刘一鸣
哈喽，大家好，欢迎收听《硅谷101》。我是刘一鸣。
今天我们来聊聊非常火热的机器人领域。最近就有两个非常有意思的新闻。前几天，硅谷的人形机器人初创公司 1X 发布了一款可以进入家庭的人形机器人 NEO，拍摄了精美的广告片，一下子在 X 和 YouTube 上都火了。
但很快，质疑声也铺天盖地。最大的质疑就是，它背后竟然依赖人在远程操作。这其实不是我们所想的那种真正具有泛化性的机器人，有点像 2023 年有一家 AI 初创公司号称能处理很多任务，但最后发现其实是雇佣了一大批印度劳工，在远程处理任务。
另一方面，最近也有一篇高盛的研究报告很火。高盛团队走访了一圈中国的机器人公司，但最后发现，虽然这些公司的股价都炒上了天，却没有一家公司获得大规模订单。最夸张的是，这些公司的产能规划基本上都在每年 10 万台到 100 万台这个范围之内，但高盛预测，到 2035 年，全球人形机器人的出货量可能也仅仅是 138 万台。
总之，大家的产能规划都比较激进，但真实订单还没有落地。不过，虽然有一定的质疑声音，整个具身智能赛道仍然在飞速发展，并且基本上和 AI 同步。在过去 2 到 3 年里，这个赛道吸引了非常多的资金入场。
今天我们就从投资人的视角，来聊聊具身智能这个赛道怎么看泡沫，中美的机器人公司在战略、打法和核心优势上有哪些异同，以及现在能看到哪些可能比较早实现的商业化落地。
今天邀请的两位嘉宾，都是在中美两边跑的投资人。一位是华映资本的海外合伙人 Jonathan 邱谆。他 1998 年就来到了硅谷，长期关注中美两地的科技投资，曾经是斯坦福大学工程学院和商学院的客座讲师，也是坚定的具身智能派。另一位是 Christine，她是盛大集团的投资副总裁，过去多年在软银负责机器人在美国市场的商业化落地，也曾在小马智行负责海外市场，现在主要在硅谷关注 AI 和机器人赛道。
两位先跟观众打个招呼吧。
Jonathan 邱谆
观众朋友大家好，我是华映资本邱谆。
Christine
大家好，我是盛大资本 Christine。
刘一鸣
我们先来聊几个全景问题，先构建一个全景。首先从投资视角来看，2025 年的人形机器人赛道，究竟是处于 GPT 时刻的前夜，还是已经明显出现了一些过热？
Jonathan 邱谆
我们内部一直也在讨论这个话题。一个观点是，一定会有一定程度的过热，但是我们觉得，任何一个大的爆发前夜都会过热。所以我们其实还是希望能够在过热当中找到比较清晰的一些机会。
我的想法是，因为我们更关注几个关键的技术曲线。今年我们其实能够看到，本体、大脑、小脑、仿真，还有世界模型，慢慢有一个汇聚的效应，大家都在同时发生着变化。具身智能已经不只是一个概念了。
但是从我们现在看到的 Demo，包括刚才刘一鸣你提到的 1X 这个产品，它的稳定性和成功率，远没有达到市场宣传的水平。所以在规模化和泛化能力这两个指标上，它还没有真正实质性的突破和飞跃。
所以我觉得，过热这个问题要从两个维度来看：一是产品或者 Demo 的实际能力，二是技术能力。从这两个角度来讲，的确不能和今天的估值相匹配。但如果我们向前看，关注未来的市场规模，那么我们现在仅仅是开始接近物理 AI 的可能性，这个市场的潜力是巨大的。
对于估值和风险投资来讲，这绝对是一个可消化的、也是值得提前占位的布局。所以我们也是在这个过程当中寻找自己的切入点。
泓君
之前我还听朋友说，像 Figure 之前拍 Demo，好像拍了十多次，但最终只成功了一次。所以很多看起来很厉害的展示 Demo，背后其实也有很多加速、不停拍摄，最后成功一次。
大家都在等待机器人赛道的 GPT 时刻。两位觉得，如果这个时刻出现，它的标志会是什么？比如成本降到某个阈值，还是出现某个杀手级产品？
Jonathan 邱谆
我把目前定义成 BERT 时期。Transformer 刚出来是在 2017 年，然后 2018 年 BERT 出来了。所谓 BERT 时期，大概是说我们已经有了一个比较清晰的技术路线，大致知道要往这个方向走。
现在包括 VLA、RT-2、π0，其实都有一个看上去很清晰的技术路线。GPT 时刻有两个阶段。一个是 GPT-3 时刻，是 2020 年。它的标志是出现了一次涌现，简单来说，就是之前大量的数据现在能够用上了。
其实在 BERT 时代，大家如果还能记得，因为那时候我们看了很多 BERT 项目，它的意义是定义了整个技术路线，包括预训练这些概念都是在那个时候建立起来的。GPT 里的 P，也就是 Pre-train 这个字母，其实从 BERT 时代就已经定义了。
但是因为 BERT 不是生成式模型，所以它很多数据训练不进去。回到那个时候，GPT-3 在 2020 年出现之后，才把所有数据一下子训练出来，形成了 175B 的大模型。我觉得这就是我们现在非常期待的一个标志。
我一直的观点就是，所有东西都是训练数据驱动的。如果有一天能够把所有这些训练数据都用起来，可能这个时刻已经很近了。当时从 2018 年到 2020 年，可能也就 2 年时间。
不过刚涌现的时候，大家并没有真正用起来。实话说，它的回答很多时候还不是那么准确。然后到了 ChatGPT，也就是第二个所谓的 GPT 时刻，经过后训练和 RLHF 等调优之后，大家发现效果一下子变得非常亮眼，真的能用了。
我觉得会有两个时刻。第一个是 GPT-3 时刻，我们很期待出现一次涌现。今天有这么多收集训练数据的方法，但事实上，还没有训练出一个真正能够在参数规模和性能上都达到一定水平的模型。
Christine
我同意 Jonathan 的观点，它肯定是两个阶段的爆发。
我们在第一个阶段，确实对技术目前所处的节点做了一些深入思考。如果第一阶段在技术上出现了具身智能的 GPT 时刻，那么机器人可能已经具备长期动作链的泛化能力。也就是说，机器人可以直接通过语言和视觉接收到人类的指令，然后把指令分解为一系列动作并完成。
比如我现在说：“你去厨房拿个杯子，倒水，再放回桌上。”完成这一整套能力，其实涉及从 L0、L1，甚至一些 L3 的能力。它已经不是脚本式的指令操作，而是端到端的泛化。
当然，这是我们从技术角度思考：当这个时刻出现时，是不是就已经非常接近，甚至达到了 GPT 爆发的第一步。
第二步，我觉得就是 ChatGPT。ChatGPT 从网页端进入大众视野之后，最实质性的变化是它在 C 端的使用量出现了产品层面的规模性爆发。在机器人上能不能复制这个规模，我觉得有难度，因为它毕竟是软件，而机器人是软硬一体的系统，还要落到具体的使用场景中。
但我觉得，另外一个可以类比的第二阶段，可能更接近苹果手机的爆发模式。它一开始是慢的，但是一旦数据和使用场景建立起来，就会变得非常快，而且市场稳定且庞大。
刘一鸣
我知道两位都经常在中美两边跑，也看过很多创业公司和上市公司。大家都在谈中美，无论是 AI 还是机器人领域，都有很多对比。
在你们看来，美国以特斯拉擎天柱、Figure、π 等为代表的创业公司和大公司，跟中国的宇树、智元、优必选这些公司相比，在战略打法或者核心优势上，有没有谁更好一点，或者谁更需要追赶？
Jonathan 邱谆
我们今年投国内的具身智能项目比较多，从 2 月份开始已经投了八九家。因为我自己一直在硅谷，跟这边大部分具身公司也都有交流。
严格来讲，我觉得两边还是比较接近的。确实有不少公司是偏融资属性、营销属性的打法，很多视频里也会有 CGI、加速，或者用比较粗糙的办法，拍很多次再通过一次。这是一类公司。
当然，也有一些公司在潜心做研究，不停发论文，比较学院派，很多时候是以论文取胜，不断推出新的架构和模型。
但中美的不同点，可能更多是在技术栈的切分上。美国相对还是偏软件，尤其是在大模型这一块，从基础模型驱动具身模型的进步上，美国还是会领先。不管是 π，还是 Skild，它们确实会偏学院派，包括李飞飞的公司，也都有这个特点。
从硬件迭代来说，中国是有优势的。最后肯定还是要融合，两边的交流也很多。很多机器人通用基础模型的进步，一定会推动整个技术栈，包括硬件的进步。
国内会非常关注美国这边最新的模型进展，而美国事实上在很多时候也需要依赖国内更加成熟的供应链。
我完全同意 Jonathan。我觉得我们的想法是一致的。
美国肯定是先走通用基础模型这条路。在美国看来，硬件本身是动作的物理载体。当然，硬件里面的一些核心模块也非常重要，包括手和触觉，但是它更强调基础模型。
而在中国，因为今年我在中国基本上是抱着学习的心态。我更多是回中国去学习，看硬科技已经发展到什么水平了。我这周刚从深圳回来，也走访了很多上下游企业，包括做硬件、软件和整机的公司。
我听到最多的一句话很有意思：硬件产品，尤其是机器人产品，在深圳这个地方，甚至可以一天迭代 3 次。我觉得这在硅谷是想都不敢想的事情。硅谷没有胆量去做，也没有能力去做。
所以我觉得两边各有所长，但这个长处最后怎么变成能力，也是我们一直在持续思考的一件事情。具身智能既有身体又有智能，最终落到场景时，我们应该怎么融合、怎么合作？
但这一点，学得最好的是特斯拉。毕竟埃隆·马斯克在上海学习中国生产，学习了那么多年，他肯定是有所得的。所以在这件事情上，我觉得特斯拉目前确实做得最好。
刘一鸣
现阶段因为软件的很多泛化性还没有得到更广泛的运用，可能硬件上的一些创新在这个时间点更容易产生成果。你觉得在商业化应用上，是硬件公司会走得更快一点，还是两方面都要等对方的进展？
Jonathan 邱谆
最后一定是垂直整合。当然，商业化也分几种。
第一种可能是短期商业化：你手上有什么，就试图把它商业化。比如你手上有一种硬件解决方案，就去找短期客户，这当然也算商业化。
但我们是做风险投资的，更像是一种长期资本、跨周期的心态。我们希望它最终能够实现具身智能的大规模、爆发性的技术突破。从这个角度来讲，我觉得两边肯定都要一起发展。
美国确实需要供应链的推动，这件事已经持续很多年了。美国最近才开始说要供应链回流、要有国产替代，但至少在十几到二十年的时间内，美国其实仍然严重依赖中国供应链。
十几年前，美国做智能硬件最有名的孵化器，一个叫 Highway1，另一个叫 PCH，两个名字就是一号公路的意思。它们每年或者每半年有一个批次，所有十几二十家公司都要被带到中国去。
当时华人创业者还不是很多，大部分是白人或者本地创业者。他们会被拉到华强北的一栋楼里，必须在那里待一段时间，好像是 3 个月。因为硬件迭代要求你能够下楼买到需要的东西，调整新的硬件架构，或者买一个新的电阻、电容。在美国，这件事就很难。
实际上直到今天，很多人还是在淘宝上下单，然后等一大圈物流才能配送到美国。硬件迭代在美国确实很难，这会阻碍它的商业化。
在国内，硬件供应链很强，但如果没有软件支持也不行。所以我一直有一个观点，叫软件定义、软件驱动。如果没有基础模型，没有大模型层面的 VLA，当然这也跟新的大语言模型有关，那么只靠供应链的进步，也无法实现充分商业化。
所以最后两边很可能还是互通、并驾齐驱、互相借鉴、互相融合，最后实现商业化。但最终哪个应用场景会先落地，是中国的某个应用场景，还是美国的某个应用场景，现在还不好说。
我一直想讲的一个观点是，能不能商业化，最后很可能取决于能不能形成一个闭环。你首先要在这个场景里面收集足够的数据，然后训练模型，最后才能商业化。这有点像冷启动过程。如果在一个场景里没有足够的数据，就轻易去商业化，最后可能也做不下去。
究竟是中国先还是美国先，我暂时也不是特别能够预测。我的想法是，中国现在正在进入商业化初期，但结论其实跟 Jonathan 一样：谁会先进入规模化商业化，现在很难讲。
中国在供应链、成本、场景和数据方面有优势。我认为最大的优势其实是场景和数据的开放性。
我举一个例子。有一家机器人公司，我突然忘记它的名字了。它不是在奔驰的产线上做试点吗？因为产线数据非常敏感，所以他们在产线上搭了一个小黑屋，像帐篷一样，让机器人在这个小黑屋里做复制性的动作。
这就是美国的生产线或者生产场景：它对数据、对机器人执行的任务本身都非常敏感。但是在中国没有这个问题。如果你有能力部署 1 万台机器人到我的产线上来干活，那么我可以开放数据给你用，这也可以是一个互帮互助的过程。
这就说明，我们一直在说数据、数据、数据。那么它的数据飞轮，是不是会先于美国开始运转？
我们也知道，OpenAI 最开始想做机器人的基础模型，但最后没有做下去，因为拿不到数据，这是一个非常大的问题。在美国，数据保护对具身机器人的数据使用和收集都造成了很大阻碍。
但美国的能力确实在软件、大模型和智能这一块。所以从一开始，他们做这件事就是用底层能力去定义机器人，用软件和大模型能力定义机器人，而不是先一步一步商业化赚钱，把商业化当作里程碑。
另外，谈商业化还要谈市场。美国市场的 ROI 对机器人来说确实是最高的。一旦机器人替代了人，它的市场价值以及可以商业化的场景，在物流领域会很明显。如果是 To C，肯定就是养老等场景，这些领域都有大量需求，而且付费能力非常强。
所以未来整个 SOP，我觉得第一，不要停留在试点水平；第二，数据要能够积累起来；第三，要有真正的落地场景。
如果真的要看到最大商业化的可能性，在美国市场，现在还不确定的是：机器人行业的 DeepSeek 会先出现，还是美国机器人的 OpenAI 会先出现。这件事情现在其实还说不定。
刘一鸣
Christine，我知道你最近正好去深圳调研了一大圈。最近高盛那份报告也很火，他们发现供应链厂商虽然非常乐观、积极扩产，但几乎没有收到实际订单。
你从很早的工业互联网时代就开始看机器人，一直到今天，你怎么看这种预期与现实的脱节？你会觉得这是一个健康的泡沫吗？
我从计算机视觉时代，也就是还在做摄像头和深度摄像头的时候，就开始进入机器人行业。那时候大家还不是那么相信这个故事，大概是在 2015 年、2016 年。
但现在很多事情都发展得非常快。比如电动汽车这个市场，很快就需要进入高度产能化的状态。所以我觉得，为什么现在大家会提前准备产能，可能是供应链产业上存在一种害怕错过的心理。
它需要先拿着供应链产能去拿订单，而不是先接到订单再做产能。所以我觉得，供应链所谓的泡沫，是一种提前布局，而不是实际订单驱动。
像这次我就看了很多传感器厂商，他们讲的故事甚至都是物理 AI 的故事。大家都在为这一波做准备，因为大家都觉得，这件事一定能做成，自己一定能够在供应链上占据一席之地。
但是现在有一个问题，就是落地场景确实不清晰，硬件设计也没有稳定下来。包括今年 Optimus，应该是在年中七八月的时候，把自己的硬件设计重新推翻了，所有订单都暂停了。
所以，上下游都会有试错成本。从这个角度来讲，可能确实有一些泡沫，也会有一些风险，需要小心把控。
刘一鸣
Jonathan，我知道你肯定是坚定的具身智能派，可能更偏向于软件最终能定义一切。但从更现实的角度来说，现在有很多公司可能还没有达到泛化智能，而是用原来的工业机器人，再结合一些智能化，做了一些改进，也许在产线上就能用。
这些公司可能有现金流，也可能在未来融到更多钱，然后站住脚、继续成长。你觉得这两派哪一派更现实，或者更有可能成功？
Jonathan 邱谆
这是两个不同的投资逻辑。具身智能其实应该有一个比较清晰的定义：具身一定是数据驱动的，而且大概率是人形的。
很多人可能不理解为什么要做人形，其实都是因为数据驱动。最后我们发现，不管用什么样的数据，只要达到一定数据量，大概率都跟人有关。
不管是互联网上的大量数据，还是人操作各种山川河流的数据，很多都用不上。大部分真正有用的数据，都是人的数据。你看遥操作、动作捕捉、示教，不管是第一人称还是第三人称，最后都会发现，里面都是人。
从这个角度讲，具身智能这一波的定义很清晰：用数据，而且是人形。当然，人形可以有一些变化，比如不一定非得是两条腿，也可以用轮子。就像一个坐在轮椅上的人。但如果只是一个机械臂，我就不觉得它是具身智能。
所以这不是两派，而是两种不同的投资逻辑。
第二类是什么？比如我原来做扫地机器人，这种属于机器人，它的大类别叫先进制造，不是具身智能。但先进制造可以变成智能制造，或者智能硬件。它可以装芯片，在上面运行控制算法，实现智能化，但不需要训练一个特别大的模型，也不需要收集那么多数据。
判断一家公司是不是具身智能，最简单的方法就是看它要不要数据。比如我是一个机械臂，上面可以装各种东西，也可以装摄像头，但我不需要那么多人类数据来训练一个很大的模型。
最后区分两者的结果，就是泛化性。第一类，也就是先进制造，最后还是专用设备。在很多专用场合，包括 AGV、机械臂、协作机器人，它们都是专用设备。这是传统先进制造的概念。
这类公司非常多，并不是这一两年才有。大家也知道，上市公司里面有很多这样的企业，它们可以加入智能化，但方向不一样，核心点也不一样。
第二类是最近 1、2 年，尤其是 GPT 出来之后，从 Optimus 开始出现的具身智能。马斯克为什么能做 Optimus，也是因为他有大模型，有 Grok，有 xAI，所以他才敢做这件事。
做第二类的公司，必须从具身智能的角度出发，收集大量数据。不管是合成数据、仿真数据，还是遥操作、动作捕捉，最后你会发现，它们都跟人有关。
最后要训练的是一个相对能够泛化的构型。构型上当然可以做一些调优，但它肯定不会是 3 条手臂。
理论上讲，3 条手臂肯定比 2 条手臂更高效。但为什么不做 3 条手臂？第一类做先进制造的人，其实做 3 条手臂或者单个手臂都可以，因为它解决的是专用设备的问题。
但具身智能一定不会做 3 条手臂，唯一的原因就是无法收集 3 条手臂的数据。我可以做遥操作，但找不到一个人能够同时控制 3 条手臂。或者说，在所有想用来训练的视频里，也找不到 3 条手臂。
这是一个非常重要的区别。所以这是两种投资逻辑。先进制造也能够产生巨大的投资回报，但它的投资策略、投资逻辑、判断方法、团队评估方式，和第二类具身的这一类 Embodied（具身的“身”是指人类身体），这两种完全不一样。
泓君
这也带来了一个很有趣的投资思路上的分阶段。记得去年这个行业里还有一些讨论：我们应该先投上半身，包括灵巧手、视觉，先解决灵巧性问题，还是投资下半身？下半身主要是运动控制，也就是投腿这一类。
你觉得哪一个更难，或者哪一个商业价值更大？在不同年份，可能今年会更关注哪一个方向？
Jonathan 邱谆
我刚才提到一个词叫垂直整合，通俗一点说就是全身。我其实不觉得具身智能可以分成上半身、下半身，或者腰和腿。我觉得最后其实都是全身。
当然，最后可能是大脑驱动的，小脑等模块都是为大脑服务的。说得技术一点，还是软件定义、软件驱动的概念。最后是所有算法和数据决定这件事能不能做出来。
具身智能能不能做出来，关键在于所谓的大脑，也就是基础模型的研发。所以理论上讲，最有价值的应该还是集中在这一块。
当然，不同的人可能有不同的切入点。每个团队可能比较偏控制算法，过去做的是所谓小脑，也就是执行侧，但现在也找了很多人来训练 VLA。因为现在控制算法也越来越多地使用强化学习，实际上也是用强化学习的数据进行训练，然后再把 VLA，也就是 Vision-Language 这些东西融合进来，做成类似端到端的系统。
团队背景可能不一样，但最后只做小脑也是一件比较难的事。还有第二种方法，就是变成供应链。如果只做控制算法，其实也可以，那你就是供应链。
比如刚才主持人说的，有些公司只做下半身，大概率会变成硬件供应链。当然，也会出现软件供应链，比如只做控制算法，或者只做强化学习算法，然后供货给系统公司。
系统公司就是我刚才说的垂直整合公司，也就是 Vertical Integrated Companies。这些公司肯定都是从基础模型出发的。
所以从我的投资逻辑来看，最后是一个全身的概念。上半身和下半身的拆分，只是技术栈中的分拆，最后会形成生态中的供应链关系。
但从投资逻辑来说，也不能说做系统的一定比做关键零部件的商业价值大，这倒不一定。有可能你只做下半身、做供应链，但如果上层的软件定义了你，最后把你淘汰出去了，那你可能就出局了。
你的腿到底怎么做，必须紧密跟随技术栈的上层。最后还是要做大脑这一层。这不是商业价值问题，而是技术栈里的分工，在技术发展历史上一直都是这样的状态。
泓君
我觉得这个争论早期是因为，上半身的很多部分，比如灵巧手和视觉，本身有各种问题，实现难度太大。运动控制相对来说简单一点，虽然也没有那么简单，但更容易出结果，所以大家可能会优先选择谁能先做出来的方向。
从商业价值来看，宇树在 2023 年以前估值一直上不去，可能只有智元的一半，甚至还不到。但智元讲了一个更全栈、或者更偏软件的故事，所以整体估值涨得非常快。
我觉得宇树的商业价值并不小，但它的风险在于，一旦技术栈发生变化，当然它现在的客户大多还是科研客户，但等这些下游客户真正商业化之后，它还能不能继续出货、量产，还没有被完全证实。
有可能最后大家都用你的产品做科研，科研完成后却发现其实应该用另外一种方案。这并不是完全不可能的事情。大而全也未必是正确的，还是要找一个清晰的切入点：你可以有很强的 VLA 算法，有端到端的解决方案，有很强的运动控制算法，或者有移动与操作能力，总之要有一个清晰的切入点。
Christine，你怎么看？
Christine
我们是做早期投资的，所以对早期项目来说，我一定会关注大脑，甚至运动算法都只是为大脑提供辅助。这件事非常明确。
如果分成上半身和下半身，我们一定是上半身。最近关注的公司，一个方向是大脑，也就是端到端算法；另一个方向是数据获取。这些事情现在都有不同的公司分别在做。
它们不一定真的能够做到端到端，但大家都在找一个切入口，先从这个切入口切进去，再看最后能不能做到端到端。
我觉得，大脑从基础模型到感知、规划，感知到规划已经是机器人 L2 的定义了，但几乎还没有人真正把这件事做好。Optimus 展示了一个 Demo，但其他公司我觉得还没有真正做好。
有些公司做跟随，看起来好像可以自动行走，但真正的感知能力，连自动驾驶在 2018 年、2019 年的 L4 水平都还没达到。比如我现在突然跳到一个机器人面前，它还停不下来。
所以我觉得下一步，我们肯定会更关注预训练效率，尤其是数据结构应该是什么样，训练效率如何提升，最后才会到模型本身。
另外就是手的灵巧性。我们现在也在关注灵巧手上下游的成熟度。手直接关系到操作，是三指还是五指，分别适合执行什么任务，这些都很重要。操作本身也是我们关注的方向，因为手指也是由大脑控制的，所以我们关注的是从软件到硬件的一整套能力。
刘一鸣
整个具身智能产业链也很大，包括大脑、小脑、本体、灵巧手，以及数据端的 Sim-to-Real。我们拉一条时间线，从投资角度来看，特别是 ChatGPT 出来之后，整个机器人行业也开始火了。
前几年大家在投什么，去年可能更关注什么，今年热点有没有一些转向？
Jonathan 邱谆
具身智能是 ChatGPT 出来之后，才可以称之为具身智能。ChatGPT 之前，那些只能算机器人，或者先进制造、专用设备。
热点一直在变化，但这种变化的参考性比较弱。因为它是一个很大的技术栈，资本很多时候会在整个技术栈里面布局，一段时间投一些，过一段时间再投另一些。
我和 Christine 有一个比较一致的观点：最后大脑还是最重要的。理论上大家都应该投大脑，或者至少是大脑驱动。即便做其他部件，也要和大脑保持清晰的关系。
就好像你不能闭着眼睛做激光雷达。你需要知道，如果做深度学习算法、计算机视觉算法的人轻易绕过激光雷达，那么在自动驾驶时代，你就不应该重仓这个方向。
但我又不可能要求所有资本都去投大脑。今天在软件和人工智能领域，最重要的核心点还是基础模型，可不可能所有资本都去投基础模型？虽然最后统计融资额时，基础模型可能占大头，但很多人还是会去投应用。
应用又依赖基础模型，基础模型会覆盖和驱动应用。虽然你看到资本一会儿投基础模型，一会儿投应用，但这不代表两者真正产生了实质性区分。
机器人行业也是一样。有人投整机，有人投大脑，过一段时间又有人投核心零部件。我个人觉得，这只是资本在特定窗口中的挪移，是对技术栈的有限反应。
最后最核心的是数据。理论上大家都应该投数据公司，但不可能所有人都这么做，而且数据公司也必须和算法公司紧密配合。大部分算法公司其实自己就在做数据。
比如 OpenAI，当然也会采购数据，但大部分数据还是内部生产的。有一种算法甚至不一定比 GPU 算力成本低多少。
所以从投资角度来讲，资本确实会在整个技术栈里面上下漂移。机器人产业链本身是一盘棋，大家一直都在布局，很难说前几年和去年投得完全不同。
但在投资舆论上，确实会有一些变化。比如 2022 年、2023 年，整个投资舆论都在关注特斯拉发布 Optimus，从工程机到 Demo 机，基本上中间不到 1 年就完成了。
那时候，更接近 Optimus 的故事获得了更多市场和融资关注。Figure、1X、Agility 等公司也都在那个阶段出现，大家的注意力被这些公司吸引，这是第一波趋势。
Christine
第二波是去年。去年比较有意思的是，大家在具身智能和实用性场景机器人之间出现了一轮拉扯。有些人说具身智能绝对不行，人能做什么？但也有人说一定得是具身智能。
Jonathan 肯定是绝对的具身智能支持者。它能干的活更多、更复杂，一台机器可以干很多种活，还可以不停学习。
邱谆
对。
所以那时候大家就想用场景化的方式来证明它。去年整个投资舆论出现了很多看似场景化的落地，比如具身智能进入产线，Optimus 在奔驰做了试点，比亚迪也做了一系列尝试。
但今年有一个比较大的趋势，就是大家已经把具身智能或者机器人整个行业拆得比较清楚了，尤其是技术栈：我们现在还缺什么？
Physical Intelligence 好像在今年上半年做过一次公开演讲，说现在数据实在太缺了，数据就是瓶颈。那时候大家开始把整个产业链拆开来看，随后又出现了一批小公司和早期公司，分别处理不同的问题。
如果从趋势来看，我觉得这可能是媒体上关注得更多的方向。
刘一鸣
这确实是投资热点的迁移。你觉得热点迁移的背后，有没有对应某种技术里程碑的实现？比如当年 Google 的 RT-1、RT-2，以及一些模型的开源，带来了整个行业的井喷或者技术里程碑式的爆发。
邱谆
技术上的突破一定会带来投资热点的转移，但倒过来不一定。不会因为某个方向投得多，就说明这个方向一定会成功。刚才我也说过，里面有很多随机性。
比如今天大家都去投灵巧手，也不一定说明灵巧手肯定能够成功。但你刚才说的 RT-2 就很清晰，RT-2 出来之后，至少 VLA 这个方向会有一批资本去投相关的初创公司。
所以核心点可能不是像二级市场那样去关注资本流向。我和二级市场的人交流时，经常会谈到投资和技术的关系。
比如大家分析英伟达的股票，我给的建议是，可能很多时候应该先看论文，再决定要不要投资。比如关注最近 Transformer 的各种进展、各种变形，以及它和扩散模型的结合，然后看这些算法是不是还会大量使用英伟达的算力，这其实更有效。
我的观点一向是反过来的：从技术去判断投资会更好。技术一旦有突破，应该推动投资，而不是资本流向决定技术。
所以现在理论上，我们还是要大量阅读最新论文。因为我刚才说，现在仍然处于 BERT 时期。BERT 时代其实 GPT 已经在发论文了，但 GPT-1 和 GPT-2 根本没人关注，直到 GPT-3 一下子训练出了 175B 的大模型，大家才被惊艳到。
但如果你在 GPT-1 和 GPT-2 的时候刷论文，能够发现 GPT 是一个大方向，那么这个判断对投资决策和投资策略都会很有作用。
最近我甚至跟很多人说，要看论文来决定是否真正进入股市。现在已经不只是英伟达股票的问题，而是整个股市的泡沫问题。
因为我亲身经历过 2000 年互联网泡沫的破灭，也就是 dot-com 时代。但泡沫到底会不会破，实际上和现在的论文进展有很大关系。
机器人还在寻找自己的 GPT 时刻，但 AI 本身已经要寻找下一个 GPT 时刻了。GPT 已经从 BERT 发展到了 GPT，但现在 GPT 在语言模型和多模态领域也遇到了瓶颈，新的数据训练不进去，碰到了 scaling law，也需要下一个模型。
我把它叫作 XT 或者 XPT，类似这样的新模型。如果它不出现，现在股市里很多热门方向其实也会有风险。
我核心的观点就是，要从技术来看投资，而不是反过来。
刘一鸣
我们正好聊到看论文。之前 Brooks 有一篇论文，观点也很犀利。他觉得现阶段的机器人很难真正学会灵巧性和泛化性。
他的一个核心观点是，现在无论特斯拉还是其他公司，很多都依靠视觉数据，但灵巧手、触觉数据，包括人体触觉数据也非常重要。然而触觉数据现在几乎是零，所以很难在最近 2、3 年内实现真正的泛化性。
回到机器人的大脑，也就是机器人大模型这一层，你觉得现在会不会存在一些风险？比如泡沫，或者短期内实现不了，但大家把饼画得太大。
邱谆
这可能是泡沫风险的一部分。对于早期投资来说，我们就是在冒险，有风险的地方才有冒险。
我其实非常同意那篇论文里的所有观点，但这些恰恰就是现在要冒险解决的问题。事实上，不仅是触觉，所有力反馈和人类拥有的传感器信息，我们都缺乏。
但最后真正能够实现的方案，不会是完全仿生的方案，一定会走一些捷径。就像当年造飞机时，如果一定要把鸟翅膀的所有动作都模仿出来，那可能会得出飞机永远造不出来的结论，因为鸟翅膀扇动的动作非常难模仿。
但事实上，最后可以走一些捷径。比如现在 VLA 的核心是，我最后输出的还是 token，还是在做下一个 token 的预测。π0 当然也做了很多扩散方面的尝试，能够输出一串高频动作，这些都在尝试，但显然和人类非常不一样。
从传感器来说，不管是触觉、力反馈还是视觉，我觉得最后肯定不会和人类完全一样。核心问题是，不管使用什么传感器，都要收集大量数据。
触觉是一个比较难的点，因为我们现在没有足够的触觉数据，历史上也没有。VLA 的好处是，视觉和语言数据历史上都有。过去的深度学习，包括 GPT，使用了维基百科、Reddit 和大量互联网数据，这些数据在人类此前已经产生在那里了。
如果今天突然说要加一个新的触觉传感器，再重新收集数据，这会比较难。我觉得大概率还是会使用视觉，但要解决中间所有精度问题，去除噪音。
从训练算法的角度，就是要把大量视觉和语言数据训练进去，当然也可以配合新的传感器数据，包括触觉。但我不觉得机器人能够像人类一样完全依赖这些数据和力反馈。
我原来是从产业进入投资的。刚开始做产业投资时，我也会提出这样的问题，甚至会写一篇很长的文章，去论证一件事为什么会被证伪。
因为我学的是人工智能，人工智能发展了几十年，一直没有真正产业化。当时如果看人工智能项目，我们肯定会说它可能被证伪。自动驾驶也是一样，当时同样可以被证伪。
所以 Brooks 的论文，从某种程度上是在试图证伪这件事。但这恰恰是产业里面的人经常遇到的误区。
这也是为什么我们经常看到，产业投资人在做早期投资时，有时候不如技术上更弱的财务投资人，也就是 VC，因为后者反而能够捕捉到更大的项目。
Google 是最专业的公司之一，但先不谈竞争，Google 当年显然没有看好 GPT 这个方向，所以才做了 BERT。Google 肯定也发表过大量论文，认为 GPT 这种直接生成、纯 Decoder-Only 的方式不可能实现。
这么专业的公司最后也没有判断对。所以作为投资人，有时要跳出这种过于负面的判断。所谓水至清则无鱼，如果看得太细，很可能就错过了机会。
VC 里面有句话叫粗放。有时候你必须从细节中跳出来，不然每天都会担心触觉传感器的问题。
我觉得 Brooks 讲到了一些核心问题，但他只能描述今天的实际困境，不能说自己有一个水晶球，可以预测未来会发生什么。
我看下来，他其实讲了 3 个比较重要的问题：第一，数据成本太高；第二，数据的结构太稀缺。这个结构到底是什么？可能包括视觉、语言、语音，也可能包括触觉，而触觉在所有数据模态里发展得稍微慢一点；第三，模型形态还没有确定。
最终的机器人基础模型到底长什么样，现在大家都在探索。你问机器人最后是不是学不会，我觉得不是这样。
刘一鸣
我看了那篇论文，他列了触觉、力反馈、变形，也就是皮肤等很多问题。他觉得这些都是缺失的。
邱谆
这就是从仿生角度出发，因为人类拥有这些能力。但灵巧手做得再好，也不可能完全像人类。这个问题肯定要从工程上解决。
我还是觉得，现在具身智能最重要的是把已经拥有的数据灌进一个模型里。所以我们才在等待 GPT-3 时刻。
在 GPT 时刻之前，要先有一个 GPT-3 时刻。GPT-3 时刻的意义是，无论手上有多少数据，我都能够训练出一个规模至少还不错的模型。
只要这个时刻到来，就不需要太纠结一定要有某一种数据。如果一直纠结这件事，GPT 可能当年就不会出现了。
刘一鸣
那篇论文还提到一个比较偏门的问题，但我在这个行业里确实也听到过有人讨论，就是机器人的安全性。
论文认为，现有双足机器人行走比较僵硬，需要依靠很高的能量维持平衡，而且重量也比人更重。一旦失控或者跌倒，完全可能把人压伤。
如果真正进入家庭或者养老场景，这对老人和小孩来说都是很大的安全问题。如果这个问题解决不了，机器人也没有办法进入家庭。
邱谆
宇树之前有两个型号。最早的一个型号身高比较正常，但科研人员买回来之后根本用不起来，因为太重了，需要几个人一起扶着。后来它出了一个矮很多的型号，但那个只能做科研。
所以从科研角度来看，论文里说的这个现象确实存在，我觉得这是要解决的问题。
但这也是一个垂直整合的问题。算法进步之后，很可能可以省掉中间很多零部件。现在所有电机和其他部件都要放在机器人里面，重量自然会上去。
从软件驱动的角度来说，如果算法能够迭代，就可以优化硬件。当然这也取决于有没有新的材料，但这个问题最后一定要解决。
不过我觉得，现在还没有到那个阶段。一个很重的机器人本身还做不好事情，首先要把任务完成能力解决，再去优化重量和跌倒风险，这是一个大的闭环。
第一步还是要用这个机器人去收集数据，有了数据之后训练模型，提高任务成功率，然后再解决摔倒风险。如果一上来就先考虑所有风险，就像互联网刚出现时就先考虑网络病毒和网络入侵一样，那互联网当时也会被阻止。
这是产业投资人很容易犯的错误。如果把所有风险都看一遍，VC 行业就很难创新。
我对 1X 这次发布 NEO 也持有一定保留意见。最核心的问题是：它有没有足够的数据，证明它能够和人共处？
比如我们之前做自动驾驶时，安全上是一个渐进过程。你要收集道路数据，证明驾驶记录里有多少人工接管，始终有人监督。至少经过 3、4 年的监督，积累了足够数据后，才可以跟监管部门说，现在已经可以做无人驾驶了。
而且无人驾驶的路线也要清晰。机器人最终也是一样，它要和人互动、相处，怎么样界定安全边界？
如果机器人真的要进入 C 端家庭，这件事一定要做。但机器人落地的第一步肯定是 B 端，也就是商业场景。那里有更多人看着机器人，在更结构化的环境中，风险更加可控，同时也在建立它的安全记录。
所以我当然有担忧。推出一个要和人共处的 C 端机器人之前，一定要有数据证明它是安全的。我觉得这是基本要求，是 baseline。
邱谆
我预测它的思路可能也是想通过这个方式收集数据，有点像无人驾驶出来之前，先用遥操作。
不过话说回来，现在很多自动驾驶，包括 Waymo，在某种程度上还是 1 比 5，也就是一个人在看 5 辆车。所以它没有办法一下子铺开，背后仍然需要人。
但我很同意 Christine 的观点，它的大方向没有错，只是要真正执行下去确实很难。我个人觉得它有点着急了。
从 To B 角度讲，可以先从 To B 开始。To C 现在不太可能接受，因为没有人愿意做什么事情都有一个摄像头对着自己。
刘一鸣
那 1X 的 NEO 实际销量怎么样？我看它好像一年还是两年之后就能交付了。
邱谆
我没有数据，但我非常怀疑。至少 C 端我觉得太难以想象了。
况且美国人应该还是很重视家庭隐私的。这相当于在家里装了一个摄像头。
摄像头还好说，但它是实时的，后面还得有一个人盯着你。你做什么事情，其实那个人都在看着。这个已经把隐私推到了另一个层面。
刘一鸣
但从另一个角度说，正好对应你刚刚提到的自动驾驶。它有没有可能是一种必要的过渡期？
我们现在收集数据，一方面肯定有视频层面，比如 YouTube 上的数据；另一方面也可能有遥操作。但如果真正进入家庭，它可能还是需要一批类似试用用户的人。
如果按照 NEO 的策略，先找到一些不太关心隐私、更愿意尝鲜的人，让他们先使用，然后通过这个手段收集数据，这是不是也是一种很好的商业策略？
邱谆
我认可它的大方向，这其实是最经典的数据冷启动问题，也就是 Data Bootstrapping。
你没有数据，所以效果不好；效果不好，就没有人使用；没有人使用，就没有数据，然后又绕回来了。所以它想从这里突破。
自动驾驶其实也是这个问题。很多公司到今天也没有真正突破。要么像 Waymo 一样，老老实实在路上部署很多车，砸钱收集数据。
但事实上有一家多少算是突破了，就是特斯拉。不过特斯拉是卖车的。很多人买特斯拉，不是为了使用 FSD，而是先买车。你总得先有一个特洛伊木马，先有一个东西进入用户家里。
对 1X 来说，难点是它现在还没有类似汽车这样的东西，所以它一上来就跳到了 FSD 的阶段。但特斯拉至少经历了两个阶段：第一个阶段是先卖车；第二个阶段才告诉用户，车上有一个可以升级的功能叫 FSD。
现在可能有人是为了买 FSD 去买特斯拉，但第一批用户不是。第一批用户是为了买一辆很好的电动车。
如果 1X 能做到这一点，我觉得是有可能的。还是回到我的观点：它的大方向没错，但用现在这个方法，可能还是无法突破冷启动。
因为不会有人第一天就买一辆只会自动驾驶的汽车，更何况它还是一个新品牌，没有其他功能。你得先把车卖出去。
刘一鸣
Christine，国内很多公司，比如智元，已经和比亚迪合作，进入生产线。你看到哪些比较好的实际落地应用？不论是小 B、大 B，还是工厂场景都可以。
Christine
目前大家都在尝试。机器人的能力还没有达到一个水平，所以很难强行说现在已经有特别好的场景。
但我觉得工业场景肯定非常有意义，零售场景也很有意义。零售场景在美国和日本这样的主要市场里，对于上货、下货、盘点、清点库存都有一些需求。
我们之前也看过一些零售场景的项目。我觉得这两个场景目前对大 B 和小 B 都可以成立，但机器人的能力还没有完全达到。
现在全部都是演示阶段，而且是不稳定的演示，故障率很高。
刘一鸣
我记得以前有些拧螺丝的场景，很多公司的 Demo 里都有这个环节。你觉得这个环节现在有意义吗？
拧螺丝可以通过自动化完成。
刘一鸣
也就是说，不一定需要具身智能？
对。但它有一个场景，我应该是在亚马逊看到的：翻箱子。亚马逊应该已经在物流环节使用人形机器人做这个动作。
刘一鸣
翻箱子是为了什么？贴标签还是扫描条形码？
贴标签和扫描条形码。它必须让箱子的某一面朝上，但箱子进入时不一定是这个方向，所以让机器人把箱子翻过来。
机器人的视觉可以告诉它，条形码现在是不是在上面，然后它就可以继续往下传送。
刘一鸣
但这个听起来跟具身智能确实没有太大关系，更像是重复作业。
对，更像专用设备。
邱谆
拧螺丝我可以补充一下。当然，不同人对这个定义可能不一样。很多工厂里的拧螺丝场景，用专用设备就可以完成。
但很多汽车工厂的拧螺丝，其实需要很强的泛化能力。因为螺丝的位置和松紧度往往都很难处理。
哪一家具身智能公司已经真正解决了拧螺丝？我感觉还没有。这个场景可能还是需要做，但问题在于场景怎么选。
现在仍然是冷启动问题。没有拧螺丝的数据，就做不出效果很好的拧螺丝模型。我好像看过一个 Demo，但那个场景非常固定，机器人上来之后面对的是一个框，最后还是专用设备或者机械手就能把螺丝拧上去。
这种场景当然是有的，但现在很多人讨论的场景，螺丝的位置其实很不确定，这可能比开门还难。机器人要先找到位置，然后还要判断松紧度，不能拧得太紧，也不能没有对上。
现在有些公司让工人佩戴动作捕捉设备、进行遥操作，或者使用示教，也就是让工人抓着机器人的手，或者在手上佩戴传感器，不停地做拧螺丝动作。
大家确实比较看好这个场景，而且需求很高。如果我没记错，比亚迪可能就有这样的需求。但目前我的印象还是处于收集数据的阶段：数据怎么收集上来，以及怎么训练，大家还在尝试。
Figure 也不一定真正能够实现。
在重生产的比亚迪，可能会有拧螺丝的场景。在美国，我看到的更多是物流场景的末端，或者其中某一个环节。
刘一鸣
物流场景需要具备泛化能力的机器人吗？是不是原来的设备再加一些智能化就够了？像翻箱子这种事情需要用手去做，但它跟具身智能似乎也没有太大关系。
邱谆
这是我现在看到的几个场景。它们的泛化能力都还远远不够。
当然，叠餐巾、叠被子可能有一定泛化能力。它可以在餐厅里叠餐巾，也可能泛化到更大的餐厅，甚至叠被子。
事实上，工业场景和仓储物流的自动化已经做得很充分了。过去十几年里，它们甚至很多都不是机器人形态，整个传送带系统已经高度自动化，不同站点之间也有 AGV。
但你会发现，中间还是需要人。具身智能想做的事情，就是把自动化之后仍然需要人的那部分工作也自动化。
当然，企业还会继续增加专用设备，把某个环节做掉。但直到今天，很多环节仍然需要有人在那里工作。
协作机器人之所以叫协作机器人，是因为它很多时候仍然需要和人在旁边共同工作。现在新的目标是把这个人再移除掉，所以对泛化能力的要求就很高。
很多地方如果把专用设备叠加起来，其实已经做得很充分了。
这让我想起一个项目。我在富士康的工厂里看到过，物流中心的内仓库已经 100% 自动化了，但外仓库永远需要 2 到 3 个人。他们要抽箱、检查、盖箱、绷带。
富士康其实非常希望用具身智能解决这个问题。
刘一鸣
我还听过一种更质疑的声音。它的逻辑是，现在很多具身智能大模型，都建立在 ChatGPT 的突破之上，而 ChatGPT 建立在 Transformer 架构之上。
但 Transformer 架构解决不了幻觉问题，准确性达不到 100%，甚至达不到 99.9% 加无数个 9。这样的话，在很多工业场景里，一旦产线出问题，可能会导致暂停，损失非常大。
而且我们现在还没有真正搞清楚 AI 的幻觉是怎么产生的，AI 的涌现又是怎么产生的，这仍然是一个黑盒。把这种模型放在人形机器人上，其实也有很大的不确定性。
人形机器人还要和人发生物理交互，安全问题就更严重了。基于这个逻辑，有人会认为，在工业端，特别是准确性要求非常高、产线不能出问题的场景里，具身智能很难真正实现。
你觉得这会不会是架构底层的问题？
邱谆
非常准确。所以我们今天讨论的其实不只是具身智能的问题，而是整个 AI 的问题。
我刚才说为什么要看论文。AI 之所以能够成为 AI，就是因为它使用了黑盒和训练。它的效果超过了计算机科学过去几十年积累的很多算法。
比如人脸识别这种模式识别，过去积累了 50、60 年的算法，最后还是比不过用 ImageNet 这类数据集标注后训练出来的模型。这就是回到第一性原理。
但这种方式也决定了它的短板。我不知道它中间是怎么做出来的，都是拿数据去训练，也没有办法用一条条规则教会它。
如果用规则驱动去教，就不会有幻觉，因为每一行代码都是确定的。但现在没有一行行的代码，主要是由数据和训练算法决定效果，所以数据质量、精度，以及训练算法都会影响结果。
因此，看具身智能一定要看 AI，不能只看具身智能。我刚才说，AI 领域也会出现下一个 GPT 时刻，这个 GPT 时刻对具身智能同样非常重要。
现在必须出现一种新的方法，能够减少幻觉，也就是提高成功率。为什么现在要做 Agent？就是因为调用一次大模型的成功率不够高，经常会出问题，所以要在上面套一堆规则去修正。
Manus 这类公司也是一样。如果调用一次大模型就能直接生成 PPT，为什么还要分很多步骤，调用多次大模型，中间加入各种思考和处理？其实都是为了修正结果。
这方面发展非常快，需要看各种论文。必须达到一个临界点，通过预训练、后训练、微调、自监督学习，再到 Agent，用所有这些手段提高成功率。
当然，这会增加算力需求，硬件执行时间也可能成为问题。但先不管这些，首先要把执行的确定性，也就是任务成功率解决掉，这对具身智能会是巨大的推动。
具身智能现在本质上仍然是下一个 token 预测。用扩散也好，最后生成的还是一个动作、一个位姿、一个位置和姿态。
语言生成会有幻觉，生成位姿怎么可能没有幻觉？但不用这种方法也不行。既然叫具身智能，就一定要通过 AI 训练。如果重新回到手写控制算法，就回到了几十年前。
我刚到美国时就在南加州大学的机器人实验室，从那时候写控制算法写到今天，进展并没有那么大。当然，专用设备可以用控制算法解决，但一旦需要泛化能力，还是做不到。
所以现在不要往回看，要往前看。我们期待的是 GPT 出现一次大的飞跃，带来具身智能的 GPT 时刻，把具身智能端到端的执行成功率提高。
刘一鸣
当下能不能看到一些迹象？比如李飞飞的世界模型，有没有可能成为机器人领域下一步的突破？
Christine
当然，世界模型有很多种。如果是为机器人打造的世界模型，我觉得会有一定帮助。但具体能提供什么帮助，现在还要继续看论文和研究，看看它们到底能实现什么突破。
目前看有没有希望？我觉得可能有。世界模型也是一种生成模型，我们可以通过一些工程手段提高它的准确率。
最后肯定是世界模型、VLA 和数据结合在一起。世界模型可能试图解决一些与数据相关的问题，但不会只有一种方案。
比如我们一直谈仿真，但我不觉得哪家公司能够只通过仿真、完全不依靠真实机器人数据。反过来，做真实机器人数据的人，一定会大量使用仿真。
毫无疑问，李飞飞的世界模型是一个非常好的尝试。最后希望这些技术都能整合进这个大的技术栈，把整个行业往前推进。
刘一鸣
从你们最近接触的公司和实际投资来看，Sim-to-Real 现在发展到哪一步了？我记得去年还有很多人说 Sim-to-Real 很初级，生成的数据在实际使用中错误率很高，实际作用并不大。
到了今年，你觉得有没有新的进展？毕竟模拟和真实之间的差距仍然比较大。
邱谆
这不是它本身的问题，而是仿真和真实之间的差距一直都很难解决。以前工业领域做数字孪生，也会遇到这个差距，不是一时半会儿能够完全解决的。
但它的意义在于补充其他数据形态。我觉得 Sim-to-Real 一定是其中一种，合成数据也是一种生成数据，Self-Play，也就是自我博弈这类偏强化学习的方法，本质上也是机器自己生成数据。
所以它们的总体思想是一致的。我个人觉得，仿真只能作为补充。
坦率说，我最近没有特别关注它们的进展。但可以用反证法：如果 Sim-to-Real 基本上靠自己就能解决问题，那这件事早就解决了，因为你可以无限生成仿真数据。
但事实并不是这样。第一个问题是数据质量。最后生成的那么多数据，可能还不如几条真实机器人数据有效。
第二个问题是它仍然处于人的回路中，还是需要人来校正。人类数据当然不一定直接作为训练数据，也可能是用来校正自动生成的仿真数据，同时还要去除中间的噪音和垃圾数据。
整个数据管线和数据流程其实非常复杂。看上去好像只要有算力就可以自由生产，但算下来，仿真数据的成本也不低。
如果仿真数据成本已经低于真实机器人数据，大家早就全部转向仿真了。现在显然还不是这样，它的成本很可能和使用人力收集真实数据差不多，甚至更高。
所以我觉得它是很好的补充，但也不需要寄予太大期望。现在大家还在尝试很多不同的数据获取方式，包括 Video Gen、仿真和各种生成方法。
但真正收敛下来，最有用的可能还是真实数据。只是这个真实数据要怎么获取，数据规格到底是什么，还没有完全解决。
刘一鸣
现在机器人有很多核心零部件，比如灵巧手里的减速器等。供应链的成熟度发展到什么程度了？这可能也和过去工业机器人时代有关联。
未来硬件有没有可能像智能手机产业链一样？现在是不是已经有这种感觉了？比如可以买一个胳膊，也可以买一个腿，或者买一个本体，最后像手机一样，把摄像头模组、指纹模组等各种零件组合起来，攒出一台机器人？
邱谆
先说我的观点。虽然我们也在看硬件，但核心仍然是软件定义。
硬件一定会进步，但硬件进步往往是线性的，很难期待它一下子出现指数级的爆发或迭代。今天的减速器和电机，跟很多年前相比，并没有发生极其巨大的实质性变化。
当然，现在直驱，也就是力矩电机，有一些不错的产品，但它的速度仍然没有像软件那样出现指数级变化。
最后大多数时候，软件的逻辑是：硬件有什么，我就想办法用上，但同时会提出一些定制要求。不能指望硬件突然出现巨大突破，把软件的问题全部解决。
如果灵巧手、传感器和触觉都做得非常好，软件上的很多问题可能会被解决。但软件定义的核心是，尽量依靠软件实现突破，甚至最后硬件可以很普通，直接使用现货供应的硬件，也能把事情搭出来。
这个方向不一定完全正确，但从产业发展来看，最后硬件往往会变得相对简单。
比如今天的激光雷达，和最早 Velodyne 的产品相比，硬件本身并没有发生特别巨大的变化。我记得应该是个老爷爷，就是做了几十年机械传动的。直到今天，大部分出货的激光雷达还是跟当年一样。
但为什么 Velodyne 能够被推动起来？因为软件算法突然能够把传感器数据利用起来，纳入整个训练流程。这才把硬件真正推了起来。
所以不用太指望现在的硬件突然发生巨大迭代。今天的大模型基本上还是在现有硬件之上搭建，把现有的积木组合起来。
如果突然发明一种新硬件，它还要经过完整的量产周期，时间成本也很高。
Christine
我大概分 3 步来看这件事。
第一步是供应链。我同意 Jonathan 的观点，这其实是一个已经存在的行业，只是我们现在在重新整合。
第二步是机器人公司对机器人硬件的整合、设计和定义。我觉得现在的设计还没有完全迭代成最终版本。
我今年上半年就听说，Optimus 在硬件设计上确实存在一些短板，所以在年终时推翻重做，现在正在重新设计。硬件的设计、定义和规格，可能还会以很快的速度演变，供应链也会跟着调整。
第三步是大脑和本体之间的关系。大脑和本体互相依靠。你做出了大脑，但也要有非常可靠的硬件作为支撑。
从这 3 个维度来看，基础设施已经存在，但如何让它变得更稳固、返修率更低，现在仍在探索，也有很多不确定性。
下一步是怎么把人形机器人做到足够坚固、足够鲁棒。我觉得明年可能会出现更好的硬件迭代。
刘一鸣
最后再问一个软件方面的展望。我之前和一位二级市场投资人交流，他认为如果机器人未来一定是软件统治一切，那么从投资逻辑上就应该满仓特斯拉，其他公司都不用投。
如果往未来看，你觉得软件大概会有怎样的时间表？哪些方向可能出现技术突破，最终能不能实现软件统治一切？
Christine
我觉得它有两个绝对的壁垒。
第一个壁垒是软件，第二个壁垒是整合能力。因为整合包括软硬件整合、技术到产品的落地整合，以及进入应用场景后的整合。
这就像 Jonathan 一直说的 Vertical Integration，最后都是整合。现在大家分开做，但最终怎么合在一起，可能是下一个阶段大家要思考的问题。
机器人最终可能会变成一个生态系统，需要大家共同完成。
邱谆
我非常同意 Christine。软件确实是优势，但如果非常看重软件，软件又是一个很大的概念，里面有很多模块。
如果说软件能够统治一切，特斯拉在这方面倒不一定比得过 Google。你说的 FSD 软件只是其中一块，但对于具身智能来说，更重要的还是基础模型。
从基础模型到最后提供给具身智能的模型，Google 的投入更大，也更领先。这和 Google 从最早的 DeepMind、Gemini 一直到今天的发展有关。
如果真的是软件决定一切，Google 可能有优势。但如果最后依靠的是垂直整合，特斯拉就有优势。我觉得这是两面性的。
刘一鸣
最后做一个大胆预测。这个问题我也和很多产业里的创业公司以及个人聊过。
我自己觉得，一个比较靠谱的预测可能是，最近 2、3 年会有一次泡沫破灭，或者行业进入低谷，有点像上一代 AI 当年的状态。但最终一定还会出现新的爆发。
如果真正想实现我们幻想中的那种机器人——进入家里，帮我们做很多人类不愿意做的事情——可能还需要 13 年。
两位对这个时间节点有什么大胆预测？
邱谆
越远的事情，预测成功率越低。我针对 5 年做一个判断。
假设我们现在就是 BERT 刚出来的时候，那么大概 2、3 年之后，应该会看到 GPT-3。也就是说，今天这么多机器人的具身数据，可能会出现一次涌现，逐渐收敛，能够训练出一个模型。
再过 2、3 年，也就是大概 5 年以后，可能会出现所谓的 ChatGPT 时刻。这是我的期待。
但我不认为 5 年后机器人会满街跑。大家看今天的 ChatGPT，直到现在也不是说应用已经满大街爆发了。实话说，真正的杀手级应用可能还是 ChatGPT 自己，我们甚至不太能说出第二个真正的场景。
最后还是和它聊天，让它做各种事情。从 2022 年的第一个版本开始，基本上就是这样的。
很有可能 5 年以后，我们会看到第一个场景，让大家真正接受机器人。机器人的执行准确率和安全性能够让人们开始使用它。
我觉得 5 年后可能会出现第一个真正泛化的应用场景。但如果要等到机器人更安全、更容易被广泛接受，真正进入家庭，可能还需要更长时间。
我的判断是，第一个场景肯定是 To B，进入生产场景，在非常结构化的环境里工作。
第二个场景我觉得可能是餐厅，做一些细碎的工作。但它仍然是在 B 端，在人类控制之下，在一个相对结构化的场景里连续工作。
人们和机器人接触之后，才会逐渐产生信任感，然后开始思考是不是可以把它带到家里。我觉得可能会形成这样一条采用曲线。
Christine
我最近看得比较多的是世界模型。它能不能真正实现多模态的世界交互？
我觉得这个方向无论对于 Video Gen、游戏还是机器人，都会有帮助。有一些比较新颖的方法，是通过世界模型和用户互动，让用户进一步标注数据。
世界模型本来就是一个 3D 世界，用户一边玩，一边给它标注数据，而这些数据又可以打包出去，给其他人做训练。
我其实很看好游戏这个方向。它既能产生数据，游戏本身的现金流又很好。
这有点像当年英伟达的 GPU 被游戏行业养起来一样。
邱谆
世界模型现在还没有真正收敛下来，但我觉得明年会出现一个比较明确的收敛方向：什么样的世界模型，适合用在什么场景，能够怎样帮助开发者。
对机器人行业来说，这非常重要。一个方向是学术上世界模型和基础模型的探索，但很多最近的创业公司可能还是要做一些脏活累活，短期内不会一下子出现让人眼前一亮的结果。
创业公司一旦开始创业，就不再只是一个简单的研究实验室。可能真正让人眼前一亮的成果，还是要去看论文，而且这些论文不一定是创业公司写的，可能是研究实验室的人写的。
但如果一个研究者已经创办了初创公司，我反而觉得他的第一步是解决很多脏活累活。
还有一个问题是，研究实验室做出来的东西，不一定能够规模化。它可能只是在某个环境里表现特别好，这就是矛盾所在。
但在现在这个阶段，可能只能先在研究实验室里拼命做出一个比较亮眼的方向，然后赶紧出来创业，再开始解决各种脏活累活。
好了，这就是我们今天的播客。您可以通过小宇宙、苹果播客、Spotify 来收听、订阅我们。同时，如果你在用视频渠道去听播客的话，大家也可以在 YouTube 或者哔哩哔哩上搜索硅谷101播客来找到我们。另外，我们有一些播客部分的文字稿会发表在硅谷101的微信公众号上，也欢迎大家关注我们。我是刘一鸣，感谢大家今天的收听。