家公司，以及有什么机会退出。
但这个话题在峰叔身上可能特别有意义。大家都知道，峰叔是Insta360很早期的投资人。Insta360当然是一家非常创新的公司，但更多表现为你说的后一种路线：把一个原来用得不太好的场景、一个不太好的产品，做得更好。
但在它稍微早一点的时代，比如大疆。大疆发现、或者创造了一个新品类。当然这样说不一定准确，但我觉得它基本上是发掘了一个新品类。
假设我们回到10年前、12年前，让峰叔选择：大疆和Insta360只能投一个，钱只够投一个。你会用刚才自己的选择标准，去找一个技术颠覆性的产品，还是找一个把产品做得更好一点、能够赚钱、能够满足用户需求的产品？
李丰
这个例子其实没问题。他们两个本质上完全一样，只是大疆早几年而已。
他们为什么完全一样？本质上，都是计算机、计算机算法或者软件相关背景的人，利用中国的制造业产业链，把原来不可能进入消费级的产品往下降半格。
大疆赶上的事情是做飞控，而且飞控做得好。它用中国的制造业产业链，把一个原来军用的东西往下降半格，变成专业使用者可以使用的产品。
最早的时候，专业使用者也只有国外那些买得起的人。Insta360的创始团队是做图像拼接软件技术出身的，第一年就只做这件事。
后来他们发现，在2014年的中国，即使有第一波VR，因为那时候Facebook刚买了Oculus，光靠图像拼接技术也赚不到钱，所以他们把公司从南京搬到了深圳。
他们按照中国的制造业产业链，把图像拼接技术和大疆的飞控技术结合起来，或者说，把飞行控制能力用到中国的产业链上，变成了新的全景相机或者运动全景相机。
由于当时的消费能力，它们首先还是面向欧美消费人群，因为GoPro已经教育了市场。在这个基础上，两家公司都做起来了，和电子琴的逻辑很像。
你想，原来在中国八十年代、九十年代，什么样的人家才能让孩子学钢琴？那简直是凤毛麟角。有了电子琴之后，一个中产家庭在九十年代就可以让家里的孩子学电子琴，或者说接触钢琴。
它们做的事情是类似的：用中国的产业链能力，加上当时的软件能力，把一个原来高等级的消费品往下降半格。
随着中国的能力越来越强、消费市场越来越大，赚钱的正循环建立起来之后，它们又往下降半格，进入半专业级别。今天又往下降半格，进入大众消费品级别，大概就是这样。
所以回到你刚才的问题，它们本质上是一样的：用产业链能力，把一个原来不可能进入消费级的产品往下降半格。
当然，那时候的消费者是专业用户，但今天再降两次之后，它们就变成了纯消费品。
纪纲
但我还是想问一下眼镜的问题。最近我对眼镜特别好奇。
眼镜不是原来只有专业用户才能戴的东西，它本来就是每个人都会戴的设备，只是功能比较单一，让大家看得更清楚。
但今天有人在眼镜上朝不同方向做：有人把它作为显示设备，让观看更加沉浸；有人把它作为辅助显示设备，提供一些单色提示；还有人把它和AI结合起来。
因为这个设备得戴得足够舒服、足够轻薄，但今天不管是算力、续航，还是其他方面的问题，都还没有解决。所以不可能把所有功能都放在里面，采集、显示和交互也不可能全部放在一副眼镜里。
这一类产品，是在原有产品上不断叠加功能。还有另外一条路，我刚才也提到了一类胸前设备：今天妥协一下，不能在人最好的第一视角上做采集设备，那就把设备挂在胸前，视角差一点、画质差一点，但可以解决续航问题，也可以满足最初的采集需求。
为什么我对采集这件事很感兴趣？我们在内部讨论过一个“三个8小时”。
晚上睡觉的8小时会产生大量数据，但没法交互。以前另外8小时是你的工作时间，不管是跟设备还是跟PC，基本都被占满了。
今天有了AI之后，我经常跟同事说，如果AI想做一个更好的打车软件或者更好的外卖软件，机会其实很小。它们虽然不是上一代AI驱动的产品，但实际上已经通过算法把事情解决得非常好了。
还有8小时，比如我们两个人对话的过程中，设备可以放在那里进行采集，但传统上这是非常高难度的。会不会出现一种个人设备？有了Pro这样的产品，谈话就可以很轻松地被记录下来。
或者有没有一种影像设备，可以把我跟峰叔谈话的全部过程采集下来，还能分析你的表情。比如你现在在吃小手指，这代表什么？你是在思考吗？
如果它连接到我的耳机，可能还会提示我：“峰叔现在在思考，你下一个问题一定要怎么问。”要不然他可能心花怒放，或者永远也答不出来。
我那天跟同事讲，下一个产品就叫“人生作弊器”。什么意思？比如面试的时候，我有一个设备，可以看到面试官的表情，知道下一个问题应该怎么回答。
所以我在想，这类设备会不会成为下一代采集加交互设备的主流？当然，最终的大Boss应该还是眼镜，但今天可能受续航等因素限制。你怎么看？我们特别感兴趣，因为觉得这里面有增量。
李丰
这个问题，我们在不同场合讲过一次，也做过一期播客。
我同意，眼镜肯定是最终的一类大设备。最终回过头来讲，我们前面一个小时里有一句非常重要的话：如何让消费者不是买一个传感器，而是买一个产品？
消费者不会为了买传感器而买产品，他一定是为了买一个产品、解决一个需求。所以，不要从数据层面定义需求，而要从需求层面定义产品，再得到数据。
这句话听起来很拗口。你不能因为我们缺环境交互数据、缺物理量数据，就定义一个采集设备，然后说：“这个东西一旦普及，我不就能拿到最多的物理量数据，再把数据卖给机器人公司，赚很多钱了吗？”
这是投资人的想法，消费者绝对不会这么做。消费者只会因为你给了他一个好产品而购买。
举一个大家都熟悉的例子：大家都说要做下一个iPhone，成为这个时代的引领者，成为乔布斯，自己定义一个消费者级产品，像当年的苹果和后来的苹果手机一样。
但苹果手机之前先有了iPod。在iPod和苹果手机之间，还有黑莓和Palm，让消费者先尝试把手机智能化、联网，联网之后做一些事情。经历了这些产品之后，才有了苹果手机，而且苹果手机也要到第三代，大家才开始认为它是一个好手机。
iPod之前，还有中国教育行业的MP3。大家先要养成戴耳机、拿一个小设备听音乐的习惯，然后才有了更好的设备iPod。
在Palm和黑莓之前，还有摔不坏的诺基亚。这些事情很难跳步。你不能说，在没有Palm、没有黑莓之前，直接做一个苹果手机。即使你是乔布斯，那个时候芯片也不够好，消费者也很难直接被教育来购买这件事。
所以眼镜最终会成为一个结果，最终可能会成为像iPhone一样的设备。但今天是不是已经到了销售iPhone的时刻，这就是问题。
我会投什么样的中间态产品？简单来讲，有两类：要么取得多维度的人体数据或者多维度的环境数据；要么通过视觉取得多场景、多状态、多情绪的数据。一类来自传感器，另一类来自镜头。
其次，最好设备端能够容纳芯片。这样端和云可以结合起来做算力，完成后面要做的事情。当然，端上有芯片也会带来功耗、尺寸、体积和成本问题。
最好它能在这些因素齐备之后，从数字化迭代到智能化。这句话很重要。
回想刚才的问题，因为你取得的是新数据，所以没有设备可以一上来就AI原生。尽量不要一上来就AI原生，而是先利用需求把产品做成数字化。
把刚才说的几个维度叠加起来，什么叫数字化？就是像特斯拉一样，先想办法把传感器装进去。装进去之后，把你开车的习惯、开车的状态、行驶路线、平时走的路况，以及周围环境全部数字化。
达到一定程度之后，再通过端上和端云结合的方式去做智能化。什么是智能化？就是让这件事进一步变成个性化。
不可能第一步就AI个性化，因为你面对的是新的维度、新的环境、新的需求和新的场景。我认为那是一个投资人容易买的故事，不是消费者愿意接受和感受到的故事。
所以它应该先做数字化。等到最后交付个性化时，又会遇到时延、场景、带宽和连接性等问题，所以最好产品里面能够放一块芯片。
大概就是这样的矩阵。在这些交集里，不用着急迭代。就像我们讲陪伴玩具一样，不要急着迭代，先把消费者需求做好。
今天大家才争论几千万像素的摄像头，但过去我们使用的诺基亚、摩托罗拉手机，全部都有后置摄像头。没有人没有后置摄像头，只是在那个时候，绝对没有人用后置摄像头来拍任何东西。
为什么？因为像素低、带宽传不了、拍出来看不清楚，也找不到更多用途。到了iPhone之后，不管是200万像素还是300万像素，能让大家先把摄像头用起来，这件事就已经很厉害了。
用户用起来之后形成了习惯。你再做一个云端，让用户把照片存到云上，让他离不开你，道理也是一样的。你不能一上来就做一个极限摄像头，那可能会有挑战。
纪纲
完全同意。但云端我觉得是可以的。
我跟同事讨论时说，OpenAI找立讯精密做硬件，迟早会做一个Plaud。因为它的数据量不够了。这个东西最大的好处，是可以拿到无数多的文本数据，因为它是语音转写过来的。
对OpenAI来说，带场景、带上下文的文本数据非常好，正是它想要的数据。所以我猜，最终它一定会定义一个极其便宜的Plaud，甚至硬件可以不要钱，只要数据。
李翔
10. 个人数据成为新矿山
我最后都抬到这个程度了，确保我们下次再聊的时候有话题。我还是要稍微抬一下杠。
过去睡眠是一个非常主观的东西：你到底睡得好不好？但今天这个主观的东西被量化了。
这个量化准确吗？其实并不准确。有时候它给你打80分，你觉得自己睡得一塌糊涂，但心理安慰是很好的。因为我从来没拿到过80分，最高只有78分。
有时候我觉得自己睡得还可以，它却给我一个很低的分数，肯定是算法的问题。但今天其实发生的是一个数据显像化的过程：原来没有被采集的数据，通过某种形式被挖掘出来，产生了一些价值。
这个价值不管是情绪和主观上的价值，还是帮助你真正调整睡眠的价值，都确实存在。
我之前听过一个播客，之后跟同事说，可以去看看这样的设备。有一个在西雅图做硬件的人，最开始也是戴Insta的“Ultra Go”设备，但觉得续航有问题。
那个人动手能力很强，就自己做了一个带摄像头的单片机。他设计的模式跟一类胸前设备很像，后来他们两个团队也交流过：比如每隔1分钟拍一张照片，每隔3分钟拍一个15秒的视频。
大家可以去听那个播客。因为他是一个独立工作者，所以把iWatch设成了24小时录音状态。3天之内，这两个设备配套采集了200多GB的数据。
他把数据丢给了几个月前版本的Gemini之类的大模型。当然，很多常规分析都没有问题，但最让他惊讶的是，大模型告诉他：“你可能有颈椎炎，因为我看到你在很多情况下坐姿有问题。”
他自己都没有完全意识到这个问题，但这个问题的确已经给他带来了痛苦。
我想表达的是，不管是睡眠这个例子，还是这个人的例子，在没有采集到这些数据之前，我们其实并不知道这些数据到底能带来什么价值。
我们看到的屏幕时间，每一分钟都是自己控制的，所以会觉得这些数据怎么用、怎么更好地采集，好像都没有问题。但今天我为什么对这个事情感兴趣，并不是说一定要投某家公司，或者一定要投这个领域。
我非常认可峰叔刚才讲的，这个东西一定是渐进的，一定要逐步满足用户需求。但我总觉得，这里好像是一座还没有被开发的矿。
就像1958年挖白云鄂博的时候，大家都觉得那是一个铁矿，但现在发现白云鄂博是一个稀土矿。只是有很多数据、很多东西，我们还没有发现它们的价值。
所以我在想，一个人最终是不是会被具身化，其实可能跟AI有没有关系并不大。具身化之后，刚才峰叔讲的过程中会产生大量数据。
我们今天要做的，可能就是把这些数据收集起来。也许未来每一秒的数据都有价值。这就是我最后要抬的这个杠。
李翔
好，那我们就谢谢大家。
李丰
谢谢。