79.机器人大脑第一股上市，与仙工赵越的4小时访谈:全球第一、机器人金字塔与具身智能的另一条路

这是我们的起点，是吧？

World Champion Cup 是机器人的世界杯。它是在1998年世界杯年提出的，设计这个比赛的目标，是希望到2050年的时候，组建一支机器人的足球队，把那一年的人类世界杯冠军击败。

2013年的时候，你当时是在浙大？

对，在浙大。

你们当时是队长。2013、2014年的时候，你当时多大？

我还得算一下，23岁？这一晃好像已经是13年以前了。

1. 从赛场走向创业

我们几个创始人都是这个队里面出来的。大家一直打比赛，后来还是想继续做一些跟机器人相关的事情，所以才成立了这家公司。

你看，这有一行字是你们写的。

对。

“再小的个体，只要有对机器人的渴望，就值得以百倍努力对待。”

对。

对，hello，大家好，我是诗杰。今天的嘉宾是一家真正的隐形冠军，他把机器人的大脑控制器迈向全球，并成为全球市占率第一。这家中国企业也刚刚完成上市，叫先工智能。创始人赵越是一个很有意思的人，他带来一些暴论，比如说未来每一家公司都可以是机器人公司，也带来一些启示，比如越纯粹的人越有机会在专业领域获得成就，我很喜欢这期访谈，因为它很生动。接下来是我和赵越的访谈，跟大家打个招呼吧。

Hello，大家好，我是仙工智能赵越。

公司里他们叫你“越哥”是吗？

对，几乎吧。大概90%的人刚开始进来会叫“赵总”，可能过一周以后就基本都叫“越哥”了。

他们眼里你挺逗的。

我们当时做性格测试，我应该属于影响型。在熟人环境里面，我可能话会比较多一点，但是对外平时可能话比较少一点。

你影响他们什么呢？

活跃气氛，气氛组。

我感觉如果一家公司的员工喜欢他们的创始人，表现得会很明显。比如我之前采访过一家饮食公司，他们的员工就都觉得J K 特别逗，他会在公司里面整活。我觉得你们公司的员工也挺喜欢你的。

上一次进来的时候，我看到你们公司的标志很像胖丁。他们跟我说，可能因为你比较胖，所以有点像你。

没有，没有。那个是很早以前设计的一个小吉祥物，是公司的一个小IP。

有什么典故吗？它是胖丁吗？

不是胖丁。你如果细看，它最开始的造型其实是一个小史莱姆。史莱姆就是《勇者斗恶龙》游戏里面最弱的小怪物，但是这个小怪物比较有意思：你一开始在野外碰到它，一刀可以砍死它，也有可能被它一刀砍死。

它相当于游戏里出新手村最开始碰到的怪物。当时用它有两个原因。第一个是因为团队比较年轻，大家可能都玩一些游戏。第二个是史莱姆和 SLAM 技术有点谐音。

对。

我们刚创业的时候就在做 SLAM，发现这个梗虽然很烂，但还挺有意思。还有一点，SLAM 是一团泥巴，可以变换成各种形态，也寓意着我们可以给各种机器人提供一套系统，让它幻化出各种功能，所以就做了这么一个小吉祥物。

这个设计在 day one 的时候就已经想好这么多了吗？

没有，是后面逐步赋予它意义的。一开始只是觉得史莱姆挺可爱，它可以变化成任何东西。

但是科技公司里面用卡通人物做吉祥物的非常少吧？人家走过去可能会以为是一家动漫公司。

有可能。

你刚刚说小怪物，是别人可以一刀砍死的那种状态。

对，但是它也可以一刀把别人砍死。

这个很像你们学生创业的过程。

对。我们从学生时代过来，差不多也是这么一个过程。一开始就是一个小卡拉米，在打比赛。因为我们最开始做的是 RoboCup，最后一步步成长为一个大Boss。

中间突然碰到世界冠军，你承认自己是大Boss了？

没有，没有。这个过程是循环的。

你觉得这家公司从小卡拉米变成一个不说大Boss吧，就变成一个Boss？变成大Boss可能会被别人消灭、被别人干掉，不要变成大Boss，对？你觉得当中的转折点在哪儿？

2. 在混沌中继续前进

可能是大家心态比较好。大家从来没有觉得自己是大Boss，或者说没有觉得自己已经做得很好了。

对于一些看上去很离奇，或者说很 corner case 的客户需求，厂家可能看不上，但是我们依然很重视。因为我自己搞研发、搞产品，特别讨厌拒绝客户需求，内心也不想拒绝。

真的吗？为什么？

因为要实现一个原本不能做的事情，会特别有成就感。这一路成长过来，一直是这种心态。

如果一个东西有需求，一定有一些没有被满足的内核在里面。我相信不会有什么无理取闹的客户，他背后一定有理由，只是这些理由往往没有被看到而已。

所以我们很喜欢跟客户去挖掘这些东西。至少我觉得，应该先去深挖，而不是一上来就拒绝。你一定要有一个跟客户探讨和挖掘的过程。

那你会拒绝什么样的事情？

不局限于客户的话，我细想想，可能很少很少。我们整个公司的包容程度很高，因为我们的使命叫“加速开放多元的智能文明，让智能机器没有门槛”。

你要去创造一个那么多元化的世界，首先自己就不能太有局限。所以我们非常包容，甚至没有价值观。

我觉得你身上其实有很多反差。之前也跟你交流过，感觉你有包容、随和、像卡拉米一样可爱的一面，但是内在也很锋利、很反叛，有一种想掀桌子的欲望。

对，永远把自己当成卡拉米，永远想去掀桌子，大概就是内心这么一种状态。说得好听一点叫少年感，说得不好听一点，可能有点自大。

什么时候会检视一下自己是不是自大？

这个问题我要想想。可能我自己很少去那么深层次地挖掘过自己的内心到底在想什么。有时候其实是相对混沌的，没有想过自己现在处于一种什么状态，是好还是不好，是自大还是谦逊，可能没有分得那么清。

我很喜欢你刚才走过来的时候说的那句话：从 wrong 到 right，中间有一段漫长的时间是混沌的，你看不清楚，但是有一种直觉想往前走。等你走过这一段时间，再回头看的时候，就发现它已经变 right 了。

是的。事物是动态变化的，每个人看的角度也不一样。很多时候你急于去判定一件事情，还不如换个角度再看一看。

所以最后我们就把 right 和 wrong 放在了一体，画在墙上。

你创业中经历过最震撼的事情是什么？

我先说一下我怎么看创业这件事。本质上，创业就是一个不停解决问题的过程，最后拼的是两件事：第一，谁能更快地解决问题；第二，在解决问题的过程中，不要哪天掉进一个坑里爬不出来。

创业之前你会发现，网上很多鸡汤文都会告诉你，创业一定要避开的10个坑，一定不要做某些事情。但事实上你会发现，所谓的坑你都会踩一遍。就好像父母从小教育你不要干这个、不要干那个，很多时候你还是都会干一遍。

“事教人，易教会人，教人永远教不会。”所以创业过程中，我一直有一点波澜不惊的感觉：一路踩坑，一路解决。本质上就是一个不断解决问题的过程。

你的性格应该是投资人，尤其是美元投资人最喜欢的那种：抗压能力很强，觉得什么事情都可以解决，但又有一种超强的热爱，一直做一件事情。

我最近不是去路演嘛，其实很多投资人可能会觉得我们不会讲故事，我也觉得是这样。他们可能还没有像我这样，跟你聊过这么多个小时。

对，基本上聊完以后，大家会觉得比较扎实，是一步步做出来的。

我觉得你不是那种会主动展示自己的人。但是比如说我有很多问题不停地问你，你给出的内容会比我期待的更多。你是这样一个人。

对，我是慢热型，需要外部给一些触发。

这好像是你第一次出现在一个深度的长访谈里。我很好奇你的成长史是什么样的？

从哪边开始讲？

从小时候开始。你是哪里人？

3. 从小镇走进浙大

我是湖南人。我爸妈都是老师，但其实跟一般的教师家庭可能不太一样。大家通常会觉得教师家庭的父母会管得比较严，类似于“小镇做题家”，但其实我爸妈没怎么管我。

我从小在湖南的镇里面长大，邵阳，邵阳的一个小镇。实际上我不是典型的学霸，高中以前电脑都玩得很少。现在回想起来，可能还挺无聊的。

平时就是一帮小孩在学校里抓抓小动物。我们当时还有一些“小孩头”或者“小孩王”，领着大家在街上晃来晃去，大概就是这种状态。

你也不是小孩王？

我不是，我是跟着别人玩的那种。

高中，或者说上大学以前，应该都是一个相对平淡的状态。只不过我可能对学习这件事情有一定的热情。

这有点凡尔赛啊。比较平淡，也没有特别努力地学习，但是考进了浙大。

怎么说呢，我可能算考霸类型，平时不学习，但是考试能考出来。也不能算特别厉害，但至少可能是中上水平。

你浙大本科是学医的吗？

对。其实我刚进浙大的时候是在竺可桢学院。当时学院有一个很神奇的班，是八年制医学班。

这个班的理念其实很好。当时巴德年院士和医学院、竺院一起创造了这个班。中国不缺好的临床医生，也不缺好的医学教授，但实际上缺的是临床医学科学家。

有些医学教授可能每年都能在实验室里发表很多论文，但是巴院士当时的逻辑是：最好能够把临床问题带回来，通过研究最后再反馈到临床，形成一个更大的闭环。

这件事需要学生有比较宽的口径。你要有一定的科学素养，同时口径要足够宽，能够更多地发现问题。发现问题的前提，是你首先要更多地认知世界。

所以前4年要求我们一定要学一个非医学本科，同时把医学所有的预修课学完。我记得好像有30还是四五十个医学学分也要全部学掉，所以前4年类似于双学位，但最重要的是非医学本科一定要拿到完整学位，同时通过医学预修课考试。第5年才开始进入博士阶段学习，是这么一个培养逻辑。

你父母都是教师，你选医学是受他们影响吗？你当时想做医生吗？

我爸妈应该说对我有很强的引导和影响，因为我们家没有医生。至于当时想不想做医生，可能没有很想，也没有很不想，多少有点随波逐流。

所以你当时除医学之外修的专业是电子信息工程？

对。

电子信息工程跟医学有什么关系？

其实我也不知道。当时浙大有一个我们叫“王道专业”的方向。最好的专业是电气，也就是 Double E。我总觉得，既然都来浙大了，这个王道专业总要去看一看，所以是抱着这种心态。

想选就能选上吗？

因为在竺院，竺院本身就是宽口径培养，就好像玩游戏加技能树一样。你只要把这个方向的技能点加得足够多，把那些学分都修完就可以。

当时我看着电气，学了一些相关课程，到大三就转到电气去了。

真的？

真的。学了之后的感受是，医学和工科完全是两种思维模式。我同时学这两个专业，整个人其实是比较割裂的。

工科更像逻辑学科，一加一一定推导出二，它带着推导和逻辑。比如一次实验失败了，你可以复盘，可以从原理上去推导，基本不太可能陷入玄学境地。

医学其实有点偏实验科学，很多东西短期内没有办法推导出来。比如有些实验失败了，你去复盘为什么失败，是摇的分钟数不够，还是加热时间不够？可能大家已经有一个最佳实验流程，但至于为什么是这样，可能谁都说不清楚。

所以医学做实验基本就是按照步骤来，但是失败之后很难复盘。我觉得这两个学科的跨度确实很大，主要是思维模式完全不一样。

一个更偏快速执行和逻辑推断，另一个需要慢和耐心。

对，甚至需要一些灵感和运气。

痛苦吗？

4. 退学之后奔向机器人

比较割裂。本科开始我已经做一些机器人竞赛了，参加完本科阶段的比赛以后，事实上我还是选择去学医。

第5年学了大概3个月，发现还是没有办法达到自己心里想要的那种状态，可能自己没有办法很沉静地去做这件事。

你没有办法沉静，是因为据说你白天读医学，晚上打比赛？

对。当时两个校区，一个在紫金港，一个在玉泉。医学是在紫金港，我们的实验平台在玉泉，两个校区之间还是有一定距离，所以基本上就是两边跑。

第一，确实比较累，也很难沉进去。第二，是两种思维方式。当你要各自深挖的时候，很难既保持特别强的逻辑推理能力，同时又耐下心去做实验、接受重复试错。

两种思维模式越往深处走，越难把它们放在一个逻辑或者整体下去考虑。一个人不能既是特别活泼的，又是非常严肃的，你每天这样来回切换思维，其实很累。

有点分裂。

对，有点分裂。

然后你就做了一个惊人的决定。

现在看可能还好。当时大概学了3个月就退学了，然后赶紧去考研。

但你考研是瞒着你爸妈的？

对，他们都不知道。因为从小我爸妈也很少替我做决定。通常是我先决定这件事，再去跟他们说“我要考研了”。可能大家只能一起焦虑，所以我想还是自己先做决定，不要先说，等事情确定以后再去汇报。

你当时重新考研，是因为在读的状态下没有办法换专业？

对。本科换专业相对容易，研究生换专业其实很少。而且我当时也跟辅导员聊过，医学生和工科学生是两套系统，几乎没办法转，所以后来想了想就退学了。

我听说你本科期间一直打比赛，很少住寝室，到了研究生阶段，甚至连室友都不认识。

对。本科相对还好，因为几个室友是大一、大二就认识的。大三以后才开始慢慢往实验室跑。

但是到了研究生就比较夸张了。我可能进寝室只是把衣服放进去，后来拿了几件常穿的衣服放到实验室，最后发现好像没有必要回寝室。

我们当时做足球机器人的比赛，地上铺的是地毯，人躺在上面就可以睡。白天在那调机器，晚上就在那睡觉。

冬天怎么办？

冬天实验室有空调。我们那个实验室应该是整栋楼里耗电量最大的实验室，大家都在那里睡觉，空调可能一直没停过。实验室的设备也一直没停，大概连续四五年，那个实验室一直有人，灯也可能一直亮着。

你那时候从 RoboCup 一直打，是在那里找到热爱的感觉吗？

其实我刚做比赛的时候是误打误撞。因为当时浙大需要第二课堂学分，必须参加竞赛，或者做志愿者、社会活动。刚好学校有一个机器人比赛，所以一开始的心态就是玩一下，拿2个学分。

进去以后我发现，这个活总得有人干吧？一开始 team 是3个人，但主要是我自己在干。做着做着，发现还挺有意思。

因为进大学以后，我本来就比较喜欢编程，逻辑性很强，而且可以很快给你一些反馈。比赛打完以后，我们拿了一个第一名，后来就进实验室，参加一些世界级比赛，然后一路打到冠军。

相当于先校内赛，再国内赛，再世界赛。

对。

我很好奇，这已经是在我们短短的对话里第二次出现这种情况了。你好像一开始也没有花很大力气，没有那种志在必得的心，很松弛地就考上了浙大；想去王牌专业，就去修了第二专业；想随便打个比赛，就打到了世界冠军。

你的人生里出现这么多令你惊喜的巧合之后，会不会重新评价自己：我可能是一个不一般的人？

没有，没有。现在回头看，好像每件事都很顺，对吧？可能有些不开心的事情，我脑子里会自动过滤掉，所以有时候说出来，你会觉得这个人怎么这么顺。

事实上，问题肯定比最终拿到冠军那一刻多得多。

我刚进实验室的时候，大概过了半年到1年才摸到机器人。一开始只能做仿真，为什么？因为实验室连机器人都没有。

当时学校实验室有一个很大的项目，很多师兄都去做那个大项目了，真正投入比赛的人特别少，所以那时候有点青黄不接：人青黄不接，机器人也青黄不接，既没人，也没有机器人。

我刚进实验室时很震惊，那个状态有点像大白天的网吧：电脑比人多，一排排全是电脑，但是没有人。

我们最开始几个人其实挺苦的，大家自己琢磨机器人怎么做。后来我们招了第一批竞赛集训队员，发现没人怎么办？大家就想办法，首先把实验室填满，电脑面前总得有人吧。

于是我们就在 BBS 上发帖，说最近准备参加一个比赛，有参加国内比赛的机会。

开始招聘了。

对，我们就开始在 BBS 上招人。因为那个时候大家的成绩可能也不是特别好，报名的也就十几、二十个人。

是面向全校吗？

对，面向全校，不是只面向控制系或者电气学院。

20多个人算多还是少？

特别少。而且打比赛这个事情，基本上一半的人过了一周就不来了。

有的人发现这不是自己感兴趣的，有的人坚持不下来。因为开会、做比赛的时间经常和上课冲突，这种冲突是不可调和的，老师不会因为你要打比赛就给你换课。

最终留下来的，都是相对比较喜欢这件事的人。淘汰速度特别快，可能一个月以后就剩1、2个人了。

这是不是跟后来创业很像？员工会人来人往，但是有最核心的几个人一直在。

对。回头看，我们最开始招进来的几个人，包括我自己在内，一定不是浙大最强的学生。

我能明确说，一定不是。因为最强的学生可能有主院奖学金，大家努力的方向不一样。总体来说，一开始我们都是比较普通的学生，就像小卡拉米。

但是最终主要还是靠坚持。打比赛也是，一个是热爱，一个是坚持。你持续的时间足够久，积累足够多，慢慢就会获得一些东西。

你们最开始招进来的几个人，现在都很厉害。

对。有一个人现在也是小网红，好像是一个大V，叫任泽宇，原来在我们那儿做机械，后来去了 IIT，之后他自己也负责机器人。

还有一个当时做硬件的哥们儿，刚大三进来时，连单片机是什么都不知道。

单片机是不是一种类似于电风扇一样的元件？

对，他是什么都不知道，但后来也很厉害。后来他还去参加了 Robocon 比赛，拿了全球第一名。

你会发现，很多同学进来的时候，履历并不光鲜。这个比赛不是学校参与度非常深的项目，而是靠学生自发组织，反而筛选出了非常热爱这件事情的人。

他会筛选出真正喜欢这件事的人。

对。这批人可以每天睡在实验室，大家一起睡实验室，而且会觉得这种状态很好，好像就应该是这样，很好玩。

对，像去网吧一样。

对，就是网吧的状态。

从哪一刻开始，你觉得机器人这个东西特别好玩？

其实不是从某个时刻开始觉得好玩，而是在某个时刻觉得这件事我一定要做下去。

2009年我刚进实验室。当时有一次国内赛，但我们做得很差。因为刚才说青黄不接，决赛时被大连理工打了个0比2还是0比3。

那个时候我还是个小卡拉米。我当时属于什么角色呢？机器人在球场上发生激烈对撞，轮子有时候会被撞掉，我就上去捡轮子。

我负责的是看到哪个机器人不对了，就上去把那个机器人拿走，跟裁判示意。我们叫 picker，也就是把机器人拿走，换一台新的，然后赶紧在场下拧轮子，把旧的修好。

我当时就是这么一个角色，而且我比较胖，那时候是个小胖子。每次我跑上去，地板就“哐哐哐”地震。场地上面不是有相机吗？每次我一上去，对手就说：“那个小胖子，你不要在场地上跑那么快，相机都在震，视觉都不稳了。”

我当时就是这么一个角色，关键最后成绩还不好。所以那时候我就觉得，下一次我一定要打回来。我被对手侮辱了，决赛输了，明年得把它收拾回来。

所以那年开始，我就花时间做了一年，一直睡在实验室。因为那个时候我还不是 handler，handler 的意思是你要盯着代码执行情况。我是 picker，负责去拿机器人。

大概过了1年，我印象特别深。在兰州那次国内赛，也就是2011年的国内赛，我们给大艾尼翁打了个5比0。

哇。

那个时候特别开心。你会有不停的正反馈：一开始往前走，可能看到一个小Boss，“啪”一把把你拍在地上；然后你赶紧练级、穿装备，再把它打败，然后继续往前走，一直是这种状态。

这个状态其实很像打游戏，也很有意思。

你刚刚说2009年最早开始做机器人，但2009年英伟达的 Isaac 仿真还没有出现吧？你那时候仿真在哪里做？

基本上都是自己结合一些物理引擎写仿真。当时用的是 ODE，也会用一些 CUDA。那个时候 CUDA 已经开始在高校里使用了，我们会用 CUDA 做加速。

比如机器人在场上的一些形势计算，传统方法可能只能做到在场上选择一些合适的机器人跑位线路。但是如果要算到毫米级精度，把场上每一个位置都当成格子去计算，当时就只能用 GPU 做加速。

你2009年就用 GPU 做加速了？

对，去计算场上的一些形势变化。

我前段时间聊过一个嘉宾，他最早用 Isaac 做仿真。那个时候 Isaac 还没有正式公布，他是在论坛上找到一些现在已经绝版的版本。

那个年代的机器人是在仿真世界里做仿真，然后会有很强的 sim-to-real 问题。

当时可能第一还没有 sim-to-real 这个概念。微软应该有一个 Microsoft Robotics Studio，现在大家可能已经很少听到了。

那个时候我们也玩了很多仿真平台，后来就自己写，基于物理引擎搭建。现在回头看，就是在造轮子。

因为这段经历，你应该对现在所谓的仿真数据、操作比较了解。你自己上手做过，而且做过最原始的版本。

对。

当时仿真没有那么好用，会有 sim-to-real 吗？

要看你解决的问题是什么。我们当时解决的是机器人在球场上的情形判断和智能决策问题，总体来说当时的仿真是够用的。

但是如果那时候想做现在这种，比如在 SAC 里面训练机器人，训练一个复杂的运动模型，做强化学习，我们做不到，完全做不到那么精细。

区别在哪里？

区别在于，你是把机器人看成一个整体，还是要深入到机器人内部去做仿真，仿真到某个关节。

你们当时是把机器人当成一个整体？

对，还是运动轨迹层面，包括对场上结构化情形的描述，然后在里面快速做决策。这个级别的仿真，当时的技术是够用的。

但是如果希望做到关节级别的精准仿真，当时确实还有很大的 gap。

我还是想深挖一下。我很好奇那个时代，你这样说好像显得我很老。

没有，没有。

刚才我看那个模型的时候，本质上就是几台机器一起踢球。你刚刚说在仿真世界里分析场上形势，但场上形势变化很快，都是像素级别的。

这种快速分析和调度是通过什么实现的？是从现场视频捕捉吗？

会有一些 camera 挂在空中，捕获所有全景信息。所以对于每个参赛队来说，这些图像是共享的。

至于怎么分析这些图像，第一，要找出机器人在哪里、球在哪里、机器人的速度是什么；第二，要基于当前所有画面做预测，预测竞争对手会怎么做。

足球这个东西有点大道至简，逻辑很朴素，输入的信息量很少，但变化很多。竞争对手可能突然往前跑，突然一个转身又溜走了，这些东西很难预测。

它有点像围棋，看上去就是黑白子和棋盘格子，但变化千变万化。足球也有点像，而且足球还引入了博弈。两个队之间，你没有办法预知对手的策略是什么。

在我们那个时候，分析竞争对手的预测，会收集对方打比赛的日志记录，看他们平时怎么做战术，就像教练员分析竞争对手的比赛策略。

如果要把这个做好，要么针对性地写算法，要么通过模型化方法，根据各种情形输出策略，也可以通过神经网络学习。这些方法我们当时都会用，有些比较传统，有些相对新一点。

那个时候还没有多模态这个概念，实际上就是神经网络，或者说深度学习，通过这种方式分析竞争对手。比如哪些地方是他的热点区域，大概率会有人过来；哪些地方是他防守比较弱的区域，是我应该赶紧站住的位置。

运算速度很快，图像大概每8毫秒来一次，帧率比较快。你的决策周期基本上要在8毫秒内跑完，然后给每个机器人发出对应指令。

当时相当于是集中式控制：我的电脑要同时计算场上6、7台机器人的所有控制指令，每8毫秒计算一次，再发下去。

所谓的日志是什么？

就是比赛时留下的历史图像，你可以理解成图像记录。

对，所以其实那时候就已经有最早的学习了：学习对手是什么样的竞争对手，喜欢什么样的战略战术，然后怎么针对它。

对。

这真的跟世界杯很像。我平时也看一点足球，略懂一二。感觉裁判除了要懂足球、懂技术、懂战略，还要懂心理，因为很多时候是心理博弈。

没错。打比赛这件事其实挺有意思，我觉得比搞论文有意思。至少你是在跟人 PK，还会引入很多不确定性，我很享受这个过程。

而且那个时候你会发现，最有效的策略其实是引入随机性。

怎么说？

你去分析一个对手，如果能分析出他固定的战略战术，这个东西其实相对简单。最怕的对手是不可预测的，不按章法打。

比如他每次开定位球，这次用策略一，下次用策略二，但你不知道什么情况下用策略一，什么情况下用策略二。

你看完他3场比赛，发现第4场完全变了，不按套路来，或者说他留了一手。这种竞争对手最可怕，因为你没有办法针对，他可以是任何样子。

所以我们当时打比赛，会尽量让自己变得不可预测。可能跑一会儿这个战术，马上随机选一个战术，再去跟对手 PK。

现在各家也有各自的技术路线，大家会像研究别人的日志一样去研究别人吗？

会，我们会研究。

我们当时做比赛的时候，分析得比较夸张，已经做到逐帧查看了。因为那时候分析工具也没那么强大，所以我们还会做一些很有意思的事情：引入对手程序员写代码时会怎么想，来判断他的策略。

比如大家写代码时，一定会写一些类似的条件：机器人的坐标大于0，或者大于0.5。你会设置一些阈值，中间会有一些 magic number，也就是“魔术数字”。

这些阈值有道理吗？可能只是程序员当时拍脑袋决定的。比如机器人过中线了，就积极抢球；球到了自己的半场，就赶紧回防。

那什么叫过半场？不同队的定义不一样。有的觉得过了0这条中线就算过半场，有的觉得要再往后退1米才算。

但通常来说，写代码不会写“过0.98米算过半场”，一般会写在5的倍数上。你去看大量代码，会发现大家不会把质数当成阈值。

所以我们当时会分析：这个阈值应该在5的位置，或者在10的位置。那我只要站在6的位置，就是一个最优位置。因为超过5他就走了，而6又离他的半场最近，所以我卡在6。

足球很多时候就是毫厘之间。我们的机器人速度很快，可以达到3米每秒。这样一来，竞争对手就会非常难受：他把阈值设在5，我通过分析知道了，那我就站在6。他觉得5以内不安全，到了6就不防了，结果我就能利用这个位置。

现在看有点投机取巧。

但这是一种思维方式，而且事实上非常有用。尤其当你把对方的东西自动化分析完，用阈值去分析、按照他的思维模式去分析以后，最终会得到一个针对他的最优策略。

一会儿我想跟你详细聊一聊具身大脑。这是一个非常重要的方向，你肯定也有很多对于对手的研究。这个话题我们留在后面，先聊聊 RoboCup。

我后来去了解了一下，这个比赛还挺厉害的。

5. 机器人世界杯的冠军之路

RoboCup 这个比赛很有意思。它是1998年开始的，刚好是世界杯年，当年是法国世界杯。

当时主要是日本、美国和欧洲的一些教授提出的。他们觉得，应该搞一个机器人的世界杯。

为什么要做？第一，足球的普及度非常高，全世界的人对世界杯的热情都很高。第二，它有很强的竞技性。

在这之前，人工智能领域有一个比较大的事件，就是机器战胜了人类象棋冠军。

应该是1993年还是1994年，我记不清了。

对。那时候人类已经下不过 AI 了。大家就想，下一个可以挑战的目标是什么？大家觉得是足球。

因为足球的普及度比象棋更高，而且是跟人类竞争，所以他们当时定了一个很伟大的目标：到2050年，能不能组建一支机器人足球队，把2050年世界杯的人类冠军击败。

这就是这个比赛的终极目标。现在已经没几年了。

人类没几年了。

当然现在看有点痴人说梦，但是最近几年好像确实在逼近。大家会觉得，好像都不用等到2050年。

他们当时组织了这个比赛，叫 RoboCup。但那个时候做机器人，成本非常高。一个学校甚至一个公司去组建一支机器人球队，投入都很大。

所以他们做了一个很聪明的事情，就是把比赛拆分成很多小联赛。RoboCup 下面有很多小比赛，每个小比赛研究一个课题，而不是一上来就研究在真实足球场上、做成人类大小的机器人踢球。

比如有的队伍研究双足机器人怎么踢球，因为你不可能用坦克跟人踢球。考虑到不同学校的经费投入，还有 kid size、middle size、adult size，也就是不同的机器人尺寸。

大机器人和小机器人研究的问题不一样。越大的机器人，机械要求可能越高；越小的机器人，可能更容易做动作，对机械要求没那么高。

所以根据投入水平，比赛分了很多组别。你有多少资源，就参加适合自己的组别。

全民参与，有多少资源就参加哪一组。

没错。我们当时参加的是轮式组，也叫 small size，研究的是机器人怎么配合、怎么传球、怎么自主决策。

它分了很多组别，让每个组别针对一个课题研究，同时大家约定好在足球场上打比赛，最终每个组别都会产生冠军。

考虑到有些学校连一年投入都不需要，它还有仿真组，带一台电脑就可以参赛。就像足球一样，是全民运动，所有高校都能找到适合自己的组别。

最后希望所有技术都有突破以后，最终把这些东西组合起来，实现2050年的那个最大目标。这个梦想很宏大，而且每一步拆分得都很清晰。

这个比赛应该出过一些名人吧？

对。现在国内有很多机器人创业公司的老板，都是从这个比赛出来的。

国外有一家亚马逊收购的公司。亚马逊不是收购了 Kiva Systems 吗？最早做仓储物流机器人的 Kiva 创始人，就是 RoboCup 2004年冠军队伍的领队，来自康奈尔大学。后来这家公司以7亿多美元被亚马逊收购，亚马逊在仓库里大量部署机器人，当时是一个很有冲击性的事件。

国内也有很多。清华的赵明国老师、加速进化，他们当时就是阿杜赛斯，是那个踢足球的那个。还有中科大的一些队伍，拿过仿真组冠军，后来也创业了。

现在那家公司我一下想不起来了。

蓝胖子。

对，蓝胖子，很早以前的。

包括北京科技大学，当时参加的是中型轮式组，后来应该也有人创业。反正从这个比赛出来创业的人挺多的。

你拿过3届冠军，对吗？

对，而且是世界冠军。第一冠还是中国首冠，中国第一次取得 RoboCup 实物组的全球冠军。

你应该是这个比赛里面很风云的人物吧？中国首冠，又拿了3冠，挺好玩的。

我们当时2012年去参加世界赛，刚好在墨西哥城。

今年又是美加墨。

对，今年又是美加墨，轮回了。

2012年之前，我们在这个比赛中没有什么存在感。2011年我们进了八强，基本上就被淘汰了。

2012年，因为我退学了，那一年我基本上疯狂地待在实验室里。重新考研以后重新入学，所以从2011年到2012年，我在实验室里特别疯狂，因为连考试压力都没有了。

那一年我们藏了很多大招，不管是机器人的规划算法，还是团队配合和策略，都做了很多优化。

刚好第一场揭幕战，我们就打上一年的冠军。很有意思，第一场比赛我们打了他2比0还是3比0，整个场馆都震惊了。从来没见过上一届冠军第一场比赛就输。

当时整个组委会主席都来祝贺了。这很符合英雄主义的情节：一个名不见经传的队伍一上来就压着上一届冠军打。

整场比赛中间，我们还被吹掉了一个好球。因为我们的动作太快，裁判觉得我们肯定提前进了禁区。规则规定不能把机器人堵在禁区门口，有点类似越位，但裁判都没看清。

事实上我们通过一些战术和策略，让机器人快速冲进去，球到的时候机器人刚好到，预测得非常精准。大家可能都被这个战术搞懵了，还吹掉了好几个球，但我们最后还是赢了。

前一届世界冠军是哪个国家的？

那个队也很有意思，是泰国的一个联队，由泰国最好的4所学校一起组成。他们资金极其充裕，用的都是最好的东西。

人类世界杯里，东南亚国家都很难进决赛。

对，但是在机器人世界杯里，他们翻身了。

这个比赛最强的是 CMU，也就是卡内基梅隆大学。不过 CMU 比较“傲娇”，拿几年冠军就不玩了，过几年再回来。他们觉得一直拿冠军没意思，要让别人参与一下。

他们拿几年冠军就走，留下一堆东西让大家瞻仰，大家赶紧去学，过几年他们又回来。

中间有几年空档，大家就有点群雄混战，像一下子进入战国时期，一个大一统王朝分裂了。大家第一比谁投入大，第二比谁能最快达到 CMU 当时的水平。

我们那一年之前，上一届冠军是一个泰国联队。他们投入的人非常多，我们过去可能四五个人，他们过去二三十个人，每一台机器人都有人维护和保养。

你们只有四五个人？

对，我们过去可能就四五个人，是真正的一个 team。他们可能有二三十个人，差距就是这么大。

所以击败他们以后，我们一下就变成了一个很传奇的队伍，一路踢进决赛。结果决赛又碰到这支东南亚队。

又碰到了。

对，又碰到了，然后输了，1比2输的。

这个过程很像动漫。就像《灌篮高手》里的湘北，你总觉得主角队一上来就一路顺风、拿冠军，最后打海南的时候还是要输球，总得留点遗憾。

对，整个过程就是这样。决赛又碰到同一个对手，结果输了。

对方那几个队员为了研究我们的战术，通宵研究了5天，因为他们觉得决赛肯定会碰到我们，所以研究了我们5天。

原来那个队踢比赛很轻松，拿着泡面，别人比赛时他们就一边吃泡面一边看。自从输给我们以后，他们就不吃泡面了。

明显感觉到紧张感起来了。

对，挺好玩的。

这个还是挺爽的，赢得对手的尊重。

是的。

所以2012年是什么名次？

第二名，亚军。

2013年就夺冠了，中国首冠。

对。2013年 CMU 回来了。

他回来就是要把你们都收拾一遍。

对，要来收拾战场了。CMU 来的时候，其实一开始根本不正眼看我们。

后来我们和他基本上一路全胜，打到2013年决赛时，基本上是点球大战。两个队互有攻防，最后点球大战我们赢了。

这感觉很像某一年的世界杯决赛。

没错。2014年又碰到他。2014年常规赛我们就2比0打掉了他。

这就像对抗学习、对抗网络。

对抗网络。他这么做，我就这么做；我这么做，他就这么应对。

2014年那场决赛很精彩，我觉得是 RoboCup 我们那个组别最精彩的一场决赛。双方基本上把战术发挥到了极致，包括对场上形势的分析。

很少出现这种情况：对方叫一个暂停，我一看他的战术变了，马上我也叫暂停，马上改变自己的战术。到这种程度，已经不是机器人在对抗了，有点像两个教练在对抗。

2012年决赛和2013年决赛，你的心态有什么不同？分别对阵东南亚队和 CMU 的时候，心态有什么不同？

2012年决赛前其实我还是很紧张的。半决赛的时候，我们发现守门员有点问题。机器人有一个挑球动作，当时我们发现守门员挑球挑不高，但已经没有时间仔细检查了。

所以我们想在所有机器人里面换一台车去当守门员。我当时是队长，就安排一个学弟：决赛前一定要找一台挑球能力最强的机器人当守门员，这样可以把球挑远，大脚清出禁区。

当时我还开玩笑说，这么小的挑球，别到时候打到后卫屁股上，弹进球门，搞个乌龙球。

结果决赛的时候犯了一个错误。那个学弟很认真，把所有机器人都调试了一遍，找出了一台挑球能力最强的机器人。但是决赛时一紧张，忘了把这台机器换上去，还是用了半决赛那台机器人当守门员。

他所有工作都做完了，最后却忘记换守门员。

上半场本来是0比0，快结束时，一脚挑球真的打在我们后卫屁股上，弹进了自己的球门。

那一刻人就崩溃了。

对，心态一下就崩了。下半场一开始我们马上扳成1比1，后来又判了我们一个点球，最后1比2输了。

这件事对我的影响很大，因为这个对手我们第一场明明击败过，结果决赛又输给了他。

影响最大的一点是：你觉得是问题的地方，未来一定会发生。那一刻就像打了思想钢印一样，你会觉得，只要你认为它是个问题，哪怕现在还没有发生，后面一定会出现。

后来创业的时候，有过类似的时刻吗？

一直是这样。你觉得是问题的，迟早有一天会找过来。那怎么办？一定要在最开始的时候把问题彻底解决，系统性地排除所有细节上的威胁。

你可以晚一点解决，但一定要知道这件事会发生，迟早要解决。它就像一笔债，你逃不掉。

这是一个解决方案的思路。但如果出现意外情况，可能确实也需要在心态上调整，这个难度最高。

心态的调整，其实取决于准备程度。如果准备得足够充分，有各种应急方案，人就不会慌。你储备的解决手段足够多，在这个过程中就不会紧张。

我们做了很多预案准备。2012年的时候准备得没有那么充分，2013年我们已经准备得非常细致了。所有队伍里，我们应该是把活做得最细的。

甚至机器人的策略应该在5厘米线还是10厘米线，我们都会分析到阈值程度。当时确实细得令人发指。

从宽度上把所有预案都做出来，从细节上挖得足够深。又宽又深的时候，其实不拿冠军都很难。

还有一个很有意思的事情。跟 CMU 打的时候，你会发现 CMU 在所有队伍里是最智能的，它一直倡导更智能地分析、更智能地决策。

CMU 的逻辑是非常智能的，它永远在动态跑位。有些队伍跑到一个位置就停了，等球过来；CMU 永远在动态跑位，永远在寻找最好的机会，然后把球传给他。

那怎么击败它？它已经这么智能了。

后来我们发现，它似乎也有 bug。既然我知道你永远要传给空档最大的人，那我是不是可以制造一个空档最大的人，让你故意传给他？

我只要让你觉得传给这个人是最合理的就行。打 CMU 的时候，其他队伍都会跟着它贴得很紧，结果反而会被它甩掉。

我们给它送一个空档。因为我们知道，只要送出这个空档，它就一定会传给那个人，于是它反而变得可预测了，掉进了我们的陷阱。

它本来不可预测，结果变得可预测了。

对。每次我都留一个破绽给它，又知道它一定会传给那个人，所以我后面的人就偷偷加速，对着球和人围过去。

这样它每次传球都很难受。你如果一直跟着它的脚步走，永远处于被动防守状态，防守人一定跟不上进攻人，会慢半拍。

我们通过这种方式把它防得很难受。

CMU 到今天都是卡内基梅隆大学的实验室，也是机器人最厉害的实验室之一。你后来有接触过这个学校吗？

有。因为当时马卢娜教授是这个比赛的发起人之一，1998年就是主要发起人之一，也是我们当时比赛的执行委员会主席。我们一直非常尊敬他，后来也有一些往来。

你拿了3次冠军，他有没有跟你这个“小胖子”说过什么？

比赛的时候其实没说什么。后来创业以后，他知道我们创业了，非常开心。

我记得有一次是在巴黎，应该是2023年或者2024年，那次世界杯刚好我去那边出差，跟他见了一面，聊起了这件事。

他说，知道我们现在在创业，而且还是在机器人行业，觉得特别好。

他说，他们做 RoboCup 的时候，其实有第二个目标。第一个明面上的目标，是击败人类世界冠军。但事实上，他们觉得更重要的是，能不能培养一批真正热爱机器人的人。

就像播种一样，播下一片种子，最终不一定真的靠这个比赛去完成击败人类的目标，而是靠播下这片种子，推动整个社会把这件事做成。

包括 Kiva 被亚马逊收购，最终你会发现，它推动的是整个行业的进步。行业进步还得靠人来推动，而人又是在比赛中成长起来的。他觉得这件事特别好。

2012年、2013年夺冠，第三次是第几年？

2017年。

2017年是你作为企业导师带着交大拿了一次冠军？

对，多少有点不好意思说，感觉像叛徒一样。

我们一直是比较开放的心态。当时交大也想参加这个比赛，我们刚好毕业了，我觉得参加挺好的。我当时一直想着把代码开源，大家一起来玩。

就像 CMU 一样，我拿了冠军，就可以把所有东西公开，把论文公开，把一些代码公开，大家一起把这个比赛往前推动。尤其是学生竞赛，我觉得应该更开放一些。

所以我当时带了几个学生去交大，教他们怎么做机器人。刚好那时候也有一些企业想把这个东西平台化，也在做机器人，就找过来说，学生可以去玩。

于是我就相当于当企业导师，教他们怎么做这个事情，后来也拿了一届冠军。

你连着参加了多少届？

我是从2009年参加到2014年。2015年毕业。

2013年拿到全球首冠，回来以后有什么轰动的场景吗？

泰国队回去是公主接见，规格特别高，每次回去都是泰国公主接见。

我们当时比较好玩的是，上了新浪头条，新浪体育头条，不是新浪科技。那时候的梗是：中国队没拿到世界杯冠军，但是中国的机器人拿到了冠军。

还登了校网头条。现在回头想，好像也就这样。就像一个超级英雄最终拯救了世界，然后继续回到实验室干活。

但回来之后就有资源了。

对。浙大对机器人的投入，一直相对其他学校来说比较大。学生想要的东西，实验室基本都会支持，能够买到的都会买。

成绩好了以后，投入肯定会更大，学校会更重视，因为知道能够出成绩，学生质量也会变好。

原来我们在 BBS 发帖，可能只来20个人。拿完冠军以后再去纳新，那一年有300多人报名，非常夸张。意味着好几个专业的学生基本上能来的全来了。

我们当时用最大的阶梯教室都坐不下，还有很多人站着。简历收到以后，已经没有办法一个个聊了，必须开始筛简历。

你会更容易吸引到一些优秀学生，但是做完这件事又会发现，最终留下来的学生永远不是当时简历最光鲜的那批，反而是愿意睡在实验室、坚持时间最长的人。

原来20个人可能样本太小，但是放大到300、500个人以后，你会发现这个结论又被验证了。

一开始我们其实不想筛。如果实验室够大，300个人我都想要。所以当时大概留了五六十个学生，尽量满足大家参加比赛的愿望。

但过一个星期以后，可能走一半，因为时间冲突，或者提了一些要求以后，有一半坚持不了。再过一个月又走一半，最后慢慢收敛到几个人，不超过10个人。

现在你自己做公司也要招聘、选人才。这个思想钢印会影响你很深吗？

公司跟学校还是不一样。学校里大家没有一种强绑定，没有合同，也没有所谓的契约。在这种情况下，喜欢还是不喜欢，可以迅速决定，因为不来对你没有任何成本，也没有业务损失。

公司反而影响更大。如果一个人在公司里做的不是自己喜欢的事情，第一，他做不长久；第二，产出效率不会高；第三，他自己也不开心。

但是因为有成本在，他可能不愿意做出选择，所以更难筛选出真正适合的人，后果更大，判断周期更长，也更难发现。

这怎么办？

我们尽量多创造一些环境，包容更多的人进来。每个面试的人，我几乎都会问一个问题：“你最喜欢什么？”或者“什么东西会让你充满热情？”

这个问题非常重要。如果你的热情和公司的方向背道而驰，那千万不要在一起。至少我们不能保证百分之百重合，但至少这个夹角要是锐角，要保证大致是在同一个方向上。

公司的方向也不是固定不变的，它可能一直在变化。只要和我们大体重合，我觉得就已经很好了。

之前有一个印象很深的人，他说自己的热情是写小说，想写小说，但他是控制系学生，还是浙大控制系的。我就跟他说，你赶紧去写小说，千万不要为了工作而工作。

我觉得这件事很重要，要尽量筛选出在这个方向上有热情的人。

但你这样讲，容易让一些人觉得，因为我的回答没有跟公司主干道契合，所以失去了工作机会。很多人可能会为了获得一份工作，故意撒一个谎，或者编一个跟公司主干道相关的兴趣。

热爱和兴趣是没有办法伪装的。面试的时候其实相对来说还是好分辨。

有两个东西不会骗人。第一个，是看他眼睛里有没有光。他讲这个东西时是不是滔滔不绝，眼睛里是不是带着光。这种情绪表达很难骗人，而且很感染人。

第二个，是顺着他的话继续往里面问细节。如果他能把这些细节继续滔滔不绝地展开，你就知道他是真的特别喜欢这件事。

获得一份工作，和这辈子有机会去做真正热爱的事情，一定是后者重要得多。如果为了获得一份工作而失去第二条路，成本太大了。

我非常赞同你刚才说的。你说面试时都会问对方最喜欢做什么，有没有让你觉得很有趣的答案？

很有趣的答案？我想想，现在可能还真想不到一个。

你会发现，当你问我什么事情最难过、最高兴时，我很难找到一个具体的答案。对于这类问题，我很难找到自己心中“最什么”或者“最什么”。

那我现在是面试官。你最感兴趣的事情是什么？

我可能最感兴趣的事情，就是不停地在机器人这个方向探索边界，解决问题，并且让它落地，形成一定的反馈。

这可能是我最感兴趣的事情。

推动边界，然后形成反馈，形成闭环。

对。我不是那种你让我一直搞研究，但不落地，我也会喜欢的人。我希望在这个过程中不停得到反馈，然后推动边界往前扩展。

这件事情我非常感兴趣。

打 RoboCup 这个比赛，积累了哪些机器人的底层能力？

6. 底层架构决定具身路线

不管是做比赛，还是做实业机器人，逻辑都一样。机器人像一座金字塔，最底层可能是机械硬件，再往上是电子电路，再往上是底层软件，包括操作系统层面的东西；再往上是软件通信，再往上是算法，现在可能再往上是模型。

从这条链条来看，一个大的原则是：能在越底层解决的问题，千万不要往上层延展。

比如一个问题能在电路上解决，就不要在底层软件层面解决；能在底层软件解决，就不要到算法层解决。越往上，代价越大。你每打一个补丁，其实都会伤害下层的可延展性。

这也是第一性原理。比如机械上有一个缺陷，最好就修复机械上的缺陷。如果要在最上面的算法层面弥补机械缺陷，成本代价会非常大。

现在行业里一个很大的技术路线分歧，是到底选择端到端还是分层架构。你的这种思路，会影响你对这两条技术路线的理解和选择吗？

会，可能有点跳跃。

对于现在的机器人行业，或者说具身智能，我觉得未来一定会是类似 MoE 的架构，和大模型类似，可以参考。

第一，从功耗层面来说，没有必要跑一个全知全能的模型，一定是跑若干个小专家。在这个场景下，就调用这个场景的算法模块。

就好像打比赛一样，针对不同竞争对手，适配于他的策略是最好的。机器人场景也一样，场景非常复杂、多变。

所谓端到端或者全量数据模型，这件事很美好，但我觉得它需要一定时间。我会相对悲观一点：不是说机器人的 GPT 时刻还没到，可能 Transformer 时刻都还没到，所以大家更多是在探索。

如果让我现在坚定地说，此时此刻一定要做一个全量端到端的大模型，我可能不会下这个决定。我更倾向于在一些边界比较清晰的小场景里做验证、做闭环，过程中积累数据。等有足够多的数据，再去验证更大的范式。

现在行业里有两派路线。一派更接近你的想法，从底层开始搭建，一点一点往上，是比较务实的路线。

另一派是高举高打，day one 就做金字塔尖最尖的部分。在中国资本市场上，后者还很火，很多做大脑模型的公司估值特别高。这些模型产品短期内甚至不能被验证或者证伪，但投资人愿意交钱进去看看，可能里面有很强的泡沫情绪。你观察到了吗？

是这样的。我觉得主观、客观都有原因。

客观原因是，对于这些公司来说，如果再从底层开始搭建，第一，时间肯定不够；第二，它没有确定性优势。如果要做，就只能自上而下，没办法再自下而上，跟仙工智能或者行业里已经从底层开始搭建的公司竞争，因为时间不允许。

所以它只能选这条路，这是客观制约因素。

对于大多数创业公司来说，为什么选择从最上层的模型开始做，其实跟整个行业现状有关，这是客观不可改变的。

另外，这条路也确实更难。你没法说服投资人：已经有一家做得这么好了，你为什么还要沿着他的路去做？

第二个原因是，这件事很难被证伪。它更偏美元投资的一种思维：买一个未来，买一个更宏大的未来。

前两天我跟一个投资人交流，他有个观点我觉得很有意思。他说，很多美元投资人在找下家。Astronomical 是谁？，他们觉得具身领域里可能也会出现一家类似的公司。

这些公司不一定会从自下而上的公司里出来，他们可能更倾向于高举高打、更能描画未来、更能跟资本讲故事的公司。

虽然总体概率更小，但大概率会在这些公司里出现。比如1000个人里可能只出1个，但这个人可能只会出现在这1000个人里。

同样，自下而上的1000个人，可能最终有一半做得不错，但可能出不来那个 Anthropic。你能理解我的意思吧？

所以他们宁愿赌一个更大的目标。我觉得这也跟大家的投资偏好有关，没有所谓的对错，我基本上也认同。

如果第一天、day one 就瞄准一个更宏大的目标，最终做事情可能会更纯粹。

中国人叫“取法乎上”。

对，会更纯粹。就像 OpenAI，第一天可能甚至都不要考虑商业化，完全不要考虑，直接瞄准最宏大的目标。

也许最后的收获会非常巨大；如果失败，也可能万劫不复。

过去两年整个一级市场融资都相对疯狂。现在回头看，你们融的钱其实很少。你是不想融，还是确实没有融到更多的钱？

第一个原因确实是我不擅长融资，这是实话实说。

浙大有个校风或者校训，叫“求是创新”。你会发现，但凡浙大系的创业公司，你去跟老板或者创始人聊，总体来说都比较务实。

这种务实会体现在：你能做到一个80分甚至90分的东西，表达出去可能只有70分。我觉得对于资本来说，这一定是缺点。

但是对我个人来说，所谓的 reward，不管是对公司还是对投资人，我不是特别在意。走一条更务实的路，也一定会有自己的 reward，也一定会获得一些东西。

有的公司的 reward 来自投资人给了更多钱；我的 reward 可能来自客户给了我更多钱，这件事反而会让我内心更澎湃。

所以少融资也是因为你们从客户这里挣到了钱。

对。过去甚至有几年我们的现金流还不错，所以没有那种渴望，也没有被逼到那个程度，还是一个优先级排序的问题。

现在具身赛道有中国的百亿俱乐部。

是。这两年，尤其是今年，百亿俱乐部突然又多了很多新成员。

大家手里都有很多钱。你羡慕他们吗？

不羡慕。我们上市以后也有很多钱，没什么好羡慕的。

钱多钱少，本身跟承担的风险和代价是匹配的。你知道在中国融资，很多时候其实是在融债，不是在融资。

比如你融了50亿元，意味着可能背负了50亿元的潜在回购，所以这两件事是对等的。只不过现在大家愿意把这笔钱交给你代为保管，你需要让它发挥价值。

最终还是要回到：你用这些钱创造了什么价值？如果创造不出这个价值，这笔钱可能就是一笔债。

你觉得他们未来会羡慕你吗？

会羡慕我吗？我不知道，我觉得应该也不会。我们的路也比较苦，各有各的难，各有各的苦。

我原本也是你的这种看法。但是聊得多了以后，我听到一个很有道理的声音：这个行业现在钱很多，原本资源有限时，探索一条路可能要花3年；如果资源无限，3年可能缩短成半年，把试错时间缩到最短。

共识快速形成，周期缩短、技术路线快速迭代和验证，我觉得第一，它不是对一家公司有帮助，而是对整个行业有帮助。

市场上有更多钱进来，帮助大家快速试错，这不是对一家公司的帮助，是对全行业的帮助。

在一个人才快速流动的行业里，一家公司很难有秘密。快速验证以后，可能不到3个月，在中国这个速度下，所有公司都会 follow。

可能两年前大家都在讲 VLA、VLM，今年你会发现全部变成世界模型。最开始大家争论的是实物数据、仿真数据、合成数据还是真实数据；到今年又趋向于做无本体数据采集。

大家会快速分化，又快速形成共识，快速分化、快速共识。所以资金投入其实是对行业本身的促进。

对我们来说，虽然没有那么激进地投入，但也能分享其中的红利。

这个时候行业里就会有一些“坏小孩”，觉得你们多拿一点、多试错，给我们提供一些共识。

好吧，我默认了。

这是一个很有意思的事情：又快速分裂，又快速形成共识。你觉得这种共识是真共识吗？

不一定。

如果是真正有价值的东西，其实有明确判断标准，这个标准就是落地。所谓有价值，就是能真正给客户创造价值，或者给社会创造价值。

如果在某个共识下，我们发现它产生了价值，那可能就是真共识。

去年的 VLA 和今年的世界模型，现在看到价值了吗？

我看到一些可能性，但现在还没有哪个已经完全被验证。

所以去年 VLA 和今年世界模型，你们也有 follow 吗？

我们有 follow，但过程中会做选择。

我们看具身智能，会分成两个维度：一个是新的技术范式，一个是新的产品形态。这两件事情没有必要看成一个整体，可以拆开验证。

现在的人形机器人，不管是双足人形、轮式人形还是四足，我觉得都属于新的产品形态。VLA、世界模型，可以叫新的技术范式。这两件事可以独立验证，没有必要放在一起验证。

我们的逻辑很简单：先选择一个已经落地、但可以被新技术范式迭代的场景。

比如我们最近在做具身智能的叉车类模型。和人形相比，叉车的场景非常明确，不用担心数据问题。

人形一直在说数据缺失，但智能叉车没有这个问题，因为原来就有人工开叉车的数据。

第二是传感器。人形领域大家一直焦虑数据，即使能采到数据，也可能不够完备，比如缺少力传感或者触觉。你不是一个像素化的传感器，很难被训练。

但叉车场景没有这个问题，不需要特别精准的力传感。

第三是数据筛选。收集了这么多机器人数据，哪些是好数据，哪些是坏数据？判断标准是什么？我相信这个标准目前并不清晰。

什么叫好数据？

比如我现在拿这个杯子，你说我这样拿是不是好？

我觉得可以。

那这样拿好不好？

也可以。

这样拿行不行？

也可以。

所以你会发现，人形或者说这种产品形态自由度太高。自由度带来的问题，不只是控制问题，更是数据筛选问题。

它会让“什么叫好、什么叫不好”变得很难判断。就像自动驾驶，没人会把闯红灯的数据放进训练集，因为很清楚这是违反交通规则的，是坏数据。

但是人的数据里什么叫不好，很难判断，所以标准很难收敛。

所以我们不在人形上做新范式探索，核心逻辑是三点：第一，数据很难获得；第二，即使获得了，可能也不完备，缺少某些模态；第三，即使拿到不完备的数据，也很难筛选什么是好、什么是不好。

这就是具身、人形上的三道坎。

既然问题很难，我能不能找一个这三个问题都不存在的场景？我先用新的范式，如果能解决问题，那就是一件很好的事情，也能创造价值。

所以我们反而在相对成熟的场景，比如叉车场景里，把模型放进去训练，用最新的方法做验证。这样既能 follow，又能产生闭环价值。

只有产生闭环价值，数据才能源源不断、低成本地涌现。如果没有创造价值，需要数据时就得去买，或者把设备送出去采数据，成本很高。

如果能给客户创造价值，数据成本就很低，而且会不断涌现。所以对我们来说，模型和技术范式当然重要，但场景可能更重要。

市场上有两波公司。第一波是上一代自动化机器人做得很好的公司，他们有大量客户和场景。

另一派是仙工这样的创新派，不管你有什么场景和客户，我先探索智能。当智能可以标准化成产品时，就由我来定义场景，所以很可能是一种颠覆式路径。

现在很难说到底谁会赢，你怎么看？

我觉得在大的 To B 端，渐进式的机会更大；但是在 To C 端，我觉得颠覆式的机会可能更大。这是我自己的判断。

B 端非常追求性价比。没有性价比的东西，在 B 端没有办法大规模应用。

性价比意味着硬件和软件需要有一定的定制化，而这种定制化很难。

比如今天这个场地上有这么多种机器人，你试想一下，有没有可能一家公司生产出所有这些机器人？至少我判断不可能。一个公司不可能把世界上所有 B 端机器人都生产出来。

但为什么需要这么多种机器人形态？为什么不用一个通用人形？就是因为在具体场景下，这种机器人的性价比最高。

我经常举一个例子：现在有一托盘1吨重的货物，有3种解法。

第一，造10个人形机器人去搬这托货；第二，用一个人形机器人去开一台叉车搬；第三，让叉车自己就是一个仙工的叉车，它自己会搬这托货。

很明显，最经济的是第三种，成本最低。

从生物进化来说，人自己都在创造工具。叉车就是人发明的。结果用了机器人以后，你说人的工具不用了，让机器人徒手搬，这不现实。

最经济的方式一定是让叉车变智能，而且成本肯定最低。所以未来一定会演化出各种智能工具。

大家做人形，是因为工具原本是为人设计的，所以用人形机器人可以覆盖最大的范围，这当然成立。

第二种方式，是让每个工具具身化的成本足够低。工具的具身化也可能是一个趋势。而在 B 端，至少在通用范式出现之前，这已经是在发生的事情，是一个存量市场，只不过需要把存量市场更新一遍。

现在 B 端大量设备，原来的自动化设备都有可能被重新做一遍，用 AI 技术重新刷一遍。这里面反而有大量机会，只是它可能没有人形那么性感。

零束的王启彬，我问过他哪一派公司会赢。他以前觉得有场景的公司能赢，但后来改变了想法。

因为已有场景的公司意味着已经有确定的商业收入，在某种程度上会被绑定在原来的路径上，很难跳出来，这就是创新者的窘境。

某种程度上是对的，破解这个困局也是有方法的。

最上面其实是模型。从机器学习来看，如果要做一个好模型，最重要的还是数据。

对于我们这种自下而上构建体系的公司，怎么获得数据？要先回答数据问题，再回答模型问题。

我永远相信，一个拥有足够多好数据的公司，不管未来是上面的公司成功，还是下面的公司成功，有好数据的公司永远可以立于不败之地。

某种程度上，数据就约等于模型。模型要靠数据训练，也要靠数据验证。所以我唯一需要回答的问题是：怎么样获得最多、最好的数据？

打断一下，你提了一个非常好的问题，也是我前一期跟王启彬聊时重点聊的问题：到底什么是好数据？

首先大家现在定义不一样。他提出了一句话，只有自己训练模型的公司，才有资格定义什么是好数据。数据一定要闭环到模型训练之后，才能说它是好数据。

你也可以反过来说：只有把模型应用到场景里，才能知道什么是好数据。

比别人多走1公里，还是要落到场景里。

对。因为“好”这件事情需要迭代。不能第一天就说这种格式最好。还是要回到一句话：你怎么验证它是好的？

模型，甚至传感器的排布，都不能直接说现在这种设计就是最好。这个“好”必须在场景中被验证。

否则你说模型很优秀、很好，但又落不了地，大家没有办法评判。

就像 RoboCup，你说你的方法好，我说我的方法好，大家要在统一评价体系下验证。首先要有统一的评价体系，才有“好”这件事。

我对数据好不好，有自己的一套评价标准。

第一，数据必须在真实场景下获得。我是坚定的真机数据派，而且相信真机数据一定会有 scaling law，只是这个东西还没有被找到，那个范式还没有出现。

在场景应用逻辑下，我认为好数据有几个定义。

第一，数据一定要有多样性，能够在多场景下采集。

第二，数据天然是各种模态对齐的，格式统一。现在大家可能去买一堆数据，但要花大量成本把这些数据变成自己的模型能吃进去的格式，所以数据一定要天然对齐。

第三，数据能够持续、低成本地产生。这才叫好数据。如果数据很贵，就没有商业化基础，也不可持续。

你融再多钱，比如 OpenAI 买数据，一年可能有几亿美元甚至10亿美元预算，大量公司都买不起。

满足这3个条件，等到一个好的范式出现以后，才有可能获得最终那个全知全能的模型。

你们天然拥有很多客户和客户场景，我觉得这是现在最大的优势。

先回到这3个定义。

第一是多样性。我们现在的控制器支持2000多种机型，适配400多种传感器。这意味着在各种机器人、各种场景下，我们都有数据。

控制器能拿到什么数据？环境数据，比如激光雷达数据、相机数据，包括机器人的执行轨迹数据，实际上我们都能获得。

我们的机型丰富度足够高，至少在 B 端场景下，各种机型都能拿到数据，多样性大概是2000多个 SKU。

第二，因为所有传感器都接到控制器上，而且控制器有整套外参标定工具。很多客户造好车以后，我们还可以在软件上做自动化标注。完成以后，数据天然是对齐的。

不管是 A 品牌的激光雷达、B 品牌的相机、C 品牌的伺服驱动，接到我的控制器以后，最终采集的数据都是我的格式。

第三，因为我有场景化逻辑，所以数据几乎是免费的，而且质量很高。为什么？因为机器人出现异常时，客户会主动把数据给你。

有点像自动驾驶的监管数据。机器人出故障，其实就是 corner case。

没错，所以这是高质量数据，满足这3个条件。

虽然你看我在大量铺场景、铺机型、采数据，但我没有急着说现在就一定要拿它去做什么。这件事本身的存在，就是我们信心的来源。

没有急着先做什么，指的是什么？

没有急着把所有数据放在一起训练一个模型。但是我们会训练很多垂类小模型。

为什么没有急着训练一个现在行业最热的通用大脑？我个人还是觉得太难了。我会更务实一点，喜欢逐步验证。

比如我先把数据隔离。叉车数据只在叉车上用，没必要在叉车数据里放一点人形数据，也没必要在人形数据里掺一点清洁机器人数据。

至少先验证，在叉车场景下能不能训练出一个叉车师傅的模型，在清洁场景下训练出一个清洁大妈的模型。

如果把所有数据混在一起，想要一个模型，我很难想象要多大的模型才能把所有数据都吃进去。但如果让我想象一个叉车工人的模型是什么样的，我至少知道大概怎么构建。

你现在讲的这部分，呼应了你刚才说的：未来机器人也会是 MoE 那套系统。需要什么场景和任务，就调度哪一个专家。

对。我们先把一个又一个专家做好。

比如我有叉车工人模型、清洁大妈模型，还有各种模型。背后可能有成百上千个场景，而这些数据格式又是统一的。

它有两个好处。第一个，在这个场景下我能落地，能不断获得数据。第二，真的有一天出现了一个新的范式，我所有的叉车工人、清洁大妈和其他场景的数据都已经准备好了。

那就把它们放进去看看会产生什么，就像炼丹一样，把所有原材料都丢进去。但我的原材料今天就已经准备好了。

所以既兼顾落地，又为未来做好准备。

我还是那个观点：未来的模型约等于数据。只要保证自己是装机量最大的那个，数据又高度对齐、低成本获得，我觉得在未来竞争中就能立于不败之地。

你是在埋下一个范式真正出现且被验证时，提前把数据准备好。

没错，就是在等那个风来。

在这个时间点，最重要的是装机量。

对。为什么我们要做机器人控制系统？控制器意味着机器人的可能性。我们希望大家在我们的控制器上创造各种各样的机器人，这样才有多样性。

第二，控制器保证数据统一。通过控制器激发更多人做机器人，降低机器人的门槛，装机量才能起来，数据的持续性才会有。

所以我们做所有事情，都是围绕如何获得更多高质量数据来做，面向未来。

如果从比较粗的颗粒度来看，有些具身智能公司也是类似思路：把硬件做好，把机器人送到更多场景里部署，获得数据，再把数据收回来，回传到自己的大脑训练。

大体上你们是一条路线，都是在真实场景中获得数据。区别是，你做的是控制器，而且做的是一个更开放的生态，所以获得的数据会更多样化。

我觉得最大的区别可能还不是这个。既然要采数据，本质还是要能够大量装机和推广。

我个人认为，人形这种单一形态，在这么多 B 端场景下，至少目前没有办法真正通用。

所以我们才需要为各种场景构建各种形态。但是仙工一家不可能做到这件事，所以希望通过控制器帮助更多公司去做。

我有一个暴论：在 B 端不会出现真正的机器人巨头，也不会有真正的机器人公司。为什么？因为未来所有设备公司都是机器人公司，所以也就不存在机器人公司。

当所有人都是机器人公司，就没有机器人公司了。

未来的大厂，不只是车厂、互联网大厂，我说的大厂甚至包括制造企业，比如富士康，未来也会是机器人公司。

你凭什么支撑这个判断？

因为这些公司都会变成机器人公司，门槛会越来越低。

我可以举一个上个时代的例子。这个世界上最伟大的工业产线公司是哪家？

富士康？

富士康使用产线，但不做产线。

不知道。

为什么？因为谁都可以做。

你会发现，一个工厂要做一条产线，会指定某个大品牌吗？不会。但它可能会指定控制系统，比如招标时要求大家都使用西门子的 PLC。

可是你会发现，在这种逻辑下，没有一家所谓的产线巨头，说全世界80%的产线都是他做的，没有。

产线都是各个工厂自己组装、自己定义的，永远针对自己的产品，做最适合、效率最高、质量最有保障、良品率最高的产线。

产线是自动化时代的产物。现在进入智能化、AI 时代，它的产物可能就是机器人。

既然没有标准产线，为什么一定要有标准机器人？机器人服务的产线都不标准，机器人为什么反而要标准化？

这让我想到一个细思恐极的点：行业里今天还有很多公司声称，未来通用人形机器人，一个人形机器人就是一条产线，自己就能把多工种串起来。这是一个伪命题。

我还是回到那个点：人都不愿意这么干，机器人一定不会这么干，尤其是人形机器人。

因为人的手工效率不高，所以我们发明了流水线、自动化产线和机械臂。现在你说这条路错了，要回归手工线，在旁边放一堆人形机器人做手工，这对工业来说反而是退步。

一个机器人至少现在肯定没有人的效率高；同样，一个人形机器人的效率一定没有人的效率高，而人的效率又一定没有一台机器、一个自动化设备高。

现在反过来说，要把它变成人形，就好像自动驾驶都错了，应该做一台人形机器人去开一辆油车。按这个逻辑，最合理的就是让人形机器人开油车，而不是发展自动驾驶。

至少短期内肯定不会出现这种事情。

你这个暴论我们待会儿再展开。我先就着数据多问几句。

事实上，你们的控制器现在做到全球市场占有率第一。在这个场景下，你是通过控制器构建了一套事实标准。控制器卖得越多，接入的接口和数据越多，就越要按照你的控制器统一。

虽然你没有喊着要建立标准，但事实上你在建立标准。

标准这件事情，是自下而上还是自上而下的问题。

如果一家公司今天摇旗呐喊，说我要建立一套标准，大家来接入我，我觉得不会有人理它。因为没有收益，遵循你的标准不能给我带来收益，这件事就不会发生。

但是如果你提供给市场的是一个有用的东西，大家觉得买你的东西能产生价值，就会愿意使用。使用的人足够多以后，它自然就变成了标准。

人民用脚投票。没有必要说自己一定是标准，这在中国社会甚至会引起反感。所以我们从来不说自己是所谓的标准，也不会要求零部件按照我们的要求来。

相反，我们把自己放在一个相对低的位置。

比如激光雷达，有单线、多线，有国产、非国产，有防爆、不防爆，有重复扫描、非重复扫描，我都接受。我不定义你的传感器一定要长什么样，也不定义你的协议格式一定要一样。

你告诉我你的格式是什么样，我在系统里适配你就好了。永远把自己放在一个相对低的姿态。

我相信每一种设计都有它的好处。每种设计都有好和不好的地方，没有必要让所有人变成一样，为什么大家的协议一定要一样？可以不一样，我来适配你。

《道德经》里有一句话叫“反者道之动”，这句话怎么理解？

如果你一定要去定义一个标准，你就不是标准的制定者。

这句话听起来很矛盾。为了标准而标准，以自我为中心去定义标准，往往会收到相反的效果，这种标准一定不持久。

反而是我没有标准。你是什么接口、什么协议，我都接受，都适配。你改一个，我适配一个。

我们甚至遇到过一个品牌的同一个系列，给我的通信协议都不一样。没有问题，就按照你的来。我相信你的协议迭代有你的理由，我适配好就行。

当我适配的人足够多，反而又变成了标准。

“反者道之动”这句话很有意思，也很有哲学意味。当你不认为自己是标准，不给整个行业施加所谓的标准，而是通通接纳时，反而很容易成为标准。

当你有自己的认知和执念时，往往就成为不了标准。

回到数据问题。你觉得现在手上拥有很多统一、多样、高质量的数据，未来会拿出去卖吗？

首先，现在肯定不会。我觉得还不够好。

一个东西不够好的时候，拿出去卖反而会带来很多困扰。你会被客户需求逼着不停改东西。你认为的好数据，不一定是客户认为的好数据，这个过程中一定会产生内耗。

至少现在我们还没有到有资格卖数据的阶段。我们更多是先收集、自己使用，看看能做到什么效果。

我一定要等它被验证以后，才有被卖的价值。如果自己都没有把一个大闭环跑通，就去卖，其实有点不负责任。

第二，我觉得未来数据应该被共享，好数据应该被共享。

如果未来大家采集数据的成本足够低，你不卖也会有人卖。中国的竞争生态不是你不卖别人就不能卖，而是如果你不卖，别人卖了怎么办？

本质上，还是要看一家商业化做得很好的公司。如果它已经能赚钱，数据对它来说只是副产品。如果这个副产品还不错，它当然可以共享出去。

假设这家公司又比较有情怀，或者没有太强的执念，这件事情就会顺理成章。

假设你现在手里有10亿美元，你会马上训练一个通用的具身大脑吗？

短期还是不会。

现在有在训练大脑吗？

有。刚才说的垂类模型我们会做，但不是 rule-based，而是基于这一代生成式方法、基于数据来做的。

我们已经在做，也有一定效果。同时在这个阶段，我们已经开始推动商业化采集的方式，还是回到数据持续性，我们会做商业化。

回到刚才的问题，如果真有10亿美元，我还是会把量补上去，继续铺量、拿数据，更加多元地支持更多机器人。

现在我可以同时支持2000种，如果有10亿美元，可能要支持2万种，让更多品类使用我们的控制器。

还要拓展更多渠道。我们在国内已经做得很好，但至少海外现在做得还一般，所以会更多铺海外渠道，让海外公司也更多使用我们的控制器。

如果有更多钱，未来3到5年内，我们最重要的战略目标还是提高机器人的装机量。

当然，我们不要求每台机器人都回传数据。工业场景里，有些客户不愿意给你数据，至少不愿意自动给你数据，但是他可以被动给你数据。机器人出问题时的 corner case，他肯定会给你。

所以还是要把量做起来，把多样性做起来，降低大家的使用成本。只有这样，数据才可能真正积累起来。

如果用10亿美元，也可以选择现在去买数据。现在数据差不多比如说一小时数据可能一百美金左右。现在也没有那么高了，可能差不多五百元人民币吧，差不多降了一点，但我肯定不会这么做。

第一，太贵。第二，这不一定是我需要的数据。我一定要在自己的场景下拿到数据，所以还是会铺量。

按照你现在的思路，你觉得当下这些具身大脑公司真的有门槛吗？

首先在数据上，我觉得没有门槛。

在模型、方法以及数据处理方式上，我觉得会有各自的 know-how。比如数据产线怎么搭建，怎么用模型给数据快速标注，这些每家公司会有一些独特技巧。

模型算法有门槛吗？

我认为有，但是一旦做出来以后，扩展会非常快。它当然有门槛，往上迈一步都很难，但一旦有一家实现，行业里可能很快就会出现很多家。

所以我也不知道这种门槛算高还是低。它存在，但可能是3到6个月的门槛。

反过来说，数据门槛短期很难构建。要么用足够多的钱，要么用足够多的装机量，要么用足够多的时间，这件事逃不了。

要么用钱去买，要么用装机量去铺，要么靠时间去踩。这个门槛我觉得更高。

去年到今年，资本热潮一轮又一轮，可以说是资本风暴。市场上训练大脑的公司可以融到非常多的钱。

我感觉你也有机会走那套叙事，融到更多的钱，你为什么不做？

拿足够多的钱，对我们来说不是战略目标。如果足够多的钱能帮助我铺更多量，比如我们上市，那这件事就有意义。

从这一轮具身热潮开始，我相信你一定经历过焦虑、挣扎和自己的思维判断。这个 battle 的过程是什么样的？你能还原一下吗？

最开始是非常焦虑的。

两年前，有一个投资人过来聊天，他说我们已经算老登公司了。他当时说，现在他收到的所有 BP，只要没有 VLA，他都不看。

他问我们的 VLA 进展怎么样。

你怎么回答？

我说这个东西我们现在只是试了试，实际上没有真正做。我说还在观察。

他当时说不行，你们一定要看一看这个方向怎么做。因为他的判断是，再过半年到1年，所有机器人都会用 VLA，不会再用我们原来的方法。

那时候其实蛮焦虑的。

你们原来的方法和 VLA 方法有什么区别？

之前我们也会用很多模型，但可能是分段的小模型，还是上一代 rule-based 方法。rule-based 里面会融入一些模型，比如物体识别会用模型训练，但不是一个真正的端到端模型，也没有把动作层纳入进来。

那个投资人那次对我的触动比较大。平时看这些东西时，你可能会比较理性，但当一个人声情并茂地描述他最近看到的东西，你更容易被触动。

那时候我开始焦虑，自己做研究、翻论文，也跟团队讨论。

我们当时做的第一个判断，是先 follow 一段时间，先学习。很多决定没必要急着做，不可能今天就把方法全部改掉。

所以我们先学习，大家花了大概半年观察这波趋势怎么变化。

当时我们的判断是：如果这个东西半年能落地，第一，我肯定已经赶不上了；第二，如果半年能落地，仙工这个团队一定也有能力把它落地。

无非是后发优势。抢不到先发优势的情况下，就要思考怎么把后发优势做好。

半年以后我们发现，风口好像又变了。李飞飞、杨立昆开始讲世界模型，又进入新一轮学习。

两轮之后我们发现，这件事好像没有大家想的那么快。

在这个过程中慢慢意识到，最重要的可能不是模型本身，也不是所谓的方法，而是数据。

大家一开始是对方法、对范式焦虑，慢慢转向对数据焦虑。再回头看，我们的数据从哪里来？

如果仙工有一天要 step in，最核心的还是数据。再结合我们的业务看，发现这件事上我们反而不虚，于是慢慢又建立了一些自信。

那时候我们更加坚定地认为，如果要做出差异化、做出后发优势，应该先把数据掌握在自己手里，让数据更加多样化、标准化、可持续、低成本。

一旦落到这个点上，反而一点都不焦虑了。目标变得无比清晰，也重新变成我们擅长的事情。

但同时我们也意识到，不能没有人去 follow 和研究方法。那怎么办？就挑我们熟悉的场景，在熟悉的场景下用新方法重做一遍。

所以经历了这么一个迭代过程：从对方法的焦虑，到对数据的坚定，再到自己的场景里用新方法做实验，逐步切换过来。

所谓旧方法到新方法，就是从 rule-based 到 data-based。

对，都要数据驱动。

新的训练大脑方式需要一个新的团队。你们过去的团队里有这样的人吗？

我们当时分析过，如果建立一个具身团队，需要哪些能力。

第一部分，是数据本身的处理和管理，需要一定经验。这些人大量集中在互联网大厂、云服务公司，他们对大量数据处理、低成本处理会有很强的 sense。

第二部分，是训练方法本身的优化，包括工程化优化。这些人大量在自动驾驶公司，所以大概率要从自动驾驶公司找人。

第三部分，是最前沿的探索，更多在学术圈。

所以最终这个团队要有三方面的人：学术圈的大牛，可以通过外部顾问引进；互联网大厂和云服务公司里对数据有感知、对训练方法有感知的人；再加上自动驾驶公司的人，最终形成团队。

我们的初始团队，一是从外部找明白人，二是内部转型。毕竟对我们最了解的还是内部人。

我们认为这一波转型没有那么难，训练、做模型这些事情是可以学习的。

当时在研发团队100多号人里，我们激发大家的兴趣，让大家自由探索。研发人员的知识结构和能力储备，完全可以进行这种转型。

我们让大家放开去玩、去学习，同时在原来规则驱动的路上轻轻踩了一脚刹车，相对收敛一些方法。

大家开始转向数据驱动，积累第一批骨干。外部引入明白人，再加上内部人员转型，基本上就完成了这个过程。

我理解，很多自动化机器人头部公司去做具身化转型，只能做到尽可能不落后于市场认知。

一家公司最核心的 know-how 和前沿研究，很多时候可能和既有利益绑定。对于有大量客户和订单的公司来说，深入研究大脑怎么做，动力可能不如那些从一开始就以此为使命的公司。

后者是置之死地而后生：做得好就能留在牌桌上，做不好就会被淘汰。

刚才你说的问题可能不太存在。

我们当时是把相对来说最有潜力、最能把这件事做好的人，调到新团队里；同时再提拔一批新的骨干去做原来的业务。

对我们来说，这相当于也是一个人才培养和升级的过程。

我们一开始担心的是大家不愿意学习，后来发现完全是多虑了，大家反而非常愿意学。

那你又要担心了：如果所有人都想去新方向，老方向的存量业务也得守住，一个是攻，一个是守。

你会发现，新方法研究过程也是一个沿途下蛋的过程。整个新模式探索中，会出现一些很好的闪光点，反而可以迁移回老的技术体系。

老技术体系会被新方法逐步牵引。原来在老技术框架下，从90分到91分、92分是一个比较缓慢的过程；有新方法牵引以后，思维会更多被打开。

所以新方法和老方法现在慢慢有机融合，形成一种很好的正向循环。

比较重要的是，要在这个过程中筛选出适合做新方法的人。有一帮人冲劲很强，对学习充满欲望和热情，是拦不住的。

按照你的筛选标准，以及你和几个创始人的人格画像，你们公司应该有不少热爱含量很高的人。

是的。大家在技术研发、给客户创造价值这件事上，都充满热情。

如果一个人真正热爱机器人领域，可能也没有办法忍受自己不去 follow 新技术。

你一定要做。

对。所以给大家打开了更多成长的天花板。

那时候跟每个人聊，你会发现大家担心的不是公司让我做这件事，而是公司不想做这件事。

我推荐大家去听我往期的一期播客，是对梅涛院士的采访。

他最早在微软研究院、微软亚洲研究院。微软当时希望保持前沿探索，也就是 cutting edge。

微软当时有一个非常好的优势：每做出一些实验成果，就立刻可以把研究成果放到现有产品和市场里验证、迭代，所以研究和工程结合得很好，产品化也能给 researcher 形成闭环。

这和你现在的理念非常 match。但是这是一种很理想的状态，甚至微软今天都很难复制自己当年的状态。

其中区别到底在哪里？你思考过吗？

其实在于组织能够有多包容。

人才评价体系包括两方面：一部分是绩效评价，一部分可能是价值评价。你的评价标准决定了你会产出什么样的结果。

首先，这件事情要足够放得开。有的人喜欢搞论文，有的人喜欢搞落地，这两种人要放到真正感兴趣的岗位上，评价标准完全不一样。

如果评价标准趋同，或者为了评价而评价，最后往往会得到一个不伦不类的东西。

第一，评价要更多元化。甚至对有些人，可以不要去评价。谷歌有一个说法，工作时间的20%可以做自己感兴趣的东西，对我们来说其实也是这样。

现在做多机器人调度的部门，有人买了一个机械臂在研究。

公司还有一个部门专门在研究人形的 WBC。合理来说，应该让做全身控制的团队去买机械臂研究，而对于做多机器人调度的团队，为什么要去研究机械臂呢？

你说多机器人调度和机械臂有什么关系？其实没有关系。

关键是他想研究强化学习，想把这一套方法自己摸一遍，在一个更好的平台上验证，然后把强化学习引入多机器人调度，看看能不能用最新方法做优化。

他不能直接读论文就结束了，想从里面找灵感，所以要去玩机械臂。那就让他买，继续研究。

我们不需要给大家设置很多框去约束，反而应该鼓励大家做更多边界探索。

但是研究人员到底应该怎么管理，这是一个问号。

第二，如果这些人才都流向明星公司，虽然你们在 To B、控制器领域也是绝对的明星公司，但可能不是现在具身大脑叙事里的明星公司，那你怎么招到好的研究人才？

首先在这件事上我们没有很深的焦虑。

还是回到最开始说的打比赛。我的观点是，明星这件事不是最重要的。

你招一个人来打比赛，他一定不是最开始的学霸，甚至可能不是考霸，只是一个很普通的人。但是只要他有足够热情，投入足够多的时间，坚持足够久，他也可能成为那个明星。

我很早以前看过一段马云的采访。他说，一开始从外面找了很多经理人，觉得“十八罗汉”太土了，都是他的学生，学校也只是杭师范。他觉得这样一个团队怎么可能把阿里巴巴做成世界级公司。

但现在回头看，那帮人反而是他招的人里最厉害的。

比赛经历也告诉我，外部的人当然需要，因为他们懂很多东西，可以让你少走弯路。但最终能不能达到目标，还是看你有多热情、对这件事有多相信、能坚持多久。

所以我自己的心态是，该接触就接触，该招聘就招聘，但同时尽量选择真正的同路人，大家想到一起去，能够把热情投入进去。

这件事比他本身的学术能力重要得多。

你们公司会做什么固定或者不定期的活动，让大家的热情更高吗？

还是刚才那句话，“反者道之动”。

你越去做这种活动，越会让大家统一成某种固定个性。我反而不做活动。你越不去搞所谓的 CEO 讲话，员工越多元，越有个性，因为大家也不知道老板怎么想。

让大家享受自由的空气。

你觉得你们员工的个性体现在哪里？

我们有很多员工都很有个性，公司里可能“问题员工”比较多。各种奇奇怪怪的人，各种风格、各种性格都有。

有大厂过来的，也有从学生时代就进来、一直成长起来的。

比如我们最奇葩的员工，原来是做仓管的，现在已经做到某一块技术的 leader 了。

包括我自己，原来还学医。

都是一些奇奇怪怪的人，给大家开了个好头。

对。所以很难用一条标准线来划分我们这群员工。

现在行业热钱很多，水涨船高，人也被抢疯了。你们受到过挖角潮吗？

几乎没有。

为什么？

我也不知道。至少我们认为，核心员工几乎没有走。

这非常反常识。你们已经把控制器做到全球第一，理论上应该有很多人想挖。

我其实没有深入研究过原因，但我觉得氛围可能是一个重要原因。

首先，我们不是一个特别卷的公司，没必要为了卷而卷。

一个天天睡在实验室的人，说自己做了一家不是因为卷的公司。

刚开始是很开心的状态。

如果你觉得睡实验室开心，就睡实验室；如果觉得在家开心，就在家里。没有必要约束每个人一定要怎么样。

至少我不认为睡实验室就是卷，睡家里就是不卷。

我们有很多员工，晚上在群里也很活跃。我相信他们不是因为有人要求晚上必须做什么，而是他们有责任心，或者对这件事有热情。

如果事情没有闭环，心里就不开心；没有最终获得结果，也会不开心。所以很多时候还是靠大家自己的驱动力。

你延续了父母的那套管理方式，无为而治。

无为，不妄为。

有你想招但是招不到的人吗？

我还没从这个角度思考过。

你可以借这个节目呼吁。

如果要我定一个想招的人，我希望他对这件事足够热情，希望有新的探索，也希望能够在一些场景下落地，看看机器人到底能跑成什么样，能不能给客户创造价值。

如果对这些事情有热情，我觉得仙工是一个非常不错的选择。至少我们开放、多元的组织氛围，应该不会让有能力的人感觉被约束、被束缚。

这一点我可以保证。

你要不要喝口水？

稍微喝一点。

7. 从本体转向控制器

我觉得一家有历史的公司挺迷人的。你们公司的历史，应该要从上一段失败的创业开始追溯。当时是5个学生毕业之后一起创业，对吗？

对。

你应该是投资人最喜欢的画像：连续创业、退过学，还有失败经历。

我觉得都是一段成长。不管是创始人之间分分合合，公司开起来又关掉，还是业务选择，其实还是回到那句话：所有坑一个都少不了。

已经结束的公司，失败的仙工前身应该是“仙知”吧？

对。

你们公司的使命和愿景是坚持多元智能。这个“多元”怎么来的，应该也跟你第一段经历有关系。

最开始我们想的是把机器人当成产品去做，这是很天然的想法。尤其是从比赛出身的人，对机器人本身会有一定执念。

我们会觉得，机器人就应该有机器人的样子，不能光是一个控制器。控制器不是机器人。

所以最开始我们也是想把机器人当成一个产品去做。

这不就是这一波具身大脑公司的长相吗？

我们那个时候被投资人各种质疑，其实挺惨的。

先说机器人本身。2015年左右，最成功的机器人公司像“四大家族”：ABB、发那科、安川、库卡。

但你会发现，这些公司有一个特点，都是做本体，没有一家公司是单独卖机器人控制系统的。他们一定把机器人做成一个整体去卖，给你一堆型号，你从型号里挑选自己想要的机器人。

所以我们最开始也是 follow 这种心态。我们觉得，既然他们做手，我们就做脚；既然做移动机器人，那也划分一堆型号，跟着学。

最开始我们并不觉得控制器是一个解。投资人也会挑战：ABB 卖本体，你们为什么做控制器？

当时我们的逻辑是，移动机器人也应该按照产品系列划分，做不同的底盘类型、不同的负载重量、不同的标准底盘本体，然后去卖。

但跑了一段时间以后，发现效果并不好。

后来我们跟富士康做生意，富士康点醒了我们。

富士康发现，机器人里面除了控制器，剩下的东西它都能造出来。它觉得机器人大一点、小一点，重要吗？

如果我的货就是这么大，你做一个这么小的机器人，告诉我负载够，但机器人小了就不合适，我就要这么大的。另一个客户可能希望机器人小一点，所以光尺寸就会有争论。

更夸张的是，机器人上都会有急停按钮。针对急停按钮按下去以后应该发生什么，我们所有客户的理解都不一样。

有的客户说，急停按钮拍下去要把电机断电，因为这是绝对安全；有的客户说，拍下去以后要用抱闸把它锁死，因为光断电机器人可能会滑出去。

有的客户说，拍急停后不要断电，只要把所有电机去使能，让机器人处于更柔软的状态，方便推动；还有的客户说，拍急停后要先减速，减下来以后再抱闸锁死。

我们一听都懵了，但好像都有道理。他们不是故意刁难你，而是觉得在自己的场景下，机器人就应该这样工作。

那到底谁对谁错？会发现都有道理。难道要做这么多种机器人，满足这么多元的需求吗？

如果把它当成一个产品去打磨，连产品定义的边界都摸不清楚，因为每个客户说的都对。

还有客户说，激光雷达必须用国产的，因为我是国企，要支持国产，把所有国外零部件都换成国产。

这很有道理，也很政治正确，你难道不做吗？但也有客户说必须用国外品牌，因为那个品牌经过认证，国产品牌不在供应商体系里，也有道理。

你会发现越做越痛苦，corner case 像山一样压过来。

到那个时候我们突然意识到，是不是路走错了？是不是不应该这么做？

直到富士康把我们点醒。他们觉得里面除了控制器，其他东西都能做。

为什么控制器他们做不了？

可能是没有这个基因，没有这些人去做；或者它足够复杂，他们也懒得做。

当时富士康在内部做一个“百万机器换人计划”，要在若干年内引入100万台机器人。机械臂他们已经有一部分自己做了，大家觉得移动机器人他们也应该自己做。

所以他们说，买你们的系统，剩下图纸都给我。

这算一个交换条件吗？如果把所有图纸给他们，未来就跟你合作、买你的系统？

对。这样对他们最快，不需要从头设计一遍。

但换一家正常的机器人公司，肯定不愿意。那是我的核心技术，为什么要把好不容易迭代、认证过的东西交出去？

虽然你说这件事难吗？也没有那么难。但我没有必要把它拱手相让。

后来我们想了想，也觉得对方有道理：这个东西未来可能真的不应该有门槛。

所以我们把图纸都给了，说那我们就卖系统给你，没问题。

反而是把控制器作为一个产品去摸索以后，思路打开了。

原来在一台机器人上没有办法统一的东西，在控制层面，尤其是控制器背后的软件工具链层面，是可以统一的。

比如刚才急停应该是什么行为，我给你提供4个选项，你自己配置。激光雷达我都帮你适配好，你想接哪个就接哪个，接口我给你预留。

原来在某一款产品上难以统一的需求，升维以后就都能统一。

那时候人其实很开心，终于不用一个个拒绝客户、丧失一个个机会了。你会发现，好像所有需求都可以整合进一套系统里。

从那时候开始，我们慢慢切换到控制器这条思路。

你从卖本体变成卖控制器，实际上是从一家 To B 定制化产品公司，变成了往平台转型。

当时根本没有想这是不是平台生意，只是觉得这么做可能更对。

回头看，几年前根本想象不到未来会发生什么。现在总结起来，公司的战略有很大一半都是事后总结，不是事前规划。

可能80%是事后总结，20%是基于这80%的事后总结，对后续做延伸推导。

但当时你看到做控制器和系统这条路，还是有很大想象空间的。

至少这条路继续往下走，我觉得是有机会的，而且更符合我们的基因和风格。

我很讨厌拒绝人，或者拒绝真实的客户需求。我觉得客户说的是对的，你不能告诉他“拍急停不应该抱闸”，那是不负责任的。

所以切换以后，人反而变得很开心。

你第一家公司叫“仙知”。为什么叫这个名字？你们公司好像都很喜欢“仙”这个词。

“仙知”就是未卜先知。因为我们第一个客户是做巡逻巡检的，巡逻巡检最重要的是未卜先知、预防风险，所以当时取了这个名字。

本来想用“先知”的“先”，但是那个名字很难申请，有点宗教色彩，后来就改成了神仙的“仙”。

那家公司当时是卖轮式底盘，对吧？

对。

你们那个阶段应该赶上了 SLAM 的热潮，因为2016、2017年出现了很多这样的公司。

对。

好奇的是，SLAM 催生了很多今天还留在牌桌上的公司，尤其是物流场景里做得最好的那批公司。你当时没有跟他们在那一代竞争，或者说你是换道了？

对，没有继续在那条路上卷。我们越做越发现，那可能不是我们擅长的东西。

会不会有一方面因素，是因为你们毕竟是学生创业？学生创业可能会踩更多坑。现在复盘，你觉得有哪些坑？

第一，我们团队的弱点很明显。几个联合创始人里，没有特别擅长机械的人。

但凡有一个联创特别擅长机械，我们说以后不自己做机械设计，把机械设计图给别人，他出于研发人员的自尊，一定不愿意。

他会觉得，这东西多有 know-how，我好不容易设计出来，凭什么给别人？

反而因为我们没有这样的人，所以没有执念。大家的弱点很清晰，做选择时反而没有负担。

第二，大家都是解决问题的思路。客户来了一个问题，我们首先想的不是客户对不对，而是这个问题要怎么解决。

工程师思维。

对，更偏工程师思维。上来第一步永远想怎么解决。

这两点变相帮我们避免了一些坑。当然换个角度看，也可能让我们走得比较慢。

如果一开始不是学生创业，有很多客情关系，有很好的背景，可能上来就能拿到大订单。但事情来得太容易，可能产生跟能力不匹配的路径依赖，那可能更糟糕。

一步一步把坑踩过来，永远按照自己的能力范围做事情，最后形成的东西可能更持久。

第一家公司仙知正好赶上 SLAM 移动机器人的风潮。为什么你没有成为那几家移动机器人公司里跑出来卖产品最强的公司？

可能还是刚才那个原因。那个时候我已经有一种感觉，移动机器人最终可能没法形成一个产品。

我觉得机器人未来不是一个产品，而是一台设备；真正能形成产品的，可能是背后的软件和工具链，而不是机器人本身。

而且这件事的门槛一定会越来越低。

当我形成这个感觉以后，再让我自己去做某一个单一产品，内心就不愿意了。相当于我已经在心里给那条路判了死刑，再让我继续做，就会有点违和。

所以我没有继续往那个方向发力，而是更多帮助别人去做他心目中应该长什么样的机器人，我在背后提供支持，相当于往后退了一步。

所以第二次创业完全是你自己的心之所向，就是做系统。

对。把机器人不要当成产品去做，而是把背后的系统当成产品，帮助别人去做他心目中的机器人。

这样一下就很顺，人也不割裂。

既然我觉得系统很重要，以后能帮助大家把机器人做出来，那为什么还要自己做机器人？

如果我的系统足够好用，让大家都能做出机器人，那就没必要自己做。如果还要自己做，反而证明别人做得不好；别人做得不好，又说明你的系统不好用，逻辑就不闭环了。

所以后来我们坚定放弃自己生产机器人，一台都不生产、不制造。但是可以帮别人一起定义，或者在背后提供能力支撑，把自己放在支持者的位置上，反而很舒服。

第一次创业还有哪些遗产，可以用到第二次创业？

我觉得整个创业过程最大的财富，就是你见过哪些东西、踩过哪些坑。

所谓失败经验，真正能算作坑的事情是什么？

基本上，所有创业者第一课都会说现金流很重要。所有鸡汤文都会讲，但我觉得90%以上的创业者并不理解什么叫真正的现金流，因为可能没有经历过至暗时刻。

你没有见过没钱的时候，不知道多没钱才叫没钱。没钱就是发完工资以后，账上一分钱都没有，下个月的工资都不知道在哪里。

那不就是濒临现金流断裂吗？

对，大概持续了一年多。

在这种情况下你怎么坚持？

硬撑。

坚持了半年，还是一年多？

一年多。下个月的工资都不知道在哪里，而且还要让大家无感知地、自由地做事情。

什么叫让大家无感知？

所有人都知道公司快没钱了，行为很容易陷入恶性循环。

比如本来想做一个展会，但没钱了，就说不要做。这样客户线索会更少，又会陷入恶性循环。

怎么避免这种恶性循环，是一种身临其境的感觉。不经历过的人，永远没有办法体会。

那时候可能只有我和财务负责人知道，连联合创始人都不知道。

你自己一个人守了半年、一年多？

对。

你是什么感觉？压力大吗？

没有。我只是把它当成一个问题，在解决而已。它只是个问题。

怎么可能？

真的。我睡眠质量一直很好，心态从小就很好。

现金流不好也是一个问题，无非是怎么解决。解决问题的时候不带情绪，没必要把情绪引入进来。

怎么解决现金流问题？

要么融资，要么贷款，也可以自己借钱。事情自然而然发生，尽最大努力，但也接受所有结果。

后来这件事什么时候有了结局，决定公司到底留不留？

后面是创始人之间出现了一些问题。我们从5个人变成了3个人，具体细节就不展开了。

最终问题没有办法解决，大家无法统一，也没有办法和新投资人达成共识。

那就把之前那一段结束掉，对投资人有交代，对每个人也有交代，重新开始，各自带着想法往前走。

所以这也算一个主动选择。你其实也不想再卖本体机器人了，只是卖本体机器人是其中一个方面，可能还有人的问题、新老投资人的问题。事情复杂到一定程度，最好的方式就是快速结束，然后开始下一段，不要太过纠结。

对。所以我其实是比较果断的人。当你心里有答案的时候，再扭扭捏捏，很多时候只会徒增伤害。那就果断结束，果断开始。

这种强大的心理素质是天生的吗？

我觉得应该是天生的。这种东西很难被教育出来，也很难被学习。大家对压力的感知不一样，对压力阈值的感觉不一样。

经历过现金流危险的状态，第二次创业时，你怎么避免再犯财务上的错误？

说实话，我没有刻意做什么。

第一，该做的经营类数据看板要做。出现现金流问题，说明你对整个业务的感知不够深。

如果每天看到数据的变化，就不会突然有一天发现公司没钱。它是一个逐步变化的过程。

所以后来整个数字化建设我们非常重视。比如 IT 系统，现在内部系统几乎都是自己从头搭的。

第二段创业，仙工智能从 day one 就确定专攻控制器，对吗？

对。

我们会同期发布播客，在画面上可以做文字注释，但听播客的朋友我们也照顾一下。你给大家介绍一下什么是控制器。

8. 控制器成为机器人大脑

对于机器人来说，控制器本质上就是它的大脑。

这个大脑和现在说的具身大脑，往前推3到5年，其实是一回事。

最早做自动驾驶的公司，虽然基于规则，你说它是不是大脑？它就是大脑，只是那个时代最好的大脑。

有了新的范式以后，大家对大脑的要求提高了，但不意味着过去的东西不是大脑。做得很好的规控，和做得很好的模型，都可能成为大脑。

我来帮大家翻译一下。规控就是控制它的轨迹，知道这个时候该去哪儿。它对环境有感知，基于整个环境的变化自主产生行为。

只是它的颗粒度比较粗，就像机器人踢球一样，不是基于数据学习的，但可以用规则描述、分类这个场景，甚至引入一些小模型做分类。

本质上它也是一个大脑，只是对大脑的模拟颗粒度比较粗。很多东西用规则没有办法穷尽，就像早期自动驾驶，可能有几千条规则，但本质上还是一个大脑。

现在大家更多引入模型和数据学习，采用数据驱动方法，更接近理想中的大脑。但承载它的，仍然是控制器。

不管承载的是规则还是模型，最终都要通过控制器硬件承载。它不是虚无缥缈、无法量化的东西，一定是实体化的。

今天我们讲具身大脑公司，他们做的其实不是物理意义上的大脑，而是智能模型。你们的大脑控制器，是智能的载体。我觉得它是软硬结合的东西。

对。只是软件部分原来是规则，现在可以变成模型；同时还需要一个硬件承载。整体就构成了大脑。

你做的是硬件大脑。

硬件加软件。过去大家觉得规则够用，你做的是 rule-based 的大脑；现在慢慢迁移到基于数据的大脑。

这里还要做一个界定。我查了一下，你们应该是移动机器人控制器的全球第一，主要包括 AGV 和 AMR，也就是我们能看到的物流小车那一类。

车端所有物流或工业行业的移动机器人，都是我们最早做的。

我们的控制器从移动机器人慢慢扩展到一些操作和 manipulation。比如复合机器人，可以理解成“人形机器人的上一代”：移动加机械臂，轮式底盘上面装一个机械臂。

对。

这类也属于我们的范围。后面这台机器人已经接近人形了，虽然是单臂、连头都没有。在空间里，很多客户会把它当成一个臂长无限长的机械臂。

包括配送机器人、智能叉车，也都在这个领域里。

如果普通人未来看到的机器人、机器狗、机器轮船、机器车，真的深入到工作场景里，都离不开控制器，需要一个硬件和软件结合的大脑。

没错。硬件第一必须跟传感器、执行器连接在一起。不能把所有传感器数据都扔到云端去处理，还是要在本地做处理，所以本地化硬件一定需要。

这算端侧大脑？

对。当然也可以跟云端模型联动，但端侧一定要有实体。

在移动机器人控制器领域，你们之前的第一名是科尔摩根，对吧？它是美国公司，收购了一家瑞典公司，做移动机器人的控制系统。

对。它在国内当时份额也很高，是一家历史非常悠久、几乎贯穿整个移动机器人历史的欧洲公司。

你既然决定加入这个赛道，肯定研究过第一名。

当时我们去看这个行业，发现大量 corner case 场景没有被满足。即使在所谓主流场景下，也有很多地方做得不够好。

当时就觉得机会很大：你不做我都做。

所以最开始我们是全面出击。

当时国内做控制器的公司多吗？

绝大多数公司都把机器人当成产品做，极少有公司把系统当成产品做。

从难度上来讲，做一个机器人控制器难吗？

先不说难，它很累，很苦。

具体是什么？

对于我们最开始的研发人员来说，支持100个品牌的雷达，听上去一点都不性感。一个但凡有追求的研发人员，肯定不愿意干。

但是又必须干，因为每个客户都有自己的诉求。

你要让大家接受，把这些雷达都适配，把这些场景都支持。很多人会觉得，我就是为了支持一个客户，这个客户的量还不确定，短期看不到很大的市场规模和价值。

但这偏偏是之前的巨头不愿意做的。所以你要从边缘开始，慢慢做一些事情。早期其实比较痛苦。

你最后怎么把原来的第一名 PK 掉的？

就是刚才说的，农村包围城市。

一开始一定是大家看不上的场景，或者觉得“这个东西就这样，也能用”。但事实上，你要把它做得更好用。

比如别人支持一种方式，我支持4种；别人支持一个品牌，我支持10种；别人可能要跳转3个页面才能配置好，我只要一个页面就能自动化配置。

别人配错一个参数，机器人行为可能就异常，那我就想办法让用户不要配错。

里面有大量细节，尤其对一些欧美公司来说，大家会觉得这是 dirty work。

但当你做过足够多 dirty work，并把它收敛到一个产品体系里，就会发现这件事能迸发出很大的价值。

从巨头不愿意做的客户开始，不愿意支持的品牌、不愿意适配的功能、不愿意支持的机型，慢慢延展，最终进入主战场再去 PK。

我后来做了一些研究。原本在移动机器人行业，极智嘉、海康这些公司，会做全栈自研，再加上技术方案卖给下游客户。

但做着做着，他们可能就会跟客户成为竞品。会出现这种情况吗？

会。你说的这些公司，更多是垂直整合模式，能自己做的尽量自己做，把整个链条优化到极致，最终成为行业整合型巨头。

在这个模式下，向上游和下游延展得越深，利润越厚，或者说能够攫取更多利润，也能形成一体化优势。

这是过去很多中国公司采用的模式，当然非常好。

仙工反而是完全相反的模式：能不自己做就不自己做。零部件不自己做，下游机器人也不自己生产，交付能不做也不做，除非客户一定要求。

还是回到一个点：在精细化分工下，大家更有活力。

下游也是一样，永远有公司比我们更了解用户。第一，用户自己比我们更了解自己。

所以我更多帮助了解用户的公司，把机器人做出来，这样我的价值能最大化，他的价值也能最大化。我们觉得这是整体最优解。

听起来就是你不想什么都做，想做真正感兴趣的事情。

对。我们希望做好一个东西，让大家在这个基础上做出一些我们都想象不到的东西，这会让我更开心。

比如之前有一个客户，用我们的控制器做了一个畜牧机器人，给牛羊自动投喂。

我们从来没有想象过畜牧机器人应该长什么样，但最后看到这个东西，会觉得很巧妙。

如果让我们自己做，可能也做不出来。但他用我们的东西做出来了。

因为他有畜牧行业的 know-how 和数据。

对。他知道怎么设计，最终才最符合这个场景的需求。

我理解你刚才讲的：每个具体行业一定会自己定义最优的机器人，因为没有人比它更懂自己的行业。

没错。

我们要做的是帮他把门槛无限降低，让更多人可以参与进来。这就是我们的兴趣所在。

你一开始卖控制器，卖着卖着，增长曲线就起来了。增长曲线和平台化战略，先后顺序是什么样？

我们做控制器时，根本没想过未来会成为所谓的平台或者生态。第一天没有这种预期，只是觉得这件事有价值。

随着行业进步、大家对机器人接受度越来越高，我们发现这个行业有一个很大的供需矛盾。

第一，机器人种类太多，没有一家公司能把所有机器人生产出来。

但从需求方来说，一个工厂可能又需要各种机器人：上下料、装卸货、清洁、跨楼栋转运、分拣，什么机器人都需要。但没有一家公司能全部提供，这就是一个很大的 gap。

所以我们发现，仙工可以帮助解决供需之间的矛盾。

我们构建了信云平台。既然大量客户已经把机器人做好了，仙工又扮演核心控制角色，那能不能让客户在平台上挑选各种机器人，再通过平台把订单下给这些客户，让他们完成交易？

在这个过程中，仙工可以扮演赋能者、撮合者，甚至同时扮演两个角色。

所以就慢慢形成了现在的平台化策略。

在一套规则下，希望大家百花齐放。

对。

控制器应该是整个机器人本体硬件中最重要的核心一环，它要接收所有多模态的信号和数据。

对。

其实这也是一个很自然的延伸。我们最开始把控制系统卖到国外，慢慢发现不太对：国外供应链没有强到可以完全组装一台机器人。

在国外生产制造一台机器人，交期长、成本高。

很多海外客户找到我们，说中国机器人的性价比很高，但不知道应该找谁买。买了一堆机器人过去以后，也很难维护，因为要学习各家的 API、标准和手册，再通过自己的系统做对接。

这其实不容易。老外确实很爱学习，但同时学习一堆东西，也会懵。

所以我们发现，既然仙工已经让国内这么多机器人公司、自动化公司能够把机器人做好，是不是可以让海外客户在我们的平台上，把各种机器人一起打包提供？

统一标准，你又开始做撮合了。

对，相当于把它们连接起来。这样大家都很开心。

国内客户可以快速出海；海外客户可以拿到各种机器人，不需要学习大量标准，学会我们这套软件就可以。

所以这个飞轮就慢慢转起来了。

现在真正的头部公司，在核心零部件上通常选择自研，控制器也是这样。比如宇树，控制器肯定也是自己做。

我觉得这是必然的。就像造车一样，大家都不愿意失去灵魂。所有机器人公司，我相信都会自己做。

首先，控制系统的硬件一定不是门槛。除非自己研芯片，或者做更底层、集成度更高的东西，否则硬件门槛并不高。

本质上还是：你做的是自己好用的控制器，还是让所有人都好用的控制器？这里面是有门槛的。

对于大量公司来说，自己研究控制器没有问题，但这些公司可能不是我们的目标客户。

我们客户里80%是一些非机器人公司，或者不是大家、不是资本市场所看到的那些机器人公司。

我们的目标，是把所有公司都变成机器人公司。

这个话让整个机器人行业瑟瑟发抖。

没有，没有。这是必然会发生的。所有门槛最终都会降到足够低，让所有公司都变成机器人公司。我们对此坚定相信。

理论上，他们也可以反过来走你们这条路径：自研控制器和零部件，再通过卖货，把自己变成一个平台。

当然可以。只是这里面唯一的壁垒，我觉得是时间。

另外，你的客户愿不愿意再来一遍，也是问题。

这跟过去中国工业软件发展很像。比如 CAD 软件，中国人做不出来吗？不是。

问题是，当你再去卖一个新的 CAD 软件时，第一个问题就是：跟国外 Autodesk 比，你的优势在哪？我为什么要给你当小白鼠，再来一遍？

所有第二名都得回答：为什么是你？为什么我要重新选择你？

除非你有绝对的技术优势，否则再来一遍，对客户来说是一个挑战，因为我们做过的脏活、苦活、累活，客户都要重新做一遍。

你说的脏活、苦活、累活，在开放平台上具体体现是什么？

比如已经适配400多种核心零部件，一个个需求去解决，慢慢积累出来。

刚才说急停，可能不止4种，可能有7、8种方式都要实现。

网络也有很多场景化配置：机器人在网络环境不好的情况下应该怎么反应？

还有各种机构的对接，可能有几十、上百种机构，需要跟不同机构对接。

再加上不同路面、不同机器人构型，排列组合起来就是一个巨大的数字。

如果没见过，就不会去优化。只有见过，知道这是客户真实需求，才会去做。

这也是后来者很难做的地方，因为排列组合太大。

我们做控制器第一天就想明白：这不是一个公约数。不是找100个场景，把大家都需要的公共部分做出来，而是找100个场景，把 A 场景、B 场景分别需要的东西都做出来。

我是大家的并集，不是大家的交集。

外圈那部分就是脏活、苦活、累活。在一个理性的市场化选择下，大多数公司都不愿意做，因为早期投入效率不高。

我理解，你们的开发平台像乐高一样，这些年一直吸收不同积木。这些积木就是机器人的核心零部件，比如控制器、雷达、伺服、传感器。

对。软件里面的功能模块就是一个积木。

每个客户使用我们的软件，肯定不会用到所有功能。所有客户最多可能用到20%的功能，只不过这个客户用其中2%，另一个客户用另外5%。

没有一个客户会用到所有功能，但软件就是这样设计的。

打个大众一点的比喻，就像 Word、PPT、Excel。每个人投简历都说熟练使用 Word、PPT、Excel，但你真的熟悉吗？

随便打开 Word，问一个人某个参数设置以后会有什么行为，我觉得99%的人都不知道。

但大家清楚，凡是文字编辑工作，Word 几乎都能实现。

我们希望传达给客户的是：凡是机器人上的场景化配置工作，在我们的软件里都能实现。

所以它一定是功能非常丰富、覆盖面非常广，不是为某一个客户设计，而是为所有客户设计。

如果未来出现一个飞书云文档怎么办？

这就是仙工最大的风险：突然出现一个更高维的东西。

比如我们现在傻乎乎地适配400个品牌的传感器。哪天有人说，以后传感器插上去，然后你控制器里面跑一个小龙虾，对吧？跑个Robo Cloud啊，然后它自己学会这个传感器怎么用了，跟它自己发发协议，好，这个传感器我就会用了，然后我自己就构建一套算法了。

如果达到这种程度，那我们做的事情可能就没有价值了。

这也是我们进化的方向，必须逼着自己往这个方向进化。

如果哪天有公司做到这个程度，我们可能就完蛋了。

那就得两条腿走路。这个行业里很多人也在两条腿走路。

你又回到本科时的状态：医学和信息工程两边跑。需要这样一种状态吗？

我们还好。现在公司人多了，没有必要我自己同时把 A、B、C、D、E 所有方向都做得足够好。

我只要保证有足够多的人在这些方向上做。这跟当时做比赛不一样，做比赛时大家有一个……

个人是一个统一目标，但现在作为一个公司来说，我们可以有不同的目标，目标也可以很多元。所以我觉得，现在反而会比那个时候更好一点。

越来越多传感器融合，这肯定是一个趋势。那它当时有没有什么遗漏的东西，比如视觉？

其实像这种雷达方案，大家可能觉得会顺理成章，比如激光、磁编码器这些东西。但是跟视觉融合，包括跟环境语义的融合，我觉得之前的公司可能并没有往这块做更多探索。不管是本身的算力水平，还是算法迭代，其实可能都有一点相对落后，就是多模态的这一块。

把多传感器数据融合起来，不管是在机器人的地图构建、识别，还是导航和避障，下面、上面其实都会涉及这个问题。

明白，就是更多地加入视觉并进行融合。我觉得现在可能会有一个趋势，就是越来越多模态的融合感知。因为模型算法已经具备了一定的能力，原来我们只是视觉、摄像头这一种视觉模态，那未来是不是有机会加上别的模态，从语言到声音、从声音到图像和视频，最终把它们完全融合在一起？这会是一个趋势吗？

肯定是。声音这件事情其实很重要。对一个机器人来说，怎么样让机器人自动维护或者自动排错？原来的方式可能是给机器人加个屏幕，让你在屏幕上操作，但事实上，这种交互方式对于产线边的一些工人来说还是太难了。

最好是我跟你对话，告诉你要去做什么，而不是还要在上面拖拽。这种模态的增加是必然的。

有没有什么像科尔摩根那样的、拥有50年历史的老巨头，遗漏了某种代表趋势、但没有发现的本质需求，而被你们捕捉到了？

可能还真没有。我现在回头来看，好像真不是某一个单一的点。我还是那个观点，我觉得其实是无数小点的累积，就是你对于每一个小需求的态度，而这种态度随着时间线的延伸，慢慢导致了现在这个局面。我是这么认为的。

9. Agent接管机器人交付

我们刚才讲了很多场景需求的具体解决方案，现在是不是都有机会被Agent做掉？因为Agent理论上可以替代所有人的工作流，包括你们的工程师、算法工程师，是这样吧？

是。其实我觉得再往后发展，可能一个趋势就是，随着产品越来越好用，当然，好用的最大驱动因素就是刚刚你说的这些Agent。Agent其实能够取代现场90%的交付工作，包括交付工程师或者现场的部署工作。

凡是和软件相关的交付工作，本质都是把客户的需求转化成技术语言，其实都在做这么一件事。现在最适合做这件事的就是这些Agent，所以一个Agent，或者几个Agent的组合，把这件事情做掉，我觉得这是必然的发展趋势，而且我觉得会来得比较快，可能半年到1年左右，这一类事情就会大量被Agent替代。

最终可能呈现出一种状态：原来通常的交互方式是，客户有一个需求，交给设备商；设备商把需求翻译成技术语言以后，自己把它做掉。如果很难，再交给原厂，然后原厂从底层帮他解决，或者做一些创新。

未来可能会变成，终端客户直接用自然语言把需求交给Agent，然后Agent自己把事情解决。如果解决不了，它再把需求抛回给我们的研发组织。所以中间一大部分工作应该都会被替代掉，尤其是现场交付的工作。

你现在有没有试图让AI融入你的工作流？因为上次我记得我们还聊了工程师梯队的问题，从后端到前端。你觉得要用的人是不一样的，你用人的方法也相对比较大胆，并不卡学历，谁行谁上，谁有兴趣谁上。

本质上，我们就是提供一套工具链。工具链本身的发展方向，现在就是逐步Agent化。

其实AI这一波对我们来说，无非是两个冲击。第一个是基于数据驱动的方式，那我们就要去做模型；第二个是把Agent跟我们现有工具结合起来。

说到Agent，我们现在是一种渐进式的改变，就是把原来的很多功能逐步拆开。我们的优势就在于，原来可能有上万个小功能，现在把上万个小功能变成一个个小的微服务，就像云端微服务的架构一样，逐步把每个功能都封装得相对好一点，我们把它叫作解耦化，做到高内聚、低耦合，做成一个个小模块。

然后把这些小模块交给Agent去调用，保证Agent的调用约束相对较少，同时把每个模块对外接口的保护做好，给Agent足够大的空间。因为Agent还是容易犯错的，所以它调了什么是可观察的。可观察才能可控，对吧？

我们主动创造了一片Agent的实验场，但它是隔绝在我们做好的安全防火墙之外的。在这片区域里，让Agent可以调度我们所有模块的能力，让它自己去尝试。

其实就像之前那个 Open Cloud 一样，无非 Open Cloud 调用的是你的电脑本身的一些底层 C R I 指令。现在无非就是我把我们每个模块也类似于做成一些 C R I 指令，然后那就 Robot Cloud，对，低级点的小龙虾去调这些指令而已。

我们的优势就在于，积累了足够多的模块。我们现在也在逐步把这些功能解耦掉。原来我们对外的接口相对有限，但对于AI来说，你需要把更底层的接口暴露出来，提供更多接口，否则对它来说，能力就是一种抑制。

将来我可以把模块拆散、拆小，拆到底层。每个模块保证自己的独立安全性，然后让机器人在调度过程中更加灵活。

我理解你们想做一个平台，希望不管是谁，都可以在这个平台上组装出一台属于自己的个性化机器人，而且成本要足够低，对吗？这是不是有点像柔性、弹性的供应，根据需求再去下单？

实际上，我们现在已经有几千家合作伙伴。你会发现，最开始他们是我们的客户，买我们的系统去做机器人；然后他们根据对场景的理解，通过自己的创新，做出了各种各样的机器人。

这些机器人做好以后，马上面临市场化售卖的问题。在这个过程中，我们又帮助他们建立了跟客户连接的渠道。因为我们知道客户可能需要这种机器人，所以又可以帮助他们在我们平台上去销售。实际上，这是一个双向的过程。

你不光服务创作者，还做创作者经济，帮助他们连接市场。

你这个总结很到位。其实它不是一个简单的交易平台或撮合平台，因为我觉得这类平台本质上没有太大意义。我们本质上是一个赋能平台，包括销售是对它的一种赋能，研发也是对它的一种赋能。

但这里面有一个风险。就像你说的，如果全行业没有两台严格意义上一模一样的B端机器人，那它的售后标准如何统一？假如我在你平台上买了某个零部件，几年以后这个零部件厂商倒闭、停产了，怎么办？

好问题。对于这种模式来说，最大的挑战就是所谓的质量管理、售后和质量控制。说实话，我们也在探索这件事情。

第一，对于客户来说，他可以在平台上选择我们的控制器自己组装，也可以买别人做好的整机成品，这两种方式都可以。所以我们第一步是先挑选，不是什么东西都往上放，还是要有一定的底线。

第二，尽量把我们验证过的好东西分享给大家。即使在同一个需求维度下可能有5个选择，我们也尽量验证出最好的那个选择。零部件也是一样的。比如激光雷达可能有10个品牌，这10个品牌的功能几乎类似，尺寸、距离、点云密度也差不多，那我们就没有必要把这10个都开放出去，随便使用。我们会尽量挑其中性价比最高的那个。

也就是说，在你的仙工云平台上，提供给客户的选项也都是经过你亲自严选的。

我们会尽量挑一些验证过的。当然，我们不排斥客户觉得自己有更好的选择。如果客户提出需求，提名某个品牌或型号，只要我们评估之后认为可以，我们还是会做。

并不是说因为我给了他一个我们验证过的、相对更优的解，就不接受其他选择。我们还是会接受。直到今天，我们仍然不断有新的传感器进来。甚至现在我们单独有一个部门，负责所有传感器的测评，包括适配测评。

你刚才讲的其实是两种场景。一种是我凭借对这个行业的深度理解，挑选出一些我认为非常合格、值得推荐的选项；但也有一部分是客户点名的，他主动要求用某个品牌。后者理想状态下应该由他自己承担责任，但最终这个选项原来不在你的清单里，要不要加入你的推荐清单，你还是要承担推荐的声誉，对吧？

没错，还是需要有一个标准。用户推荐的品牌或型号，首先如果用户觉得有价值、我们也觉得可以，肯定会去做适配和测试，然后告诉他边界在哪里。如果他一定要用，还是可以用，因为选择权在他自己。

甚至有客户选择某个品牌，就是因为他跟那个品牌的老板关系好，我们也碰到过。这个你也不能说人家没有道理。

假设我是客户，我定向要这一家的货，我为什么不直接去找这家？为什么要通过你的平台？他可以直接问对方买，我们只是负责适配。他可以自己去买，也可以不从我们这里买，我们帮他把软硬件适配好就行了。

但如果这个品牌我们测下来也非常好，要推荐给更多客户，我们就会测试得更严格一点，尽量把它的优缺点客观呈现出来。

我们最早的时候不太懂事，在网站上会写哪个品牌什么地方不好、什么地方好，有白名单，也有黑名单。后来发现这样好像不太好，好像把自己变成了测评机构、Benchmark。我们不能这么自负，不能替行业下最终结论。

所以后来我们只放白名单，不放黑名单。不要说它在什么情况下不好，只告诉客户它在什么情况下可以用，就可以了。因为总归有它适应的场景，我不能说在我们这个场景下它不适合，就否定它本身存在的价值。

你觉得，把自己变成这个行业的上帝，去评价它？

我们可能没法评价它一定好或不好，它一定有适应的场景，只是说我们现在没用到。

但你想做这个口碑吗？因为你的推荐在某种程度上要维护你自己推荐的公信力和口碑。

我们现在其实是这样，给客户提供2到3个选择，告诉他这几个我们试下来都可以，至于选哪个，他可以在这几个里面自己选。我们尊重他的选择，但会把数据客观呈现出来，包括一些测试报告也会提供给客户。

你们这个评测部门很有意思，会把市面上所有传感器都评测一下。如果从传感器层面来看，具身机器人这个行业在当下这个阶段有什么特点？中国的传感器做得好吗？

这是毋庸置疑的。我觉得再往后，中国的零部件可能会占掉全世界的大部分份额，因为太厉害了。不管是性能还是价格，其实都在不断迭代。

就像我们最开始看激光雷达，可能10年前价格非常贵。我们刚开始做的时候，一个雷达可能上万，甚至两三万都有。但现在可能几百块钱，性能基本上跟当时的雷达差不多。

而且当时品牌可能只能选国外的，现在国产品牌各种类型都有。单线、多线、重复扫描、非重复扫描、防爆、非防爆，安全的、非安全的，已经琳琅满目了。这其实才短短不到10年的时间。

我们跟很多国外零部件合作商聊天，他们也觉得，在中国零部件面前几乎没有任何竞争优势。短期可能还有一些贸易壁垒的优势，但是一旦中国品牌进入市场，再经过几年的市场教育，甚至你不用中国品牌的零部件，整机都没有优势了。你的下游客户都会去用中国品牌的零部件，所以我觉得这个趋势很难阻挡。

这背后还是因为我们的整个工业体系和产业链特别大、特别全。

没错，而且人口多，有足够多的聪明人都在做。比如同样一个零部件，中国可能有20家公司在做，而整个国外可能只有1到2家公司在做。在中国市场卷出来的零部件，放到全世界范围内都很能打。

这也是为什么我们自己没有去做零部件的原因，实在太厉害了。

那你怎么看现在具身领域的头部公司都在自研零部件？地瓜机器人的秦云森说，他觉得这太像重复造轮子，是一种资源浪费。

我觉得是这样，还是要回到它的战略是什么。如果做这个零部件，对你本身的落地推动，或者技术方案的实现，有非做不可的价值，那我觉得确实应该做。

但如果短期只是为了节省一些成本，或者短期看到一个别人没看到的东西，希望靠零部件快速占一个位置，我觉得从长期来看都会很危险。中国供应链太可怕了，太厉害了。

你不可能跳过中国供应链，去找一个独门芯片或独门技术，造出一个别人造不出来的零部件。就算你能造出来，别人也可能很快造出来。

那你觉得今天在中国这样的国情下，什么才是真正的门槛？

真正的门槛首先一定不是所谓的一个聪明的方法。我比较认同一个观点：所有长期积累的脏活、苦活、累活，如果你能把它转化成某种组织能力，可能是研发工作流，可能是数据管线，也可能是工程化优势，那么这些东西的形态可以是各种各样的。

这些才是一家公司，或者说一家科技型公司真正的壁垒，尤其是做To B。To C可能有品牌，有消费者习惯，有偏好，也可能提供某种情绪价值。但To B公司最终都会回归到这些东西。靠某一个单一的、很聪明的想法，希望持续获得收益，几乎是不可能的。

这些核心零部件的上游会不会迅速养成巨头？我发现最近一年，因为据称这个行业的钱实在太多了，供应链都涨疯了。不是成本在飙升，是价格在飙升。

价格飙升无非就是供需关系不平衡，供应太少了。但我觉得这会是很短期的，可能再过半年到1年，你会发现价格还是会明显下降。

本质还是需求不够多。比如现在这些零部件，如果只为人形机器人设计，那应用场景就是人形机器人，它天然就贵，因为只给人形机器人用。但如果这个零部件非人形机器人也能用，汽车行业也能用，价格瞬间就会下来。

本质还是需求不够多，是时间问题。随着竞争更加市场化，需求更多，我觉得价格一定会下来。

那对于做什么、不做什么，你是怎么选择的？

第一，一定是做自己擅长的事，喜欢和擅长。第二步再去看市场。

因为如果只看市场，很有可能会做得很痛苦。市场上确实有一块蛋糕，但你要确切知道，这是不是你自己想吃的蛋糕。如果只是通过一些机械的市场分析理论，去决定自己做什么、不做什么，那这个公司就没有人味儿，也没有个性。

你不能因为别人要做这个东西，所以我要做这个东西，那就没有意思了。

你想吃的蛋糕是什么样的？

适合我们的。我们瞄准的市场，是那些希望自己去做机器人，但前期不希望投入太多技术成本，同时又非常了解场景的客户。这就是我们非常好的客户，因为他对需求有一定的定义能力。

我通常跟很多客户说，你就把我当作你们的研发部门。你自己就是产品经理，我们就是你的研发。你告诉我希望做成什么样，然后我从技术上帮你做最客观的判断。

是不是因为你更喜欢做从零到一、推开边界的事情，而不是从一到一百的规模化？你会觉得规模化有点无聊吗？

不能说无聊，但事实上我们现在平台慢慢做起来以后，也会有规模，而且增长会很快。

但是还是要回到一点：你不能为了规模化而规模化，你还是要回到底层。你认为一到一百的原因，是因为从零到一，所以你要保持不断从零到一的能力。

应该这么说，一到一百的目的，是不是只是为了赚钱？如果一到一百只是为了赚钱，我觉得这件事情会很危险。因为这样一定会陷入刚才说的“创新者的窘境”。你不是为了迎接下一次技术变革，而只是为了赚钱。

一到一百应该是为了更好地颠覆自己，所以做一到一百，其实是为了更好地做零到一。

有没有什么你想吃的蛋糕，但是觉得现在市场情况暂时不乐观、不利好？

没有从这个角度思考过。这个问题我现在可能一下回答不了，之前确实没想过。

就是想吃的蛋糕，但是现在市场情况不允许去吃。是不是一个值得思考的问题？

可以，这个课后思考一下。

国际上也认为中国的供应链很厉害。我看了一下你们销量和收入起来的过程，是不是也有一波疫情带来的切换潮？这是一个转折点吗？

其实有两个方面。疫情这一波，对客户的认知有影响。那个时候很多客户没得选，因为国外的零部件进不来，包括芯片也进不来，所以很多客户只能买国产的东西，这对我们的销售肯定是利好。

一开始大家可能抱着试一试的心态，结果试完发现，好像还可以，真香了。最后慢慢就切过去了。

第二个方面是对我们供应链的影响。我们最开始有一些芯片没有用国产，之前国外有成熟方案的，我们尽量用成熟方案，不会说全国产化，也没有把它定成一个目标。

但那个时候你没得选，有一些国外芯片进不来，你被动地做了国产化替代。后来我们自己也觉得真香，发现好像也可以。就像我们自己的成本，转成国产化以后下降了，客户对国产化的接受度又上升了，这就是性价比的大幅提升。

客户觉得可以了，你们自己的成本还下降了，所以这对你们来说也是真香。

对，对整个行业应该都是一波促进。

尤其是中国的很多企业，国产芯片现在能够做到很好的性价比吗？

对于一些被动元器件，包括功率器件，现在都还不错。主芯片可能稍微弱一点，像算力芯片，但其他的我觉得基本上都挺能打的。

你是不是观察到，很多传统AGV厂商也在切入人形机器人、轮式机器人？他们是真的觉得这些场景里人形机器人有用、用得更好，还是为了资本叙事，或者有别的原因？

首先不仅是移动机器人。你会发现很多做机械臂的公司，也都在往人形或具身方向做；包括做模型的公司，也都在往人形、具身方向做。其实就是千军万马从各个方向杀进来，包括做零部件的，现在也在往具身方向做。

为什么？它确实是一个有很大预期的市场。就像做RoboCup一样，大家预期机器人未来能够击败人类足球队，所以会认为人形机器人一定是未来最大的市场和趋势。

早做、早进去，肯定是越早接触越好。你投入不多，就先跟进；如果技术能力强、融资能力强，就多往前迈两步。总归来说，这个时间段投入进去是有回报的，对公司是有价值的，所以大家才会进去，都是趋利避害。

有的是为了观察这个市场。你不进去，永远在外面看不清楚，必须躬身入局做一些事情。有的是因为真的相信这件事。

还是回到我刚才那个问题，你为什么不走那套具身叙事？

我们也不是没有走具身叙事。刚才其实提到一个点，数据这个事情就约等于模型。虽然我现在可能没有在训练最大的模型，但是我会通过不停的装机量，先把数据积累起来。我觉得在目前这个阶段，这件事情更合适。

当你有足够的数据以后，范式来了，你就不会慌。最慌的是范式来了以后，你回头一看：我连数据都没有，装机量也没有，场景化也没做好。那时候可能才是最可怕的。

然后就只剩下一些冰冷的资金在那里，那会更可怕。所以我觉得，融了钱就赶紧折腾。否则回头看，如果数据没有、场景没有，连研发上的模型化积累也没有，那真的就是穷得只剩钱了。

你们现在的装机量是多少？

差不多几万台，但是基本每年都在翻倍。

人形机器人现在出货也有几万台，但事实上，人形机器人的数据能不能用好，我实话说还不确定。所以你刚才最开始说没有在人形机器人上训练模型，也是这个原因吗？

对。从数据获取的难度、完备度和可筛选性来说，我觉得目前真的很难落地，至少在工业场景里，我们觉得很难落地。

刚才你提到，如果客户不愿意把数据给你，只给你Corner Case，怎么办？

给不给数据分两种，一种是我们主动拿，一种是客户被动给。主动拿现在比例确实不会特别多，尤其是一些敏感场景，客户不一定愿意把真实数据完全分享给你。

第一个做法，是从模式上优化。比如可以租给客户，因为租赁有一个天然优势，产权在我这里。为了监管我的资产，我就要求机器人联网，把数据拿回来。对客户来说，他获得了更快的回报，回报周期缩短了，这是一种交换。

第二种，是让机器人变得更智能。听上去有点奇怪，为什么让机器人更智能，也会方便你拿数据？因为机器人必须联网，要跟云端模型交互。机器人变得更智能，给客户节省的是实施成本。为了让机器人实施起来更方便，你允许它接入云端模型，这样数据就能回传。

这跟今天人类使用大模型一样，我只要使用云端大模型，就让渡了一部分隐私。

也就是说，要么把东西租出去，让客户享受到更快的回报周期；要么让机器人变得更智能，让客户节省实施成本。

对。本质就是，既然你要数据，你拿什么东西来换？这些都是可以交换的，无非是在模式设计上要想清楚。

怎么样才能让各种各样的工业机器人变得更智能？能不能用一种普通人也能理解的方式解释一下？

我觉得大家最容易理解的就是自动驾驶，只是在自动驾驶之外，机器人多了一个操作环节。

自动驾驶主要是Navigation，也就是路径规划和导航的问题。机器人多了一个执行环节和Manipulation，或者说跟物体的交互。

自动驾驶不会改变环境，环境是什么样，我就去适应环境。但机器人往往既要适应环境，又要改变环境，所以向前多走了一步。

面向未来，它的进化范式其实是类似的。所以大家说自动驾驶是最低级的具身智能，是有逻辑的，因为它只有Navigation，没有Manipulation。

对于普通人来说，理解这件事情，看自动驾驶就可以了。自动驾驶很多东西，实际上是通过不断持续迭代，把接管数据拿回来，再把各种Case融入模型，不停训练，最后预期达到更好的效果。

所有这些机器人也是一样，只是机器人可能多了一个维度，就是执行数据，包括更多模态、力控、力传感数据，以及声音数据。把更多模态的数据拿回来，但整体的逻辑和原理，我觉得大差不差。

首先要有足够多的数据，然后足够快地筛选出好的数据，再训练出模型。数据获取、数据清洗和训练，这些大家都是相通的。

你怎么看现在这个行业里，有很多自动驾驶领域的人来创业做具身智能？你觉得他们胜算高吗？

实话说，我很难判断。首先，自动驾驶转向具身智能是一件很顺理成章的事，除了模型那一块，最大的范式其实是类似的。

至少从自动驾驶过来的人，一定能避免一些坑。你去问一个做自动驾驶的人，他一定会告诉你要用真实数据，不会告诉你用仿真数据。因为他们已经被教育过了，会告诉你一开始一定要有类似人类参与的数据，不要一上来就是全仿真数据。

你刚才说自己是真机数据派，那你怎么看仿真合成数据？

目前来看，我们现在所使用的那些数据在仿真中分两类，一类是力传感的数据。如果是训练一个动作，我觉得是可以的。SimuTrain其实现在做起来专业已经相对成熟了。

但是凡是跟视觉数据深度融合，我们还是会觉得里面有一些偏差。比如在特定光照、桌面纹理的情况下做仿真，跟真实环境还是有差别。

但有人提出一个方向，现在大家都在做世界模型，它可以生成数据。

对。这样又回到一个问题：至少你采集的数据，或者生成数据的来源，也应该是真实数据。你可以借用仿真和生成的技术，但原始样本必须是真实数据。

比如我让它基于一个真实桌面，给桌面换一个纹理，这未来一定是可行的。你的仿真物理引擎也好、渲染引擎也好，吃进去的也必须是真实的东西。

那你怎么看光轮智能？它现在也是数据独角兽。他们是合成派，声称自己从英伟达出来，不采一帧真实真机数据，完全靠仿真把大模型喂饱。

还是要看落地场景。大家做技术、做研发，会有自己的执念，或者说自己的信仰，这个东西其实很难评价。

最终就是，黑猫白猫，能抓到老鼠就是好猫。

你对于现在具身大模型的世界观是怎么建立的？

你这个问题就更大了。说实话，我是偏实用主义的。

你会发现，最近几年模型的进步，包括再往前推10年、20年，不管是深度学习，还是现在大模型的进步，背后都不是复杂原理。很多时候反而是一些非常简单、粗暴的方法，一听就像小学数学。

比如最开始的残差网络，大家训练时发现层数多了不好训练，最后加了一根连线。你说这根连线是很复杂的东西吗？很简单。

包括最开始CNN出来的时候，原来人看东西是一行一行扫描过去，那机器也可以这么看。你会发现，很多东西都是很朴素的。

所以现在大家为什么会坚定地相信Scaling Law？就是把这些最朴素的东西做到极致，可能就能产生一些效果。

我觉得这里面需要一些天才的想法。它可能很难通过看几篇论文、做一些推理，就知道这个方法会变得更好。反而更多是一种跳跃思维，尤其在大模型这件事上，你不一定能通过数学推导证明你的方法比别人好，而是需要一些天才的灵感。

当然，这种天才灵感建立在足够多的阅历，或者说品味之上。我经常听做大模型的人说，这个模型你对它的品味好不好，测试做得好不好。我觉得这里面确实需要一些小天才，需要灵光一闪的想法。

所以你要我现在去读一堆论文，然后找到一条正确的路，我对自己没有这种预期。

但你预期自己有一天，也许公司里会出现灵光一闪。

对，我希望有人能出现这种灵光一闪。当然，在我们这里出现就更好了，但即使不在我们这里，我觉得肯定也会有人做到。

这种神之一手，或者神之启示，应该是第三十七手。

对，我觉得迟早会出现，只是不一定会出现在哪家公司、哪个人身上。

你刚才提到，后发也可以有优势。后发怎么样才能有优势？

刚刚我们聊过一到一百、零到一的问题。如果一到一百其实是为了下一次零到一做准备，比如一到一百的过程实际上是为了获得更多的数据，那么等到新一轮革新来的时候，你可能反而会发现，自己从一个后发者变成了先发者。

因为你会发现，原来很多东西你都准备好了。

我们做平台也是一样。最开始我们只是在卖控制器，只是有很多人用我们的控制器做了各种机器人。控制器越卖越多，这其实也是一个一到一百的过程。当控制器越来越多，我发现可以变成一个赋能平台，大家可以在我这里买到各种机器人。

于是我进化到了下一个阶段，进入了零到一的平台阶段。平台做着做着，AI来了。这个时候，平台上又卖了更多机器人，又为下一次零到一，也就是具身大模型，积累了足够多的数据。

每一次一到一百，都是为下一次零到一做准备。但你一定要想明白，自己积累的是什么。

所以这一次一到一百是有目的的，每一次一到一百，都是在为下一张牌桌的筹码做准备。

对，一定是这样。

但这个过程中，你一定会在一些时刻，对一些利益选择说不。这部分利益，往往是短期能看到的收入增长。尤其是融资过的公司，会面对投资人很大的压力。

现在仙工智能相对还好一点，因为大家没有对我们的市场化回报很高的预期。但随着时间推进，大家总会拿市场化来检验你的逻辑。

有的人可能为了做收入而做收入。为了获得更高的收入，有很多方法，我就不说了。比如可以建一个素材中心，把机器人卖给素材中心，再把数据买回来。

反正我们肯定不会这么做。

你刚才讲建立生态，也就是说，你会刻意避开客户的生意。客户做的生意，你就不做。

是这样的。如果这件事我们没有客户做得好，我们就一定不要做。

但有很多时候，客户会问：这个项目你能不能帮我实施？反而这些事情我们应该做。为什么？因为只有你的人待在现场去看、去观察，才能感知到很多东西。

而且说回来，谁都不愿意去现场做实施，多苦、多累，大家都不愿意去现场。那你怎么保证员工愿意去现场？

这个行业的工程师确实挺辛苦，不停地去工厂，一待就是一两个月。这很反人性。

是很反人性。所以第一，我觉得研发要给足够的支持，很多过程性的事情需要通过工具去优化。

最开始我们有大量开发工程师，后来做完低代码引擎、实现模块化以后，很多现场工作就变成搭积木、写工作流。

首先，要让现场的人不累。最核心的是什么？是让他自主可控。

人什么情况下最累？第一，客户在骂你；第二，你自己还干不了什么，只能等研发帮你解决。这种情况下最累。

它不只是生理上的疲惫，更是心力交瘁。所以让他不累，最好的方式就是让他自主可控。他在现场能够自主可控地完成整件事，生理上的疲惫相对可以克服。

但如果生理上疲惫，心理上又没有自主可控的支撑，那他可能就崩溃了。

我自己有个习惯，每天会去刷现场会出现什么问题。现场问题会被记录下来，我有一套系统，就像刷抖音一样，每天去刷。

原来我还会看日志，现在确实精力不够，更多是刷结论，刷现场发生的问题。刷的过程中，你就知道未来可能要改进的方向，因为要让现场交付速度逐步变快，让问题更加智能、更好地解决。

你们自己做了一套系统，记录所有现场场景。

对，记录现场的问题日志，包括现场扫描的数据，我们都会上传到上面。

这不也是RoboCup的那种状态吗？逐帧分析，看看到底发生了什么。

对。把每一个场景的部署落地变成一场比赛，逐帧分析，然后慢慢收敛到产品，或者说一些使用上的软件SOP。

10. 开放生态直面巨头

你觉得你们要走的开放生态，面临的最大挑战是什么？

最大挑战还是技术维度上的碾压。就是某一天突然出现一个高维巨兽，说整个行业已经真的不需要机器人的开发工程师了。

刚刚说过，一个控制单元加载一个模型以后，机器人就已经被赋予灵魂。假如有一天另外一家公司做出来，那整个行业可能就没有所谓的生态了。

买了它的控制器以后，每台机器里都跑着一只小龙虾，这只小龙虾可以跟你对话，跟人一样。以后你不需要跟我们沟通，直接跟机器人沟通，让它干什么它都能听懂，也知道自己的能力边界，知道什么能干。

这就是AGI，真正的AGI。无非就是看谁先做出来。

但你们也在做。

对，我们自己也在做。我们预期，或者说必须逐步接近这个目标。这是一条不归路。

我觉得所有人都相信这个目标会实现，无非是5年后、10年后，大家判断的时间周期不一样。但我相信，大家对最终目标的认知是一致的。

机器人整台本体包含硬件、大脑和软件算法。你觉得一套机器人最核心的价值是什么？你说单台机器人，对吧？

如果真正回到客户视角来看，对客户价值最大的有两个点。

第一，这个机器人本身在它的场景下能帮客户创造什么样的ROI。第二，就像踢足球一样，它的单体能力够不够强，能不能直接在客户那里干活，能不能形成一个体系。

两个机器人都很厉害，但如果它们之间无法交互、无法沟通，还是不行。所以第二个最重要的是多机器人协同的体系。这其实是现在很多做具身智能的公司有点忽略的事情。

现实中，多个机器人之间需要协同。整个协同怎么更高效，尤其是异构机器人怎么一起协同，这件事至少现在我还没有看到哪家做具身智能的公司特别强调。

很有趣，异构机器人如何协同，这就是你们在做的事情。刚才说了有叉车、轮式机器人和各种机器人，你希望做一个协同网络，让不同种族之间可以沟通交流。

对，这件事对客户来说也很重要，否则整体效率一定不高。单个机器人虽然跑得很快，也相对智能，但放在一起以后，大家都像傻子一样，效率还是不行。

都决定要上人形机器人了，物流机器人、清洁机器人难道不上吗？肯定是先上物流和清洁，最后再上人形，对吧？

所以所有人形机器人进入工厂，第一件事就是：怎么跟现在的设备协同？这里会有路权竞争，也会有数据格式交换。

这些问题看上去很土，但肯定要解决。这不就是行业里所谓的部署公司在做的事情吗？

但部署公司也需要有体系支撑，否则就变成结硬寨、打呆仗。你不可能找来100种机器人，但100种机器人的地图格式都不一致，API接口不一致，模型调用方法不一致，最后还要把它们硬凑在一起用。

这对部署公司来说当然也是灾难，是不可维护、不可持续的。

你上次是不是说过一个观点，车和机器人的不同在于，多个机器人之间有协同网络效应，但跨品牌的车不可以？

是的。在下游市场里，我们的客户和客户之间很多时候是好朋友。这个行业大家互相认识，所以A客户、B客户、C客户之间相互有买卖很正常。

A客户发现这个机型我不做，B客户发现那个机型我不做，但一个客户需要的时候，大家可以一起卖、相互协同。对于客户来说，他要的是你们能够一起工作。那大家就挑一种最舒服的方式，把问题解决掉。

汽车不是这样。汽车天然没有协同需求。路上这台车和那台车不需要一定进行通信，它们没有这种需求。

你们这一层会被巨头下场做掉吗？比如英伟达、华为这种生态特别恐怖、资源和实力都很强的公司，理论上顺手就可以沿着往下，把你们这一层做了。

我觉得每一个创业公司、每一家公司都没法避免这个问题。你永远没有办法排除，巨头有一天可能会来做你的事情。

巨头看这个市场，可能不是以兴趣为转移，而是看这个市场是不是增长到它愿意吃这口蛋糕，或者它的吃水线够不够深。

比如我的投入在这里，但我的回报在这里，那我就不做。但当我的投入在这里，预期回报有这么高，它可能就会做。

对于越大的公司来说，这更像是一个算术判断题。市场大到一定规模，我相信一定会有人进来做，这毫无疑问。

如果有一天巨头来做了，你是什么心态？

还是回到我们的使命：让智能机器人没有门槛。如果有一家公司能比我们做得更好，让大家更容易把机器人做出来，那我们就死得其所，死在追求这个真理的路上。

如果在同样的使命和愿景下，别人能比我们做得更好，获得更多市场认可，那我们确实就应该尽快死亡。这可能是最好的结局，给巨头创造利润空间。

你是这么说，但你是一个不会服输的人，对吧？如果有人把你从赛场上踹下去，你肯定会想办法，第二年卷土重来。

所以还是回到那个点，肯定不是说不挣扎了、就这样死去，而是在抗争中死去。

这个东西不可避免，但最终还是要拼谁更能够满足客户需求，谁能更多地为客户创造价值，让大家的门槛越拉越低。

你刚才讲到，短期内暂时不相信人形机器人能发挥很大的价值，对吧？

不是人形这个形态发挥不了价值。我先举一个正面的例子，人形机器人做上下料，我觉得它就是可以工作的。无非是用一只手、两只手，甚至可以做5只手。

我前两天还看到一个，不记得是哪家公司做的，做了一个像蜘蛛一样的机械结构，5条手臂一起干活。做个千手观音也可以。

所以我不是对人形有偏见，只要它能找到适合的场景，我觉得都可以。你做10条手也没人管，只要你觉得10条手的性价比更高，就应该做10条手。

我只是觉得，在人形机器人上，想用现在这套基于数据训练具身智能的范式去落地，可能会有难度。

更务实的方式，是先用一些相对传统的方法让它先工作，在这个过程中收集数据，再用这些数据训练模型。至少模型有一个下限，这个下限就是一个很好的运动控制专家。先有这个下限，再逐步叠加上限，我觉得是这个逻辑。

所以你们现在训练的所谓专家大脑，是分层架构？

没错。并不是说我就停留在这个阶段，还可以继续往前走。

这跟你们现阶段的财务状况有关系吗？你们也接受公开市场的检验。之前EBITDA已经快跑正了，但最近1、2年又加大了研发投入，是这样吗？

是。其实对我们来说，还是回到那个点。

首先，这个话不应该这么说。作为上市公司，说自己不追求财务指标，感觉对投资人不太好。

没事，J.K.上次在我博客上也是这么说的。

事实上，我觉得很多公司开始走下坡路，或者被创新者追赶，往往就在于它太在意财务数据和短期利益，没有想清楚财务背后真正要的是什么。

所以不管我们现在是什么状态，或者以后在资本市场拿到更多的钱，还是要想清楚，下一步的零到一在哪里。下一个自我颠覆的点在哪里？通过一到一百积累的，应该是做下一次零到一的势能。

我觉得这件事情极其重要。如果不为下一张牌桌积累筹码，那就是一个有限游戏。

对。

你要不停为下一次零到一做准备。这其实也是“反者道之动”这句话：所有事物的发展，都会从相反的方向而来。

当你处在很好的状态时，就一定会陷入下一个周期。如果只想着一到一百、一百到一千、一千到一万，很有可能等到下一次零到一、新的一波浪潮来的时候，很快就会消亡。

所以马斯克的第一台人形机器人Optimus走出来时，你在想些什么？

更多是加速了资本市场对人形机器人的共识，把大家的注意力拉了过去。我觉得这可能是它最大的价值。反而对机器人行业、具身行业和AI行业本身，冲击没有那么大。

你什么时候感觉到被冲击了？

ChatGPT对我的冲击，比Optimus对我的冲击大得多。

然后你做了什么？

当时我什么都没做，实话说。但那时大家在想，这件事情怎么在工业场景落地。那个时候具身智能的概念可能还没有出来，大家都在观望，觉得一个新时代可能要来了，但不知道会变成什么样。

大家又知道，一定会发生些什么。所以那时候对未来有一种感觉：整个行业，不管什么行业，所有天花板好像都要被打开，很多东西都值得重新做一遍。

会感觉自己经历了人类发展史上的一个重要时刻。

2024年那一波，其实是大家对VLA的追逐，我称之为一级市场极度火热。那会不会给你们带来焦虑？市场居然火成这样，会不会让人感觉，自己是不是没有看到什么东西？

好像所有人突然都不带你玩了，大家去玩一个新的游戏，而你连这个游戏是什么都还没搞清楚，大家已经开始玩了。

理论上来说，你不应该等到投资人来问你，应该及时捕捉市场风向。

恰恰是因为大家都在做，但没有对市场造成影响。如果大家都已经在落地、已经在做，我肯定就知道。正因为大家都没有落地，所以对我没有冲击。

但投资人跑过来跟你说了。

对，投资人跑过来声情并茂地跟我说：新的世界要来了，你们都是老登。

那是我第一次被人叫“老登”。好几个朋友和投资人突然跟我说，新时代要来了。

未来这个度该怎么掌握？你肯定也不能等到别人都落地了，才跳下场吧？

对。对我们来说，仙工这个组织的基因，就是我们最不怕落地，或者说我们极其享受落地。

我比较有自信的一点是，但凡让我们发现哪个场景能落地，我有信心在3个月内跟上。我只要保证能做到这件事就可以。我可能不会是第一个，但只要能看到落地的可能性，我们就可以快速跟上。

所以你觉得自己一定会坐上牌桌？

对。在这个过程中，我们一定会积累大量优质数据，这一点我们非常有信心。

第二，我们这个组织的特点，尤其是从竞赛团队、从小卡拉米一路成长起来的特点，就是一开始总有很强的对手。最开始看CMU，都是抬着头看，看不到尾气，也看不到尽头。然后一帧一帧分析，最终把它击败。

这个团队天然有这种基因，几个创始人都有这种基因，从来都很享受掀翻巨头的感觉。

你反而不想当第一名，不喜欢当第一名？

不喜欢。我不喜欢当第一名。

虽然你的签名是“要干第一”。

但实际上我压根不想当第一。

你社交平台上的个性签名是什么？

“不做第一就是耻辱。”

你写给团队看的？

我一定是喝了酒以后写的。写完以后回头看，觉得还挺有道理，就放在那里了。

最开始其实很难跟人解释。大多数人觉得，做第一就一定要做到极致，要把自己逼到极致，把很多东西做得非常细，然后实现第一。

但我不是这个想法。有很长一段时间，这句话写完以后，我不知道怎么跟人解释。因为大多数人觉得，你要争第一，一定是个追求极致的人，一定胜负心很强，一定要怎么样、怎么样。

其实我大概在半年前，才真正把这句话想明白。

追求第一永远是一个目标，是一个只能接近、不能实现的目标。只有永远把第一当作目标，才能知道自己永远不够。你要让自己保持一种相对空的状态。

刚好半年前我在看《道德经》。我们今天也说了几句《道德经》里的话，它一直在强调一种“空”的状态，觉得“满”是很危险的，“空”是很幸福的。你一定要把自己放在比较低的姿态。

当你永远把自己放在低的姿态，去支持别人，同时又以低的姿态冲击第一，在这个过程中其实是很幸福的。但当你觉得自己已经到了一定程度、已经实现第一时，反而很危险。

就像刚才说的，你会开始拒绝需求：我已经有100个客户都这么做了，凭什么第101个客户不这么做？一旦产生这种心态，可能就进入了很危险的境地。

所以追求第一，本质不是为了拿到第一这个结果，而是要在这个过程中把自己的姿态放低。

所以第一是一个目标，快接近它的时候，目标也会继续往上调整。

对。比如我们的控制器已经做出来了，有没有做到第一？但事实上，我们现在追求的已经不是这个东西了，可能是数据量，或者落地的场景数。这些又会成为新的追求。

它永远是一个可以被设定、但不可实现的目标。

但客观上，你们现在已经是第一了。

其实也不是，或者说我们不应该认为自己是。这个话可以对外销售时说，但我觉得对于研发，以及每一个真正落地、实现客户价值的人，大家都要有很清醒的认识。

大家永远都在追第一的路上，永远成为不了第一。我觉得这是最好的状态。

现在这么多具身公司，有没有你比较看好或者关注的？

如果说全球范围，最开始我看到海外有两个，一个是Figure，一个是PI。它们对我来说都有一定的冲击力。

VLA刚开始做的时候，你会发现大家基本都是基于π0.5，开始逐步叠加自己的系统，至少看到了一种新范式的可能性。我们自己也做过一些尝试，觉得这条路确实能走通，只是成功率可能还不高。

你说VLA？

对。而且我能看到，它没有给自己定一个很明确的商业化目标，但又在逐步迭代，让我感觉有点像OpenAI一样，很纯粹地在做一些事情。我觉得这种感觉很好。

要么你就真的把高度做上去，永远不要做商业化落地，我觉得这样也挺好的。

Figure毕竟是现在估值最高、或者市值最大的具身公司，所以天然会关注它。过去几十年，大家也一直在向美国看齐。

国内的话，我一直在看融资多的公司。谁又融了很多钱，我就会关注。我会好奇，这么多钱要拿来干什么、怎么用。不能说是关心，我是好奇。

因为我们从来没见过很多钱。我们融资融得很少，所以我一直很好奇，拿到那么多钱以后，他会怎么办、怎么干。只要是拿钱多的公司，我都会关注他们拿钱做什么。

你会不会反思，由于从来没有拿过太多钱，限制了你的想象力？

会，肯定会。很明显，兜里没钱和兜里有钱，想的事情是不一样的。

兜里有钱的时候，至少可以往前多看半年、多看1年。再远可能大家都看不清，那跟有没有钱已经没有关系了。但在中短期，有没有钱，做出的决策确实不一样。

假设不考虑资金问题，你现在能看到半年之后，对行业有什么自己的判断吗？包括技术路线。

长期我坚定相信，但对于短期变化，我没有做很强的预判。

我们有信心做的事情是，不管短期发生什么，都能快速跟上。这件事情我觉得我们有能力做到。

你的长期看好，是指会长期朝这个方向坚定投入，但不会一把All in到半年或者大半年之后，押住某一个节点？

对。如果是这样，就证明这件事情本身没有多高的门槛。如果押住一个半年后就能成的东西，那它的门槛其实不高。

反而在长期的事情上，我们会投入得更坚定；对于短期的事情，可以先观察。

所谓战略，就是长期、不可撤销的投资，这才是战略。如果说有一个短期1年战略，或者半年战略，那可能只能证明它不是战略，只是一个账、一个算术问题，不是战略问题。

反而越长期的东西越有确定性，越短期的东西越没有确定性。

比如我们坚定地相信真机数据。我们也坚定地相信，未来控制器端侧一定会跑一个大模型，甚至不需要云端，端侧一定会有模型。

这件事5年、10年能不能发生，我不知道，但从长期来看一定会发生，这有很强的确定性。但你说短期是半年、3个月还是1年，谁都说不清楚。

所以我们要投入的，是长期一定能看清楚的东西。

你刚才说，确实会关注这个行业估值最高、融资最多的公司。

对。

像星海图这样的“大脑公司”，现在估值已经跑到100亿元了。

首先，我不知道这个估值是怎么估出来的。

我们最头疼的问题就是，投资人一上来就会给我们算ROI。我发现市场上天然有两种估值逻辑：越落地的公司，大家越容易给你算市场规模，也越严苛。

因为越落地，就意味着市场有一定确定性；市场有一定确定性，市场规模就可以计算，市销率、市盈率也都可以计算。所以越落地的公司，大家反而会越审视。

越高举高打、越梦想型的公司，大家可能更多是从长期确定性来看。

我们自己不羡慕其他公司。我们已经是现在这个样子，也没有预期自己一夜之间变成一个梦想型、飘起来的公司，我们可能也没法变成那样。

但我们可以观察，看看这些公司有什么值得学习的地方，不一定要盯着它融了多少钱。

还是回到那个点，因为我们自己没融过那么多钱，所以但凡拿钱多的公司，我们都很好奇他会拿钱做什么。这些东西都是可以学习的。

你在市场上怎么观察这些拿钱多的公司到底在做什么？

我会到客户层面去看。其实有两个层面：第一，看他说什么；第二，看他做什么。

他说什么，通过现在发达的社交媒体，大家大体上都能判断出来。第二就是看他做什么。很多公司会去客户那里落地、跑测试，那你就去跟他的客户聊。

这个方法对客户来说，好的地方在哪里，不好的地方在哪里？如果我是他，你会给我什么建议？

去跟他的客户聊，反而会带来更真实、更直接的东西，甚至是更血淋淋的东西。这样才能知道现在行业到底是什么状态。

因为你直接问他在客户那里怎么样，可能会有掩饰、美化，或者不想说的部分。但如果你跟他的客户聊，客户的声音一定是最真实的。

比如泛化程度到什么程度？在这个场景下，没有一定的泛化性是不是也可以？如果想长期使用，客户愿意怎么付费？从客户视角去看，会更真实。

你会不会觉得自己比其他行业玩家更容易得到客户的真实反馈？

行业生态的位置决定了这一点。我们给自己的定位，本来就是服务者的心态，所以习惯接受客户的批评。

我们跟很多客户关系都不错，跟客户保持高频互动，其实就能从侧面看到行业的发展。

能分享一些你看到的行业真相吗？

绝大多数应该是不及预期的。这不仅是国内公司，海外公司也一样。我觉得特斯拉也是这样，计划一再推迟，更何况国内这些公司。

首先，这不是有钱就能解决的问题。这个问题的复杂度非常高。现在可能动不动就是1000台订单，包括持续落地，我觉得这里面的夸张成分居多，至少从客户的声音来看，夸张成分居多。

大多数场景下，现在大家还是一个很初级的状态，有点像婴儿学步。

工业场景下，不说99%后面还有几个9的问题，你能做到90%，基本也属于不可用状态，没有意义。你想一下，如果一个工厂里有100台机器人，做到99%，就意味着每天都有机器人出问题。这样肯定不可持续，员工也扛不住。

从落地来看，真正通过这套模型范式，并且具备一定泛化能力的案例，我目前还没有看到特别好的。

这里一头是可靠性，包括精度、安全、稳定；另一头是泛化性，包括够不够聪明，能不能做到One-shot设定、Zero-shot。如果现在两者都要有，我实话说还没有看到落地。

但两者之间二选一，是存在机会的。比如这一端用强化学习，把场景做到极致，可能没有什么泛化能力，但客户也能接受，这种我能看到，而且不少。

另一端，如果说不需要可靠性，只要泛化能力，也有场景，只是现在能不能落地我不知道。比如酒店里叠衣服，对可靠性的要求没那么高，衣服掉了就掉了，再继续叠，效率低一点也没关系。

两者取其一，我觉得现在都有一定场景。但要把两者兼而有之，至少目前我还没有看到让我很幸福的案例。

之前有一个投资人叫朱啸虎，他退出了星海图的股权，之后还公开唱衰机器人行业。因为他觉得，现在很多人设想的人形机器人商业化场景，都是自己幻想出来的。

他是务实派投资人，觉得不靠谱。你怎么看这一类声音？现在这个行业也有人讲“市梦率”。

我觉得这就是不同投资人的偏好问题，没有对错。

对于务实派投资人投不下手，我很能理解；对于看重远大愿景的投资人，看到相对落地的公司后去算市盈率或市销率，我也能理解。大家各有各的偏好。

我自己会更接近务实的那条路，谨慎地做梦。

他的联创许华哲在1年之后离职，自己创业，也做了一些公开发声，指出行业里可能存在“无脑量产”的现象。他提出要看机器人日活等指标。你怎么看他的判断？

这相对更务实一点。所谓日活，就是机器人能不能持续产生价值，某种程度上我认可这个观点。

机器人量产一定是为了产生价值。如果不产生价值，只是为了采数据而量产，我觉得比较危险。

可能会出现这样的情况：你生产了一堆机器人，但半年后回头看，之前生产的那批机器人都不行、不能用了。可能是硬件问题，可能是传感器布局问题，也可能是应用无法真正产生价值，或者构型不对。

这些坑我们自己也踩过。不是只做人形机器人，做其他机器人时也会踩到。所以如果只是为了量产而量产，其实很危险。

虽然我相对年轻，但也经历过互联网资本膨胀、泡沫的时代。早期职业生涯里，我写过一篇比较有代表性的商业报道，是关于ofo败局的。

所以我会对所有热钱急速涌入的行业保持警惕。某种程度上，只要一个行业钱足够多，膨胀、失速和变形的故事几乎必然会发生。

我看到现在行业里有很多创始团队动荡、高管出走。我不知道每家公司内部到底有没有问题，但我觉得肯定有一个因素，就是这个行业利益太多，会使组织结构非常不稳定。

你有留意到这种结构不稳定的现象吗？

尤其是今年上半年，我感觉新公司出现的速度远超想象，几乎每天都能看到一些新公司出现。很多智驾公司可能有一大半人都出去创业了，所以这个现象确实观察到了。

那你觉得原因是什么？

我相信就像你说的，本质是钱太多了，而且我觉得投资人也有很大关系。

投资人发现有些项目太贵以后，甚至会自己组局，说你出来吧，我单独投你，估值低一点。所以这也是整个资本运作下的产物。

第一，行业猎人怕错过；第二，投资人也怕错过。于是就形成了双向奔赴，最终出现现在这个局面。

这种泡沫，我觉得肯定也是一件好事。反正投资人的钱也得花，宁愿花在对未来的探索上，也比放在银行做理财更值得，对吧？这些投入至少会对整个行业有帮助，大不了排除一个错误答案，也是一件好事。

机器人这个行业太大了，未来空间太大了，所以现在可能还有很多错误答案，等着这些钱去排除。

现在站在这个行业的舞台上，你觉得自己处于什么位置？

要看你怎么定义这个舞台，或者怎么定义这个行业。

如果按50年的RoboCup来规划，我觉得现在大家都还在台下，还没入门，还在看戏，整体还是一个很初级的状态。至少你会发现，很多大厂还没有真正开始做这件事，这其实是一个很强的信号。

大厂像小米，都自己在做。

对，但至少还没有把它变成主营业务，仍然是相对偏探索。大厂一定会跟进这件事，毫无疑问，只是还没有哪家大厂把它All in进去，把原来的业务放下，说我就干这个了。

不一定是把老业务放下，但可能会用资源投入来衡量。

对，相当于资源已经全部砸到这上面。至少现在还没有看到这种程度的情况出现。

早期我们给自己的定位，是先扮演好支撑者的角色。卖铲子也好，提供工具也好，提供支持也好，我们会保持对技术的追踪，也保持技术应用。

我一定会找能应用的场景，快速去用，这毫无疑问。

第二，当别人想要使用这些技术时，我们更多不会把他当作竞争对手，而是看看我们能做什么。比如有些做具身的公司擅长模型训练，但不太想关心机器人怎么运动。

端到端出来一条轨迹以后，轨迹怎么走、几个关节、控制器实时性怎么样、精度能不能达到要求，其实有很多团队不太想关心。

如果仙工能在这里做一些事情，我们就去做。

所以我们更多是扮演一个技术支持者的角色，不敢说是引领者，但至少在落地上，我相信我们能起到一定的引领作用，包括新技术落地的引领，以及对模型训练的支持。

我们先把这两个角色扮演好：落地的引领者和技术的支持者。

比如现在有一些范式在一些场景下落地。

对。我们现在已经开始有一些东西呈现出来了，虽然现在还没办法具体说，但已经看到这种可能性，而且它可以逐步提升、逐步迭代。

像自动驾驶一样，可以看到从L1、L2慢慢走到L5，路径越来越清晰。我们也能看到这种可能性。

你之前说过一个“四个象限”的理论：把新技术、旧技术作为一条轴，把新产品形态、旧产品形态作为另一条轴，然后形成4个象限。你最后应该只选择了两个对角线。

对。新的技术可以在旧的产品形态上验证，因为旧产品形态上有足够多的场景和客户，能拿到足够多的反馈和数据。这就是刚才说的落地引领者。

第二个是右下角，在新的产品形态上，我做好支持者。你要做模型、做底层控制，都可以交给我。

这是我们很擅长的事情。甚至你想换一个品牌的单关节，想把下面移动的部分换成三舵轮、四舵轮、多舵轮，或者差速模组，都可以。你想怎么换，我们都已经准备好了。

品牌要换，内部控制方式要改，也都没问题。这些都是我们擅长的，我来做好支持。

所以这是两波客户。第一波是原来自动化机器人的客户；第二波是具身公司的客户。它做好模型以后，也可以给它提供无数个场景。

如果它想进入你的场景，你也愿意把数据给它？

没错。如果它想进入我们的场景，我当然开心，也可以把数据给它。刚才你不是问过数据的问题吗？

如果有一天它说，我用你的系统把这个机器人做出来了，甚至把具身机器人做出来了，我想进入你的场景，可以让你的客户给我一个场景吗？没问题。那我也可以把数据给它，没关系。

因为这件事确实没关系。我不做，也会有人做，那还不如我主动做。

就像早些年富士康找我说：“你把图纸给我。”我不给，总会有人给，只是可能晚半年给。那我还不如直接给了。我不做，总会有人做。

我想看看另外两个对角线。旧产品形态加旧技术，这个很好理解，大家都认为它会被淘汰，所以不做。那你为什么不碰新技术加新产品形态？

这就回到我说的“谨慎地做梦”。把它画成象限以后，走对角线永远是一种冒险选择。

通常大家会做迁移，先横向迁移或纵向迁移，再走到对角线。绝大多数商业决策都是这么做的。

假如我们这帮人重新创业，把过去所有的积累都丢掉，也许我会直接选金字塔尖。因为没有过去的技术积累，也没有长期积累，观察之后会发现，如果要重新做这个场景，时间和代价都更大，而资金又有限，可能就会在那边赌一把。

所以本质上，还是基于此时此刻我们的能力边界，以及现有资源在哪里，做最适合我们的选择。

这算不算你想吃的蛋糕，但暂时不方便吃？

我觉得现在应该算。我们能看到它是最终目标，但我不是现在不方便说，而是有两条路可以接近它，所以先沿着这条路走。我觉得更多是路径选择的问题。

客观地定义一下控制器的门槛，你觉得这个门槛有多高？

我觉得确实蛮难的，刚才说两个点。

第一个，你能不能沉下心去迎接那么多考验，能不能让整个团队完全沉下去做？说实话，这件事情有点苦。早期内部要协调的东西很多，这不只来自客户端压力，甚至来自内部压力。

第二，我们现在所处的阶段，可能比当时更恶劣。客户有得选的情况下，为什么还要重新被你教育一遍？这件事情从商业上本身就很难成立。

如果是相对标准化的产品，后来者照着抄一个也可以。但如果它不是标准化产品，而是一个复杂的供应链，不是一个单一产品，而是一套辅助性工具，你能理解这种感觉吗？

后来者可能连怎么抄都不知道。

只要是标准化产品，就很容易抄。这让我想到，在这个行业里，我确实看到了一些标准化产品，在中国语境下利润和价格迅速被卷下来。

没错。我就不说具体公司了。有些产品出货量暂时跟不上，但标准化做得很好，产品也做得很好。一旦你漏了一个球，就会有无数人参与进来，把这个市场的价格打下来。

这就是B端竞争的残酷性。B端客户没有那么高的忠诚度，客户永远看的就是一个字：性价比。

所以你会发现，仙工看上去是在做一个控制器，但控制器本质不是一个产品，它背后是一整套工具和工具链。这个东西的可复制性很低，复制难度很高。

我自己内部的使用手册，当然是我们内部看，我都觉得如果打印出来，可能有这么厚。我都很难想象哪个产品经理会照着这东西去抄。

产品经理比较好做的是：给我一个产品原型和定义，把目标客户群体、核心需求描述清楚，最后我把它做出来，这相对容易。

但如果你告诉我这里面有5万个需求，这5万个需求都要实现，那产品经理怎么设计？你疯了？我觉得这是很难的一件事。

你觉得你们是一家擅长研发的公司吗？

应该说，我们是擅长解决问题的公司，是擅长用研发工具解决问题的公司。为了研发而研发，其实没有多大意义。

你擅长做商业化吗？

应该这么说，商业化是一种自然而然的结果。我们没有把商业化做成特别明确的目标，反而会把商业化当成结果。

我们会把满足客户需求，或者满足客户某一方面的需求，当成目标。在实现这个目标的过程中，商业化是我们的副产品。过度追求商业化，反而会让动作变形。

怎样的人才密度，高到让你觉得研发能力可以一直保持领先？

我没有一个公式去计算人才密度。但我觉得比较重要的是，一家公司活力指数高不高。

员工是不是有自己的想法，充满活力，想做一些事情，我觉得更重要。如果公司的活力依赖经验，或者依赖一两个聪明的脑袋，剩下的人都只是步调一致地执行，虽然每个执行者可能都很厉害，但也不能说人才密度很高。

因为很可能所有人一起走进同一条河流，最后一起淹死。这是很危险的。

所以我反而觉得更重要的是活力指数，而不是聪明的人有多少、985的有多少、C9的有多少、QS 500的有多少。真正重要的是，公司活力指数高不高，每个人有没有新的想法每天产生，有没有东西敢于尝试，犯错以后有没有人把它闭环解决掉。

你好像很强调Geek在你们公司里的含量。你觉得充斥着大量有个性的人很重要？

是，我们更愿意看到这样的状态。

我自己有一个逻辑，尤其是GPT以后，AI对公司管理有很大触动。第一个，我们讨论下来发现，自己不需要统一的价值观。第二个更重要的是，现在所有AI工具已经非常强大。

你问一个AI模型问题，99%的时候，它会给你一个相对不会出错的答案。但反过来想，如果大家都跟着这个答案走，99%的人大概都会得到差不多的答案。

有一辆汽车不是拿那个冠军了嘛？其实你去看他的选择，你会发现如果他当时，我记得是凯越吧，从凯越走的时候，他就问我应该怎么办。人家不是不让他做发动机嘛？我相信所有AI模型一定告诉他：第一，你要跟这个好好去聊，然后展现一个什么方案，最后说一句，如果你需要个方案，我可以帮你做一个说服董事会的方案。

我相信99%的模型给出的答案都会是这个。但事实上，他做的是那1%的选择：脑子不干了，我就重新干。

你觉得模型会劝说他离职吗？

我觉得模型不会给你这个答案。但现在大家又在疯狂使用模型，所以我觉得越往后，保持个性越重要。

所有人都会习惯去问AI一个答案，潜意识里可能也会遵循这个答案。那你还有多少人是有个性的？我就不按这个来，我甚至都不问，按照自己的想法干。最后可能会发现，真正最厉害的一帮人，反而是根本不理AI、就按照自己的想法去做的人。这可能反而会成为最后的人类之光。

如果你Prompt AI说，我现在就要退学、我要辞职，AI也会顺着你的思路给你很多建议。

当然。所以跳出这个逻辑框架，反而可以收获一些东西。

我会觉得，个性在这件事情上非常重要。一个人或者一家公司没有个性，在现在这个AI时代，很快就会泯然众人。

机器人这个领域人才的带宽很长、很大。你做机器人做了这么多年，你眼中最好的机器人人才是什么样的？

机器人行业涉及的面太广。直到今天，我也不敢说自己，或者公司里的某个人，已经达到机器人专家级别。

你们觉得自己不是专家？

对，因为它涉及面太广。如果一个人能把所有领域都精通，我觉得这个人几乎就是神了，非常难。

我们内部统计过，公司里大概有20多个以前在原来公司做过CTO的人，有些公司的规模可能不是特别大，几十人甚至上百人，但确实有20多个。

所以在现在这个公司里，我们也不敢说有一个CTO能掌握这20多个人各自的方向和技能，几乎不可能。

我们现在对人才的定义反而是：对跨领域有所了解，但能在某一个领域足够深入，把某一方面做到足够深。

不要预期自己去补短板。补短板这件事，现在AI可以帮你补一部分，也可以通过团队协同来补。没必要再去补自己短的那一块，而是更多想办法把自己的长处做到极致。

你觉得越纯粹、越有个性的人，在这个时代机会越多吗？

不是机会越多，而是越容易在特定领域获得更高成就。

如果只是简单写代码、找一份工作，跟着AI走，跟着世俗意义上通常的正确观念走，肯定没有错。但这可能是一个相对中庸的选择，甚至可能陷入内卷。

90%的人都根据AI做出的判断和选择，大家都在做相对正确的事情。但有些长期的事情，短期可能不讨好，大家称为“难而正确的事”，或者反人性的事，AI可能一下子没法给你答案。

你需要那些有个性的人，靠个性驱动坚持下去，才可能看到曙光。我觉得这件事很重要。多样性对公司来说非常重要，尤其现在世界变化太快。

你是一个有个性的人吗？

我觉得算，肯定算。

什么关键选择能体现你是一个有个性的人？

比如从退学开始。

我自己属于不太容易被外界影响的人。所以很多有个性的人，应该都不太容易被外界的声音影响，可能会把它当作噪音。

你们公司现在有3个联创，另外两位联创应该也是从第一天就一起走的，当时是同学，一起打比赛。刚才我在那边看你们RoboCup的模型，墙上有一段话，大概意思是，当时3个热爱机器人的年轻人之所以选择创业，是因为没有任何一家机器人公司适合他们，所以就自己做了，是这样吗？

对。我们那时候找工作，大概是2015年，确实没有什么大家看得上的机器人公司。像四大家族这些公司，去那里工作当然是不错的选择。

但它们很多研发并不在国内，国内更多是偏应用的部门，甚至一些最新的东西也不会让中国员工接触到。

那两位联创是你打比赛时认识的？

对，算是学弟。

当时怎么就从一起打比赛，走到邀请他们一起创业？

这是一个自然而然的过程。大家一起睡了很多年实验室。

你是队长？

对。

你为什么当队长？

这个是年纪和资历决定的。队长就是谁扛的事情多，谁就当队长。不是说谁更厉害，只是扛的事情多一点。

后来创业以后，你是一号位，还是这个角色吗？

差不多。我也是哪里需要就往哪里搬。

在公司内部，我本质上扮演两个角色。第一，干一线；第二，做后台服务，让大家更多释放能力，让组织更有活力，同时做好后台保障。

那另外两位联创分别扮演什么角色？

一个就像红衫军，在公司内部哪里有问题就跳出来，一针见血地指出来。但正因为他是这样，大家反而觉得很好，因为大家知道总有人会指出问题，所以对问题这件事反而不怵。

我们公司有一个文化：没有问题就是最大的问题。默认问题一定会发生，永远会有问题。

我在公司内部也经常被骂，自己管研发也一样。没什么问题，该骂就骂，该被骂就被骂。

还有一个联创属于很好的补位型，已经干过七八个岗位。哪里需要，他就去干什么。

联创很多时候是一个非常好的身份。公司要做一个从来没做过的新东西时，如果联创去做，内部资源协调、刷脸都可以，这很有价值。

当一件事还不够清晰时，他先去摸一摸，把事情做到七七八八。等他知道大概是什么样、接下来需要什么样的人来做好，再找一个更专业的人来做。

你觉得自己为什么能够成为另外两个人愿意跟随的一号位？

最重要的一点，是彼此知道自己的缺点，首先自己要知道自己的缺点。

很多信任其实是基于弱点的信任。如果大家要产生信任和互信，从来没有弱点，或者说表现得很完美，很难被信任。世界上不会有这种人。

很多时候为了掩饰弱点，不得不说一些话，不管是说谎，还是表现得相对虚伪，这种时候往往不会获得信任。所以信任首先是基于弱点的信任。

你的弱点是什么？

我的弱点其实还挺多。比如至少在讲愿景，或者讲大的故事、做叙事这件事上，我对外传达得比较少。

你可能也很少搜到我对外发声，这个确实是实话。我内心不太愿意出去说，更喜欢存在于产品、研发和一线事务里，或者参与组织进化。我不太愿意扮演对外传达的角色。

这是我很大的一个弱点。CEO天然应该扮演对外传达的角色，在这一点上我肯定做得不够。但后来想想，可能也就这样吧，有人能做就行了。

你们公司谁能做这个？

另外一个联创开了一个视频号，叫“叶老师玩机器人”，他去做对外表达。我说，可以啊，那你去说吧，挺好的。现在好像也有六七万粉了。

大家知道自己做不了，但有人能做，我觉得也没问题。各自把擅长的事情做好，持续获得多巴胺就行了。

你讲的这个弱点好像还不够弱点。

剩下的可能对公司不重要，甚至还被投资人挑战过。

你觉得创业是一件幸福的事情吗？

怎么说呢？首先，我不是一个喜欢被约束的人。这种约束包括各方面，不管是思想上还是行为上。至少我觉得，创业满足了不被太多约束的状态，这一点很好。

但事实上，没有约束有时候也是最大的约束。创业以后，毕竟要对员工负责、对客户负责、对投资人负责。

我觉得自己现在的状态，至少目前还可以比较开心地做自己想做的事情。我觉得这样就很好了。

最后聊聊你个人。你今天提到好几次《道德经》，为什么去看《道德经》？

11. 无为而治的人生

之前有人说我是一个业力很小的人。

什么叫业力？

我也很难解释什么叫业力。有人跟我说，就是心比较大。我理解成，好像什么东西都不会成为你的羁绊，什么东西都影响不了你，也不会被什么事情焦虑，大概是这种感觉。

别人说我的状态跟《道德经》讲的状态有点像。

其实我从来没有对自己的一些状态、经营理念或想法做过系统梳理。刚好有人提到，我就想去看一看《道德经》到底在讲什么。

之前我也不了解《道德经》，就找书看了一下。我发现里面确实有很多想法，跟我们公司的理念、我个人的性格和风格很像，就是“无为”的状态。

《道德经》一直在讲一件事，就是保持“无”的状态，保持低的状态，而不是高而满的状态。

你看我们做控制器也是这样，我们不冲在前面，但会在后面做好支撑。我不去把所有事情都做掉，只做自己的那一块。其实都是这种状态。

包括我们公司，以前HR也说我们公司有点无为。但这种无为不是不作为，而是不妄为，是顺应规律而为，而不是逆时代潮流而动。

《道德经》还讲包容：你可以接纳所有可能性，可以包容不同的人、不同的物种、不同员工之间的状态，不需要给大家设定统一的规则。

还有一句关于管理的话让我很有触动，叫“功成事遂，百姓皆谓我自然”。

什么意思？很多事情做成了，所有员工都觉得，好像这是自然而然的事情，好像也没有刻意做什么，最后事情就成了。每个人都觉得，这是我们自己做出来的，好像也没有做什么特别的事，然后就形成了这样的状态。

我觉得这跟我理想中的状态很接近：成功是自然形成的结果，是自然而然的过程，而不是刻意追求的过程。刻意追求反而会让人很累。

所以我觉得《道德经》描述得比较精准，就去研究了一下。

你不工作的时候做什么？

睡觉，看动漫，也刷B站。

你什么类型的动漫都看？为什么喜欢动漫？

我看动漫也是被另一个联创，我的一个年少同学，在学校里带起来的。

后来我不是退学考研嘛，当时11月份退学，1月份就要考研。一个联创同学就推荐我看点动漫放松一下。

白天要调机器人，晚上还要复习英语、政治、专业课，还要刷题，所以中间休息的时候就看动漫。他给我推荐了一些经过筛选、精选过的神作。

后来创业、工作以后，动漫就形成了一种放松方式，有时候甚至会报复性地看。可能连续几天、几周都在公司，到了周末，突然有一天什么都不干，刷一整天，把一部动漫从头看到尾，全部看完，甚至开2倍速、3倍速快速看完。

或者找个游戏，直接用修改器改完，一天全部通关。

为什么喜欢动漫？

我觉得动漫里有很多东西，怎么说呢，像乌托邦一样。它用一些放大的手段，要么加速，要么放大，展示给你看。

对于我们这种平时每天都处在逻辑里的人，看这些东西会得到一种天然释放。比如做事情要循序渐进，不可能开5倍速，但动漫里面就是5倍速。

第二，动漫本身的剧情会建立一种世界观，让你沉浸在这个世界观里。这种释放会让你回头再看，觉得自己正在做的事情、遇到的困难都不算什么。

动漫里要么国家灭亡，要么父母双亡，这比你惨多了。回头一看，自己遇到的事情根本不算什么，蛮有意思的。

所以很多时候，我会沉浸式地刷动漫。很多动漫的内核其实都是真善美的价值观，所以有时候看着看着，眼泪就会下来，内心的触动会很大。

最喜欢哪一部？

很多，真的特别多。上学时看《钢之炼金术师》，看《反叛的鲁路修》，看《高达》，还有《进击的巨人》。

基本上被称为神作的动漫，我都会看。有些可能不会马上看，一般会攒起来，找一个周末全部刷完。

很难说最喜欢哪一部，但里面都会有很多场景让人触动，像钢印一样打在脑子里。

《反叛的鲁路修》确实是神作。它讲的是什么事情？

整个世界已经乱七八糟了，有一个暴君出现，世界被暴君统治，很多势力在纷争，像战国一样。然后要怎么把这个纷乱的世界重新拧合成联邦，或者说拧合成一股力量，去拯救世界？

它其实讲的是团结整个世界去拯救世界。

但它最终的解法，当时对我的世界观冲击很大。主角先获得某种超能力，让自己变成世界上所有人的敌人。当你变成所有人的敌人以后，敌人的敌人就是朋友，所有人就都变成了朋友。

最后，主角让自己最好的朋友在自己的加冕仪式上，一刀把自己刺死。先让自己变成恶魔，最后让最好的朋友在自己到达顶点时把自己杀死。

这样，整个世界的人就联合起来了，然后他的朋友成为新一代的王。

感觉有某种映射意味。相当于把自己变成最大的反派，然后再把自己献祭掉，从而拯救世界。

对。可想而知，这对当时在学校里的人的思想冲击会有多大。

所以对你来说，当第一是一个消消乐。到达第一的时候，它某种意义上就已经把你消掉了，必须有下一个状态。否则如果只待在第一的位置上，其实会被消掉。

对，千万不要去当第一。当完第一以后赶紧找下一个目标，或者说所有第一都是短暂的，赶紧把自己的很多东西清空，重新再来。

否则很容易做着做着，自己就变成了一条恶龙。

这就前后呼应了。有没有崇拜的人物？

我自己可能有两个，一个是稻盛和夫，一个是毛泽东。这两个人可以说是我崇拜的人。

你可以说，他们在整个视野上是高度唯心的，不讲逻辑。稻盛和夫经常强调一个观点：当我努力到极致的时候，神就会来帮助我。

他相信世界上有神，但神的灵光只会给那些努力到极致的人。神会在梦里给你启示，然后问题就能被解决。

所以只要你对这个问题想得足够多，每天都想这个问题，它就一定会被解决。当整个公司的人都在想，所有问题都不是问题，这其实极其唯心。你不觉得这没有道理吗？大家都觉得事情会这样，事情就会变成这样。

主席也是这样。你会发现“一切反动派都是纸老虎”，这些东西最开始有很强的浪漫主义色彩。你看毛主席的诗，“一代天骄只是弯弓射大雕”，都有很强的唯心主义色彩。

但落到具体事情上，他又是讲唯物、讲客观规律的，讲此时此刻、此情此景应该怎么做。不是机械式照搬，而是结合实际、辩证地看待。

回到经营细节上，该是什么样还是什么样，是很精细化的。既有一个远大的目标，这个目标没有道理但坚定相信；落到具体策略上，又是可执行、有逻辑的。我觉得这其实很难。

所以你的唯心，是为了加速具身智能？

或者说，是我们坚定相信的东西。

我们相信，世界上的机器人形态也好，整个机器人未来的生态也好，一定是非常多元化的。我们坚定相信不会有巨头出现，未来所有公司都是机器人公司，也就没有所谓的机器人公司。

但也存在一种可能，就是有巨头出现。那你就想联合所有的史莱姆，把巨头打掉。

对。这个有没有道理，可能也没有那么有道理，但这是我们的唯心。我们坚定相信这件事。

具体到每一步执行，我们会有自己的策略。从零到一，再一到一百，再回到零到一，我觉得通过这些努力，可以逐渐逼近和实现。

因为使命和愿景不可能最终实现，只能永远逼近，不可能最终被实现。所以这两者一定要有机结合。

你的世界里不容许有第一，有第一就要干掉它。

我的世界可能比较惨，但也不能这么说。我们比较享受竞争，享受在竞争中改变的过程。去改变一些东西，确实让人心潮澎湃。

这面墙是怎么回事？

最开始本来想放一些发展历程，后来改成了这一面墙。

这其实是最朴素的辩证逻辑。你从这边看是Wrong，从另一边看其实是Right。很多时候，从不同角度看，东西完全不一样。

我们自己有一个很朴素的逻辑：所谓价值，取决于你的观察角度。很多辩证的东西，要走着走着，才能看清楚它的全貌。

走到中间时，会发现哪个都不是，变得很模糊，不知道这是什么。但再走着走着，回头一看，好像这件事又是对的。

很多事情刚开始做的时候可能是错的，自己也搞不清楚，但做着做着，可能就做对了。

整个发展过程中，有很多类似的小故事，不停地给自己这样的暗示，所以最后我们把这面墙放在这里了。

我特别喜欢这面墙。走进来以后，感觉不像是一家中国公司，特别像一家硅谷公司，有点Google的味道。

OK。