170: 【具身季报 26Q2】世界模型大风不停，和不想被贴标签的人

目录

• Q2 具身智能五大进展 [00:00:00 - 00:10:00]
• 人形机器人进入产业化场景 [00:10:00 - 00:20:00]
• 灵巧手爆发与训练数据 [00:20:00 - 00:30:00]
• 灵巧手路线与中美差异 [00:30:00 - 00:40:00]
• Cosmos 世界模型的产品化 [00:40:00 - 00:50:00]
• 世界模型与通用模型边界 [00:50:00 - 01:00:00]
• 机器人数据与模型训练难题 [01:00:00 - 01:10:00]
• VLA 路线与机器人基础模型 [01:10:00 - 01:20:00]
• 大模型公司与机器人创业分工 [01:20:00 - 01:30:00]
• 创业公司场景选择与护城河 [01:30:00 - 01:40:00]
• 中国供应链与产业化窗口 [01:40:00 - 01:50:00]
• 行业标签变化与长期判断 [01:50:00 - 01:54:07]

Q2 具身智能五大进展

陈哲 Peter：Cosmos 3是这个季度世界模型的一个标杆，因为它算是市场上第一个提出了全开源的Omni Model。更底层的问题是，我们到底有什么原因来说明很多年以后，所谓的Embodied AI的model 不是由Anthropic OpenAI或者是Google 这样的通用模型的大厂来提供的，如果Omni-model这个路线，被最终证明是有效和有用的，那是不是机器人的所有的空间的理解，对动作的预测，可以被融合到一个更大的通用模型里面去，从J1目前的公开信息来看，能看出来Generalist对世界模型的思路是什么，他们其实是比较排斥把自己定义成，世界模型或者说VLA这样的标签的 Peter Florence专门写过一篇文章，大意就是说，他们的做法既不是，把动作粘贴到VLM上面变成VLA 也不是一个世界模型，本质上谁能够更快地提供可靠稳定，廉价的灵巧手的供给，就能更快地成为这个行业的实时的标准，也就是更多的算法跟软件，会围绕着你的硬件的架构去设计，欢迎收听晚点聊 [00:00:52]

程曼祺：我是曼祺，这期是具身季报系列的第二期，我继续邀请Alphaist 的创始合伙人陈哲 Peter 来和我们分享最新的具身智能动态和行业趋势总结，最近有意思的一件事是，关于这个领域的称呼在悄然变化，更多人开始使用物理AI这个词，世界模型也继续风头强劲，这也正是我们第一季度讨论的Top5主题之一，本期季报依然按照第二季度Top5的进展和事件展开，包括人形机器人马拉松 Figure的物流分解直播，灵巧手和灵巧操作进展，英伟达的世界模型Cosmos 3 以及世界模型创投热，最后一点是全球领先的具身模型进展，包括Generalist的Gen1和Pi 0.7 下面我们正式进入节目吧，今天这一期是，《晚点聊》具身季报的第二期，依然邀请了Alphaist的创始合伙人，陈哲 Peter来做客我们的节目，上季度的季报之后，评论区有很多留言，是希望Peter能长住和反炒，之后我们也会和Peter继续这个系列 Peter你可以和我们的听友简单打个招呼，大家好很高兴回来 OK那我们还是总结一下，这一季度的最重要的Top5的进展，里面既有一些行业事件，也有一些技术成果 Peter你可以说一下，就是第二季度你觉得，巨星智能领域，或者说现在大家也喜欢用另一个词，叫物理AI领域 [00:02:33]

陈哲 Peter：你比较关注的五个重要的事是什么，我觉得Q2比较明显的是，世界模型和灵巧手取得的一些显著的突破，同时人形机器人第一次大规模走进了普通人的视野，那么总结Q2巨神智能TOP5的进展，我个人会这么排序，第一件事情是北京亦庄人形马拉松比赛，有100多个人形机器人参加了全场的比赛，最终取得马拉松冠军的是，手机厂商荣耀的机器人事业部，那这件事情传达的是大厂，可以把人形机器人这件事情做好，并且在未来的一段时间内，可能会变成整个市场非常重要的一股力量，那么第二件事情呢，是Figure连续几天直播，人形机器人做包裹分拣的这个展示，这算是人形机器人在工业场景的价值，第一次向全球的大众进行普及和教育的一个过程，那么第三件事情呢，是灵巧手和灵巧操作取得的爆发跟进展，尤其是今年在维也纳ICRA会议上，以5G为代VLA的公司，发布了新一代的高自由度灵巧手，以及多家具身智能创意公司，用高自由度灵巧手做出了精细操作的机座模型，让灵巧手成为了下一个竞争的一个战场，那么第四件事情，在6月1号的时候，英伟达发布了他们最新的Cosmos 3的世界模型，那让世界模型从一个概念，真正变成了一个产品和范式的标杆，也成为了这个季度创业最火的风口，那么最后一个给我留下深刻印象的事情呢，是VLA这个路线的进一步的迭代，包括像Physical Intelligence推出了Pi 0.7 Generalist推出了Genie 1 都是让VLA的能力和叙事得到进一步的衍生 [00:04:01]

程曼祺：也开始出现了跟世界模型融合的迹象 OK 那我们在展开了这五个进展之前，正好可以先回顾一下，上一个季度的结尾，我们当时讨论了对未来的一些展望，你列了这个季度，或者说更长期，你认为可能会出现的一些现象，第一点你当时提到的是，看世界模型能否拿出超出VLA的进展，首先可以先快速地回答一下，你觉得这一季度算实现了吗

陈哲 Peter：上个季度当我们提到世界模型的时候，是一个从研究上概念上，非常有创新的一种思路，或者说我们见到了一些，实验室级的早期的样品，而且当时我们展开了的，其实是世界动作模型，这样一个世界模型大的范畴里的，一个分类可以这么说，对比如说当时我们提到的，英伟达的DreamGen 实际上是英伟达的Gear Lab 内部一个比较小规模的实验室作品，当时用的视频模型，还是开源的Open-Sora，但是到了6月份，英伟达发布的Cosmos 3 实际上是一个更加产品级的，也是更加大规模的预训练的一个模型，我认为实际上是把世界模型这个概念，从实验室拉到了工业级，就是可以被调用，可以被部署的一个状态，对其实从它的发挥能看出来，因为它是一次有三个版本 [00:05:21]

程曼祺：有Super、Nano，还有Edge 它其实就是去针对你不同的部署环境的，这个我们后面可以展开，那回到那个问题，你觉得它能说世界模型，拿出超出VLA的一个竞争 [00:06:11]

陈哲 Peter：我觉得经典的VLA模型架构的优势和劣势，其实已经比较明显了，世界模型的长处是对于环境的预测跟建模，实际上以Cosmos 3为代表，我们看到了一个统一架构的世界模型，可能对VLA能力带来的潜在的提升，以及我们也见到了领先的VLA模型，正在用不同的方法连接或者缝制，世界模型的能力进入他们体系里面，所以说与其是世界模型颠覆了VLA或者超越了VLA 不如说世界模型给现有的SOTA模型带来一种更新的能力和思路

程曼祺：然后你当时说的另外两个你期待的事，也觉得大概率会发生的事，其实就是灵巧手林乔操作的更多成果，以及你觉得马拉松这个第二届这一次比赛，会让大家整个观感从之前的噱头和搞笑，走向一个更加严肃的竞争，那回到TOP5的话，第一件事就是我们上一次，据报录制不久之后的4月9号，在北京举行的人形机器人的马拉松，前面你也提到就是这一次的，前三都是荣耀事业部的，机器人闪电，对它就是冠军亚军季军，都是这个机器人，首先想问一下就是，这事会让你或者其他从业者

陈哲 Peter：感到有点意外吗，亦庄马拉松比赛，我当天也去了现场，这场比赛开始之前，其实夺冠的三大热门，就是宇树，北人和荣耀，所以市场对荣耀的实力 [00:07:37]

程曼祺：是有所预见的，为什么在比赛开始之前，业界就认为荣耀宇树，还有北人，就是北京人形机器人创新中心，这三个参赛方式热门，因为去年，北人的天空机器人

陈哲 Peter：就是上一届的冠军，那么他们作为卫冕冠军，为了这一年的比赛，也是做了蛮多的准备，宇树则是去年没有自己官方参赛，而今年是他第一次正式参加比赛，那么作为人性机器人，目前运动控制的全球标杆，大家对于宇树的性能跟表现，都有非常高的期待，宇树在赛前也发布过一些测试的视频，也展现了他们非常强的实力，在测试场中跑出了10米每秒的成绩，荣耀事业部，大概是在两年前开始成立，然后团队也有接近一两百人，并且从行业里面也招揽了一群，在人心机制上面很有经验的工程师跟行业的专家，所以他们为了这场比赛的投入和研发的成本是相当高的，可能从量级来讲是显著高于另外两家公司，那这笔钱用来干了什么呢，能够让他去定制为比赛需要的大力矩的电机，并且也能够设计一套非常精密的液冷的机构，那在比赛现场遇到一个非常明显的情况，我们在直播的视频里面也可以看到，其他公司的机身在长时间高速跑动下面，会出现电机过热，不得不休息，因为荣耀设计了一套更好的液冷机制，让整个比赛电机的温度，都能控制在一个比较低的水平，而这件事情是让他们的闪电机器人，能够在整个马拉松比赛里面 [00:08:57]

程曼祺：都保持相当高的速度和一致性，很重要的一个原因，其实荣耀德冠它有一个，我觉得是跟未来的行业走向相关的一个问题，就是也有人认为，今年对于那些，长期本体的公司来说，比较重要的一个坎，就是能不能IPO上市到一个相对资源，各方面都比较安全，和充裕的状态，如果做不到这一点的话，可能接下来一年，比如说27年，像荣耀这种资源，比较多的大型终端厂商，包括手机中端，也包括汽车这样的终端厂商，他们的机器人 [00:09:28]

人形机器人进入产业化场景

程曼祺：他们的机器人，他们的本体，可能就会进入市场了，而且这些公司，在更大规模的制造，还有可靠性一致性上，都是更有经验的

陈哲 Peter：你怎么看这个想法，我觉得这次马拉松比赛，其实是证明了，一个有高端制造经验，和很强的组织能力的团队，在足够的资源和人才密度下，是可以快速地拿出，非常有竞争力的人心机身产品的，这个比较侧重于硬件那块的产品，对，但是从运控导航，等其他的能力和算法来讲的话，大成的水位也不差，至少对于单纯追求性能的，马拉松比赛而言，荣耀的能力是不差的，我觉得这个是隐含的含义是，拥有像荣耀这样，组织能力和人才能力，和资金能力的大厂，在中国还是蛮多的，像小米小鹏理想，等电动车厂商手机厂商，也已经开始，严肃地投入人心机神这场游戏，所以我认为，人心机神作为一个高端制造业，加上一个复杂算法，复杂软件系统的一个系统工程，正在从单一技术的，创意公司视角，演变成一个系统性工程，系统性作战能力的一个体系，那荣耀这次在马拉松这项比赛里面的成功，其实是向我们预示了，未来这个市场的竞争格局可能会是怎样，以及我有一个赛制的小问题，就是因为它冠军亚军季军都是荣耀的机器人，所以今年是我一个机器人厂商，可以派好多机器人出去，是的这也是我说的，荣耀相比于另外两个竞争对手，在参赛的资源上面是非常宽裕的，所以北人和语书都只派了一个，如果我没有记错的话，其他公司应该是派了两三个队伍，但是荣耀有十支队伍参赛，这没有上线的吗，这不约束一下的吗，它的比赛首先分为遥控和自主导航，然后在遥控和自主导航两个赛制里面，各有几支队伍参加，所以按照今天的赛事，因为荣耀有足够多的资源，也带了足够多的机型去参加两项比赛，所以在两项比赛里面，他们都取得了冠军 [00:11:55]

程曼祺：这次也可以站上具体的成绩的变化，因为25年那一次冠军是，天宫其实就是北人的团队嘛，当时这个半马是两个小时40分钟跑完的，然后第二名就是到松岩动力，已经和这个成绩差了很多了，是三个小时37分钟，差了一个小时，然后这一次就是在自主导航这个类别里面，冠军亚军季军荣耀的这三个机器人，成绩都是在50分钟左右 [00:12:04]

陈哲 Peter：而且咬得很紧，以及上次那两个都是遥控嘛，然后现在这个是自主导航，你怎么来评价这个进步速度，首先我认为这个进步速度是非常快的，在一年左右的时间，成绩提高了三倍多，在这么长的距离下，在多个机器人参加比赛的前提下，能实现相当高程度的可靠性和一致性，相比于去年的比赛，很多机型还非常磕磕绊绊的，到今年能够比较顺利的，完成全场的比赛，我们看到在机器人的硬件层面，控制层面，和自主导航层面都有非常快的进步，我觉得另外一点反映的意义是，如果大家严肃的去优化这个问题，我们投入相应的资源，很多问题在今天的技术架构上面是可以解的，那么可能更大的问题是，之前没有一个对人行机器人 Locomotion性能极限的要求，所以我们不会去为了，比如说像马拉松这种长达一个多小时，比拼最高速度的环境里面 [00:13:23]

程曼祺：进行整个硬件和系统优化的这种需求，但是以马拉松这种形式来说，它确实创造了一个需求，但这个需求不是个市场化的需求，这个也是大家关于这一类，比赛性质或者表演性质的，一些展示的长久的疑问

陈哲 Peter：就是它有什么用，我把它优化得特别厉害，然后呢，我认为马拉松作为一种，极限的运动性能的测试，本质上是人心机神技术的列明厂，是个benchmark可以这么说，是的，就像FA赛车从来不是为了卖车，而是不同的汽车公司展示他们最新的技术，在突破技术边界上可以做出的各种能力的突破和新技术的尝试，而这里面很多技术会逐渐的引入到量产车或者量产的产品上面，一个人行机器人想顺利的完成20多公里的半马比赛，他需要有非常好的全身运控能力，有处理应急场景和各种地面的不规则的这种障碍物，以及需要非常长时间无故障运营，同时也需要解决供电散热，以及一系列的系统层面的问题，实际上马拉松比赛是创造了一种极端的测试环境，当我们能够熟练的知道人行机器人各种能力的边界的时候，我们在量产的时候 [00:14:37]

程曼祺：其实是有大量的系统的经验，设计经验是可以利用的，那我们接下来的讨论，你说的第二个进展，就是Figure AI的直播的展示，它这也是一个展示，但是它和马拉松不一样的是，它是在一个真实的物流产线上，具体我可以先介绍一下这个直播，它是从5月13号开始的，然后是有三台Figure AI 连续直播了100多个小时，它这里的分件包裹的这个任务，具体来说就是站在流水线旁，然后包裹每来一个，你把它翻一个面，你把标签翻到正面，具体大家可以去看，我shows里贴的图，还有视频的链接，然后这100多个小时，它一共是分解了13万个包裹，差不多是三秒钟一个，而且中间它也是和真人有对比的，就有真人也在做一些类似的工作，还有一些节拍，然后这个成功率上的对比，你可以讲讲，就是你把它列到Top5里面，是为什么

陈哲 Peter：Figure这次做的包裹拣选的工作，无论是从观赏效果上，还是从实际的工业价值上，都算是一次0到1的突破，因为我们很长时间在讨论，人行机器人到底可以做什么样的工作，在什么场景下可以有效的替代人，我觉得物流的包裹分选，本身就是非常合适的一个场景，需要有一定的泛滑性和通用操作能力，而且这个工作本身是一个连续性的，长时间的，非常不适合一个人类长时间工作的一个场景，那么飞格是全世界第一个公司，把这样一个场景通过直播的方式，向全世界的大众观众得到了展示，我觉得这里面的示范意义非常明显，我看的这个直播的片段里面，其实这个机身都是没动的 [00:15:43]

程曼祺：它都是站在一个相对固定的位置，但它用的是全的人形，就是它是带双足双臂的这种，你觉得这是一种荣誉吗，其实它只需要用到它的操作能力，我们可以展开讲一下这个场景，在快递包裹的这个分解过程中 [00:16:33]

陈哲 Peter：包裹是由这种传送带快速地投递过来的，的确在绝大部分情况下，我们只需要双手的一个拿起，或者说翻面这样一个动作就可以了，这是为什么 Figure在整个环境中，是固定在这里的，在现实情况下，会有很多意外会发生，比如说这个传送带速度过快，这个物体过勤，或这个物体是一个，球形的或者滑动的物体，它有可能掉出来，它有可能掉出来，那一旦它滑动出来，或者它掉到地上，实际上我们在直播里面，是看到一两个片段，这个物体是从这个台面，滑落到地面的，那当各种这种意外情况出现的时候，其实一个真人，是知道怎么去处理这些，空人case的，那在这个直播里，他还没有做到对吧，机器人没有，目前没有做到，但是我想说明的是，这个场景，为什么需要一个人行机器人，或者说最好是一个人行机器人去做，因为当这种意外情况，真正出现的时候，其实只有人行机器人，加上我们今天的这种，具身模型，通用泛化的能力，才可能解决这种，你无法去穷尽的，常委问题，所以这也回到另外一个问题，就是有些朋友可能会关注，同样的问题，是不是四五年前就有同样的机器视觉，加工业手臂的公司，就试图把这个问题解决了，对这本来也是我想问的，其实中国邮政四五年前，就在陆续的和好多中国的机器人公司合作，就是你说的这种方案，这个具体的问题，其实之前一直没有解决，所以以前也都是弹幕，偏多是吗，没有真正工业落地，之前传统机械臂的方案，用运动控制，加深度学习图像识别，加上一个工业手臂的方法，来做这个问题，其实是很难把这个问题解决好的，我们在解决一个什么问题呢，是当一个快递包裹，被快速地运过来的时候，我们希望把这个包裹，有二维码的那一面，有调性码那一面，能够快速地被扫描，那快递包裹往往是一个软体的包裹，贴在上面的二维码，实际上是非常容易被遮挡，或者是有各种形变的，如果是一个人来操作这个事情，它会用双手来进行零小操作，他会把二维码翻面展平，这两个动作，在四五年前技术战下面，基本上是无解的，那他可能对你末端夹具的，林潮精巧程度要求也挺高，对，这是为什么我们看到，不管是figure 还是新动机员的展示里面，都用到了一个林潮手，这个动作就像我说的，可能用传统的四五年前，想要解决这个问题的公司，基本上还是在用吸盘，甚至都没有用夹爪，因为吸盘在当时的技术战下，是一个更通用的解决方案，但实际上你基本上没有见过，吸盘方案是两手操作的，它只能进行简单的Pick and Place [00:18:34]

程曼祺：那它这个是不是也有一些，就场景难度的区别，比如说在有一些物流上，它的包裹可能标准化更强，当然，以及它柔性包裹比较少，它都是一些刚性的什么纸盒子之类的 [00:19:24]

陈哲 Peter：当然，包括像我之前投资的海柔，包括像已经上市的极致家，这些在仓促物流自动化领域的机器人公司，实际上都是在解决一些，标准化的物流场景，但实际上为什么到今天，物流也是一个人性机器人，非常大的非常有价值的场景，是因为在这些标准化的包裹

灵巧手爆发与训练数据

陈哲 Peter：是因为在这些标准化的包裹，标准化的纸箱之外，还有大量非标的包裹

程曼祺：和拣选的需求没有得到解决，比如说像电商仓，我觉得就是一个比较典型的场景，因为有些电商仓，它的商品的类型是非常多样的，对，然后它柔性也比较强 [00:20:05]

陈哲 Peter：有捡货的需求，有打包的需求，也有像快递这种分捡的需求，其实Figure和行动机员，选择这个场景是非常聪明的，因为它真的是一个老的技术战，和非人形，就是非双臂加零敲手的方案，很难流畅解决的一个问题，就像我们之前看Pi和Dyna 做一些叠衣服的demo的场景下，其实deformable材料的操作，是非常适合今天的具身模型去解决的问题 Deformable的意思是，就是可以形变的，可以变形的材料，比如说一些软体，比如说一些纺织物，比如说一些塑料袋，因为你没法用一个简单的固体模型，去建模它的空间几何和操作的操作点，实际上它就必须需要有一个，有一定泛化能力，有一定理解能力的模型，适应性能力的模型，去做这种灵巧的操作，那回到Figure AI这一次的直播 [00:21:11]

程曼祺：有一个争议是在直播中，它出现了一些片段，是这个人性机器人，有一些浮头的动作，然后又会有人说，这是不是摇操的，而Figure AI官方是说

陈哲 Peter：这个直播用的是，他们Helix02这个模型，自主完成，我觉得摇操根本不是，这个问题的争议点，因为我相信，所有的人性机器人，在真正进入这种部署场景之前，都有长时间的摇操作，来收集数据，和纠正动作的一个过程，哪怕这里面有相当的时间，有一部分时间，是需要人类介入人类干预，我觉得也不能

程曼祺：削弱这件事情本身的意义，而且你说到这个，我想到一个事儿，就是有可能在未来，它真的进入，工业长期部署的状态之下，也会有点类似于，自动驾驶的一种什么情况了，就是我后台可能有一个真人

陈哲 Peter：在管着比如说数台，这种机器人，因为它中间可能会出现一些情况，是需要人去接管，当然远程接管，对于Robotaxi系统来说，已经是一个市场上的norm 我们在看vimo 和国内其他的Robotaxi公司的时候，我们都会去衡量它的，接管效率，一个人可以盯多少台，对吧，对我认为同样的事情 [00:22:10]

程曼祺：对于一个全自主运营的人心机器来说，一定也会是这样，但这又涉及到一个问题，我觉得你在工业和物流场景，生产场景，你可以有一个人在后台盯着，如果你要真的进家庭场景

陈哲 Peter：还有一个隐私的问题，对吧，那是不是对这个机器人的，全自主能力要求又更高，你可以这么说，这也是为什么，人性机器人真正进入家庭场景的难度，从隐私的角度，从数据分布的角度，都会比单纯的工业场景更大，这是为什么，我认为Figure找到的，物流分选的场景，实际上是一个非常好的场景，我们如果看历史上真正成功的B2B机器人，基本上他们都在这种有大规模的部署量，有足够高的吞吐率，以及有比较一致性的作业的环境和作业的需求，那么之前刚才提到极致家像海螺，像Kiva System 这些非常成功的2B的机器人，其实都是在倡主自动化领域，我们也看到了一些人行机器人公司，想要在一些工业场景里面，做一些落地跟示范，如果你仔细去看那些场景的话呢，你会去发现，有些在工业场景落地的人形机器人，实际上是在做一些专用机器人，专用机械臂已经可以做的事情，本质上就是一些非常精准的上下料，和工具的定位操作的过程，但是对于Figure展示的这个场景，我认为在之前的机器视觉，加工业臂时代并没有得到很好的解决，之前去年和今年，宇树还有一些其他机器人公司，两次上春晚，是让中国大众对人性机器人 [00:23:43]

程曼祺：有了一个比较多的认知，然后也掀起一个热潮，你觉得Figure AI这次直播，海外出圈吗，它有一个像大众普及的这种作用吗，我觉得在推特上面的反响，还是蛮高的 [00:24:15]

陈哲 Peter：同时期发生的那几天前，在美国的达人秀上，也出现了一个很有意思的表演，是一个来自四川成都的舞者，吴雨飞和八台语书的激旺机器人，进行一段现场的舞蹈表演，也获得评委跟观众热烈的响应，和全票晋级的待遇，那这个视频出来过后呢，也掀起了全网非常热烈的讨论，实际上它跟飞客的展示一样，都是让美国的普通百姓，通过一种非常直观的方式，看到了人形机器人，怎么开始进入工业和商业的这种场景，之前可能很多人在YouTube上面，在Twitter上面，是看到过中国春晚的极限表演，还有很多人怀疑，说这是不是AI生成的，这是不是录制了很多遍的

程曼祺：而不是现场直播的，然后就是我们说回国内，因为刚才也提到，就是说新动机员，其实也有在物流上的一些，新的合作的宣布，是和中国邮政，其实他们去年11月，他们就发过邮政包裹分件的demo [00:25:21]

陈哲 Peter：你觉得像国内的这种进展，它目前离真的落地，大概是一个什么样的距离，我觉得从技术成熟度来讲，已经到了相当成熟的一个阶段，我获得信息是，心动机员在快递分选这个场景里面，不光是在中国邮政，也在顺丰，也做了长时间的测试跟训练，他们已经能够实现，人性机器人的全自组的，这个分包翻面扫描，等一系列这样的工序，这也是我觉得，中国公司在人型机器人，在物流工业场景的落地的实际进展，完全并不亚于美国公司的一个很好的体现，像这种场景，它一旦放出来之后

程曼祺：我指场地方有这种需求的时候，是不是会有很多公司去试，就除了行动机缘，我们已经看到它自己宣布了的合作之外，你知道还有什么公司，在物流上投入会比较多的吗 [00:26:16]

陈哲 Peter：具体有哪些公司会选择这个场景，我不确定，但是我能知道的，这是一个好的PMF 这是一个适合双臂人形机器人，适合一个有一定泛化，和智能能力的巨神模型，去做的一个场景，以及也需要林长寿的一个配合，所以拥有这几个综合能力的团队，一定是不少的，像你以前投过的海柔 XYZ这些更早成立的公司，他们在物流这个场景，其实是深耕比较久的，你觉得他们可以往这个方向去拓展吗，当然我觉得是可以的，这其实也回到了2B科技公司一个很底层的问题，其实有很少的技术本身是具有垄断性，那更关键的是你的产品或者系统，要嵌入一个更大的运营体系里面，比如说在这个情况是快递，或者说是仓库的物流自动化，那你在里面有哪些跟行业相关的认知经验，以及跟客户系统的这种呕吼，我觉得都会变成 2B的技术公司，非常重要的门槛跟壁垒，所以我认为在上个范式里面，已经取得一定成功的 2B机器人公司，都有机会把人形机器人，和具身智能大脑，这些能力跟技术，应用到一些，还未被解决的场景当中，上一批公司现在有一个劣势，是不是融资上还是会差一些，因为他们好像没有什么新的，那么强的噱头去融资，但是他们有很多收入，是已经有一定体量，上一波的2B机器人公司，基本上都已经进入 IPO或者Pre-IPO的阶段，虽然他们在一级市场，讲具身的概念，可能大家觉得他是家老公司，但实际上当他真正IPO过后，他可以获得的资源和能力，有可能是远远大于，今天在一级市场的公司的，比如说像之前做，松坦机器人的普渡，他们现在已经是商业清洁里面，非常头部立家公司，那么包括像骑士家像海柔，他们在倡主自动化里面，把一些可以被自动化解决的场景，都已经通过他们的移动机器人得到解决了，那么在仓库里面，我们还是有大量的员工的，我们在物业里面，也还是有大量的清洁工，有大量的物业人员的，那么对于那些，今天的简单自动化，还没有覆盖的场景，其实对于这些 [00:28:14]

程曼祺：2B的机器人公司来说，都是一个很好的延展，然后关于整个人型的进展，我们上一次还聊了一个细分的趋势，就是把Locomotion 就是运动控制能力和Multiple Nation 精细操作结合起来，就是全身的运动控制，其实前面也讲到，就是比如说包裹分解这个任务，在一些Core Case的情况下，就是需要全身的控制能力，我自己观察到一个变化，就是我发现有公司，新的公司，它专门就是做这个新成立的

陈哲 Peter：比如说李洪洋老师做的这个原测未来，对，我觉得整个具身市场，过去两三年的确主要是在关注操作智能的问题，之前我们说到机器人的locomotion能力，就是它的运动能力的时候，我们可能自然的觉得它是一个小脑的能力，它跟我们在解决，比如说大脑的这种认知决策和操作的能力，是没有直接关系的，但是随着locomanipulation技术的逐渐成熟，我们现在发现，我们是有机会，用一个更一统的架构，来同时训练，你的移动跟操作能力，那么在这个前提下面，那些真正拥有 [00:29:17]

灵巧手路线与中美差异

陈哲 Peter：那些真正拥有，很强的运动控制能力的，团队的价值，就会得到放大，那这个季度，我们不光看到了很多，新的创业公司的出现，我也看到了，在数据采集方面，一个明显的趋势，就是有越来越多的公司，在收集全身运控的数据，全身运行的数据，你可以把之前，比如大家在采什么数据讲，就比如和之前的区别是什么，我可以讲一下，素材的这个范式的这个演进，因为我们知道巨神智能，整体的瓶颈，其实就是在数据，那么每个周期，模型范式的迭代，其实就是数据范式的变化，我们通过看，素材公司在做什么，我们也可以提前预判，这个行业未来会朝哪里走，那么回到两年前，当时最火的方向是 Aloha这个方向，本质上是一种，针击摇操做素材的方式 aloha是一个轻型的臂，可以这么说吗，对，针击摇操轻型的双臂做采集，其实经典的aloha方案，其实是涉及四个机械臂，由人去操作两个机械臂，去影响直接控制另外两个机械臂，因为人是直接操作那两个机械臂的，所以它构型是完全一样，它是同构的，我们在遥控的手臂上，做的所有的动作，可以被另外一个手臂所克拢复制，所以这是大约两年前的，素材的主要的方案，这个方案就是当时在斯坦福的，那个Sander Bartels的另一个连场 Tony Zhao提的什么，对 Tony跟子鹏在23年发VLA的工作，然后到了去年左右，出现了这个Wumi的方案，就是迟呈他们做的这个，用人去手持一个两指的夹爪，然后是一种无本体数据采集的方案，所以它的好处就是它成本更低，对它不需要真机，实际上一个素材的人员拿着两个夹爪，就可以在很多真实场景里面进行素材，然后到了去年底的时候，大家也开始引入Ego Centric 第一视角的一个视频，往往他会带一个头环，或者是一个头戴摄像头，然后去收集很多第一视角的操作视频，这个方案最主要的好处是，它的多样性是暴涨的，它可以被应用在非常广泛的场景里面去进行素材，而且对人去操作一些任务来说，有尽量少的干扰 Ego Centric这个方案，它需要配合手套，还是不一定要配合手套，不一定需要配合手套，它核心的特点是，第一视角视频，那么在这个基础上，我可以是Ego Centric的视频，加上两个5米的夹爪，也可以是Ego Centric的视频，加上素材的零敲手的手套，也可以是空手，所以它的量和多样性都会多很多，是的，可能到了去年年底的时候，随着英伟达的这个 Sonic全身动捕的这个工作的出现，我们看到越来越多团队，有办法去通过动捕的方式，去给人形机器人，做大范围的数据采集，然后也可以把人的各种动作啊，舞蹈啊，更快的迁移到人形机器身上，这也是为什么，我们到了今年看到了更多的，想要做全身动捕，以及从全身动捕的基础上，开始去做local manipulation 工作的这个尝试 [00:32:40]

程曼祺：因为大家做的这个，全身动物的方案 Sonic它和以前，我们有时候看一些，电影纪录片里面，会展示特效的动物，就在人身上打很多点，那个区别是什么，本质上是，你有一些大概的骨骼点 [00:33:15]

陈哲 Peter：然后你可能是有外部的camera 你要把这些骨骼点，映射到一个人心精神上，就是你怎么做retarget 就Sonic它这个开源的，一个技术站码，因为它做的特别好，又很简单，所以大家就可以，很快地迁移上去，然后这里面很大的原因，也是因为语数做好了，语数做好不光是硬件做好，是开源的市场里面，有很多人围绕着语数的激旺，去做了它相应的参数的这种优化，所以当我们捕捉到一个，人的运动谷歌信息的时候，这个人的运动信息，可以很快的迁移到语数激旺上面，所以算法上是和英伟达的

程曼祺：Solid开源的成果相关，然后硬件上是语数的，硬件本体本身更成熟了，进行大家更多的，能做一些全身运动控制的探索，对，或者我们从研究员的角度 [00:34:07]

陈哲 Peter：他们一定是想去做一些，更新更有探索性的，更终极的方案的，这是为什么我们不光看到了，很多以Local Manipulation为目的的，全身素材，全身动物的这种方案，我们也看到了很多公司，开始去想办法去采集，零敲手的数据，无论是通过手套，外骨骼，还是用其他的一些方法，本质上我们今天开始采集的数据，可能就会转换成三个月六个月以后

程曼祺：模型方面的一些突破，那正好进入第三个主题，就是灵巧手和灵巧操作，因为你刚刚也去维也纳参加了ICRA ICRA就是ICRA 是国际机器人与自动化大会，这次5G也是在ICRA上有比较多的展示，你可以讲一讲第二季度灵巧手有哪些变化，包括在ICRA上得到的一些最新的反馈和讨论是什么，我觉得这次ICRA的会议

陈哲 Peter：有非常多中国的厂商去参展，尤其是在灵巧手的领域，那么以5G为代表，他们发布了新的一代的，直驱灵巧手，那么也有一些其他的公司，像西诺像零节点，也发布了他们新一代的，高自由度灵巧手的产品，获得全场很多关注，零星巧手和虾帕也去了是吗，虾帕没有发布新的灵巧手产品，零星巧手是去了的 [00:35:11]

程曼祺：星动纪元有在ICRA上发手吗，有心动机缘的高自由度的灵巧手也发了，对在这种做本体和智能都做的公司里，他们是自己做灵巧手，对，他们那个邮政的合作也是用了自己的灵巧手

陈哲 Peter：他们那个是叫X-Hand 对应该是一个中自由度的手，但是他们在一块上面发的是 21自由度的旗舰的这个高自由度的手，对实际上在一块发布灵巧手的公司是蛮多的，那我认为在所有公司里面 5G发布的二代手是显著获得了更多的关注跟认可，其实今年一块的情况跟25年很像 25年一块给大家留下最大的印象，就是Shadow发布了它的高自由度灵巧手，那么这一届一块可能对大家来说，留下最深的印象是5G的二代手，可以讲一下5G二代手的一些基本情况吗，比如说上次节目我们聊到

程曼祺：Shadow的手是22个自由度，是5万美元左右的售价，然后当时很多全球前沿的，具身相关研究室，是在用或者说在等他们的手呢，对 5G的这个二代手 [00:36:30]

陈哲 Peter：也是20个自由度 20个自由度，对，有些灵巧手，它可能标称有比较高的自由度，但实际上它有些自由度里面，并没有这个动力，那是靠别的关节，带动那个关节是吗，对，一般我们说灵巧手的自由度里面，会分为主动自由度跟被动自由度，那有些可能是属于被动自由度，比如说它可能有更高的自由度，但实际上那个自由度并不能主动的控制，它会被别的关节牵扯的时候会拿过去，所以其实对于高自由度灵巧手，在20个自由度左右，基本上可以实现我们人类掌内需要的各种操作，它也是一个工程上的tradeoff 本质上全自由度灵巧手取决于你的技术方案，是直驱还是神驱，你的工程实现的难度可能不一样，对全自由度的直驱灵巧手而言，基本上就是在每一个自由度上面，都有一个奠基，因为你说这次一块上5G的时候，大家比较关注，它是展示了一些什么能力，获得了关注，其实5G跟沙发，可能是在全球市场上，做直驱高自由度领导手，最领先的两家公司，那么他们去年发布的一代手，在市场上也取得很好的反响，但是有非常多的工程问题，没有得到解决，比如说有比较严重的散热问题，以及它的一代手当时的结构，是没有反驱的能力，也就是说，关节不能很自由的，反向的这种摆动，导致的问题，就是在一些，强冲击的环境上面，它是容易损坏的，以及它关节，对于力的响应和控制，不会那么灵敏，那么这次发布的二代手，在没有增加重量的技术上，实现了更好的反驱性能，也大大的改善了，散热的问题，所以我发现在现场，他们的展台，会有非常多的观众，会自己上手去尝试，去感受这个手的这个灵巧性和反曲性，那这一点其实对于很多研究人员来说，是非常有优势的，有性，对，而且如果你把五极的手，跟下巴的手side by side一举看的话，你会发现五极的手大概只有下巴，可能一半的体积的样子，所以从模拟一个真人手掌的大小而言，五极的优势是非常明显的，我觉得基本上高自由度手，除了五极跟西诺，就是神曲混合方案的手之外，我觉得在高自由度手上面，体积都比一个成年人的手，可能大1.5倍到2倍左右，那这带来的问题，其实是非常多的，它意味着，很多你在人手上面，可以完成的操作，如果你通过人去学习这个策略，你是没有办法在一个体积 [00:38:31]

程曼祺：比较肥大的手上面去实现的，他们这次有展示什么，比较炫技的功能吗，研究人员去看这个东西，他怎么看到门道了，他怎么看到，是否是我需要的东西，主要是看这个手的体积，灵活度 [00:39:16]

陈哲 Peter：反驱性，和它的这个机械性能，其实就跟我们看宇树的，这个机器人的特点一样，就是大家实际需要一个好的硬件载体，这样他们可以在这个硬件载体上面，可以完成非常多的控制的这个工作

程曼祺：那我觉得也跟这两个公司定位，有一些差异有关，其实我们上次讨论过，就是李一帆他们重新来做，沙盘这个公司，长期来说，他有一个更大的目标，应该是想做通用的聚酰智能，从手来切入，所以他们可能自己软件算法，这方面做的也比较多

Cosmos 世界模型的产品化

程曼祺：这方面做的也比较多，包括他们也提了一个三层模型的架构，所以他会去展示，比如说我组装一个风车，或者我两个手削苹果这种动作，然后5G 它是不是更类似于你上次提到的，你觉得灵巧手里面有一个，语数7万这样的机会和生态位，就是说我成为大量前沿研究的一种基础设施，对我觉得为什么这次一块 5G的时候获得了比较积极的反响

陈哲 Peter：也是因为它主要是一个学术会议，这是过去一两年，我跟很多海外的研究人员，获得的一个认知，就是大家在完成了，以甲爪为核心的，这种VLA的研究过后，其实大家发现，硬件的限制，导致很多更复杂的任务，是无法完成的，零上手并不是一个新的领域，可能在全世界，已经发展了三四十年的时间，但是直到今天，也没有一些特别成熟，或者特别便宜的硬件方案，让全世界的研究员，可以在这个技术上，做快速的研究跟思索，我觉得5G今天的公司定位，是比较像语述的，是专注于把一个低成本，高可靠性，稳定的一个硬件设备，做到足够的可靠耐用，然后让大家可以在这个技术上，去做大量的研究和实验，这也是为什么，在过去一两个月，我们看到非常多，无论是美国的，还是中国的创业公司，他们都发布了基于5G灵巧手的，零巧操作的这种模型，或者工作的进展，现在高自由度灵巧手，整个全球的市场规模是怎样，我们首先来解释一下，灵巧手今天的市场格局，它分为低自由度手和高自由度手，低自由度的手，无论是第三方公司，像零星巧手，或者是强脑中公司生产的，还是像智源，等其他公司自产的，这个低自由度手的，今天市场规模，一年大概有小几万只，跟人性基层的数量，基本上是成正比的，你知道这个市场目前来说，卖的最多的是谁吗，我觉得零星巧手应该是大的，但是之前还有家英时，英时就是做连杆的，那个量也大，因为那个可能最早做残疾人，这个市场都做，在低自由度灵巧手的市场上面，其实是有蛮多，已经有相当出货量的公司的，包括像英时零星巧手，强脑奥义等一系列的中国的公司，也包括智源裁分的临界点，低自由度灵巧手，今天很大的场景，实际上是配合着人影机型的销售，无论是表演的场景，还是一些简单的这种抓取 Pick and Place这种场景，这是一块市场，那么在高自由度零敲手里面，以沙帕和5G这种公司为代表，主要就是面向全球的零敲手操作的科研市场，那么这个市场的目前的出货量还是比较小的，因为实际上可能在去年沙帕真正量产之前，在市场上几乎可以说，没有能够买得到的量产的高质度灵巧手，虽然高质度灵巧手，今天出货量还比较小，头部在几千只的水平，但因为技术含量高，对算法和数据都有影响力，也是大家竞争的焦点 [00:42:14]

程曼祺：那刚才说是灵巧手这块的一些进展，然后在零巧操作的模型上，有一些什么进展，就是更偏软件或者说系统的那一部分，在今年5月份的时候 Genesis是发布了 [00:43:02]

陈哲 Peter：他们用定制的五指手，做了零巧操作的模型，你可以稍微说一下这个公司，因为之前没有聊到过Genesis Genesis是24年成立，然后一开始是在做，机器人的这种仿真环境方面的工作，在一年多以前，开始专注到了林桥操作，和机器人权占系统开发的定位上，我认为他们5月份发布这个工作，代表了目前市场上，使用高速度林桥手，进行这种操作的一个，缩大的一个表现，他们公开说，采集了大概20万小时的数据，我相信应该有相当一部分是这种Ego Sentry数据，那也有一些应该是通过摇操作，或者说这种素材手套的方式，获得的灵巧手操作这种真机数据，其实通过他们demo我们可以看到，他们用5G的这个灵巧手，其实是实现了一些非常灵巧的一些操作，比如说旋转模方，包括处理一些食物，烹饪，包括弹钢琴，等一系列相对灵巧型的这种操作，他们展示的做菜的那个能力，它这个步骤还挺长的，有20个步骤，一个完整的菜，备菜然后烹饪，你觉得这是一种什么思路，我觉得灵巧手操作的模型，今天还在一个，行业比较早期的阶段，今天的很多灵巧手的操作，其实比较像两年前，我们用阿罗哈，进行这种蒸鸡，摇操的这种类比，什么意思呢，如果我们有比较高质量的，人类完成某一个任务的，这种数据，无论是通过动物的手套，外骨骼，还是用其他的一些方式，那么当我们采集了足够的数据量的时候，我们是有很高的执行度和可靠性，把这个动作得到重现，就是我们所谓的behavior cloning 行为clone 因为之前市场上完全没有高自由度灵巧手的供给，所以今天很多进行模型研究的公司，还在属于比较初级的，获得真机数据的这样一个阶段，那么可能之后随着，无论是Ego Centric的Video技术的提升，或者是一些更轻便的，类似于UMI的方法，可以让用户更快捷的，采集一个高保证度的，手部操作的数据，那么那个时候，我们有可能会训练出一些，更加泛滑和更加通用的，零教授操作模型，那么今天我看到像Genesis 或者说很多其他的，做零教授操作的公司，我觉得今天的技术范式，还比较像两年前，我们做Aloha 进行一些behavior cloning 就是克隆人的行为，所以他有可能换一个任务，甚至我环境变得稍微多一点，也许成功率就会有，比较明显的变化，很有可能的，如果我们拿generalist 这种在夹爪操作上面，已经做到比较通用，比较泛化的公司来做对比，我认为generalist 已经找到了一个，采集几十万小时，无本体数据的方法，通过污名这种方法，我认为在高自由度零敲手操作上面，目前市场上还没有特别清晰的方法，如何获得足够高保证的数据，来驱动一个零敲手操作，那么这里面是不是存退的 Ego-centric Video-only就可以解决，还是说我们像当年的激光跳舞一样，我们用一个非常好的仿真 ESAC-SIM去解决，或者是我们有些非常好的动谱的设备，无论是手套，机电手环，还是别的一些，外置的外谷格设备，我觉得这点，还没有特别清晰的共识，但是我们知道的是，只有当数据的问题，得到充分的解决，和释放的时候，我们才有可能训练出，一个非常泛化，和通用的林巧手操作模型，而行业的趋势，是快速的推动，朝这个方向去发展的 OK 那我接下来这个问题，就是沿着你刚刚说的这个点，就是这个林巧手的 [00:46:49]

程曼祺：数据的收集的问题，因为数据是AI进展的三要素之一，那做一个这么重要的资产，你觉得它最后数据会在哪儿，会在第三方公司这吗，有很多做手的公司，可能是第三方的公司，就相对于我直接做一个，完整的人形机器人本体的公司，其实这个问题，它还可以等价于一个问题，就是林巧操作这个能力，最后是什么样的公司，能更快更好地做出来，是比如说我直接就再做，林巧手这个硬件的公司，我能软硬一体，结合迭代的动快，还是我本身做一个，整个巨神大脑，或者巨神大脑，小老融合的这么一个，统一的模型的公司，其实你第一个问题，问的是数据会是谁提供，对吧，第二个是这个智能是谁提供，对因为数据可能跟智能，就很相关了，它连着的，或者你可以反推，对有的公司来说，如果智能是它的必争之地的话，那它那个数据，肯定它就得自己掌握，我们观察到一个现象 [00:47:07]

陈哲 Peter：就是在真机摇操的，阿罗哈时代，和污秘的这种，无本体素材时代，其实已经诞生了，非常多的数据采集公司，他们开始服务，各种巨神智能的大厂，或者是创业公司，比如说简智，就是个单独的公司，对，比如说美国有类似的一些，这样的公司，中国有些，还有光伦也是，对，以5米为例，其实它对于执行器硬件的依赖，或者说限制是比较低的，因为本质上是一个，比较简单的平行夹爪，但是对于高速度零销售的数据而言，如果你不控制，这个手的本身的，这个结构跟设计，你作为一家第三方公司，进行输采的时候，可能就会非常受限于，你具体想要，映射的本体的，这个形态跟结构，因为很多在自由度，在关节上面的特征，它并不是非常容易，transfer 或者说非常容易 retarget的，就是说如果我作为一个，第三方的数据采集公司，我服务了ABC三个客户，可能我就不能用一套方案，一套数据去给这三个人，我要给这三个分别，有一些定制的东西，我觉得主要是因为今天，灵巧手的硬件结构，还没有完全收敛，你作为数据公司，你想要采集灵巧手相关的数据，那最简单的问题，就是你按照哪一个手的构型，哪一个手的自由度去采集数据，比如像我们刚才说的，有些公司可能是22个自由度，有些是20个自由度，有些公司21个自由度，就意味着他们在每一个手指上面，自由度的设计和结构，都是不一样的，所以其实，因为我刚才说数据在哪，我想的是两种可能，就是要么是林巧手的公司，有可能自己做 [00:48:54]

程曼祺：又有一种可能是本体厂商，他把林巧手的硬件也自研了，然后他也自己去采这个数，你现在其实说的是第三种可能，就是有一种，专门就是做数据采集的公司，可能手他也不自己在造，对吧，他也可能来自于客户，来自于数据需求方 [00:49:41]

陈哲 Peter：或者来自于他自己去采买一些设备，你说的是这种可能，你觉得这比较难存在

世界模型与通用模型边界

陈哲 Peter：你觉得这比较难存在，不确定，因为数据服务商，这个生态位是存在的，在LAM时代，在大元末兴时代，是有独立的数据服务公司的，对巨仙目前也有，但是未来如果，大量的是灵巧手操作的数据，是不是也会依然存在，或者是说，是不是他们也需要，跟灵巧手公司建立，非常深入的偶合，或者是绑定，可能就很难一概而论

程曼祺：那在我说的那两种，可能你更倾向那种，可能会发生了，就是说是本体厂商，有动力来自研手，然后也获得他的数据，还是说，这个手的公司，它慢慢从手切入，它可以做更多 [00:50:22]

陈哲 Peter：就除了硬件之外，它也有更多数据软件的东西，我觉得这边逻辑是这样子的，跟零敲手相关的数据，其实受零敲手本身的结构构型，电机的选型，和传感器的选型，依赖度非常高，所以这些数据，目前看来是高度依赖零敲手本身的，也就是说，如果你是零敲手的厂商，那么你自己去设计一套，数据采集的这种设备和标准，是很make sense的，第三个公司，其实很难把这个事情，直接做好，那可能更关键的是，长期来看，零敲手公司和，人形的本体公司之间的关系，会是什么样子，或者就叫人形公司吧，因为那些人，可能也会做大脑对吧，就是大脑和本体，一起做的那种公司，对，就目前看来，人形公司大概率，最终会是个全站的公司，对全站人形公司，如果它是全站的公司的话，大概率，本体大脑跟零敲手，他们都想自己做，那核心的挑战就是说，是不是还拥有一个广泛的，非常大的第三方零教授厂商的一个位置，我觉得这个可能是更关键问题，如果这个位置存在，那么很可能大量的数据，是由这些独立的零教授公司去提供的，如果这个位置不存在，这些数据就应该由人行本地厂商去提供，我刚才本来想找一个以前的类比，然后我发现零教授还挺难找类比的，它既是传感器又是个执行器，而且它对于数据的形态跟标准，要求还是蛮高的，我举个例子，如果我们看激光雷达的情况，实际上很多厂商的算法，是并不依赖于具体的激光雷达的型号的，或者说配置的，或者说不同激光雷达采集的点云数据，都能够通过一个管线，被训练到一个更大的模型里面去，所以我们看到激光雷达公司，并没有在数据上面有很高的话语权，但是在零销手上面，我觉得不太一样的一个地方就是，它的数据维度和数据的格式，其实跟它的硬件设计，和方案设计是有很大的关系的，而今天市场上也没有特别成熟的方案，然后我们也知道，零敲手的工程复杂度是非常高的，马斯克也一直在说，零敲手可能占了他们整个公司 50%的工程的投入，老子的问题就是，很多公司其实并没有能力，真正做出一个Sorta的零敲手，在他们的本体上面，如果这个情况发生的话，那是不是一个第三方的公司，实际上是有一个更好的位置，可以采集更多的数据，然后服务更多的本地厂商，我们如果用支架来做比较的话，除了像魏小李，特斯拉这样的头部公司，有全站能力，那还是有大量的公司，会去采购英伟达，或者地平线的方案，那英伟达和地平线，他们也会提供自己，一套完整的自动驾驶方案，也涉及到数据的清洗，采集标注训练，所以我们在讨论，可能长期来看，林教授跟人性本体的关系，可能会是一个长期博弈，长期共存的一个关系，然后关于林教授，还有一个话题，也是上次就讨论到，我觉得以后也会持续出现，就是神区和直区的，这种不同方案的选择 [00:53:16]

程曼祺：你也提到在ICRA上，还有一家中国公司，就是西洛未来，他们就是做混合方案的，然后Optimus QR 其实也有一个进展，就是Optimus第三代，正三他们也陆续披露了一些，技术上的细节，就包括它手部，是一个22自由度的灵巧手，然后它依然，还是用了神驱的方案，对这次一块，另外一个比较重要的发布，就是新罗未来的

陈哲 Peter：这个Flex2的，混合方案的灵巧手，新罗未来这家公司，是什么背景，新罗未来是一个，拥有自研的这个，电钢和机器人关节，核心零部件的，另一家公司，然后呢，他们在这个技术上，也做出了，他们的两代的，这个灵巧手方案，尤其是在今年一块发布的，是一款非常创新的，混合驱动方案的高自主灵巧手，它的混合方案体现在，大量需要重载的能力，它的重载的能力，是通过在前臂里面的电机，通过神锯的方式实现的，重载就是什么握吗，抓握的这种能力，就比较大的这个力量，因为电机可以放在前臂，空间会更大一些，那么它们在掌心内，也有这种微型的电机，可以提供指节上面的，比较灵巧的操作能力，所以指节上是直驱的，对，所以它叫自己是一种混合方案，是一种神区加直驱的一种方案，那所以别的厂商展示，是从万部开始展示的，那它的产品是从小臂者开始展示的，对，所以这种方案从原理上讲的，是有可能拥有神区和直驱的，两重的优势的，那原理上也拥有两重劣势，是吗，我觉得可能这个涉及到，神区的一个更大的问题，就是神区的本身的劣势在什么地方，为什么到今天我们也没有看到，广泛的高速度的灵巧手，以神区这种方法进行真正的出货，我觉得西诺的这个混合方案呢，在试图解决纯神区方案，面临的一些问题，就是纯神区方案，为了实现高自由度，它可能需要非常多的这个建设，穿过一个很狭小的万步的空间，才能够实现充分的自由度，其实它的组装跟维修，都是非常头疼的问题，那么通过一个混合方案，你可以把部分的这个健身，换成掌心内的电机，这样你只需要更少的这个健身，通过这个腕部的空间，而有一些自由度，是在掌心内的电机去实现的，那它的双重优势就是，它的比如说抓握的力量是更大了，然后同时它又没有之前那么复杂，就混合了直去之后，对，因为你的电机是可以放在前臂这个位置，就有些更大的电机，就没有更多的体积，跟散热的限制过后，你可以放到前臂这个位置，我们如果去思考，人手的真实的结构，我们手的这个抓握力，大量的是由，我们的前臂肌肉实现的，但是我们在掌心，也有些小的肌肉，去可以控制一些细微的动作，你说到这个，我还想到一个公司，就是那个Aregion Flow 对就做积电的一家公司 [00:55:54]

程曼祺：对他们那个积电的数据采集，就是做的一个臂环手环，它是套在你的手上的，然后它通过积电信号的方式，采集到一些你手部操作的数据，对其实用机电来控制零敲手 [00:56:39]

陈哲 Peter：或者说用机电来捕捉人手的数据，并不是一个新的想法，十几年前在加拿大花铁卢，就有一家公司，推出了一个产品 Mile手环，就是专门做机电控制，包括像杭州的强脑，他们也有一些机电控制，低自由度零敲手的这种尝试，所以这个并不是一个新的技术，为什么最近大家，对这个问题更加的关注，是因为随着算法的进步，我们对于采集大量的数据，进行数据训练，合作fitting的能力，是有了显著的提升，所以大家会非常好奇，通过新的积电的方法，能不能也比较好的，比较高精准的去还原，手上每个关节的位置跟操作，以及对力的反应，可以说就是混合方案的情况

程曼祺：他如果是整个带一个钱币的话，他和他的下游厂商，就那做整个全站的人形机器人的公司，他的合作方式是怎样，我觉得对于绝大部分 [00:57:42]

陈哲 Peter：需要涉及到钱币神区的方案，因为在一块上面，也有一家公司原生科技，他们的神区方案是不带钱币的，他们把所有的神区的方案，做到了手帐里面，当然这是另外一个话题，所有需要做带钱币的神区方案，最大的问题，就是你需要跟本地厂商，有更深入的偶合跟集成，它不能像一个，比较标准的，首长的一个产品，比较快的可以切换，比如说你看，语书或者智源，他们的人力集成，是不带那个首长的，所以你是可以快速的切换到，其他一些公司的，这个灵巧手产品，但是对于一个，需要钱币集成的，一个灵巧手公司来讲的话，商业上讲，可能更需要跟本地厂商，做更深入的这个集成跟定制，这也是为什么，我们看到了西龙未来，在过去一段时间，也拿到了国内非常多，大厂站头的投资，实际上也是因为，基本上所有的大厂，在做人形机器人研究的时候，零销售上面都采用了，类似特斯拉的神区方案，我看李小金东投资过它，我其实跟国内很多，大厂的研究人员聊过，其实对中国所有的大厂而言，选择follow特斯拉的神区路线，是一个比较直接的选择，因为本身他们对本体会有一个控制，同时因为特斯拉还在做这个方向，所以让大家去选择一个不同的方向，其实对于很多工程师来说，也是一个巨大的风险，不愿意承担，你是因为他们是大公司是吗，因为有向上汇报的压力，所以具体的负责人就不想承担这个风险，你可以这么说，就是万一特斯拉是对的，你要去试一个新的方向，那谁来承担这个错误的责任呢，其实上一次聊，你是自己是更看好，只是去这个方向的，但是你现在从大公司的一些动作，和他们的投资来看，好像很多大厂是在继续做神区这个方向，我觉得对于一个独立的零销售公司来讲的话，我觉得做全职区方案，做成一个不依靠钱币，可能是唯一或者更好的路线，因为如果你是一个，需要深入定制钱币的方案，大概率你会变成大厂的一个定制公司 [00:59:42]

机器人数据与模型训练难题

陈哲 Peter：大概率你会变成大厂的一个定制公司，你很难独立做成一家标准化的产品公司，你说到这个我又想到一个点，那如果说这个公司，它在美国的一个生态里

程曼祺：先不考虑美国制造业行不行的问题，它如果是一个美国的公司，它在一个和大厂深度合作的位置上，其实它也有一个退出路径，就是它可能会被大公司收购，不过我不知道这个在国内好不好发生，其实之前制价的时候 [01:00:08]

陈哲 Peter：倒是有一些公司是被大公司收购，但是收购价格都不是很好，对就是说它是不是一个价格合适的退出，对就可能是个问题，对你到底是因为经营不下去了被收购，还是因为你发展的非常好被收购

程曼祺：我觉得这个差别还是非常大的，所以这个季度的这些灵巧手的进展之后，你对神区和直区的偏好还是没有变化的，你还是觉得直区是一个目前来看，潜力更大的方向

陈哲 Peter：我觉得这个判断应该是有所加强，因为实际上我们看现在灵巧手的研究上的，最新的一些进展跟突破，还是由全直区手来实现的，无论是5G还是下发的手，本质上谁能够更快的提供可靠稳定，廉价的灵巧手的供给，就能更快地成为，这个行业的实时的标准，也就是更多的算法跟软件

程曼祺：会围绕着你的硬件的架构去设计，那这两类目前看起来，它的下游是分开的，就直驱的这些新的公司的手，他们更多是面向研究市场，在做一些前沿的零巧操作模型的研究，然后神区这套方案，就Optimus这个方案，好像是面向更多产业方，虽然产业方什么时候上量，可能是很久以后才会发生的，对我觉得之所以会出现这个差异，最底层的原因还是因为 [01:01:14]

陈哲 Peter：Optimus还没有公开的放弃神区方案，本质上马斯克是一个非常相信第一性原理的人，所以呢他是认为一个神区的方向，更接近于人类的这种生物的这个特征，所以他认为是一个更好的方向，以及他给工程团队也提出了很高的要求，去努力希望努力实现这个神区首的这个量产，但事实的情况是我们看到，它的V3的手，其实是一直是在delay的，什么时候可以规模化的生产，我们还未知，然后我们也听到不同的声音，说Optimus也在尝试替代的方案，可能是一个直驱的方案，可能是一个混合的方案，但是我们可以理解，就是工程方案的探索，是需要一些时间的，一个大的方案的调整，也需要很长的过程，那对于国内的，绝大部分大厂的一线工程师而言，选择一个follow策略，不仅是在灵巧手上面，在很多其他的技术路线上面，比如说本体的算法的构型，采取跟海外大厂follow的策略，我觉得本身也是一个，更保险更稳妥的方案，因为今天灵巧手的研究，还在一个非常早期的阶段，我们很难说，今天产业界选择的神剧方案，一定就是一个，真正能够量产，能够规模化的方向 [01:02:33]

程曼祺：OK 那我们进入世界模型，四和五世界模型和VLA 正好这两大块，都是和智能能力，直接相关的，也就是大家讨论的，更偏具身智能模型的那一部分，我们可以先说世界模型，上期我们聊了世界模型之后，可以更加明显地看到，世界模型现在成了一个，非常火热的创业风口，在国内出现了很多新的公司，而且主要就是服务具身 Robotics或者说物理AI的，这些创业公司，有一些今年才成立的公司，已经非常快地成长为 10亿美元估值的独角兽了，然后好几个创始人都非常年轻，可以先来聊聊，就你在这个方向列的，你觉得最重要的一个进展，是英伟达的Cosmos 3 你可以简单先介绍一下，这是一个什么样的成果，我认为Cosmos 3 是这一个季度，世界模型的一个标杆

陈哲 Peter：因为它算是这个市场上，第一个提出了一个，全开源的Omni Model Omni是指大一统的意思，混合的意思，全能的意思，它这个模型是可以原生的，处理不同的音谱的模态，包括了文本图像视频，声音动作，也可以输出，刚才提到的这各种模态，那这个可能是在行业，第一次这么实现，然后从英伟达自己的定义，他认为Cosmos 3 是一个全能的world model 可以被用来，做不同的预测，或者说生成的这个任务，也可以像一个正常的VLM 或者说像一个VLA一样 [01:03:44]

程曼祺：去输出文字图片，或者说对机器人的操作，他在技术上，有一个比较重要的突破，叫MOT Mix of Transformers 它是两个Transformer的结构，一个是自回归的Transformer 用来做Reasoning推理的，另一个是Diffusion的Transformer 用来做生成的，就你跟一些研究人员的交流来看，你觉得这新架构的反响怎么样，以及它有些什么 concern的反向的一些声音吗，我觉得从概念上讲 [01:04:24]

陈哲 Peter：应该是一个非常理想的概念，因为很长时间我们发现，我们做语言模型研究的，合作图片视频生成研究的，模型其实是两套不同的架构，后面那个是扩散模型用的比较多，对，本质上就是一个模型，是更善于处理离散的信号，比如说文字离散的token 一个更善于处理连续的信号，就Diffusion更善于处理，连续的序列，图片视频这样的信号，那么很长时间，这两个模型其实是孤立的，那在Cosmos 3里面，其实是用了一个非常巧妙的，分工和统一的一个架构，本质上就是，自回归模型，是一个独立的transformer 这个diffusion model 也是一个独立的transformer 但是它们中间有 shared的attention机制，这样让它们的一些状态，可以相互之间的影响，所以相当于是把，两种很不一样的，模态的模型，可以缝制到了一起，而且它是统一了理解和生成，其实这个是之前，大家就一直在探索，和想做到的 [01:05:46]

程曼祺：它能把它实现，是有什么技巧吗，还是说现在，虽然它在结构上给它实现了，但可能效果上还没有那么好，其实刚才说的就是，它的架构原理

陈哲 Peter：是一个Mixer of Transformers的架构，所以相当于是一个input 会被两个管线，在动态的进行调节跟处理，这也是为什么这个模型，本身是一个比较庞大的模型，我觉得从架构的原理上讲，这是很创新的，它是在Cosmos 3上，才实现了这个全能这种，对，就是和之前，比如说和二和一，它的区别是什么，其实没有独立的 Cosmos 2这样一个品牌，就是Cosmos最早发布的时候，应该是在25年CES 然后在去年和今年初，它有一个迭代，就是把它的这几个模块，迭代到2.0的版本 Cosmos 3是这次新出来的品牌，之前其实是几个独立的模型，有一个独立的Predict模型 Transform模型和Raiser模型，那这次相当于是，把这几个模型，缝制到了一个统一的架构里面去 [01:06:09]

程曼祺：其实我以前对Cosmos的理解，我觉得它是个视频生成模型，对，但是到Cosmos 3的话，好像就不能简单的说，它是个视频生成模型，它包含了一个视频生成模型，因为它其实也能直接生成动作，对吧 [01:07:02]

陈哲 Peter：直接生成动作理论上，它应该就是能给机器人用的，因为机器人就是要生成动作轨迹，对，所以在Cosmos 3之前，其实是有一个Cosmos Policy 这样一个子的模型，实际上是用之前的，这个Cosmos模型，加上了一个动作的head 这样它就可以，直接输出机器人的操作，但这次实际上，是把大家统一起来了，可能在英伟达的，这个scope里面，它是一个更大的picture 就是Cosmos 3 实际上是为英伟达的，这个芯片和算力的平台，进行优化的，同时英伟达也想推广，它的一套，机器人的开发的套件，它这个应该也可以，用在自动驾驶，对吧，对因为它是一个，通用的世界模型，只是这个世界模型，可以输出不同的模态，这就为什么，它是一个Omni-model 就是它可以输入，所有的模态，也可以输出所有的模态，只是在不同的组合下面，它这两个Transformer的激活程度，和Active程度是不一样的，那在有些模态里面，可能只需要那个 Auto-Regressive的那个Transformer 被Active就可以输出了，比如说假设这是一个，图片到文本的人物，可能这个就够了，但是如果它是一个文本图片，到动作和视频的任务，那么它就需要激活，下面那个Diffusion这个model 那从这个思路来讲，我觉得它是开拓了一个，很好的Omnimodel的一个思路，我相信可能其他的大公司，包括中国的大厂，可能之后也会开发出，类似的思路出来，也会跟进这个，对因为从原理上讲 [01:08:08]

程曼祺：我觉得它还是一个，比较优美，比较理想的一个架构，那正好从Cosmos 3 也可以进一步聊到，近期整个非常火的世界模型，应该算一个大的创业投资的风口，我们可以缩小一下范围，就是我们就聊和robotics相关的世界模型，其实哪怕收缩到这个领域，它也有很多东西都被叫做世界模型，但它可能不太一样，你会怎么来分类

陈哲 Peter：对世界模型的定义非常的多，我用那个六月份英伟达写的那篇的，一个世界模型的官方中述里面的分类，它其实分成了三种，最底层的是叫Video World Model 那这里面的代表可能就是Google的View 阿里的这个One 他们本质上的底座是一个视频生成模型，就是根据一些条件或者描述，我可以生成这个视频，也就是对未来状态的一个预估，对他们自己是把Cosmos 3也放在这个分类里面，因为Cosmos 3是一个万能的模型 Video World Model 对，然后在这个基础上，下一种概念叫做 Action Condition的World Model Action Condition指的是，它的前提是基于你的动作的，或者说给定了一个动作 [01:09:11]

VLA 路线与机器人基础模型

陈哲 Peter：或者说给定了一个动作，你可以在给定动作条件下的，世界模型，就说我加之一个动作到这个状态里，然后预测世界的下一个状态，对，而且这里面的动作

程曼祺：具体是指的就是物理世界的动作，因为我看他们是把Dream Dojo 还有Gini这些，还有Japa 他们都是算在这个类别里的，因为我之前和DreamDojo的一座，就GearLive的一个研究员高生远聊过 [01:10:12]

陈哲 Peter：那我理解他描述DreamDojo 其实它是一个世界仿生器，它是一个世界仿生器，但是这个世界仿生器的input 是你的动作，你想干什么，你想对这个动作产生什么样的变化，而这个世界模型训练的过程中，是会基于它的这种ground truth 或者说他训练的原材料里面，其实就包含了一种真实的物理变化

程曼祺：会对这个环境带来什么样的影响，他是在记录很多这种变化，对他当时跟我说的action的类型还挺多的，就是他会把，比如说我的一段文字指令，他认为那也可以被视为一种action

陈哲 Peter：不过在巨神领域可能更多还是，机器人的动作是一个action 对吧，对我们一般说这个action 是指的机器人的这个action 但是你一个文字可能也是对环境的一个影响，所以从这个角度上讲，我觉得一个纯粹的 video world model 以生成视频为目的的model 和一个action condition的world model 可能相似之处都是，你有某一种input 只是你这个input 到底是一个文本的描述，还是一个物理的动作，比如说我朝前走，朝后走，我去拿这个东西，或者我去改变某一个环境，比如说Gini 如果你把Gini 当作一个action condition的world model 来讲的话，那就是人在这个空间里面的，移动的指令，是对这个world model 生成的一个condition 然后英伟达芬的，这个第三类是，这个World Action Model WAM 对这个图，我倒也会贴到 show notes里，WAM 就是现在特别火的，这个方向，对核心就是，我们通过这个模型，来生成，机器人的这个动作，那可能它同时，也能够生成，这个未来的，这个图像或者视频，就是它既生成了，未来世界的状态，也生成了，机器人的动作，对，所以它更是一个policy 所以不管是像DreamGen 像蚂蚁的，这个LIMBO VA 都是属于这样的一个定义，对所以在具身领域，因为我们更关注的，还是机器人该怎么去，响应和操作，所以WAM是最火的，对是我们目前最关注的方向，因为它是直接用在机器人上的，它作为一个策略对吧，对但你也可以想象，就为什么Cosmos 3 从这个概念的提出，是很有意思的一个想法，其实我跟一些北美的实验室，专门做LM的同学聊过，从他们角度其实不太理解，为什么我们会发明VLA和World Model 这两个对立的概念，他们认为这是一个东西，或者说他们的想象中最好的模型，就应该是个Omni Model 就是Cosmos 3这个方向，对，所以我认为Cosmos 3可能在一定程度上，代表了大家对这种模型的一种终极的思考，就是它作为一种智能的模型，它就应该take不同的模态，和可以输出不同的模态，因为从今天的Cosmos的角度，它实际上就是对外的展示，它就是一个模型，它只是内部，有了一套mixer的移植，来共享一些状态，和不同的这个pipeline 但是从输入端，和输出端的角度来看，它就是一个整体的模型，就你刚才说，你跟一些做LLM的人聊 [01:12:45]

程曼祺：他们认为这两个东西，被对立起来，他觉得很费解对吧，其实这也cue到了，你前面在说，就是比如说像GN1 还有Pi027 他们可能都是融合了，一些VLA和世界模型的，就是你觉得，本身他们的叙事 [01:13:26]

陈哲 Peter：也不是谁替代谁的，这么一个关系对吧，对或者我们回到本质来看，今天的VLA 其实是更擅长的是，生成这个指令，生成这个动作，而World Model 本质上作为一个，以视频为backbone的一个模型，它更擅长的是，对状态的一个预测，那这两种能力，如果我们有一个，巧妙的方式结合到一起，那从终极的信赖来讲，肯定是更好的，你怎么看现在这块的

程曼祺：创业和投融资的一个热潮，我感觉这次的转化好快，就是Gene Zero 或者说这一类的成果吧，就是去年底对吧，然后马上就有一些新的公司，以及他们的估值和容测，都成长得挺快，我们可以先盘一下，你知道现在有哪些，大的世界模型吧，不一定是特别具体到，比如说做WAM 或者什么这种方向，就说自己在做世界模型的，投资场上有哪些公司，我可以先说我知道，你可以补充一下可以吗，好的，我觉得最近比较火的，就刚才我们提到，比如像Genesis 是的 Libre AH也是对吧，他们也都是居神智能的公司，还有一个公司叫流行空间，还有逆矩镇，还有摩世星空，我说的就是我知道的一些，可能跑得比较快的，我之前也和其他投资人聊，应该就是四月初的时候吧，就跟我说那会儿已经有人整理出 49个时间模型公司，还有一个成立比较久的极佳世界，这个应该是目前估值最高的，这家是23年就成立的，然后我刚才说的那些基本上都是在 25年以及26年成立的，这都是中国的公司，然后海外的公司，其实我们上季度聊到过一次，就是在GTC期间，宣布融了4.5亿美元的 Ronda AI 它之前是水下了一年的状态，然后我们聊完没多久，我知道就是英伟大Gear Live Gym Zero的，这个团队的leader Joe Zhang 这是一个韩国人，就他的名字我毕竟发的对，他也出来创业了，当然他是在美国成立的新的公司，就海外也有些新的公司出来，也就这几个月的事，你还有啥补充吗，对，我觉得可能具体的公司很难列全，因为就像刚才提到的 [01:15:00]

陈哲 Peter：World Model其实是一个蛮大的概念，可能太多的公司都可以贴上这样一个名字，所以我很难具体看，每一家公司到底是不是做纯粹的World Model 还是说他做的事情，跟World Model有多大的相关性，但是我可以说的是 World Model为什么是一个这么大的变化，或者是一个冲击，本质上还是因为我们看到了 VLA这种方法，就是一个Video Language Model 加上这个动作的序列，以这个路径迭代下来的方法，其实遇到了一定的性能的瓶颈，那由视频生成的这个路线，来做这个机器人policy的方法，其实早在23年就有工作去尝试，包括我上次访谈里面也说到的，其实自己做的GR1和GR2两个工作，也是在video action model里面，一个比较早期的尝试，但是因为之前VLA可以更快的，给出一个60分的答案，而且这里面的典型代表，就是以派0的发布为例，本身也是一个开源的，也是代表了当时市场的缩大，所以有很多团队去快速的跟进，派0是24年10月底发的，对，因为VLA的这个方法，如果我抽象来讲的话，它本质上是一种行为克隆，就是我们把一段文字和图片的描述，和一段机器人运动的信号，进行了某一种联系，如果我人去反复地视觉了这样一个动作，那么我们一定能够建立某一种联系，让VLA可以输出类似的机器人关节的信号，但是这个路线的泛化性的局限是非常明显的，视频生成这个路线，我们可以用到更大量的更海量的数据的know-how，这里面也包含了大量的物理的这些鲜艳的知识，所以这个路线从原理上讲，本身就是很有吸引力的一个路线，但是在23年，我们最早开始做这方面尝试的时候，你是没有一个很好的视频生成模型的，你也没有一个像ONE这样，就是被预训练好的，比较好的开源的模型，你也没有一些，比如说像我们后面搞出来的，这个Diffusion Policy 用Diffusion方法去生成，这个连续性的关节序列，也没有那个Flow Matching 这样的方法，可以生成一些比较好的，这个关节的这个办法，这些东西可能都在24年25年，才逐渐成熟的，所以World Action Model的很多基础的recipe 三年前就有了，但是它的能力是到了25年底 26年初的时候才逐渐得到释放，包括从我自己来看，为什么我会觉得这个事情非常的兴奋，因为我们看今天Sorta的视频生成模型，比如说可灵，比如说C-Dance 比如说Viu3 已经达到一个很高的水平，就是它对物理的理解，对于常识的理解，已经到了很好的一个状态，那我用它来做机器人的预测和这个策略，理论上就可以得到很好的效果，所以我认为这一系列要素的出现，是让这个概念在26年突然爆火的一个原因 [01:18:20]

程曼祺：如果说这个技术进展让你感到很兴奋，是偏开心的这种心情，那你看到现在这么多公司融这么多钱，作为投资人你是什么心情，我觉得本质上是因为大家在大模型里面赚了一些钱

陈哲 Peter：所以赚了钱的人就会把更多的钱投进去，以及没有赚到钱的人，也会在这一波把钱投进去，赚了钱的人继续投，没赚钱的人补票，对，然后以及巨鲜是个很大的方向，出现新的技术刺激就会有人投，对，我觉得底层是有这样的一个要素，然后这是为什么在非常短的时间，这个估值能够上涨这么大的一个诱因，但是从更长的角度来讲，我觉得第一就是在巨鲜这个领域，不管是硬件还是模型，其实中国公司都有非常好的资源跟能力，这也是一个长期战略的方向，国家在这方面有非常多的支持，跟战略的投入，对于励志要成为这个领域，世界级公司的创业公司来说，这应该是个非常好的发展机遇，我认为对于投资来说，大家也是看到这样的一个机会，这个到底是不是像当年，电动车浪潮一样，有可能有100多家公司，分别成立去做电动车 I don't know 但是一波大浪，肯定是有大量的人才跟资金的涌入，所以我觉得这一波，其实也反映了这波变化，来得有多么的剧烈，那最后我们讨论的一个Top5的进展就是 [01:19:48]

程曼祺：在当前火热的世界模型趋势下反衬的好像有点过时的VLA

大模型公司与机器人创业分工

程曼祺：在当前火热的世界模型趋势下反衬的好像有点过时的VLA 你提到了两个具体的进展，这个都是四月初到四月中旬出现的，一个是Physical Intelligence的Pi 0.7的发布，还有一个是Generalist的Gen1的发布，对其实我觉得给他们是不是贴上VLA的标签可能都不是最重要的

陈哲 Peter：我提到他们呢，我认为他们是现有的模型公司，在这个季度里面，其实取得的蛮有启发性，和蛮有创新性的这个突破，那可以分开来讲，比如说派0.7 你看到的一些启发是什么，首先我觉得派是一家，非常创新和稳步迭代的公司，其实从0.5 0.6到0.7 每一版本的迭代都非常明显，那么到了0.7这点，足够让我一句话去总结，它跟之前的版本最大的区别是什么，我可以说是在一个传统的VLA的技术上，接上了一个轻量的世界模型，然后这个轻量的世界模型，可以提供对未来任务的图像的预测 [01:20:21]

程曼祺：然后用这个预测来影响生成的这个模型，去生成相应的动作，它这个轻量的预测指的是，比如说我现在的手只动到这个位置，假如我要去拿这个杯子，我只动到这个位置的时候，它就能预测我 [01:21:01]

陈哲 Peter：未来几帧这个应该是什么样子，它就会生成，物体的，比如和我之间的位置关系，或者说它的形变什么的之类的，对，然后由我判断的，可能未来一段时间的，这个结果的图像，然后我用那个图像来盖的，你的这个，动作的生成，相当于就是，一个很轻量的，带有一定预测性的，未来的一个子目标图，反馈到了这个 VLA的这个生成的这个过程

程曼祺：这好像还挺符合，人自己的直觉的，因为人干很多事，我觉得你其实，大家也能想象到，它能怎么样，但可能你执行的，没有那么精确的时候，有一类动作是比较明显的，就是你会脑补一下的，就是你要扔一个东西的时候

陈哲 Peter：比如说你要扔一个纸团，到一个有点具体的垃圾桶里的时候，你会脑补一下这个轨迹，对我觉得讲的挺好的，就是我们的脑补，就是说我们用什么样的力，什么样的角度，可能会导致什么样的结果，所以我们会根据我们的脑补，去调整我们的角度跟力，那回到Pi 0.7 我觉得Pi一直在引领 VLA研究的前沿，包括我们上次，记报的时候提到，它其实是在0.6的时候，提出了一些新的能力，包括类似像一个，长时间agent规划的一个能力，它有用了一种，文本记录的方法，把今天的状态进行了一个，持续性的存储，然后可以根据，之前观测到的状态，来规划我具体执行的动作，那很多小的这种改进，在派的每一个版本里面，我们觉得都是在，那个时间点非常创新，或者非常引领这个行业的

程曼祺：然后可以聊一下 Generalist Gen1的这个进展，我自己的体感，我觉得大家，就国内的这些从业者里面，对Generalist Gen1的这个讨论度，是更高的，就是相比于其他的一些模型 [01:22:45]

陈哲 Peter：对，它引起更多的关注，我觉得有几点是，取得了显著的突破的，第一个是，它把大家觉得比较慢的 VLA模型的执行速度，能够显著提高，不再是慢悠悠的，去执行一个任务，第二个呢，在一些比较复杂的长程任务里面，他们宣称的实现了，这个非常高的准确度，他有几个任务，应该是从60%几的平均成功率，提到了99% 这个数字的提升，其实反映了他们模型的这种，任务能力的显著的一个跨越，我觉得还有一点，就是大家非常关注，这个J1的工作室，实际上他们是自己，采集了50万小时的，真实世界的交互数据，是一种UMI type的无本体，数据的采集，是一个非常高效的方法，同时呢，他们用他们的50万小时数据，在没有一个 Pretrained VLA的技术上，相当于自己，训练了一个段段段的模型，我觉得这点，其实体现了团队，对他们自己技术路线的高度自信，和他的模型，其实有比较强的，这个scaling的能力，让他可以用上这么多数据，而且他们在他们的报告里面，也清晰地展示了，在不同的数据量级，可能一万小时，几万小时，到50万小时的这种数据规模上，它的泛化性和能力，都能得到显著的提升，这其实在展现 scaling law是否在这个上面有效，对的，或者从generalist的，自己的claim来讲，他们一直是宣称，他们是找到了 scaling law的钥匙的，你刚才说他，就是没有在一个VLM上，微调展现了这个团队，非常有自信，是因为这个做法很罕见是吗，我觉得在研究界，大家容易出现路径依赖，尤其是当有些方法，证明有一定成效的时候，那典型来讲，可能国内的很多模型团队，因为这个派的开源，所以很多团队，会在派的这个基础上，做大量的这个后训练，和这个微调的工作，而且大家喜欢，拿它作为一个benchmark 来证明说，我比派0.5 可能增加了多少多少的性能，那这一方面也说明，派在制定这个行业标准，或者盈利这个行业标准上面的影响力，但另外一点也是说明，要独立开创一个新的技术方案，投入这么大的数据量去采集训练，是需要相当大的勇气跟决心的，所以对同一美国公司的generalist派来说 generalist肯定是不懈去跟别人的，商户之间都不懈去follow对方，我觉得这是我对美国创投生态的，整体的一个观察，就是我觉得美国的创投环境，或者创业环境，整体上是非常奖励创新的，你很难见到两三个团队，讲一模一样的故事，很多团队还是想方设法的，在技术上面，在路线上面，找到一些差异化的方式，投资人也会奖励第一个，做这件事情的人，本质上美国的巨头公司，是非常多的，非常活跃的，而且巨头本身，也有大量的创新业务，有自己的这种前沿的实验室，很多很好的工作，本来就是像Google 像Meta 像Amazon这样的一些公司，包括像我们讨论区，就会提到很多，因为大，是的，所以在美国，做一个硬科技的创业公司，我认为市场的惯性，和投资人的认知里面，就是如果你不能做出，非常有差异性的，有创新性的事情，你是很难获得加速度，你很难获得市场的认可，你很难获得投资的认可，你很难被acquisition 而被大企业收购，本来就是美国很多硬科技创业，很正常的一个exit，所以我会发现，美国有一些，而且这个不只限于居身领域，可能在很多别的领域，你会觉得有些公司，可能是为了创新再创新，因为在美国本身，大企业的创新就是很有效的，就是很有竞争力的，如果你只是做一些更便宜的，或者是同样的东西，你在美国市场，是很难得到客户的认可 [01:26:35]

程曼祺：和获得产品的一价，回到G1的这个具体进展，因为前面提到派0.7 它是在里面，其实是加了一个轻量的设计模型的，从JN1目前的公开信息来看，能看出来Generalist这个团队

陈哲 Peter：对世界模型的思路是什么，公开的信息来看，他们其实是比较排斥，把自己定义成世界模型，或者说VLA这样的标签的 Peter Florence专门写过一篇文章，他的大意就是说，他们的做法，既不是把动作粘贴到VLM上面，变成VLA 也不是一个世界模型，而是他们的模型是，完全按照物理交互的，原生的数据去训练的，这是为什么，他们采集的这几十万小时的数据，可以直接用来训练一个 Transformer的Network 而不需要依赖，比如说VLM 或者是一个Video Generation Model 作为它的Backbone 所以它是一个它自己的方法，因为它也从来没开过，所以外面并不知道细节，具体的细节不知道，但是同样的思路，因为他们这群人从Google出来，其实同样的思路，在最早的Google的，这个开山的那个工作，就是RT1里面，其实是展示过的，其实RT2就是VLA 这个风潮的一个起点，但是在RT2出来之前的RT1 其实就是训练了一个，中等size的transformer model 然后它的input是文字描述，和一些动作的这个图片，和一些关节的序列，然后它的output 就是根据了这些文字的描述，我可以在线关节的这个output 而当时那个模型的backbone 就是一个独立训练的transformer model 正好聊到了RT1 RT2 [01:28:05]

程曼祺：比较有意思的是，其实这个季度Gemini Robotics 他们其实也发了新的模型 4月的时候，就是叫ER1.6 但你没有把它排到，你觉得比较重要的top5的进展里面

陈哲 Peter：你怎么看现在整个Google 或者说Gemini Robotics 在这块的成果和影响力 Google的Gemini Robotics 还是一个比较大的部门，其实在推进的研究是比较多的，那么最近公开的ER1.6的模型，其实它的全称是叫做 Embodied Reasoning 1.6 你可以想象它是一种更好的VLM Model 它并不能直接输出，机器人的控制和Policy 它不是一个策略模型，不是直接用在机器人上，对，它的VLM上面是提供了，更多对于空间和任务的理解，和reason的能力，实际上就是可以更好的，通过这个图片，通过这个视频视觉，可以更好的对物理的一些环境，或者一些条件进行描述和推理，它其实背后是Google做了，整个具身的一个生态上的思路

程曼祺：就是他们想做这个领域的安卓，所以一而一等六发的时候，他也说了一些合作的情况，其中一个载体，就是落在波士顿动力的，四足机器人 Spot这个狗上，然后他还提到的合作方 [01:29:45]

创业公司场景选择与护城河

程曼祺：然后他还提到的合作方，有一个就是你上次说到的 AppTronic 你说当时他们其实和Google开发，是有一些delay的，还有一个公司，就是私领的人形机器人 Agility One 就看起来他是想做

陈哲 Peter：这个Robotics的安卓，你觉得这个思路现在有事成，我觉得Google肯定都是想做，一个偏大脑或者偏API 偏软件的位置，其实我觉得ERE的六职工作，就是在说明，他们希望发挥他们在，语言模型方面的优势，然后增加一些高层空间的这种推理跟理解，然后把它封装成一种可以被调用的产品，被大家使用，实际上如果你去看ER1.6的这个报告，它作为的对比是直接跟Gemini Flash 3.0的模型去做对比的，它是和通用模型做对比的，是的它就是一个通用模型，只是这个通用模型训练了更多对物理环境的理解，那么你刚才提到的波森东利那个合作，工业巡检的这个工作，是一个很典型的工作场景，波斯顿动力的SPORT机器狗，目前出货量，我之前知道出货量应该是有几千只，真正用到了工业的巡检，也就是一些比较复杂的油气田的这种场景，然后机器狗需要上下楼梯，需要进一些比较复杂的地形，然后它在这种油气设备里面，主要的目的就是去检查，这些各种传统的这种阀和这种panel上面的数字，仪表盘上的数，仪表盘上的数字，所以波斯顿动力的这个狗，就是它既负责读这些数，然后它也会去检查，以为有一些异常值，所以我觉得ER1.6 实际上是一个通用模型，但是增加了对空间的理解能力，这也代表了这种大厂，对于这个问题的一个思路和的态度，如果它可以用通用的模型，把这个问题解决，那么最终可能它就真的，只需要训练一个Omnimodel 来解决所有的事情，那你觉得这对小公司，是意味着什么了，现在看起来好像它和很多，中小传媒公司时候挺多合作的，比如说以他现在合作的这几家公司，相对来说还是偏机器人本体和硬件公司，所以他们之间其实是有天然的契合度的，我觉得可能更底层的问题，或者更底层的问题是，我们到底有什么原因来说明，很多年以后，所谓的embody AI的model 不是由Anthropic OpenAI 或者是Google这样的，通用模型的大厂来提供的，如果OmniModel这个路线，被最终证明是有效和有用的，那是不是机器人的，所有的空间的理解，对动作的预测，可以被融合到一个，更大的通用模型里面去，因为这个问题时常被讨论，就比如说有一种 [01:31:59]

程曼祺：马上想到的反方的观点，就是认为，就这种模型在形成的过程中间，它是需要大量的硬件参与的，需要这些硬件去收集数据，而很多通用的模型公司 [01:32:40]

陈哲 Peter：它就不做这部分的事，或者他非常不擅长，可能今天的确不擅长，因为没有为这个事情优化，但实际上我们也知道，大模型公司是花了几十亿百亿美金，在做各种预料跟数据的标注的

程曼祺：只是主要是文本跟图片数据，你说到这个，就是OpenAI确实在五月底的时候，更加正式地官宣了他们Robotics Team 当时Sam Altman是发了一个Twitter 他里面讲了几个关键词，一个是说，他们在寻找顶尖的全站人才，他后面列了一堆，就包括硬件，然后有系统，有机器学习等等，他们要做对社会有用的极权，这是一个关键词，第二个关键词是场景，他提到了短期的场景，是来制造给他们自己用的infrastructure 应该指的就是AI算力的一些技术设施，然后长期来说，这个愿景就挺普罗大众的，就是我要做一个，每个人可能都会用上的机器人，以及他还提到了一些技术演进的线索，就提到这个团队的leader 是Artitia Ramish 然后他过去一年，都在领导这个团队，慢慢在过去一年里，演变成了OpenAI Robotics 这个人我稍微看了一下，他的背景，他是Dali Yi的作者，而且他是本科毕业，就进了OpenAI的，他并没有就是读博士什么的，纽约大学的 [01:34:00]

陈哲 Peter：对我知道的情况是 OpenAI的Robotics团队，就是基于他们之前，做DALI 做SORA 就是做这个图片视频生成的团队，来建立的，或者说这个是他们一个技术的基础，其实OpenAI 内部对SORA的一个定位，或者说对SORA的一个解释，一直认为它就是一个世界模型，他们最开始发说就是这样说的，是的

程曼祺：而且这我再补充说点，就这个人，就Ramish他之前带领的这个团队，他们在内部，他这个名字在推特上写的是 World Simulation Research 世界仿真研究，对所以我觉得OpenAI Robotics

陈哲 Peter：在今天这么高调的成立，实际上就是看到了，这一系列技术的拐点或者是突破，你觉得它会在这个上面投入多少，因为之前一段时间

程曼祺：Athropic Claude Code Cloud Cowork 这些非常强势的增长，我觉得给OpenAI还是有比较大的压力，所以有一段时间看起来，它把Solar2也关掉了，有一种收缩和重新聚焦的趋势，那在第二季度它又宣布了 Robotics这个新的团队，要正式开始扩招更多的人，实际上它真的会把它当一个重点吗，我想分享我一个观察，其实今天哪怕最大的 [01:35:01]

陈哲 Peter：embody AI的研究团队，他们真正涉及到的算力，和模型的规模，相比于旗舰的视频设置模型，更不用说旗舰的语言模型，来讲都是一个非常小的量级，比如说Gen1说，它是50万小时的数据，不是数据量的区别，而是它真正用到的算力，我以Cosmos 3为例，我认为Cosmos 3应该已经代表了，今天Embodied AI 在训练模型上面，投入的最高算力的预算，大概就是在万卡级别的水平，这已经是今天整个具身，研究算力的天花板了，所以以这个标准来看的话，其实对于OpenAI 或者对Anthropic 这种头部的LM公司来讲的话，都不是特别大的算力预算，你的意思就是说，它也不需要把它作为一个特别大的重点，已经比大部分巨神团队投入的多了，对，或者同样可能一个类比的比较就是，蚂蚁的灵波团队，应该灵波VA也就是在万卡级左右的水平，我还有一个问题，就是它现在想做全站的这种形式，因为机器人研究不能离开硬件，我觉得说白了，研究今天还在很早期，因为研究在很早期，你脱离了硬件，你的研究东西很难得到验证，所以你一定要跟硬件走得近，你的研究才会高效，我知道的就是 OpenAI会是一个零超手的，一个特别大的一个，投入和研究的这个方向，就他都要进这个市场了，他不可能再去搞假抓，你觉得OpenAI的这个动作，接下来会带来什么连锁反应，我认为OpenAI能够在这个时间点，高调地重启机器人这个业务，其实也是说明他们看到了，技术上面的成熟度，和跟自己这个核心模型能力的，这种相关性，因为我们知道他们在4月份的时候，其实是关闭了Sora的消费级产品的结合，对，但是实际上Robotics的核心的很多成员，就是从Sora团队过去的，因为本身Sora一开始的一个目标，就是想做一个世界模型，或者说具有世界模拟的这样的一个能力，所以我认为OpenAI在这个领域的投入，应该会跟我们关注到的世界模型路线，是比较相似的，有相关性的，然后考虑到他们是一个有相当大算力，同时也能够吸引一些非常顶级的研究员的一个环境，我还是很期待他在未来一段时间，在这个领域可以拿出一些行业缩大的进展的，最后就是我们来聊一下前面Top5进展没有涉及的一些变化 [01:37:17]

程曼祺：一些重要的事件包括资本市场还有上一个落地的，一个很重要的事儿现在是语述IPO 当然我们上一次已经讨论他招股书的一些情况，包括语书的一些发展历程，它特殊的一个行业里的位置，在二季度，它是正式科创版IPO过会了，接下来我们马上就会看到，它的东欧科创版，头部公司前面这一批上了之后，你觉得后面公司会怎么样，我觉得语书的上市 [01:38:00]

陈哲 Peter：对于具身行业的发展跟投资，应该都是一个标志性的活动，本质上它给今天，所有的头部的具身公司，制定了一个估值的锚点，其他的具身公司，都会以这个作为一个估值的基准，通用型的机器人，一定会有非常大的公司，因为人性机器人，本来就是一个非常通用，非常general的一个产品，所以它这里面长出，特别大的加货的可能性是更大的，但是因为人性机器人，今天在物理上面，还是有蛮多的限制的，比如说功力密度，电机的密度，电池的密度，重量体积等一系列的限制，哪怕人性机器人，长期普及过后，我们可能也会，异化出不同的人性机器人，服务不同场景，我们可能依然会有，小型的机器人，在娱乐表演，甚至科研这种场景里面，我们可能有大型的机器人，在一些可能需要重载，需要搬运，或者说一些比较大配落的，低速配落的场景，我觉得人形机器人，未来产生一定的分化，所以不一定是一个 winner take all的这种状态，但是大脑是有可能的，就是你刚说的，如果Omni模型，这个路线权利的话，如果有一个超级的模型的能力显著的比别人更高，其实这件事情我们在Anthropic身上，其实已经看到一个非常强的端倪，它可能不是winner take all 但至少是个寡头话的一个现象，然后它其实反映的更底层的问题是什么呢，就是大脑作为一个智能产品，我觉得智能就一定是两极化的，要么就是我追求最好的智能 [01:39:21]

中国供应链与产业化窗口

陈哲 Peter：要么就是我追求最好的智能，要么就是我追求一个OK的智能，如果是两极化的这种假设的话，本身模型又是一个编辑成本很低，可以被开源共享的一个产品，那我觉得长期来看，智能的模型大概就分为，高水平的开源模型，和一个顶级水平的避源模型，那如果这个格局，对于语言模型是这样子的，我认为对巨手模型很有可能，中距也是这个样子，高水平的开源模型，顶级水平的避源模型，然后没有其他模型生存的空间，就如果一个必源模型的能力，超不过Sorta的开源模型，它就没有存在的价值，那谁在提供高水平的开源模型，是Google 英伟达，这种想做生态的大公司，我觉得很可能是的，那在源模型里面，目前不就是千问DeepSeek 这样的公司在提供吗，我们跟一些模型公司，创业者去讨论的时候，其实有一个终极问题，我觉得是挺难回答的，你说的是大源模型的创业公司的创始人，还是巨神这种模型，巨神，但我觉得是同一个问题，就是如果你做一个模型的创业公司，你怎么回答两个竞争的问题，第一个是你如何跟一个最好的开源模型竞争，位置大概率是由像英伟达这样的公司提供的，因为它的商业模式不依赖于模型的变现，它的商业模式是在算力的变现，所以它可以把模型开源出去，那第二个问题是，你怎么跟寡头化的最头部的私有模型去竞争，那这个供给大概率会来自于谷歌，来自于阿里，来自于字节，来自于Anthropic 你有听到过壮士人给你比较有说服力的答案吗，这个问题在当年Anthropic创业的时候，也被投资人反复问到过，但是Anthropic成为了Anthropic [01:41:44]

程曼祺：你的意思是Anthropic当年刚起步的时候，也不见得能回答这个问题，是的，所以开始能不能回答不是很关键，对OpenAI可能也很难回答，一开始的时候，但他们成立的时候，它并不像巨神智能模型一样

陈哲 Peter：面临一群大语言模型公司，客观的说，我认为今天巨神智能创业和投资的热潮，跟上一波语言模型创业公司的成功和热潮是有关系的，我们已经有几家大语言模型创业公司成功上市，还有更多公司在Pipeline上，给投资人也创造了丰厚的收益，所以是很合理的去推断，我们在巨神模型里面，可能也有同样的这种创业或者投资的机会，但创业的挑战是如果所有人都这么想的话，那这个市场一定会出现过度竞争跟过度投资的状态，那可能最终的赢家还是比较稀缺的 [01:42:05]

程曼祺：投资回报的预期或者创业成功的预期会被大大的压缩，语书作为中国第一家要上市的聚成智能公司，它其实已经盈利很多年了，但大部分别的公司还不是这种情况，还是个在前期探索的情况，然后行业里一个反复被讨论的问题，也是说接下来，这个商业化和落地的节奏，会怎么去推进，其实前面我们列的 Top 5竞争里面，有些跟这个是相关的，比如说新农纪元，在邮政的这样一个合作，如果更广泛来说的话，你关于落地节奏，这个季度有什么新的想法，我对于落地节奏这个事情，我觉得可能要从两个维度来看，一个是中美的差异

陈哲 Peter：一个是硬件公司，和模型公司的一个差异，那我以美国的这些领先的公司，为例来看的话，其实无论是OpenAI 还是今天的Physical Intelligence 他们都符合了一个典型的，美国前沿领域创新公司的一个pattern 就是一群非常聪明的，非常有想法，有愿景的一群人才或者科学家，在一起对一个有巨大潜力，且长期不确定的方向，进行持续的投入，那么美国的创造环境，也提供了早期比较好的，一个孵化的一个阶段，包括OpenAI 可能从15年成立，到22年底 CHAT GPT出来之前，其实一直没有，非常明显的商业化，或者产品化的一个进展，但这件事情并不妨碍 OpenAI吸收大量的人才，跟资源去实现这个目的，那么今天我们同样看到的 FedEx Intelligence 可能也在做同样的事情，他们不断地在发布，甚至开源，他们的领先的模型，在引领这个行业的进展，但是从落地来讲的话 so far也没有看到，特别清晰的，什么时候它可以真正地，达到商业化，或者落地的这个阶段，你说美国这些公司，美国这些公司，基本上所有的美国公司，现在都有这个问题，除了飞格人好像说这个会多一点，飞格人现在也没有任何一单，确切的真正被验证的 [01:44:14]

程曼祺：这种落地的收入，但至少他会去对外，就是展示一个我要落地的，这么一个姿态，我觉得姿态跟事实还是挺不一样的，所以你觉得国内的公司，难道是已经事实了吗

陈哲 Peter：大家不是姿态了已经，我觉得国内本质上是，大家对这种特别长期的，不确定性的这种探索的容忍度，非常差，所以你一定更需要，做出这样的姿态，而且最好是个试试，我认为在中国今天的挑战是，如果我跳出来说，我做一家公司，我明确地告诉投资人，十年之内，我绝对不做商业化，我绝对不做落地，那它的问题是，你怎么获得足够的资源，和吸引足够的人才，和在资本上，有很好的反响，以及甚至可能，未来对接二级市场的，这种最终阻力，你怎么解决，这几方面的挑战，我想到一个方法，就是你是梁文峰王，对啊，你很有钱，所以我一直觉得 DeepSick是一家非常稀缺，也是非常不一样的公司，就是当你自己足够成功，你对这个事情有足够的信仰，而且客观来讲 OpenAI包括DeepMind 本来就是一群，billionaire的尝试和投资 OpenAI本来就是一个，非盈利性的公司，至少在开始的很长一段时间，商业化和盈利性，本来就不是这样公司的一个目标，所以我觉得今天可能更大的一个分歧，是在于我们认为，具身智能的整个研究和行业的发展，到底到了什么阶段，如果今天我开了天眼，我告诉大家这个事情，像当年的自动驾驶，至少需要10年甚至15年的过程，才能实现规模的商业化，且不说盈利，微墨实现了商业化，但微墨还没有盈利，如果告诉大家需要15年才能够盈利，还有没有人愿意在这个领域进行创业和投资，如果我们对这个事情的判断是，它五年之内就可以实现商业化和盈利，那么可能就会有不同的人会愿意，或者有更多的人，愿意对这个事情进行投资跟创业，所以一个很底层的问题是，大家对这个周期的判断，可能是有差异的，你目前来说，你对这个事的判断，它是这个时间是在缩短的，还是在变差，还是没有太明显的变化，相比于去年，我觉得这个周期肯定是在缩短的，本质上这是一个足够重要的问题，它在整个社会，在整个市场上聚集了大量的资源跟资金和人才，包括我们看到了，为什么会有世界模型等一系列技术的快速的发展，就是因为它的一些基础的要素在快速的成熟，然后因为它在可能相关的一些领域，比如说在语言模型领域的进展，大量的能力算力数据，能够迁移到，巨神这个领域里面来，所以实际上是，事实加速了，巨神领域的发展的，这是为什么，我们这次提到，今年的这个季度的，这个进展，我们把figure和，这个心动机缘，人形机器人，做快递分解，这个事情单独来说，是因为我们至少看到了，在这样一个场景里面，一个通用型的人形机器人，用新的这个算法，技术战，是可以更好的解决，这个问题，是有实际落地的可能性的 [01:47:32]

程曼祺：最后可以来，展望一下下一个季度，或者说下一段时间，行业里的一些变化，我们开始也回顾了，上次我们聊的三件事的展望，基本上第二季度在持续的发生，那再往后看的话

陈哲 Peter：你会看到什么新的东西，有一件事情是我最近在反复思考，我认为会变得更加主流的，就是人影机器人作为一种形态和载体，可能在未来一两个季度，会有更多的人形机器人的产品，在一些具体的场景得到落地，跟商业化，以及有更多的公司，进入这个市场，宣布他人性机器人产品的，这种计划或者路线，你说的更多公司，不一定是创业公司，你指中外的一些大公司是吗，对，当然他们从宣布计划，到发布产品，我认为至少可能有一年，到一年半的这个时间，这个时间判断 [01:48:03]

程曼祺：我觉得大家也是会有一些分歧，比如说我跟有一些，最深的创业者聊，我觉得他们会把这个时间表，判断得更紧迫，就他们可能认为，大厂会更快下场，类似于像理想，它虽然是26年，年初前后宣布的这个事情，但实际上他们内部，应该已经做了一段时间，包括你说到荣耀，其实他们也已经有两年的时间了，对但是还不是所有的大厂，我的设想可能就是，未来一个季度和两个季度

陈哲 Peter：或者未来六个月，是进入这个游戏的最后的窗口，因为如果你不在26年，启动和进入这个市场的话，那么等到27年28年，真正人行机器人开始广泛落地的时候，你就没有声位了 [01:49:07]

程曼祺：其实特别大的终端厂商，就手机和汽车，我感觉国内的至少，很多主流的都多少布局了一点，然后有一个大公司，就是字节腾讯这种，阿里这种大的互联网公司，我指的是人行的

陈哲 Peter：全站的这个方向上，他们可能会有什么动作，我觉得对大厂来说，可能更好的对标，就是像派和Anthropic 这样的公司的方式和模式，就还是偏一个智能能力的基础，是因为他们太擅长做模型这件事情，就模型的商业模式和模型能力，其实跟他们本身的能力是高度相关的，这是为什么今天国内的大语言模型里面

行业标签变化与长期判断

陈哲 Peter：这是为什么今天国内的大语言模型里面，包括像字节包括像阿里都是非常领先的，我觉得在中国做具身智能创业，有一个悖论或者有一个尴尬的地方，就是除了我们刚才强调的，你很难在中国做一家，十年没有商业化，十年没有收入公司，再另外一点，可能投资人，或者中国的资本市场，也更难容忍一家公司，不是一个全站公司，或者说有大量的能力，是依附于其他客户的，和合作伙伴，对，这样导致的一个条件是，我们也看到了正在发生的，就是说所有的具身大脑公司，都在宣布他们在做机器人本体

程曼祺：那你这么说，前段时间我采访徐华哲，他就是非常非主流的想法了，他的一个想法就是，他认为不应该，所有事都在公司 in house来做，有些事应该交给生态，我认为这个事情 [01:50:40]

陈哲 Peter：可能是对的，这个事情，可能也是一个，非常美国式的想法，他肯定也是觉得，智能的能力更优先，相比于商业化，我觉得站在他创业的角度，如果你能在任何一件事情，做到行业的最好，你才有意义，如果说你不做全站的话，如果你不做全站的话，或者说你做全站的timing太晚，你没有特别好的声位，去做全站的话，你就在你的细分的领域里面，做的行业的最好，是有价值的，我觉得最终的大赢家，大概率还是有全站公司的机会，就是苹果，小米，华为，这样的公司，在巨盛时代也会存在，但是很有意思的一个地方是，今天你会发现，市值最大的几家公司，其实不是全站公司，比如说英伟达不是个全站公司，比如说Anthropic或者OpenEdge 最终上市了，它可能也不能叫一家全站公司，所以到底全站是终局，还是垂直，一体是终局，我觉得这个可能长期都会反复低背，它实际上是一种博弈跟竞争的关系，但是在中国的市场下面，我对创业公司比较难的一点，是你很难说你十年没有收入，第二，你很难说我只做一个大脑公司，或者只做一个本体公司，包括很多投资人，对宇树的一个challenge 就是宇树只是一家硬件公司，宇树并没有AI 并没有模型，我其实不太认可这个challenge 但是市场的确会有很多人，会拿这个东西去攻击宇树，这是一个很好的例子，相当于宇树在某一个环境，你做到强如宇树，还是会受到你不是，全站的一个挑战，对，如果假设宇树，未来就一直是一家硬件公司，那我认为它也是一家，很赚钱的硬件公司，它能不能形成垄断，可能是第二个问题，但是我不觉得有什么原因，他不能长出他的软件，或者AI的那块，如果公司从战略中方向上，真的想去做这件事情的话 OK那今天非常感谢Peter 再次做客晚点聊 [01:52:41]

程曼祺：分享了2026年第二季度，他观察到的，去深领域的一些新的变化，这次节目的最后，我们也就是展望了，接下来可能会发生什么，那在第三季度，第四季度的节目里面，我们可以再会来聊聊，这些进展，是否有印证，大家拜拜，拜拜

陈哲 Peter：请不吝点赞订阅转发打赏支持明镜与点点栏目 [01:53:37]