Related articles
文｜硅谷 101
最近，人形机器人赛道再次被推向了舆论的风口浪尖，依然在 「泡沫」 与 「前夜」 的争论中摇摆。
在硅谷，初创公司 1X 近期发布了 Neo 的演示视频。在这支拍摄精美的广告片中，Neo 似乎能像人类一样自然地做家务，视频瞬间在 X 和 YouTube 上引发热议。但赞叹声未落，质疑声便铺天盖地而来——外界指出其流畅动作的背后，其实严重依赖远程操控 （Teleoperation），而非机器人的自主智能。这让人不禁联想到 2023 年那些声称拥有 AI 能力、实则依赖人工后台处理的初创公司，「人工」 智能的幽灵再次出现。
与此同时，高盛在一份最新调研报告中，无情地指出机器人供应链的 「现实温差」。尽管资本市场情绪高涨，企业产能规划激进——普遍在年产 10 万至 100 万台之间——但实际的大规模订单尚未落地。高盛甚至预测，即便到了 2035 年，全球人形机器人总出货量或仅为 138 万台。
尽管面临 「造假」 质疑与 「产能过剩」 的风险，具身智能赛道在过去两三年间仍吸引了巨额资本注入，并展现出与 AI 技术同步演进的强劲势头。
本期 《硅谷 101》，特约研究员刘一鸣邀请了两位深耕中美市场的资深投资人——华映资本海外合伙人 Jonathan 邱谆，Shanda Group 合伙人/投资副总裁 Christine Qing，透过资本的迷雾，审视具身智能赛道的真实格局。当下的繁荣究竟是泡沫的预演，还是技术爆发的前夜？中美企业在战略布局与核心优势上呈现何种差异？在商业化落地的竞赛中，哪些场景有望率先突围？
以下是这次对话内容的精选：
01 当下的机器人赛道处于泡沫破裂前夕吗？
一鸣：我们先来构建一个全景图。最近 1X 发布的视频引发了很大争议，被称为 「人工」 智能，同时高盛的报告也指出产能与订单的巨大落差。从投资视角来看，2025 年的人形机器人赛道，究竟是处于一个类似 「ChatGPT」 爆发的前夜，还是已经明显过热，甚至是泡沫破裂的前夕？
邱谆：我们内部一直也在非常激烈地讨论这个话题。一个核心观点是：一定会有一定的过热，但是我们觉得任何一个大的技术爆发的前夜都会过热。所以作为投资人，我们其实还是希望能够在这个过热当中，找到比较清晰的一些机会，而不是因为过热就完全否定它。
如果你问我现在的具体定位，我是把目前定义成 「BERT 时期」。
大家可能记得，Transformer 架构是 2017 年刚出来的，然后 2018 年的时候 Google 推出了 BERT 模型。BERT 时期的意义在于，我们已经有了一个比较清晰的技术路线了，大致知道是往这个方向走。映射到今天的机器人领域，我们看到了包括 VLA（Vision-Language-Action）、RT-2、Pi0 等模型，其实都有一个看上去很清晰的技术路线。
我们要区分两个概念，其实所谓的 「GPT 时刻」 有两个阶段。
第一个阶段是 GPT-3 时刻，发生在 2020 年。它的标志就是出现了一次 「涌现」。简单来说，就是之前积累的大量的互联网数据现在终于能够用上了，被训练进模型里了。其实在 BERT 时代，大家如果还能记得的话，那时候我们看一堆 BERT 的项目，它的意义是定义了预训练 （Pre-train） 这个技术路线——GPT 中的 「P」（Pre-train） 其实从 BERT 时候就已经定义了。但是因为它不是生成式的，所以很多数据是训练不进去的。
直到 GPT-3 在 2020 年出现，才把所有的数据一下训练出来，搞出了一个 175B 参数量的超级大模型。我觉得这个 （数据涌现） 是我们现在对机器人领域很期望的一个标志。
我一直的观点就是：所有东西都是训练数据驱动的。今天虽然有这么多种收集训练数据的方法——遥操、动捕、仿真等等——但事实上，行业内还没有训练出来一个真正的、从参数到性能都能够有一定规模的模型。
第二个阶段才是 ChatGPT 时刻。其实刚涌现的时候 （GPT-3），大家并没有真正能大规模用起来，实话说，因为它的回答很多时候其实还是不那么准确的。直到 ChatGPT 出来，做了 RLHF（人类反馈强化学习） 等后训练调优之后，大家发现一下子这个效果立刻就很亮眼了，真的能用了。
所以回到机器人，我们还在等第一个时刻，即 GPT-3 时刻。我们很期待有一个涌现的出现。如果运气好的话，参考当年从 2018 年到 2020 年也就两年的时间，可能我们离这个时刻已经很近了。
Christine：我非常同意 Jonathan 的观点，这肯定是分两个阶段爆发的。
我们在第一个阶段的确是做了一些深入到技术节点的思考。如果说第一阶段在技术上有了 GPT 时刻，它的标志是什么？我觉得可能是这个时候的具身智能机器人，已经拥有了长期动作链的泛化能力。
这就意味着，机器人可以直接通过语言和视觉接收到人类的直接指令，然后将它分解为一系列复杂的动作去完成它。
举个例子，比如说我现在说：「你去厨房拿个杯子，倒水，然后放回桌子上。」 这里面的整个能力其实是涉及到从 L0、L1 甚至有一些 L3 的能力在里面。这已经不是一个简单的脚本指令操作了，它是一个端到端的泛化。当这个能力出现的时候，我们就可以说非常接近、甚至是达到了 GPT 爆发的第一步。
第二步，我觉得是一个类似 ChatBot 甚至 iPhone 的时刻。它最实质性的标志是：在 C 端的使用量有了一个在产品上面的规模性爆发。
在机器人上会不会复制软件这种爆发规模？我觉得是有难度的，因为它毕竟是一个软件和一个软硬一体的东西，甚至要落到一个具体的使用场景里面去落地。但是我觉得另外一个可能我们可以去类比的模型是苹果手机。它一开始是慢的，但是一旦开始有了数据，甚至是使用场景建立起来了，它就会变得非常的快，然后它这个市场是非常的稳定且庞大的。
至于 「过热」 这个问题，我是从两个维度来看的。从产品或者 Demo 的实际能力 （比如 1X 的视频） 以及技术成熟度来讲，的确是不能和今天的估值做匹配的，现在的估值确实有些高。但是，如果我们是向前看，看这个未来的市场规模，那我们现在仅仅是开始了接近 「物理 AI」 的可能性，这个市场的潜力是巨大的。对于风险投资来讲，这种估值绝对是一个可消化的，也是一个必须提前占位的布局。
02 中美机器人故事：硅谷的 「大脑」 与深圳的 「身体」
一鸣：两位都是经常在中美两边跑，看过很多创业公司和上市公司。大家都在谈中美对比，无论在 AI 还是在机器人领域。在您看来，美国以特斯拉 Optimus、Figure、Pi 为代表的公司，跟中国像宇树、智元、优必选这些公司，它们在战略打法或者说一些核心优势上，有哪些异同？谁更领先？
邱谆：我们确实今年投国内的具身项目投得比较多，从二月份开始已经投了八九家了。因为我自己一直在硅谷，跟这边大部分的具身公司也都有交流。
严格来讲，我觉得两边在很多方面还是比较接近的。
不论中美，确实都有不少公司是偏融资属性、营销属性的打法。其实很多视频也是会有很多 CGI 或者加速在里面，或者用比较糙的办法，拍很多次通过一次这样，这是一类。当然也有潜心不停地发论文、很学院派的，可能很多时候是以论文取胜，会不断地有新的架构、模型能够跑出来。
中美的不同点，可能更多是在技术栈上面的切分。
美国肯定相对还是偏 「软」 一些，尤其是在大模型这一块。从基座模型 （Foundation Model） 去驱动具身模型的进步这一块，美国还是会领先的。不管是 Pi 也好、Skild AI 也好，包括李飞飞的公司，都带有很强的学院派色彩，强调从底层模型突破。
而从硬件的迭代上来说，中国是有巨大优势的。但我的观点是，最后肯定是要融合，两边还是要融合的。很多机器人通用基础模型的进步一定也会推动整个技术栈，包括硬件的进步。所以两边的交流我看还是很多的，国内会非常关注美国这边最新的模型进展，美国事实上在很多时候也是需要依赖国内供应链的更加成熟。
Christine：我完全同意 Jonathan 的看法。美国它肯定是先得要走通用的基础模型，在他们的认知里，硬件这个东西本身只是一个动作的物理载体。
但是在中国，因为今年我在中国完全是一个学习心态，我更多的是回中国去学习，看这个 「硬科技」 都已经发展到一个什么样的水平了。
这周我刚刚从深圳回来，走访了很多上下游企业，包括做硬件的、软件的、到做整机的。我听到最多的一句话，我觉得很有意思，就是说：产品在深圳这个地方，机器人硬件产品甚至可以一天迭代三次。
我觉得这个速度是在硅谷想都不敢想的一件事情。硅谷既没有胆量去做这件事情，也没有能力去做这件事情。
所以我觉得他们是各有所长。但是这个 「长」 最后怎么变成一个综合能力，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」，最终它落到场景的时候，应该怎么去融合？
在这件事情上，我觉得学得最好的其实还是特斯拉。毕竟埃隆·马斯克在上海超级工厂学习中国生产、学习了那么多年，他肯定是有所得的。他知道如何将极致的制造效率与顶尖的软件能力结合，所以特斯拉的确是目前为止做得最好的。
一鸣：其实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是能更出一些现成的结果的。在商业化应用上，你觉得是硬件公司会走得更往前一点，还是说两方面都得等互相的进展才行？
邱谆：最后一定是垂直整合 （Vertical Integration）。
当然商业化也分几种。第一种是短期的商业化，你手上有啥硬件，你就试图去卖，找短期的客户，这当然也算是商业化。但我们作为风险投资，看的是 Long Capital，是一个跨周期的、最后能够实现具身智能爆发性技术突破的商业化。
从这个角度讲，两边肯定还是要一起的。
美国它确实是需要供应链的推动。其实这个已经很多年了，美国从最近才开始说我要供应链回流，自己要有国产替代的供应链。但大概至少在十几二十年时间之内，其实还是严重依赖的。
其实十几年前，美国当时做智能硬件最有名的一个孵化器叫 Highway1，还有一个叫 PCH。他们每年或者每半年有一个批次，所有的十几二十个初创公司都得拉到中国去。当时其实华人创业者还不是很多，大部分是白人或者本地创业者，都被拉到华强北的一栋楼里面，必须在那边待上三个月。
为什么？因为他所有硬件的迭代都要求：我必须得能够下到楼下，能够买一个他要的零件，去调他新的硬件的架构，去买一个新的电阻、电容。要在美国，你就很难做到这一点。实际上直到今天，很多人还是在淘宝上下单，然后等着转一大圈物流配送到美国。确实，硬件迭代这个事情在美国是挺难的，这个确实会阻碍到它的商业化。
而在国内，虽然硬件供应链很强，但是我一直的一个观点叫 「软件定义、软件驱动」——如果你没有基座模型，没有 VLA 这种大模型的支持，你只靠供应链的进步也是无法实现充分的商业化的。
所以最后两边很可能还是一个互通、并驾齐驱，互相借鉴、互相融合。
Christine：中国现在在进入一个商业化的初期，但是结论其实是一样的。谁会进入规模化的商业化？现在很难讲。
中国的供应链、成本、场景、数据这个优势，我觉得最大的一个优势其实是场景和数据的开放性。
我举一个例子，有一家机器人公司在奔驰的产线上面做试点。他们的 Demo 是怎么做的？因为国外的产线数据非常敏感，所以它是在那个产线上做了一个小的黑屋，就像一个帐篷一样，就让这个机器人在这个小黑屋里面做一个复制性的动作。这就是美国的生产线或者生产场景，它对它的数据、对它执行的任务本身就是这么的敏感。
但是在中国没有这个问题。如果你有能力可以部署一万台这个机器人到我的产线上来干活，那我这个数据是可以开放给你用的，或者这是一个互帮互助的过程。所以那就说明了我们一直在说的数据、数据、数据，那它的数据飞轮是不是就会先于美国第一步开始？
因为我们也知道 OpenAI 最开始是想要做机器人的基模的，为什么做不下去？因为他拿不到数据，这是一个非常大的问题。
在美国的数据保护，其实对机器人具身数据的使用、收集都是非常的挫败。但是美国的能力确实是在于他们的软件、大模型能力这块。那就注定了他们从开始做这件事情的时候，他们就是以底层能力去定义机器人，就是用软件、用大模型能力去定义机器人，而不是说我要一步一步地商业化去挣钱，把它作为一个里程碑。
另外，说到商业化，我们要看市场在哪里。美国市场的 ROI（投资回报率） 的确对于机器人来讲是最高的。一旦它替代人了以后，它的市场价值以及它可以去商业化的场景，在物流，如果是 To C 端的话肯定就是养老的这些场景，它都是有大量的需求，并且付费力是非常强的。
03 投资逻辑大辩论：泛化能力是分水岭
一鸣：现在市场上有一类公司，可能它没有到泛化性的那种智能，它可能用一些原来的那种工业机器人，再结合一些智能化做了一些改进，也许在产线也能用，但这些公司也许它有现金流，也许它能在未来融到更多钱。另一类是讲究全栈、讲究泛化的具身智能。这两派，你觉得哪一派可能更现实一点，或者说更有可能能成功？
邱谆：我不觉得这是两派，这是两个完全不同的投资逻辑。
第一类，我们称之为 「先进制造」 或者 「智能硬件」。比如扫地机器人、协作机械臂、AGV。它们是专用设备，解决特定问题。你可以给它加芯片、跑控制算法去智能化，但它不需要训练那么大个模型，去搜集海量的人类数据。
第二类才是真正的 「具身智能」（Embodied AI）。具身其实应该是有一个比较清晰的定义的：具身一定是数据驱动的，而且具身大概率是人形的。
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。因为我们最后发现，不管你用什么样的数据，只要你到一定的数据量，大概率都是跟人相关的。不管你是用大量的互联网视频，还是遥操、动捕、示教，其实你会发现画面里都是个人在操作。
如果你只是一个机械臂，那你就不是具身了。
最后区分两者的一个很简单的方法就是：我看他要不要数据？
如果我是一个机械臂，我可以装摄像头，但我不需要那么多人类的数据去训练我这么大个模型，那我就是第一类。
第一类 「先进制造」 的结果其实还是个专用设备。在很多专用的场合，包括 AGV、协作机器人，它们解决的是专用问题。这类公司非常多，上市公司里就有，它们可以产生巨大的投资回报，但是它们的投资策略、逻辑和对团队的评估，和第二类是完全不一样的。
第二类具身智能，是最近这一两年，尤其 GPT 出来之后才有的。马斯克为什么能做 Optimus？也是因为他有大模型，他有 Grok、有 xAI，所以他才敢做这个事情。
做具身的人，一定不会做 「三个手臂」 的机器人。理论上讲，三个手臂肯定比两个手臂效率高，但为什么不做？唯一的原因就是：我无法去收集三个手臂的数据。我要遥操，我也找不到一个人能够同时控制三个手臂；我所有的视频训练数据里，都找不到三个手臂的人类。这是个很重要的点。
所以，这是两个不同的赛道。先进制造也能成功，但它不具备具身智能那种通过海量数据训练出的泛化能力。
04 先投 「上半身」（大脑/灵巧手）还是 「下半身」（运动控制）
一鸣：这其实也带来了一个很有趣的投资思路上的分阶段。我记得去年行业里还有些讨论，说我们应该是先投 「上半身」（包括灵巧手、视觉，解决灵巧性问题），还是投资 「下半身」（运动控制，也就是投腿和底盘）？您觉得在不同的年份，可能在今年也许更关注哪一个方向？
邱谆：我刚才提到一个词叫 「垂直整合」（Vertical Integration），通俗点说就是全身。
我其实不觉得具身是一个能分成上半身、下半身或者是个腰、腿的。我觉得最后其实都是全身。当然可能最后是个大脑驱动的事，小脑这些都是为大脑服务的。或者我们说技术一点，其实还是一个软件定义、软件驱动的概念，最后还是所有的这些算法和数据决定了这个事情能不能做出来。
具身这个事情是能做出来还是不能做出来，关键在于所谓 「大脑」，就是基座模型的研发。所以理论上来讲，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。比如有的团队偏控制算法 （小脑），但他现在也得找人训练 VLA，把视觉语言融进来，做成端到端。
如果你只做下半身，那大概率你会变成一个硬件的供应链。这也没有问题，但如果上层的软件定义的逻辑变了——因为它定义你嘛——如果它定义你最后把你定义出去了，那你可能就出局了。就是说你的这个腿到底是怎么做的？其实你要很紧密地跟随着技术栈的上层，最后还是做大脑这一层去。
一鸣：从商业价值上，像宇树在 2023 年之前，其实它的估值一直是上不去的，可能只有智元的一半都不到。但智元因为它是讲了一个更全栈、更偏软件更强的故事，所以它整体估值一下子涨得很猛。
邱谆：没错。商业价值而言，宇树是不小的。但宇树的一个风险就是说，一旦技术栈发生变化了——当然它好在现在都是科研——但如果下游客户都商业化之后，发现原来的方案不行，它还能不能继续出货量产？这个还没有被完全证实。
就是有可能最后技术路线大家都用你做科研，最后科研完了之后发现其实应该用另外一种方案。所以我认为，大而全也未必是正确的，还是要找一个很清晰的切入点，比如你有一个很强的 VLA 算法，或者端到端的解决方案。
Christine：我们是做早期投资，所以对于早期我们现在来讲的话，我一定是关注大脑，甚至运动算法都只是为大脑而做辅助的。这个事情是非常非常明确的。如果分成上半身、下半身，我们一定是上半身。
我最近关注的公司基本上一个是大脑、端到端的算法，然后数据的获取。大家都在找一个切入口。但是我觉得大脑从它的基模感知到规划，其实感知到规划已经是机器人的 L2 定义了，都没太有人真正地做好这件事。Optimus 秀了一个 Demo，但其他的我觉得还没有真正做好。
另外一个就是它的手，手的灵巧性。我们现在也在关注手它现版的上下游的成熟度，因为指头也是大脑在控制，所以这块操控也是一个从软件到硬件的一整个能力，我们也是在关注的。
05 没有触觉数据，机器人学不会灵巧性？
一鸣：机器人先驱 Rodney Brooks 最近有一篇论文，观点很犀利。他觉得现阶段的机器人是很难真正学会灵巧性和泛化性的。他的核心论点在于：我们现在都在靠视觉数据来做，但其实人体触觉数据非常重要，而触觉数据现在几乎是零。所以他也觉得这一波的所谓的泛化性是很难在短期内实现的。您怎么看这个风险？
邱谆：这个可能是泡沫风险的一部分。但对于早期投资来说，我们就是冒险，其实有风险的地方就有冒险。
我其实非常同意他那篇论文里面说的所有的观点，但这恰恰就是冒险，就是现在想解决的这些问题。
事实上我们不仅是触觉，所有这些力反馈、变形、人类具有的这些传感器的信息，其实都是缺乏的。但是，现实上最后能够实现的这个方案，不会是完全仿生的一种方案，它一定会走一些捷径。就像当年做飞机的时候，人们发现不是把鸟的翅膀的所有的动作全都能够模仿了之后才能飞，那不然当时可能会说飞机永远是造不出来的。但事实上你最后会发现你能走一些捷径。
就比如说现在 VLA 的一个核心点就是：我最后输出的还是 Token，我还是做下一个 Token 预测。虽然它跟人是很不一样的，但核心点就是说你要怎么样去搜到大量的数据。
我觉得触觉是一个挺难的点，因为历史上也没有这些数据。VLA 的好处是视觉 （V） 和语言 （L） 都是有的，互联网上有大量数据。如果数据要从 0 开始，这确实比较难。
但我还是觉得，现在的具身，最后就是把你已经有的这些数据能够灌到一个模型里面。为什么我们在等 GPT-3 时刻？只要有了这一堆数据，能够训练出来一个规模至少是不错的一个模型出来，这个时刻到了就行了，不用太纠结一定要有触觉数据。如果纠结这个事情上，我觉得 GPT 可能当年就出不来了。
Christine：我看下来觉得 Brooks 其实讲了三个比较重要的问题：第一是数据的成本太高；第二是数据的结构太稀缺 （尤其是触觉）；第三是模型的形态还不到。
但是说机器人还是最终学不会吗？我觉得不是这样子的。这只能说是今天的实际困境，但他不能预测未来一定会卡在这里。
06 数据冷启动的困局，远程操控是 「造假」 还是 「特洛伊木马」？
一鸣：这就回到了我们开头的 1X Neo 机器人。它进入家庭却依赖远程操控，被质疑是 「假智能」。但这是否也是一种数据收集的策略？通过这种手段先进入家庭，收集数据，然后再迭代？
邱谆：这就是最经典的 「数据冷启动」 问题 （Data Bootstrapping）。你没有数据，所以你的效果不好；效果不好就没有人用；没人用你就更没数据。这是一个死循环。
1X 想从这突破，其实大方向我是认可的。这就像自动驾驶早期的影子模式。
但事实上，很多自动驾驶公司到今天也没有真正突破。唯独有一家多少算是突破了，就是特斯拉。但是，特斯拉是卖车的。首先很多人买它的车不是说我就为了用你 FSD，我就是买一辆很牛的电车。所以你先得有一个 「特洛伊木马」，你总得先有一个东西能进到他家里去。
我觉得对 1X，它难的点就是说它现在还没有一个 「车」 这么一个东西。它一上来就跳到了 FSD 了相当于。特斯拉是经过了至少两个阶段，第一阶段我先卖车，第二阶段再升级 FSD。如果你能做到这一点，我觉得是有可能的。
但是，如果第一天就买一个说会自动驾驶的汽车，但这车本身没什么用，而且还需要家里有个摄像头实时被人盯着——这在 C 端太难以想象了。
Christine：其实我对 1X 这次出这个 Neo 机器人也是持有一定的保留意见的。我的一个最核心的问题就是说：你有没有足够的数据去支撑它是可以和人共处的？
参考自动驾驶的逻辑，安全是一个渐进的状态。你要证明你的驾驶记录到底有多少人工接管，中间至少花了三四年的时间去监督这个车。有了足够的数据累积了以后，才会跟监管说我可以做无人驾驶了。
那么最后机器人和人的互动，怎么样才能够界定这个安全的边界？如果 1X 直接推向 C 端家庭，这是一定要去做的一件事情。现在落地肯定会先落到 B 端，在一个更结构化的环境里面，风险性更可控，建立安全记录。
一鸣：所以 1X 那个 Neo 实际销量怎么样？
邱谆：我没有数据，但我很怀疑，非常怀疑。至少 C 端我觉得太难以想象了。这不仅仅是隐私问题，它是实时就得有个人在后面盯着你，这已经把隐私推到另外一个层面了。
07 真实的商业化落地：谁在买单？
一鸣：Christine，你最近去深圳调研，像智元跟比亚迪也有合作。你觉得具体的无论小 B 还是大 B，或者工厂这种场景，你有看到什么好的实际落地的应用？之前很多演示都有 「拧螺丝」 这个环节，这有意义吗？
Christine：拧螺丝我认为可以通过自动化专用设备来完成，不一定非要具身智能。
但是，目前确实有一些场景在尝试。我觉得工业场景肯定是非常有意义的，然后零售场景也是很有意义的。因为在美国和日本，零售场景对于上货、下货以及点货、理货，是有真实需求的。
现在的状态是，大家都在尝试，但能力还没有到。现在全部都是演示阶段，且是一个不稳定的演示，故障率很高。
我在亚马逊那里看到一个场景：翻箱子。这个动作目前应该是亚马逊在物流上用人形机器人在做。
一鸣：翻箱子是为了什么？
Christine：为了贴标签和扫描条形码。它需要必须某一面是朝上的，但箱子进来时不一定完全是那样的，所以就让机器人来翻箱子，依靠视觉判断条形码位置。
一鸣：这听起来跟具身好像也没什么关联，更像个专用设备？
邱谆：拧螺丝我可以补充一下。很多工厂里的拧螺丝，如果位置固定，用专用设备确实可以做。但是很多车厂的拧螺丝其实是需要很强的泛化能力的。因为它那个螺丝的位置、松紧度其实是挺不确定的。
现在哪一家具身说已经把拧螺丝解决了？我感觉好像还没有。这个场景可能他们还是得做。但是这个场景怎么选？现在就是冷启动的问题，你没有拧螺丝的数据。现在很多公司让工人戴着动捕设备、或者用遥操去收集数据。大家确实比较看好这个场景，比亚迪这些车厂也有需求，但目前还在收数据和训练的过程中。
我觉得像 Figure 这种也不一定真正的能够实现。
Optimus 机器人 图片来源：Tesla / X
一鸣：物流场景需要泛化能力的机器人吗？
邱谆：事实上，工业场景和仓储物流的自动化已经做得挺充分了。传送带、AGV 都很成熟。但是你会发现中间还是需要人。
这个点就是具身想做的事情。自动化已经做了很多，但直到今天，在很多的环节里面还是需要一个人在那个地方做。新的需求就是希望能代替这个人，这就对泛化能力要求很高了。
Christine：对，这个倒让我想起来了一个案子。我也是在富士康的工厂里面看到的，在他们的物流中心，其实他的内仓库是 100% 自动化的，但是他外仓库的话永远会占两到三个人。他们要负责抽箱、检查、盖箱、封箱。其实他们是非常希望用具身智能来解决这个问题的，这就是非结构化场景的机会。
08 硬件的未来：机器人产业链会像手机一样 「模块化」 吗？
一鸣：我们看到现在机器人有很多核心零部件，比如减速器、灵巧手。目前这个供应链的成熟度如何？未来硬件有没有可能像智能手机产业链那样，大家买个胳膊、买个腿，就能很容易攒出一台机器人？
邱谆：先说一下我的观点：虽然我们在看硬件，其实还是软件定义的这个概念。
硬件一定会进步，但硬件的进步往往是线性的，你很难一下指望它有一个指数性的大的爆发。其实我们今天看减速器或者电机，跟多少年前并没有极其巨大的实质性突破。
最后大部分时候是出现一个什么情况呢？软件会说：无论什么硬件，只要有的，我的算法刚好就能用上。
软件定义的一个核心点就是说：我的突破是尽量去靠软件实现的，我甚至可以把硬件做得很 down（低配），甚至有个词叫 「现货供应」（COTS），我就买这种最一般的硬件，我也能把这个事情搭出来。
实话说，我们今天看的激光雷达，跟最早那个 Velodyne 相比，其实原理没变。但为什么当年不行？就是因为现在的软件算法突然能把你的传感器数据用上了，能够进到训练流程里了，这下把你推起来了。
所以，不要太指望硬件本身有巨大的迭代。今天的大模型基本上是在现有的 「乐高积木」 上去搭。你要突然发明一个新的硬件，它要经过整个量产的周期，其实这个时间成本也是比较长的。
Christine：我大概是分三步来看这件事情的：
第一个是供应链。我同意 Jonathan 的点，其实它是已经存在的一个行业，只是我们在做一个重新整合。
第二个点其实就来到了整合，和机器人公司对硬件的设计定义。我觉得现在这个设计其实还没有完全迭代成为我们最终看到的版本。包括其实我今年上半年听说 Optimus 在硬件设计上的确是有一些短板的，所以它年中推翻了，现在重新设计。所以硬件的设计和定义可能还会进行很快速度的演变。
第三步，最重要的智力 （大脑） 其实跟本体也是相关的。这是一个互相依靠的关系。做出来的大脑，你要有一个非常可靠的硬件才可以。现在的返修率还很高，下一步其实就是怎么把一个人形机器人做到够坚固、够有鲁棒性。我觉得明年可能会有更好的一个硬件迭代。
一鸣：如果软件统治一切，那投资逻辑是不是应该满仓特斯拉？
Christine：我觉得它有两个绝对的壁垒：第一个软件它是绝对的壁垒，第二个壁垒我认为其实是整合能力。软硬整合、技术到产品落地整合、应用场景整合。这也是为什么特斯拉目前看来最强，因为它是 Vertical Integrated（垂直整合）。
邱谆：确实。不过如果我们非常看重软件，其实 Google 在这方面倒不一定比不过特斯拉。因为对具身来说，更重要的还是基模这一块。Google 从 DeepMind 到 Gemini 的积累是非常深厚的。如果真的是软件能够决定一切的话，Google 可能会有优势；但是如果最后还是靠垂直整合的话，那特斯拉是有优势。这有两面性。
09 大胆预测未来 5 年的机器人世界
一鸣：最后我们做一个大胆的预测。我们离机器人真正进家庭、帮人类干活，还有多远？
邱谆：预测越远越不准。如果看 5 年：
现在我们处于 「BERT 时刻」。大概 2-3 年后，我们应该会看到机器人的 「GPT-3 时刻」。也就是说，我们能看到今天的这么多的具身数据，能够出现一个涌现的状态，能够训练出来一个收敛的模型了。
然后再过个 2-3 年 （即 5 年后），可能会迎来机器人的 「ChatGPT 时刻」。
但这不代表机器人满街跑。因为大家看一下今天的 ChatGPT，直到今天它也并不是说应用满大街爆发的，实话说真正的一个杀手级应用可能还是 ChatGPT 自己。
很有可能五年以后，我们看到第一个实际的、泛化的应用场景出现，机器人让大家能够接受它了，它的执行准确率和安全性让你开始用了。我觉得可能五年后能到这一点。
就真的你要等到它能够比较安全、便宜、进到你家里头，那可能真的还要再过蛮久的时间。
Christine：我同意。采用曲线一定是：第一个肯定是到 ToB 的生产场景里面，非常结构化的环境。
第二个我觉得它应该是到餐厅里面去，可以做一些细碎的工作，但还是在 B 端，在人控制的半结构化场景。
最后人们开始跟它接触了以后才会对它产生信任感，然后才会说到 C 端家庭。
我最近可能在往机器人方向看得多一点的是 「世界模型」 这个方向。通过游戏或模拟环境，让用户互动来标注数据，这可能是解决数据稀缺的一个新颖路径。我觉得明年世界模型会有一个比较明确的收敛方向。
