程曼祺
很多人认为双足其实没有那么大的价值，不是优先级特别高的东西。我很长时间也是这样的想法。
陈哲
我认为宇树的成功跟大疆的成功有类似的地方：这是一个创始人真正热爱并笃定的方向，他不是因为看到了巨大的商业机会和前景才去做这件事情的。他的经营谨慎是深入基因的。如果他不是这样的人，不是这样的创始人，可能也活不到今天，活不到具身智能热潮到来的这一天。
程曼祺
我从去年开始，基本上所有我接触到的研究人员，他们的共识都会围绕着灵巧手和世界模型，对吗？
陈哲
世界模型也是，但世界模型很有可能是一个大厂主导的研究方向。英伟达定义的世界动作模型，底层脱离了以文本为核心、以动作克隆为核心的 VLA 控制范式。
程曼祺
宇树的 G1 已经发布了 20 个月，为什么到今天也没有另外一家公司真正去挑战它现在的位置？
陈哲
很多人认为双足其实没有那么大的价值，不是优先级特别高的东西。我很长时间也是这样的想法。
程曼祺
欢迎收听《晚点聊》，我是曼祺。这期节目是我们第一期具身智能季报，邀请了我很喜欢的一位投资人，AlphaFest Partners 的创始合伙人陈哲 Peter。
过去 7 年，Peter 在五源资本专注投资机器人和硬件科技，投资过海柔、松灵、本末、地瓜等公司。在去年创立 AlphaFest Partners 之后，他想放开手去寻找更多 Alpha Founders。我对这类创始人的理解是：哪怕不被认同，他们也极其笃定自己的判断，是可以定义规则或打破规则的人。
在跨学科、高复杂度、需要开拓精神的具身智能领域，就有不少这样的创始人，也需要更多这样的创始人。这期节目我们从本季度的进展着手，Peter 分享了 3 月中旬去 GTC 与全球从业者交流的见闻，也谈到了过去两年具身智能的发展。
在讨论人形机器人的部分，我们盘点了中美几家头部公司，如宇树、银河通用、特斯拉 Optimus、Figure 的近期进展，以及那些在智能能力或数据上给行业带来启发的公司，如 Pi、Sunday 和 Generalist。
接着，我们重点讨论了当前具身智能的两个前沿研究方向：灵巧手和世界模型。在灵巧手部分，我们重点聊了 Sharper 的进展和 Optimus 手部方案的争议；在世界模型部分，英伟达近期连续发布 DreamZero、DreamDojo 和 EgoScale 数据框架，提出 WAM 世界动作模型，这被不少人视为比 VLA 天花板更高的方向。
AlphaFest Partners 也有自己的播客，叫 The AlphaFest。这期节目也会在 The AlphaFest 串台播出。之后的季报里，我和 Peter 还会邀请更多从业者一起分享。下面我们正式进入本期节目。
嗨，Peter，你可以和我们的听友简单打个招呼，自我介绍一下。
陈哲
大家好，我是 AlphaFest Partners 的陈哲 Peter。我是工程师背景出身，早年在谷歌和黑莓做过产品和技术。回国之后，我一直在五源资本做早期的科技投资，主要关注机器人、自动驾驶和 AI 方向，之前也投过不少机器人公司。
在 2024 年底，我成立了一支新的美元基金，叫 AlphaFest Partners，专门关注早期 AI 和机器人领域的机会。
程曼祺
这次串台之后，我也想之后每个季度都能邀请陈哲来和我们一起分享关于具身领域的季度观察。之后的节目里面我们可能也会邀请一些其他的嘉宾，比如一些公司的创始人、研究员和从业者。然后我非常想邀请陈哲来聊这个节目，因为我们俩第一次见面的时候，我基本上想了解的就是硬件科技、科技相关和机器人相关的公司。我觉得你都非常熟悉，对这些创始人和公司的历史也非常了解。而且你以前做过工程师，所以技术和产品的一些洞察也非常犀利，所以就想请你多多分享一下。
陈哲
好，谢谢曼琪。我一直非常关注这个领域，所以也是把自己的兴趣做成了职业。这个过程中我觉得可以大胆讲一些观点和判断，因为很多东西最后不一定都是对的，有的可能会被证实，有的可能会被证伪。
程曼祺
因为这一次是我们第一次录这个季报，所以除了讲第一季度的进展之外，有需要的地方我们也可以带到过去两年的一些情况。Peter 和美国、中国的从业者都有很多交流，所以我们的讨论范围会覆盖全球进展。正好你刚从美国参加 GTC 回国，也刚刚更新了一圈美国的最新情况。结合你了解的最新信息和观察，如果要给 2026 年第一季度的具身领域列出 Top 5 的进展或者事件，你会选哪几个？
陈哲
1. 第一季度的五个信号
首先，整个机器人和具身领域在过去几个月的变化可以说是突飞猛进、飞速发展。如果让我自己来排前五，可能是非常主观的选择，并不代表纯学术上的研究突破或成就，而是站在一个长期关注机器人技术的投资人角度，从市场和商业角度做一个综合分析。
我觉得第一个应该是宇树的春晚表演。20 多台宇树的人形机器人在春晚上进行了功夫表演，这代表了今天中国在机器人本体和运动控制上的最高水平。
第二件事情，我觉得要说的是 Sharper 的灵巧手在 CES 上展示的长城汽车自主组装风车。这个展示让大家看到了目前全球范围内灵巧手的 SOTA 水平。
我可以介绍一下背景：Sharper 的创始人其实是灵巧手领域一家公司的 3 位创始人，李一帆、孙凯和向少卿。他们 3 个一起成立了一家新公司，做灵巧手。
第三个，我觉得是世界模型在第一季度的进展。代表作品就是英伟达发布的 DreamZero 和 DreamDojo。世界模型用于机器人领域的尝试，最早的工作源自字节在 2024 年底发布的 GR-2。那是第一次将互联网级别的视频内容用于一个语言模型的预训练，并直接生成动作和操作效果。
从当时来看，这是一个在 VLA 之外非常创新的尝试。到了今年，已经有更多公司，包括英伟达，在世界模型和视频生成模型的路径上做了更多迭代和优化，产生了更好的效果。
程曼祺
你说的从 GR-2 到 DreamZero 的进展，就是从视频里面学习，然后生成动作、生成机器人的轨迹。
陈哲
对，核心是用视频生成的方式，而不是用文本生成的方式。我们理解的 VLA，backbone 还是一个语言模型，是在多模态语言模型的基础上增加动作输出，所以它是从 VLM 演进到 VLA。
但世界模型的底层是一个视频生成模型，它对应了我们理解世界的另外一种方式，也就是用视频来理解世界。所以这是我认为第一季度另外一个比较重要的工作。
第四个是我个人比较偏好的一个进展。今年春节过后，银河通用发布了人形机器人打网球的 demo。我觉得这是第一次让大家看到，人形机器人可以在一个比较高速、需要及时反馈的系统上取得这么好的表现。
它可能离商业化还比较远，但它让大家看到，在今天的硬件和算力基础上，我们有可能实现这样一个实时任务，也打开了我们对人形机器人落地的很多想象力。
最后一点，是今年 CES 上波士顿动力宣布的全新量产电动 Atlas。波士顿动力作为人形机器人研究的鼻祖，对于人形机器人的困难场景和落地价值有非常长期、深入的研究。
这一次电动 Atlas 的出现，反映了他们对于人形机器人应该如何进入工业场景、如何实现落地的一些非常创新的思考。我觉得这给行业开了一个新的思路。
同时，我认为波士顿动力可能代表了美国乃至整个西方阵营中，人形机器人最快量产、最快落地的一家公司，也能够反映出他们未来在研究和落地方面的思路。
程曼祺
在量产电动版之前，Atlas 是液压的，对吗？但我记得它很早之前就宣布要变成电动的。
陈哲
波士顿动力在液压方案上走了非常长的时间。我们最早看到的 Atlas 的一些惊艳动作，都是液压版做出来的。但大概在两年前，他们已经发布并量产了电动版 Atlas。
程曼祺
所以 CES 上这个是一个新的版本？
陈哲
这是全新的版本。它的特点非常鲜明：用了非常模块化的电机方案，主要的 actuator 应该只有 2 种。全身可以 360 度快速旋转，也可以非常快速地切换左右腿的结构。我觉得这些都是非常有创新的地方。
程曼祺
你刚刚讲的这几个进展，刚好涵盖了现在观察具身智能的几个关键要素或者模块，包括本体、硬件、灵巧手这样的关键零部件，还有大脑、小脑，以及软硬件整体系统的整合。
你刚刚提到的几件事，包括宇树的春晚表演、银河通用和清华一起做的打网球 demo，还有波士顿动力的 Atlas，都是和人形机器人相关的。我们可以先从宇树开始。我觉得这也是大家最熟悉、最关注的一家公司，而且它最近有一个新闻，就是上市招股书已经披露了，可以看到一些财务情况。
宇树去年也上了春晚，而且这两次从大众层面来看都非常火。我自己有一个比较有意思的观察：去年它上春晚之后，我和一些从业者聊，发现很多做机器人的人对当时那个表演不以为然，觉得也没有那么厉害。
包括它转手绢的动作，其实也不是真的用手在转，而是有一个机械装置连着手绢，抛出去以后肯定会回收回来。但这一次表演之后，因为我最近也和一些创始人聊，我觉得大家业内的认可度高了很多。
你可以讲讲它真正的门道是什么，以及它的进展在哪里吗？
陈哲
2. 宇树的春晚突破
首先，机器人的运动控制在 2025 年经历了非常快的发展。宇树这次春晚用到的所有技术和控制技巧，背后的论文基本上都是在 2025 年年中甚至下半年才发布的。
宇树把这些工作集中地展现在春晚这样的舞台上，所以给了大家非常惊艳的效果。核心是有了更好的动捕和模仿学习能力，我们可以很快把真人的动作翻译到人形机器人上。
同时，有了更好的强化学习训练工具，机器人可以在虚拟环境里把粗糙的动捕数据转换成更加稳定的 policy，再执行到机器人本体上，所以它的动作会更像人。
这个过程通常是人通过动捕或者遥操作的方式先录制动作，然后在仿真器里面不断进行强化学习迭代，让动作变得更加稳定、更加鲁棒，最终很好地迁移到宇树机器人本体上。
程曼祺
它的传统武术动作里有一些招式，包括垫步之类的，我觉得还挺细致的。
陈哲
对，其实这本质上反映了宇树作为一款产品，在机电能力、绝对性能和一致性上具有很强的优势。
我看今年春晚，觉得最关键的是一致性。台上应该有 20 多台人形机器人，同时做一个复杂的动作，包括弹射、大回环、连续翻滚，最终实现了非常高的一致性。
这不仅是精心打磨、调参一台机器，而是要确保在 20 多台量产级机器上都能实现一致的反应。每台机器受到的环境干扰都不一样，所以这对硬件质量控制和运动控制算法的稳定性都有很高的要求。
我觉得这件事情可能是宇树的软件相比其他公司最大的优势。
程曼祺
好多年前波士顿动力展示的视频里，他们的机器人也可以做一些看起来非常像真人的动作。现在宇树展示的成果，和当年波士顿动力做的跑酷、空翻有什么区别？
陈哲
那个年代波士顿动力的跑酷效果，基本上都是用传统控制算法，比如 MPC 这些方法做出来的。他们有一群非常有经验的专家，去调经典的运动控制算法。
但现在这些底层控制 policy，都是用强化学习、仿真和端到端的方法训练出来的。从原理上就非常不一样，我们对环境扰动的适应能力比当年的波士顿动力强很多。
另外，波士顿动力当年拍的跑酷视频其实也是精心剪辑的，会有大量失败。你刚刚提到这一点，我也突然想到，波士顿动力没有展示过几十台机器人一起完成一个动作的视频。
当年的技术在液压时代，哪怕单台机器要完成一段连续的跑酷动作，我认为成功率也不是很高，机器经常会摔。所以宇树这次 21 台机器在台上实时完成高度一致的动作，我觉得它的难度，或者说对可靠性的要求，高出了许多量级。
第二点，最近这一年的大量跑酷和舞蹈动作，已经开始增加视觉反馈或者定位能力。包括这次上台的机器人，每台头顶上都顶着一个激光雷达，应该具备初步的建图和定位能力。
程曼祺
你前面说的是它有进展的部分。另一方面，现在大众对人形机器人的表现有哪些夸大的想象？大众表演可能让大家认为它已经能做到某种程度，但实际上还达不到。
陈哲
我觉得这也挺明显。今天所有舞蹈或者表演动作，本质上还是事先编排好的固定舞蹈动作。如果机器人受到特别大的干扰或者影响，它很难自主决策。
同时，这些表演都是全身或者下肢运动，没有涉及上肢和操作方面的能力。今天具身智能大量的研究工作，其实是围绕操作，或者围绕复杂任务中的接触和理解来进行的，这一点宇树目前还没有做太多工作。
程曼祺
3. 招股书揭示收入转向
正好可以把宇树的情况展开聊聊。它最近披露了招股书，可以看到一些财务信息，包括不同产品的收入构成。你自己看它的招股书，觉得有哪些值得注意的点？
陈哲
我觉得它的人形业务在快速增长。2023 年它发布第一款人形机器人 H1，2024 年发布 G1。2024 年应该还是 G1 销售的早期阶段，去年人形机器人基本上都是以 G1 为主。
人形机器人的收入占比在快速增加，也显示出这家公司未来会以人形机器人为核心，而四足机器人长期来看可能会占更小的份额。
程曼祺
人形业务确实涨得很快。2023 年的时候，人形机器人占宇树收入的比例只有不到 2%；到 2024 年已经达到 27%；到 2025 年前三季度，已经超过 50%，达到 51%。
我一直觉得，很多机器人公司都是供给驱动的。整个市场，无论是专家还是爱好者，对机器人的期待和想象都很多，但很多时候真正受限于供给。没有产品出来，或者产品不够稳定、不能量产，就没有收入。
只要有好的供给和好的产品，销量自然会来。无论是科研、表演还是工业市场，宇树都反映了这个特点。
陈哲
早期至少是这样。它现在科研场景的需求非常旺盛。今天人形机器人本身还处于非常早期的阶段，不管大家怎么吹、怎么畅想，整个市场仍然处在很早期的阶段。
另外，我自己看宇树招股书时印象比较深的是，它的毛利特别高。人形机器人的毛利超过 60%，大概是 63%，这是 2025 年最新的数据。对于软硬一体的产品来说，应该算非常高的毛利。
程曼祺
是这样吗？
陈哲
我觉得主要还是因为今天人形机器人本身还不是一个真正的商业场景。就像我们说的，人形机器人绝大部分还是卖给科研市场。
在科研市场，60% 的毛利可能并不高，因为科研市场规模和销量比较小，客户订单也比较分散。传统的科研教具市场，拥有 70% 到 80% 的毛利，我觉得是非常正常的。
对宇树来说，今天的定价一部分是因为市场缺乏竞争，另一部分也是因为科研市场对价格没有那么敏感。本身这可能也就是一个 10 亿元人民币左右的市场。
程曼祺
你说到这里，我想到当年激光雷达早期的时候，毛利也确实非常高。那时它主要是给 L4 公司作为研发设备，因为卖便宜了，销量也不会因为价格便宜就增长两三倍。
它并不是一个充分弹性的定价市场，客户数量是明确的，需求也是明确的。所以在这样的背景下，定价其实由相对竞争力决定。
可能更大的问题是，宇树 G1 已经发布了 20 个月，为什么到今天还没有另外一家公司真正挑战它现在的位置？你觉得是为什么？
陈哲
你说的是当时号称 9.9 万元起售的那款小的人形机器人，大概 1.2 米、1.3 米高的产品。
我觉得有几个原因。首先，G1 是一个定义非常成功的产品。宇树从产品定义上来说，是一个面向科教市场的产品。
宇树的第一款人形机器人是 H1。如果看它的构型，可以想象成把一个大型四足狗站起来的效果。王兴兴自己也是这么说的。
我们应该是 2023 年去采访过他。当时问他 H1 是怎么研发的，他说一共只用了 3 个半人：3 个工程师，加上他自己半个。他们的想法就是让一只狗站起来，他觉得没有很难。
因为当时他并不相信人形机器人，或者说并不想做人形机器人。很长时间里，如果你去看他在 2021 年、2022 年的公开表达，他其实都说过自己并不想做人形机器人。
但随着市场发展，随着科研市场成熟，市场出现了对人形机器人的需求。在当时的背景下，把一个成熟的四足机器人站起来，是一个非常快速、简单的解决方案。
那么 G1 的变化是什么？G1 是宇树第一台真正为科研市场正向设计的机器人。最典型的特点就是，它的身高从 H1 的 1.8 米左右降到了 1.3 米左右。
大家不要小看高度上的缩小。更关键的是，随着高度缩小，它的质量也大幅下降。质量下降，对于电机的功率密度、整个运动性能，包括电池表现，都有非常大的帮助。
为什么可以缩小？因为如果它的目标是面向科教市场，从人形机器人研究的角度，一个 1.3 米左右的小人形机器人可以做的研究，和一个 1.8 米的全尺寸人形机器人基本没有区别。
这个产品就是为了科教场景正向设计的，这也是为什么宇树切入和定位得这么好，让更多公司很难去跟随它在这个场景里的定义。
程曼祺
因为它一上来就把这个场景满足得太好了，别的公司可能会觉得，跑去跟它竞争就没有差异化了，是吗？
回到更宏观的问题，我觉得投资人自始至终都不喜欢宇树做科教市场。朱啸虎也公开表达过这个想法，觉得这不是一个持续的市场。
陈哲
这要看大家怎么理解王兴兴和宇树这家公司。我是 2019 年见到王兴兴的。当时在他们杭州办公室见到他时，他正在调一个非常早期的机器狗，应该是莱卡狗还是 A1 狗。
那时候整个公司可能一年能卖十几二十只机器狗，一年大概有 1000 万元人民币收入，而且是盈利的。公司可能不到 10 个人，或者十来个人。
宇树为什么是一家盈利的公司？因为它不得不盈利。如果它不盈利，我在 2019 年就已经见不到它了，因为它从来不是一家受投资人喜欢的公司。
程曼祺
这也是很多硬件公司经历过的发展历程：你必须卖一个大家愿意花钱购买的东西。
王兴兴当时很喜欢做四足机器人，不断迭代产品，然后卖给当时想买的人，主要就是研究院和高校。但这个市场自始至终都不是一个很大的市场。
全球就这么多大学和研究院，每个学校可能买几台机器人，总的存量是有限的。如果你告诉投资人，主要市场只有 10 亿元左右，而且你不知道人形机器人或足式机器人什么时候才能快速走向工业和商业应用，投资人很难下手去投这个项目。
所以哪怕宇树定义了一个非常好的、面向科研市场的产品，如果我是另一家人形机器人公司的投资人，听到自己的公司要进入科教市场、和宇树竞争，我也会觉得这是一个很糟糕的战略方向，或者很糟糕的市场选择。
这也部分解释了为什么 G1 推出 20 个月之后还没有竞争对手。当然，也有一些公司在做小人形机器人，但我认为从产品一致性和稳定性来看，仍然有巨大差别。
陈哲
有一件事情我们必须理解：对于硬件公司来说，硬件设计、供应链打磨、核心零部件稳定性，都需要长期验证和测试。
今天你很容易做出一两台符合甚至超出预期的样机，但要实现像宇树这样上千台、上万台的可靠生产，需要经历它之前经历过的过程。
在生产人形机器人之前，宇树的四足机器人已经销售了几万台。每台机器人至少有 12 个电机，宇树是真正完成过上百万个电机设计、生产和量产过程的。
这在硬件和供应链方面的门槛，对于所有新进入人形机器人领域的公司来说，都是需要跨越的一道坎。
程曼祺
而且涉及硬件的话，这个坎需要付出的时间成本很难被压缩，对吗？
陈哲
是的。这就是为什么你会看到，很多大模型公司的领先优势只有 3 到 6 个月，但硬件公司的优势可能是 12 个月，甚至 24 个月。
我认为宇树的成功跟大疆的成功有类似的地方，都是因为创始人真正热爱并笃定这个方向。他不是因为这件事情有巨大的商业机会和前景才去做的。
事实上，我那天和一位前辈聊天，他在 2017 年见过王兴兴，也去找他融资。当时他问王兴兴：“你这个事情到底能做什么？”
王兴兴说不上来。
程曼祺
他应该确实说不上来。宇树成立得比较早，2016 年就开始创业了，而且他研究生时期就开始做这件事情，可能还要更早。
你觉得宇树下一个阶段要靠什么发展？就像你说的，不管是宇树自己还是外界对它的期待，未来肯定都要进入更广大的市场。它可能也不会止步于把硬件、本体和运动控制做好，因为现在大家明显看到，更大的机会在于机器人的智能，也就是大脑和小脑结合的部分。
陈哲
我觉得王兴兴和宇树做得很好的一点，是他们是非常极致和专注的创始人。在公司发展的这么多年里，他对于如何做好硬件本体的专注和极致追求一直没有改变。
这也是为什么很长时间，包括到今天，我们看宇树的财报，会发现过去几年它并没有花太多精力和资金去做 AI 或者模型相关的工作。
程曼祺
我可以说一个数字：宇树 2025 年前三季度的研发费用是 9000 多万元。这个可能比我们知道的很多机器人公司的研发投入都小很多。
陈哲
它在经营方面的谨慎，是深入基因的。如果它不是这样的人，不是这样的创始人，可能活不到今天，活不到具身智能热潮到来的这一天。
但是这次招股书显示，它计划募资 40 亿元，其中 20 亿元会投入大脑研究。它们的相关工作也在积极推进，最近发布了 VLA 和世界模型的工作。
从研究前沿性来说，只能说是跟随目前市场的主流发展水平。但我对它长期在这方面取得成就和突破，还是很有期待的。
程曼祺
如果它取得不了这方面的成就和突破，可能是哪儿出了问题？比如我自己的一个观察是，在很多新成立的具身智能公司里，做 AI 的人还是比较有话语权的，至少联创里可能有一个是 AI 背景。
但宇树现在的核心管理层里，好像没有特别依靠 AI 和深度学习背景的人。
陈哲
宇树还是一家以王兴兴为绝对核心的公司，也没有一个在 AI 或算法领域可以独当一面的合伙人。我觉得这跟公司的基因和思考方式非常相关。
我心里想的一个问题是：是不是一定要有这样一个人，才能做好大脑的部分？还是说也不一定？
程曼祺
我自己的判断是，我觉得宇树在大脑或者智能这个角度上，可能会长期采取跟随策略。你觉得这样对它的竞争力够吗？
陈哲
我觉得够。为什么呢？因为具身智能模型价值的体现离不开本体。对宇树来说，更关键的是在全球范围内真正占据人形机器人科研市场的事实标准。
如果所有最新的人形机器人研究，都是基于它的硬件进行的，不管是开源还是闭源的研究，只要这件事能够长期持续，我认为它的生态位就很难被替代。
哪怕有更好的公司，哪怕有更好的公司推出非常优秀的闭源具身模型，我觉得宇树也会连带受益。同时，宇树自己和行业里的更多玩家，也会持续在宇树硬件基础上推出高性能的开源模型。
这些模型和宇树硬件之间的耦合与绑定，我认为会成为宇树未来很多年持续的优势。
程曼祺
宇树之前自己发布新闻说，2025 年实际的人形机器人出货量是 5500 多台，后来又说 2026 年希望人形机器人出货量达到 1 万到 2 万台，相当于翻到之前的 2 到 3 倍。你觉得这个能做到吗？
陈哲
我觉得应该能做到。这种增长看起来还是非常线性的预测，有可能比这个更多。
程曼祺
你的意思是？
陈哲
要看市场的爆发情况。最近有一家专注于人形机器人租赁的公司，叫擎天柱。
程曼祺
对，我看到那个新闻了。那它意味着什么？
陈哲
它给我的信号是，随着春晚的爆火，随着 G1 的表现力和表演能力成熟，至少未来一两年会有非常广泛、持续的表演和租赁需求。
如果从这个市场来看，我觉得一年 1 万到 2 万台的销量远远没有问题，可能会更大。真正的限制可能在于宇树愿意在这个产品上投入多少产能。
程曼祺
接下来可以聊聊你前面提到的另一个进展，就是银河通用打网球。你把它列进来，我其实有点意外，因为我的印象是机器人早就能做这些事情了，比如打乒乓球、打网球，也有一些创业公司专门做打网球的机器人，和真人进行陪练。
当然，它们并不是用人形机器人来做的。从银河通用用人形机器人打网球这件事情上，你看到了什么技术趋势？
陈哲
4. 人形机器人打网球
我们之前看过很多打网球的机器人，所以非常能够理解实时网球机器人的技术复杂度。网球球速很快，甚至可以达到每小时 100 公里。在这么小的球场上，机器人只有非常短的时间去预判轨迹并进行实时响应。
实时球类运动对于任何形态的机器人来说都是一个很大的问题，哪怕是轮式机器人，也很难实时处理。对于一个更加复杂的人形机器人来说，要实现球路识别、判断，以及完成整个挥拍和击球动作，以 2026 年初的技术水平来看，仍然是非常复杂的工程。
程曼祺
它是一个双足的、完全人形的机器人来做的吗？
陈哲
对，而且它真正实现了实时感知、决策，以及全身控制的闭环。这确实和跳舞、打武术不一样，因为球每次过来的情况都不同，每次都需要做不同判断，不可能是编排好的动作。
所以这件事情在学术上的成就可能还好，因为我知道他们大概是怎么做的。他们在春节期间租了一个很大的网球场，使用了很多动捕设备，采集了大量数据，也对模型进行了反复的强化学习训练。
从技术上讲，它的突破点没有那么大，是一个比较复杂的系统工程，也体现了公司在这件事情上的执行力。
对我来说，更大的启发是，我们之前其实很难想象人形机器人已经可以完成这样的任务。这个事情出来时，我记得 Andrew Cote 在 X 上回复说，这不可能是真机做出来的效果，肯定是 AI 生成的，肯定是 CG。
程曼祺
我第一次看的时候，也有这样的感觉。
陈哲
所以对我来说，他们精心打造的 demo 拓宽了我们对人形机器人能力的想象。也就是说，在已有技术上，通过组合和工程优化，我们究竟能做到什么程度？
如果要类比的话，银河通用的打网球是一个很好的 demo。其实在 1 月和 3 月，Figure 也发布了非常好的全身运动控制 demo。你能看得出，它整个动作的流畅性和自然度都非常高。
但背后也很明显，整个视频是公司精心编排、录制和剪辑过的。它不是 CG 生成的，确实是真机自主执行的，但为了实现这个效果，实际上进行了大量专门训练。
至少对于大众市场来说，这些工作正在打开我们对人形机器人能力的理解和想象。我认为这些工作在第一季度都是很有意义的 milestone，因为它们都是非常具体的场景。
程曼祺
那它能迁移到其他任务上吗？接下来会有什么应用价值？
陈哲
网球这个具体场景有点 tricky。它大概率不是使用机器人板载的算力和视觉来处理球路，而是在网球场上借助外部摄像头，才能实现比较高的帧率。它也不是使用 on-device 的端侧算力。
但是计算机科学反复证明，只要这件事情可以做，人类一定能想到优化方法，让它在更小的算力、更少的资源上实现。所以对我们来说，能不能做是最关键的，怎么优化是第二步。
程曼祺
如果总结一下，包括宇树、银河通用、智元、魔法原子这些做全人形机器人的公司，也就是有双足形态的人形机器人公司，你觉得它们在第一季度的表现和进展怎么样？
陈哲
我觉得整体都超过预期，整个行业的速度在加快。智元应该是在去年底或今年初发布了全身运动控制的新工作，英伟达也发布了 Sonic 全身运动控制框架。
整体来看，2024 年和 2025 年，locomotion 和 manipulation，也就是下肢运动和上肢操作，还是两个相对独立的体系。但从今年开始，随着人形机器人硬件成熟、数据进一步增加，我们开始有了用一个统一模型进行全身运动控制和操作的可能性。
我觉得这件事现在刚刚出现端倪。未来 12 个月，它的加速度可能会不断增加，所以我很难想象，2027 年春晚我们能看到什么样的人形机器人表演。可以期待一下。
程曼祺
这个总结也挺好。之前操作和运动控制是独立、分开的，现在开始尝试用一个模型控制整个身体的运动，并把它们结合起来。
陈哲
对，几家公司都在做同样的工作，包括 Figure、智元和英伟达，我们都看到大家在朝这个方向努力。对行业来说，只要这个范式被建立起来，就会有更多人去迭代和改进。
程曼祺
这里有一个老生常谈的问题：很多人认为双足其实没有那么大的价值，不是优先级特别高的东西。对于如何把机器人用起来，我很长时间也是这样的想法。
你是什么时候开始改变想法的？
陈哲
5. 双足价值重新估算
我觉得最近这个季度受到的冲击还是挺大的。
程曼祺
你可以讲讲为什么，具体是怎么改变的吗？
陈哲
我觉得整个机器人行业都是一个供给高度受限的行业。当一个机器人真正实现某一种能力、稳定交付某一种能力时，它可以做的事情，或者说它可以创造的价值，会得到快速释放。
很长时间我也觉得，人形机器人带来的复杂度和困难，相比它带来的好处可能很有限。本质上，我是在放大人形机器人的困难。
比如在仓库和工厂场景，我们要的是两只手，并不需要两条腿，用轮子就能解决工厂环境里的移动和搬运。
我最近看了几部波士顿动力的访谈，里面有几段对话对我启发很大。很多老生常谈的观点是，整个世界都是为人类设计的，所以人形机器人一定是最通用、最高效的形态，因为一种形态可以适配非常多的环境。
但对于地面平整、比较结构化的环境，轮式机器人似乎也可以实现类似的通过性，我们没有必要真的使用两条腿。
不过，今天一个人形机器人如果在结构化环境里移动，假设运动问题得到充分解决，它大概只需要 40×60 厘米的空间。而且因为它的腿和身体有很多自由度，可以下探和上探到非常大的空间范围。
假设我们希望像人形机器人一样搬运一个 10 公斤或 20 公斤的箱子，今天很多全尺寸人形机器人已经可以实现这个功能。它可以从地面高度一直搬到大约 2 米的高度，波士顿动力新的形态最高可以触达 2.3 米。
如果要做同样的事情，轮式机器人要占多大面积？它的复杂度完全不比人形机器人低。轮式底盘一般要多大？肯定比 40×60 厘米大。
40×60 厘米差不多就是两台苹果电脑并排摆在一起的面积，也就是人站立时需要的最小面积。如果是比较窄的空间或者过道，人形机器人只需要很少的面积就可以通过。
但轮式机器人最大的一个问题是什么？是重心问题。
我举个例子。波士顿动力除了做 Atlas，还有一个项目叫 Stretch，是一个复合机器人：在巨大的 AGV 底盘上加一只巨大的单臂。它可以从集装箱或货架里拿下大概 20 公斤、可能 25 公斤的箱子。
为了拿一个箱子，整个 Stretch 服务机器人的重量大概在 1 吨左右。因为它伸得很高时，必须让下面足够重，否则就可能翻倒。
但人的结构可以非常动态地调节重心和姿态，实现同样的 20 公斤箱子取放。今天一个全尺寸人形机器人，即使是比较重的，也可能只有七八十公斤。和 1 吨或者 800 公斤的 Stretch 相比，重量差别可能是 10 倍。
程曼祺
越说越觉得生物界非常神奇。
陈哲
我再讲一个我最新的认知。如果我们想做一个在空间里移动性非常好的轮式机器人，最理想的方案其实是四轮四转。
程曼祺
四轮四转？
陈哲
对，可能都不是两个差速轮，而是四轮四转，机器人会非常自由。如果 4 个轮子都是主动电机，就需要 8 个电机。
如果想像人形机器人一样适配不同高度，可能还需要好几个电机，去实现升降结构。
所以你刚才提到的几个点，一个是，在同样的表现性能下，轮式机器人不一定比人形机器人简单；从复杂度和成本上来说，也不一定比人形机器人低。
如果需要更多或者相同数量的电机，同时质量更高，那么底座变重，所有成本都会增加；需要更大功率的电机，也需要更大功率的电池，成本会快速增加。
另一方面，如果人形形态能够在技术上实现得足够好，它可能会打开很多之前没有想过的场景。因为有了这样的供给，我们可以去做更多事情。
我觉得新版本的 Atlas 也给了我们很多信号：人形机器人不一定真的要像人，它可以成为一个超人，超越人的某些结构。人体进化成现在这个样子，本身也是大自然非常偶然的结果。
程曼祺
正好可以展开讲一讲。前面你提到的第五个进展也是 Atlas 的新电动版，它哪些地方像人，又超越了人？
陈哲
新版 Atlas 有几点值得关注。
第一，它采用了非常模块化的设计，有点像协作臂和工业机械臂的区别。以前工业机械臂每个关节都有专门定制的电机和减速机，是非常复杂的串联结构。
到了协作臂，我们可能把手臂上的电机简化成很少几种标准化电机。在 Atlas 上，他们利用了相似的逻辑，没有那么多复杂的电机结构和选型，整个机器人都使用简单的旋转电机，通过电机性能冗余实现多功能化。
在手臂、大腿和小腿上，使用相同或类似的电机方案。它的好处是，从生产和组装角度看，难度会低很多。
而且它没有受限于人体本身的物理限制。比如它的头部和躯干都可以 360 度完整旋转，这是真人做不到的。
程曼祺
头可以转到后面去。
陈哲
对。它带来的好处非常显著。一个人从面向北方转到面向南方，可能需要三四步转身，腿和身体都要配合很多动作。但对它来说，腰部电机 360 度旋转就完成了。
程曼祺
所以它下面其实左腿、右腿都无所谓，对吧？
陈哲
它转过来以后，甚至可以把左右腿互换。它甚至不分左腿和右腿，左右腿可以互换。左右手应该也是一样。
所以它有一套高度模块化的结构，不仅在场景中的适应度更高，在生产组装时难度也会降低；如果现场发生故障需要更换，成本也会降低。
我之所以专门提到波士顿动力，是因为我认为这和美国今天整个制造业、产业发展的现状非常相关。美国非常缺熟练技术工人，所以要把机器人设计得尽量简单、容易装配。
通过性能冗余和结构简化，来解决安装和维修问题。
程曼祺
前面我们讲的都是中国公司，你也刚好去美国和很多美国从业者交流过，可以讲讲美国这些比较热点的人形机器人公司的进展吗？
首先，业界比较关注的美国公司有哪些？
陈哲
6. 美国人形机器人竞赛
最多关注的肯定是特斯拉 Optimus，以及融资最多、估值最高的 Figure AI。传统一点的公司包括波士顿动力，还有一些更长尾的公司，比如挪威的 1X、德克萨斯州的 Apptronik 和 Apollo 机器人。
这些都算是目前美国市场上还活跃的人形机器人公司，但最受市场关注的还是 Optimus 和 Figure。
程曼祺
大家也经常提到 Pi、Sunday、Generalist。它们不算做全人形机器人，对吧？它们更像是以模型为核心、以智能部分为核心的公司。
陈哲
对，我觉得 Sunday 是一家以模型和数据为主、轻硬件的公司。
程曼祺
那我们从 Optimus 开始讲。它可以说是美国新一轮人形机器人热潮的掀起者，也激发了中国一批公司的创业。
前阵子马斯克在采访里说，Optimus 第 3 代，也就是 Gen 3，已经设计定型。但我们从中国供应链了解到，它原本计划在 4 月发布亮相，现在可能又延期了，至少要延到 6 月下旬。量产时间可能也会推迟，之前计划是今年 10 月，现在有可能延到明年。
陈哲
之前我听说最早计划可能是今年 3 月或者第一季度发布，对吧？感觉这个计划已经拖了又拖。
我觉得这符合预期。行业里有一句话说：Elon is always right, but his timing is always wrong。他可能会把时间推迟很久。
我获得的信息是，Gen 3 不管在硬件还是软件方面，遇到的挑战都很大。硬件方面，手部遇到的挑战比较大，因为他们采用了一个非常有野心的高自由度腱驱方案。我觉得这个方案在量产和可靠性上遇到了巨大挑战。
另外，马斯克对于今年 Optimus Gen 3 的量产或出货量也给了很高预期，至少是 1 万台左右。
程曼祺
1 万台的意思是至少 1 万台？感觉好像又比之前说的缩水了。2025 年的时候，之前不是说要实现 1 万台吗？可能 2026 年已经是 10 万台甚至 100 万台了。
但考虑到现在已经进入 4 月，甚至 1 万台的量也非常有挑战。
你刚才说它的手是高自由度腱驱方案。之前我们也和一些供应链的人聊过，特斯拉其实也在考虑电机方案，或者向一些供应商提出了类似需求。
陈哲
你说的电机应该是指以直驱为主的方案。腱驱里面也会有电机，只是把电机放在前臂这个位置。
现在的腱驱方案，是把大量电机放到前臂，而不是掌心里。但像 Sharper 这样的直驱方案，是把电机直接放到每个指节关节的位置。
我觉得这是两种完全不同的设计理念和逻辑。
Optimus 选择腱驱方案，是认为它更仿生、更接近人的结构。
程曼祺
因为人的手就是这样，有肌肉、肌腱之类的结构，对吗？
陈哲
对。人的肌肉和肌腱就是这样的。为了实现非常仿人的灵巧性，特斯拉认为腱驱是必须的方案。
但腱驱带来的问题非常多。这也是为什么过去一年左右，我陆续听到很多反馈，说它在这条路线上遇到了巨大挑战。
组装一只高自由度灵巧手，意味着要在手腕和手掌这样的空间里插入 40 多根不同的腱绳，还要解决它们在一致性、蠕变和可靠性方面的各种问题。
当任何一根腱绳出现松动，或者需要替换、损坏时，重新组装和维修也是很大的挑战。
程曼祺
听起来有点像手受伤之后给你做外科手术，感觉非常复杂。
陈哲
我和一些朋友交流时，他反问了我一个很有意思的问题。我们都说特斯拉选择腱驱灵巧手，是因为它认为这是更第一性的、更仿生的选择。
但我的朋友问：既然已经用了电机，就不是肌肉，那你从何而来第一性的类比？
人的组织可以再生。如果肌肉损伤或拉伤，经过一段时间恢复和训练，可以自己康复。但对于腱绳、电机或齿轮来说，磨损是不可逆的。
同时，肌肉具有非常高的能量密度和力矩密度，但电机不管是体积还是能量密度，和肌肉都有巨大差别。你用一个不是肌肉的东西去模仿肌肉的表现，却预期它有同样的性能，这本身就不符合第一性原理。
程曼祺
如果工程师有这些想法，在 Optimus 内部可以怎么反馈给马斯克？
陈哲
我觉得在这件事情上，就像特斯拉当时做自动驾驶时选择纯视觉和端到端一样，马斯克都是非常强势和固执的。
这对我来说也是一个行业观察者很纠结、很困惑的地方。马斯克历史上在很多长期技术路线的选择和判断上都被证明是对的，而且往往违背市场上几乎所有人的声音。
在 Autopilot 内部，2016 年、2017 年刚开始做的时候，其实所有人也不相信马斯克对于纯视觉和端到端的前瞻判断。那是通过过去几年的工程和技术努力，才逐渐实现了这样的愿景。
所以腱驱灵巧手会不会遇到同样的情况，我今天也说不准。但我确实看到了，腱驱灵巧手至少在 2026 年量产 1 万台时，可能会遇到巨大的挑战和问题。
程曼祺
这确实是之后可以观察的点：Optimus 灵巧手的技术构成会不会变化，会不会在现在这个方案上选择另一条路。
另一个你刚才提到的公司，就是融资最多、估值最高的 Figure。我之前和很多中国背景的创业者交流，觉得大家对 Figure 的态度比较复杂。一方面，大家觉得它时不时会释放一些不错的成果；另一方面，又觉得这家公司的风格非常浮夸。
陈哲
这家公司确实非常浮夸。我觉得他们值得获得一个奥斯卡最佳影视特效奖。
这可能和 Brett 作为一个创业者的经历有关。他是一个很善于向投资人传达愿景和故事的创始人。
程曼祺
他创立 Figure 之前是做什么的？
陈哲
在 Figure 之前，他做过另一家公司 Archer，是一家飞行汽车公司，或者说 eVTOL 垂直起降飞行器公司。那家公司如果我没记错，应该在 2021 年上市，没多久他就离开了，然后成立了 Figure。
在此之前，他也卖掉过自己的第一家创业公司。所以 Brett 的特点是，能够不断找到下一个创业热点，也能够吸引一群认可他的愿景和能力的投资人。
至少从历史来看，他要么快速把公司卖掉，要么把公司带上市。这是他一贯给市场留下的印象。
程曼祺
所以他是一个有愿景、而且连续成功退出过的创业者。
陈哲
但你也可以说，他做的很多事情是为了快速把公司卖掉，或者快速让公司上市。事实上，他从 Archer 这家公司退出了，而 eVTOL 今天还处在行业的非常早期。
我还听说他今年或者去年又成立了一家公司，也投入了很多资金去做智能硬件。我认为这一系列背景，都是大家诟病 Brett 这个创始人的原因：他是否真的有足够的专注度和韧性？
程曼祺
为什么以前大家没有这么诟病马斯克？
陈哲
因为马斯克把很多事情做成了。或者说，在马斯克把特斯拉和 SpaceX 做成之前，大家可能也区分不了他和骗子的区别。
程曼祺
早期马斯克也受到过很多质疑，只不过随着他一步一步把事情做成，声音才慢慢变淡。
陈哲
所以 Brett 到底是不是这样的创始人，市场今天仍然有很多争议。
但从结果来看，2023 年 Brett 成立 Figure 时，是在高度质疑中诞生的。他自己并不真正了解机器人行业。早期很多成员，包括从波士顿动力和其他地方吸引来的机器人、硬件人才，也在公司成立一两年后陆续离开。
不过不可否认，整个行业发展速度非常快。我的感受是，过去一两年 Figure 吸引了很多优秀的硬件和软件人才加入，也确实给出了很有内容的结果。
我们看到它过去发布的几款新型人形机器人，以及展示出来的全身运动控制，体现了他们在这个领域里确实有干货。
程曼祺
因为它其实是一家硬件和模型都做的公司。模型这块，业内评价如何？
陈哲
他们比较早宣布了 Helix，一个双层以及三层架构的模型，实现了从低频到中频再到高频的全身运动控制框架。
从展示出来的效果，以及我从内部员工那里听到的表现来看，他们的能力在市场上还是非常领先的。当然，除了 Optimus 之外，美国并没有太多真正从事全尺寸人形机器人，或者复杂人形机器人硬件和模型的公司。
所以在这一点上，我觉得 Figure 代表了美国目前市场的最高水平。
程曼祺
它在这个领域也融了很多次。美国看起来也有资金愿意支持这个方向。为什么美国这样的公司很少？对比国内，国内有很多具身智能公司，2025 年下半年还不断有新公司涌现。
陈哲
这和美国整个制造业的衰退、机器人供应链以及硬件供应链的衰退密切相关，它支持不了那么多创业公司出现。
这也是为什么在中国，几百万元的成本可能就能做出一台人形机器人，但在美国很难想象。
Figure 之所以要融这么多钱，另一面也可能体现了美国制造的国家战略或国家意志：希望重点扶持一些头部企业，带动美国制造业回流或者复兴。
大量供应商、零部件厂商和相关产业在美国已经不复存在了。所以对于 Figure 来说，如果想完全在本土生产人形机器人，就需要非常多的前期投入。
这也是我们目前看到的美国社会主流趋势，或者说战略选择。
程曼祺
美国政府可能也会扶持波士顿动力，而且实际上已经扶持很久了。这家公司 1992 年就成立了，已经 30 多年了。它一直没有大规模商业化，也没有赚很多钱，但一直存在着，中间还被几家公司收购、转手过。
前面讲到波士顿动力在新电动 Atlas 硬件上的进展，它在第一季度还有一个进展，就是在模型和智能方面找了一些合作方，比如谷歌。可以展开讲讲，他们最近有什么新的变化吗？
陈哲
这其实并不奇怪。我们知道，一两年前，DeepMind 一开始是和德克萨斯州的人形机器人公司 Apptronik 合作。当时它们的产品叫 Apollo，是一个全尺寸人形机器人。
事实上，我听说那段合作并不成功。本质上，Apollo 的硬件可靠性、精度和一致性都有巨大挑战。谷歌研究员花了很多时间让机器能够正常使用，而不是做真正有效的研究。
我觉得谷歌选择波士顿动力进行这样的合作，是非常明智的选择。
程曼祺
谷歌为什么不自己做全人形机器人？你之前在谷歌也是做硬件相关的，对吧？你做过 Google Glass。
陈哲
我觉得谷歌、Meta 这些互联网公司，完全没有做复杂硬件的基因和能力。
做硬件是非常复杂的系统工程，需要整个产业链配合。
程曼祺
那是不是也要区分不同类型的硬件？比如 Meta 的眼镜好像做得还不错，是否也和硬件复杂度有关？
陈哲
我不觉得 Meta 的眼镜做得很不错。Meta 的眼镜是在巨额亏损和补贴下卖得不错，不能简单说是做得不错。
Reality Labs 累计亏损应该是几百亿美元。过去 10 年，从收购 Oculus 到 Reality Labs 被降级，Meta 可能已经亏损了上百亿美元甚至数百亿美元。
Ray-Ban Meta 确实卖得很好，399 美元、299 美元。但实际上，一副正常的 Ray-Ban 墨镜就应该卖这个价格，而且 Ray-Ban 的毛利有 90% 多。
对于 Ray-Ban Meta 智能眼镜来说，它基本上是按照成本价甚至补贴价格在卖。你可以想象，每副眼镜它到底要向 Ray-Ban 转移多少费用。
我觉得眼镜业务对 Meta 来说是一个挺失败的生意。
程曼祺
这可能有点扯远了。回到这次谷歌和波士顿动力的合作，他们要怎么解决生产制造问题？我觉得他们应该也不会想让中国公司深度参与，对吧？
陈哲
波士顿动力现在主要股东是现代汽车。所以在生产制造和供应链方面，有很多现代作为汽车公司的帮助和资源。
实际上，它们很多生产组装，包括前期测试，都是在现代的工厂里完成的。
程曼祺
也就是所谓美国的盟友。美国现在不是希望日本、韩国这些有制造能力的盟友到美国本土投资吗？它可以通过这种方式，补足机器人这类复杂硬件本体的制造能力。你觉得这是一条有希望的路吗？
陈哲
我觉得这是一条路，但意味着同样的东西在美国生产，可能要付出 2 到 3 倍的成本。这个成本可能长期由美国社会承担，问题是客户和消费者是否愿意接受。
程曼祺
刚才讲的这些公司，都和制造环节比较相关，会涉足本体，包括 Optimus、Figure、波士顿动力等。
美国还有一些更偏模型的公司，比如 Pi。它们比较专注模型，也被很多中国从业者认为是标杆。比如 Pi-0.6 的最新模型，以及 Generalist 的数据采集方案，这些公司在第一季度有哪些进展值得关注？
陈哲
Pi 除了去年发布 Pi-0.6，第一季度也持续发布了一些很有影响力、很有创意的工作。
比如，他们发布过解决长序列记忆问题的思路，有点像 OpenClaw 的方式：通过文本长期记录当前状态，并不断对当前状态进行反思，增强它在尝试操作时的一致性和稳定性。
他们也有一些关于真机强化学习，以及在复杂场景最终执行端进行在线强化学习的新思路和框架。
我觉得整个第一季度 Pi 发布的工作，很能代表市场在跨 embodiment 和动态环境适应性方面的研究。就这一点来说，Pi 在全球范围内仍然是最领先的。
程曼祺
你刚才说的第一点，类似给它加一些长时间记忆。它是在系统层，还是外挂在模型外面？
陈哲
我觉得这点中国很多从业者也注意到了。现在行业里有一种表达：具身模型本质上是物理世界的一个 agent，也就是 physical agent。
虚拟世界的 agent 已经不只是模型了，它有编排层、skills、工具和记忆。具身智能现在也会讨论，除了具身基础模型之外，整个系统要怎么组织，才能让机器人在复杂环境中完成任务。
程曼祺
这正好回答到模型架构的问题。Sharper 这次在 CES 的分享里提出了三层架构。现在提出多层架构的公司有很多，包括刚才提到的 Helix。
Figure 的网络，以及 Sharper 的三层架构，都把系统分为 System 2、System 1 和 System 0。
陈哲
System 2 是一个很低频、但维度很高的语言层规划。
程曼祺
低频就是慢的意思，对不对？有点接近快系统和慢系统的意思？
陈哲
对，就是快慢系统。之前 System 2 和 System 1 是一个双系统，Sharper 引入了第三个系统，叫 System 0。
System 2 是比较宏观的规划层，它的输入以文本为主。System 1 接收视频或图像信息、机器人当前状态，以及文本描述的任务，比如我要去什么地方做什么事情。
System 1 输出的是手臂或者关节的具体动作，但这个动作仍然比较粗糙。今天的 VLA 可能输出的是手臂关节大概的力矩信息，以及夹爪开合的信息。
在 Sharper 的架构里，还有一个新的 System 0。它的输入是触觉信息，以及从 System 1 传达下来的粗略运动轨迹。
有了粗略运动轨迹和触觉输入，就可以实现具体动作的闭环控制。
程曼祺
在它还没有摸到一个东西之前，触觉信息来自哪里？是来自对这个东西的预判吗？
陈哲
不是。是当你摸到它之后，才获得触觉信息，然后决定接下来该做什么。
System 1 可能已经接触到这个东西，但位置不太准确，或者接触方式不能准确把它拿起来。这时 System 0 就开始介入。
System 0 的目的，是根据当前已有的接触信息、任务意图，决定每个手指、每个关节具体应该做什么。这是最低层、也是最高频的模型需要解决的问题。
程曼祺
对人来说，看到一个杯子，比如瓷杯和易拉罐，大概可以判断它的材质、摩擦力和重量。但没有触觉，你其实不知道应该怎么做。
陈哲
我们可以用人的生理结构来类比，就是大脑、小脑和末端神经。人有很多应激反应，碰到很烫的东西会躲开；遇到粗糙的东西或者柔软的东西，也会产生不同的末梢神经反应。
这个架构其实是在模拟人的分层体系。
程曼祺
我刚才想说的是，有了这个架构之后，它是不是可以通过真实使用或者强化学习的数据，逐渐做到像一个有成熟经验的人一样，预判如何精细操作？
人有比较多生活经验之后，看到一个东西，不用实际摸到，也已经对如何精细操作有了预判。这可能就涉及世界模型的脑补和预测能力。
陈哲
这确实涉及大脑产生运动轨迹或控制轨迹的方向。但你之所以能够把东西准确拿起来，仍然是因为手上有触觉。
以前有一些实验，把人的手指神经末梢的感觉屏蔽掉之后，一些看起来很简单的工作也做不了了。
换句话说，如果把眼睛遮住，人仍然可以完成很多任务。所以触觉对于最终实现任务非常重要。
而今天的 VLA 也好、世界模型也好，整个训练方式基本上完全没有触觉信号。Sharper 这次展示了，当触觉引入高自由度末端执行器，也就是灵巧手之后，我们如何完成一些过去很难想象的任务。
程曼祺
这次你去美国，据你所知有哪些公司、机构和学校在使用 Sharpa 的手做研发？他们看到了一些什么新的成果？
陈哲
这个感受从去年年中、下半年开始就非常强烈。
如果回看四五年前，具身智能或机器人前沿研究大概是在做四足运动控制。再往前一两年，大家广泛研究 VLA、两指夹爪，或者 UMI 这样的结构。
7. 灵巧手成为研究前沿
过去一年，人形机器人的 locomotion 问题也初步得到解决了。所以，如果你是研究具身智能领域的世界前沿研究人员，今天应该研究什么？下一个值得研究的方向是什么？
我觉得从去年开始，基本上所有我接触到的研究人员，形成的共识都围绕着灵巧手。
程曼祺
灵巧手，世界模型，对吗？
陈哲
世界模型也是，但世界模型很有可能是大厂主导的研究方向。
最近世界模型有很多发布，它的 backbone 是视频生成模型。今天还有能力、还在牌桌上做视频生成模型的，已经都是绝对的大厂。
视频生成模型本身的挑战，是对算力和资源的消耗呈指数级增加，计算量远远大于文字模型。
程曼祺
这也是为什么你看到 Sora，OpenAI 前几天刚刚宣布停止 Sora 产品的工作？
陈哲
以谷歌为例，它每天在视频生成模型上的投入，包括研发和算法投入，都非常巨大。这对任何创业公司来说，都是很难想象的量级。
程曼祺
OpenAI 难道也是这样吗？OpenAI 有这么多钱，可能是想聚焦 Agent 和 Coding，去和 Anthropic 竞争吧？
陈哲
今天 Agent 和 Coding 是非常明确的需求。我觉得 OpenAI 在这方面也是落后的。
但更大的问题是，视频生成非常消耗资源。如果没有明确的下游消费和变现场景，对公司来说就是持续投入。
为什么从全球范围来看，现在可能真正做得最好的视频生成模型，是字节的 Seedance、谷歌的 Veo、Grok Imagine，以及快手的可灵？因为它们背后都是全球最大的互联网公司。
程曼祺
那我们把你说的研究人员正在做的灵巧手讲完。现在他们主要用哪些公司的手？这听起来也是一个创业机会。
陈哲
Sharper 的手正式发布应该是在 2025 年 5 月的一个亚特兰大会议上。我正好参加了那场会议，也是现场第一次体验这只手，确实非常惊艳。
但实际上，过去一年海外研究人员用得最多的，应该是心动纪元的那只中自由度、12 自由度的手。只是在过去三四个月，随着 Sharper 的手提供给海外研究人员，大家可能开始逐渐用上 Sharpa。
程曼祺
星尘智能那只手是 12 个自由度，Sharper 是 22 个自由度。人手不算手腕的话，也是 22 个自由度，对吧？
陈哲
对。要做复杂操作，自由度少了是完成不了的。包括今年初英伟达发布的 EgoScale，也可以很好地映射到 Sharper 的高自由度灵巧手上。
程曼祺
它一只手卖 5 万美元，美国学校这么有钱，买得起吗？
陈哲
很多是补贴的，因为这些公司也希望自己成为研究的基础环节。
我觉得未来 12 个月到 18 个月，市场玩家会围绕谁能成为灵巧操作和灵巧手研究的行业标准，也就是默认选择，展开非常激烈的竞争。
这有点类似 G1 的位置。今天你做人形机器人研究，如果不用 G1，发一篇 paper，别人很难复现你的工作。
如果灵巧手出现一个类似的产品，它也会成为全球研究人员的默认选择。这意味着这只手必须足够可靠，拥有足够高的自由度，能够完成各种复杂操作和研究，同时成本较低，并且具备完善的传感器、开发环境和开发能力。
我觉得 Sharper 的目标肯定不止于此。最近我和李一帆聊了一下，我说很多从业者都说你们的手很厉害，我们可能会录节目聊这个事情。他说，他觉得最重要的还是 AI 能力。
我非常理解，因为他们的目标是做一家通用机器人公司，目标不是做一家灵巧手公司。
但我认为，这里面可能有一个巨大的、被低估的机会。我觉得灵巧手可能是一个巨大的机会。
程曼祺
这里面有什么 lesson？
陈哲
宇树的成功路径可以作为一个 lesson。
2020 年，因为 2019 年 MIT Mini Cheetah 论文开源，市场瞬间出现了很多做四足机器人的公司。
程曼祺
可以稍微解释一下 Mini Cheetah 开源了什么吗？
陈哲
在 Mini Cheetah 开源之前，市场上已经有很多四足机器人公司和技术方案，有液压方案，也有更复杂、成本更高的电机方案。
Mini Cheetah 当时比较典型的工作，是引入了一个准直驱的 QDD 电机，这是一种很经典的结构，同时开源了完整的控制算法，让国内很多原本比较业余的团队也可以快速搭建一台四足机器人。
这催生了整个生态的快速繁荣。市场上迅速出现很多创业公司，小米开始做铁蛋，小鹏收购了一家四足机器人公司，成立了鹏行智能，还有很多互联网创业者纷纷进入市场，开始做四足机器人。
我记得当时小鹏机器人公司在 2021 年的第一轮融资就是 1 亿美元，估值 5 亿美元。
同时期的宇树还是一家不被人注意的公司，但为什么宇树走得最远，走到了今天？因为王兴兴是一个非常本分、非常专注的人。他就是想做四足机器人，想把四足机器人做好。
这批科学家需要便宜、好用的硬件。也因为王兴兴的本分和坚持，他没有投入资金去做 AI，也没有去做 C 端量产。
今天对于灵巧手来说，我认为市场上可能存在一个类似 G1 的位置。但你需要非常克制、非常专注，把这样的产品做好，才能成为全世界所有想研究和解决灵巧手问题的研究人员的首选方案。
灵巧手背后其实是灵巧操作，是具身智能里非常关键的一环，也是重点研究方向。
如果一家灵巧手公司过早去谈商业闭环，却没有足够开放，不能和科研市场合作、共振，就可能错失这个机会。
程曼祺
对我来说，这很像小鹏机器人在 2021 年试图实现机器马量产的尝试。机器马失败的记忆开始攻击我，我都快忘了这件事。
陈哲
对，他们当时确实推动过，但这个 story 和灵巧手很像。机器马失败的本质，是在那个时间点，四足机器人还没有到商业化阶段，仍然处于一个非常需要研发和投入的阶段。
程曼祺
其实说到小鹏，我们刚才聊中国人形机器人公司时没有提到它。小鹏也是做双足全人形机器人的公司。
陈哲
客观地说，我觉得中国车厂做人形机器人的实力都不弱。但从绝对创新性和突破性来说，车厂的战略可能还是快速跟随，路线也很多是在借鉴特斯拉。
程曼祺
聊完中美两边的公司，你有什么整体感受？美国和中国现在具身智能的发展情况怎么样？
陈哲
首先，这个行业一直有一种说法：中国和美国的具身智能是在同一起跑线上，而不像大模型，中国在最开始显然落后美国至少半代。
一个问题是，这个说法是否成立。机器人或者通用机器人是一个非常跨领域、综合性很强的东西，有软件、硬件、系统、工程、供应链等等。
美国发展这件事情，先天在硬件供应链上有短板，这对他们来说是很大的挑战。
我的个人感受是，不像大模型，我们可能处于追赶阶段；在具身智能领域，我们真的有可能处于领先状态。
首先，在具身相关的复杂硬件产品上，无论机器人本体还是灵巧手，我认为中国公司都领先世界。
到了大脑这一层，美国公司以 Pi 为代表，在顶尖人才、算力和数据方面仍有明显优势。但随着具身大脑和硬件进一步耦合，无论是在灵巧手维度还是本体维度，如果未来具身智能研究大量和人形结构，或者非常复杂的硬件载体耦合，中国的优势只会放大。
程曼祺
这里面有一个变量，正好是我们接下来要讨论的世界模型。你刚才提到，英伟达的世界模型是以视频生成模型为基础的，对算力消耗非常大。中国公司普遍来说，算力资源和同级别美国公司相比要差一个数量级，大厂可能差一个数量级，创业公司更少。
这对中国来说可能是一个挑战。世界模型还很早期，你不知道未来还要做什么，在这些事情上，中国的探索程度会怎么样？
陈哲
8. 世界模型重塑机器人大脑
我觉得世界模型和 VLA，可能代表了具身智能大脑研究的两条主旋律。
VLA 以文字为 backbone，代表人类用语言沟通、描述和推理的能力；世界模型以视频为 backbone，代表人类的视觉智能。
程曼祺
这两个是互斥的吗？
陈哲
它们是互补的。人类智能既离不开语言，也离不开视觉。人类如果损失了文字或者视觉中的任何一个模态，仍然会有智能，但会受到很大局限。
对机器人来说，世界模型本来就是人类智能中非常重要的视觉理解和泛化能力，只是用了一种更巧妙的方法，应用在机器人脑中。
程曼祺
那可以展开讲讲最近世界模型的进展。一个比较受关注的是英伟达从去年底到 GTC 一直在讲的 WAM，也就是世界动作模型。
可以先聊聊怎么理解世界模型，因为现在这是一个比较宽泛的概念。
陈哲
世界模型不是一个新的概念。我的定义是：基于当前观测，可以预测未来会发生什么事情的模型，叫世界模型。
世界模型已经应用在很多不同场景。比如自动驾驶，在特斯拉的分享里，他们也提到有一套世界模型用于自动驾驶仿真和模拟。
OpenAI 推出 Sora 时，也没有把它定义成视频生成模型，Sora 从来被定义为世界模型。
程曼祺
当时大家就在讨论这件事情，因为它让大家感觉模型似乎具备了对物理规律的理解能力。
陈哲
LeCun 做的那套体系，也是一套世界模型。但他认为，在他的架构里，物理世界有更多可以显性表达的规则，可以用来描述物理世界的 intrinsic 信息。
所以大家面对世界模型这个概念时，会基于自己的出发方向有不同解读和理解。
在机器人场景里，最直接的方法就是通过视频生成，或者说通过脑补，预测物理环境会因为我们的动作产生什么变化。它可以用于动作仿真，也可以用于策略生成。
所以我们认为，世界模型相比 VLA，是一种新的技术范式，或者说是对新模态的补充。
程曼祺
具体到英伟达的 Dream Zero 和 Dream Dojo，它们在这个方法下做了什么贡献？
陈哲
Dream Dojo 可以想象成一个基于视频的世界模型仿真器。我可以基于当前图像，预测和渲染未来世界的样子，它就像一个仿真器。
Dream Zero 可以通过视频生成的方式，把当前任务和现有环境，输出成机器人需要执行的策略和动作。
英伟达定义的世界动作模型，不再是基于描述和观测直接输出对应动作序列，而是通过脑补建立因果推理，然后在这个过程中生成一套符合世界规律的机器人动作。
这其实脱离了以文本为核心、以动作克隆为核心的 VLA 控制范式。
如果类比人类智能，文字代表的是推理和思考过程，是更低频、更复杂的推理；视频代表的智能，则更加应激、实时，更强调与环境互动。
我觉得这两种能力在未来的通用具身智能里都是不可或缺的。
程曼祺
我有一个比较模糊的理解：相比于之前的 VLA，它是不是有了时间感？
如果我直接从一个视频或者图像到一个动作，VLA 可能理解不了一帧一帧之间的前因后果。
陈哲
这个描述挺准确。为什么 VLA 作为运动生成模型是一个比较受限的模型？因为它底层 token 的描述，实际上描述的是一个静态状态。
它的输入是静态图片，以及文字对语义的描述。那它为什么可以生成一串动作序列？因为训练 VLA 时，通常先拿一个 VLM backbone，模型已经具备对文字和图片的理解能力，然后在这个场景里粘贴上一段关节动作信息。
所以它是强行把文字和图片描述映射到一段动作序列。简单说，这是一种带有描述的行为克隆。
这也是为什么在 VLA 范式里，我们在遥操作场景中反复叠一件衣服。衣服不同的折痕会通过图片记录下来，再和对应的关节动作建立某种映射。
程曼祺
之前我们做过一期节目，讲具身智能的测评。那期嘉宾是千寻的联创高阳和原力灵机的联创范浩强。
原力灵机有一个测评平台叫 RoboChallenge，里面有一个 Table 30 任务，其中有一个很刁钻的任务，是扫二维码。
范浩强当时跟我说，所有模型都做不了，因为扫二维码不是让机器人对着二维码完成一个固定动作，而是画面变了之后，它需要知道自己是否扫上了。如果不加外挂，模型都做不了。
陈哲
第一，VLA 可以增加外挂，就像今天的 Agent 也可以增加外挂。
但更关键的问题是，VLA 本身并没有预测未来会发生什么，而是在建立一种映射：当你看到这样的图片和文字描述时，就应该产生这样的关节序列。
这就是为什么它的 generalization 很差。有时候把蓝色杯子换成红色，或者把左边杯子换到右边，它可能就会失效，因为它要克隆的行为样本里，并不存在这些分布。
而世界模型的一大优势，是基于广泛的视频数据训练。视频数据里可能见到的分布更广，虽然也不是绝对保证。
如果能够学习广泛数据分布中的动作规律，那么无论是做运动仿真验证，还是生成运动 policy，理论上都有更高的上限。
程曼祺
谷歌这一季度在做什么？谷歌当年 RT-2 是 VLA 的提出者。如果现在大家的重点变成英伟达提出的 WAM，它可能弥补很多 VLA 的缺陷，谷歌有什么新的进展吗？
陈哲
谷歌在拼命做视频生成模型，这是我们知道的。
另外，至少我知道的 Gemini Robotics 研究方向，和 Pi 的重合度非常高。它们拿出来的结果，在去年夏天或者 10 月发布的 Gemini 1.5 结果也非常好。当时相比同期的 Pi，确实有明显优势。
但如果仔细看，它为什么能获得很好的效果，一个非常重要的原因是它有更好的基座模型，用的是 Gemini。Pi 使用的是开源的 PaLM，是一个明显更小、更弱的开源模型。
我们在国内很多具身智能公司看到的一个现象是，如果换一个更好的预训练语言模型，其他事情都不做，最终模型效果也会变好。
所以对于 VLA 这样研究范式清晰、方向清晰的路线来说，谷歌有明显的后发优势。它可以训练出更好的基座模型，直接受益于 VLA。
如果它也能训练出更好的视频模型，当然也会非常受益于世界动作模型。如果它认为这是值得投入的方向，我不会觉得奇怪，它会成为后来居上的玩家。
程曼祺
英伟达世界模型的新方法，现在有什么不成熟的地方？比如我看到它的速度很慢，Dream Zero 跑在机器人上只有 7 赫兹。
陈哲
速度问题都是可以解决的。计算机科学的核心本质是先找到路径，只要有路径，就总能做优化。
就像 Kimi、DeepSeek 可以做推理优化，极致的算力优化是可以做的，但路径探索很难。
GPT-3、GPT-3.5 刚出来时，token 生成速度也很慢。但今天的生成速度相比当时可能已经提高了 100 倍、1000 倍。
视频模型现在还处于非常早期，推理速度比较慢是符合预期的。
更关键的是，具身智能过去几年有一个特点：高度受益于大语言模型或者 VLM 研究的进展。因为有了更好的 VLM，我们可以训练更好的 VLA；因为有了更好的视频生成模型，我们可以训练更好的世界模型。
这意味着，这些新兴领域在基座模型上的性能提升，往往由外部力量决定。
程曼祺
由具身行业之外的力量决定。
陈哲
对。今天世界模型在基础模型水平上遇到的挑战，可能没有办法靠自己的力量解决。
程曼祺
视频生成模型有没有可能达到绝对完美，真正遵守物理定律、空间一致性和长时间持续稳定？
陈哲
随着时间推进，我还是很有信心的。我们已经看到，图片和视频领域在过去几年发生了非常快速的变化。
但即便世界模型达到完美状态，我们闭着眼睛可以脑补出未来 30 秒所有可能发生的事情，触觉信息依然是缺失的。因为视频这个模态里天然没有触觉信号。
所以在世界模型之后，如何把触觉信号融合进去或者增强进去，会是未来研究的重要方向。
程曼祺
这正好补充了你前面说触觉、灵巧手和世界模型是两个重要方向的另一个原因。而且这件事情得靠具身行业自己解决，对吧？不能靠那些基础模型厂商解决。
陈哲
对。它们之前可能没有积累，大家的起跑线是一样的。
这也是我看到很多创业公司正在做的事情：它们很难训练一个超大的 VLA，也很难自己预训练一个超大的世界模型，但可以解决灵巧手操作问题。
基础模型没办法帮它解决这个问题，它可以解决触觉与末端执行器结合的问题。触觉不只可以用在灵巧手上，也可以用在夹爪上，可以用在 Sunday 这样的 gripper 上。
这些信息以前都没有。
程曼祺
这个观察挺好。虽然现在在业内可能还不是一个很容易观察到的现象，因为大公司做这类事情相对少，大公司喜欢可规模化的事情，大家也过于相信 scaling law。
陈哲
大家想找一个能够 scale 的方法，这个原则本身是对的。王兴兴在今年 GTC 的分享里也专门提到，从宇树的立场来看，他们可能更看好世界模型路线，因为它的理论天花板更高。
我们知道，如果没有视觉，读再多文字，也不能理解和描述自然界的很多现象。但哪怕是一个文盲，不懂文字、不会说话，也可以很好地在世界上生存。
程曼祺
英伟达在讲 Dream Dojo、Dream Zero 的同时，也讲了一个新的数据框架 EgoScale，说是用超过 2 万小时的第一视角人类数据，打破了灵巧操作迁移的规模瓶颈。
陈哲
它有点像 RT-1 一样，训练了一个小模型。但这套方法既可以用到 VLA，也可以用到世界模型，因为它们都是数据金字塔里的一个构成环节。
如果思考数据金字塔，最精准、最高效的数据肯定是机器人直接的遥操作数据。它准确反映一个任务中，机器人每个关节、每个电机应该处于什么状态。
在这之上，是一些类机器人架构，比如 UMI 这种在末端的执行器。它模拟夹爪的特质；或者 Dex-UMI，它在末端模仿灵巧手的机械结构，但手臂、视角和其他自由度是开放的，并不受限于某一台机器人硬件。
再往下是第一视角的操纵数据，也就是 egocentric 数据；更下面才是广泛的互联网 YouTube 数据。那些视频可能都不是人在操作，也可能只是各种物理现象。
程曼祺
EgoScale 数据没有配合手套吗？
陈哲
EgoScale 那篇论文用的是 Manus 手套，也就是那款数据手套。采集数据后，可以把 policy 应用到灵巧手上。
它本质上是五指操作。作为预训练数据，它既可以用在 VLA，也可以用在世界模型，不受具体方法限制。
可以说，它同时提出了两件事：这套数据是可以解耦的，可以用于不同模型和方法；同时，它也提出了一个新的模型想法。
EgoScale 数据的重要性在过去半年急剧升温，因为大家找到了更高效的方法，把第一视角数据训练进 VLA 或世界模型。
为了实现运动足够泛化，我们需要在各个维度引入更多样化的数据。以前无论是遥操作还是 UMI，数据多样性都不够。引入 EgoScale，主要是为了增加数据的多样性。
程曼祺
直接用互联网视频数据不是最多样的吗？
陈哲
这就是数据金字塔里还有一个数据质量的概念。即便是第一视角视频，人的关节、手掌、上半身自由度，以及视野自由度都非常开放，而机器人没有这么大的自由度。
所以通过第一视角视频学到的动作，不一定能真正迁移到机器人上。中间的 embodiment gap 非常大，有很多手腕和手指动作根本迁移不过去。
当然，硬件越来越灵活、越来越强大，可以降低这个 gap。这也是为什么我们要开发高自由度灵巧手，而不是低自由度灵巧手。
但无论灵巧手多好，机器人的上肢和人的自由度相比仍然有巨大差距。
所以，egocentric 视频比第三视角 YouTube 视频，甚至没有人出现的视频更好；但它和 UMI 数据、遥操作数据相比，在精度和数据质量上仍有很大差距。
程曼祺
如果遥操作数据在金字塔最上面，互联网视频数据在最下面，那越靠近顶尖越贵、数量越少但质量越高，越往下则相反。
陈哲
对。EgoScale 数据可能比 YouTube 数据难获得一些，但数量仍然非常庞大。只需要带一个第一视角摄像头，可能有数据手套，也可能没有。
如果有数据手套，可以获得手指的具体动作；没有手套也可以进行学习。
这个金字塔里的数据全部可以是真实数据，也可以包含仿真数据。
仿真数据有两种：第一种是在完全虚拟环境中建模，有各种准确参数，或者用纯生成方法生成数据。这类数据可能介于 EgoScale、egocentric 和 UMI 数据之间。
另一种是对真实数据做 augmentation。比如把 UMI 数据进行扩增，也是一种仿真数据。所以仿真是一种手段。
程曼祺
你觉得英伟达和其他公司，比如去年 10 月发布数据解决方案的 Jaguar，这些新方案是不是意味着数据瓶颈基本解决了？
陈哲
我不这么认为。不是数据问题解决了，而是大家看到了可能如何解决数据问题。
程曼祺
也就是说，现在只是看到了可能性。
陈哲
对。
9. 数据采集成为新战场
说到 Sunday，我觉得它对行业有巨大的促进作用。我认识 Tony 和池诚也有一段时间了，很佩服这样的创业者，因为他们真的能够推出这个世界上原本没有、但事后又觉得非常合理的创新和设计。
池诚在斯坦福时就在做 UMI 方案，UMI 本质上就是他当时参与的工作，后来被 Generalist 改良，并广泛采集数据。
Sunday 在此基础上把两指 UMI 扩展到了三指。UMI 本质上是人手持一个同构夹具去做动作，因为一旦是异构结构，就必然会有 domain transfer 损失。
Sunday 的夹具是三指的，也带有触觉和反馈。增加这一根手指之后，很多过去夹具很难完成的动作，就可以通过 Sunday 的三指结构完成。
程曼祺
这里的“同构”，就是它和自己的机器人本体同构。采集数据的设备是三指的，机器人本身也是三指末端。
陈哲
对。他们迭代了很多版本，才收敛到今天这个形态，也是在这个形态上开始比较低成本地采集大量数据。
这也是很多中国公司正在做的事情。中国公司的优势是，只要有人把路线指明，我们的跟随速度非常快。
但即便过去 6 个月，UMI 和 Sunday 类似的方案开始快速出现，它们的数据规模、数据清洗和准确标注仍然需要很长时间。我不觉得很快就会达到数据饱和。
今年国内很多具身智能公司的目标，都是通过类似 UMI 的方法采集 100 万小时真实数据。但我认为，这仍然需要一段时间才能真正获得这么大量级的数据。
程曼祺
100 万小时数据可能有挑战，对吧？因为关键是有效数据。
陈哲
对，是 100 万小时有效数据。你还需要清洗和标注。
程曼祺
但即便有了 100 万小时数据，就足够了吗？
陈哲
我今天还没有这个结论。
程曼祺
除了英伟达最近这些成果，世界模型在整个行业还有什么新进展？比如谷歌的 Genie 3、字节的 Seedance？
陈哲
它们不太是直接和机器人相关。我觉得谷歌 Genie 3、字节 Seedance 这些生成模型或者仿真器，都会间接受益于机器人领域。
具体来说，Genie 3 高度基于 diffusion，是一种生成网络，追求视觉上的 high fidelity 和 visual appeal，但它对物理世界的遵从性可能比较弱。这对于训练物理交互来说并不好。
Seedance 也是如此。为了更好的视觉效果，它会突出艺术风格或视觉表现力，并不是为物理动作优化的。
程曼祺
回到刚才的问题，如果世界模型未来需要很多算力，中国公司是否可能在这个维度上落后？
陈哲
我分享一个很有意思的信息：今天全世界绝大部分，如果不是所有的世界模型和机器人视觉模型，基座模型都是基于阿里开源的 Wan 2.1 或 Wan 2.2。
英伟达也没有自己训练一个，使用的是 Wan 2.1。
程曼祺
像英伟达这样有钱的公司也没有自己训练，是因为觉得太麻烦、没有必要吗？
陈哲
我觉得今天没有必要。现在仍然处于尝试和研究阶段。
程曼祺
未来它会自己训练吗？
陈哲
有可能。但对它们来说，Wan 2.1 或 Wan 2.2 是可以访问到的、被广泛调试过的开源视频生成模型。
不过这里面的问题很多。如果问今天世界模型遇到的挑战，我问过很多研究人员，他们给我的反馈都是：Wan 2.1 或 Wan 2.2 根本不适合机器人视频生成。
程曼祺
它最初可能也不是为机器人做的，只是现在能找到的开源模型里，它是最好的。
陈哲
对，而且之后就没有更多开源模型了。这可能是另一个有意思的问题：整个市场的视频生成模型消耗算力太大，以至于头部公司都不愿意继续开源。
程曼祺
因为这是它们花了很多资源才做出来的事情，不想直接贡献出去。
陈哲
也可能是因为商业化还处在早期。从竞争逻辑来说，只要不是第一名，开源策略就可以降低头部公司的领先溢价和优势。
就像 DeepSeek、Kimi 选择开源一样，开源对 follower 来说是一个很好的策略。反正闭源模型很难收到钱，因为你不是最领先的。
所以未来随着视频生成技术成熟，我相信还会有厂商选择继续开源。
程曼祺
回到刚才的问题，如果大家现在的基座都在用阿里开源的视频生成模型，这是否意味着在世界模型竞争阶段，中国公司会因为算力相对少而处于弱势？
陈哲
有可能，但如果世界模型高度依赖阿里的视频生成模型，至少我没有觉得字节的资源会比谷歌少太多。
程曼祺
这还涉及分工问题。像阿里的模型被很多具身公司使用，但具身公司自己觉得没有必要，或者没有资源去训练视频生成基座。
最后这些创业公司的发展，就会受到视频生成模型公司的限制。有一种可能是，字节可以自己把这件事情做了，而且它确实一直在做。
陈哲
这是所有模型公司都会面临的问题。不管做什么模态，长期来看，一个独立的模型公司都可能竞争不过资源最丰富的大厂。
大厂的 unified model 可以把所有事情都做了，或者有足够资源把研究做下去。这个问题一直存在。
如果问谷歌的人，他们可能真的非常相信这一点：最终没有人能做得过大厂，这可能是大模型时代的终局。
但即便如此，对于真正想落地的具身智能公司和通用机器人公司来说，仍然有足够多的事情要做。基础模型之上，还有很多空间和工作需要它们自己完成。
这个边界可能会越来越模糊，不像 iOS 和 Android 那样清晰。它仍然存在边界，因为具体场景里的 know-how 和数据，长期来看还是最有价值的资产，这些并不是每个大厂都会拥有。
程曼祺
英伟达提出的新方向，有什么新的创业机会吗？我看到美国最近也有新的公司出现，也融了很多钱。
陈哲
我正好在 GTC 看到 Robo AI 宣布获得 4.5 亿美元融资。他们是一个以世界模型为创业方向的团队。
程曼祺
他们作为创业公司，要自己做世界模型中的视频生成部分吗？还是也会使用开源模型？
陈哲
具体细节他没有和我讲。但听起来，即使使用开源生成模型，他们也采集了很多可能是 egocentric 的视频数据，有自己的数据。
他们是在做 continued training，也就是再训练。就像 VLA 一样，已经有一些预训练好的模型，比如 CLIP，没有必要自己从头训练，可以在此基础上加入自己的数据进行再训练。
程曼祺
中国现在有这样的新公司吗？不是以 VLA 为主，而是以世界模型的方式探索具身智能。
陈哲
有一些，比如机加科技，他们宣称自己在做世界模型 approach。公司是由黄 [?] 创立的，他以前在地平线，后来在鉴智。
但我不是很熟悉他们具体做得怎么样。因为现在世界模型的 benchmark 还非常模糊，这是一个很新的方向。
从创业方向来说，这次我明显感受到，大家已经看到了视频生成模型竞争的挑战，它相比 VLA 路线的陡峭度更高。很多团队都在思考，如何面对这样一个新的技术范式。
程曼祺
大家认为它理论空间更高，但同时也更难，而且至少今天看起来特别大厂友好。
除了算力资源特别多之外，它难在哪里？
陈哲
数据和算力消耗都很大。训练一个好的视频生成模型，需要足够多、足够丰富、足够 diverse 的视频数据。
即便基于一个已经开源的模型做再训练，采集数据也是巨量的。
我之前和一家国内大模型创业公司的多模态负责人聊过，他们之前也在做视频生成模型，但继续推进的压力非常大。他说，拷贝几个 petabyte 的数据，可能一次就是几十万元人民币的账单，什么都还没做。
这种消耗和处理几个 TB 的 token，完全不是同一个代价。
程曼祺
另一方面，大厂虽然有很多互联网内容，但从合规角度，是否也不能直接使用？之前我和谷歌的人聊，他们说谷歌内部想用自己的数据，有时甚至比外部创业公司更麻烦，因为有很多合规流程和法务问题。
但我发现一个巧合：现在最好的 3 个视频生成模型，分别来自拥有 YouTube 的谷歌、拥有快手的可灵，以及拥有 TikTok 的字节。
陈哲
更关键的是，所有好的算法架构和训练 recipe，都是靠海量实验和算力堆出来的。这是今天所有具身智能创业公司面临的巨大挑战。
我没有那么多算力怎么办？即便有几万小时、几十万小时数据，已经清洗、标注好了，为了训练出 π0.6 这样的模型，也要做很多尝试。
recipe 是怎么出来的？需要算力去测试。很多公司缺少的不是数据，而是实验，实验数量和规模都不够。这些都需要 GPU 支持。
程曼祺
前面我们聊了中国公司、美国公司，已经涵盖了你提到的 5 个最关注的进展。接下来想总结一下具身智能领域很重要的基础设施和商业进展。
一个是算力。业界讨论算力相对少一些，尤其相对于大模型行业。刚才我们讲了训练模型的算力，端侧算力现在在具身领域是什么情况？机器人上的主芯片大家会用哪些公司的？
陈哲
10. 机器人芯片争夺战
如果是实时推理，比如在人形机器人上做实时推理，大概率最默认的选择还是英伟达的车载芯片。
程曼祺
英伟达的车载芯片不是 Jetson 系列吗？英伟达不是还有一个机器人系列？
陈哲
不是 Jetson。Jetson 算力不够，Orin 系列，甚至更高的 Thor 系列。
核心原因是今天需要的算力仍然很高。Jetson 的定位比较尴尬，算力没有那么大。
你可以这样想：今天做端到端自动驾驶的公司，要把一个模型实时压到 Orin 上，已经要费很大力气。具身智能的 VLA 也好、世界模型也好，模型复杂度不会比自动驾驶模型低。
今天还完全没有到需要节省算力的阶段。在 100 到 200 瓦功耗内能够拿到最好的算力，就是自动驾驶芯片。所以英伟达依然是这个领域的基础设施提供方。
程曼祺
没有其他公司吗？比如高通？
陈哲
目前看，除了英伟达，国内很多公司其实在和地平线合作。
自动驾驶量产市场里，地平线大概占 40%，其他厂商还有约 20% 的市场份额。很多人自然会把车载芯片用到人形机器人上。
这个机会也可以属于华为。华为在高阶自动驾驶中仍然有相当市场份额，但它的挑战可能是大厂内部的优先级问题。
由于制裁限制，它的大量芯片产能优先供应云端芯片和手机端芯片。对于车载芯片，我的理解是优先级不够，机器人优先级可能就更低。
这也是英伟达遇到的问题。英伟达在云端 GPU 上拥有压倒性地位，但到了车载，它已经不是完全统治的地位。
程曼祺
高通在车载也做得挺激进，一直讲舱驾一体，以及更低成本、更高性价比的方案。
陈哲
是的。到了机器人领域，我觉得英伟达的优势可能进一步削弱。
真正量产的机器人非常考验成本、功耗等一系列取舍。今天具身机器人还没有规模化量产，但如果看其他商用机器人、家用机器人、扫地机器人和无人机，没有人在用 Jetson 方案做量产产品。
这意味着市场是开放给中国其他公司的。
程曼祺
现在主要有哪些玩家？
陈哲
已经大规模量产的家用机器人，最大的玩家是地瓜。地瓜是地平线孵化的公司，主要做可量产商用机器人和消费机器人的算力。
更低端的还有全志、瑞芯微等传统 ARM 芯片和 MCU 芯片。英伟达在这些领域基本没有市场份额。
所以从云端到车载，再到机器人，英伟达的统治力越来越弱。
我对这个问题的总结是，这是一个典型的创新者窘境。它在云端太赚钱了。这个问题就像当年的英特尔：英特尔在 PC 和服务器端太赚钱，不愿意做便宜很多的手机芯片。
2005 年左右，乔布斯去找英特尔，希望它为 iPhone 做芯片，英特尔拒绝了，最后才诞生了 ARM 这样的公司的机会。
我认为今天地平线或者地瓜也面临类似的问题。英伟达因为在云端太赚钱，车载和机器人方向在公司内部完全不是重点。
程曼祺
还有一个玩家，特斯拉。
陈哲
特斯拉其实验证了一件事。马斯克明确表达过，未来自动驾驶汽车和 Optimus 会使用同一款芯片，从架构、算力、能耗等方面考虑，对同一款芯片进行优化。
它的选择印证了，从车载到机器人有很好的技术延续性和场景延续性。
这也意味着，国产自动驾驶芯片的领先公司，大概率在具身智能时代也会成为强有力的竞争对手。
智能汽车时代能够自己量产芯片的公司，包括小鹏、华为、理想、小米等，在具身智能时代也会成为很有利的算力解决方案。
程曼祺
我感觉之后会是一场很激烈的竞争。你刚才已经说了很多公司。一般来说，芯片市场进入成熟阶段后，应该不会有这么多供应商吧？
陈哲
历史上，一个复杂芯片基本上只有两个主要供应商，而且通常是二八分：第一名占 80% 左右，第二名占 20% 左右。
所以未来具身机器人或者人形机器人，大概率会经历一场非常激烈的淘汰赛。这件事情虽然还没有发生，但未来几年可以持续观察。
或者更直接地说，对创业者和投资人来说，这既是巨大机会，也是巨大挑战。
人形机器人很可能是一个高度收敛的赛道，是一个通用的、单一架构的机器人。如果这个东西足够好，它的产量和规模应该非常巨大，这意味着赢家会高度收敛。
智能手机之所以高度收敛，是因为人的手就长这个样子。在 iPhone 发明之前，功能机非常多样，因为不同需求可以创造不同功能机，就像今天的 feature robot 一样。
我们今天有扫地机器人、搬运机器人、工业机器人。一旦通用机器人形成，大概率会是一个高度集中的市场。
程曼祺
但汽车没有这么集中。
陈哲
汽车其实也很集中，只是有地方产业保护、政府补贴和就业等一系列因素。
如果看全球汽车工业，美国只有 3 家汽车公司，日本大概 3 家，韩国 1 到 2 家，欧洲也是几家。这已经是高度集中的状态。
而且汽车未来可能会更加集中。随着 AI 和自动驾驶普及，汽车作为软硬一体的载体，门槛和优势会进一步放大。
复杂度越高，门槛越高，软硬件复合能力越强，集中度就一定越高。所以我认为智能汽车和自动驾驶汽车未来一定会高度集中。
同理，人形机器人作为未来人类技术的集大成者，集中度一定会非常高，不应该出现那么多不同的人形机器人。
当然，不同场景可能有 1.8 米的、1.2 米的，有男性形态、女性形态，但集中度应该仍然很高。
程曼祺
对创业公司来说，更稳健的路是不是做 feature robot，也就是针对特殊场景的机器人？它们也许不会被通用机器人完全取代。
陈哲
今天一个很有意思的现象是，一些成功的年轻创业者正在做 feature robot。汪滔做无人机，无人机也是 robot；石头科技做扫地机；还有公司做割草机、仓储机器人、泳池机器人。
泳池机器人今天也有很多年轻创业者在做。他们通过这样的产品实现创业。
程曼祺
那做 feature robot 的公司有没有可能进化成通用机器人公司？
陈哲
有可能，但这对组织会有巨大的挑战和冲击。
就像一个家电公司或者传统制造业公司，能不能把机器人产品或复杂产品做好，关键在于整个公司的组织文化和基因，这会受到巨大冲击。
程曼祺
我想到一个例子，就是苹果。苹果最开始是电脑公司，不是所有电脑公司都完成了苹果后来做的那些事情。
陈哲
首先，电脑是一个多任务产品，而且有很重的软件和算法成分。无人机、割草机虽然也是复杂的软硬件结合产品，但它们是单任务产品。
单任务和多任务产品非常不一样。
或者更好的问题是：最早做计算器的公司是惠普和德州仪器，但它们没有进化成家用 PC 公司，虽然计算器已经卖到千家万户。
程曼祺
惠普不算吗？
陈哲
不算。它是 IBM 兼容 PC 的组装厂商，并没有真正引领个人电脑革命。个人电脑是由苹果和 IBM PC 带起来的。
程曼祺
我在想，未来真正摘得通用机器人桂冠的公司，到底是一开始就做通用机器人的公司，还是也可能是类似大疆、扫地机器人公司这样的公司，就像《Zima Blue》里那个机器人，最开始是泳池机器人，后来变成了一个人。
陈哲
我认为最终能够摘得这个桂冠的公司，应该是已经积累和建设了相关能力的公司。
如果 Sharper 有一天做成一家通用机器人公司，我不会觉得奇怪。机器人公司很大一部分能力是光机电结构、精密工程和量产，这些都是 Sharper 团队过去 10 年被验证和打磨出来的能力。
所以对于通用机器人成功来说，它们可能已经拥有了 50% 的 recipe，只需要补另外 50%。
大疆也可能成功，因为大疆和 Sharper 一样，拥有生产、设计和开发能力。但它们缺的 50% 能不能补上，就非常看团队的学习能力和迭代能力。
另一方面，做具身智能的公司也需要补其他能力，有可能补上，也有可能更难。
程曼祺
我大概知道你的偏好了。
11. 中国机器人上市潮
最后聊聊第一季度资本市场的一些变化。今年第一季度已经出现了一个明确、而且可能贯穿全年的现象，就是中国具身智能公司的上市潮。
宇树已经提交了招股书，我也知道很多公司已经递交了材料。关于这个上市潮，你觉得它整体上会带来什么影响？
陈哲
非常清晰的一点是，机器人可能是中国未来 10 年国家级、战略级的发展主线。
无论是基础硬件技术，还是软件、算法和大脑相关技术，我认为宇树上市可能会开启一批具有全球竞争力的中国公司发展的新阶段。
所以从市场角度看，我觉得这对创业公司和投资人都非常利好。
程曼祺
你觉得是利好创业公司？一方面，二级市场行情好，可能会利好；但另一方面，资源也可能向头部集中。
陈哲
头部集中不是坏事。就像电动车一样，对整个行业不是坏事。
对创业公司来说，创业成功的财富效应，本来就是驱动很多人进入市场进行创业和投资的原生动力。
有成功的标杆企业，我觉得会吸引更多人才和资本进入这个领域。
最近我和清华、北大、交大、复旦的很多聪明年轻人和学生交流，感觉可能有一半人都在做具身智能。这和过去两三年一半聪明人都在做 AI 很相似。
至少这比 2012 年中国最好的脑袋都在想怎么提高广告转化率，要好得多。
从国家发展阶段和科技发展节奏来看，第一，中国企业和中国学者到了可以引领世界前沿的阶段，我们正在从追赶者进入原创创新的节奏。
第二，具身智能本身发展的时间点也具备了很多条件。大模型技术成熟、生成技术成熟、AI 算力和数据中心等基础设施成熟，都让具身智能发展到了临界点。
更多资源和脑力向可能产生突破和成果的方向聚集，我觉得不是坏事。
我作为一个相信 Alpha 投资理论的风险投资人，当然会提防泡沫和市场 hype，这是做投资多年的本能。
但如果站在国家宏观发展和战略角度看，这就是中国引领世界的绝好机会。
我们已经有了电动车基础，也有 AI、半导体和算力方面的突破。为什么不能在具身智能或通用机器人上真正领先世界？
这个回报非常诱人。所以不管是资本市场，还是我去清华、北大交流，都能看到巨大的能量在积累。
程曼祺
你觉得宇树上市会把这股热潮再往前推一推？
陈哲
会。而且从我个人角度看，宇树是一家商业质量非常好的公司，不是泡沫公司，也不是概念公司。
它有真实用户价值、真实收入，经营也非常高效。我觉得它上市，至少比很多其他具身智能公司的上市更有代表性。
程曼祺
现在有很多公司启动上市流程。我觉得也有一种可能：监管不会让这么多具身智能或者机器人公司都上市，可能会考虑同质化。
如果有些公司上市成功，有些没有成功，接下来可能会对一级市场投资和创业热情产生影响。
陈哲
肯定会。很多投资人的目的还是希望公司能够顺利退出、上市。如果知道它没有上市预期，很多人确实就不会投资。
程曼祺
所以接下来仍然有很多不确定性。这一年资本市场会怎么变化？
陈哲
可能更关键的还是发展速度。
我们可以类比 AI 经历过的多个寒冬和周期。市场容易对技术短期变化产生过高预期。虽然我们做基金研究和投资这么多年，见过科技周期的冷热，但今天具身智能这波浪潮确实非常狂热。
未来一段时间，市场预期肯定会调整。我觉得这可能比短期能不能上市，对市场造成更大的冲击和调整。
程曼祺
现在这么多钱涌向创业公司和一级市场，什么时候可能相对平息或结束？
陈哲
我很难判断市场情绪，尤其是同行们的情绪。
程曼祺
现在这种情况超出你的预料吗？
陈哲
肯定超出预料。
我做过一个统计：到今天，中国估值超过 100 亿元人民币，或者 15 亿美元的人形机器人和具身智能公司，应该已经超过 20 家。
对比来看，在大模型最狂热的时候，也就是 2023 年、2024 年，估值超过 100 亿元人民币的大模型公司也就 4、5 家。
我们清楚地看到，大模型已经有比较明确的商业化和行业应用机会。从 Anthropic、OpenAI 的收入可以看到，大家正在快速拥抱和使用这些技术。
但具身智能底层落地还需要很长时间。我们最头部的宇树，收入也就是 2 亿多美元，但市场现在已经充斥着 20 家估值超过 100 亿元人民币的公司。
我觉得这肯定需要时间去吸收和淘汰。
程曼祺
最后做一下总结。展望接下来一个季度到半年，你比较确定会发生什么？
陈哲
我觉得有几点。
第一，世界模型正在快速成为行业研究热点。无论中国还是美国，谁能够在世界模型技术上拿出显著超越 π0 当前 VLA 技术路线的 demo 或结果，都值得期待。
第二，灵巧手。随着更多研究人员使用带有触觉信号的高自由度灵巧手，未来一两个季度会出现更多灵巧操作成果，也很值得期待。
还有一件很有意思的事情，可能会在未来一个月发生，就是北京亦庄的人形机器人比赛。
为什么有意思？去年比赛举办时，很多人觉得这是一个很搞笑的噱头，可能只有几家公司参赛。
但今天我得到的信息是，可能全中国所有有头有脸的人形机器人公司，都在不遗余力地备战这个比赛。
我认为这样一个高密度、高竞争性的活动，就像汽车工业里的 F1 大赛一样，会催生很多前沿技术和方案的迸发与突破。
程曼祺
之后可能再下放到更大规模量产的版本，但 F1 确实有这个逻辑。
陈哲
是的。我认为未来人形机器人的运动会，可能就是机器人领域的 F1：更快、更好、更远。
程曼祺
我之前没有从这个角度想。早期大家更多是看笑话的心态，觉得这是政绩工程。
陈哲
但我认为很多人形机器人公司在春晚之后都憋着一股劲，大家都想证明自己并不属于宇树，或者在某些领域有超越宇树的能力。
这样一个开放、公平的运动比赛，是体现大家对技术极致追求的很好土壤。而且它是一个普通人可以理解、欣赏的活动，表演意义和宣传意义都很重要。
程曼祺
最后一个问题。我想请你分享一个此时此刻觉得很重要、但还不知道答案的问题：
人形是不是未来通用机器人的最优解？还是未来的通用机器人会扩散出非常多的形态和工作方式？
你现在倾向于人形是最优解吗？
陈哲
我对这个问题还是没有答案。我之前有过很多质疑，但今天没有答案。
程曼祺
所以你之前更倾向于第二种，也就是未来会有很多不同形态的机器人方案。
陈哲
对。就像我们有汽车、有飞机，会比较分散，人形只是其中一部分。
程曼祺
但现在这个答案变得更模糊了。
陈哲
对，对我自己来说更模糊了。
见证过机器人几十年的发展历史，我不是一个简单或盲目的技术乐观主义者，因为我们知道这件事情很难做。但我们也非常理解，技术突破是非线性的。
当它跨过一个临界点，可能真的进入正向加速的环境。所以我们能不能突破那个临界点，还是说因为物理限制——机械结构、电机结构、能量结构等一系列限制——永远达不到那个点，我到今天仍然没有特别清晰的答案。
我能看到的是，整个世界、整个国家的资源、脑力和算力，都在涌向这个市场，试图解决这个市场最难的问题。
所以我很难打包票说，这个问题 5 年、10 年以后都不能解决。我觉得今天的感觉可能反而更加模糊了。
程曼祺
我们可以把这个问题记下来。下一个季度可以看有什么新的问题，也可以回顾之前问题的答案有没有变化、想法有没有变化。
这可能也和大模型的发展有关。从 ChatGPT 开始到今天，大模型已经经历了三四年的发展。大家对于 AGI 什么时候到来、AGI 还有多远这件事，本身也是一个起伏震荡的过程，但大家最终可能变得越来越理性，也可能越来越乐观。
我觉得对于通用机器人和人形机器人来说，也会经历同样的过程。
今天非常感谢陈哲做客《晚点聊》，分享第一季度他认为最重要的 5 个具身智能行业进展或事件，我们也一一拆开聊了这些进展。
包括人形机器人的一些进展，比如宇树的表演、银河通用用全尺寸人形机器人做的网球 demo；我们也聊了美国公司的进展，包括 Optimus 遇到的挑战和 Figure 的发展。
很重要的一点，是我们讨论了世界模型。它可能是现在大家热议的、对 VLA 的替代或进化方向。这个领域也出现了一些新的创业公司，比如 Robo AI 在 GTC 上亮相后就融了 4.5 亿美元，中国也出现了一些类似的创业公司。
对我自己来说，关于灵巧手的部分提供了很多额外输入。灵巧手可能存在一个类似 G1 的机会，灵巧手、灵巧操作和触觉输入，也会给模型和硬件带来很多新的变化。
最后我们也稍微聊了聊即将看到的具身智能上市潮。
今天节目就到这里，各位拜拜。