Transcription
Hello 大家好。我是小珺。我一直有一个疑惑，为什么中国具身智能产业里没有出现一个像梁文锋、杨植麟这样带着浓重的技术浪漫主义色彩的人？这让我有时候有点失落。
直到我认识了高继扬。他似乎是这种极致的浪漫主义的反面，代表了一种极致的效率、工程拆解与实用主义。这次访谈录制的时候，正好是星海图的一位联合创始人许华哲即将离职。这也许是某种信号。高继扬告诉我，做机器人行业就是一个链条极长的行业，有时候你就是要把你的头伸到土里去。
那接下来，就是我对星海图创始人高继扬的访谈。
Hello，继扬。你的实际年龄好像比你真实看起来要年轻很多。我之前一直默认你是80后，直到我们见面之前，我看你资料才发现你是92的。所以你是经历了什么同龄人没有经历过的事情吗？
你说的这个实际年龄指的是，指的是看上去比其实要老一些，是吗？还是怎么样？
对，看上去比实际生理年龄要老一些。我觉得这可能是也跟创业有关系。创业确实需要一个人更早地进入到一个，我觉得成熟的状态，并且在各方面的，因为每天可能需要跟不同类型的人打交道，需要这个人整体是一个比较复合的状态。我觉得可能跟创业有关系，再加上我这个面相本身就偏老一些吧。
你是个什么样的小孩？从小，你怎么长大的？
小时候我觉得比较正常。小学的时候学习成绩还可以，然后呢，可能前几名，前五名，但也不是那个最好的。
年级前五？
不是，班级前五或者前十的样子。我那小学也不是特别好的小学，就正常好。
正常好的小学？
对，我是河北石家庄人，就是个正常的小学。反正就正常上学。小学的时候学过一段时间的，就是那个时候反正都上什么奥赛啊，数学奥林匹克嘛，然后学了一段时间，但其实学的也不是特别好。所以其实我的小学还过得比较轻松吧，就是后来也就不学那些了，就正常上课。
等到了六年级的时候，就是突然发现还是得考虑初中的问题。当时父母也比较，就是开始关注这个问题了。
五年级，六年级的时候？
那个时候努力了一段时间，尤其是我记得六年级的暑假，这个是我第一次用功。
对，六年级的暑假不都毕业了吗？
对，因为我要准备，就是初一的分班考试，就想上那个重点班，而不是普通班。对，我觉得是我考试生涯当中第一次还不错，应该是当时考了年级第三名。后来就初一初二，就又比较正常吧，比较普通。到初三那会又开始好好学习，就初一初二，反正成绩也还行吧，就几十名，年级几十名的样子。
你在石家庄哪个学校？
初中是二十七中，小学是裕东小学。我的高中还不错，高中我们是，我是那个石家庄二中，然后是那个省理科实验班。也正是因为考上这个班了，所以后面才有机会学这个竞赛。我是学物理竞赛嘛。
你是高中才竞赛的？
对，我是从高中开始学物理竞赛。学物理竞赛，当时也是尝试学了一下其他几门，发现这个还是物理竞赛，感觉学的明白一些。所以高一高二就是在学物理竞赛，就正常的文化课。我们那学校就是这样，就是你要是选择物理竞赛，正常的那个课程就可以少上一些。所以我就后来就是没有高考，就是竞赛，物理竞赛保送上清华。大概就是这样。
你是竞赛的能力很强，是有天赋吗？
我觉得不是。我觉得我见过真正有天赋的人，跟真正有天赋的人比，我觉得我主要是靠勤奋，靠努力。物理竞赛其实也，我觉得我也不笨啊，首先。但确实是有的时候，解题这方面的，有些同学就是能够想到那个解法，我可能就是想不到。那我的办法，反正就是说，所以从那时候开始练就归纳总结，然后把不同的这个题型，对吧，能映射到什么样的考点，开始归纳，然后就是靠勤奋。
所以其实我最后，我就当时我运气也不错。因为那个物理竞赛它是这样，它是省一等奖的话，你就有保送资格。但是呢，你得参加那个当时叫保送生考试。那保送生考试又要把什么数学，什么英语，语文这些全考一遍。然后我就比较幸运，就正好进了省队，然后进了省队之后去参加全国赛。
在全国赛也不是特别好，就是不是全国一等奖，我正好全国二等奖。然后那年清华反正全国二等奖，也是让你可以挑专业的。当时我们那年是在厦门，当时我记得2010年的11月份，应该是2010年11月份。当时在厦门考了两三天，然后考试的最后一天，我现在都还记得那个清华招生的老师。因为大家都在一个宾馆里面住着，然后他就直接给宾馆那个房间打电话，说通知你们这房间里边，谁谁谁去哪个房间。当时就我被通知到了。然后一去那边，就可能有几十个人在那边排着队，然后排队干什么呢？就是问你俩问题。那个，你现在反正有这个机会，你那个要不要上清华？要上清华，你先选专业。当时我就是选了那个电子工程，电子系。就这样。
为什么当时选这个专业？你当时对它有什么认知吗？
当时就是觉得做芯片这个事，是可能是有前途的。所以当时去电子系，因为电子系是做芯片的，那个集成电路，所以就往这个方向。但当时其实也没有特别好的思考，但是知道这个东西应该是有前途的。方向没问题，然后这个我就写了电子系。电子系也是，也没错，也是清华很好的系，清华第一大系。可能姚班可能更好一些，对人的这个要求会更高一些。电子系其实，计算机系也都还挺不错的了。
你当时属于是很勤奋的，你有多勤奋？你是显著比其他人更勤奋？
我是当我发现我需要勤奋的时候，我是非常勤奋的。当不需要的时候，对，我也不是很勤奋。所以，我感觉你的人生好像是，你意识到这个时间段对你很重要，你就会突击一下。你意识到这一段可能我轻松也没事，你也会放轻松。所以你是一段一段的？
是吧？对，至少我觉得上大学之前吧，是这样的。其实上大学之后也有过这样的，但是大学毕业之后，我觉得我就是变了一个状态，就是一直就保持比较勤奋的状态了。
为什么呢？
目标感更强了吧。我觉得上大学那会，刚上大学其实就开始想，就是说未来要干点啥。然后我忘了是什么，大二还是大三吧，反正想好就是还是要创业。
那时候就确定你觉得要创业？
对，对。那时候我就想好是要创业。
你那时候怎么看当时的创业环境？你当时有试水什么东西吗？
没有。当时是参加过一些，就是学校里边的什么科创的什么比赛，挑战杯什么之类的。是那种就是科创类的竞赛，就是，反正你有一个好的想法，然后你把它实现出来，就是科创类的。但是没有做什么，就是可能事实上创业的这个动作。当时我上大学那会，是2011年到15年这个时间段，就发现就是那会最火的就是移动互联网这块。我记得就是15年那会就是外卖，然后之前是11年那会，可能是校内网，然后中间有一些什么，那个打车之类的。对，后面就是共享单车到16年，17年。
对，对，对。
是的，是的。
但我也感觉就是这事好，挺厉害的，但我觉得跟我好像没啥关系。
那时候就隐约感觉到这个，这是大机会，但是跟我没关系？
为什么跟你没关系啊？
我太年轻了，我这个啥也不懂，啥也不会。现在做这件事的人都是可能20多岁，30来岁的人，可能是现在的，就当时的那波主力的创业者嘛。那时候最红的创业者，90后创业者是戴威（ofo创始人兼CEO）。
16，17年了？
是的，对，对。当时就开始读博了。我记得我读本科那会，主要就是王兴（美团创始人兼CEO），兴哥，还有程维（滴滴创始人兼CEO），就是他们这一拨。对，我就感觉这个应该不是我的机会。
你觉得不一样，在哪里？
我觉得就还是一代人，肯定有一代人的机会。对，人家累积了之前学了很多东西，也做了很多事，所以到这个机会出现的时候，就是他的机会轮到他了。但是我觉得我们，其实我就那时候也就是个大学生，啥也不懂，啥也不会。那肯定我这个想干也没法干呀，也不可能，我不可能赢，不可能拿到这个机会。
所以当时就开始去想，就是说那创业到底做什么。然后很巧，大四的时候，其实我大三的时候选专业嘛，我就选到那个微纳电子。还是秉承着想做集成电路的这个什么初心，然后去选到微纳电子了。
那是选专业，不是换专业，是吧？
不是，对。它是电子系是这样，它是说到那个大三的时候，你可以选一个方向。然后我当时就选微纳电子。选完之后发现这个天天学那些，那个就是跟物理很多，物理，材料，固体物理什么之类的，就感觉学的不是很带劲，然后死记硬背的东西特别多。我都发现。同时我也感觉这事拿芯片创业，那时候还没有国产替代的这一波，我就感觉拿芯片创业又看不到路径。
所以很巧，就是那个，你那时候还是想要创业的？
想，对，是想的。对。
然后也很巧，就大四那会，正好有一个机会，就是当时商汤，汤老师在学校有一个小范围的交流。汤晓鸥老师（商汤创始人）。汤老师。然后我就是有机会去跟汤老师交流了一下，然后就知道做深度学习。那是我第一次知道深度学习。之前只是就听说过Deep Learning（深度学习）。对，这是我第一次好好的去认知这个概念。然后那个汤老师也特别好，就是给了我一个实习的机会。我啥也不会，那时候啊，就是从来没训过神经网络，什么也没有。对，然后我就大四的那个，大四的应该是12月份吧，2015年的年初，2014年底我就去商汤开始实习。训第一个神经网络，就是开始接触AI，相当于是。
当时这个吸引你的是什么呢？既然你都没有接触过，为什么汤老师说了你马上就去了？
对，对，对。这之前还有一个事，就是大三暑假的时候，其实我是有一个机会，就是说去那个，当时斯坦福有一个暑期实习的项目叫UGVR（本科生访问研究项目）。然后我就去那边去实习了。但当时去实习的时候还不是做的AI这个方向，做的一些什么图像，医疗什么之类的。对，也挺杂的。做完之后，那个不知道为什么，到现在我也不知道为什么，那老师反正没给我写强推。然后就导致我想上的学校，就是反正他给我写推荐信的都没上去。最后当时就是有几个我没让他写的，因为我觉得这些学校应该都很轻松很随意的，包括USC（南加州大学），UCSD（加州大学圣迭戈分校），还有一两个，反正就最后只有这几个没让他写的，然后给了我Offer（录取通知）。
当时那段时间也是一个算是小打击吧，低谷期？
对，是个小打击。然后当时就开始反思，就反思我这哪做错了。然后也看了很多书，我一直也比较喜欢看书。
看什么书？
尤其喜欢看历史。那段时间我就是，反正看了很多，但是，我记得住的，现在记得住的就是看到曾国藩。曾国藩，就是讲曾国藩这个从20多岁是一个儒家清流，怎么到40岁变成一个，就是特别有事功的一个人。就是他特别会在这个现实世界当中去带领一个大的团队，而且当那个时候的困难也很多，他一个汉人在这个清朝末年，然后抵抗太平天国，就在这个，然后去这个建立军队，他训练军队，一个文人出身的，他要去训练军队。那他怎么从一个儒家清流变成了一个这样的一个人？然后他当时自己的一个，当时也是那本书对他的一个描述，他的一个顿悟就是说，他发现最重要的还是当你要做一件事的时候，你到底能有，能拉动多少资源，有多少人，多少资源愿意跟你一块去做这件事，并且最后把这事做成。他发现这件事是最重要的。
你当时是申请学校不如意，为什么去看管理，怎么调动军队？
不，不，不。其实是因为我大概有这样的一个习惯，就是从很小的时候就是这样，就是有一些比如说不顺利，对吧，我反思。但反思我得需要那个思考的来源，养料。然后我就是看书，反正就是看传记，看历史，就乱七八糟看。然后就是通过看别人在可能一些困难，一些什么的，给自己来点灵感，来点灵感。所以那时候也就刚好看到他，我就发现这事值得参考，值得参考就是说，虽然我这件事没做好，失败了，就像他发现他这个儒家清流这条路走不下去了。但是他还是就说能够去建立另外一个轨迹，这轨迹就说我要去，真正的去在这个现实世界当中去做事，去拿到结果。这事很重要。然后我就觉得，哎，这跟我的想的其实是一样的。我因为我本来就想创业嘛，只不过可能那我在学校这条路上，确实去不了最好的学校了。那也相当于儒家清流做不了了，对吧？那我能干点啥？那我就觉得，那我要去真正地从底层思考，我未来到底要做什么，以及我要为做这件事做什么准备。
所以，我当时也就是系统性的开始看各种各样的方向。然后看到汤老师给我的这个机会，然后我觉得这事好，这事应该是有前途的。然后我就去尝试一下。而且一去我就训练了这个神经网络，我发现，哇，这个事，真是太有魔力了。因为我就发现这个计算机可以从数据当中自己提炼规律。那你说我们编程序，因为我大学也编程序嘛，编程序干啥？编程序很多时候就是人提炼规律，提炼规律写成一些规则语句，if else什么之类的。现在不用人了，就机器学习，神经网络，自己从数据当中提炼规律。它把这些规律里边的所谓的if else变成了自己神经网络当中的参数。这个过程全都是自动的。哎，我觉得这事太强了，太牛了，我得做这个。
然后当时我觉得人未来应该不太会用，就很少会用编程了。我现在都很记得，就当时那场景是我有一天从那个实习那地方出来，那个实习地方创业大厦，就在清华科技园里面的一栋楼。然后我就在想，当时训练完这个神经网络的一些感受，然后骑着自行车，突然就是想到这个，我说感觉这以后这个神经网络可以代替人在数据当中发现规律。这个事太牛了，我以后得做这个。所以那个时候我就想好，我就一定要做这个事了。所以这是我怎么就是开始做AI的。也是那个时候，其实就是我特别感谢，我到现在我都特别感谢，就是商汤的这种文化，其实给了我们这种就是从来没有接触过的，还有学校里没接触过的人，人家给你一个机会可以去学习。
你在商汤多久？
小半年，四五个月可能只有。
汤老师同时Offer了几个人这样的机会？
当时我汤老师肯定是跟大概当时十几个人，然后这十几个人，反正汤老师都是比较Open（开放）的，想来都可以来。我就比较主动嘛，然后我去了。当时我是跟着那个李诚，鲁叔去做的。当时我还记得我当时做的叫Pose Estimation（姿态估计），就是预测人的这些，这个肩膀，胳膊肘这些关节点，就做了这么一个。
后来，看这个工作本身，我当时我也没做出啥，但是我的一个，就是开始做AI的起点。
所以其实复盘你从小到大的这个成长轨迹，第一个重要的节点是六年级到初中的时候，就是你第一次发现，我可能在考试上是有天赋的，因为我通过很短的时间就拿到了年级前三的结果。
第二次一个很重要的点是，你觉得从大学申请博士学校不是足够好，然后让你转向了你觉得可能学术这条路不适合我，转向那条更现实的路，是吗？
对。
我觉得上清华那个当时保送上清华也很重要。我就觉得这个，因为我其实高中的时候我从来没想过我能上清华，从来没想过，从来没想过。它不是一个目标是吗？
我觉得我很难上，高考我不可能，我的那个语文和英语都不太好。
有多不好？
多不好。哎呀，多不好。对。想起有一次考试，就是我一卷就语文是一卷，二卷，一卷就是什么那个阅读理解之类的，二卷是作文。一卷二卷的分加起来可能跟考的比较好的一卷的分一样高。就是满分可能150，我两个加起来就100来分。OK。然后别人一卷可能就90多分。
对。
物理竞赛对你很重要？
很重要。我觉得当时，我就想就是物理竞赛要考不上清华，我就高考呗。高考我就说那我能上个四川大学，厦门大学这样的，我都已经挺开心的了。所以其实我觉得上清华那个是挺重要的。他就是当时我虽然没有这目标，但是我确实是很勤奋。可能别人就刷题嘛，那时候就刷题，然后别人刷一遍题我刷两遍，别人刷两遍的，我刷四遍，就这样。然后总结归纳，因为我觉得其实我过去考试也好，就是应付这些东西，我主要的方法论就是归纳总结，勤奋，就这些东西。
上大学之后的那次小打击，我觉得是，我觉得让我更，就是我从来也没有想过走学术的这条路线，但让我从更底层的去有一个机会去想我，我应该去怎么选方向，然后我应该怎么去推进，我想去做的这件事。我应该把什么当成目标，而不是把一些表面的东西当成目标。
在当时清华，是不是杨植麟（Kimi创始人兼CEO）也是你们同学？他是一个什么样的人？
他就是高不可攀的大神，真的。就是他一直都很厉害。他应该也是接近特奖的一个。我其实在清华里边也我觉得也比较普通，就是年级在电子系就是大神也很多，我也就是Top（顶尖），谈不上Top，可能百分之三四十成绩大概就是这样。然后植麟那一直都是很厉害的。我觉得他本科时候就已经做了特别棒的工作了。
他的厉害是来自于什么呀？是天赋？
我觉得是天才。我觉得确实，清华里边就是说，上清华之后就是更让自己见识到什么叫真正的天赋了。就是学物理竞赛的时候已经见识到天赋了，就是我们学校有几个最后他们拿全国一等奖那几个，我觉得真的是天赋，就是人家做一遍就会了，我反正就是搞不明白。对，然后上清华之后更是这样。我们那一届，我们系我们班有一个韩神，韩衍隽，他就是更神。就是就是他写的作业，我看他写的作业我就想学习一下，我都看不太懂，我得换一个人作业抄一下，或者是参考一下。我确实就是当时就感觉到，就是这个清华里边真的大神太多了。所以我在清华里边就是学到了，就还是要谦虚吧，要低调哈。对，因为确实是天外有天，人外有人。
那个像植麟呐，像韩衍隽，我都是我觉得那一届里边最杰出的学生了。
植麟是你一届的吗？
是一届的，他也是11级的。对，对，对。
你大二，头发白了是为啥？
这个也其实也不知道，有可能是当时那个，我比较喜欢搞科创，就是参加挑战杯。然后挑战杯，反正当时那还行，就是学校里边拿了一个一等奖。然后弄完了挑战杯，有一天我发现，哎，就是这个位置，有几根白头发了。我说可能是累的。然后我也就没管他了，后来反正就逐渐就是越来越多了，就这样了。
所以好多人都觉得这个继扬你是不是染的？
其实不是染的，就是自然白的。
你后来就没有动过？
没管。
我发现杨植麟跟你是有那个轨迹交错的。那你在商汤实习的时候，闫俊杰（MiniMax创始人兼CEO）当时在吗？
我跟他不是很熟。当时就是我的直接的Mentor（导师）是鲁叔。然后的话，当时我是认识了曹旭东（Momenta创始人兼CEO）。旭东。这也是后来我去Momenta的原因之一。
他们当时在商汤是一个什么状态啊？
旭东当时在商汤应该已经是，就是核心的技术Leader之一了。当时做就是人脸这块。因为当时我就是个小实习生，其实跟人家也没有特别多的直接的这个交流。但是感觉到就是说，当时的那一拨人其实都很强。而且他们不仅仅是说学术上有自己的造诣，而且是在工程和产品化上面也很强，带团队组织管理上面都很强。他不是那种纯学术型的。
其实我也是，当时有这个认知。所以后来回国的时候跟旭东聊的比较愉快。所以后来回国的时候跟旭东聊的比较愉快。后来去美国，因为他做自动驾驶，我在Waymo也做自动驾驶嘛，就更熟了，有更多的共同语言了。
后来你博士是为什么选择了CV（Computer Vision，计算机视觉）这个方向？
是在商汤实习完之后，你开始？
对，对，对。就是，在商汤实习的时候就做CV。当时我也是想好去USC（南加州大学），那我就做这个方向。如果要是找不到合适的实验室或者老师带我的话，我就Quit（退出），就不读了。啊，但是很幸运，反正到那之后，我就到那之前我就开始看，我这个能找哪些学长，然后能联系一下。当时就找了那个孙晨，晨哥。然后提前就联系他。他是清华七字班的，现在在那个布朗大学做教授。后来我就通过晨哥，孙晨，然后进到Ram Nevatia的实验室，然后就开始做这事。
为什么三年半毕业？
这也有归纳总结吧。
归纳总结，这是你人生重要的杀器。
首先我觉得就是，当时我先给自己定一个目标。就我觉得既然我已经想好，未来我要创业，我要进入产业界。那读博士其实我是一个阶段，他是为了完成我的某些训练。而这个训练完成的时间肯定是越快越好的。那所以我就想，那我能不能四年毕业？可能正常在美国读博士五年，有的可能甚至六年。那我给自己定目标，我说四年。四年毕业你就得，你就得推导一下，四年。你又不想水水的毕业，水水的毕业老师也不会让你走人嘛。所以你就要四年做到可能一个不错的水平。
那当时我就想，我就看了一下，大概可能4-5篇顶会（顶级会议论文）。就是顶会，我们这个领域顶会就是CVPR（计算机视觉与模式识别会议），ICCV（计算机视觉国际大会）这样的。4-5篇顶会。然后那你要想四年的时候发到4-5篇顶会，你就得排这个时间表。第一年就要开始发。对，第一年就要开始做。第一年就博士一年级结束的时候，你就要肯定要投出去。因为CVPR是每年年底截稿，就是截止那个投稿日。所以你就要提前去做这些这个安排了。就大概，反正就先选好这个方向，然后在这个方向里边，就按照这个Schedule（时间表）去发。
当时我发现我的Idea（想法）可能比我的事实能干活的带宽要多。所以我就尝试着说，那我能不能跟就是我们实验室的其他的同学一起去发？所以我当时就有就是会把一些Idea分享出来，然后的话我们共同一作，这么着去发。
让他们干活？
是吧？也不是。大家一起干活，但是我可能会，就是说会有提升命中率，会有些Idea出来，然后就是把大家没有充分发挥的时间发挥出来。这么着的话就大家都好。所以到三年的时候我就发现我攒的差不多了。当时正好也有几个师兄要毕业，然后我就跟老板一块提了。我们那老板70多岁的一个印度老头，特别好，那特别Nice（友善）。他也知道我的志向，他也知道我在实验室里边确实是做的还行，给他也做了一些贡献。然后他也就很Nice的同意了我这个18年年底毕业的这个请求吧。
因为一般发不发顶会，其实是一个高度不确定的事情。其实你很难控制你怎么提高它的确定性。首先就是说发Paper（论文）这件事，我觉得也是有规律可循的。基本上就是发这种顶会的论文就三种套路。当时我的总结，又是归纳总结，就是三种套路。第一种套路就是说，最厉害的人都是挖坑的。这问题以前没人研究，我做一个数据集，我提出这个问题，建立Benchmark（基准），挖坑型的文章。这是第一类，这种都很难做。第二类是已经有了这个问题，然后我在这个问题上面我要去性能做得比前人好，这是提升性能的，这是第二类Paper。第三类Paper是在性能接近类似的情况下，我的成本或者说我的监督，我用的这个数据比别人少。就这三类，几乎就是所有的Paper都能往这三类上去套。所以我就在这三类里面去那个做一些选择，有的是第一类的，有的是第二类的，有的是第三类的，然后这么着去推进。
第二个的话，就是说还是得多发。就是别人一届发一次，投一篇，那我投两篇，然后提高概率。
然后那个，对。你博士毕业那个时候，你想清楚的是什么？你没有想清楚的是什么？
博士毕业那会就是找工作。我是通过就是说找工作这事去了解行业。因为很早就想好就是还是要做产业。那我是感觉就是AI它本身还是偏技术的一个东西，它不是一个真正的产业。产业还是围绕需求的。所以我就在去通过面试，然后去学习，了解这不同的行业。当时就看了这个自动驾驶，广告，就AI加广告，还有这个云，还有这个当时就所谓的这个泛AI+（通用人工智能）。商汤也属于这种，商汤就属于这种泛AI+的。看完之后我就觉得，当时我也给自己定了几个标准去筛选行业。我觉得这个行业一定是，就是说以AI作为最底层的变量，AI这个技术作为这个行业最底层的变量。就是说没AI这行业没有，有AI在这个行业才成立。并且这个行业本身足够大。有一些标准。最后我就觉得我未来应该去做物理世界的AI这件事。自动驾驶是物理世界AI的一个，第一个形式，第一个形态。也是那个时候可能不多的产业。所以就想好就是做自动驾驶。
商汤被Pass（排除）的原因是什么？
你有想过要回国加入商汤吗？
对。我还是觉得就是说，商汤的这个，就是这种AI+的这种模式呢，我觉得会，就是商业上可能会有些问题。但当时对于这些的理解也不是特别的深刻。我就是觉得就是这个会不会干成外包？对，我觉得他很难形成自己的产品，然后没有产品的话，你在交付侧，你的这个每一次的这个成本感觉都很高。那你就工程师去交付吗？我就觉得这个可能会有些问题。
广告被Pass的原因是？
广告被Pass就是因为没有，像Google（谷歌）这种公司就是的百度。对，对，对。当时Google里边其实他是有做Google Research（谷歌研究院），然后就是纯Research（研究），然后也有就是做那种搜索广告用AI的。我是觉得就是说搜索也好，广告也好，它当然有AI更好，但是没有AI这事也成立。对，在AI出现之前，在所谓的神经网络出现之前，可能有别的机器学习技术。在机器学习出现之前，可能还有其他的技术去解决搜索和这个广告的问题。那这就意味着，AI不是这个行业的那个绝对变量。我还是想找一个，就是绝对变量。这么着我们才是进入到一个崭新的一个事业里面，在这个崭新的事业里面，我们可能就是年轻人嘛，我觉得才有更多的成长机会。
对神经网络对于广告来说可能是优化。
Pass了云？
云当时就是把一些模型包装成API（应用程序接口）去做。我觉得这个也不是很本质。
在当时只剩自动驾驶？
然后自动驾驶这事我又延展了一下。我觉得这个是物理世界AI，就是AI加Robot（机器人）。而我觉得这个，当时真的这么想吗？
当时真的这么想AI加Robot？
对。然后我觉得这事超牛。你为什么不去Robot呢？当时也有很多研究方向是机器人，没错。也有这些公司。我是觉得因为传统的那些，读博士的时候也接触过这些方向和领域。传统的Robot还是控制优化，这个SLAM（Simultaneous Localization and Mapping，定位与地图构建）这些技术。这些技术我觉得它很难从底层，因为他跟人的这个工作方法不一样，它很难从底层让这个机器人真的像人一样工作。它机器人里面更偏机器，而不是更偏人。你想让它变成人，还是得用AI的这种方法。虽然那个时候AI或者神经网络还没有那个今天这么好吧，但我觉得这是个大方向。
还是回到那个，就是AI的魔力在于能够代替人总结规律，这是你擅长干的。
但我发现AI做这个事也做得很好。那我觉得这个，他是有机会把这问题真正解决的。然后AI加Robot也是从底层变革人类生产力的超大型行业。所以我觉得这个就是值得投身。
然后你第一站选择了Waymo（谷歌自动驾驶项目）？
对。
在聊你第一段工作之前，你能不能从你的视角复盘一下过去十年自动驾驶这个产业的变革？
首先我觉得当时确实是，就是说我在加入Waymo开始干自动驾驶之前，其实自动驾驶已经有十年了。它是08年，09年。对吧？所以当时我就在当时那个时间点，我就回过头去开始看当年的Paper，全看了一遍，大部分都看了一遍。对。我不止把Paper看了一遍，我去了Waymo之后，我就最喜欢干的事就是读Waymo的Codebase（代码库）。哈哈。把历史沿革也都看了一遍。
然后当时其实你可以看到的一个很明确的点，就是说18年那会，整体的自动驾驶的技术架构，08年那会的自动驾驶的大技术架构框架其实都一样，没区别。08年的Paper里面已经说清楚了这事分感知，分定位，离线做好建图。然后感知定位之后，在这个地图里边做这个规控（Regulation and Control，规制与控制）。然后感知做得好一些，规控这边就可以做更好的这个避让动作做判别。然后规控里边先是决策，再是规划，然后是控制。大的Pipeline（流程），08年就是这个样子。只不过后来随着AI技术的成熟，尤其是在CV领域的成熟，把很多感知部分的模块替换成了这个AI算法驱动的。比如说最早的就是这个激光雷达。最早激光雷达是什么？它是这个Clustering（聚类），这种就是聚类，就是他发现这有一堆点云，他给聚到一块，他是通过这样的方式去判断这有没有障碍物。那后来逐渐变成了神经网络去做这个推理。
所以它的就是说，整体的自动驾驶在18年技术架构和08年技术架构没区别。但是这一套技术架构的底层逻辑不是AI的。它的底层逻辑是Robotics（机器人学）的。就是Robotics的底层逻辑，我的观察，我的认知不一定对。它是做系统拆分，然后关注Corner Case（边角案例）。正是因为它关注Corner Case，所以它要把这个系统分成一个一个可解释的模块，然后在这个可解释的模块里边去解决这些Case（情况）的问题。AI的方法论不是这样的。AI方法论是追求数据驱动，然后端到端。然后AI不太擅长解决一个两个具体的Case，但是它特别擅长的是我从整体上提升Benchmark的性能。在一个大的Benchmark上之前是80，我一波优化干到90，再一波优化干到95。那这里边90-95肯定我有相当多的Case变好了，不排除有部分的Case变差了。对。所以这个就是我们看到，当时我看到就是Robotics（机器人学）Driven（驱动）的技术架构，是分模块感知，规控，定位，然后离线建图。但是AI的底层逻辑其实不是这样。这个AI底层逻辑就是端到端。
然后同时间其实18年，19年，20年那会，就是特斯拉开始去做自动驾驶，而且是用AI的方式推端到端的。它最早做端到端是什么呢？是把这个感知先统一。当时他就是这个感知的，就一个模型解决所有的感知问题。那同期其实Waymo是怎么干的？那感知里边就可能有几十个模型，真的是几十个模型。这个Detection（检测）可能有一两个，Detection完了之后要做这个Tracking（跟踪），Tracking那里边有一些小的Classifier（分类器），然后去做一些类别的判断。Tracking完了之后形成了Track，然后再去判断做Classification（分类）。每一类Classification（分类），Pedestrian（行人），Vehicle（车辆），都有自己的Classifier。然后这些弄完了之后再在Scene（场景）这个Level（级别），Scene（场景）Understanding（理解），再做一些这个什么分类器。所以你就看整个的感知，就有几十个模型。然后是这个规划，规划里面当时还是就说这个传统的这个规划算法，但也逐渐在具体。但这种方法论就跟AI这方法论不一样。AI方法论还是说，它不是一个个小模块，我还是要追求尽可能追求端到端。所以是那个时间点，我觉得就是说，也是进了Waymo开始学习这个历史，发现Waymo因为过去很长时间主导是Robotics的人主导，所以它形成了这样的一套东西。Tesla（特斯拉）在做这件事的时候，那马斯克他就肯定是数据驱动AI，他相信是这一套。所以他们就是完全就是AI Native（原生）的去设计了整个自动驾驶的这个框架。
人也不一样？
对吧？里面的人也不一样。
人也不一样？
或者我觉得在Leader这个层面人不一样。
你说工程师这个层面，Waymo当时的这个人才密度非常的高，应该很高。
非常的高。就是不缺有判断力的或者有技术能力的，这些工程师都是很好的工程师。但是我觉得就还是说自上而下的一些东西，就缺失了。就我觉得如果咱们回到刚才那个问题，回顾过去的这一段时间的话，其实就是我觉得从08年到16，17，18年这段时间，都是Robotics主导的模块拆分。然后AI起来了之后，先是去做了一些模块内的这个算法的替代，整个框架Robotics里面小模块替换成AI。但是从17，18，19年开始，另外一个路线就是AI Native重新去设计这个框架。演化到今天，其实逐渐的就是后来说的什么BEV（Bird's Eye View，鸟瞰图），端到端，VLA（Vision-Language Action，视觉-语言-动作），就出这套了。所以到今天其实这套已经成了主流。
所以你当时18年进入Waymo之后，你发现你意识到它是错的吗？
那时候不敢讲它是错的，我的感觉不太对。
为什么不？你的直观感觉是什么样？
就是我觉得Waymo当时我的感受有两个。首先Waymo大部分还是很好的，咱们只说问题，是吧？我觉得有两个小问题。第一个小问题是Waymo里边就是说，它太有大公司病了。就它本身我们还没有做出价值，然后呢，还是一个创业状态。我理解，那里面人其实挺多的。它多少人？当时我去的时候有1000人，我走的时候快2000了吧，快2000了。那是一个迅速膨胀期，迅速膨胀。因为我当时，我开始跟的Leader可能开始就是十来个人，我走的时候是七八十人。就是感知团队在那个时间就迅速地在扩充。为什么扩充呢？那时候就是想用，开始用AI的方法系统性地改变感知了。之前还有很多传统的Rule-based（基于规则）的东西。因为那时候Waymo也不缺钱，钱也很多。所以我当时感觉就是说，这个过早地进入到一个，可能大公司的一个状态了。它跟他所有都跟Google是对齐的，对吧？职级体系啊，对，职级体系是对齐的。然后包括整个的工程体系也是对齐的。文化，文化也很像。就是很那个，就是我觉得硅谷最近的状态可能跟十年前的状态又不一样了。最近硅谷的状态还是比较卷，对，比较卷，都是Founder Mode（创始人模式）了已经。那些年我觉得还是比较Peace and Love（和平与爱）是吧？大家都是民主，然后这个什么的。现在我觉得也不太是那样了。
早几晚几？
你们当时？我很勤奋的，我一般就是自动加班那种的。但是如果要是没人管，正常的有四五点下班的去接孩子的，然后也有可能六七点走的。我反正一般都会，因为我觉得我要好好干，我要好好学。所以正常工作做完了之后，我就开始看Google里边的所有的Doc（文档），Design Doc（设计文档），加上Codebase（代码库），就看。
哦，这是你当时意识到第一点可能的问题，就是大公司病。
第二个呢？
第二个我觉得就是说，就是就大公司病背后，我觉得他这是个表象，他不是本质。本质是啥呢？本质是我觉得Waymo是没有Founder（创始人）的。它的Founder其实是Google的Founder，但是Google的Founder又没时间直接去管这事。所以在这个里面就是自上而下的力量，我觉得是缺失的。不像特斯拉，马斯克说干啥，哪怕是错的他也能开始干。但我觉得在这种行业里面创业，其实错不怕，有错我们快速迭代，快速调整，这个都OK。怕的是就说力量不集中，不统一。我觉得这个很危险。
假设Waymo有一个更强势的Founder，他应该做什么呢？
在18年那个时间点上，我觉得就是要系统性地改变整个的架构。应该另起一个Team（团队），然后从头开始去做这个架构，然后用一套的Infra（基础设施），一套的评测体系。但是整个的这个架构要AI Native地重新去设计。但是他从第一天跟特斯拉就是两类公司，一个是好像想做那个技术大脑的公司，另一类是有肢体的公司，有车，有很多的车能在路上跑。它的基因都跟特斯拉如此的不一样。
那一刻能做什么样的调整呢？
它也不能马上说我要变成一个车企。我觉得倒不是说调整到一个车企的状态，而是就是说在做自动驾驶软件，自动驾驶系统的这件事上面，我们以什么样的方法论，什么样的底层逻辑去指导我们的系统设计？是Robotics得去设计，还是AI Native的设计？就这个跟我们是不是一个车企还是不是一个自动驾驶企业，没关系。就事实上你看很多国内自动驾驶的只做大脑的企业，它也可以很就是用特斯拉那种方式。我就是AI Native，然后就是Data Driven（数据驱动），坚定地走Data Driven（数据驱动），然后不断地去把Rule-Based（规则基础）的东西越搞越少，然后去完成这个过程。
它现在完成了没有？
Waymo现在肯定比之前好得多，好得多得多。对，好得多。但是具体的我也不是很清楚了。但它这个转换过程是很慢的。转换过程是比较慢的。所以其实我觉得Waymo是可以做得更快的。但是今天Waymo这个结果又很好，所以我又很佩服。所以这是为什么呢？我觉得还是，它对于长期的这个战略，一旦选择了之后，它的执行是很坚定的。然后同时里边还是有对的人，只是调整的速度慢了一些，但是它是在调整。
你 J怎么看Waymo的商业模式？
其实我觉得就是自动驾驶这里边有这么几种商业模式。就是我们说自动驾驶的概念下有这么几种有商业模式。第一种商业模式其实就是Waymo这种代表的Robotaxi（机器人出租车）。那它们相当于是我自己运营车队，以自动驾驶技术，然后运营车队，通过提供服务的形式，去赚每单的这个费用。然后第二种模式是像车企这样的，它卖车，然后把自动驾驶作为一个软件订阅的形式向你收费。然后第三种模式是像比如说像Momenta这样的供应商，那么它其实是NRE（Non-Recurring Engineering ，一次性工程费用）加License（许可），向车企提供自动驾驶的解决方案。
其实还有第四种，我觉得可能华为算是第四种。它是介于车企和供应商之间，供应商之间的。我觉得它本质上其实还是在车企这个层面就赚的整车的利润。它通过更好的自动驾驶体验，就顶级的自动驾驶体验和顶级的座舱体验，重新定义了车，再加上它自己的品牌和渠道影响力。就他我觉得他的整个的营收和利润是建立在整车这个层面的。
所以你觉得Waymo的商业模式能走通吗？
我觉得它这商业模式本身是没问题的，只不过在走通的过程当中，它就是需要克服的这个困难和阻力，然后这个周期是非常长的。就到今天为止，我觉得已经算是看到那个走通的曙光了吧。
你觉得Waymo和特斯拉它这两条路线现在有胜负手吗？一个走的是这种，我觉得更科学驱动，另外一个走的是更工程驱动，第一天就有很多的车在路上跑，然后收集很多的数据。这两条路线，今天能说哪条路线是正确，哪条路线是错误的吗？
明白。首先我觉得Waymo不算是科学驱动。Waymo的工程基因非常非常的强。就是Waymo的工程化基因和Tesla的工程基因我觉得是一样强的。因为Waymo的工程基因来自于Google。我自己的工程师这方面的训练，我觉得就是在Google Waymo这个体系里边完成的。所以，我倒不觉得Waymo是个科学的公司，Waymo非常的工程。只是就是说，我觉得它们两个区别还是在于就是对待AI的态度上，以及面向AI驱动的整体的系统设计的调整速度和力度上面。它的不一样我觉得主要还是来源于在这。
你能不能预判一下Waymo的未来？
我，我觉得Waymo，我那个去年的11月份，我就是回了趟美国，然后我特地去LA（洛杉矶），因为没去SF（三藩市），我就是没在LA做过。因为我看那个，它在Waymo在LA开通服务了，我去坐了一下。我觉得体验特别好，然后确实是已经做到了比大部分Uber要好得多的体验了。所以我觉得它的商业模式已经算是就是接近走通的这个边缘了。它是一个AI时代的Uber，应该是了。它运营的范围很广，它是从这个洛杉矶Downtown，然后到好莱坞，然后一直到圣塔莫尼卡，这一片全都在运营。
所以你在Waymo期间，你做了哪些工作，以及你学到了什么？有哪些重要的learning（学习点）？
我当时在Waymo，我主要做的还是就是预测和感知这块。我先去做的其实是预测。因为当时正好有一个机会，就是传统的自动驾驶的预测。预测是干什么？预测就是说我要预测我周围的行人和车辆，它下一步会干什么。我得大概预判出它要干什么，我才能决定我自己要干什么。而且本质上这也是一个交互和博弈的一个过程。所以，我当时就刚进Waymo，然后领导说有这么一个机会，那我觉得挺好的，我就开始做。
然后当时我们去尝试用这个，肯定是用AI的方式去做这个预测。但是之前其实也有人尝试，但之前用AI的方式做预测这个方法不太对。那方法是什么呢？就是说，它先把地图渲染成一张图片，然后用卷积神经网络去处理这张图片。带来的问题是什么？带来的问题就是卷积神经网络，它是一个局部视野，但是地图这个东西它是很长的，所以它就会导致它对信息的这个处理不够好。就当时我们做了一个创新，就是说我们用图神经网络的方式，去把地图变成用向量去表达，而不是把地图渲染成一张图片。就，把地图变成向量，然后把向量放到图神经网络里面去做处理。这个图神经网络当时我们用的最基础的算子就是Self-Attention（自注意力机制）。其实当时也是参考了Transformer里面这个Self-Attention（自注意力机制）的设计，但是没有搞它那么那么重的架构，当时还很轻的一个，因为给我们的算力也很小，做了很轻的架构，做Self-Attention。
后来就发现这个效果很好，然后这个工作就当时我跟赵行（星海图联合创始人、清华大学助理教授），我们俩一块做的。
你们第一次合作？
对，第一次。联合创始人？
对，对，对。第一次合作。然后我们一起把这个东西发了。我觉得这个对于我来说也挺好的，因为我觉得他确实是，我觉得做的这个工作，这份工作我觉得做的还不错，然后确实解决了一个之前没有解决的问题。而且事实上后来也有很多的这个公司使用我们的这个方法。所以我觉得这个还是比较满意的工作。
VectorNet？
赵行回忆这个事情的时候，他说你让他印象很深的一个点就是当时你们在想这个怎么设计，他说你让他印象很深的一个点就是当时你们在想这个怎么设计，就是规划怎么做。然后他的传统的思考方式是他可能去把Paper读一遍，但是你说周末我去看一看我们代码库，就是我把我们的代码全部看一遍就知道了。他对这个印象很深。
对，我确实喜欢看代码。而且我不仅喜欢看，就是说现在的代码，我喜欢看过去的代码。然后我就看从过去看到最近，然后再看到现在，就这个过程。你是能看到一个人的，就是一个工程体系的迭代的。这里边是有逻辑和Know-how（诀窍）的。所以我是比较喜欢干这些事。
你当时有意识到你跟赵行有什么不同吗？
在那个合作过程中？
我觉得，我们就说在技术上面，我觉得赵行的思考的问题的方式，就是他更愿意从原理层面去想清楚，这个事应该是怎么回事。我更从问题的角度去看解决这个问题的方法最有效的应该是啥。就是，我觉得从如果我们从现在创业就是一个是可能更多的供给侧思考，一个是需求侧思考。我觉得这个是一个不一样的，我觉得这也是一个互补。
他是一个什么样的人？
他很Nice（友善）。
很Nice是一个很好的评价吗？
我觉得是很好的评价。就是我有的时候脾气还会，有的时候这个着急。他永远超稳定，超稳定，情绪超稳定。对。有的时候我就是会，比如说一些事不及预期的时候，我会那个强力地去Push（推动）然后去推动。然后赵行会就是他内心也着急的，但他我觉得他在外在上面，他会比我做这点做得更好。
你在Waymo的时候会这样吗？
非常Push。Waymo的时候轮不着我Push，我就是一个小工程师。那我就Push我自己。后来我开始逐渐带团队，有Tech Lead（技术主管）。但是Waymo那个环境下它就是，它不鼓励，应该，不鼓励。所以我也只能在那框架下去做事了。
对。所以你在Waymo的工作满不满意？
两年。我挺满意的。而且我觉得我特别感谢Waymo给我这个环境去学习。我觉得Waymo让我学到的应该比我对Waymo的贡献要多。我觉得我最重要的学到的东西，第一个就是从知识层面的，就是自动驾驶整套系统是怎么Work（运作）的，不仅仅是端侧，还有云侧是怎么Work，以及它的历史沿革是什么。就整个这个系统我脑子有概念了。然后从技能层面，我觉得让我得到了很好的训练的，就是说这个工程师应该怎么做，什么叫工程师的思维。我觉得是在那个时候我逐渐就定型了。
什么叫工程师的思维？
工程师思维就是拆解加测量。就是把一个复杂问题拆解成若干个，稍微不那么复杂的子问题，然后你再拆解。你写代码或者解决工程师的，我就说做软件工程这样的一个领域的话，拆到最后就是一行代码。测量，到最后是什么？是一个个单元测试。然后再一层一层回去，然后你看你顶层的这个指标，看你中间层的指标，看你最底层的指标。然后你整个系统就怎么运转起来的。
这跟你物理竞赛一样吗？
有一点不一样。我觉得有一点不一样。物理竞赛其实我觉得更多的还就是一个解题的游戏，它不是一个系统化的一个工程。它更多的还是这个题映射到这个知识点，这个题映射到这个考点，然后一套一套方法过去。但是我觉得就是说物理竞赛也好，读博士也好，还是做工程师也好，我觉得逻辑思维能力都特别强，要求特别高。所以我也是通过这几件事训练逻辑思考的能力。
你是ENTJ？对吧？
应该是做过一些测试。应该是。
你是在什么情况下决定要从Waymo离开的？
当时是20年的下半年了。18-20在Waymo。19年年初，19年1月份我加入的，然后到20年的下半年。那时候我就觉得就是刚才我说的这几件事，自动驾驶这个系统也感觉也学得差不多了。然后我想做的一些我自己还比较满意的工作，我觉得也做了。然后工程师的这些训练，我觉得那时候我写代码写得也很多，我觉得我也差不多了。包括写代码，包括怎么Review（审阅）代码，然后怎么去做整个的Design（设计）。然后包括当时也开始带一个小团队，然后去做一些这个系统的设计，带团队拿结果。所以我就开始想，我觉得在这边的这个成长的效率，速度，就是逐渐收敛了。所以我得想我的下一步了。
然后同时我也意识到了几个问题，就是我在Waymo，我还更多的还是做一个技术，做工程师，我离产品太远了。然后我离公司是怎么经营的，这件事太远了。所以我就觉得我得，同时我不是之前就说我就想创业，一直心里边就琢磨着什么时候创业啊。拆解创业，先学了一个自动驾驶系统，这是第一课。对吧？
对。或者这个东西应该被归纳为叫物理世界AI系统应该怎么去搭。
物理世界AI系统。对。怎么做工程师，然后怎么带一个小团队拿到一个系统结果。这些事我觉得都训练得差不多了。我就在想我的下一步是什么了。当时我就想，我第一个我想做产品。然后第二个我觉得我要进一步地为创业做准备。然后我创业我估计是在国内，我得回国。大概就盘了盘这几个事。
所以我就想好，就是第一，我继续做自动驾驶。但是我不做Robotaxi（无人驾驶出租车）。我就做量产。当时我也确实看好量产的这条轨迹，能够更快的产生产品价值，给用户创造价值。Robotaxi这个还是慢，对吧？太慢。对。然后第一个做量产，第二回国。当时符合这个条件的国内就是华为，Momenta。你也可以去车企，蔚小理。没错。
但是那个时候我觉得我又想去一个，就是说自动驾驶能力更强的一个，或者是AI能力更强的一个公司吧。那个时候我觉得包括蔚来，包括理想，我觉得都还好像没有那么强吧，在那个时间点。小鹏在做。
对，小鹏在做。是的，小鹏在做。
那我就觉得小鹏已经做得还行了，我应该也没啥机会了。对。我喜欢去不行的地方，然后把一个东西做好的。
但如果你特别想做产品的话，我觉得大部分人还是非常渴望做一个To C（面向消费者）的产品。你去Momenta，它意味着你做的其实是个To B（面向企业）的产品。
对。
我对产品的定义不是说To C的才叫产品，而是说我想做一个直接能够给某些用户创造价值的，他要让他用起来。这个在我定义里边就是To B也行，To B也行，就是产品了。对。
这个有的人不一样，有的人非得是To C才能叫产品。
是的。反正我就是想创造现实世界的实际价值。然后是这样的一个想法。所以当时就是华为和Momenta都聊了？
是吧？对，对。华为当时就是跟陈亦伦（它石智航创始人兼CEO），也是我这个电子系的师兄，当时跟这个苏老板，苏青都聊过。然后Momenta就是跟孙刚，旭东聊了。然后来我还是觉得去Momenta比较好。
为什么？
我觉得首先就是说，Momenta我比较确认这应该没大公司病。然后旭东够强势。
你喜欢强势的人？
我觉得是这样。就是说我觉得一个组织要成功，必须要就他可以犯错，但是得有一个人说我们错了，然后我们改。但是不能说没有人站出来说我们错了。所以得有一个人能纠错。我觉得这个东西在我们要做的这件事里边足够重要。然后那我觉得旭东他懂技术，非常懂技术，然后AI的这个信仰者，然后他的长期的这个目标也非常坚定。然后整个团队其实我觉得，因为之前也有一些在商汤的时候也认识一些，包括思博，晋玮在商汤的时候也都认识。所以就聊得就比较好。然后我就当时就去了。
Momenta是一个什么样的文化？
绝对的。我觉得是，我很适应的。也很喜欢那个文化。
感觉跟你非常对味？
是吧？就是结果导向，然后的话战功文化。
这个，有做什么比较极致的事情吗？
你说Momenta？还是我？
Momenta。
Momenta我觉得M一直是比较，我就从结果来看哈。M从18年开始，那个时候就明确地提出要做量产自动驾驶，然后通过量产自动驾驶，然后这个飞轮，然后走向Robotaxi。我觉得很有Vision（愿景）的一个判断。在18年那会，大家还是说我直接搞Robotaxi。然后那个时候包括Waymo都是这么说的。类似的公司在国内可能就是Pony.AI（小马智行）。对吧？
对，Pony，文远都是。
就是Waymo的故事路径，包括百度。旭东敢于就是通过量产去走这条路，我觉得本身在那样的，就我们要有那个时间的，站在那个时间点去思考这些问题，我觉得很有Vision，也很有魄力，而且很坚定。就一直这么去说，一直这么去搞。那我觉得他一直能去做这件事本身就极致了。
然后在这个过程当中，Momenta也有很多次的组织的迭代，从一个偏科研的，偏Research（研究）转向一个偏面向产品的。然后在面向产品交付的过程当中，把自己的工程的这个体系又逐渐打磨出来，又把一次成功的交付复制到几十次，今天可能都有一两百次车型的这个交付了。所以就他每一步其实都是在不停的迭代自己。我觉得只要是一个能够不停的迭代，永不满足的其实都是追求极致的一种表现。
他为什么想追求量产这条路，走到Robotaxi？这个背后的逻辑是什么？
我觉得还是就是说，大家都是AI的Believer（信徒）嘛。那AI是什么？怎么走过去？就是Data Driven。因为AI它一定是需要数据的。那我们要解决第一个问题，就是数据从哪来？如果我简单去算的话，说我自己养一个车队，100台车，1000台车。1000台车已经很多了。那1000台车，我要去把一个城市覆盖掉，其实都很困难。更不要说全国这么多个城市了。可是我们最终要解决的这个自动驾驶问题就是哪都能开，哪都能跑嘛。那首先要解决的就是怎么样才能获得所有地方的数据。那就很自然的推导，就是说现成的就是量产车。有这么多量产车。那我要去把我的自动驾驶的这套软件先装到我的量产车上面，然后通过这样的方式给客户提供了价值。可能这个价值开始不是端到端的，完全的自动驾驶。那可能它是一部分，辅助驾驶也好，泊车也好，至少让大家用起来了。有这个价值，这样形成了数据和商业价值的循环。这样这个数据的获取就变成了一个商业驱动的行为。那，我数据有了，我AI的算法和能力，自然而然的会有。
你当时加入的时候，它处于哪个阶段？
我，想想。刚开始要做第一个量产交付。20年年底，他们M是拿下了就是上汽的智己那个项目。然后21年，这一年就是要做，就做交付。所以我觉得这时间点也特别好。那我就是一来，就是做我想做的事，就是做量产，就做交付。然后这过程里面我觉得我也挺幸运的，就是拿到机会也很多，就是把各种各样事都做了一遍。
当时的困难会是什么呢？在那个时间点？
你说是对于我的困难，还是对于Momenta的困难？
对于Momenta的困难。
我觉得第一次做量产自动驾驶，且向B端客户交付，这是两个第一次。第一个第一次是，第一次要把一个Demo（演示）级的东西变成一个产品级的东西。第二个第一次是，要吧一个产品向一个大客户，B端客户交付完成服务。这是两个层面。我觉得两个第一次都凑在一起，我觉得这个过程确实是，我也是学到很多的。
挑战是什么呀？
当时内部实际上真实的挑战，这个文化是不是会变得非常大？如果从一个Research文化变成一个交付量产的文化？就我觉得Momenta的文化在可能更早的一个，因为之前也有过少卿（任少卿，原Momenta研发总监兼联合创始人、现蔚来汽车副总裁）离开Momenta的那个事情。其实那个事就是旭东在改变公司文化的一个动作了，在我的理解里面。Ok，因为我不能替他说，这是我的理解。那，就是逐渐的要从一个Research Lab变向一个真正做产品的公司。那么在这个过程当中，组织是一定要发生变化的。所以我觉得组织的变化是在那个交付之前就已经发生了。就如果没发生的话，可能连那个定点项目都拿不到。那么正式开始去做这个定点交付的这个过程是一个，就是真正的一个考验了的开始。那么我觉得挑战就是说，组织上肯定是不Ready（准备好）的。你的整个的组织的这个，首先是说这个组织架构可能就不是面向量产设计的。然后团队里边的这些同学的能力栈也没有匹配到那种强度。所以在这个过程里面就是有比较频繁的组织上的调整。然后这个有的是主动的淘汰，有的是被动的淘汰。反正当时也是，人流动也很大。在这个过程当中我觉得这是都是好事，这都是好事。因为你不通过打仗这样的形式，你是没法洗礼锻炼这个团队的。通过这样的一个方式，M其实是把这个组织变得变强了。然后包括我，然后包括还有另外几个都很不错的Leader，在那个阶段里面我觉得都是成长特别大，然后逐渐的把这个事给做起来。
你是当时引入的一条鲶鱼吗？
我应该算是吧。我应该算是吧。旭东，包括孙刚（Momenta研发总监）对我的使用应该还是说，就是说比较灵活的。我也接受这种灵活的使用。我开始是做感知，后来做，后来是做定位和泊车系统，然后做这个Infra（基础设施）。Infra应该是同时做的。然后做规控。当时为什么我去做规控和定位都是因为我们想把规控和定位从传统的Rule-Based（规则基础）变成Deep Learning（深度学习）的，变成神经网络的。所以让我去搞。后来我在M做最后一件事，就是NOA（Navigate on Autopilot，领航辅助驾驶）这个的量产，就是高速高驾NOA系统的这个量产，然后把这个产品做完，然后交付给上汽。大概这就是我在M的过程。
你你能做到多极致？作为一条鲶鱼？
首先我面对挑战，我是比较那个兴奋。对，比较兴奋。不会说，但是你说我觉得任何人呐，面对未知，都还是会多多少少有一点那个忐忑，胆怯，恐惧。这我觉得也都很正常，我也有。但我觉得压倒性的还是那个OK，这是我想做的事，我得去干。然后在这个干的过程当中，我觉得是我收获了一个很重要的能力。不是我能解决规控的问题，我能解决什么产品的问题，而是我收获能力是说，我可以很快速地进入到一个我不熟悉的领域，然后用一套固定的方法论去理解里边这个事都是怎么回事，然后把它做拆解。然后当时就是因为有团队嘛，所以拆解的同时，还有就是说把事拆开了，然后人事匹配。什么人跟什么事能配到一块。当然人事匹配也不是第一天就匹配好的，你要过程当中去监控，这就测量，然后看反馈好，扩大，反馈的不好，收缩再调整。就这样的一套东西。我觉得是当时在转战多个模块和产品线的这过程当中，逐渐就练出来了。
你的那个面对挑战的兴奋的来源，就压倒性的兴奋的来源，你觉得来自于哪里？
我觉得如果我能把这个事做成，我离我想去做的事，最终我想达到那目标，我又近了一步。那一刻还是创业？
创业？对。
我觉得创业就是说，如果我连这事都做不好，我创业不可能做的好。然后那我觉得这就是一个，因为我想到就是说创业肯定公司方方面面的事，可能不止研发了，就是各种事我可能都得去解决。那其实核心就是，要锻炼出来解决问题的能力。当然解决问题的能力背后，肯定还是有一些这个底层的思考方式和方法论做支撑的。那，我得打磨这些东西。所以当时我觉得我兴奋的就是说，这个事本身我很感兴趣，然后我也觉得很有价值，然后同时我觉得我可以去离我真正想去做的事更近一步。
你觉得Momenta的不足是什么？
我觉得其实M历史上有很多特别好的人才的。那比如说为什么没有把我留住？为什么我出来创业了要？而且在那个时间点，而且我从M出来创业，我放弃了所有的期权，这些东西全都放弃了。有多少？我也有点记不清了，反正挺多的。可能按照当时那个时间，现在这个时间点可能更多。当时那个时间点1000万美金可能是有的。我觉得就是说在人才的，就是真正的顶级人才的这个保有，和持续的培养上面，我觉得是可以做得更好的。
他为什么没有把你留住？
我觉得这个可能更多是我的问题。就是说，因为你要创业。对。我想创业。就是说你在什么时间点创业，其实也有很多个要素要去均衡，要去平衡。我觉得在这个问题上，可能我自己的就是说诉求更多一些。
就是我，我是22年年底的时候，我看到了些变化。变化之一就是，因为GPT（Generative Pre-trained Transformer ，生成式预训练变换模型）。因为当时还没有ChatGPT（聊天机器人），还是GPT1，GPT2。当时到了GPT3，然后ChatGPT也出来了。我觉得这东西让世界再一次相信AI了。这很重要。就是这个有没有这个相信。就我是相信的，那旭东是相信的，做AI的人都是相信的。但只有我们相信，这个不够。不够，还得有更多的人来相信。你这么着才有资金，才有，什么进来。所以我觉得是整个社会开始再一次相信AI了。这是第一个。
第二个的话，就是自动驾驶这一波，就是量产自动驾驶这一波，是让我们把端侧的这个智能开始逐渐变得可能。因为你是机器人也好，还是自动驾驶也好，最终还是有一些很核心的智能的算法模型要跑到端侧的。这个就需要你的传感器和你端侧的算力。那这两块其实今天来看，机器人用的端侧算力和端侧传感器和自动驾驶的，智能驾驶的这一套其实大差不差的。所以那时候我就看到了，就是这一波，这个产业链能不能起来。那，你这两个要素完成了，机器人躯体的底层的一些工程能力其实历史上一直具备，只不过我们需要再这个重构一下，围绕我们的产品再重新设计一下。所以我觉得这些要素大概是具备了。同时当时Tesla也开始正式宣布要做人形机器人。我觉得这些要素就都Ready了，我得开搞了。
这是你说你为什么创业。你刚才说的是Momenta怎么能留住你？你那个问题滑走了。
所以Momenta怎么可以留住你？
我觉得finally（最终）是留不住的。无论如何都不行。对，无论如何都不行。因为我觉得这是我人生的使命。那其他人能留住其他人吗？我觉得M就是说，首先我觉得这个可能也不全是M的问题。Momenta确实在那个时间点，包括到今天为止，整个自动驾驶行业都还是很卷的。我觉得那个卷度要比今天做具身智能要更卷。多卷？到今天为止，M的加班强度我觉得都比我们要更厉害。
早几晚几？
晚肯定核心算法团队都是到12点，然后一周是6天都是打底的。极致的卷，极致的卷。但这个我觉得真的不怪旭东，不怪M的管理团队。这个行业就是这样。他们是想赢的，他们要为企业谋求发展，要抓住这些客户的机会。他不去这么拼，这个没办法。而且我觉得拼是为所有人负责的一种选择。
所以你在M老的比在W快？
我觉得可能创业之后那个更快一些。
对，对。
你这两段工作挺有意思的。一个两年是在W，一个两年是在M，对吧？而且他们两个是极致的对立的文化，对吗？
你能总结一下吗？然后你从这两个里面分别学到的Learning（学习点）和Know-how（诀窍）？
我觉得文化层面，Waymo真的是工程师的天堂。就是说这个天堂，我觉得是说自我感觉上面的，你可以有最好的Infra，然后你可以有最好的同事，然后呢，你的领导对你的Support（支持），对你的支持都是非常温暖的，非常宽厚的。然后目标呢？这不是梦中团队吗？
是啊。
目标是有的，但是并不是Push的。这个待遇也都不错。当然就是那个时候的待遇跟今天像OpenAI或这些待遇没法比。现今的待遇没法比。但那个时候也都还不错。然后这个Google这些园区也都可以去，食堂啊什么的就是这样的一种状态。
Momenta呢？
我觉得就还是不怪Momenta，这就是国情，行业的问题。首先是绝对的结果导向。结果好就往上走，结果不好那就得调整。所以有压力是随时的。
在Waymo你大概率不用面对客户，因为你的客户都是那些乘客，觉得这个产品不够好，先不推给乘客，就OK了。
但是M是To B，大量的工程师，就是可能一定级别以上的工程师，都是要直接去面对客户，然后需要跟客户做交流。至少就是比如说像总监或者更高级别的，都是需要去直接面对客户的，跟客户去交流汇报。国内的这些车企的这个文化比较Tough（严酷）。那这个就是肯定就是说骂就骂了，说不开心就是要说两句的。对吧？
你被骂过没？
那，就是很平常的。骂你什么？我都记不清了，我因为我不是很在意这件事。骂就骂吧。但就是说他会给你很强的心理压力，说你这个做的不好，你可能没有机会了。你做得不好，我马上淘汰掉你。对，你下次如果再做不成什么什么样，那，你把旭东叫来，对，你让旭东来解释，就等等，这样的话肯定都是有的。
所以你单纯从一个对工程师的自我感受上来说，M，然后以及整个的中国的智驾环境我觉得都不是好的。
但是我觉得从另外一个角度来说，从成长性上来说，我觉得在中国的智驾环境里面，对于工程师的这个训练，综合能力的训练又是更好的。它可以让你看到这个世界真实的状态。
就我觉得这世界真实就是这个样子的。
你很喜欢说真实世界，现实世界？
对，对。
因为我觉得就是说如果我们生活在，一个被其他人或一些信息包裹起来的环境当中，我觉得是不本质的。所以我比较喜欢面对真实，哪怕这个真实，往往很多时候这个真相和真实是残酷的，但我觉得也要去面对它。
在这个过程中，你觉得旭东发生过变化吗？
旭东，我觉得他真的，我觉得旭东最强的点一直没变。旭东最强点就是我觉得他的战略能力特别好。那么早的时间点就判断出来我们要做这件事，然后一直坚定地去推动。然后过程当中有波折也不动摇。这是战略能力，是。我觉得他带领Momenta从这么多自动驾驶企业里面脱颖而出的最核心的那一个能力。
然后就是旭东，我觉得我也有这个问题，就是说都是比较Push的，比较Aggressive（激进）的。跟他工作肯定压力都是比较大的。然后也因为这个很多可能同事会离开。我后来我发现可能旭东他就会选择性的，不把这一面展现给那个更多的人了。
我觉得这是他，不把哪一面？
就是特别Aggressive。其实我觉得不是Aggressive，是把真相说出来。对，就是有的时候把真相说出来，把现状这个说出来。但是可能说有的时候是用一种很非常直接的方式去表达出来。这种方式本身就会让很多人感受到压力，这种压力大到一定程度就会成伤害。
你是这种风格吗？
我是哪种风格？旭东这种风格？我觉得有这一面，把Aggressive直接表达出来。对，我觉得我是有这一面的。
能不能对比一下Momenta和地平线？
这两个公司太厉害了，我都觉得我是没有资格去评价他们的。那我真的觉得这两个公司都特别好。就是旭东，很早就刚才我说旭东战略能力，旭东很早就布局这个做芯片，今天芯片他们芯片马上也要出来了嘛。芯片这公司融资也特别好，然后定点也拿得很好。其实这可能是他三年前的决定，然后两年前，两年多前这个公司开始启动，正式招了一批人，然后把事做起来。到今天拿到结果。如果这个决定可能晚做一年，晚行动一年都没有今天的这个。所以我觉得都是战略能力超强，然后执行能力超强，然后面对客户的这个迭代调整能力也超强。这都是。凯哥（余凯，地平线创始人兼CEO）可能也是从一个科学家，逐渐转向一个企业家。旭东也是从一个可能没那么科学家，但是也是比较偏科学范的这么一个一个状态面向走向一个企业家。我觉得这个迭代能力都特别强。所以我觉得更多的真的我是从他们身上学习，然后这个作为榜样的。很多时候我确实把他们作为榜样。
看起来在W和M中间，你更相信的是M这条路，量产的这条路？
对吧？
这个对你的后来创业影响非常大？
是的。
你刚才说你为什么开始想到开始创业？从你开始想，到你做了决定并且行动中间有多久？
其实我当时行动还是比较立即的。就是我22年年底，我就想好。正好22年年底我就是30岁。当时过生日的时候？
哪一年年底？
22年年底。我30岁。我92年年底生的。
12月吗？
射手座吗？
对，射手座。
然后当时反正也是这一系列事交织在一块，对吧？然后我看到了变化，然后我觉得自己该练得都练的差不多了。同时我在M做的这一系列事，我也能看到23年的三四月份左右，就是NOA（Navigate on Autopilot，领航辅助驾驶）这个产品我也能量产掉。所以我觉得到了这么一个节点，然后我就当时我就想好，我就肯定要开始干了。但是我确实还是把这件事做完了的，就是把NOA这个事，高速高驾NOA量产然后交付给上汽。同时我们看到整体的这个体验表现都还不错。那段时间我几乎也把国内所有的车，就是带NOA功能的车全部试驾了一遍。然后我觉得做的还可以。然后所以我就5月份就提了离职。
5月？
23年5月份。
放弃1000万美金心疼吗？
我具体记不清是不是这个数了，大概是这个数左右。我其实没什么心疼的，一点都没有。没有，因为我觉得就是说，首先我觉得我想，觉我最care（在意）的事还是我想去做的那件事，而不是一些钱什么东西的。然后我觉得和那件我想做的那个事比起来，其他的这些东西都那个价值不大。这是一方面。然后另外一方面的话，就是我觉得钱这个东西其实你就日常我也花不了多少，就是吃饭什么的，就是正常的够了。我觉得也没什么区别。再多再少也没什么区别。就我其实倒没什么心疼的。
你觉得从你离开Momenta那一刻，和你进入Momenta那一刻，你自己的变化是什么？
刚好是你回国工作的2年多。
我觉得底层的一个变化是，我学会了什么叫以客户为中心。对。这个是Momenta的文化价值观第一条，以客户为中心。然后我觉得是在这个实践的过程当中，体会到了什么是以客户为中心。客户为中心不是生硬的说客户说让我们做什么我们就做什么，而是真的站在客户的角度去看他的需求是什么，甚至帮助他挖掘他的需求是什么，然后提出更好的方案，然后去帮他解决问题。然后以客户为中心，也不是说是公司内对公司外的，而是所有的上游面对下游的一个。公司内也有以客户为中心，对吧？你的支持团队面向你的业务团队，你的上游的平台团队，面向下游的交付团队，都是以客户为中心的这样的思考问题的这个方式。与以客户为中心相对的，我觉得有一些是以这个，比如说自我成长为中心，比如说以所谓的技术领先性为中心。我觉得这些都是错误的，至少在做一家企业来讲，都是错误的。
你决定创业的第一件事是什么？
你说的是我做的第一件事吗？
对。
我做的第一件事是离职。
先离职。
你在离职前什么都没做？
几乎没做什么吧。就是大概就是想了想要做什么。但是后来发现想的事也不太对。就是跟赵行，跟天威（星海图联合创始人）我们一块聊了聊这件事。赵行也回国，他在清华。
对，对，对。是的是的。
然后最早公司其实就我们三个嘛。天威当时在Momenta。
他跟你一起离职的吗？
对，对，对。他跟我一起离职的。
那个离职之后，反正我就先出去玩了一段时间。
去哪？
去西藏。然后那个自驾。后来回来之后7月份出去，然后8月份开始就是整整BP（Business Plan，商业计划书）。那时候也就开始融资。也不太会整。反正就，现在回看当年弄的BP简直就是不堪入目了已经。
写了点啥？
BP，那个太糟糕了我觉得。太糟糕了。
刚刚开始的时候，就是说开始想清楚了几件事。第一就是说我们做具身智能，必须得是整机加智能。不能只做智能。因为我觉得长期来看，我们的壁垒是建立在物理世界的数据闭环之上的。所以我必须得做整机，得做硬件。
然后第二件事就是说，我是想去做，就是我不想去做科研，不想去做纯研究的这些东西。我想落地的，我想落地产生价值。但是价值就是要考虑商业的问题，商业化的问题。但是在那个时间点，我觉得我是没有答案的。然后所以当时就想说，那我直接去做一个落地的，想做末端配送。后来我也很快的就否定了那个方向。
对。
赵行说了这一段，你们最早想做的是一个配送的机器人还是什么？
机器人的配送，末端的配送，相当于是把自动驾驶复制在配送这个行业里来，再加一点操作的能力。因为末端的这个配送很多时候还是需要，比如说电梯，开关门，拿东西，放东西。当时是有这么一个考虑，但是其实没有这一波AI，就已经有公司在做这个很长时间了。
是的，然后这个用这个故事融了，我想想融了两轮。对，这个故事能融两轮，啊，不是主要不是靠故事，靠团队。所以后来我理解了什么叫天使投资人。天使投资人看人，天使投资人就是他觉得虽然你现在什么也不行，但是他觉得你还是有潜力的，所以他天使一把，他就当天使了。然后他给你一些钱。哪两位天使当时是IDG（IDG Capital Investments，IDG资本）和百度风投。这是最早的两个。其实就是金沙江（金沙江创投）也在我们最早那轮，当时是予彤学姐（张予彤，Kimi总裁、前金沙江管理合伙人）。然后她后来因为一些事，去Kimi了，她也不在金沙江了。后来那个也就退出了，金沙江退出了。
那中间当时朱老板（朱啸虎，金沙江管理合伙人）就退了，对。他不看好所有这个机器人。但其实我跟朱老板没有直接地聊过，所以我觉得，反正我也比较无所谓，他当时投的也不多，退就退了。金沙江本来也是天使，也是天使。就第一轮是，投最多的是IDG，然后领投，然后百度风投投了一部分，金沙江投得最少。
IDG（IDG Capital Investments，IDG资本）投你们的逻辑是什么？是李骁军（IDG资本合伙人）自己看的吗？当时是这样，我有一个同学叫李怡康，然后在IDG做投资人，然后我们是本科同学，然后他帮我引荐的。然后他也是内部推动的，然后推到邵辉。邵辉之前投自动驾驶比较多，他可能对自动驾驶这事有点这个信仰，对于自动驾驶里面出来的人也都比较信任，比较看好。然后所以他们就决定，然后来跟骁军见了一面。然后骁军也觉得看上去这两个人还，还行。就是你跟赵行？对，我跟赵行。还有天威，然后就投了。但是他们当时也说了，就你们想做的这个事应该不Work（有效），再琢磨琢磨吧。所以你看这就是天使，是吧？他接受你的错误和不完美。
投了多少那时候？第一轮我们那3000万人民币，就是一共3000万人民币，就是IDG加百度风投加那个金沙江。估值是，我忘了是投前2亿还是投后2亿人民币。就大概就是你跟现在可能出来都是2亿美金起步。我们那时候发现还挺便宜的，对，2亿人民币。这第一轮。
后来紧接着很快做了一个加轮，就是SEE Fund。SEE Fund是清华电子系的汪老师做的基金，也是这个姚老板，姚颂姚老板他们一块做的。姚老板也是跟我一届，也是我们这一届的杰出代表，他是电子系的。然后当时那个做了一个A轮（加轮）。对，大概这就是最早的两轮。
A轮（加轮）多少钱？投了投了，有点记不清了，一两千万大概可能2000来万，不到2000万。然后投后估值可能三四个亿，大概。
在23年你们还做了什么？拿融资。这是一个很大的事。当时就开始，融资还挺顺利的，对吧？对，我觉得是从那个时间点看，跟我们的同行比相前两轮算比较顺利的。然后但是你要是拉到今天这个时间点已经算比较困难的了。今天就是可能随便讲一讲，看这团队行，2亿美金，1亿美金起步。所以你就是觉得便宜了？我倒不觉得便宜了，在23年，我不觉得便宜了。就我觉得那时候还是那些投资人有勇气，因为那个时候的早期，天使和VC（Venture Capital，风险投资）的投资环境比今天冷得多，比现在冷得多。那时候人家敢出手，我觉得我已经特别感谢。而且23年机器人还没有成为一个共识。
一个是，就首先23年那会大家聊的是什么？是人形机器人。我们讲说我们做具身智能，然后具身智能这词可能大家都还不是特别清楚是什么意思。所以当时有这方面的困难。而且你们还做一个非常窄的行业？对，还非常看着Idea，还非常不靠谱。
23年其实其他做的事就是说，开始研究怎么做整机嘛，供应链，整机。早期真的是，我觉得我们的起点是非常低的，就是在这块非常低，啥也不懂。然后研究供应链和整机。研究出了啥？拆。怎么拆？就是买别人的产品回来拆，然后就看他们这东西是怎么搞的。然后看这个，哦，这原来是电机，那个时候真的这个是关节模组，第一次看到这些东西。然后看他们这个大概是什么样的一个方案，然后这些供应商都是从哪来的。然后最早找供应商也不会找，然后我们也Nobody，然后找不到供应商。所以当时有一次我记得我拆出来一个东西，我说这是什么东西，然后不知道是什么东西，然后就淘宝拍张照片，以图搜图，然后找到了就是卖这种产品的供应商。然后就反正早期就很困难。包括怎么拆这个东西都不会，怎么拆这个东西都不会。然后那个我们公司后来的这个，今天也是我们公司的这个结构这块的负责人，那个时候来我们公司看，看我们太可怜了，然后给了我，送给我了一个工具箱。这工具箱就是里边一些改锥，锤子，什么这个镊子，斧子，什么这些东西，反正就是帮助你拆机的这些工具。就那个时候我觉得早期就确实是，就是起点比较低。
我觉得那个时候就是说，你们都没有碰过硬件，对吧？没碰过。没碰过。然后怎么去接触这个东西？怎么进入这个东西？完全不懂。直到我遇到了我们的今天，也是我们公司合伙人，我们机电这块的首席工程师叫杨泽一。直到我遇到了他，他是一个投资人给我介绍的，五源资本的一个投资人。五源资本当时也没投我们，但是确实很好的给我介绍了泽一。泽一本身也很年轻，97年的。但我觉得是天才。因为当时我感受到就是结构这块，机械这块我完全一窍不通，所以我要做的事是应该跟行业里面的人聊，先学一学。当时有几个渠道就开始去聊人。聊到泽一的时候，我就感觉到，哇，这个第一次有人给我讲明白了。就是第一很有框架性的给我讲清楚了一个机器人系统，整机系统应该是怎么回事。第二很有洞察力的，就在他已经做过的一些事里边，很有洞察力的能够给我说出来个123。虽然我不懂这个里边具体的一些知识或者Know-how，但是我我觉得如果有一个人给我在这个陌生领域有一个这种感觉，我觉得大概率是对的。对，然后所以我请泽一，我说咱们要不一块干吧。
那你们聊了多久？我们一共聊了几次？然后我可能去深圳，因为他是南科大（南方科技大学），然后我去深圳那个找了他可能两次。然后第二次就决定来公司。所以24年应该是1月份，23年底我们说好，然后来他就稍微准备了一下，24年1月份来公司。
他当时是在学校做什么呀？他其实当时已经毕业了，他在自己创业。他在自己创业做，他就是也很能折腾，又能折腾，技术能力又好的这么一个人。而且思考问题，他真的很本质。
那你把他公司收了吗？没有，他就慢慢就不做那个了。就是他当时做机器人的培训，就给初中生，高中生做培训。机器人教培。对。
那难怪能讲清楚啊。哈哈哈。对。我可能就是那初中生。是的，是的。
他动手能力到底怎么样？这个讲清楚和能做是两个事。就非常强。就是后边我们公司的所有的产品，几乎就是大的框架的设计都是他来把关的，都他来做设计，然后他来推动。所以说我觉得泽一对于公司的这个，当然泽一他对外的这个露出比较少了，大家都不知道他。
他是一个合伙人？是吗？对对对。对于公司来说，这种合伙人给多少股份？这个我们是这样，我说大概的范围就是我觉得按照基本上按照百分点去给的，就是我们原始股的百分点去给的。其实我们那个天眼查上面有心人也可以查得到。对对对。因为我觉得就是说什么是合伙人，就是我希望构建的团队呢，是说我要求我自己，做一个中等面积六边形，然后我希望我的减一，我的合伙人团队做更大面积，组成一个更大面积六边形。然后这样我们这个团队就会变得很强，而且很均衡的强。那泽一我觉得他毫无疑问在机电系统，在产品，甚至产品思维这个维度，我觉得他都特别好。然后还这么年轻，尤其是天才，我觉得就是。
包括我们公司其他几个合伙人也是，包括我们，比如说公司的CFO天奇（前高瓴资本投资人）。其实我们公司一直就有这样的一个机制，就是我们会持续地引入好的人，而且我们也比较舍得，我比较舍得分这些东西。因为我觉得我始终把公司，如果我们希望公司在未来的，比如说五年的时间我要翻十倍，二十倍，那其实我每一个阶段都是创业嘛。所以我觉得我们从底层来说需要这样一个机制，去持续的把这个好的人能够给吸纳进来。所以我们这个合伙人是从这个机制，是从我们三个，就我，天威，赵行，我们三个创办这个公司之后，我们就一直有了一个机制。所以包括泽一，包括后来的华哲（许华哲，星海图联合创始人、已离职），那再包括后来的虞磊，就是我们商业化这块负责人，包括到最近几个月之前天奇的加入，其实我们都是以这样的形式加入进来的。所以我觉得这是一个，就是我们公司能够可能从过去的这段时间里面，一堆公司里边稍稍脱颖而出一点的原因之一。
我有一个问题不是很理解，为什么你开始做公司第一件事情最在乎的是整机呢？你其实在那个时候也可以做，比如说一个大脑，有很多其他的选择，为什么选择是第一件事情是整机，而且是一个你们这么陌生的领域？你可以从软件开始做。
没错，小珺这个问题问得其实特别本质。因为首先我Day One（第一天）的时候，我想好一件事，就是我们要做具身智能。具身智能长期壁垒建立在物理世界的数据闭环之上。只有把这个东西构建起来了，我们才真的有一个说别人进不来，我们能够长治久安的这么一个壁垒了。我要去构建物理世界数据闭环，我必须得有这个数据的载体，这个数据载体就是我的整机，就是这个硬件。这是长期的事。
第二个就是中短期我们的商品到底是什么？我们要给世界提供的商品大概率不是一个算法，不是一个所谓的大脑，它是一个整机加智能形成的，在物理世界能够有执行能力的这么一个物理实体。这个是我们的商品。也就是说中短期我们需要软硬结合的商品。长期我要构建物理世界数据闭环，我需要硬件作为我构建数据闭环的核心的媒介。那从这两件事来说都倒推回来，就是我必须要把整机和供应链做好。所以我觉得从战略倒推回今天我们要做什么事。那有了这个结论之后，我觉得我们就是说，虽然开始我们不太会做，但我觉得就是说，这个不怕慢就怕站，是吧？我们就得开始做这个日拱一卒，咱们就往前开始搞。所以我觉得是，这也是当时24年那会，很多投资人问我的，说继扬你天天就搞整机，你们不是一个自动驾驶AI团队，你们不应该做AI嘛。那个时候其实我的解释大概就是这些，就是我为了更长期的那个目标，我今天我必须得做成绩。不然的话，我如果直接去做算法，这些算法也都是空中楼阁。这算法做完了之后，我没法把它变成我的产品价值，商业价值，这个意义是不大的。
就是说在汽车这个产业里，你希望做的是车企，你不希望做的是Momenta那个生态位？我觉得首先具身智能跟汽车这个行业还是有一定的不同的。汽车这个行业，是或者汽车加自动驾驶这个行业，是自动驾驶这波开始的时候，汽车业已经存在100年了。所以你也没机会，或者你作为一个自动驾驶切入赛道，你也没机会说自己造车。只有是说做新能源的才能切入说自己造车。所以我觉得就是对于做自动驾驶的公司和这个同学们来说，就是已经有一个100年的汽车产业，是幸运也是不幸运。幸运是说它的客户和商业化的路径极其明确，这个客户就是全球可能20个车企，20来个车企。商业化路径就是我们要去把产品做成方案卖给这些车企。那么不幸我觉得也在这，不幸就是说因为中间隔了一道车企，所以这个车企，只有车企才是跟你的终端的使用者直接打交道的，所以你的数据闭环构建其实并不是那么的通畅，不是说完全没有，而是不那么通畅，至少在早期不通畅。同时呢，因为你是做一个软件和这个系统层，所以其实你对于这个车是怎么回事，你没有把控力。又因为这个软件其实和这个车最终这个体验是整合在一起的，所以最终你给客户交付的这个体验有可能是打折扣的。所以我觉得这就是他的不幸。
那回到具身智能，这个也是就是矛盾统一的，都是对立的幸运和不幸也都在这。不幸就是说没载体，你想把这个事做好，做成你就得自己做载体，你就得，你要克服你这个不舒适，你要学，你要搞。不幸也在这。幸运就是说当你把这一步真正做完了之后，那发现机会特别多，然后下游那么多行业，千行万业，对吧？都可以搞，都可以做。所以它是一个更广阔的市场和空间。所以我觉得这就是我们看到的幸运和不幸。但对于我们来说，我们也没别的选择，我们必须得把整机做好。就相当于汽车产业退回了一百多年前，汽车产业退回一百多年前，且这个还有智能技术。所以我就得这两件事同时去做。所以其实到今天你看我们的团队，我们的组织也是有这个，就是人才密度比较高的这种智能的这种团队，也有就是流程体系更强一些的，要求更强一些的，这个整机和供应链团队。
到23年底，你们做到什么程度了？应该还是啥也没有的状态。还是啥也没有的状态。到23年底应该就是，其实我们就是刚把第一轮融资做完，然后第二轮融资，其实是24年年初，一二月份。我记得是春节之前吧？你说是那个A轮（加轮）？对，A轮（加轮）SEE Fund那轮。嗯，对。所以基本上我们做整机和供应链这些工作都是24年这一年做完的。所以24年的主题是整机和供应链。
这对你们来说是补课？补课。一是补课，二是我觉得为我们25年建立在开发者市场里面的可能一点优势，然后进入这个市场做准备。
为什么你们不做人形机器人？你们在构型上是怎么想的？你们其实选了一个折中方案。我觉得我不会把它称为折中方案，我会把它，我们最早提一个理念，就是说首先我们做具身智能，然后我们的切入点是要做操作，还想去做操作这件事，操作智能。那我们做操作智能的话，我就得去想这个操作，这样的智能需要什么样的本体。当时我们的想法叫智能定义本体，就是从智能的需求出发去看本体应该怎么做，或者说数据定义本体，你怎么能够收数据，也可以这么讲。但是因为我说智能是最终的目的，数据是当中的一个手段，对，所以说智能定义本体。
所以我们就想，就说我去为了做操作，那双臂肯定是重点。双臂是重点之后，那其实下肢是双足的，反而给我的智能的演进和算法的研发带来了困难。因为这个其实到今天为止这个问题也没有解决，就是双足的运动控制和双臂的智能操作同时解决，这叫70.Loco-Manipulation（全身移动操作）。这事也没解决。所以我就说那这个问题我们得先解耦，我先把这上肢操作好。而且事实上很多真实的场景里面，也不需要双足的这个过坎的这些能力，走路。对，就轮式其实也就够了。所以那个时候我们就定义说轮式加躯干。
这个是啥时候定的？24年的具体时间点记不清楚，应该在24年3月份左右。然后我们就开始去做R1（星海图第一代轮式双臂机器人），就是我们的第一代的这个产品。其实也是现在的这个延续的一个产品系列。然后我们后来就是这个产品做出来之后，我们发现这学术界确实有需求。今天我们把这个市场叫定义成开发者市场，就卖给实验室。事实上开发者市场它的内涵会更丰富一些。我们看到就是说，这有点像那个跨越鸿沟那本书里边描述的，就是早期的使用者都叫Innovator（创新者）。Innovator其实就是开发者，他就是对这个事喜欢热爱，想探索探索，想发明点东西。然后是这个Early Adopter早期采用者，然后是Early Majority早期大众。那么其实我们说，我们今天来看我们的商业战略，我们叫从开发者市场走向生产力市场。那这个战略的背后其实就是一个科技产品从Innovator到Early Majority的过程。而且历史上有很多的科技产品也都是走过这样的过程。远的例子，这个苹果的Macintosh电脑，个人PC，最早那就是极客使用的，后来设计师，企业里面的设计师开始用，然后再到后来一些可能文员办公的办公室的同学开始去用。最近的一个例子，我觉得就是拓竹的这个打印机，3D打印机，最早肯定是极客的玩具，而且是少数极客的玩具。后来变成了每一家企业必备的，然后再到后来，可能现在有一些这个家里边都想买一到两台这个拓竹的打印机，甚至还有人做这个打印，这个3D打印的Factory（工厂）。所以我觉得这个，你看这些科技产品，从一个创新走向这个大量被采用都是这样的过程。所以我觉得这是规律。那么我们其实也是遵循这个规律，就是从开发者市场走向这个应用市场。而我们定义的这个应用市场最主要的还是生产力市场。其实我觉得我也不是，就是说在机器人领域第一个用这个模式的。宇树其实它是这个模式，它是做四足，双足，开发者市场，高校，然后慢慢的到，这个一些二开（二次开发）的这些公司，然后做出来一些好玩的东西，然后逐渐走向那个，现在就是娱乐市场。
娱乐市场？对，娱乐市场。所以我觉得就是说这里边是有它背后的规律的。所以这是为什么我们在做了R1这款产品之后，就是轮式双臂这款产品之后，我们去尝试向开发者市场里面去进行商业化销售，也是为了跟客户建立反馈的这个闭环。那么开发者市场本身它又是分层的，塔尖的，我们叫学术型开发者，像Li Fei-Fei（李飞飞），像美国最好的一些大学的研究员，老师，PhD（博士）们，这就是学术型开发者。再往下我们叫企业内的研究型开发者，大厂里面总有一批人去做最前沿的东西，比如说Physical Intelligence（物理智能），比如说最近我们跟蚂蚁一起，这个我们帮助蚂蚁一起做的这个LingBot（灵波机器人）VLA（Vision-Language-Action，视觉-语言-动作）。其实它们也是企业内的这种面向，面向未来，面向研究的这种开发者。再往下其实是生产力型的开发者，你看这里面有很多的客户，他就面向企业应用，面向落地，再去做一些开发，二次开发。我们这个金字塔再往下其实就是未来我们的产品更成熟，更整体化，那就可以面向集成商，他会成为新的开发者。再往后其实可能是终端的用户使用者。所以这个开发者他不是一个说狭隘的或者狭义的科研高校市场，他是一个金字塔，而且本身开发者市场就是一个科技产品，从早期的Innovator（创新者）走向大众的一个必要的一个过程啊。
在整机这里面你有什么Learning吗？拆解一下。Learning太多，我得想想从哪开始讲。我觉得是这样，就是说首先做整机跟做，因为我在做创业之前，我就是做AI的嘛。我觉得做整机和做AI的相同点，其实本质上它还是一个工程化的问题。那工程化的问题我们就可以用一样的方法论去看，就是拆解，测量，然后我们去把这个复杂问题拆成子问题，然后做好组织，做好团队。不同点是什么呢？不同点就是说AI里面其实更强调的是，就是说这个人才密度，就是必须得有非常顶尖的这个开发者，顶尖的研究者去把好的算法做出来。然后之前其实在AI Coding（编码）之前，大家就强调这个Ten-X Engineer（十倍工程师），就是说这类的人其实对于组织来说非常的重要。但是对于一个这个机电系统，整机来说，我觉得更强调的是整个研发流程的严密性。你从早期的构型设计，如果这构型设计都是失败的，你后边全都是错的。构型设计然后逐渐到结构设计里面的线束，嵌入式系统，然后你的整机的软件平台，然后这些开始做EVT（Engineering Validation Test，工程验证测试），验证的功能是不是OK。然后过程当中你会发现有你的线束可能有问题，老磨损，然后你的这个结构哪里强度不够，然后你会发现一个供应商的这个来料质量总有问题。这个你就是要去用严密的这个流程去排除过程当中的这些问题，然后走向我们说这DVT阶段，然后开始做一致性，做老化测试，然后走向真正的这个生产阶段。所以我觉得他就是更严密的一套流程。而且这个东西就是说，你甭管是做今天的机器人产品，做消费电子类产品还是做什么，其实我觉得都是类似的，都有它相同的那一部分。
那到了24年，你们的战略变化了吗？你们还是想做配送那个市场吗？我觉得很快就变了。24年的其实就是二三月份，我记得，就是在你们整机刚刚开始做出来的时候。对对，就刚刚开始做，刚开始做的时候。对，刚开始做的时候我们就做了调整。我发现这玩意不Work啊，这个我们想的这件事太早了，现在还不是做那个事的时候。啥也不成熟，整机也不成熟，供应链也没有，然后那个智能也不Ready，客户也不成熟，市场也不在，没法搞。所以我们就马上就切换了，调了战略。调战略就是说我们要做这个，就是刚才说这个轮式双臂聚焦操作，然后切入开发者市场。但当时我就没有我今天说得这么清楚，但是当时就是说那我先去就是卖高校。后来我发现高校其实并不只是高校，它叫开发者市场。开发者市场是我们走向未来的一个关键市场。所以也有运气成分，我们做对了啊。
那你们当时对于智能是怎么思考的？智能这块呢？我觉得我们从Day One我就确定，我们就确定了就是几个基本原则，但是具体的方法论或者或具体的这个方法是没有的。那最早就是我们确定就是要端到端，一定得坚持端到端，一定得坚持数据驱动。这两个是我们也是做自动驾驶的这个Lesson Learn（经验教训），就是说不要再搞这个模块的这种分层设计了，这个不Work。然后这个一定要用真实数据去解决问题，因为自动驾驶其实也很长一段时间也尝试用仿真解决问题啊，然后但其实是不太Work的。所以我们就坚持端到端，坚持真实数据。从那个时候定下来是这些东西。但是具体你说开始做VLA这些东西，我觉得还是到了25年。我觉得最早其实我们没有做VLA，那时候在PI0之前还没有VLA这样的特别成熟的范式。那更多的还是做Diffusion Policy（扩散策略）这种小的VA（Vision-Action，视觉-动作）模型，Vision-Action的这种小模型，尝试一段时间这个，发现它的泛化性不足。然后PI0出来做VLA，觉得这个确实是很Work，然后就马上调整去做VLA。
所以24年的智能不是你们的主线？24年整机是你们主线。25年的主线？至少我自己的重心绝对是在整机和融资。然后到25年，我的重心就开始到数据，先是数据，然后是模型，然后同时也有融资，同时还有商业化，因为我们开始做开发者市场。然后这一年我们有150多个客户，这些客户其实也很多，团队也付出了很多，有些大客户，关键客户我也自己跑一线就做下来了。
24年，25年有新的融资吗？一直都有。我们后来融得其实都还行。策略调整了之后，那个故事重新讲了，然后我们这融资还就还算比较顺。
因为机器人竞争，它其实链路非常长，它又是整机，又是数据，又是模型，等等等等，其实不止这些，还有很多。你的优先级是什么样的？重点是什么样的？不同阶段，我觉得就是这个就主要矛盾的问题。不同阶段主要矛盾是动态变化的。首先我特别同意刚才小珺说的这个，就是机器人具身智能的竞争是多面的，它是个六边形，它不是说大语言模型。我觉得更多的竞争发生在模型本身，因为你会发现数据可能90%是Ready的，然后你的渠道和终端都是现成的，所以就是模型本身决定了很多产品体验的问题，你也不用担心分发的问题。模型即产品。对，不错。
但是到了具身智能，你会发现你供应链不怎么样，几乎都没有。然后数据没有，因为你没有整机，没有好整机就没有数据嘛。对，数据没有，数据荒漠。对，然后算法，有一些Reference（参考），但是因为没有好的数据，所以这算法到底Work（有效）不是十分确定。那模型就更不用说了。然后渠道全部是线下的，就是卖机器人，你不可能线上买。对吧？你还是要线下的去跟大家有什么分销的这个体系。然后到你的这个终端，终端其实就是机器人本身。所以你会发现整个价值链条里面，我说的是价值链条，价值链条里面算法和模型是一小部分。这里边有大量东西，全都是空缺的。这是它本身的价值点。
同时还有就说，就说资源方面的。我觉得具身智能，因为它是现在整个国家都很重视，全世界都很重视，所以这又需要政府的一些支持，资本的一些支持。所以持续性的这种资源获取能力也很重要。你把所有这些东西拼起来，他要求你的公司是六边形。所以回到刚才小珺的问题，就是说我觉得不同的阶段我们的优先级是不一样的，至少我的关注重点是不一样的。到24年我就是先把，持续搞融资，然后整机供应链搞好。25年持续搞融资，然后把数据和智能体系我们要搭起来。所以25年，我们8月份，我们全球第一个，全国第一个，不算全球，全国第一个，我们做了数据的开源，而且是我们自己采的500小时的高质量的这个操作数据，我们做了开源。然后我们做了这个基础模型的开源。后来也有些我们的友商也陆续做了开源。
到了这个26年，那我觉得我们的重心又发生变化。26年的话当然这个又持续融资，这个不能停。但是我们的业务上的发展重心，我们就来到了场景和应用。我们的整机Ready了，我们数据的和智能体系上正轨了，那我们就要开始关注场景和应用。我们刚才说从生产，从开发者市场走向生产力市场，这就要走到这。
数据和智能你们做到什么阶段了？你满意吗？很难讲。现在就是满意了，就不可能满意了。就是但是我觉得搭起了一个框架。我觉得是我们这个团队逐渐我们比较完善了，我们基础设施搞起来了，然后呢，我们的这个基本的这个模型，我们有了，然后整个团队动能很好，然后大家干劲也很足，然后我们的结果也不错。在这种情况下，那我们相对来说我就可能花的时间和精力要少一些。所以这一块主要是赵行在做？对，没错。智能和数据？对，对。
你们坚持用真实数据，但是机器人行业跟智能驾驶行业一个最大的不同，是在于智能驾驶行业天然，它汽车就已经在卖车的同时就已经有了正向商业模式的同时又能收集数据。对，还有大量的真实世界数据。那机器人这一块数据太可怜了，少的。那怎么办呢？就为什么一定要收集真实数据呢？这里边就涉及到就是大家也常讨论的一个问题，那是仿真数据。反正现在数据是没有的，那你就要得搞数据。是仿真数据还是真实数据？对，我们其实从Day One就比较坚持真实数据。
我觉得在这个里边就是说，这也是你从自动驾驶里面学到的？是吗？我觉得很大程度上是的。而且我觉得AI有一个底层的一个一个原理，就是说我要解决的这个问题在这样的一个Domain（领域）里面，那训练这个模型的数据最好也在这个Domain里面。不然的话就涉及到所谓的Domain Transfer（领域迁移）这个问题。其实是曾经是AI里边很火的一个Topic（话题），在我读博那会，但后来这个工作大家就这个方向，大家渐渐做得少了，因为发现就是还是得用数据，那个Domain里面的数据解决问题更有效。而且确实是有效果。所以我觉得这是底层的一个原理。
那到了自动驾驶我们也确实是发现可能99.9%的问题都还是真实数据，路测数据解决的问题。仿真不是说不用，但仿首先仿真这个词是一个Overloaded（过载）词，就它有很多含义。在自动驾驶里边它有很多含义，那么真正解决问题的还是我们说的真实数据，就是实测的，实采的这些数据。那么到了具身智能，我们看到就是说传统的Graphics Based（基于图形），就是图形学，基于图形学的渲染器做出来的这个仿真的体系的Sim-to-Real（仿真到真实）的Gap（差距），我们认为还是很大的。那其实就导致了这个Domain Gap的问题其实很难克服。
那么当然了，大家可能做仿真的同学会说仿真数据容易获取，因为我这生成出来的。真实数据你获取不了，你得去现实世界去采集，贵。对，是贵。但我觉得我觉得贵与便宜这事我们得综合去看，得算账。就说我里边就是有一个，就是我们要关注的是什么？第一关注智能的总成本。智能的总成本三部分，数据成本，数据的获取成本，然后训练成本，然后工程师团队的成本。我们姑且把工程师团队先放一边，因为这个大概反正就是那个数。那么数据的获取成本和数据的使用也就是训练成本的关系，大体是1:5到1:10。也就是说我花一块钱搞来的数据，我得花5-10块钱才能把它训明白。那意味着什么？如果我的数据的质量是低的，我其实把很多钱浪费在训练这一步了。所以这是我们就是说，从一个成本的角度你去算这个事，你也要想尽办法把数据的质量提上去，你这样才节约你的这个训练成本。所以我回答这个就是贵的这个事，我们要整体来去看贵和便宜。这第一点。
第二点就是说，我们再去算账，说数据真实，数据获取的真实成本到底是多少，到底有多贵？要不我先问一下小珺，你觉得获取一个小时的物理世界的这个真实数据，你盲猜一个，你觉得应该多少钱？它这里面分了运维的成本，也有人员的成本。对，是的。你这里面说的是成本，是哪个成本？把所有都加一块。1个小时吗？1个小时，就是真实采，是吧？真实采。你可以就直接估一个数量级就好，是10块钱，100块钱，还是1000块钱？我想想，1000。OK，1000块钱。
真实的数字我们自己运营下来，我算上这个，首先真实世界里面采一个小时，就是我要获取真实世界里面一个小时的数据，可能我实际投入的人力在3到4个小时。把3到4个小时的人工算上，我再把我的机器人折旧的成本，大概是多少钱？200到250块钱。这个是真实的成本。那么意味着什么呢？意味着就是，在中国成本，就是这个中国可能北京，上海，苏州这样的，就是比较贵的地方，可能到比如说西部的一些地区会更便宜。那么意味着什么呢？意味着我获取1万小时的数据，250乘以1万是吧？250万。我获取10万小时的数据是2,500万。10万小时的数据意味着什么？其实一个人从那个生下来到18岁，和物理世界交互的总时长是这个量级，是10万小时。这个数量级。那意味着什么呢？因为我们假设这个机器人它是有使用寿命的吧？它是几千小时的一个使用寿命，我就是折到每一个小时去算这个成本。使用完这几千小时之后，它就报废掉了，它价值就全部归零了。
我在想王鹤（银河通用创始人兼CTO）算得这个账，你听一下。人形机器人一台至少10万制造成本，1万台买下来用于数据采集是10个亿。每台两班倒两人遥操4个人，需要一个月小几万，还有标注和质检，每个月维护1万台机器人，成本在数亿到10亿。没有，我关注的是每小时成本。就我们首先得定下来一个计量单位。就为什么我要买1万台？这个问题没回答。是吧？所以我们就说我算的是每小时成本。每小时成本这个里面，我刚才说获取一小时的真实的数据，我大概需要3到4个小时的人工，因为为什么它不是一比一的？因为这里边机器人可能需要复位，需要Set up（设置）等等。然后机器人折旧这事怎么算？我们姑且按10万块钱去算，其实我们的成本会比这更低一些，但我们姑且按这个来算。那我们去定一个，这个它运行多少小时它就彻底报废了。我们保守一点说，这个1000小时。1000小时其实是还中性的一个估计，因为最终你会发现机器人的寿命会限制在哪里？限制在齿轮上面，就是齿轮这个东西会坏掉，崩齿或者精度下降了，其他地方其实不太会坏。那么10万除以1000是多少？是100。然后你加上我刚才说的三四个小时人工，是不是这数？一小时200到250。这个我给你算的还是一个粗犷运营的，还没有特别精细化运营。然后你也没有把你的就整机成本事实上比这更低，而且整机的寿命事实上比这更高。
他们现在也讲一个数据金字塔。没错，塔尖的数据就是真实数据，这个毫无疑问，因为真实数据没有Sim-to-Real（仿真到真实），没有Sim-to-Real（仿真到真实）Gap（差距）。然后下面是仿真数据和以人为第一视角的数据。就承认真实数据非常有效的情况下，增加下面的数据量，有什么问题呢？就它的不好的地方在哪里呢？首先我们说，数据金字塔的定义应当来自于智能的需求，就是我得看智能要解决什么问题，而不是说我凭空就定义出来。数据金字塔就是这样的，上面是真实数据，下面是什么数据，最后是仿真数据。谁说的非得长这样？这数据金字塔是对的，但谁说的数据金字塔非得长成这样？非得是这么个比例？没人说。对，我们得看智能要什么，什么样的数据比例对于智能的最终的产出效率是最高的。
你们现在选的是全部都是真实数据？我们现在真实数据为主。就是真实数据里边又分两种，或者说分几种。那第一个刚才我们讲的是叫Robot-Centric Data（以机器人为中心的数据），就是以机器人为中心的人遥操作它的数据。第二种是叫Human-Centric Data（以人为中心的数据），就比如像UMI，像美国的公司Sunday搞那个采集的，包括其实还有一些更新的外骨骼的一些采集设备，这些都是Human-Centric Data。就这些数据其实都有用。还有就是POV（Point of View，第一视角）数据，人就带一个这个眼镜，或带一个头戴式的这个摄像头，然后手上什么也不戴，就采这些数据。其实这都是就叫统一叫为Human-Centric Data。还有什么就是第三视角的数据，互联网视频数据，然后还有什么就是所谓的仿真数据。当然仿真数据里面又有不一样的，有我们得看这仿真器是Graphics Based（基于图形），就是图形学，基于图形学的渲染出来的数据，还是基于真正的世界模型生成出来的数据。那这，这是我们说的所有的可能的数据。但是没有人知道的是这些数据的比例关系应该是什么，这个叫Data Recipe（数据配方）。很多大语言模型公司今天的最大的秘密就在于这个。对，那对于具身智能公司来说也是。
那我们现在知道就这些数据，所以我们要保证的是什么？我们要保证，就对于星海图来说，我要保证的是我们在各个类型的数据的获取上面都畅通无阻，我都有。你没有说你们一定Bet真实数据？不，我一定以真实数据为主，这个是确定的，这个是一定的。真实数据为主。但是，我到底是1万小时的真机遥操作数据，还是5万小时的这个UMI数据，还是20万小时的POV数据？这事得试出来，这不是拍出来的，这个是实验。AI归根结底还是实验科学，得试出来。
你们现在Data Recipe是什么？这个坦率来说，今天此时此刻在训练的这个Recipe（配方），其实我也不是特别清楚。但是大体就是还是我们刚才说的这个真实数据，然后真机遥操作，然后UMI，然后加POV，这样数据的一个混合。我也听过一种说法，就是说为什么有的公司Bet仿真数据，有的公司Bet真实数据是因为Bet真实数据的这些公司。
它们的商业模式是，要把这些机器人卖给开发者，也就是实验室，然后让他们去采集真实数据，再来训练自己的模型。所以，这是你们商业模式决定的，你们一定要说真实数据最有效。绝对不是。
就是说，首先，我们的一切的起点，就是说首先我们说具身智能这个事，还是一个完完全全技术驱动的一个创业。是技术的改变带来了产品的改变，带来了商业模式的改变。它不是因为我定的商业模式是这个，所以我定的技术是这个，这逻辑是错的。所以我们是最早我们就想清楚了，就是要真实数据，真机数据为主，然后去做这件事。坚持端到端。
然后又因为这个技术产生的这个产品现在不成熟，没有直接的生产力场景的价值，所以我们要去先去做一个开发者市场，然后逐渐做一个过渡。所以我觉得它的这个逻辑不是因为商业所以这个技术，而是因为这个技术所以这样的模式。
真实数据可以怎么Scalable（可扩展）？真实数据的Scalable其实要说，就是有两种条件或者两个要素。第一个，就是我们一定要进入到真实场景。它得是一个场景的，它不能是所有无穷无尽的场景。它应该是无穷无尽的场景，就是各种各样的场景，我们不要做限制。所以不应该特别多的在所谓的数采场里面去完成这样的数据采集。所以我们也是，从去年开始，我们也应该是全国第一个去做的，我们叫真实场景的数据采集。Ok，这是第一个条件，就是说我们一定要进入到真实场景当中去。因为真实场景它是Non-Scalable（不可扩展）的，我不需要去构建一个场景出来。
第二个，就是我们一定要用众包的方式去做这个数据采集。也就是说，我们要把这个采集的这个设备以某种方式分发出去，让大家一起能够参与到这个活动当中来。而且在这个里边可能政府肯定是要有一些支持，我们也要去投入，然后有一定比较好的商业模式支撑，这样的东西去往前去走。那今年我们也会去做这样的这个实践。这两个要素，一个是把这活分出去，一个是分到真实场景里面来，所以就会使得我们这事可以快速Scalable。
所以这也是为什么，我们也一直很关注就是北美的一些进展。北美其实是，我觉得比国内更早的就说进入到了这个，它叫无本体的这种数据采集，就是UMI，包括Sunday这样做的，这种采集手套，采集夹爪这样的这种方式里面。
我觉得这个方向是很重要的。你说今年对你来说很重要的是应用和场景，你准备怎么定义场景呢？首先，我们就是可以系统性得聊一下这个问题。就最终我们具身智能能够落地的一定是供给侧和需求侧碰出来的一个东西。因为首先说，需求侧其实非常非常的多，几乎所有现在咱们说这些劳动者在做的这些活，那按理来说都是具身智能未来要解决的问题。所以需求特别的庞大。但是不是所有的需求都是好需求，或者都是在适合在这个阶段解决的好需求。
那么这个时候，我们先来看一看供给侧。供给侧，我觉得基础模型的供给特点它有这么几个点。就我也是我们定义的顶层指标，我们叫速度、精度、泛化性。速度，就是这个基础模型驱动下的这个操作速度能有多少。那我们看就说基于模仿学习的大概率超不过人，可能80%到90%的人类速度就不错了。那么精度是什么？就是厘米级别的操作精度。毫米级别的我觉得那是下一步的事，先解决厘米级别的。然后是泛化性。这泛化性就是说，我需要多少条新增数据才能够解决一个新问题。那有些动作，比如说我们今天已经做到了，就是我们叫万物抓取。那么在抓取这件事上，我们已经做到零样本泛化。那么在比如说像叠 Fold（折叠）这个事上面，可能毛巾呐，T恤衫在我们办公室里面，衬衫这些的可以搞一搞。但是其他的衣服还是要重新去学。所以这个里边就是有一部分是0样本，一部分是少样本，一部分还待解决。所以这就是我们所谓的这个泛化性的这个定义，就是多少个新增数据可以解决一个新问题。这看的是边际成本。速度、精度、泛化性，这个是我们的供给的这个特点。
然后我们再回需求侧。所以需求侧就有这么几个限制了。第一个，就是速度不能要求太高，是吧？太高的这个，咱这个技术做不了。第二个，就是说其实还有一个点就是说这AI还是会有出现问题的，还是会犯错的。所以这个犯错之后的这个失效成本不要太高，不要一搞错了就无法挽回的损失。这个不太适合。好，这是两个基础条件。
然后在这个基础之上，我们还要再去看，就是说好的场景，好的商业化的这个场景一定是说有爆发力的。就是我，我做完一个之后，我可能很快就到一万台这样的场景。那么在这样的这个里面，你会发现首先我们要求这得是个全球化的一个市场。就是假设一个事只在中国有，只在欠发达国家地区有，那可能不是第一步的好市场。对吧？它一定得是欧美国家有的，因为那边付费能力好，付费能力高。第二个就是说全球市场的这个情况下，企业在全球不同的市场里面的这个场景，又是比较类似和统一的。比如说什么就不符合了？商业服务里边的很多其实不太符合。不同国家的酒店可能是不一样的，不同国家的这个零售可能也长得不太一样。所以你把所有的这些就是放在一块，然后不断的去碰撞。
然后我们现在看到的还是比较看好的。首先我们定义了几个动作大类，就是我们叫Carry Pick Pack Fold Operate。对，Carry（搬运）就是搬，Pick（拾取）就是拿，Pack（打包）就是包，Fold（折叠）就是叠，还有这个Operate（操作）就是操作设备，操作一些设备。其实你去看，就是说很多我们现实世界当中的这个劳动者，都是这五类动作的各种组合。而且几乎你会发现每一个岗位涉及到这个动作组合的数，不会特别高，20个，30个，40个，基本上cover（覆盖）很多岗位。不会有一个岗位说一天这个人需要做几百种不一样的动作，其实都是很固定的。所以像这样的岗位我们看起来是好场景。所以具身智能的好场景率先要铺量，要落地。
现在有哪几个具体的场景？非常具体。我觉得在仓储物流里面的Bin Picking是很好的一个场景。其实它解决的问题很简单，就是这个超多的这个SKU可能是1万个，上万个SKU在一个仓库里面，它的存储方式是什么？一个一个的这个Bin（箱子），就是这个斜口的盒，一个盒里边放一个东西，放一类东西，一个盒里放一个东西。然后很多时候人干什么？订单拣选，就是人拿着订单去那拣。又因为它这个数量太多了，所以传统的那些物流解决方案其实没法有效的解决这个事。所以我们看一下这个场景还不错。
还有一些其他的，我觉得像智能制造这个场景里面，其实也有大量的这种物流的环节，场内物流的环节。智能制造里边，它其实一是物流，二是这个装配组装。组装就涉及到毫米级别的操作，而且很多时候是柔性操作，复杂度一下就上去了。那我们可能要放一放。场内的这种各类的物流，就是单手拿，双手搬的，这类的其实都可以。
我听起来会有一个很大的疑惑，就是10年前也有很多的机器人公司在成立，他们也都可以做这些场景，为什么需要这一代的AI来做这些场景呢？其实还不太一样。首先就是说，这些不是很定制化的东西。就是说，我分成两个问题去讲。第一个，就是物流是一个持续得在被机器人公司解决的一个问题。这个早期的，比如说像这种Kiva这样的这种机器人，再到后来比如像这种夹抱式的机器人，夹抱料箱，然后送到一个地方，其实它基本上都是解决一大类问题。但是时至今日，你会发现大量的仓库里边还是有很多人拿着订单去到一个一个的斜口盒里边去拣货。这个动作还是很多的。原因是什么？原因就是当你的SKU的数量特别多，然后订单又是从这个SKU里面挑几个，就这类事情发生。这类事情其实在很多场景都会发生。传统的方案是没有办法的。所以这就是为什么传统方案没法解决这类的问题。这是为什么今天还是有很多人再去做这样的事。
在车厂里边其实也有类似的。一般他就车厂里面叫所谓的SPS（Stock Pick System，库位拣选系统）集中分装。他干的事是什么？就是这个车在上总装线之前，他一般会有一辆AGV（Automated Guided Vehicle，自动导引运输车）先去到一个这个小仓库区，然后他转一圈，然后三五个货架就会有一个人，这个人从这个货架上面把对应的零部件拿出来，放到这个AGV车上，就做这一个动作。这个里面用到的人其实也很多。所以其实你看他都是这样的，一个从一个区域拿一个东西起来，单手拿或双手搬，放到一个指定的空间里面。Pick Anything（任意拾取），Place To Somewhere（放置到某个地方），就这么一个活。就传统的方案，无论是这种夹抱机器人还是移动式机器人，它没法解决这个事。
再到比如说很多传统的这种协作臂，机械臂，那它解决不了的是泛化性问题。它能解决的是一个，比如说一托盘的货，这种叉车搞一下，或者是码垛，大的这种机械臂去码垛，这样是可以解决。但真正到了这种物体成千上万的，然后不同类型，不同形状的，传统方案是失效的。这是第一个问题。
第二个问题，就刚才第一个问题说的是说为什么传统的这些方案没法解决。然后第二个问题就是说，为什么他不是一个高度定制的东西？因为在这个里边，其实你看我都把刚才这个问题归结为什么，就是Pick Everything（任意拾取），或者Pick Anything（任意拾取），Place To Somewhere（放置到某个地方）。那事实上今天如果小珺来我们的办公室，你能体验到第一部分了已经。就是你随便从兜里边掏一个东西出来，随便拿一个什么什么口罩，耳机啦，口香糖了，放在桌子上，它都能给你准确的给你抓起来。而且我们这套就是用真实数据驱动的VLA去解决的问题。那我们接下来再解决一个Place To Anywhere。其实它是一个从AI的范式里面，你会发现它是个高度统一的问题，它不是一个定制化的问题。
我理解这一波机器人公司这么贵，很大的原因是因为你们讲了一个通用大脑的故事。大脑你们是怎么做的？你们现在做到什么阶段了？以及你们和像这些，比如说字节、小米等等这种大公司做大脑，你觉得未来会什么关系？在海外可能是Nvidia PI（Physical Intelligence的简称），可能是Google。
首先我们先定义一下大脑。我觉得大脑这个词有时候会有点模糊。我们回到基础模型这个词。那我觉得这个世界上会有两个很重要的基础模型，至少对于具身智能来说。一个我们叫做动作的基础模型，也就是VLA（Vision-Language Action，视觉-语言-动作）。这个动作的基础模型最终是要产生Action（动作），就是驱动一个本体执行任务。它的输入是Vision（视觉）和Language（语言）。那么还有一个模型，其实是做上层的这个指令的拆解，逻辑的思考能力的。这个往往是一个多模态的语言模型，VLM（Vision-Language Model，视觉语言模型）。那么今天我们的这个所谓大脑的这个结构，其实就是这两个模型的一个组合，我们叫双系统。那么这个VLM干的事，就是把一个模糊的指令拆解成若干个可以执行的任务。然后这个若干可以执行的任务进入到VLA，然后去完成这样任务的这个执行。那么这两部分都叫做这个基础模型。那它的这个功能其实不太一样。这是我们的现在的架构，也是我们相信能够支撑我们往前走很长时间的这样一个技术架构。
你们是第一梯队吗？我觉得在，如果看国内的话，我觉得我们是第一梯队。当然这个问题要回到从哪个维度去定义这个梯队。那其实大家会去看的话，就是估值、融资额，然后一些技术的这个发布，然后商业化能力。那我觉得，就说如果真实的智能水平呢？从真实的智能水平，那我们肯定是，因为就在里边，我们我觉得是引领了国内的。首先从去年的下半年开始，国内有一波开源，我们是在国内的这波公司里面，我们公司做了第一个就是公司层面的基础模型和数据集的开源。然后后来有很多其他的友商也做类似的这个动作。我们是8月份，当时开源了我们的数据集和我们的G0的基础模型。然后到了后来我们一些友商9月份、12月份、今年1月份也陆续也在发，也在开源。
那么我们今年1月份又做了一件事，就是说我们在开源的基础上，我们做了一个开箱即用的体验。因为我刚才说我们今年的重点是什么？是场景，是应用。其实我们看到就是说，真正你在做Application（应用）之前，我们可以把这事分成这么几个阶段。最原始这个阶段叫Demo（演示）in the video（视频里），就视频里的Demo，这样的东西很多。然后是Demo（演示）in the office（办公室），你可以在这个办公室里面看到，在一个公司办公室里面看到他现场给你做这个Demo。第三种类型叫Demo（演示）in the wild（野外），就是我们说的这个，我们说万物抓取的这个Demo。我可以在所有地方去做这样的部署。我们事实上在新加坡，在韩国，在美国的客户那边，在我们的办公室，在很多投资人的年会的现场，我们都展示这个Demo（演示）。而且是真的是Pick Up Anything，这个很多观众或者是这个体验的同学兜里边掏出来的东西都可以解决。这个叫Demo in the wild。Demo in the wild解决了之后其实才是Application。
所以这是我们今年年初，我们在这个，我们发布的这个G0 Plus这个基模里面，我们释放了一个能力。我们跟我们的这个整机就是R1 Lite做了一个整合。这也是国内的首创。我们为什么做这件事？核心还是在于第一，我们要看场景应用。第二，我们相信商品的主要形态是整机加智能。
为什么你们选择VLM（视觉语言模型）和VLA（视觉-语言-动作）这双系统？为什么不直接做一个端到端？你知道你同行也有很，也有人做端到端。
是的，我觉得这个里边其实还蛮直接的。就是我们必须要考虑的一件事是，到最终我们落地的时候，我端侧的算力其实是有限的。我不可能把一个几十B的一个推理模型，甚至是上百B（Billion 十亿）的一个推理模型，放在我的端侧。这是不可能的。这个一定是在服务器上的。我端侧里面是什么？端侧里面就是一个完成动作的模型。如果我把端侧的，就是所谓完成动作的这个VLA模型也放在云上，它最大的问题是啥？就这个延时大概率是解决不好的。所以执行动作的模型一定是要在端侧。而且很多时候你会发现，其实我们并不需要那个VLM的推理部分。假设我的很多就是工商业的这个工作场景里面，我发现有很多工商业工作场景就二三十个动作，我觉得这二三十个动作直接调用这个VLA的语言接口其实也就够了。真正什么时候用VLM？还是就是我们要进入到更通用的场景，更泛化性的任务。比如说家庭，这个VLM才是一个最重要的，不可或缺的一个组成部分。所以这是为什么我们要把它拆开。那还是围绕着我们要真正的产生价值，产生商业价值去考虑。
对于星海图来说，你觉得它的肢体更重要，就是硬件整机更重要，还是脑子更重要？
一定是大脑，一定是的模型更重要。但是我们为了做好模型，我的整机一定也要好。所以这是他们之间的逻辑关系。
你觉得整机能产生数据闭环？
是的，然后能为智能更好。
对。那你们相对于这些大公司来说，做一个机器人大脑的优势是什么？作为一个创业公司？
其实我觉得应该这么去想，就是做一个大公司相比于我们有什么优势。因为在很多时候，其实我觉得我们这全是优势。你看Google的谭捷就跟我说，他觉得他在Google的DeepMind（谷歌AI研究部门）那个大语言模型上，在这个基础上面去做VLA就有很大的优势。是，它需要一个更聪明的大脑。VLA其实是这个基础模型的延伸。但是你们没有这样的一个基础模型，那个庞大的基础模型。
首先，那我们要盘一盘，就是说为了把这事做成的成功要素有哪些，以及去看这些成功要素到底是在大公司里边分布的多，还是在我们这样的公司里边分布的多。这决定我们刚才说的这个所谓的优势的这个问题。我们的目标是把VLA这个模型做好，就是能够让一个机器人在物理空间当中能够真正的去解决问题，做各种各样的操作。这是我们的目标。那么我们为了去做好这个VLA模型，我需要什么？我需要数据。这个数据不是互联网数据，而是真实世界里面的机器人也好，人也好，去操作这些物体的数据。这是数据层面。第二，我需要一个好的算法。这个好的算法今天本身有一部分承接自这个传统的这个VLM的这个领域，包括Transformer（Transformer模型）这套架构，包括Diffusion（扩散模型）这套架构。也有一部分尚待创新，尚待研究。这部分是大家其实都没有的。前面一部分是大家都有的，后面这部分大家都没有的。然后第三部分是什么？是算力。算力的背后其实是基础设施的能力和资金。然后是人才。大厂是什么呢？就是说这个基础设施，算力，人才这肯定都特别好。然后这个最缺的是数据。然后这个所以其实像，包括像这个美国的很多公司，其实我们跟谭老师交流也很多，他们就是很着急的，没数据，赶紧搞数据。
其实就是说，在搞数据的这件事上面，中国公司系统性的要比美国的公司更有优势。然后中国的创业公司因为在整机和硬件方面都是很多公司都是亲力亲为自己去做的，所以相比于大厂速度更快。因为大厂里边要做这件事，他要获取数据，要么买数据，要么自己采数据。但是你会发现买来的数据一般都有这样那样的问题，除非这供应商特别优质。但这供应商优质的前提是什么？这供应商优质的前提是他自己得懂模型，才能把好的数据搞出来。就这里边你看这悖论就来了，这个矛盾点就来了。你如果不懂模型，你是没法定义好的数据体系的。你就天天光光在那个乱七八糟的采吧，你采完的数据全都是垃圾数据，没什么用。必须得有懂基础模型的公司定义这套数据体系和数据的治理体系，然后再把它交给一个或多个运营团队完成数据采集，做质量验收，然后才能进入到训练这个阶段。所以你看它是这样的一个流程。同时这个数据还得跟你的整机有一定这个结合性，因为最后我后训练肯定还是基于这个整机的这个数据做后训练，然后才能去交付出去。所以你会发现有整机，有硬件能力，有基础模型的Know-how，是我们去把数据的这套东西给做好的一个很重要的前提条件。所以这就是我们这样的一个创业公司，我觉得或者说有整机能力的创业公司，相比于没有整机能力的这个其他公司，我觉得一个优势的一个地方。
你们是不是也想卖数据给他们？
我觉得数据不是我们的业务，但是我们乐于分享。这就是为什么我们去年8月份我们就开始开源数据。开源数据完之后很多我们的客户其实就找来说，能不能从我们这搞一些数据。那其实很多时候我们都是无偿或者是稍微收一点点小费用，但都是很小的就交付给了他们去使用。所以我们是乐于分享。
是不是只能这么理解，你们其实想走Tesla的路线？
如果对标到自动驾驶行业的话，我觉得在，比如我们说特斯拉的这个自动驾驶路线是整车加上这个数据采集，加上端到端的这个模型的这个智能。如果是这条路线的话，那我觉得我们是的。我们要自己做我们的整机，我们要完成数据的采集，数据的这套体系，然后基于这套东西我们要去做好的基础模型。不同的是什么呢？不同的是特斯拉做的是汽车，他有一个明确的行业，他本身汽车本身是有需求的，汽车本身能卖出去。然后机器人本身卖不出去。这个我觉得是挑战啊。
那你看好像比如说理想、小鹏这种车企来做机器人吗？他们有他们的优势。
我觉得他们有他们的优势，我们有我们的优势。我觉得企业之间去竞争这件事的话，无非就是说刚才咱们讲到的顶层的探讨，我觉得是三个要素：就是人才或者组织，然后资金、资源，然后就是业务协同。往往我觉得大厂或者说有一些优势业务的，这些企业做一个新业务的时候，它对于完全的一个初创公司来讲，最大的优势不来自于人才和资金，而在于已经存在的业务协同。这个我觉得是最要命的。比如说做那个做语言模型，那天然的就字节有整个飞书和抖音的这些流量，它做这个就在需求侧直接就有协同。所以对于做语言模型来说，它就是一个降维的一个问题，有很大的劣势。那么对于自动驾驶来说，纯粹就做一个自动驾驶软件的供应商，那直接就会面临来自于比如说车厂，他要直接去做车厂自己做自动驾驶的。因为车厂自己做自动驾驶，他直接掌握数据，直接把握用户需求，只要他能够投入足够多的资金，然后把好的人才队伍建立起来，其他做这件事优势也很大。所以这个就是我们刚才说的业务协同这块，我觉得是创业公司面对大公司的时候真正的压力所在。
如果没了这件事，其实具身智能是没有的。因为你发现需求侧千行万业那么多，也谈不上什么业务协同，大家都可以找到自己的客户。然后供给侧全都是新供给，汽车的零部件一个也用不到这个机器人上，大家都得从零开始研发。然后自动驾驶的这些数据，道路数据其实对于解决操作的问题用处也不是特别大。所以这就不存在刚才我们讲的这个所谓的业务协同。OK，那就回到了人才组织和资金资源这两个维度的竞争了。那从这个维度去讲的话，那我觉得就大家各自有各自的这个优势。
你有把Momenta的量产文化怎么贯彻到星海图？
首先我觉得我想做一个小小的修正，就是我觉得不是量产文化，而是为客户创造价值。这件事到底有多重要？我觉得有。我看到很多公司就是他不把为客户创造价值，以客户为中心或者客户第一这样的理念，作为公司存在的最重要的原因。这个文化和价值观的缺失其实会导致很多的问题。量产这件事，其实我觉得可能有点，就是这个定义稍微有点狭义。所以我想把它定义为就是为客户创造价值，用技术为客户创造价值的这样一个文化。我觉得是非常重要的。我们也其实是从Day One开始，我们就特别致力于去做这件事。这就是为什么我们在发现了直接去做生产力场景不太可能的时候，我们及时调整，然后做开发者市场。那我们给开发者市场的客户提供价值也是价值。而且事实上就是说，能够跟客户建立起来，无论什么样的客户，只要他的这个需求是真实的，他的付费是OK的，那么我们做的这个单位的经济模型是正常的。那只要是在这样的模式驱动之下形成的供给和需求之间的关联，对于这个组织来说就特别的好。因为可以培养整个组织，为围绕客户价值做务实创新的这样一种文化氛围。不然的话，很容易我们这样的就是技术出身的创业团队，就容易进入到一个大型实验室，大型研究院这么个状态。那样的话，我觉得就背离了我们做公司的初衷。
最近许华哲要离职？
是的。他跟这种一个是Research（研究）驱动的文化，和一个是你叫它实践也好，你叫它量产也好，驱动的文化，是这种两种价值观的分歧吗？
我觉得是。首先我还是想肯定一下华哲，就是华哲是一个就是非常有影响力的一个一个科学家。他在很多前沿问题上面的理解，算法问题上理解也很到位。那么但是就是说我觉得确实是存在一些，就是说我们到底是要去做一个务实创新，围绕着客户价值一步一步来这样的，还是说可能我们就是要更多的去做一些超前的创新，之间我们是要有一个Balance（平衡）。然后华哲的，其实我们最后决定还是支持华哲去创业。华哲的第一轮融资我们也会投资，星海图也会投资。更多的还是出于一个华哲想去做这个To C方面的家庭应用方面的这个探索。那么在这个角度，虽然未来不排除我们也会去做，那我们愿意去以一个新的方式去支持他把这件事做好。我觉得这个在当下来看，对于大家来说都是更好的选择。
你们所相信的东西，在当下这一刻的分歧是什么？
我觉得其实谈不上特别多的这个分歧。我觉得还是就是说公司发展到，其实刚才我从开始就提到了，就是说公司有这个合伙人的这个机制。那么从最早我，天威，赵行我们三个，我们创办了这个公司之后，那么公司到现在为止引入了多位的合伙人。那么我觉得公司在不同的发展阶段需要不同类型的人，为公司去持续地去创造价值。当然我们也特别愿意去分享公司的价值，然后去把大家做成一个特别好的一个团队。那么在这个过程当中，我觉得我们本质上还是战功文化，实事求是的战功文化。那么我们会特别鼓励有结果的同学，就是去用更多的公司资源做更大的事。同时我们也会实事求是得去做一些调整。所以我觉得我们以新的方式支持华哲去做他的这个创业，我觉得也是过去的这段时间，大家实事求是的根据结果，然后大家共同的做出一个选择吧。
因为华哲主要是做算法，这是不是意味着现阶段来说，对于机器人公司算法创新并不重要？
不是。首先我们公司的算法创新能力非常强。赵行在这方面的这个能力我觉得也是有目共睹的。那么但是我们想强调的是什么呢？就是说算法的创新它不能独立于存在，独立于整个公司的基础设施去存在。我们还是要看整个的具身智能价值链条。这价值链条是什么？是整机供应链数据，然后这个AI的Infra，然后是算法，然后结合了这个算法之后产生了模型，然后是分销，然后是我们的终端，是我们的客户，客户价值。在整个这链条里边，你会发现我们如果用一个关键指标去衡量的话，就看各个要素的传播周期。你会发现整机和供应链的传播周期是12到18个月。终端和这个渠道的传播周期是更长的，因为你需要线下的跟客户建立起来关系。传播周期指的是什么？传播周期指的是当我的，比如说一家公司有了这个东西，我需要多长时间也有这个东西，或者我有了一个东西，我的友商学我，它需要多长时间能学明白，学会完全掌握这个事。整机和供应链12到18个月，一个新产品的研发就是需要这么长时间。然后客户渠道的这个建立6个月起步，大客户时间更长。那么这个数据体系是在刚才我们说的整机的这个基础之上，再加6到12个月，因为你要基于你的整机体系去构建你的数据的这套闭环体系。然后你会发现在当下这个时间点，就是算法的传播周期相对是较短的，因为现在大家都讲开源，然后至少论文都是有的。对于第一梯队的有非常好的这个算法和工程师团队的，算法工程师和工程师团队的这样的一个公司来说，算法传播周期是2到3个月。所以它竞争壁垒最少。
是的，它投入大，但是壁垒小。对，它在创新上面投入非常大，但是它在防止被抄袭这件事上的壁垒很小。所以作为创业公司，只要Follow大厂就好了。我觉得是说我们要学会用更聪明的方法，更有ROI（Return on Investment，投资回报率）的方式去做创新。所以你看我们公司有一个价值观叫务实创新。我们不是说不做创新，前面先要务实。对，先要务实。我觉得这个还是创业公司生存，先生存。然后就我觉得就是说，理想主义是对的，我觉得我是个理想主义的人。但是理想主义不能变成空想。理想主义能够实现的基础是我们每天都要去算ROI，然后去算一件事，对于我们的长期战略的价值贡献和我们短期收益的价值贡献到底有多少。这就是我们的总体Return（回报）。但是我们一定要有这样的一套逻辑去算。
你刚才也提到在Momenta，任少卿离开了Momenta之于曹旭东的影响，你觉得华哲离开星海图之于你的影响，这两者是一样的吗？
首先我不好谈旭东当时在这件事上他的真实感受或者是真实的判断是什么。但至少就是我觉得对于星海图来说，这是一个，这个长期来看绝对利好的一件事。我特别在公司里面强调的就是价值观。价值观是指导我们整个组织成长发展的最内核那个东西。而价值观的底层是什么？价值观底层是第一，面对取舍的时候，我们怎么选择，到底选什么，不选什么。然后面对利益分配的问题的时候，分给谁，不分给谁的问题。所以在这些问题上，我觉得我们绝对是要坚持我们的价值观和我们的长期战略的，不会被短期的利益所动。
这是一个艰难的选择吗？取舍？
取舍我觉得在任何时候都不容易，都不容易。
你想了多久？
其实这件事Settle down（尘埃落定）其实蛮久了已经。去年8月份我们内部基本上就完成调整，赵行统一管理我们的基础模型团队。也正是在赵行统一管理之后，我们就取得了很多进展。到今年1月份，我们全球首个的这个开箱即用的这种G0 Plus，赵行带领团队打出的结果。那么8月份那个时候，我们基本上就是达成了一个一致。那么我们就是说，这个整个基础模型赵行带领，华哲去探索To C的应用方向的一些可能性。然后公司愿意去支持他做任何愿意的这个探索，同时支持他去这个在合适的时机，去投资他去这个创业。
理解。我们刚才其实说了很多，不管是大脑，也包括算法，然后也包括整机，也包括数据，然后也包括整机，也包括数据。那你觉得你的技术Vision（愿景）是什么？你最终希望星海图变成一家什么样的公司呢？我知道你有很多路径，你有很多方法，你有很多拆解，你有很多ROI，听起来都很现实。但你的技术Vision是什么？
我觉得如果单说技术Vision的话，这个是我们可能每一次我跟投资人去讲的时候，我的第一页的PPT。就是我们希望给这个世界带来的具身智能带来的核心体验是，我们要像能够让培训机器人像培训一个员工一样，培训一个人一样，通过几次的示范，然后再通过几次的自我演练，这个机器人就可以在那个场景里面稳定的自主的完成任务。我觉得这个是我们要最终实现的一个体验，一个愿景。那么为了支撑这样的体验和愿景，我们在产品上面，我们是三个产品的一个组合：基础模型加后训练工具加整机，是这样的一个组合，给我们的客户带来这个使用机器人员工可能像用一个人类员工一样的体验。那么未来其实会更好，机器人员工的生产力会显著增加我们整个人类社会的幸福感。
这个世界会因为有星海图，有什么不一样呢？
因为有星海图，这家公司有什么不同呢？就是你们和另外一家机器人公司不同是什么？我觉得未来还有很多可能性，但迄今为止，我觉得我们已经给这个世界带来了一些不同。就是我们已经服务了，至少150多个全球的开发者客户，他们在用我们的整机产品、数据产品和基础模型产品，在做他们想做的这个生产力场景的这个应用。那么我希望我们的产品能够进入到，不仅仅是开发者当中，而进入到真正的使用者，进入到开发这个生产力场景当中去，能够给大家提升生产力，带来更多的幸福感。所以我觉得这是从今年往后看，我们要给这个世界带来的不同。
为什么我觉得在机器人行业里面，我好像没有看到那种特别有Tech（技术）浪漫主义的人啊？很有可能是机器人这件事本身就不浪漫。为什么呀？
这是我的疑惑。我觉得确实是啊，就是说机器人这个事链条非常长，周期也很长。相比于语言模型，AI应用类的创业，我觉得很大的一个不同，就是它的链条的长度不一样。如果我去做AI应用，或者是去，或者是大语言模型，不用操心供应链的事，不用操心数据的事，我可能也不用跟特别多的这个线下的客户打交道，我就安安心心的做好我的模型研发，我做好我的社媒上面的这个病毒传播就好了。所以这种事本身就会让这个团队有更多的这种浪漫的可能性。而我们天然的就去，就要去土里，要去土里边做很多东西。土里边，对吧？我们就没法浪漫，就要务实。
你在公司做的非常激进或者是务实的一件事情，非常极端的有什么？
我觉得我可能没有什么极端的这个选择。我更多的时候我们还是步步为营，步步为营，步步为营。首先我对于长期的战略非常的坚持，就是刚才我们讲的，我们要做整机，要做预训练模型，要做后训练工具，然后提供这样的体验出来，这个我非常坚持。然后我们要从底层去构建我们的供应链体系，这个我也很坚持。但是我并不会就是说在一个时间段内把所有的事同步展开，因为那样的话我知道拿不到好的结果。所以我们的策略一般还是步步为营。所以这是为什么，我们24年我的重心就是整机和供应链，25年就是数据智能，26年我们就要开始做场景的应用。
我很好奇怎么能识别一个机器人公司在画饼？
我觉得这个东西无法在一个瞬间去完成。识别需要一个周期。所以就是要去看这个团队，可能一年前，两年前说的跟他这一年做的，以及跟他一年之后做到的去做一个对比。现在有谁啊？看起来画饼的吗？
你是说？
我其实觉得就是大部分我觉得投资人还是很会观察和选择的一个群体。基本上经过投资人选择的这些公司，你这个太艺术了，我是事实。我觉得还都是经过了时间的验证，然后拿到了一些结果，至少在某一方面拿到一些结果的公司。
你们在画饼吗？
必要的画饼肯定是要做的。因为我觉得是这样，就是说，就是说这个其实这个世界是靠相信去这个驱动的。就是很多时候，不是说我已经拿到了这个结果了，而是大家，我们的公司的员工，投资人，供应商，客户相信我们能够把这件事去做到。那你说我要让别人去相信的时候，就是这个，我肯定要去说未来我们要会去做什么事。所以如果我们把描述未来会发生什么这件事定义为画饼的话，那肯定我们天天画饼。但是我们要努力的，非常非常努力地去把我们每一个对于未来的描述都变成现实。这个就不是那个意义上的画饼。
你们最近一轮融资是不是即将Close了？还是已经Close了？
已经Close了。
你们讲一下这一轮融资的过程以及它的资金来源。
这轮融资的过程，其实我自己参与的参与度是历史上所有轮次最少的。主要是靠天奇，主要是天奇，他这个太厉害了，这比我的融资能力强多了。我现在主要是这个花瓶，他需要我这个什么的时候，我去讲一下。所以具体的这个融资过程，有一些这个波折，因为我们也很坦然的，就是说这个我们跟华哲的这些问题肯定会造成一些大家的理解也好，不理解也好，那需要一些的这个解释。但是客观的结果是非常好的。我们这一轮有很好的产业背景的。谁呀？产业背景的包括吉利，包括北汽，还包括很多大的PE和一二级Crossover（一级二级市场均投资的基金），包括正心谷，金鼎等等。更关键的是我们有6家老股东都Pro rata（按照股比跟投），而且还有可能是3家，还是四家Super（超额跟投），包括凯辉，包括今日资本，包括襄禾等等。我觉得就是大家的这种选择，其实是已经充分地认可了我们公司过去取得的一些成果，以及对于未来的一个展望。
你们估值相比两年前增长多少？
我想想，两年前是24年的，现在24年的1月份增长30倍。30倍。好像是30来倍。1月份，那时候我们就刚24年1月份刚融完第一轮3亿，3亿左右。现在的话我们就是100亿，估值在两年时间迅速地膨胀这么多。
你觉得组织会遇到问题吗？
其实我觉得组织会有问题的原因不是因为估值上涨了，而是因为组织本身变复杂，变庞大了。这个会有问题。除非就是说这个创始人团队因为估值上涨自我膨胀了，那个肯定会引发很本质的问题。但我觉得我们是没有的。我们今天的状态我觉得要比两年之前清醒得多，更务实了，更清醒了。对于未来要做什么事更明白了。那么在这个基础之上，我们去看组织的话，那我们首先组织比两年前也扩大了，得有个20来倍。我们今天大概那个时候也就十几个人，我们现在有200来人，200多人。那么扩大这个过程当中，其实我们对于组织的调整速度还是很快的。这个在不同的阶段，我们这个阵型怎么展开，基本上可能每3到5个月我们都会做一些局部的调整。
你有遇到什么现实的问题吗？现实中的挑战？
我觉得我可以说一个我印象中最大的，最大的。我觉得就是在我们要做的事的难度、复杂度和Scope（范围）广度在急速扩张的这个过程当中，我们首先是公司已有的同学，包括我在内，包括其他的创始人、合伙人在内，能不能跟上这个成长速度。第二个就是我们能不能及时引进更牛的人，有更多经验和Know-how的人去及时补充。我觉得这是第一个问题。
第二个问题就天然的做具身智能这件事，是两个Domain的两个领域的混合。一个是我们的，就是整机供应链这一套，强调流程体系，强调纪律性。第二个是智能。智能这事强调，当然它也有它的工程属性在，但是更多的还是强调人才密度，创新，创新。对，没错。所以这是一个强调纪律流程，一个是强调创新人才密度。天然的会有一些组织上的难度在。所以说我觉得，这是我们看到的两个挑战。
你现在怎么调和的呀？
我们调和的方法，其实这个我不敢说，我们今天已经调和的。我很好了，我觉得还是很会有很多很多的问题。
华哲离职是不是跟这也有关系？
我觉得这个可能关系倒不大，这关系倒不大。因为这个东西它不是一个，就是从组织层面看整机和智能的矛盾。因为我们智能团队今天很强很好。我觉得我们一个基本的，我们做什么事的这个基本的方法，就还是我们对人，我们就要正直诚信。正直诚信，就是说还是做对的事，然后真诚地对待公司里的每一个同学。然后同时我们强调一个，就是说我们还是比较精益经营的，就是该省的就省，该花的就花。我觉得是这样的一个情况下，大家也都取得了一个比较好的一个谅解和平衡。
你们现在是估值，就是正在交易金额的估值排名第几的中国具身智能公司？
我不是特别清楚其他家的这个准确估值，因为现在这里边其实也有很快速的变化。据你了解？
此刻？
此刻我不知道前五可能是。前五。第五，因为我不太知道有几家公司的具体估值。那最高的那个智元、银河、那个宇树这三家肯定最高的。我不知道还有没有哪些在交易的比我们高。所以，我保守说一个第五。
前五。你觉得你能从同行身上学到什么？
我一直学习宇树的这个做整机的供应链。他们就是做的很深入，垂直整合，自己设计齿轮，自己设计壳体，自己设计里边的这个做电磁仿真，做电机。这些其实是我们一直在向宇树学习，就是深入地去进入供应链，整合我们的这个上下游。然后我觉得跟PI，我们也是学到很多。就Physical Intelligence（物理智能），他们更多的还是整个具身智能行业，在智能这个领域的领头羊，我觉得是毫无疑问的。他们的人才密度，资金密度都保证了他们能持续做这件事。所以我觉得在他们的这个前沿算法的这个做大模型，基础模型这个方向上，我们是学习了很多。但我觉得我们比他做的更有效率。
第三个，其实我觉得在，比如智元，我们也学习很多。首先智元我觉得他有很多很多这种做法了。我觉得我不去评论那些存在争议的做法，我看到一个成熟的管理团队去做具身智能这样的一个事业的过程当中，他们有什么样的经营动作。比如说，有非常非常多，我觉得他们做的就是很多方面都很好。他们甚至连知识产权这件事做的都特别好。就是知识产权可能是一个大家都不会关注，但是我关注到了，我发现他们知识产权做得特别好。组织也很好，然后整个管理团队也很实事求是，调整速度也很快。所以说我觉得真的，我是比较Respect（尊敬）智元的。我们也跟他学习了很多。创业很早的时候，我有幸跟邓总也聊过一次，那个时候我就感觉到他是一个很成熟的企业家的状态了。
你的创业老师是谁呀？
创业老师啊，这可能还真没有一个。能学的我就学，我没有一个人是说可能没那个运气遇到一个特别好的老师，能够去教方方面面吧。
如果把星海图在商业社会比作一个动物，你觉得它是什么？
这个问题还真没想过。我的第一反应是，这个问题真不好回答我。我觉得如果非要类比的话，可能是狼。我觉得。但是狼我觉得又不是很准确，因为狼最这个什么呢？就是好像我们要突出我们的狼性，但其实我觉得大家都很狼性。没有哪个公司不狼性的。现在就是具身智能里边前面的这些公司都非常狼性，都非常卷。所以这个问题我觉得我没有一个特别好的答案。可能最接近的是狼。
能不能说一个片刻，一个时刻特别能体现你或者你们公司的狼性？
我觉得在很多的这个客户交付的问题上，或者是在这个时间节点的面前，很多时候也不是给客户交付，可能就是我们自己定了一个发布的一个节点。在这些时刻，我觉得我们公司整体体现出的这个进取心和韧性，非常得好，非常得强。然后那比如说我们在这个G0 Plus发布之前，整个团队可能赵行老师带领下的这个整个智能团队，也包括整机团队也要配合，可能连续工作了，我不知道，得有一个月的时间，就周末是不休息的。我觉得这种韧性，然后这种进取心，然后面对目标，这种就说一定要达成目标的这种韧劲，我觉得特别好。我是很感动的，我也很自豪我们有这样的团队。
你喜欢什么样的音乐？什么样的电影？什么样的小说？
我很喜欢看电影。大学那会几乎把豆瓣里边的高分全看完了，以至于我现在没有好电影可看，然后丧失了一个很好的享受娱乐的一个方法。所以很多时候老电影会重复看一看。这个我喜欢看的电影类型其实很广，能够让我暂时的可能脱离这个世界的，让我进入到另外一个空间的这些电影，我都喜欢看。这个故事性的，科幻的，动作的，然后可能还有一些比如悬疑的，爱情的，我都喜欢看。然后我觉得通过看这个电影，一方面是放松，另一方面看看还有什么样故事的可能性，都蛮好的。
音乐我不是一个好像很高雅的这个，就高雅的音乐好像不怎么听。主要就是听一听流行音乐。我就是90后，就是周杰伦的，五月天的。我觉得这都很普通青年，没有一点文艺的这种感觉的。
书的话，我小说其实看的不多，但是我我很喜欢看书，就看历史类的书很多。
我们希望每位嘉宾都给我们的观众和听众推荐一本人生之书。它真的对你有很大的启迪和改变。你能不能给我们推荐一本？此时此刻？
不能说曾国藩啊。我就刚好想说这个。那我觉得可以是。那我说一本，我最近在看的。就是我最近在看这个吕思勉写的一本，就是讲三国的书。那个名字我有点忘了，就是吕思勉讲三国的那一本。我觉得就是说三国这个历史，其实它呈现出的状态，某种程度上来说和具身智能今天的状态很像。有很多就是可以参考或者获得启发的地方。然后而且事实上真实的历史总不是那么戏剧性，真实的历史有它的逻辑性。然后真的，如果我们回到那个时间节点，会发现没有哪个人是草包，也没有哪个人是绝对意义上的理想主义的英雄。都是在现实当中去挣扎，去取舍，然后凭借一些运气，可能，然后取得了一些胜利，然后步步为营，然后去取得最终的一些成果。但我觉得好在，就是说那个时代太你死我活了，最后好像只有一个人能够取得一些结果一样。但今天不是，今天我们每个人都可以很好，每个公司都可以很好。那更多的还是说我们怎么围绕我们的客户去把价值做出来，用我们的这个技术，我们的这个产品。
你创业以后在现实世界获得的一个最大的正反馈和一个最大的负反馈分别是什么？
我觉得最大的正反馈So far（到目前为止），我期待的那个正反馈还没有来临。是那两个数吗？出货量？
对对对。
我觉得那个就是我追求的正反馈。我觉得融资对于我来说没啥正反馈。就是我每次融资成功，我其实给自己都是我觉得我肩上的责任。这个20亿，几十亿的钱在账上，我得把这些钱花好，管好。然后这么多同学投入到公司里面，我要为这些同学，我觉得要负责任，要给他们一个好的前程。然后很多政府的领导给我们关怀，我要去交付一个好的这个产品和结果给他们。很多客户给我们机会，我觉得我不能辜负。所以我觉得更多的是感受到一个责任。
负反馈？
坦率来说，也没有特别多。我觉得我没有特别多。嗯，没有特别多。就是开始的时候有一些负反馈，就是有些投资人不理解你。但坦诚来说，我也不觉得这是什么负反馈。就是我后来，其实我很早，我觉得我就大概形成了一种状态，就是我没有特别在意别人对我的评价。我就是比较低，程度比较低去在意。然后我更多的还是会去想是说我们的目标是什么，我们要给这个世界带来什么价值，我们现在有没有在做正确的事。我接受就是我们现在做的这些事，假设我内心认为我们是正确的，是实事求是的，大家有一些不理解，不认可，甚至是瞧不上，等等，这个我也都OK。所以我觉得这个就是我在我们坚持要去做的这件事上So far，我觉得我没有什么因为负反馈而动摇过。
如果有人评价你们产品不好，你怎么想？
那我会第一时间去解决。第一时间去。我其实很多时候我就去客户现场。然后我们在发展过程当中确实产品很多时候有问题的，这我觉得创业的过程中常态。所以那我的办法就是说，第一，我自己作为这事第一责任人，我去客户现场，我去给客户去这个解决。同时我要把这个体系建设起来，持续性的能够解决这些问题。通过一个问题解决一类问题。然后因为很多时候身先士卒，能够给大家做表率。然后我也要求我的减一们也是这样做，身先士卒，在一线获取一手信息，解决客户问题，然后给团队树立好的榜样。
还有几个快问快答。一个全球范围内你喜欢的食物？
平常对食物研究也不多。我比较喜欢吃。假设就说一个吧，我现在突然蹦到我脑子里边了。我上那个，我读博士的时候在洛杉矶，然后洛杉矶美食很多。有一家店我特别喜欢叫那个ABC Tofu House，吃韩国的这个豆腐锅的，那个我是特别喜欢。
一个全球范围内你喜欢的地点？
我觉得如果有一天我退休了，就不干活了，创业差不多结束了，可能我觉得洛杉矶挺好的。
基于当下的认知，一个关键的重要的Bet是什么呀？
我觉得那我就回到创业这件事上。我觉得首先我去创业这个，做具身智能就是我人生的Bet。对，就我这一辈子就干这件事。然后那个在当下这个时间点，我们选择把在生产力场景，我们做出万台的出货量，做成我们接下来最重要的事。这个就是我的Bet（赌注）。
你听过我播客没有？
听过。
你听过谁的？印象最深刻的是李一帆（禾赛创始人兼CEO）的？
李一帆的。为什么？
我觉得李一帆讲的很多东西他是做，就是这个自动驾驶相关的吧？相关的。激光雷达？
对对，激光雷达。我记得当时你采访他，就是他谈到了很多他早年间14、15、16年，那时候是混沌摸索期的那个状态。我是很受启发。然后我发现这个就是看早期，今天这么成功，公司这么好，早期的时候其实也是，就是一点一点做过来的，也不是一帆风顺。然后我想起来我们最早的时候，我们那个，我觉得混沌期的时间会更短一些。那我觉得，诶，反倒我还挺幸运的，很快我们可能就步入到一个还OK的一个轨道上面。包括他谈到很多对于客户和技术产品的这些理解和判断的时候，一是有共鸣，二是有启发。那期我是印象很深刻。
我们工作室叫语言即世界工作室。当你听第一次听到这个名字的时候，你在想什么？
语言即世界工作室。我觉得这个名字特别贴切。就是说其实这个世界，我们每一个人看到的这个世界，都是一个主观认知之下抽象出来的世界。而这个主观认知的过程就是一个语言的过程。所以我觉得这个其实会有一点唯心主义。但是我觉得这个是普遍的常态。但我觉得确实是很多时候我们对于这个世界的理解，就是通过这一个一个的唯心，然后去尝试变还原的一个客观世界。
刚才我们走过来路上问你个问题，就是有什么机器人行业你们都知道的事，但是我们都不知道？能不能讲讲秘密？
我觉得可能因为大家对于机器人的理解更多的是来自于视频。对视频的这个形态塑造大家对于机器人的认知。然后我想说的是可能视频里面呈现出的机器人状态比现实当中的要好得多。然后现实当中的机器人我觉得大家还是要给它更多的耐心。但这件事会发生。所以，我说的那个感受你觉得是对的，就是我觉得在机器人行业里面好像没有那种特别技术浪漫主义的人。起码我没有见过。我觉得这个行业不允许这样的人存在。这样人存在可能他会有很大的Suffer（痛苦）。就是我选择AI这个产业，和我选择具身智能这个产业应该是不一样的人。可能我觉得这个行业这件事会把人塑造到不一样的状态，是一个狼的状态，是一个既要有理想主义，又要每一天很务实的去思考，我今天要做什么，明天要做什么，我每件事的收益和付出是什么的一个状态，需要平衡好很多方的关系的一个状态。