本文來自微信公眾號(hào)： 硅谷101 ，采訪：泓君，圖文：朱婕，原文標(biāo)題：《機(jī)器人走錯(cuò)路了？與蘇度韓錚聊聊具身智能的3D數(shù)據(jù)、路徑分野與硅谷競(jìng)賽》，頭圖來自：AI生成

2026世界人工智能大會(huì)（WAIC）上，成立不到一年的蘇度科技首次在國(guó)內(nèi)系統(tǒng)亮相，現(xiàn)場(chǎng)演示了10余項(xiàng)技能，覆蓋雙手操作、柔性體處理、精密組裝、移動(dòng)抓取，還有一個(gè)被視為具身智能下一階段關(guān)鍵方向的“彩蛋”：邊移動(dòng)邊操作。

讓機(jī)器人在真實(shí)世界操作物體，與單純的控制運(yùn)動(dòng)相比，難度陡然提升2到3個(gè)量級(jí)，因?yàn)椤皠?dòng)手”之前，它需要理解眼前的物理世界。這正是蘇度科技想啃下的硬骨頭。蘇度科技聯(lián)合創(chuàng)始人、董事長(zhǎng)蘇昊是ImageNet的核心作者之一，師從李飛飛。這家公司走了一條與硅谷主流“純大腦黑盒大模型”不太一樣的路：軟硬件協(xié)同設(shè)計(jì)，上下分層架構(gòu)，上層負(fù)責(zé)任務(wù)規(guī)劃與環(huán)境理解，下層負(fù)責(zé)具體物體操作；Sim-to-Real作為核心訓(xùn)練范式，讓機(jī)器人在虛擬世界里經(jīng)歷幾百萬年的進(jìn)化，再遷移到現(xiàn)實(shí)。

這條路已經(jīng)跑出成效：在今年4月發(fā)布的Demo中，機(jī)器人零樣本通用抓取單次成功率達(dá)到98%。WAIC現(xiàn)場(chǎng)的10余項(xiàng)技能并非孤立開發(fā)，它們共享同一套Sim2Real技術(shù)范式，底層跑通后，新技能的邊際成本會(huì)快速下降，最終形成一套可復(fù)用、可擴(kuò)展、能夠持續(xù)生成新能力的機(jī)器人系統(tǒng)。

本期《硅谷101》，我們邀請(qǐng)?zhí)K度科技聯(lián)合創(chuàng)始人兼CEO韓錚，一起聊聊機(jī)器人的3D數(shù)據(jù)從哪里來？Sim-to-Real這條路能不能走通？全球機(jī)器人競(jìng)賽，各大頭部玩家的技術(shù)路徑是什么，誰能真正的跑出來？韓錚預(yù)測(cè)，接下來會(huì)有更多的硅谷公司重新回到“上下分層”的方向上來。而在硅谷眾多明星公司中，Deepmind+波士頓動(dòng)力的組合，可能是這條路上最值得關(guān)注的對(duì)手。

以下是這次對(duì)話內(nèi)容的精選：

泓君：我看你們現(xiàn)在做的機(jī)器人很火，我看見新聞消息說，投資人很難搶到你們的投資份額?，F(xiàn)在做機(jī)器人的公司非常多，我初步把它分成兩層，一層是造大腦的機(jī)器人，比如硅谷的PI、Skild；還有一層是造身體，像Optimus、宇樹。所以開始的時(shí)候，您要不要簡(jiǎn)單講一下蘇度科技的定位，你們做的是哪個(gè)環(huán)節(jié)？

韓錚：我們是大腦和本體都做，現(xiàn)在很多的機(jī)器人公司都在強(qiáng)調(diào)這一點(diǎn)，就是要全棧，要做整個(gè)的系統(tǒng)。我們團(tuán)隊(duì)10年前就開始用機(jī)器學(xué)習(xí)方法驅(qū)動(dòng)機(jī)器人，當(dāng)時(shí)主要以軟件為主，做探索和嘗試。直到2022年，團(tuán)隊(duì)開始以商業(yè)化的方式來做準(zhǔn)備的時(shí)候，我們才開始正式地考慮自己來做硬件的本體。

因?yàn)槎嗄攴e累下來的經(jīng)驗(yàn)告訴我們，如果不碰本體，大腦的能力很難展現(xiàn)出來，也很難做迭代和驗(yàn)證。

SUDO R1機(jī)器人｜圖片來源：蘇度科技

泓君：如果我們要類比一家硅谷的、大家現(xiàn)在已經(jīng)比較熟悉名字的這些機(jī)器人公司，你覺得你們做的這些環(huán)節(jié)跟哪一家機(jī)器人公司是更接近的？

韓錚：我覺得硅谷的機(jī)器人公司，不管是像Optimus，還是上一代的波士頓動(dòng)力，還是Figure、1X，其實(shí)都是本體+模型。不過這幾家公司在模型側(cè)的能力，比起Physical Intelligence、Skild，要稍弱一些，沒有那么專注。

泓君：我覺得我們要看每一家公司做機(jī)器人，它的思路有什么不一樣，可能要從它的整個(gè)歷史說起。我知道你的聯(lián)合創(chuàng)始人蘇昊，他是李飛飛的學(xué)生。李飛飛當(dāng)年成名之戰(zhàn)是ImageNet，她給上百萬的圖片做人工標(biāo)注，然后讓機(jī)器第一次看這個(gè)足夠多的世界。蘇昊他其實(shí)就是ImageNet的核心作者之一，后來他把這個(gè)思路搬到了3D。我覺得這個(gè)跟今天的蘇度整個(gè)的歷史也是一脈相承的。所以你可不可以簡(jiǎn)單跟大家介紹一下ImageNet，為什么它會(huì)成為整個(gè)AI爆發(fā)的一個(gè)導(dǎo)火索？

韓錚：蘇昊求學(xué)生涯里邊其實(shí)一共有兩個(gè)PhD，其中大概有將近4年時(shí)間的話，他是在李飛飛老師當(dāng)時(shí)在普林斯頓、后來在斯坦福的實(shí)驗(yàn)室里邊，核心的項(xiàng)目就像您講的，實(shí)際上是做ImageNet大的項(xiàng)目。他曾經(jīng)跟我講過，李飛飛對(duì)于整個(gè)ImageNet的推動(dòng)和架構(gòu)的話，實(shí)際上是非常有遠(yuǎn)見的。

ImageNet核心思想就是，用結(jié)構(gòu)化的方法，把世界上典型物體的2D圖片和對(duì)應(yīng)的文字描述配對(duì)，進(jìn)行系統(tǒng)化的整理和復(fù)現(xiàn)。比如桌子上的杯子，我們需要一系列的典型圖片去描述世界上幾乎所有的杯子，但是同樣款式的杯子，我們一張或者兩張圖片可能就夠了。

這個(gè)思想在2012年、2013年，蘇昊跟隨第二個(gè)PhD導(dǎo)師Leo Guibas，在斯坦福的實(shí)驗(yàn)室的時(shí)候，把這套思想帶到了3D里邊來。所以他那個(gè)時(shí)候開始組建3D的大數(shù)據(jù)集ShapeNet。它最大最大的挑戰(zhàn)就在于，相比于ImageNet，你可以把互聯(lián)網(wǎng)上面幾乎所有的圖片和它下面的文字描述和標(biāo)題梳理清楚，并且以眾包的方法做標(biāo)注，但3D模型其實(shí)非常欠缺。

泓君：把這個(gè)思路搬到3D領(lǐng)域，就是我能想象，比如說你2D，要在圖片里面去識(shí)別這個(gè)杯子，我只需要一個(gè)標(biāo)簽。3D的話，它的標(biāo)注維度會(huì)大很多，你的文字標(biāo)注它怎么去解決這種空間的物理關(guān)系，甚至是力的反饋？我覺得這個(gè)事情聽起來要難很多。

韓錚：對(duì)，這里邊的工作其實(shí)要復(fù)雜很多，所以愿意做3D大數(shù)據(jù)集的人相比于2D以及語言的大數(shù)據(jù)集的話，要少很多很多。在3D大數(shù)據(jù)集方面，我們有一系列的工作。第一個(gè)就是ShapeNet，是蘇昊在斯坦福期間的核心工作，現(xiàn)在做到了幾十萬的3D數(shù)據(jù)。但實(shí)際上還遠(yuǎn)遠(yuǎn)沒有達(dá)到像ImageNet能夠覆蓋世界上所有物體所有的模型。

這些3D模型，它只有基礎(chǔ)的幾何，和基礎(chǔ)的表面貼圖，我們大概能夠預(yù)估到它的這些物體的材質(zhì)。但再往下一步的話，同樣一個(gè)物體的話它可能會(huì)分不一樣的parts和組件，比如說一個(gè)飲料瓶子，會(huì)分成瓶身、瓶蓋……有的時(shí)候你甚至需要標(biāo)注哪個(gè)是它的瓶底。標(biāo)到PartNet的時(shí)候，就只有幾萬的物體了。

但再進(jìn)一步，比如說對(duì)于這個(gè)瓶子，它的瓶蓋究竟是往左擰還是往右擰，它擰動(dòng)之后能不能夠把它給擰下來，這個(gè)就叫動(dòng)力學(xué)約束的一些標(biāo)注，這個(gè)數(shù)據(jù)集叫PartNet-Mobility。到目前為止，如果我沒記錯(cuò)的話，它仍然是最大的帶部件、帶動(dòng)力學(xué)約束的開源數(shù)據(jù)集，但這里邊只有不到3000個(gè)物體帶有標(biāo)注的。這對(duì)像機(jī)器人合成數(shù)據(jù)的訓(xùn)練生成，像視頻生成里邊帶有連續(xù)的空間和物理一致性，都有很大的約束。

泓君：3D數(shù)據(jù)的收集，可能標(biāo)注是很費(fèi)時(shí)間成本的事情?，F(xiàn)在我們?cè)诳紤]大模型跟機(jī)器人的訓(xùn)練方法時(shí)，比如說我讓它現(xiàn)在用ShapeNet的這一套開源數(shù)據(jù)集去訓(xùn)練，跟直接對(duì)著視頻網(wǎng)站成千上萬的開放世界的視頻去訓(xùn)練，它的核心區(qū)別點(diǎn)是什么呢？

韓錚：我覺得這個(gè)核心區(qū)別在我們看來，就是2D的圖片和視頻里邊，三維的信息有，但是不太全，也不太準(zhǔn)。如果你拿它用來做自動(dòng)駕駛導(dǎo)航，它對(duì)精度的要求沒有太高，有一個(gè)大概10公分左右的精度，是夠用的。但是對(duì)機(jī)器人的操作，10厘米的誤差是絕對(duì)不能忍受的。像我們面前的這個(gè)錄音機(jī)，我們要把線纜插到對(duì)應(yīng)的孔位里邊去，它的要求必須是在亞毫米級(jí)以內(nèi)。對(duì)于我們做仿真（Sim-to-Real）的這條路，我們是要求機(jī)器人對(duì)于物理環(huán)境里邊的物體和環(huán)境、對(duì)于幾何有比較精準(zhǔn)的理解。它對(duì)幾何精度的理解，就要達(dá)到毫米級(jí)，甚至亞毫米級(jí)才可以。

泓君：您覺得蘇昊在做整個(gè)ShapeNet以后，現(xiàn)在開始跟你們一起做蘇度機(jī)器人，在這個(gè)中間沉淀下來的最核心的資產(chǎn)是什么？

韓錚：走Sim-to-Real這條路，它有點(diǎn)像波音造飛機(jī)，它是一個(gè)比較復(fù)雜的系統(tǒng)工程。所以怎么能夠把搭建這個(gè)復(fù)雜系統(tǒng)工程的團(tuán)隊(duì)建起來，我覺得這是我們團(tuán)隊(duì)最核心的積累。我們團(tuán)隊(duì)里邊的小伙伴們?cè)谔K昊的實(shí)驗(yàn)室以及我們成立公司之后，核心的這幾個(gè)大組的負(fù)責(zé)人其實(shí)都在一起工作過七八年的時(shí)間。人，還有過去做這些事情的經(jīng)驗(yàn)跟方法論，這個(gè)是無可比擬的優(yōu)勢(shì)。

包括數(shù)據(jù)，比如說我們?cè)谧龇抡嫫?，其?shí)大家能夠想象到的市面上核心機(jī)器人的仿真器，不管是像Isaac、MuJoCo，甚至說新創(chuàng)的一些公司，都跟我們有千絲萬縷的聯(lián)系。

NVIDIA Isaac Sim將同一抓取任務(wù)在物理世界與仿真世界中并行呈現(xiàn)｜圖片來源：NVIDIA

泓君：我先跟聽眾解釋一下Sim-to-Real，它的意思直譯就是“從仿真到現(xiàn)實(shí)”，它是讓機(jī)器人先在電腦模擬的虛擬世界中訓(xùn)練，練成之后把學(xué)到的這件事情“搬”到真機(jī)上，讓它在物理世界里面也能用。大家注意，重點(diǎn)不是說仿真這兩個(gè)字，而是“搬”的這個(gè)動(dòng)作，能不能直接把它搬到現(xiàn)實(shí)世界，還靈不靈？它是這條技術(shù)路徑上最大的一個(gè)難題。英偉達(dá)的Isaac仿真平臺(tái)就是這個(gè)路徑最大的推手之一。與它相對(duì)的另一條路徑，就是Real World Data這一派，直接用真實(shí)世界采集的數(shù)據(jù)來訓(xùn)練，比如說讓人手把手地教，然后機(jī)器照著學(xué)。

我記得蘇昊其實(shí)是非常早就在做跟機(jī)器人、跟3D數(shù)據(jù)集一系列的探索，那個(gè)是在什么時(shí)間？

韓錚：應(yīng)該是2012年、2013年。因?yàn)樵贗mageNet出來之后，他有一個(gè)想法，是要做一個(gè)類似于神經(jīng)網(wǎng)絡(luò)的架構(gòu)，但當(dāng)時(shí)跟他配合的人沒有那么多。在ImageNet的挑戰(zhàn)賽AlexNet橫空出世之后，對(duì)他的沖擊我覺得是非常大的，他覺得自己可能是錯(cuò)過了非常重要的一個(gè)機(jī)會(huì)。所以他就思考，下一個(gè)大的領(lǐng)域會(huì)是什么？他想把大數(shù)據(jù)集加神經(jīng)網(wǎng)絡(luò)的方法帶到物理世界里邊來。在他拿到第一個(gè)PhD之后，在Leo Guibas教授組開始搭建新的3D學(xué)習(xí)的團(tuán)隊(duì)。

泓君：這個(gè)中間我覺得不管是機(jī)器人還是我們現(xiàn)在說的AI，它的技術(shù)已經(jīng)經(jīng)過了特別多輪的迭代了。在2012年、2013年那段時(shí)間，甚至更早的一段時(shí)間，大家覺得投資機(jī)器人都是不賺錢的，甚至是失敗的投資項(xiàng)目。那個(gè)時(shí)候其實(shí)硅谷有非常多好的機(jī)器人項(xiàng)目，像什么Covariant。

韓錚：我們?cè)趧?chuàng)業(yè)初期，也受到了上一波大家對(duì)于這個(gè)問題的影響。從2012年、2013年開始，到2015年、2016年，當(dāng)時(shí)應(yīng)該是我們叫安卓之父Andy Rubin加入谷歌之后，他負(fù)責(zé)了谷歌的X這個(gè)項(xiàng)目，當(dāng)時(shí)應(yīng)該收購(gòu)了非常多家機(jī)器人公司，最知名的可能就是波士頓動(dòng)力，后來又轉(zhuǎn)手過很多次。像您剛才提到的Vicarious、Intrinsic，現(xiàn)在還在谷歌里邊，Everyday Robots它的硬件部門已經(jīng)被關(guān)閉掉了。當(dāng)時(shí)那波，可能大家還是想用機(jī)器學(xué)習(xí)的方法往前推進(jìn)，但當(dāng)時(shí)的要素我覺得可能還不是特別全。

在2022年，蘇昊想做機(jī)器人的底層操作模型公司的時(shí)候，我們當(dāng)時(shí)討論最多的一點(diǎn)，是什么原因能夠促使大家覺得現(xiàn)在的機(jī)遇跟大概七八年以前明顯的不同。當(dāng)時(shí)我們決策的核心原因之一，就是DALL·E（OpenAI的文生圖模型）的出現(xiàn)，它讓我們意識(shí)到，把2D升維到3D，實(shí)際上是有機(jī)會(huì)的。從一個(gè)樸素的想法來講，就是如果仿真器要重建整個(gè)世界的物體和環(huán)境，理論上是可行的了。

泓君：我們剛一直在提，你們?cè)谧逽im-to-Real的路線，你的Sim-to-Real的底層應(yīng)該是一個(gè)我理解現(xiàn)在可以說是世界模型，或者是3D的大模型。

韓錚：我覺得一定程度上是對(duì)的。其實(shí)仿真，在我們推動(dòng)Sapien和ManiSkill的時(shí)候，大概是2018年、2019年開始，比如飛行器和汽車制造里邊，我們要做流體力學(xué)仿真，機(jī)器人你要做機(jī)械包括力學(xué)的仿真，讓它跟真實(shí)的飛行器也好、車也好、機(jī)器人也好的話，盡可能地接近。

但新的機(jī)器人仿真器的設(shè)計(jì)思路就不太一樣，它并不需要我們?cè)诖笮蜋C(jī)器或大型集群里無限逼近真實(shí)環(huán)境；我們需要在一張GPU上面開出上萬、甚至上百萬個(gè)并行的環(huán)境，不需要讓它看起來非常地真實(shí)，比如說它的分辨率其實(shí)非常非常低；它要求物理的一致性盡可能接近，但并不需要無限地接近——它一定是要在真實(shí)和效率之間做大量的取舍設(shè)計(jì)。

泓君：所以你們選擇了在這個(gè)仿真器里面更多地遵循整個(gè)世界底層的物理法則，犧牲觀賞性跟分辨率。

韓錚：對(duì)，我們把經(jīng)典牛頓力學(xué)，包括物理仿真中人類總結(jié)的大量公式都代入到仿真器里邊來，但同時(shí)我們又給它大量的開放世界3D的物體環(huán)境任務(wù)的數(shù)據(jù)，讓機(jī)器人在里邊做強(qiáng)化學(xué)習(xí)。

泓君：對(duì)，所以你們現(xiàn)在Sim-to-Real的這條路線，包括仿真器的設(shè)計(jì)，我理解它所有的環(huán)境搭建都是為機(jī)器人服務(wù)的。機(jī)器人對(duì)一件事情的理解，你們可能是不局限于我要擰一個(gè)礦泉水的瓶蓋，而是說我想讓機(jī)器人做所有的、它能看見的現(xiàn)實(shí)世界中的環(huán)境它都能操作。我的理解是對(duì)的嗎？

韓錚：對(duì)，簡(jiǎn)單來講，我們想把人類和整個(gè)生物對(duì)于環(huán)境的理解、交互、物體的操作，幾百萬年進(jìn)化的過程，放在仿真器里邊來，讓機(jī)器人再經(jīng)歷完整進(jìn)化的過程。

泓君：你覺得現(xiàn)在在機(jī)器人的訓(xùn)練中，是用極高質(zhì)量的數(shù)據(jù)更關(guān)鍵，還是說我需要用更大規(guī)模的數(shù)據(jù)，但是這個(gè)數(shù)據(jù)的質(zhì)量可能沒有那么高。你怎么看這兩者之間的權(quán)衡？

韓錚：我覺得這是一個(gè)特別好的問題。我們也沒有標(biāo)準(zhǔn)答案，永遠(yuǎn)是在質(zhì)量和規(guī)模之間要取得平衡。但規(guī)模是要達(dá)到一定程度的。

我就有一個(gè)樸素的判斷，就是你要把世界上典型的物體、它們之間組合的環(huán)境和要去做的操作任務(wù)，都有一個(gè)結(jié)構(gòu)化的描述。這幾乎在機(jī)器學(xué)習(xí)的歷史上，不管是2D視覺、自然語言，還是自動(dòng)駕駛領(lǐng)域，都沒有出現(xiàn)過。

在仿真器里邊，我們要搭建的結(jié)構(gòu)化數(shù)據(jù)集是非常關(guān)鍵的。但我們也清晰地知道，不太需要無限度地準(zhǔn)。比如說單個(gè)飲料瓶子，它材質(zhì)的具體描述，它的標(biāo)簽上的文字信息，需不需要100%地還原？其實(shí)是不需要的。但究竟怎么取得這樣的一個(gè)平衡，實(shí)際上每家可能都有不一樣的理解。

泓君：所以你們的數(shù)據(jù)集算是一個(gè)什么樣的質(zhì)量？

韓錚：我們對(duì)于結(jié)構(gòu)化的理解，可能是在所有的團(tuán)隊(duì)里面做得最好的。但另外一點(diǎn)，我們也知道結(jié)構(gòu)化的下面，我們還應(yīng)該補(bǔ)哪些數(shù)據(jù)。比如說我們瓶子要怎么去擰，這些動(dòng)力學(xué)約束數(shù)據(jù)，還是整個(gè)行業(yè)里邊最欠缺的。

泓君：機(jī)器人界有幾派爭(zhēng)議，一個(gè)就是Sim-to-Real的這一派，還有一個(gè)就是用Real World Data的這一派。質(zhì)疑Sim-to-Real的這一派就會(huì)認(rèn)為，我把仿真里面的東西放到現(xiàn)實(shí)世界中，它的效果可能沒有那么好。你們其實(shí)也有機(jī)器人的本體，然后也已經(jīng)開始操作了，可不可以講一下你們的執(zhí)行效果？

韓錚：真實(shí)世界數(shù)據(jù)采集的方法有很多種：比如機(jī)器人遙操作（Teleoperation），比如UMI這樣的動(dòng)捕設(shè)備——不管是用夾爪還是穿全身動(dòng)捕服。第三種是Ego的方法，就是大家經(jīng)常在講的第一人稱的數(shù)據(jù)。這些方法相較于Sim-to-Real，操作起來都會(huì)簡(jiǎn)單一些，但它很難保證某一類操作任務(wù)在開放世界的泛化性。

這個(gè)指的是什么呢？基礎(chǔ)模型的一般定義是：給它一個(gè)在預(yù)訓(xùn)練和后訓(xùn)練中都沒出現(xiàn)過的任意物體，它能不能以很高的成功率完成任務(wù)。

我們其實(shí)之前也稍微地提到了，就是這類的視頻和圖片，它對(duì)幾何的理解和精度可能不太夠。我們?cè)诜抡胬镞吅诵?，就是要重建這些物體和環(huán)境的3D Ground Truth的信息。但是如果規(guī)模不夠，其實(shí)是很難體現(xiàn)出Sim-to-Real的優(yōu)勢(shì)和能力的。

我們4月份放過一個(gè)結(jié)果，就是我們叫蘇度R1，它是去年底內(nèi)部的一個(gè)結(jié)果。在我們看來，這可能是整個(gè)機(jī)器人領(lǐng)域里，第一次用Sim-to-Real路線做到Zero-Shot、開放世界某一類任務(wù)，把仿真到現(xiàn)實(shí)的差距填平。

這個(gè)視頻展示了連續(xù)一個(gè)小時(shí)的操作：我們?cè)嚵?00多個(gè)物體，操作了200多次。但這些物體其實(shí)都是在我們的訓(xùn)練數(shù)據(jù)里沒有出現(xiàn)過的，即使抓取失敗，我們也沒有補(bǔ)充后訓(xùn)練數(shù)據(jù)。所以它是一個(gè)對(duì)于物體通用的抓取，第一次可以做到零樣本高成功率的結(jié)果。我們會(huì)變換很多的光照、環(huán)境和物體。

到一個(gè)小時(shí)結(jié)束的時(shí)候，我們一共做了240次抓放的操作。單次抓放的成功率是將近98%。但是它第一次失敗之后，還會(huì)用一個(gè)閉環(huán)控制的方法，迅速地調(diào)整它的策略，就可以做到100%。

在這個(gè)結(jié)果發(fā)布之后，整個(gè)的研究社區(qū)里邊有一派的聲音就質(zhì)疑說：“你們肯定精心控制了變量，這些物體和環(huán)境是不是在訓(xùn)練里見過？”但事實(shí)上，我們完全沒有。

SUDO R1 60分鐘連續(xù)無剪輯實(shí)測(cè)｜圖片來源：蘇度科技

泓君：我跟大家先簡(jiǎn)單解釋一下，因?yàn)榇蠹铱赡芸床坏竭@個(gè)視頻，你們第一次demo的畫面是一個(gè)機(jī)器人站在一個(gè)操作臺(tái)前，去抓不同的物體。這個(gè)物體包括像飲料的瓶子，還有小零食。這些物體，可能是橢圓形的，可能是錐形的，這就要求機(jī)器人的手要去抓不同的部位，它才能把它抓起來。這個(gè)視頻的時(shí)長(zhǎng)是60分鐘，你們是連續(xù)拍攝，沒有間斷，上面顯示一共是240次抓取。所以大家有質(zhì)疑是說你們可能是看過這些數(shù)據(jù)，但其實(shí)是沒有。

韓錚：是的，所以我們當(dāng)時(shí)就決定要在公眾的面前給大家做一次展示。在6月初的時(shí)候，我們首先在維也納舉行的ICRA（國(guó)際機(jī)器人與自動(dòng)化會(huì)議）的大會(huì)上，我們把這臺(tái)機(jī)器人第一次帶到了研究者的面前，在幾天的會(huì)議里邊，可能有將近1000人來到我們的展臺(tái)前面，用他們自己各種各樣隨機(jī)的物體去做測(cè)試，比如說參會(huì)的證件、比如像手機(jī)、耳機(jī)、小玩偶。昨天我們其實(shí)也剛剛從CVPR（計(jì)算機(jī)視覺領(lǐng)域的三大頂級(jí)會(huì)議之一）的會(huì)場(chǎng)回來，我們也是搭建了一個(gè)展臺(tái)，大家在一個(gè)非常隨機(jī)的環(huán)境之下去做測(cè)試。

在以前這種學(xué)術(shù)會(huì)議上，從來沒有人能夠做到這樣的展示。原因之一就在于，它幾乎沒有給你時(shí)間去做準(zhǔn)備。比如某家公司，它會(huì)在學(xué)術(shù)會(huì)議開始之前在旁邊租一個(gè)Airbnb，把自己的機(jī)器人放在那邊，去收集大量的數(shù)據(jù)，可能要提前一個(gè)月進(jìn)場(chǎng)，做好處理之后重復(fù)去展示，比如做咖啡的任務(wù)。

泓君：所以它是有針對(duì)單個(gè)場(chǎng)景去做適配跟練習(xí)的，你們沒有。

韓錚：我們是不需要的。只不過這兩者的區(qū)別之一就在于，我們更關(guān)注對(duì)于物體的基礎(chǔ)操作，比如說這種短的基礎(chǔ)操作的高頻動(dòng)作，也就是Zero-Shot一次性抓取成功的單個(gè)動(dòng)作。

泓君：我理解做咖啡的任務(wù)是一個(gè)連續(xù)動(dòng)作。

韓錚：對(duì)，它相當(dāng)于讓人遙控這個(gè)機(jī)器人，把這個(gè)連續(xù)動(dòng)作，至少要出現(xiàn)過很多次。如果它換一個(gè)咖啡機(jī)，或者是換一個(gè)環(huán)境的話，它的成功率肯定會(huì)要往下掉不少。這時(shí)候怎么辦？絕大多數(shù)機(jī)器人模型公司還得補(bǔ)充數(shù)據(jù)去做擬合。

泓君：做單個(gè)一次性抓取的任務(wù)，跟做一個(gè)這種長(zhǎng)程任務(wù)，就是復(fù)雜動(dòng)作的拆解，每一步都需要連續(xù)。你覺得這兩者之間哪個(gè)更難？

韓錚：我覺得如果是真正做機(jī)器人的、做操作的社區(qū)的話，肯定認(rèn)為Zero-Shot更加核心和關(guān)鍵。如果是你的短技能足夠的穩(wěn)定可靠，它的泛化性足夠高，你是可以把短技能拼成各種各樣的長(zhǎng)程操作的。這其實(shí)也就是ManiSkill整個(gè)核心框架大的思想。

WAIC大會(huì)，蘇度科技展示了從強(qiáng)泛化抓取擴(kuò)展而來的10余項(xiàng)機(jī)器人技能，覆蓋雙手操作、柔性體處理、精密組裝、移動(dòng)抓取和多機(jī)協(xié)作等｜圖片來源：蘇度科技

泓君：所以我理解其實(shí)最難的部分是開放世界，而不在于它是短還是長(zhǎng)。你只要在開放世界中短的能成功，那么連續(xù)長(zhǎng)程任務(wù)只是時(shí)間問題。

韓錚：對(duì)，簡(jiǎn)單講是這樣。但里邊其實(shí)還有很多的核心工作，比如說你要做短技能串聯(lián)成長(zhǎng)技能，其實(shí)也是一個(gè)類似于像思維鏈的方法。思維鏈提出來大概在2023年的時(shí)候，我們其實(shí)也有同期的一個(gè)工作叫Chain of Thought Predictive Control，就是CoTPC，它其實(shí)就是專門處理短任務(wù)如何串聯(lián)成長(zhǎng)程任務(wù)的，類似于思維鏈的一個(gè)框架。

泓君：在商業(yè)化上，雖然我知道你可能還會(huì)有一個(gè)更遠(yuǎn)的夢(mèng)想，你會(huì)考慮在一些垂直的應(yīng)用場(chǎng)景開始去做一些商業(yè)化的部署嗎？

韓錚：我們認(rèn)為，各行各業(yè)會(huì)有成千上萬種的機(jī)器人應(yīng)用，我們一家公司做不完，應(yīng)該是由每個(gè)垂類的應(yīng)用最理解的這樣的一個(gè)團(tuán)隊(duì)去做推動(dòng)和參與。

我們的定位是做好基礎(chǔ)操作技能（比如抓?。雅帕薪M合的能力交給每一個(gè)開發(fā)者。他可能想要拿它做化妝品零食的分揀，也可以拿到工廠里邊去做零件的上下料組裝，也可以進(jìn)到家里邊收拾桌子做家務(wù)。

我們希望我們能夠做到的是一個(gè)底層基礎(chǔ)、短技能的穩(wěn)定可靠的基礎(chǔ)模型，提供好API，并且能夠把這些基礎(chǔ)技能拼成各種各樣不一樣的長(zhǎng)程任務(wù)。但它的要求就在于，大家有這樣的想法搭成類似大語言模型里邊的Agent，我們有一個(gè)新的描述叫“Adapt”。

泓君：對(duì)，大家跟你買的是什么呢？買的是一個(gè)機(jī)器人的本體加上模型，加上API的調(diào)用次數(shù)嗎？

韓錚：簡(jiǎn)單來講，是本體加我們的軟件支持。上層的應(yīng)用實(shí)際上是開發(fā)者去做開發(fā)，我們也可以幫大家二次分發(fā)。我們認(rèn)為機(jī)器人的商業(yè)模式更像是智能手機(jī)，會(huì)有公司去提供一個(gè)像iPhone或者Android，它有一個(gè)硬件加一個(gè)操作系統(tǒng)，它有完整的SDK，開發(fā)者就在上面去搭各種不一樣的應(yīng)用，可以貼牌，但更重要的是有人去做Uber，有人去做DoorDash，同時(shí)還有人會(huì)去做Instagram、小紅書，各種各樣的應(yīng)用。

泓君：如果說你們是一個(gè)Android操作系統(tǒng)的話，還說小了，因?yàn)槭謾C(jī)是可以自己制作的。但是我理解其實(shí)你們現(xiàn)在賣機(jī)器人整套的話，你是需要硬軟件一起賣的，因?yàn)闄C(jī)器人的硬件跟軟件是一個(gè)操作的整體，很難說它買一個(gè)軟件放在一個(gè)新的機(jī)器人上它能適配。

韓錚：對(duì)，這其實(shí)可以回應(yīng)一下您提的前面的一個(gè)問題，就是說，Sim-to-Real中間的gap怎么搞，核心就是你的硬件和軟件要一起設(shè)計(jì)。包括我們仿真器里邊去仿的這臺(tái)機(jī)器人，有兩個(gè)要求：

第一個(gè)是仿真器里邊也不是萬能的，我們可能有一些構(gòu)型或者是某些組件和元件，現(xiàn)在還沒有辦法仿得特別特別好，或者是還沒有來得及去做處理，這時(shí)候我們?cè)谧鰴C(jī)器人硬件選型和構(gòu)型時(shí)，要用仿真器支持比較好的方案去設(shè)計(jì)和搭建。

第二個(gè)就是硬件本身，它也有各種各樣差異和噪音，即便是我們自己，在設(shè)計(jì)同一款機(jī)器人的時(shí)候，每臺(tái)個(gè)體都有差異，同一臺(tái)機(jī)器在每一次上電的時(shí)候，它的表現(xiàn)其實(shí)也都不太一樣，這是不可能100%填平的。在仿真器里面要對(duì)這些噪音和差異做一定的仿真，但這個(gè)前提是不能差別太大。

蘇昊團(tuán)隊(duì)主導(dǎo)的Sapien/ManiSkill仿真器官方teaser圖｜圖片來源：maniskill.ai

泓君：所以我理解Sim-to-Real的這條路徑，它一定要跟機(jī)器人的本體綁定在一起。

韓錚：對(duì)，我們覺得是強(qiáng)綁定。在我們成立公司之前，我們做開源的Sapien和ManiSkill，包括像Isaac，大家都在強(qiáng)調(diào)說我可以支持各種不一樣的構(gòu)型。但我們想講，開源的這些方法，都是研究的方法，它極度地簡(jiǎn)化了。比如說機(jī)器人導(dǎo)入到仿真器里邊，用的URDF的格式，對(duì)于它的幾何動(dòng)力學(xué)約束都是做了一定的簡(jiǎn)化，它不太會(huì)考慮到像電機(jī)的控制里邊，它的噪聲、它響應(yīng)曲線的遲滯，包括每次上電的差別。在研究界大家還沒有辦法去考慮到這么多的細(xì)節(jié)。但要做一個(gè)能在開放世界里穩(wěn)定可靠、能真正解決Sim-to-Real差距的機(jī)器人，就必須把它當(dāng)成一個(gè)綜合系統(tǒng)來考慮。

泓君：所以靠跟硬件的整合，它是一條解決差距的路徑。還有其他的，比如說在軟件層面調(diào)控的解決路徑嗎？

韓錚：我覺得所有方法都要有機(jī)地結(jié)合在一起。比如說像數(shù)據(jù)的規(guī)模和它結(jié)構(gòu)化的規(guī)模，包括如何能夠把它的仿真效率拉得更高，比如說用不用真實(shí)世界的數(shù)據(jù)去做訓(xùn)練——我們的確也有。在仿真里邊，我們也會(huì)讓機(jī)器人觀察人做操作，看哪種方法更高效。

我還是拿這個(gè)瓶蓋舉例子，機(jī)器人的強(qiáng)化學(xué)習(xí)，假如說是你要讓它把瓶蓋擰開，你會(huì)發(fā)現(xiàn)機(jī)器人一開始它可能碰的都不是瓶蓋，它可能會(huì)碰飲料瓶的標(biāo)簽或者是飲料瓶的底部，甚至往上稍微地推它一下。這些在早期強(qiáng)化學(xué)習(xí)探索里，是一些比較隨機(jī)的探索。但是你如果讓它看一段人的操作的話，它強(qiáng)化學(xué)習(xí)的效率會(huì)變高一些。這些其實(shí)都是在強(qiáng)化學(xué)習(xí)框架的設(shè)計(jì)，特別是Model-Based RL，最難的其實(shí)就是在于這部分你怎么能夠給反饋，反饋設(shè)計(jì)得好，甚至是說怎么能夠把它批量自動(dòng)化。

泓君：而且我覺得，物理世界中機(jī)器人擰瓶蓋的難度，跟在仿真器里面的這個(gè)難度，是完全不一樣的，因?yàn)槟隳莻€(gè)手?jǐn)Q的不管是角度還是你控制的變量，它差幾毫米，區(qū)別就非常大。

韓錚：這其實(shí)是非常核心的一點(diǎn)，仿真里的強(qiáng)化學(xué)習(xí)和Sim-to-Real，在波士頓動(dòng)力和宇樹這樣的人形機(jī)器人和四足狗的locomotion控制中，已經(jīng)得到了充分驗(yàn)證。英偉達(dá)的Isaac，里邊有一部分的強(qiáng)化學(xué)習(xí)引擎也是我們團(tuán)隊(duì)成員在早期貢獻(xiàn)的，大家都有些參與。但機(jī)器人對(duì)于物體去做操作，它這個(gè)難度要高兩到三個(gè)數(shù)量級(jí)。

因?yàn)槿绻阒皇切枰P(guān)注自身動(dòng)作的話，你其實(shí)不需要對(duì)世界有理解。你不需要知道這個(gè)物體的形狀，不需要知道它的材質(zhì)，你也不需要知道我怎么能夠移動(dòng)到這個(gè)物體附近，并且在接觸到這個(gè)物體之后怎么去做適度的調(diào)整。

對(duì)于這個(gè)物體的操作而言，它的難度就在于，它首先要構(gòu)建一個(gè)結(jié)構(gòu)化的數(shù)據(jù)，這個(gè)在locomotion比如說做姿態(tài)控制，實(shí)際上是并沒有這個(gè)問題，它只需要關(guān)注機(jī)器本身。第二，它其實(shí)對(duì)于環(huán)境的理解和所謂大家現(xiàn)在講World Model，其中有非常重要的一支就指的是機(jī)器人對(duì)于物理世界的理解和推理、預(yù)測(cè)，這些其實(shí)它們也不太需要。

泓君：所以你們的機(jī)器人是真的理解物理世界嗎？還是它只是說數(shù)據(jù)訓(xùn)練得多，它不用管為什么，它就直接輸出就好了？

韓錚：我們的模型與另一派不同。比如Physical Intelligence主推的狹義VLA，是以模仿人類動(dòng)作為主的端到端模型。而我們的模型對(duì)物理世界的物體、環(huán)境及未來變化，是有強(qiáng)理解和強(qiáng)預(yù)測(cè)的，它并不是一個(gè)黑盒的模型。

泓君：你剛剛提到了你們不是一個(gè)黑盒模型。但是我理解，現(xiàn)在硅谷最火的這些公司像Physical Intelligence、Skild，它們做大腦，就是純做軟件層、模型層的這些公司，我理解它們還是在盡可能地去搭一個(gè)黑盒的模型，因?yàn)樗€是在遵循現(xiàn)在這一輪的生成式AI崛起的一個(gè)范式，就是說我堆的數(shù)據(jù)量越大，我的機(jī)器越智能，我未來賭的是一個(gè)通用跟開放場(chǎng)景智能的程度。

我之前也有跟一些做機(jī)器人的人聊，就是為什么白盒模型這么多年沒有起來，就是因?yàn)槿丝梢灶A(yù)測(cè)跟想到的情況是有窮盡的，同時(shí)你很難去解決很多場(chǎng)景的邊緣案例的問題。所以到底搭白盒還是搭黑盒，你們是怎么想的？以及未來的評(píng)估是怎么樣的？

韓錚：我們模型在預(yù)訓(xùn)練的過程中是有分層結(jié)構(gòu)的。預(yù)訓(xùn)練是大腦跟軟件的那一層。我們需要在預(yù)訓(xùn)練的時(shí)候讓機(jī)器人對(duì)未來它所在的環(huán)境，對(duì)物體和做操作的時(shí)候的預(yù)測(cè)，是要有一定的推理和認(rèn)知的。但是最終在端側(cè)部署的時(shí)候，我們也是一個(gè)端到端的模型。

比如在仿真器里，機(jī)器人要知道物體的幾何位置，預(yù)估材質(zhì)和重量，分清瓶蓋和瓶身，操作時(shí)往哪個(gè)方向轉(zhuǎn)——這些都是有理解和推斷的，可以用隱式表達(dá)來描述。

但像硅谷和國(guó)內(nèi)絕大多數(shù)的機(jī)器人公司，在以模仿學(xué)習(xí)為主的這樣的一套思路，它其實(shí)是不太需要知道物體究竟在環(huán)境里邊它準(zhǔn)確的位置，也不太需要知道物體的幾何信息。它之所以這么接近和操作，只是因?yàn)槟莻€(gè)環(huán)境下，有人遙控過機(jī)器人或穿過動(dòng)捕服做過同樣的動(dòng)作——純粹是機(jī)械模仿，并沒有真正的理解。

泓君：所以你們?cè)诖罱ɡ斫獾倪@一部分？

韓錚：我們是需要在預(yù)訓(xùn)練的過程中是有理解的。但人類操作瓶子時(shí)，腦子里并沒有"我要逆時(shí)針轉(zhuǎn)"的推理過程——這是常識(shí)，已刻在肌肉記憶里了。

但假如說是小朋友第一次去擰飲料瓶子，他會(huì)左擰試一下，再右擰試一下，他是隨機(jī)的一個(gè)嘗試。但同時(shí)，他又會(huì)去觀測(cè)父母是怎么去做操作的。他可能會(huì)有一些理論依據(jù)。

有些運(yùn)動(dòng)能力其實(shí)已經(jīng)刻在了人遺傳的基因里邊。比如小朋友出生之后長(zhǎng)大的過程中，他對(duì)于所有的物體都會(huì)去抓抓、咬咬、擰一擰、掰一掰。我們實(shí)際上是要把整個(gè)進(jìn)化的過程，在仿真器里邊再去復(fù)現(xiàn)一次。

泓君：你們會(huì)把人類的進(jìn)化過程在仿真器里面復(fù)現(xiàn)？這個(gè)太有意思了。

韓錚：當(dāng)時(shí)蘇昊給這個(gè)仿真器起名字叫“Sapien”，其實(shí)就是出自赫拉利《人類簡(jiǎn)史》，指的是智人從猿到人的進(jìn)化過程。但為什么我們選擇這個(gè)模型的進(jìn)化策略，核心原因就在于，機(jī)器人數(shù)據(jù)的構(gòu)建方式，跟自動(dòng)駕駛、2D圖片視頻、自然語言最大的不同，就是它沒有足夠多的數(shù)據(jù)。特斯拉十幾年以前就開始賣它的車，有幾百萬的司機(jī)買了它的車，在101的公路上面天天開。

泓君：所以它不一定要只遵循一個(gè)范式，我可以在數(shù)據(jù)不夠的情況下用白盒加黑盒的模式搭，等數(shù)據(jù)量夠了再去改變我的技術(shù)。

韓錚：對(duì)，但是機(jī)器人你是很難同一款機(jī)器在沒有任何功能之前，賣500萬臺(tái)到各個(gè)辦公室、家庭或者是工廠里邊去，并且旁邊還有一個(gè)工人在遙控它。尤其是在家里面，我們很難想象我買了一臺(tái)機(jī)器人，我需要穿著一個(gè)動(dòng)捕服才能夠去做西紅柿炒雞蛋。

這就解釋了為什么英偉達(dá)一定要推Sim-to-Real——這條路躲不過去。機(jī)器人的冷啟動(dòng)數(shù)據(jù)，需要百萬甚至千萬級(jí)別，而且要在所有開放環(huán)境里都收集全才行。

泓君：所以我理解這是你們用分層模型而不是硅谷主流的端到端的一個(gè)核心原因——在現(xiàn)有整個(gè)業(yè)界機(jī)器人數(shù)據(jù)都遠(yuǎn)遠(yuǎn)達(dá)不到的情況下，我們可以通過分層讓機(jī)器人先跑起來，先提高它在開放場(chǎng)景Zero-Shot的操作能力。然后你們的商業(yè)模式，比如說你現(xiàn)在是賣給很多開發(fā)者，當(dāng)大家都開始用這些機(jī)器人，其實(shí)后面你還要不要用一個(gè)新的方法去搭你的訓(xùn)練范式？是可以變的。

韓錚：對(duì)，稍微分享一些我們自己認(rèn)為的一些小八卦。Physical Intelligence成立之前，核心團(tuán)隊(duì)其實(shí)都在Google Robotics，包括Generalist的成員，很多核心人員都參與過那里的工作。那個(gè)時(shí)候大家可能都是做端到端的模型。但再往前，當(dāng)時(shí)大家有一個(gè)默契，有可能是底層的模型有一個(gè)穩(wěn)定可靠的底層操作能力，再向上，去做環(huán)境理解，包括拆分成不一樣的任務(wù)。

但在大家2023年、2024年先后開始搞公司的時(shí)候，大家就選擇了自己擅長(zhǎng)和熟悉的套路，所以他們可能就不再提分層。但我們有一個(gè)暴論：可能從今年的下半年開始，上下分層的這種結(jié)構(gòu)會(huì)重新回到主流。而且可能在之后的商業(yè)化方案里，這可能是最終的一個(gè)方法。

泓君：你可不可以簡(jiǎn)單一句話總結(jié)一下，上下分層指的是哪個(gè)上下分層？

韓錚：比如說從冰箱里邊拿一個(gè)瓶子，把瓶蓋擰開，把我們倆面前的這兩杯水倒?jié)M。

上層實(shí)際上是說，我們現(xiàn)在杯子里邊沒有水了，我要去重新倒水。機(jī)器人要對(duì)我們現(xiàn)在所在的環(huán)境有理解，哪邊是冰箱，里邊有沒有水，我第一步應(yīng)該去走到這個(gè)冰箱面前，打開冰箱門，拿到這個(gè)瓶子，移動(dòng)到這邊，把瓶蓋擰開，并且朝兩個(gè)杯子里邊分別去注入一定的水，再把瓶蓋給擰上。這些是屬于我們叫拆分步驟、做推理的過程。

底層在我們的劃分里邊，就是操作的這一層，我如何走到冰箱面前，把門給打開，抓住這個(gè)瓶子，移動(dòng)到這邊，把瓶蓋擰開，往杯子里邊去倒水。這些底層的每一步具體對(duì)于物體的操作，我們叫底層操作。

泓君：所以你覺得今年所有的硅谷公司都開始會(huì)做這種分層操作？

韓錚：我覺得很難講今年，但是這個(gè)會(huì)回到大家的視野里邊來。我覺得在最近幾周的時(shí)間里，我們?cè)诟鷮W(xué)術(shù)界、工業(yè)界大家做現(xiàn)場(chǎng)展示和交流之后，有些人已經(jīng)意識(shí)到這可能是一個(gè)新的方向。

泓君：所以我理解現(xiàn)在硅谷的很多像我們說的Pi、Generalist這些公司，它還是在把操作的層面也是直接用大模型控制的？但是現(xiàn)在能做出這個(gè)判斷，證明現(xiàn)在的控制并沒有大家想象中那么好跟成功率那么高。

韓錚：我覺得是的，僅代表我自己個(gè)人，不一定是公司統(tǒng)一的想法。我覺得Physical Intelligence和Generalist、Google等等這些機(jī)器人公司，其實(shí)更擅長(zhǎng)做上層的推理。但是對(duì)于物體操作的話，靠少量的人類真實(shí)操作數(shù)據(jù)——幾十萬小時(shí)可能已是極限——遠(yuǎn)遠(yuǎn)達(dá)不到開放環(huán)境、開放物體的穩(wěn)定可靠操作。

泓君：我可不可以理解成，上層是硅谷公司的優(yōu)勢(shì)，下層涉及到操作層面，因?yàn)槟憔鸵欢ㄒ布嘟Y(jié)合，這就是中國(guó)公司的優(yōu)勢(shì)？

韓錚：或者講硅谷的機(jī)器人公司也好、大廠也好，中國(guó)的模型大廠也好，大量的具身公司也好，做上層推理的機(jī)會(huì)更大一些。當(dāng)然還有很多具身和機(jī)器人的公司，它們挑某一到兩個(gè)垂直的應(yīng)用場(chǎng)景，可能就類似于像大模型，它就做一種或兩種的agent。

但是對(duì)于底層如何在隨機(jī)的環(huán)境里邊對(duì)于一個(gè)任意物體做某一類的操作，我們認(rèn)為必須是一個(gè)軟硬件強(qiáng)結(jié)合的公司才能夠達(dá)到。但這家公司是不是只有中國(guó)公司能做到？我覺得未必。

泓君：今年我看見最近有一個(gè)大熱點(diǎn)是Skild AI，它的估值是沖到了140億美元，它最新的一輪融資是14億美元，投后估值是140億到150億美元。7個(gè)月前它的估值才是45億美元。它其實(shí)就是做全身體的通用機(jī)器人的基礎(chǔ)模型Skild Brain。對(duì)比我們剛剛一直在講的Physical Intelligence，它也算是硅谷做軟件大腦的一個(gè)非常有代表性的公司，它的估值也是56億美元。你對(duì)這家公司熟悉嗎？為什么它一下能拿到這么大的一筆融資？

韓錚：估值的規(guī)模在大范圍地提升，我覺得首先Physical Intelligence如果我沒有記錯(cuò)的話，它最新的估值也是在120億到140億美金之間，不一定完全對(duì)外公開，但他們也在做新的募資。我覺得這幾家公司，包括Skild、Physical Intelligence、包括Generalist都比較接近，都做大腦。

Skild的話比較特殊一點(diǎn)，兩位創(chuàng)始人Deepak和Abhinav其實(shí)跟蘇昊也做過很多的討論，他們以前是堅(jiān)決不信仿真的，但是在一開始募資的時(shí)候，他們是拿機(jī)器人仿真作為他們主要募資的方向，但實(shí)際上據(jù)我們了解，做的業(yè)務(wù)可能偏敏感一些。在美國(guó)做具身基礎(chǔ)模型的第一梯隊(duì)，我覺得還是Physical Intelligence、Generalist這樣的團(tuán)隊(duì)，以及還有一些創(chuàng)業(yè)的團(tuán)隊(duì)，像華人的Sunday、像Dyna，都在做一些探索。

泓君：最近Figure AI好像又被看好了，之前它其實(shí)也是融資估值都很高。我覺得有一段時(shí)間整個(gè)硅谷的投資人，對(duì)Figure是有所質(zhì)疑的，甚至質(zhì)疑它放出來的demo是不是后期剪輯過。為什么最近大家又重新看好Figure了？

韓錚：最近大家對(duì)它關(guān)注是在大概幾周以前，它開始做一個(gè)產(chǎn)線里邊物體的分揀，直播了幾天。但在我們看，的確是比以前有一些進(jìn)步。但如果是按照我們要求的標(biāo)準(zhǔn)，第一，它的物體泛化性其實(shí)不高，因?yàn)橐还仓挥袃深愇矬w，一個(gè)是盒子，一個(gè)是軟性的包裝，而且顏色和重量幾乎是一樣的。第二，它的機(jī)器人一直都在其公司內(nèi)部搭建的那條測(cè)試線上，并沒有走出去。

所以如果是拿遙操作做VLA這條方法的話，最大的約束和挑戰(zhàn)就在于它對(duì)于光照和環(huán)境的變化都極其的敏感，一旦變化了之后，它的成功率會(huì)直線地下降。

Figure 03機(jī)器人直播分揀快遞｜圖片來源：Figure

泓君：我看見今年，有很多的機(jī)器人公司在進(jìn)入部署階段，比如說馬斯克就要把Optimus放到弗里蒙特的工廠，讓它在工廠里面去做一些工作。他說他現(xiàn)在放Optimus，主要也是為了訓(xùn)練數(shù)據(jù)，而不是真正地讓它干活。從一個(gè)專業(yè)的同行業(yè)創(chuàng)業(yè)者的角度，你會(huì)怎么去看馬斯克的部署？

韓錚：在我們2025年主力團(tuán)隊(duì)搬回到國(guó)內(nèi)之前，其實(shí)我們跟特斯拉的自動(dòng)化團(tuán)隊(duì)有一些合作。當(dāng)時(shí)他們?cè)谧詣?dòng)化產(chǎn)線里邊使用的自動(dòng)化，肯定還沒有滿足讓機(jī)器人在里邊去做任務(wù)的條件。當(dāng)時(shí)只是去做一些，比如說在一個(gè)固定的位置當(dāng)中去拿電池這樣的動(dòng)作。

我覺得未來，Optimus肯定是美國(guó)的機(jī)器人行業(yè)里最大的推手，因?yàn)樗布暮诵暮椭圃炷芰Ψ浅?qiáng)。模型的話，我覺得按照Tesla和Elon Musk的風(fēng)格，可以等到這個(gè)行業(yè)有較為好的方案出現(xiàn)之后再去補(bǔ)，可能也來得及。但同時(shí)我們當(dāng)時(shí)也聽到，Tesla里邊可能有一派的聲音是說，Elon他當(dāng)時(shí)提過，先造一系列的機(jī)器人，讓外界的人去做開發(fā)。

泓君：跟你們的思路有點(diǎn)像。

韓錚：我覺得有點(diǎn)像，但他的思路我覺得是跟現(xiàn)在很多做機(jī)器人硬件的團(tuán)隊(duì)更像——我不給你模型，我給你很好用的硬件，你自己去開發(fā)模型。但我們不僅給硬件，還提供大家不太好處理的底層能力。

泓君：然后我看今年波士頓動(dòng)力電動(dòng)版的Atlas也在開始出貨了，這個(gè)是一個(gè)值得關(guān)注的點(diǎn)嗎？

韓錚：我覺得這個(gè)特別值得關(guān)注。我們自己內(nèi)部定義的最大、最有潛力跟我們一起去推這個(gè)方向的，可能就是波士頓動(dòng)力的電動(dòng)版Atlas，加上Google的DeepMind。如果大家去年看Demis Hassabis的一些采訪，包括他的紀(jì)錄片，以及一系列動(dòng)作的話，我覺得Google可能是所有大廠里在物理世界AI上下注最堅(jiān)決的一家。

去年有一個(gè)非常重要的信號(hào)：第一，他們已經(jīng)把硬件的平臺(tái)從原來的Apptronik和另外的一臺(tái)機(jī)器，換成了電動(dòng)版的Atlas；第二，DeepMind從波士頓動(dòng)力的硬件部門，把核心的幾個(gè)人都挖到了自己的團(tuán)隊(duì)里。所以未來機(jī)器人行業(yè)里邊，假如說我們走的是硬件也是自己造，軟件底層模型也是自己搞，那么Google會(huì)不會(huì)重走Android的路：用波士頓動(dòng)力的硬件，加上現(xiàn)代集團(tuán)的量產(chǎn)能力支持？同時(shí)，他們幾年前就收購(gòu)了MuJoCo仿真器團(tuán)隊(duì)，并在不斷改進(jìn)。

泓君：Google還有它自己的世界模型Genie 3這些。

韓錚：對(duì)，它有幾乎無限的卡，世界上最好的人才聚集在一起，并且它是下了決心。相比于Anthropic、OpenAI、Meta、國(guó)內(nèi)的這些大廠，它可能是唯一一個(gè)帶團(tuán)隊(duì)的負(fù)責(zé)人在機(jī)器人上面如此用心的。我們感覺它是堅(jiān)定地相信Sim-to-Real這條路的。

Atlas電動(dòng)版｜圖片來源：Boston Dynamics官方博客

泓君：我知道蘇昊的團(tuán)隊(duì)跟DeepMind也會(huì)有很多的交流，你們也是有合作。

韓錚：我們跟Google Robotics以前的交流合作非常多，甚至說那個(gè)團(tuán)隊(duì)里邊有很多都是蘇昊的師弟師妹，有一些核心人員是他曾經(jīng)PhD的學(xué)生，包括PI創(chuàng)始團(tuán)隊(duì)里邊的也有。但我覺得DeepMind的這波，它會(huì)把核心的人才聚集在英國(guó)倫敦，模型團(tuán)隊(duì)和硬件團(tuán)隊(duì)聚集在一起，這個(gè)事情我們覺得非常重要。就跟當(dāng)年Steve Jobs說做Apple開發(fā)的時(shí)候，有人問能不能去另外一個(gè)辦公室，能不能遠(yuǎn)程，他堅(jiān)決不同意，我覺得是一樣的。

泓君：所以在所有的機(jī)器人公司中，你們最看好的是DeepMind加波士頓動(dòng)力？

韓錚：對(duì)，我覺得這可能跟大家想的都不太一樣。我覺得可能在接下來的兩到三年里邊，從機(jī)器人的操作能力和綜合能力上而言，我們認(rèn)為的最大競(jìng)爭(zhēng)對(duì)手可能是DeepMind+波士頓動(dòng)力。

泓君：我們?cè)僬f一下亞馬遜。去年年底，我聽All-In的播客，他們說其實(shí)有一家公司非常值得關(guān)注，就是亞馬遜。理由是亞馬遜馬上今年它的機(jī)器人的部署，可能已經(jīng)比它的員工還要多了。它們有倉(cāng)庫(kù)分揀，是一個(gè)天然的場(chǎng)景應(yīng)用方，而且它也收購(gòu)了Covariant。你會(huì)怎么看亞馬遜在機(jī)器人上的布局？

韓錚：我覺得亞馬遜一直是在機(jī)器人里邊投入最多的一家大公司。它在數(shù)量上還是以倉(cāng)儲(chǔ)物流為主，像做AGV（自動(dòng)導(dǎo)引運(yùn)輸車），像很早收購(gòu)的Kiva（現(xiàn)名AmazonRobotics，以其移動(dòng)機(jī)器人倉(cāng)儲(chǔ)系統(tǒng)聞名），包括各種機(jī)械臂的應(yīng)用，以及各種機(jī)器人公司，比如做人形的Agility、做操作模型的Covariant。之前可能還有一些其他的公司，都在里面去做嘗試。我覺得它會(huì)提供一定的場(chǎng)景，但亞馬遜最終要不然就是要把這些公司收購(gòu)，要不然就要自己去做。Covariant也是當(dāng)時(shí)把亞馬遜作為核心的客戶之一。

泓君：剛剛在聊硅谷跟中國(guó)的這些機(jī)器人公司的發(fā)展過程中，我基本上還可以總結(jié)——整個(gè)硅谷它還是在更加看重機(jī)器人的通用性、泛化性，包括大腦層面上的這些進(jìn)展，因?yàn)槲覀兛吹绞袌?chǎng)上最高估值的公司全都是集中在這一塊；中國(guó)它有非常好的硬件的底子，但是同時(shí)我也看到很多的公司開始也抱著要去做機(jī)器人的通用性的這些想法，但是最后它因?yàn)橛猩虡I(yè)化的壓力，最后退回到了單一場(chǎng)景。你怎么去看這種理想很豐滿、最后大家回去做垂直賽道的現(xiàn)象？

韓錚：我的核心推斷還是跟前幾輪，比如說像做視覺大模型，比如像當(dāng)時(shí)的“AI四小龍”，包括后來做語言模型的科大訊飛等等類似。如果是對(duì)于基礎(chǔ)模型如何去構(gòu)建，沒有一個(gè)特別清晰的想法，只是想邊做邊試的話，我覺得其實(shí)很難，大家都會(huì)因?yàn)樯虡I(yè)上的一些壓力去做妥協(xié)。

我覺得是這個(gè)團(tuán)隊(duì)在過去七八年的合作里邊，已經(jīng)有了一些清晰的感覺和認(rèn)知，大家合作比如說12到24個(gè)月，就能夠看到第一階段的效果，我覺得這個(gè)比較關(guān)鍵。而并不是說——“我們把數(shù)據(jù)先做一些小模型，先試一下，試著把數(shù)據(jù)堆到一定程度，說不定就做出來了”。“說不定”這三個(gè)字，在我們團(tuán)隊(duì)里邊幾乎不太會(huì)出現(xiàn)。但是對(duì)于其他的團(tuán)隊(duì)而言，大家都是在探索，會(huì)受到自己團(tuán)隊(duì)內(nèi)部包括投資人和商業(yè)化的一些壓力，就會(huì)選擇一個(gè)垂類的場(chǎng)景?？蛻籼岢鲂枨髸r(shí)，往往與訓(xùn)練基礎(chǔ)模型的思路產(chǎn)生背離。

泓君：要做通用人工智能，它是一條更遠(yuǎn)更長(zhǎng)的路。在這個(gè)中間，怎么讓自己的公司活下來？你作為公司的CEO，你會(huì)有這個(gè)壓力存在嗎？

韓錚：肯定會(huì)有壓力，但相對(duì)而言還好一些。我覺得機(jī)器人在這一波趨勢(shì)里邊，由于大模型的出現(xiàn)，包括infra的出現(xiàn)，我們感覺會(huì)把它推到下一個(gè)階段。我們不會(huì)賭某一個(gè)垂類場(chǎng)景能夠跑出來，而是希望通過提供一個(gè)硬件加底層的模型，讓大家去試。

我們希望我們服務(wù)的1000個(gè)開發(fā)者里邊，有100個(gè)能夠找到小批量去做部署的應(yīng)用場(chǎng)景。這100個(gè)人里邊，可能會(huì)有5個(gè)、10個(gè)會(huì)做出超級(jí)應(yīng)用，他們可能會(huì)需要部署1萬臺(tái)甚至更多的機(jī)器人到不一樣的場(chǎng)景里去。

我們不會(huì)去賭某一個(gè)場(chǎng)景。因?yàn)槲覀儓F(tuán)隊(duì)的特質(zhì)也并不是說到工廠里邊去部署和集成測(cè)試。整個(gè)的開發(fā)者社區(qū)里邊，集成商和自動(dòng)化團(tuán)隊(duì)各有所長(zhǎng)。我們希望做底層的新的工具鏈給大家。

泓君：把更多的錢投入到你們更有長(zhǎng)遠(yuǎn)場(chǎng)景的研發(fā)上，還是說把一部分的精力也投入到比如說針對(duì)開發(fā)者的軟硬件一體的平臺(tái)分發(fā)上？你覺得哪一個(gè)是你現(xiàn)在在負(fù)責(zé)的重心？或者說你會(huì)怎么去做你的資源分配？

韓錚：我們的核心是在提供一個(gè)可靠穩(wěn)定的硬件加底層模型，從一個(gè)抓的技能到三到五個(gè)比較常見的技能，并且把它組合開發(fā)的工具做好，讓開發(fā)者能夠在上面去做不一樣的應(yīng)用嘗試。這是我們?cè)诂F(xiàn)在和接下來幾年的時(shí)間最核心的一個(gè)目標(biāo)。

但是為了驗(yàn)證大家可以拿它去做行業(yè)里面的垂類應(yīng)用，我們肯定也會(huì)挑一到兩個(gè)場(chǎng)景，跟一到兩個(gè)開發(fā)者緊密地配合，把我們的開發(fā)工具做好。

泓君：如果10年后回頭來看，你是希望蘇度科技被人記住的是說我們做出了一個(gè)通用機(jī)器人的產(chǎn)品，還是說我們證明了Sim-to-Real這條路是對(duì)的？

韓錚：我覺得驗(yàn)證Sim-to-Real這條路是對(duì)的，是一個(gè)副產(chǎn)物。我們希望10年以后，當(dāng)大家回看今天這個(gè)時(shí)間節(jié)點(diǎn)的時(shí)候，會(huì)認(rèn)為這可能是一個(gè)類似于iPhone加iOS操作系統(tǒng)，那個(gè)時(shí)候會(huì)有新的Uber、滴滴、美團(tuán)長(zhǎng)出來。我們希望大家用的硬件加底層的系統(tǒng)和軟件，至少有一部分是我們提供的。