物理 AI 与机器人（具身智能）¶

当 AI 走出数字世界、进入有身体的物理世界：机器人、自动驾驶、具身智能的现状、门槛与中美路线。数字世界"跑分/比上限"的逻辑在这里为什么失灵。

核心分野：物理 AI vs 数字 AI¶

何小鹏（中，小鹏集团 CEO，2026-05）¶

来源：张小珺访谈。本库首位中国本土产业操盘手视角。 - 两套方法论：数字 AI 用被高度浓缩的人类语言（"语言即世界"只在数字世界成立）；物理世界"每人每天看到的数据量无法用语言概括还原"，故物理 AI 难约 100 倍，数字 AI 的方法论"很多无法复制到物理 AI"（00:17:16–00:18:16、00:28:31–00:31:34）。 - 长板 / 短板 / 窄板：数字世界只看长板（跑分、比上限）；物理世界还要"保下限、拼广度"——品质/成本/材质/法规。"窄板要做宽、短板要做长"——所以物理世界 CEO 要么不敢赌、要么被短板困住（00:18:16–00:19:18）。 - 反"AI 缝合怪"：软件方法论 + AI 工具箱只会做出"更强力的软件"（修老房子），不是 AI 驱动。2025 年停掉花"小几十亿"的旧端到端 + 软件规则体系，从业务到组织"动刀到根"，转向 foundation model 驱动（00:15:14–00:16:15、00:24:24–00:25:27、00:34:37–00:35:38）。

自动驾驶：为什么 17 年还没做到极好¶

何小鹏（中，2026-05）¶

物理世界理解度极低："今天没有一家自动驾驶软件能在地下停车场很流畅地开"，所谓自动泊车都是"记忆辅助驾驶"（开过一次记住路线）（00:14:13）。第二代 VLA 把上限拉到"10 万–100 万分"但下限一度只有 100 分；押注"打开上限再收敛下限"（00:14:13–00:15:14）。
L4 判断：大概率 18–24 个月实现；但"就算做到 L4，价值也要逐步体现，今年谁说做到 L4 是吹牛"（01:18:06）。Waymo 是"既好又不好"的方案：技术不错但难全球化，L4 天然是"更高级的缝合怪"、难做到极强泛化（00:31:34–00:32:36）。
数据点：2026-03 底发第二代 VLA 首版后，4 月中国车市同环比跌约 20%、小鹏逆势涨 50%–70%（01:18:06–01:19:07）。

机器人：现状、门槛与中美格局¶

何小鹏（中，2026-05）：整机量产 / 商业化视角¶

2023 年"从不信到信大脑"：看到新模型后认为机器人终于可能有"大脑"；此前认为连小脑都难（"单调步伐往前走不是小脑，是脊椎/脑干"）（00:40:44–00:41:45）。
运动控制被严重低估：机器人相当于"1920–30 年代、T 型车之前的汽车"；人有 200+ 关节 + 肌肉 + 皮肤是无限组合，目标是"全姿态拟人、全 AI 组合的运动控制"而非软件控制；多数公司仍在 2018 年开源运动控制 MPC 老栈上"用软件缝合"（01:00:59–01:05:00）。
形态与量产：选"最像人"的人形（1.69–1.70m、能穿衣有头发、但不能有自己的脸——恐怖谷 + 法律）；80% 硬件自研（手/芯片/关节）；判断 2027 年可能是高等级机器人商业量产元年（00:52:53–00:53:54、01:06:00、00:42:46）。
格局判断：通用人形"99.99% 会死掉"，差异化机器人"有非常多解法"；自评通用人形胜率约两成（"中国企业里最高"）；机器人创业难度是汽车的 20–100 倍；但机器人比汽车规模化更快（无需修路建交规），软件追上硬件后可能有"类似 Anthropic coding 不到 18 个月爆发"的时刻（00:57:57–00:59:59、01:04:00–01:08:01）。
面向老人：机器人对老人影响最大，"老人很可能把机器人作为唯一依赖"（00:48:50）。
"剪腿"风波：去年爆火的拟人机器人只是"中间 milestone"（热管理有问题、很烫）；网传"里面是真人"，遂当众剪开左腿自证（00:53:54–00:55:56）。

姚顺宇（中，Google DeepMind，2026-05）：模型 / 软件视角¶

来源：张小珺访谈 - 人形机器人硬件成熟且便宜得惊讶（体现中国供应链优势），但软件/模型"还在 feature engineering 时代"、没泛化性、"还没到 GPT-1 时刻"（01:03:10–01:08:13）。 - 与何小鹏互为补充的中方双视角：姚从美国实验室内部判"软件未成熟"，何从中国产业一线判"运动控制硬件栈还停在上世纪 20 年代"——一软件一硬件，共同勾勒"机器人远未到 GPT 时刻"的判断。

Eric Jang（美，前 1X / DeepMind Robotics，2026-05）：RL / self-play 视角¶

来源：Dwarkesh 访谈 - 机器人学习的样本效率问题（长程 RL 的 bits-per-FLOP、监督信号稀疏）见 LLM 训练管线。作为研究者视角，与何小鹏（操盘手）、姚顺宇（实验室内部）构成三层对照。

柯丽一鸣（Kay Ke，美，Physical Intelligence 研究员，2026-07）：美国机器人全景 + PI 内部视角¶

来源：张小珺访谈。本库首个成体系的美方机器人视角（此前美方仅 Eric Jang 的 RL 单点）。

美国机器人两大派系与族谱：传统派（path planning + control，投入产出线性、靠工程师逐个调参）vs 机器学习派（data-driven / 端到端，"让专家从系统中消失"）。ML 谱系：Andrew Ng → Pieter Abbeel → Sergey Levine + Chelsea Finn（PI 联创）；Fei-Fei → 朱玉可 & Jim Fan（NVIDIA GEAR）；Deepak Pathak & Abhinav Gupta → Skild AI（00:44:22–01:04:35）。补上了何小鹏/阳萌（产业）、姚顺宇（模型使用方）之外的美国学术源流维度。
PI 做通用大脑但明确不做人形："通用"= 一个大脑适配多种构型，聚焦双臂操纵（"解决 pick-and-place 就能干掉所有家务"）。这与何小鹏"押注人形整机、80% 硬件自研"是同一目标（通用具身）的两条相反路线——中方赌人形本体、PI 赌构型无关的大脑（01:43:04–01:45:04、02:31:32–02:32:33）。
人形之争：实用派（现阶段人形非必要、简单构型更快落地）vs 狂野派（最优形态未必来自生物演化，如车与轮子；机器人可动态自组装/"造自己"）。各家 bet：Tesla 专押人形、Google 把机器人当多模态 Gemini 一部分、NVIDIA 押世界模型卖卡、Figure(电机)/1X(绳驱) 押人形、Generalist/Sunday 重 UMI 数据采集（01:38:00–01:43:04）。
PI 三论文 = 能力→泛化→表现：π0（叠衣服/叠箱子/清理桌面）、π0.5（进 ~100 个 Airbnb 收真实数据，泛化曲线会放缓——不必收遍全世界）、π*0.6（机器人自采体验数据做 RL，叠衣服超越最好的人类数据收集员）。RL 三模块：探索、归因、奖励设计（"奖励函数"应重新框定为"向智能体传达意图"）。数据观：真机数据信仰派（柔性物理仿真器都搭不出）（01:54:12–02:09:17、02:45:38–02:52:45）。
评估是机器人的前沿难题：不像 NLP 有跑马场/英雄榜，机器人要在真机上跑、受无穷物理扰动影响，导致"前沿"难定义、方向分散——详见评估与 Benchmark。
机器人更像大模型而非自动驾驶：可犯错、不需自动驾驶级完满，动作空间高度抽象需多样性；与自动驾驶是平行关系可互相学习（03:07:54–03:11:57）。北极星 = 谁做出第一个进家庭的机器人（03:11:57–03:12:58）。

阳萌（中，安克创新CEO，2026-06）：端侧AI+机器人分级路线¶

来源：张小珺访谈 - 机器人三阶段（[01:40:06]）：(1) 2D/2.5D平面机器人（扫地机/割草机/泳池机器人）；(2) 三维空间移动+交互机器人（机器狗/宠物）；(3) 操作机器人（人形）——"皇冠明珠"。安克在阶段一已有业务、阶段二开发中（看家狗）、阶段三预研。"人形技术栈还完全不收敛，不是产品化的时候；狗形态各家已非常接近，可以进入产品化阶段。"（[01:41:07]） - 看家狗产品哲学（[01:42:09]）：安克从几百户七系安防家庭出发，发现"发现闯入者但无法驱离"的痛点——机器狗作为安防闭环（发现+驱离）。"这个产品在开始做时，我们就确定它能卖出去，且能卖很大量——因为它创造特别明确的客户价值。"（[01:43:10]） - VLA与世界模型的双向循环（[03:34:37]）：TAO框架——Task→Action→Observation。"语言天然可以同时观察到O→A和A→O的变化。之所以有两个模型（VLA和世界模型），是因为没有像语言这样的数据可以同时做到。未来具身机器人的根本，是一个非常符合TAO的模型。" - 感知-规划-控制的分层AI（[01:27:54]）：从自动驾驶成熟后向家庭产品溢出。所有"可调节但需要人调"的消费品→"自己能调节自己"的真智能。感知/规划/控制三层在硬件上需要有芯片+模型+应用的全栈能力。"我们清晰地看到了这样一个核心技术——从芯片到模型到应用的整套技术栈。"（[01:29:56]） - 阳萌的路线与何小鹏构成互补：何押注人形整机（硬件自研80%），阳萌从消费电子出发、做"感知/控制器官"级的小模型+芯片，观望人形直到技术栈收敛。

共识与分歧¶

共识（截至 2026-07 已收录者）：机器人 / 具身智能"远未到 GPT-1/ChatGPT 时刻"（姚顺宇、何小鹏一致）；物理世界的评价逻辑与数字世界根本不同——不能只比上限/跑分，必须保下限、拼广度（何小鹏）。
一个乐观 vs 谨慎的张力：何小鹏认为机器人一旦软件追上会"规模化远超汽车、出现爆发时刻"；姚顺宇更强调软件泛化性差、时间尺度更长。二者不冲突——差别在于对"软件何时追上硬件"的时间判断。
待观察：物理 AI 的"ChatGPT 时刻"（何小鹏押 2027–2028）是否到来；运动控制的"全 AI 化"能否替代软件缝合。阳萌的"TAO模型"（VLA+世界模型双向循环）是否能在百万参数级端侧模型上实现。

生成式视频模型收敛到"world-action model"（Robin Rombach / Black Forest Labs，2026-07）¶

来源：开源赢麻、Scorsese 的 AI 工具箱

同一模型做图/视频/音频 + action prediction，最终可当机器人大脑："要生成世界的视频，你必须理解世界"；视频预训练给出对物理/交互的隐式理解，直接产出 action prediction（00:42:30–00:44:32）。这从生成侧逼近 Kay Ke（PI）从 RL/控制侧、阳萌的 TAO（VLA + 世界模型双向循环）同一个"世界模型 + 动作"目标——三条路线殊途同归到"多模态 world-action model"。
机器人 in-context 是北极星：目标是像 prompt LLM 一样在 context 里提示机器人"去拿这杯橙汁"；现状是不同硬件有不同 action 表征、需少量小时级微调（00:55:42–00:57:45）。与 Kay Ke"真机数据稀缺、跨本体迁移难"互补。
latent diffusion 是底层算法（把图/视频/音频压缩成高效表征再训 transformer）；Rombach 是其发明者、开源 Flux。为本库"物理 AI 的模型底座"补上生成式 diffusion 这一脉，与 Genesis 的 3D 结构 diffusion 同属"diffusion 走出图像生成"的大趋势。

横向供应商路线：Applied Intuition（美，2026-07）¶

来源：a16z 访谈。本库第四条物理 AI 路线——不是 Tesla/Waymo 的垂直整合、不是 PI 的通用机器人大脑、不是何小鹏的整机厂，而是"像芯片公司一样把智能卖给运行实体经济的人"（design win + 长期关系 + 难以被拔除）。汽车只占其业务约 30%，70% 已是国防/建筑/采矿/农业/港口。

实时钟是物理 AI 的根本约束，也是护城河（本主题最有解释力的一条）：

"那些实验室日子好过——他们可以做万亿参数的模型，模型可以超级慢，那没关系。物理 AI 没有这个奢侈品。我们面对的是真实的时钟，我们只有那么多毫秒。"（01:04:41）
因此 offboard 用大模型、onboard 必须是小模型 + 安全约束 + 确定性约束。这给何小鹏"物理 AI 难约 100 倍"提供了一个具体的机制解释，也与阳萌的端侧分层模型、沈宇军的具身原生（单向 attention + MoE 换取实时）是同一约束的三个版本。
解锁在系统级而非单机级：整个港口/矿场的异构机器互相通信、协同优化；"人在驾驶时我们甚至不知道机器要坏了，因为没人接进机器的核心系统"（00:06:05–00:07:05）。
世界模型是一条光谱，不是一个东西（本库对 world model 最细的一次拆分，01:00:38–01:03:41）：
经典物理仿真——可分解物理、技术美术做带反射率/材质的资产（"好莱坞做 CGI 的方式"）；
Gaussian-based——3D 一致的真实世界表征，相机移动时输出质量高；
纯神经仿真——网络直接吐出反应式视频（ego 动作 → 其他 agent 响应）。
关键限定：反应式不保证准确。"如果你能做到世界模型和真实世界的完美对齐，那你差不多就把宇宙解决了。"
技术路线：模仿学习 → 闭环端到端 RL（当前 SOTA）；瓶颈在硬件不在算法（过热、传感器失准、雾）。"我们现在不争论这会不会发生、需不需要大突破——已经明确在工程阶段了，就是往下磨每英里成本"（00:39:28）。
Waymo 的结构性劣势：非单体端到端模型、依赖 HD 地图 → 必有地理围栏；出自 Alphabet 研究组织"没有商业约束"，传感器定制昂贵。"从很便宜往上加功能，比从过度设计往下砍成本容易得多。"这与何小鹏"Waymo 是既好又不好的方案、难全球化"是独立得出的同一判断。
最具体的一组时间表：L2++ 整包今天 < 1000 美元，到约 500 美元 OEM 会免费赠送（导航系统先例），2028–2029 量产、2030 年代初成为默认；robotaxi 在美国 200 大城市"2030 可用、2032–2033 成为日常"；长途卡车去安全员"往长了说几年"，长杆是冗余转向/制动进入大批量生产并完成验证（不是软件）；叠衣服"去掉时间约束离解决不远，达人类速度 parity 更远"（研究视频都是 8 倍速）。
Dana：面向物理 AI 的 agentic 开发平台，"会做 iPhone app 的高中生应该也能做自主系统"，几天几周的工作流压到几分钟。明确不介意武装竞争对手。附带一个社会性理由："如果我能用 Dana 在一个周末给自家做一个 Roomba，那这东西就不再那么可怕了。"
物理 AI 的就业叙事是反的：见 AI 与就业——运营方求着要自动化，因为长途卡车司机预期寿命比同龄人少约 10 年、采矿占全球劳动力 1% 却占工伤致死 8%。

具身原生：不在数字世界的延长线上（沈宇军 / 蚂蚁灵波，中，2026-07）¶

来源：张小珺访谈 #147。本库中方具身智能的大脑侧主来源，与柯丽一鸣（PI，美方）为相邻两期、可逐条对读。

核心主张"具身原生"：数字世界模型的开发初衷与物理世界需求不匹配，"而你没办法 push 他们去改，因为数字世界有自己的迭代节奏"（例：视频生成追求画质，但机器人动作不需要）。结论——"既然不能 push 他们改，我们就全部基于物理世界的需求重做一遍，从头来训。" 边界很清楚：LLM 仍然沿用（成本太高且语言层面差别不大），从头重做的只是视觉相关的一切。
语义理解 ≠ 空间感知（本主题迄今最好的一个可工程化说明）：阳台玻璃门外有猫，新 Depth 模型完全看不到那只猫——因为人往前走会先撞到玻璃；拉开门，猫才在深度图里浮现。而语义上那只猫一直都在。

"你能看到但你摸不到——能看到是语意理解，摸不到是空间感知。"
这与 Mark Cuban 的吸管杯测试（AI 不懂"把杯子推下桌沿妈妈会跑过来"）说的是同一件事的两个侧面，但沈给出的是可被工程化验证的版本。
由此推出："看得更清楚这件事本身是不需要语言的，是纯视觉原生的预训练。"（1.0 的 Depth 基于 DINOv2，2.0 换成从几何/边缘出发自训的基模）
实时性倒逼架构：机器人不能像文生视频那样让用户等 10–30 秒 → 必须单向（causal）建模。他们试过"先训双向再改单向"并判定此路不通——"预训练里的知识隐含在双向 attention 中，改完就遗忘了，相当于预训练作废"（好视频比例从 100% 掉到 20–30%）。可以舍弃的是画质："有点马赛克没关系——因为我们还有摄像头。"
"通用"要多加一层：行业讲的通用停在跨任务/跨场景，灵波把硬件也算进去——"通用应该就是多一层，你本体上也要通用"。但保留限定："本体跟场景是没办法完全解耦的。"
大脑 vs 小脑的边界：灵波解决意图的实现而非意图的来源——"他不会产生自己的想法"。更高一层（起床拉窗帘、下雨拿伞）"跟数字世界更相关"。
落地暴露的自由度 gap：实验室 demo 默认桌面、固定高度、机器人不动；真实场景要抬手（头部相机可能看不到手）、弯腰、移动底盘。1.0 只支持手臂 + 夹爪、9 种构型；2.0 扩到 20 多种构型 + 头/腰/底盘/灵巧手。
仿真数据只用于评测、不用于训练——理由不是数量而是分布同质化；柔性仿真（撕塑料袋）物理引擎还不够。⚠️ 这与 Applied Intuition"五年多前就建合成数据团队、深信合成数据能加速自动驾驶"直接冲突，是一处值得长期跟踪、且可证伪的中美分歧。也与 Kay Ke（PI）的"真机数据信仰派"一致。
还没到 GPT-1 时刻，且给出了量化判据：目前具身真机数据与互联网数据相差约两个数量级；理想是百万小时起步，中途先有十万小时规模的具身原生预训练数据。但追赶会更快——"当年有个万卡集群就了不起了，现在做语言模型基本都是十万卡……从机器人的 GPT-1 到机器人的 ChatGPT，不一定需要当年那么长时间"。这是对姚顺宇 2026-05"还没到 GPT-1 时刻"的一年后确认 + 量化。
泛化的分层判断（很克制）：位置泛化已解得较好（与人对打桌上球类，只用机器人自身相机、强随机性、快回合，且预训练后只采了 20 条数据）；任务泛化还没做好——"你没办法通过见过的任务排列组合变成一个没见过的任务"。后训练数据量从每任务约 100 条降到约 20 条，且可 10 个任务共用一个模型。
为什么 2026 年大家纷纷只做大脑不做本体：① 本体很难通用，不通用就得选准场景而"没人敢说哪个场景一定跑得最好"，"不可能拿一个六边形战士去做具体任务，成本一定上升"；② 本体有量产门槛；③ "从现在行业来看，大脑可能目前是落后于本体的。"
大脑与本体交替上升（有预测价值）：某天智能层超过本体，"会有一批新的、由智能重新定义的本体公司"——"不再从大家之前理解的参数去看本体，很多东西是为了更好方便模型控制去设计的"。配套地，传感器指标也应由模型定义："AI 时代模型最需要的不一定是精度准，有可能是反应够快"——但"还没有到说模型可以定义它的时候"。
对人形构型没有执念："核心卡点是智能不够，智能不够的核心卡点是数据不够。""它不管是足式还是轮式，进家庭我都不会让它进家庭的，那你都没办法做 user study。"
格局预测：跟大模型格局差不多——大厂一两家 + 创业公司两三家，各自跑出数据/本体/场景生态，模型分化得更适合自己的生态。灵波自我定位"背靠大厂的创业公司"。

横向工业自动化：非人形派（Travis Kalanick / Atoms，2026-07）¶

来源：从 Uber 到 Atoms

本主题此前的样本要么是通用具身/人形（何小鹏、灵波、PI），要么是横向智能层供应商（Applied Intuition）。Travis Kalanick 的 Atoms 提供了第四种坐标——明确"非人形"、以行业为单位做全栈物理自动化的操盘手。

"Atoms-based computer"框架：制造=CPU、地产=存储、运输/物流=网络；所有 CS 框架/算法在原子世界照样成立（云厨房真用 TCP 拥塞控制调度需求，1 万英尺设施 = "1 万英尺的半导体"）。这是把"物理世界数字化"讲成一套可工程化世界观的尝试，与何小鹏"物理 AI vs 数字 AI"的问题意识同源、但从计算机架构隐喻切入。
三条落地腿：① 云厨房（食物机器人 + 机器人骑手"自主卷饼"，配送 $12→$0.5–1/单）；② 采矿自动驾驶（Pronto，越野/off-road）——刚越过人类生产力、进入超指数增长、安全上行巨大；③ 重型运输自动驾驶（"要做专用机器人就必须自己有自动驾驶，不能只依赖 Tesla 一个存在性证明"）。
"把现实弯向现在"的时间观：20 年后机器人做饭 + 自主配送"人人都会说当然"，然后压缩到 10/7/5 年——与 Applied Intuition"物理 AI 是下一个前沿"的窗口判断、何小鹏"在血海里游泳"的产业紧迫感同频。
与人形派的分歧：Travis 明确"我们是非人形那一派"（也不做军事），理由与灵波"本体很难通用、六边形战士成本一定上升"殊途——但落点相反：灵波仍赌人形/多构型通用本体，Travis 赌按行业定制的专用机器人 + 横向自动驾驶底座。这与 PI"构型无关的通用大脑"又不同，构成本主题通用 vs 专用光谱上的又一个点。
"数据中心本质是制造问题" + 美国忘了怎么制造：把 industrial AI 的政治阻力类比第二次工业革命（详见 AI 算力与基础设施 / AI 与就业）。

单一用例定义形态：DoorDash Dot（美，2026-07）¶

来源：No Priors 访谈。本主题此前的坐标要么是通用具身/人形（何小鹏、灵波、PI），要么是横向智能层/工业自动化（Applied Intuition、Atoms）。DoorDash 提供了光谱最"专用"的一端——为单一配送用例从头定义机器人形态，且由一个已经在跑的实体网络当运营方。

形态由用例倒推（本主题最干净的"use-case-first"案例）：平均配送 3–5 英里、约 15 分钟 → 人行道机器人（2 mph）太慢、robotaxi（4000 磅）过度设计（"只运几个卷饼要 4000 磅带座椅空调的车吗？"且"包裹不能像人一样走那半个街区"）→ 正确隐喻是自行车/踏板车 profile 的车：约 300 磅、20–25 mph、可在人行道/自行车道/马路间切换。没人在造，遂自研，Phoenix 已 L4 运营近两年（视频页 00:13:11–00:15:13、00:21:16、00:35:21）。"不能直接抄 Waymo，因为用例不同"——与 Applied Intuition"从便宜往上加比从过度设计往下砍容易"殊途同归。
"做自动化的生意需要的远不止自动化"（Stanley Tang）：这是本库"物理世界更 messy"论断在规模化运营层最具体的一手证据——几百台车、一天十小时、七天之后开始撞边缘案例：右两轮压落叶/左两轮在沥青上要给完全不同的扭矩、再生制动的电冲击、几百台车每早开机的 Jenkins 脚本崩、depot/维护/充电、以及在公寓楼找到确切门口位置（"人类 Dasher 看一眼就找到那扇门，机器人不能"）（00:27:18–00:32:19）。与何小鹏"运动控制被严重低估"、沈宇军"落地暴露的自由度 gap" 同族，但讲的是车队运营而非模型。
数据护城河 = 最后 100 英尺："人类 Dasher 历史上把包裹放在哪"这份 drop-off 数据只存在于 DoorDash，Google Maps 里没有（00:31:19–00:32:19）。呼应 Sarah Guo 的评论"很多人对 incumbent 数据优势的理解太表面——关键是这份数据和 agent 要完成的用例有没有关系"。
"猫在洗碗机里"的一手复现：机器人真难的不是 cherry-picked 的一次成功，而是任意物体/环境都 work；最好的真实数据就是真实世界数据——与 Kay Ke 的真机数据信仰派、沈宇军"仿真只用于评测" 一致（DoorDash 也上线了 Tasks 让车队采数据训 world model，自评"非常早期"）（00:19:15–00:23:17、00:33:20–00:34:21）。
多模态车队、不是全有或全无：Dot 做密郊、无人机做路况差的轻单、复杂杂货单仍用人；与 Travis Kalanick"按行业配不同模态"、PI"构型无关大脑"共同落在通用 vs 专用光谱上——DoorDash 是"为单一用例专门定义形态"的极端点。

世界即产品：World Labs + SceniX（美，2026-07）¶

来源：a16z 访谈（Fei-Fei Li 与 Yunzhu Li）。本主题此前的路线要么做大脑（PI 的构型无关大脑、灵波的具身原生基础模型）、要么做本体（何小鹏、Dot）、要么做横向工具/智能层（Applied Intuition、Atoms）。World Labs 收购 SceniX 后占的是第五个位置：既不做本体也不做大脑，做机器人学习与评测所处的那个世界——平台对模型不可知、对本体不可知，"你们不是在造机器人，是在造一个环境，让别的公司把自己的机器人大脑放进去"（[00:27:21]）。

⚠️ 本主题此前最缺的一条论证：评测速度就是瓶颈。 Yunzhu Li 的断言是当下真实环境中的机器人评测，迭代速度比语言模型慢好几个数量级；行业真正的指标是 walk time——区分一个 90% 的 checkpoint 和一个 92% 的 checkpoint 要花多久（[00:22:16]–[00:24:18]）。本库此前只有柯丽一鸣"机器人评估比 NLP 更难一层" 的定性说法，这是第一次把它量化成"卡住迭代速度的那件事"。详见评估与 Benchmark。
仿真的正当性论证换了个层次：Fei-Fei Li 不从"仿真够不够真"辩护，而从反事实推理——"仿真扮演了一个真实世界数据扮演不了的角色：推演没发生过、不可能发生、或拿不到足够数据的事件，并在推演中学会如何行动"（[00:19:11]–[00:20:14]）。经验证据是 Waymo 官方称使用数十亿小时仿真、且比真实数据更偏仿真，"而车是最简单的一类机器人"。
⚠️ 这与本库既有的"真机数据信仰派"并不直接冲突：Kay Ke（PI）与沈宇军（仿真只用于评测）反对的是"用仿真替代训练数据"，而 Yunzhu Li 的表述是数据飞轮早期重物理、随数据积累滑向更偏学习的环境建模，且明确回应了 Sergey Levine 的"仿真终将偏离真实"说两者不矛盾（[00:18:11]–[00:19:11]）。沈宇军"仿真只用于评测"与 SceniX 的主力卖点（用仿真做评测）实际上是同一件事的两种表述——这是本库中美两条路线一次意外的收敛，值得单记。
仿真具体买到两样东西（[00:21:15]–[00:22:16]）：可靠性（系统化随机化光照/摩擦/几何/物体类型，从而"明确知道自己覆盖了什么分布"）与效率（遥操作采数据"实际比人自己做还慢"，而"很多客户要的是比人更快"；但让机器人跑更快不是调速度——重力不会跟着变，仿真里可做系统性加速，让策略把动力学变化一并考虑）。
保真度的判据：模型不必完美。四足能走雪地和灌木，不是因为仿真器精确仿真了雪和灌木，而是抓住了问题的本质结构再做随机化（[00:16:11]–[00:17:11]）。
对视频模型路线的具体反例：机器人推一个物体、物体却凭空消失——现有视频预测模型的老问题，这种信号不足以让机器人学到正确行为（[00:13:09]）。关键要求是一致性：空间、时间、视角、交互类型四重一致。与 Robin Rombach 的"生成式收敛到 world-action model" 构成本主题最直接的一组分歧；但 Yunzhu Li 留了余地（视频模型在变强，可作飞轮初始动量）。
世界模型光谱的动态版：Applied Intuition 的三段光谱（经典物理仿真 / Gaussian / 纯神经）是静态分类，Yunzhu Li 的"物理与学习混合、随飞轮滑动"是同一光谱的动态版。Marble 的高斯泼溅表示恰落在中段。
⚠️ 人形降温的两半论证（本库对人形路线最完整的一次原理性质疑）：
Yunzhu Li 的三段式环境（[00:29:23]–[00:30:23]）：完全结构化（汽车制造工厂，已自动化几十年）→ 半结构化（Amazon 仓库、餐厅、酒店，但仍有衣物这类不可控物体）→ 非结构化（家，大挑战）。机器人应用史一直沿这个顺序走，因此先聚焦半结构化环境更现实。
Fei-Fei Li 的进化论（[00:30:23]–[00:31:25]）：人形模仿人体，而进化把人体优化的是非结构化环境——"如果我们作为物种的唯一目标是爬树，我们不会长成这个样子"。人体是很通用但不必然在任何一件事上最优的形态；从商业与务实技术角度看，非结构化环境 + 通用本体恰恰是最难解、甚至未必正确的解法——应当用更专用的本体解更窄的问题。
与 Travis Kalanick 的非人形工业自动化、Applied Intuition 的渐进路线三方呼应；与何小鹏押注人形整机构成本库最清晰的一组中美路线分歧。
能效：机器人达到人类能效"会花很长时间"，因为它终究是一个系统——硬件、软件、大脑，细到手指的摩擦系数（[00:33:26]）。Fei-Fei Li 补的两句是本库该条线的基准："人脑跑在 30 瓦上，连 LLM 都没有人脑的能效"；窄任务上性能功耗比或已接近，机器人上完全不接近。以及"今天 AI 里最难的事，是保持恰当程度的乐观（measured optimism）"（[00:34:27]–[00:35:28]）。
为什么机器人比语言模型更需要仿真（[00:35:28]–[00:36:28]）：当下语言模型能力惊人，"但你还是不会盲目信任它去订机票，最好还有人在读它的输出"；机器人模型不一样：开箱即用就必须在真实环境里可靠工作——而数据和配套基础设施都还不存在。这是本主题"物理 AI 不是数字 AI 的直接外推"又一条独立论证，与 Applied Intuition 的"真实时钟只有那么多毫秒" 互补（一个讲容错，一个讲时限）。
一手数据：斯坦福公众问卷收集的约 1000 个"希望机器人做什么"的任务中，1/3 与打扫有关（[00:14:09]–[00:15:11]）。

板载算力这一层：把 GPU 搬出机器人（中，2026-07）¶

来源：孟子立 / WiCi。本主题此前讨论的约束是数据、评测、运动控制、硬件供应链，孟子立补的是板载算力这一层：机器人现在带 Jetson Orin、将来是 Jetson Thor，但受功耗限制永远比不上 RTX 5090/6090（近 600 瓦、3 公斤，机器人装不下）。他的方案是把算力卸载到附近的"算力路由器"，并想和机器人公司探索"如果可用算力变大 10 倍、100 倍能拿到什么增益"（[01:03:30]–[01:04:31]）。

与同日的 World Labs 一期恰好互补：那边说机器人卡在数据与评测，这边说卡在板载算力；两条约束都真实，且都指向"把不得不在本地做的事移出去"——一个移到仿真，一个移到附近的算力盒子。
⚠️ 与阳萌的端侧路线正面张力：阳萌主张把算力塞进设备（端侧模型 + 存算一体芯片），孟子立主张把算力搬出设备。两人对约束在哪的判断相同（功耗/重量），结论相反。本库不做裁决。
状态很诚实：只"开始接触一些公司、有过几次初步对话"；他自己说"我不知道投资人会怎么想，但作为一个纯粹的研究者，我相信这有真正的未来"。

已部署机器人的单位经济学：本主题第一次拿到经营数字（2026-07）¶

来源：All-In @ Machina Paris 四家机器人公司。本主题此前的样本要么是研究/路线之争（PI、灵波、World Labs），要么是尚未量产的产业愿景（Applied Intuition、Atoms、Dot）。ANYbotics 与 Boston Dynamics 补上的是已规模部署、已在收钱的一层——有价格、客户数、故障间隔、回本年限这些能被后续证伪的数字。

	ANYbotics（瑞士，ANYmal 四足）	Boston Dynamics（美，Spot 四足 / Atlas 人形）	Agility（美，Digit 人形）
价格	低档几十万美元量级 + 服务合约（[00:03:01]）	10 万（基础）–30 万美元（全配），"从 Tesla 到 Ferrari"（[00:37:25]）	拒谈 BOM，"将以汽车成本量级卖"（[00:57:37]）
规模	未披露	超 500 家客户、超 46 国（[00:35:25]）	数十台在外（Digit V5 待发）
运行	续航约 2 小时，自主上限约 8 小时	电池 90 分钟，Atlas 自行换电池	24 小时干 20 小时，5 年约 40,000 小时（[00:57:37]）
可靠性	—	平均干预间隔 > 3,000 小时（"一年只需几次人介入"）（[00:38:25]）	—
财务门槛	停机每小时数十万美元即可覆盖	客户要求两年内回本（[00:36:25]）	价值由人工成本设定
模式	售卖 + 服务合约	Spot capex / Atlas 大概率 RaaS（[00:37:25]）	capex 与 RaaS 都做

⚠️ 两家已部署公司独立拒绝了"替代劳动力"框架（本主题此前没有的一手证据）：
ANYbotics："这不是关于替代劳动力，而是我们能做到什么超人的事"——人的眼耳感知不到微量气体泄漏与设备过热；付费逻辑是资产停机每小时数十万美元（[00:04:02]）。
Boston Dynamics："那些活人本来就没在干——就算派了任务，他们实际上也没在做"；卖点是"我们给你省了多少钱"，例子是找到一处值 300 万美元/天的漏气（[00:39:25]）。
两家都把"客户要的是数据，不是机器人"说成同一件事——"实际上他们根本不想要机器人。机器人只是收集数据的手段"（[00:05:02]）。
真正被改变的量是频次：人工巡检每天 1–2 次 → 机器人 8/15/20 次，有客户一天 40 次（[00:04:02]–[00:06:03]）。
⚠️ "1 美元/小时"是主持人的算术，且被当事人当场削弱（本主题该记的一条纠偏）：Jason 用 4 万美元 ÷ 4 万小时得出 $1/小时、对比工人 20–40 美元/小时得出"90% 成本压缩"；但 Hurst ① 说 2–4 万美元售价要等10 万台在运行之后才成真，② 紧接着说 "这些机器人的价值实际上是由人类劳动力设定的，所以在很长一段时间里，这是一个非常缺乏弹性的价格"（[00:59:38]）。成本趋近 $1/小时，价格锚定在人工量级——差额是厂商毛利，不是客户节省。 ⚠️ 该论证未言明的前提是竞争不充分，若中国厂商大幅折扣进入同一批客户即不成立，是一条可证伪的分歧。
算力分层又一次落在同一条分界线上：Boston Dynamics 的"两个大脑 + 一层 wrapper"——物理控制的大脑在机上、语义推理层可在云上（可能与 Google DeepMind 合作）、客户工作流 wrapper "在两者之间的某处"（[00:41:25]–[00:42:26]）。ANYbotics 给的是同一分界线的可靠性版本：机上必须跑避障与数据质量把关，因为连通性无法保证——"如果你把一张模糊的图传上云，那就已经太晚了"（[00:05:02]）。与 Applied Intuition 的时延版本、孟子立的外移、阳萌的内塞构成同一约束的四种应对——各方对约束在哪判断一致，对往哪挪结论不一。
⚠️ 操作（manipulation）在工业现场明确还没到：ANYbotics 对"检测到泄漏能不能顺手修好"的回答是"今天不行。在 demo 里可以。但现实里要在爆炸性气氛下做到 99.9% 可靠性，还在开发中"（[00:08:06]）；路线是合闸开柜 → 双手操作。他主动点了本主题常见的那个反例："很多人形叠衣服的 demo 是高度受控的环境，一旦到了户外的冰雹天就完全不同了。"
安全认证是产品架构的约束，不是部署阶段的手续（本主题此前没有的瓶颈）：Agility 在 Amazon 的教训是机器人干成了活、研发目标全达到，对方却说"不满足我们的安全要求"，"结果发现这超级难"——最终导致自底向上重新设计整机，每一个系统都被动过（[00:56:37]）。由此，Digit V5"走出工作单元、不再需要人机之间的物理隔栏"成为本主题最可证伪的一个近期节点（[00:55:37]，2026 年晚些时候，本库应在年底核对）。

⚠️ 人形之争的第三条轴：数据可用性¶

这是本主题此前没有的论证形状。 已记录的人形理由是"世界是按人建的"（何小鹏），反方是进化论（进化把人体优化的是非结构化环境，"如果我们唯一的目标是爬树，我们不会长成这样"）与环境三段式（先攻半结构化）。1X 的 Bernt Børnich 给出的理由既不是"世界按人建"、也不主张人体形态最优，而是纯粹的数据可用性：

"1X 区别于所有其它机器人公司的地方，是我们全力押注在互联网视频数据上做自己的预训练。我们的跨本体（cross embodiment）不是另一台机器人——我们的跨本体是人。"（[00:28:21]）

四层数据金字塔（[00:25:18]–[00:27:20]）：遥操作数据（量小质高，只用于对齐）→ 人戴机器人传感器采的数据 → 人的第一人称视频（"仍然相当近，因为机器人的手和人手是一样的"）→ 通用视频数据（"YouTube，一切"，"比其它任何东西都大到荒谬"）。
核心断言："要真正达成智能，你需要的数据比任何人在未来几年靠第一人称数据或传感器数据能收集到的多好几个数量级"；且"AI 里所有重大突破，都是因为有人搞清楚了如何使用一个此前无法使用的巨大新数据源"（[00:27:20]）。
由此倒推硬件：要用得上人类视频，就必须让机器人在每个微小细节上接近人——皮肉组织高度非线性（形变力、摩擦、碰桌面的冲击能量）。
⚠️ 这条论证不受"进化未必最优"的反驳影响，因为它根本不主张人体形态最优，只主张它与现存数据分布对齐。
⚠️ 遥操作的位置被反转：本主题此前默认遥操作是高质量数据来源；1X 说新的手之后遥操作已跟不上硬件（"遥操作者感觉不到机器人感觉到的东西"，补齐要上完整力反馈、"又慢又笨重"），因此降级为小规模对齐数据，主力改为让人直接戴着机器人的传感器无感采数（[00:24:18]）。但"在场"（expert in place、远程经营公司、无人值守电站）这个用途"永远不会消失"（[00:22:17]–[00:23:17]）。
与沈宇军（灵波）：同一个数量级诊断，相反的应对。沈诊断"具身真机数据与互联网数据相差约两个数量级"，结论是去采真机数据（并主张这是中国的"数据空窗期"优势）；Børnich 的结论是别采了，去把互联网视频用起来。这是中美具身路线一处新的、干净的分岔。

⚠️ 同一集内的正面对撞：互联网视频能不能解决控制¶

本主题最直接的一组分歧，双方都在造真机器人、都在同一集里。

	1X（Børnich）	Agility（Hurst）
通用视频数据	唯一出路，需要多好几个数量级（[00:27:20]）	对机器人控制不存在（[00:50:34]）
人形的理由	为了吃下人类视频数据	为了走进人的环境执行人的工作流
通往通用的形状	硬起飞，赌 3 年（[00:31:23]）	雪球，没有奇点（[00:53:37]）
遥操作	已跟不上硬件	有硬上限，人操作 ≠ 机器人最优

Hurst 的原话是本主题对"LLM 浪潮能否外推到控制"最干净的一次否定（[00:50:34]）：

"这些语言模型是在互联网的全部数据上训练的，而那些数据对于机器人控制并不存在。给定所有传感器输入，你的机器人每一个电机的每一条力矩指令的例子在哪？根本没有这样一个训练集。"
他同时确认感知已基本解决（"这是一个非常非常大的拐点"，[00:49:33]）——所以分歧精确地落在控制这一层，而不是泛泛的"AI 有没有用"。
两人在"遥操作有硬上限"上完全一致，但下一步相反：1X 往人类视频走，Agility 往仿真里练习走（"一个人在控制机器人，并没有触及机器人在最优情况下能做到什么。机器人需要练习"，[00:51:36]）。
Hurst 的反奇点表述（本库对"递归自我改进"最直白的一次拒绝，[00:53:37]）："我不相信存在这个奇点……把它想成一个滚下山坡、越滚越快的雪球"，而它滚起来是因为"人们在往里投钱、投资源、投工程时间"。对照 Børnich 的硬起飞定义（机器人造机器人、造数据中心、造芯片厂、做采矿精炼的自给自足系统），"十年以内，我现在的赌注是 3 年"（[00:30:22]–[00:31:23]）——本库目前最激进的物理 AI 时间表。
Hurst 也给"没有银弹"补了具体清单：sim-to-real gap 里的水的晃动、玻璃杯上的凝结水、机器人自身动力学建模不准（[00:52:37]）。这给 Yunzhu Li 的"保真度不必完美、抓住本质结构再随机化" 提供了一组反向困难样本——两者不冲突，但张力真实。
一个反直觉的同调：Hurst 自己在造人形，却给人形划了边界——熄灯的自动分拣厂里"做这些事的大概率是专用自动化，人形在那里不合理"，人形真正有用的地方是"走进人的环境、执行人的工作流"（零售、杂货、医院、工地、送货上门）（[01:01:39]）。这与 Fei-Fei Li 的进化论、Travis Kalanick 的非人形派、DoorDash 的单一用例定形四方落到同一结论，而 Hurst 是四人中唯一在造人形的。
他给机器人学习的另一条判断（[00:54:37]）："机器人还不太会学习——需要多得多的数据、多得多的例子。我们还在搞清楚怎么教机器人学习。" 但机器人有一个人没有的优势——"它们有 Wi-Fi。一台机器人学会拉小提琴，所有同型号的机器人都会拉小提琴。"

武器化与行业自律（2026-07）¶

来源同上。本主题此前只在 Travis Kalanick（"也不做军事"）处一笔带过，本期给出三层材料：

一手事实：约四年前 ANYbotics 与 Boston Dynamics 等同行联署公开信，谴责机器人武器化（[00:14:12]）——本库首次记录的机器人行业集体行动。
⚠️ 两种拒绝的理由不同，在压力下的稳定性也不同：
ANYbotics 是工程师伦理 + 技术尚未成熟："作为工程师你应该有为善而造技术的骄傲……这些技术在成熟，但还没成熟到你可以拿它去把别人置于危险之中"（[00:13:11]）。
Boston Dynamics 明确框成商业聚焦而非哲学："对我们现在想做的工业用例来说，这是对业务的干扰……作为 CEO，我现在就是要聚焦"（[00:44:28]）；今天已在做 EOD（爆炸物处理）这类非武器化政府工作。
而后者对"若中国投入战场你会不会造"没有关门："我想我们得等到那一刻再回答……如果那一刻真的来了，我们会做出正确的那个决定"（[00:45:29]）。这是"自愿承诺的可持续性"在物理层的一个新案例。
ANYbotics 对"军民两用很容易"的具体证伪（[00:12:10]）：巡检自主"有时间把机器人布置好"，军事是"毫秒级、遥控、人在回路"，通信与应用软件也完全不同——"你可以用一台四足机器人进屋，也就仅此而已了，其余全都不一样。"他因此认为欧洲有责任建这类技术，但"需要另一支团队"。
他对中国武装四足视频的判断是"都还是很早期的测试、是演示"，并与乌克兰的无人机对照——后者"是出于必要而成熟起来的品类"（[00:14:12]）。

⚠️ 第三种答案，也是唯一来自做军事那一方的（Saronic，2026-08）¶

来源：All-In / Saronic

上面两条都是拒绝方的自陈。Saronic（自主水面舰艇，视频页）是本主题第一个正在做的当事人，它给出的不是"我们不越线"，而是线本身的性质。

主持人的设问是本主题此前没人正面回答过的那个：如果对手宣布"进入封锁线的、不是我们的船就杀"，自愿克制的一方不就输了吗？Dino Mavrookas 的回答（[00:33:23]–[00:34:24]）：

"不会。因为你所做的，只是把政策阈值和授权阈值放进技术里。" 真到台海全面冲突那种末日场景，"我们的指挥官会做出同样的判断——'现在这里没有渔船，没有游轮经过；不是友舰就是敌舰，就这样'。而我们的技术恰恰使这成为可能。" 机制：授权随威胁环境改变，这些政策按政府程序编进软件。

规范依据是 DoD Directive 3000.09（转录稿作 "3009"），"明确规定了 AI 可以怎样用在自主系统上"（[00:31:23]）。
对 Robocop 式担忧的回答是分工而非否认：AI 做敌友识别、战斗员/非战斗员区分，"做决定、设定任务意图的仍然是人，是政府政策在设定何时授权交战……这些不是机器人自己在决定要不要开战"（[00:32:23]）。
⚠️ 主持人关于"西方有条约不允许使用 AI 武器"的说法，Dino 没有确认，而是转向了 3000.09。⚠️ 主持人关于中国已量产武装机器狗的说法同样是他的断言。

三种答案在压力下的稳定性完全不同，这是本节现在最值得记的一点：

	拒绝的理由	压力下会怎样
ANYbotics	工程师伦理 + 技术尚未成熟；且"军民两用没那么容易"（毫秒级遥控 vs 布置好再巡检）	理由的后半段会随技术成熟而失效
Boston Dynamics	商业聚焦，明确"不是哲学"	已明说"那一刻来了再回答"，即未关门
Saronic	不拒绝；主张线是软件里的可配置参数，配置权在政府不在公司	稳定性问题被转移给了政府政策，不再是公司自愿承诺

⚠️ 本库不裁决三者优劣，但要指出 Saronic 这条改变了问题的归属：本节此前讨论的"自愿承诺能不能持续"，在它的框架下根本不是公司层面的问题。

一条侧面印证：ANYbotics 对"军民两用很容易"的证伪在 Saronic 这里成立——海上自主靠的是规模、持续性与风险转移加"把指挥官意图翻译成任务结果"，确实不是"四足机器人进屋"那种毫秒级遥控。两者描述的是不同的自主类别。

中美对照¶

这曾是本库少数中方素材强于美方的主题（中国硬件/供应链优势被姚顺宇、何小鹏双双确认）。柯丽一鸣（PI）加入后，美方视角大幅补齐：她从 PI 一线给出美国机器人的学术族谱、公司格局与技术路线，并从美方角度再次确认中国硬件统治力——"很难想象一台机器人组装好后没有一个中国零件""美国人要追不知道该怎么追"，PI 公司群热议宇树春晚（Kay Ke 访谈 03:15:01–03:21:05）。于是中美对照在此形成难得的双向确认：中方（何小鹏/阳萌）说自己硬件强，美方（Kay）也承认追不上；而美方大脑/研究领先、论文开放，中国团队可 follow 但"随积累未必 match 得上"。何小鹏的"物理 AI vs 数字 AI"框架仍是对本库整体偏数字 AI 的结构性提醒。

PI vs 何小鹏是同一目标（通用具身）的两条相反路线：中方赌人形本体 + 硬件自研，PI 赌构型无关的通用大脑、明确不做人形。PI 纯研究、不碰商业化（受 Covariant 过早商业化教训影响），与"更强调实用主义/商业回本的中国公司逻辑"形成鲜明对照——这一"研究 vs 落地"的取向差异，本身就是中美 AI 生态分野的又一注脚（另见中美 AI 生态对照）。

阳萌加入后，中方视角进一步多元化：何小鹏是整机/运动控制/人形量产维度，阳萌是端侧芯片/消费级机器人/感知-控制分层维度——共同勾勒了中国产业界"不赌单一路线、多条腿走路"的策略。阳萌的存算一体芯片路线（替代冯诺依曼架构）、以及"百万参数感知器官→十亿参数大脑→万亿参数云端"的分层模型架构，提供了一条与何小鹏"全 AI 运动控制"不同的、更务实的渐进路线。

2026-07 之后，中美对照在"大脑"这一层终于对齐了口径（沈宇军 vs 柯丽一鸣，相邻两期同一主播）：

	灵波（中）	Physical Intelligence（美）	Generalist（美）
后训练态度	需要，且在压缩其成本（100 条 → 20 条）	强调 zero-shot，希望不要后训练	接受并强调高效后训练
数据来源	真机 + Ego；仿真只用于评测	真机数据信仰派	重 UMI 采集
数据规模	6 万小时	—	公开约几十万小时
模型底座	具身原生（视觉全部从头训）	通用大脑、构型无关	更早动到 pretrain

沈宇军对 PI vs Generalist 的路线差判定为殊途同归："机器人进家庭，你既希望它 80–90% 的活自己就能干（zero-shot），也希望剩下 10–20% 教一下就会（in-context learning）——这两个能力都必须具备。"并预测随 ego-centric 数据兴起 + 灵巧手提上日程，"合久必分分久必合"。
但他明确指出技术本身没有可借鉴的——因为灵波认定必须从视频生成路线学知识，而"能够把视频生成做到原生的，目前还没有看到"。
中方优势的论证从"硬件/供应链"扩展到了"数据的时间窗口"——这是本库此前没有的一层：

"互联网数据是互联网红利的变现，是上个时代积累下来的。但具身的数据是一个空窗期——现在大家都是一样的。所以在收数据上中国有优势，这是一个非常非常大的优势……至少在数据这方面，中国一定是比美国跑得快。"
落到行动是建"数据联盟"与数据厂/本体厂一起定标准，"因为数据所有的规模化东西一定要有标准"。这条与何小鹏/阳萌/Kay Ke 三方已确认的中国硬件统治力叠加，构成中方在具身赛道的双重论证。见中美 AI 生态对照。

2026-07-29 补上了美/欧厂商侧的对华判断，而且一集之内就有两种相反答案（见 Machina 四家机器人公司）。此前本主题的中美对照停在技术与供应链层（中方硬件强、美方大脑强，双向确认），这里第一次进到商业与安全层：

来源：All-In / Machina

	供应链	对中国机器人的判断
ANYbotics（瑞士）	中国零件 0%，但自称"历史造成的"而非政策选择；核心部件专长在中/欧/美三地	最不慌："那是一块能漂亮行走的硬件，很棒的工程，能翻后空翻——但他们没有在解决问题。客户不会拿一个平台去比我们的完整解决方案。那只是硬件层面的差别。"护城河是自主+巡检+工作流集成+ISO 网络安全认证（[00:10:07]）
Boston Dynamics（美）	100% 美国制造	最强硬：应否允许中国人形进入美国——"不。不安全。"称已听说在美四足机器人数据被回传中国；主张国家机器人战略；"不只要赢，还要让世界其余地方用我们的平台"（[00:42:26]–[00:43:26]）

ANYbotics 的立场是本库首次记录的一个明确反方：它不否认中国硬件优秀，而主张硬件不是竞争的层次。⚠️ 这与 Sacks 关于模型层的论证（护城河"不只是模型，还有 harness、connectors、企业协议"）结构完全相同，只是搬到了机器人——都在主张"底层能力商品化，价值在集成与信任层"。它同时是 Hurst"非弹性价格"论的支撑与最大风险点：若这层护城河不成立，价格锚定在人工成本上就守不住。
⚠️ McMaster 的"数据回传中国"是具体但未给来源的指控（"我们已经听说了"），本库标注为转述，未给证据。这类风险的最凝练表述来自 ANYbotics："你不会想让别人控制你关键基础设施里的 15 个摄像头。"（[00:11:10]）见 LLM 安全。
与中方叙事的接口：沈宇军的"具身数据空窗期、中国在收数据上有优势"是数据侧的中方论证；Børnich 的"跨本体是人" 恰好是对它的结构性绕开——如果互联网视频真能撑起预训练，那么"谁能采到更多真机数据"这个中方优势的权重就下降。这是本主题目前最值得长期跟踪的一组中美路线赌注。

国产芯片、机器人开源生态等仍待更多中方素材补充。

⚠️ 一条来自"机器人本该去做的那些活"的承包方的看空（Netic，2026-07）¶

来源：No Priors / Netic

本页此前的时间表判断几乎全部来自机器人侧——造机器人的（1X、Agility、ANYbotics、Boston Dynamics、Atoms）、做机器人模型的（PI、World Labs/SceniX、蚂蚁灵波）、或做横向供应的（Applied Intuition）。

Melisa Tokmak 是需求侧的声音：她的公司 Netic 正在为 HVAC、管道、电气这些行业做调度与客户交互，也就是机器人被认为终将接手的那些实体活的承包方。她的判断（[No Priors 00:10:15]–[00:12:16]）：

框架："同一本书的不同章节"¶

"你大概是在看同一本书，但是不同的章节。我们现在谈的是接下来几十年的章节。未来确实有一个章节全是机器人。但在我合作的一些行业里，那个章节相当遥远。"

⚠️ 核心论证是环境标准化，不是本体能力¶

"如果我们往窗外看，看每一栋楼——如果机器人要做我们今天替这些公司做的事，那每一栋楼都得要么被 3D 打印出来、要么被完全标准化。我看不到那件事会发生。"

这条为什么重要：本页所有既有的时间表争论都在本体侧的轴上展开——灵巧性、数据可用性（人形之争的第三条轴）、控制能否从互联网视频学到（同一集内的正面对撞）、real-to-sim-to-real。Tokmak 的轴是环境：即使本体足够好，被服务的物理环境本身的非标准化程度就构成上界。此前只有 DoorDash 的"落叶扭矩" 出现过这个轴的运营版本（同一台车两侧轮子摩擦系数不同要给不同扭矩），Tokmak 给的是需求侧的整体版本。

两条补充理由¶

灵巧性还差得远：不同类型的螺丝怎么处理、什么样的房子、怎么进到狭小空间；而且"很多时候根本看不清要修什么，你得先把整面墙打开"。（⚠️ 这条与本页共识一致，不新。）
⚠️ 人的因素（本页此前缺席的一条）："很多人跟这些行业打交道的时候，那是他们人生中最糟糕的一天"——家里被淹了，或者只是想减压去打场网球。她的意思是这类服务里有一个情绪与信任成分，不是把执行动作做对就完事。

与本页机器人厂商的关系：这不是对他们技术判断的反驳（她明说机器人那一章存在），而是对"哪些用例先落地"的排序提出了一条约束。与 Jonathan Hurst 的"雪球论"（渐进渗透而非奇点）方向兼容；与 Bernt Børnich 的"硬起飞赌 3 年" 张力最大——⚠️ 但注意两人谈的场景不同（家用人形 vs 商业维修服务），本库不做跨场景裁决。

方法论上值得一记：她强调 Netic"每一个工程师都必须去客户现场，才能回到旧金山造出对的产品"——这与本页 Lassie 创始人亲手干了几个月理赔单、DoorDash 在 Phoenix 跑真实配送是同一种认识论：关于物理世界的判断，来自在物理世界里待过。

海上自主：把"去掉人"的收益算成单位经济学（Saronic，2026-08）¶

来源：All-In / Saronic

Saronic 两位创始人（视频页）是本主题第一个水面平台样本，也是第一次有人把"去掉人"的收益算成一张可对照的表。⚠️ 全部数字为公司自报。

去掉人省下的不只是舱室¶

对"一半质量是为了养人"的修正是"一半有点夸张"，但删掉给人用的独立电气系统、门、卫生间、楼梯之后，真正的收益是端到端重新优化海军建筑学/航速/航程/载荷——举证是 24 英尺的 Corsair 能跑 1000 海里，"一条商用的 24 英尺船不太可能做到……因为你不用担心船上的人在大洋中间的感受"（[00:09:07]）。

这与本主题 DoorDash Dot 的"单一用例定义形态" 是同一逻辑的放大版：约束一旦从"要装人"变成"只要完成任务"，最优形态会整体位移，而不只是把座位拆掉。

分母换成 VLS 管数¶

	神盾驱逐舰	Marauder（180 英尺全自主舰）
采购价 / 周期	约 30 亿美元 / 6–8 年	未披露 / 规划年产 20 艘
VLS 管数	96	等效 16
年投放管数	10–15（约 3000 万美元/管）	320

⚠️ Marauder 单价未披露，"每管成本"一侧无法验算——这张表只有"年投放量"这一列是可核的。

配套的设计原则是 attritable mass（可消耗的大规模）：航母"10 年、130 亿美元"达不到 mass，且"个头大、从太空就能找到你"（[00:11:09]）。但 Vib Altekar 没有全盘否定大舰——"这类平台总会有它的角色和职责"。落到编制上是 Dino 的混合舰队：有人舰保留"前沿部署的决策者"，无人舰推进冲突区域，而"我不认为有人真的知道这个配比是多少"（[00:16:12]）。

AI 在这里的实际位置（本主题该如实标注的一条）¶

船上有大量算力，ML 用于导航/自动驾驶与载荷侧 counter-UAS；终局描述是"海洋本身就动荡，盐水打上天线你就丢通信"，所以多路通信 + 多传感器 + ML 协同，目标是"把指挥官或水兵的意图翻译成任务结果"（[00:30:23]）。

除此之外，本期的论证几乎全是制造业单位经济学，不是具身智能能力。 与本主题其它样本（PI 的通用大脑、灵波的具身原生、1X 的互联网视频预训练）不在同一层：海面是本主题迄今环境标准化程度最高的场景，因此它不需要那些样本正在攻的难题。

⚠️ 这恰好给 Melisa Tokmak"环境非标准化构成上界" 提供了一个反向的边界点：她说楼宇维修那一章遥远，因为每栋楼都得被标准化；海上自主先跑通，正是因为开阔海面本就是标准化的，而且没有"人生中最糟糕的一天"那种情绪与信任成分。本库不据此裁决谁对，但这条轴解释了落地顺序。

一条方法论迁移：为船设计厂、为厂设计船¶

Vib 对绿地建 Port Alpha 的表述（[00:38:27]–[00:39:29]）：

"这非常像今天的公司在芯片上做硬软件协同设计：你设计编译器，两者绑在一起，各自为对方做优化。"

这是本库第一次记录 extreme co-design 这套方法论被明确类比进重工业。配套的还有一条更朴素的版本：他们把船用老旧模拟部件数字化、加软件 API，"确保它们能被别处的软件栈远程访问和控制"（[00:18:12]）——⚠️ 转录稿此处出现按音直转的 "MCP" 一词，是否真指 Model Context Protocol 无法确认。

基座提供方的位置：Cosmos 与"action 作为 first class citizen"（刘洺堉 / NVIDIA，2026-08）¶

来源：张小珺 / 刘洺堉

来自刘洺堉（NVIDIA 研究副总裁 / Cosmos Lab 负责人）在张小珺第 150 期的 4 小时访谈。本主题此前收录的所有世界模型讨论都来自"做世界模型的公司"（World Labs、Applied Intuition、Black Forest Labs、蚂蚁灵波）——这是第一次从"给做世界模型的公司提供 foundation"的位置发言。

⚠️ 他拒绝定义世界模型，理由值得单记¶

"我是个很讲究实用性的人……因为用途不同，所以你 model 这个世界的方式不一样"（[01:44:20]–[01:48:22]）。用途至少四类：预测、理解（解释工厂产线为什么突然卡住）、三维重建、作为 policy 的基座。他把这场定义之争类比 AGI：

"我认为去定义 World Model，很可能会走向同样的道路。我觉得这不是很重要的一件事情。"

被追问"为什么 LLM 是精确的词而世界模型不是"时，他的拆解是：LLM 的定义里已经含了任务（predict next token）与规模，而"世界模型"只说了对象没说用途。 Cosmos 因此把自己定位成 world foundation model——"我们希望我们是一个更底层的东西……不是每一个想从事 Physical AI 的公司，都有足够多的资源去做自己要的世界模型"（[01:48:22]）。

⚠️ 物理 AI 与数字 AI 的分界线：action¶

这是本主题该记的核心技术判断（[02:00:35]–[02:01:37]）：

"大模型思路基本上有两个，一个是让 language 当 first class citizen，就像 Coding、像 Chat；另外一种是让视觉信号、video 当成是 first class citizen，像 Seedance、像 Veo。我们认为物理世界的模型跟数字世界的模型最不一样的地方就是，物理世界的 Agent 会 take action、会改变这个世界的状态。所以我们认为一个好的物理世界的 Foundation model，也要把 Action 当成 first class citizen。"

与沈宇军 / 蚂蚁灵波的"具身原生" 是同一主张的两个层级：沈宇军说具身不在数字世界的延长线上（路线判断），刘洺堉给的是架构版本——把 language / video / audio / action 训进同一个 foundation model，并在数据侧配 ego-centric。这两条应互相引用。

三个落点，以及他自己承认最难的那个¶

Cosmos 帮 Physical AI 的方式是三条（[01:38:17]–[01:40:18]）：

落点	含义	他自己的进度判断
更好的数据	生成真实世界采集不到的数据点	短期最管用
更好的起始点	世界模型的 representation 可衍生出 policy	短期管用
更好的环境	同时生成多个可交互的真实环境（"黑客帝国"）	⚠️ "这些东西是还没发生"（[03:25:20]）

⚠️ 本页应记住这条自我限定：他自己把最有想象力的那一条（矩阵式仿真环境）标为未实现，短期真正管用的是前两条。sim-to-real gap 在他这里也被归成泛化问题——"你拿一个懂这个世界的 physics 去预测 physics……也不能说真的懂 physics，但抓到那个模式"，其 prior 更适合泛化（[03:25:20]）。

Cosmos 3：四合一，以及推动它的一个非技术理由¶

Cosmos 1→2→2.5→3 的演进终点是把 reason / predict / transfer / policy 四个模型合成一个（[01:53:27]–[01:56:29]）。技术理由两条：这些讯号都在描述同一个世界、foundation model 的核心概念就是纳百川。

⚠️ 但触发决策的是一个产品类比：他原本算出要做 22 个模型，在与 Jensen 的会上讲出来后，Jensen 的回应是——LV 减少陈列商品数之后销售反而提升，"你不希望太多的东西困惑你的消费者"（[01:54:27]）。他自己补的执行侧理由是"只要每个模型出来，我们就要维护、要解决问题……备多则力寡"。

双塔设计（离散塔做 understanding / 连续塔做 generation）的首要理由不是性能，是客户可用性（[02:08:41]–[02:09:42]）：两塔能把梯度影响切开，客户只用自己领域的 video-action pair 做 post-training 时不会冲掉 understanding 能力。他坦承"它相对起来还是不够 elegant"并预告下一步回到单塔——但"我们要考虑到这些使用者是不是容易用上它"。

⚠️ 数据侧的路径依赖：为什么大家都在往人手收敛¶

他给了一个本主题此前没有的因果链（[02:24:56]–[02:25:56]）：

navigation 数据相对好做（机器人 A 与 B 再不一样，动起来都是空间位移 + 旋转）；manipulation 复杂得多。
行业在往接近人手的机械手收敛，理由是"人类的世界是建出来给人类用的"。
更关键的第二条：采集数据的是人，而人就是手。"AI 需要大量的数据，如果你的数据越好取得，你就容易更快得到突破。"
所以 Cosmos 3 特地加入 ego-centric 数据——第一人称视角 + 人手操作物件。

⚠️ 这条与本页人形之争的第三条轴：数据可用性是同一论证的上游版本：那里讨论的是人形本体是否因数据而占优，这里说明了为什么"人手"这个选择会通过数据采集环节自我强化。

Physical AI 的 ChatGPT moment：一个可证伪的判据¶

他先把两个 moment 拆开（[02:37:03]）：GPT moment = 东西可以 scale；ChatGPT moment = 大家清楚看到这对生活会产生什么变化。 然后给物理侧的判据（[03:23:16]）：

"我个人觉得这种就是简单的人示范一下怎么样的操作，这个机器人就可以就地学会这东西。如果这东西出现，我看到这样的一个产品，我就觉得说 Physical AI 的 ChatGPT moment 来了。"

⚠️ 他明确说那个时刻的应用当时可能还不赚钱（"ChatGPT 刚出来的时候是赔钱的"），趋势会先被看见。时间上他不给数——"也许今年，也许明年，我不知道，但是我觉得它必然会发生"。

核心问题被他归结到泛化（[03:24:18]）：在 Physical AI 里的具体形式是"怎样从有限的讯号里面，学到需要的操作，应用在一个没有看过的场景里面"，即 observation-action pair 的泛化。

人形之争：他的位置是"不下注"¶

（[02:38:03]–[02:39:09]）优势是能利用大量人的数据；但越像人复杂度越高，很多人在做轮式底盘 + 人形上半身。他的判断是人形终究是关键，"最终最终可能就是全人形是最适合各式各样的操作，因为这个是人类的环境就是设计给全人形的"——⚠️ 但立刻加了限定：

"最后还是要关键还是这个营运成本，到底怎样是最经济效益最高，那这就超乎我的专长，我其实不知道。……我也不需要做选择，我就是聆听他们的声音，看我们的模型怎么做可以更加帮助他们。"

⚠️ 对谭捷"2035–2036 是人形机器人拐点"预测的回应（[02:39:09]）："哦，是吗？我希望早一点，但我不确定。" 本库把这条作为同一预测在不同从业者处的回声记录，不作为独立证据。

中美对照：本体环节¶

（[03:22:13]）"美国在做本体的公司很少，就 Tesla 跟 Figure AI"，中国"好多家公司在做这个本体"。他的分析是做本体能控制模型与软硬体整合、操作空间更大，而中国强大的制造业构成优势条件——"可以让这些公司做一些在美国不容易做到的事情……这样的垂直整合会产生什么样的一个突破，我觉得还蛮有趣的"。

⚠️ 被追问"美国是不是不够重视硬件"时他很谨慎："可能是错的，也很难说……如果说这种软硬体整合是一个机器人的一个趋势，那没有硬件当然是处于被动状态。" 这条与本页中美对照一节并列，见中美 AI 生态对照。

评测：为什么 Physical AI 的第三种方法特别重要¶

（[02:22:53]–[02:23:54]）他给的三步是通用的——benchmark / arena style A-B / 跟真正有痛点的 expert 一起解问题。⚠️ 但他强调第三种在 Physical AI 里的权重明显更高：

"因为每个 Coding Agent 大家都在解 Coding 的问题、digital use 的问题，但 Physical AI 每个要解的问题又不太一样。"

详见评测与基准。

⚠️ "机器人更好的类比是电器，不是汽车"（曾鸣，2026-09-03）¶

来源：张小珺 / 曾鸣

曾鸣在张小珺第 153 期（[01:57:55]–[02:01:58]）。

阶段判断：机器人还在非常早期的"战略探索期"，核心制约是数据不像大模型当年那样现成。他说机器人公司自己认为还在"2020 年左右、ChatGPT 之前"的阶段。
⚠️ 两条路线他明确拒绝裁决：先做大脑追求泛化 vs 从一个场景做具身、用数据跑通闭环再反哺模型——"逻辑上两条路都成立，你没法事先判断到底哪条路能赢"，像"从南坡爬还是从北坡爬"。他给的两侧风险很对称：泛化路线的问题是"泛化的空间有多大"；场景路线的问题是"现在能找到的场景都不够大"。
⚠️ 本页此前用的类比是汽车产业，他给了一个更合适的（[02:01:58]）：

因为 token 类比的是"电"，所以机器人更好的类比是"电器"而不是"汽车"——"基于电可以有 N 种电器"，"冰箱跟洗衣机谁更重要就不好比了"。汽车是其中的主打，但那是对外的场景；对内的场景就是洗衣机、冰箱。
推论是会出现 N 个不同的机器人，分别适用不同的大场景（家用里还会分陪伴型与家务型，加上工业与各类户外场景）。
但汽车史那段仍然值得单记（[01:59:58]–[02:00:58]）：1900–1920 年美国真的有几千家做车的公司；1913 年福特建成全世界第一条电驱动流水线，现代制造业才进入新阶段，才有大众消费得起的汽车。
⚠️ 插曲是本页该保留的部分：福特靠规模化、标准化、只卖黑色车做到全美第一之后，大众需求开始多元化，通用汽车用七八种车型赢下了下一个阶段—— > "说明每个战略都要在当时那个时期有效才有效，它不是一个亘古不变的事情。"
他对当下的对应："现在相当于大家都能手搓一个机器人公司，但哪个机器人公司能完成规模化量产，谁都不知道"——我们还在等 T 型车那一步，"谁第一个真的能够实打实地把一万台机器人卖出去，就已经是个了不起的成就了"。

⚠️ "机器人策略不是静态制品"，以及 real-to-sim 的下一代（World Labs / Atlas，2026-09-04）¶

来源：a16z / World Labs Atlas

来自 Fei-Fei Li 与两位联合创始人（Justin Johnson、NeRF 作者 Ben Mildenhall）在 Atlas 发布次日的访谈（视频页）。

⚠️ Fei-Fei Li 的一条拉远判断（[00:30:15]）："机器人现在最大的问题其实是数据。总有一天会是芯片，但现在是数据。"
收购确认（[00:29:14]）：World Labs 收购的机器人公司此前叫 SceniX，核心技术是 real-to-sim 与 sim-to-real。⚠️ SceniX 此前干的正是 dense 重建那一步——"极其痛苦、耗时、费力，严重拖慢机器人 real-to-sim 的速度"。Atlas 就是它的下一代技术。
她特别点出的一步是 randomization（[00:31:16]）：光采到"布线"或"洗碗"的数据不够，还必须把同一个环境的条件随机化——线可以是别的弯法、箱子可以是不同尺寸/颜色/盖子、可以在场景的不同位置。
她的限定："我们还没有一个足够鲁棒的机器人前沿基础模型。"

⚠️ Justin Johnson 的那条区分，本页认为该被单独引用¶

（[00:32:17]–[00:34:21]）

生成代码、图像、视频时，模型产出的是一个静态制品，而网上有大量同类制品可学。
⚠️ 机器人策略不是静态物——它是一个要进入真实世界、采取行动、试图达成目标的 agent，而世界不总按你预期响应。所以策略在训练期就必须被暴露于"部署时可能出错的每一种情况"。
由此推出仿真的两条路：① 经典仿真——人类设计者拿物理引擎、创造性地想象所有可能场景、显式写代码建模（他说这条路会被 coding agent 大幅增强）；② 数据驱动的 neural simulator——用尽可能多的数据训一个理解"世界如何响应动作"的模型，把它当作训练机器人策略的仿真床。
⚠️ 他随后把第二条推到了一个更强的结论（[00:34:21]）：一旦你有了这个学出来的仿真器，它脑子里已经理解了世界、理解了世界会如何响应动作——那它自己为什么不能成为 planner？ 因为"理解世界如何响应一个动作"与"想象我该采取什么动作让世界以某种方式响应"高度相关。⚠️ 本页标注这是推论，不是结果。

Atlas 提供给机器人侧的具体能力¶

sparse 重建的量化改进是 50–100 倍（[00:16:08]）：传统 dense 重建一个房间需要 100–300 张照片，Atlas 降到三张。⚠️ 一个普通消费者第一次扫描多房间环境可能要花两小时。
为什么 sparse 必须靠生成（[00:17:08]–[00:18:09]）：任何没被拍到的像素在 3D 重建里就是一个洞，而填洞本质上是生成过程。Johnson 的极限论证是——即使把 NeRF 作者本人放出去拍几百个视角，他仍然会漏掉麦克风底下、桌子底下、椅子腿之间。
⚠️ 一条反直觉的训练判断（[00:36:22]–[00:37:22]）：即使你最终要的是静态输出，拿到它的最好方式也是把模型暴露于动态——"把你有的动态和静态都喂给它，让模型自己学会把动态因素分解出去"。理由是纯静态数据很难 scale、很难拿到更多。

⚠️ "第三人称视频才是最大的数据源"：视频模型一侧对机器人数据之争的介入（Runway，2026-09-25）¶

来源：Latent Space：Runway 的世界模型、机器人与神经操作系统

本页此前的机器人数据讨论（柯丽一鸣 / Physical Intelligence、沈宇军、Bernt Bornich）主要在 teleoperation vs 仿真 这条轴上。⚠️ Runway 是从视频生成一路走过来的，因此给出了第三个位置。

论证¶

（[01:01:46]–[01:04:49]）他把机器人数据分成三类——teleoperation、UMI（人手持夹爪的第一人称）、egocentric（头戴 GoPro）——然后指出最丰沛的是第三人称视频，而这正是人类学习的方式：

"我们不是从第一人称学的。我们确实会做一些试错，但我们在世界上学会做的很多事，是靠看别人做。"

⚠️ 量级：即便是相对好扩展的 egocentric 数据，"世界上存在的量也比第三人称视频少三个数量级"。

⚠️ 实证：从 Gen-4.5 出发，几百小时量级的机器人数据微调就能拿到相当好的性能；而从头预训练一个机器人模型需要十万到百万小时量级（[01:04:49]）。配方是第三人称视频预训练 → 少量机器人数据 SFT。

⚠️ "我们 scale 视频模型，顺手做出了一个 SOTA 的机器人模型"¶

（[00:57:44]–[00:59:44]）机器人实验室先来找他们要合成数据，后来发现更大的用途是模拟器——把动作放进世界模型 roll out、闭环评估策略。他们用 RoboArena 的场景与 embodiment 做过 real-to-sim 相关性验证，结论是相关性很好。

⚠️ 相对传统模拟器的优势极具体（本页此前缺的一条）（[01:00:44]–[01:01:46]）：刚体用 Isaac Sim / MuJoCo 就够；但布料、湿滑表面这类复杂交互，为每个环境每个任务搭数字孪生极其耗时。世界模型"你只需要提供第一帧"，而对照方法要先 3D 扫描环境、再逐个扫描物体。

⚠️ world action model 的机制直觉¶

（[01:07:51]–[01:08:51]）本页目前最清晰的一段技术直觉：

"如果你拿一个有机械臂的场景的起始帧，prompt 模型生成机械臂拿起一个物体——只要它生成的视频足够准确，那它也应该能生成机械臂为了完成这个动作所需的精确 3D 位姿。"

做法是从视频模型出发、加一个 action head 预测动作，它就成了一个策略。

⚠️ lucid dream test，以及"失败样本不够"这个反直觉的瓶颈¶

（[01:09:52]–[01:11:54]）他给世界模型的图灵测试：戴上有 pass-through 的 VR 头显，在同一个房间里自由走动交互，事后无法确定看到的是透视还是生成。"我们离那个还很远。"

⚠️ 他指出真正的差距不在画质，而在反事实（counterfactual）——让模型生成"一个人罚球进了"比"没进"容易，因为训练分布里成功的视频多得多；而要用作评估或在线 RL，你必须能真实地模拟失败。

"这是唯一一个你成功样本太多、失败样本不够的领域。"

⚠️ 本页标注：这条与评估与 Benchmark 里"环境保真度"那条线直接相关——模拟器的价值上限由它能不能真实地失败决定，而不是由它画得多好看决定。

他点名的三组开放争论（本库不裁决）¶

（[01:29:04]–[01:31:06]） 1. VLA vs world action model——"有些实验室在非常重地押其中一边"； 2. 最佳数据源：继续 scale teleop vs 利用大规模视频； 3. 世界模型路线：直接预测像素 vs JEPA vs 更偏 3D 的路线。

⚠️ 他自己的站队："我非常强烈地认为直接预测像素、scaling 视频生成模型是对的路子"，依据是 Physics IQ 分数随算力可预测地提升（[00:33:25]）。⚠️ 他也主动给了限定（[00:32:25]）：视频模型能作弊——用连续切镜避开难模拟的物理；"重要的是不要被当前视频模型的表现骗到。"

时间表¶

（[01:04:49]–[01:06:51]）现在按 partner 的 embodiment 分别 post-train；一两年后会统一成一个世界模型，同时模拟操作、导航和人的行为。自动驾驶方面世界模型主要用在评估侧。

⚠️ 与 Ming-Yu Liu / Cosmos 的关系：Runway 是 Cosmos 联盟的共同发起方（[01:20:59]），形式可以是开源权重、衡量物理的 benchmark 或基础设施。⚠️ 被问是否为对中国世界模型的回应时他没有正面承认，但给了一个直接的现状判断，见中美 AI 竞争。

⚠️ "机器人行业将由 Arm 驱动"，但商业模式还没想清楚（Rene Haas，2026-09-03）¶

来源：No Priors / Rene Haas（Arm CEO）

⚠️ 本页此前的材料来自机器人公司、世界模型公司与投资人。这是第一份来自"所有这些机器人里的芯片 IP 供应方"的视角——他既有全行业出货视野，也因此有明确的商业利益，本库标注其利益相关。

他对"机器人 1.0"门槛的描述（[00:20:20]–[00:21:20]）：过去是专用机械 + 为那个任务优化的软件；新车型产线一上来、设备一换，如果机器人不适配就得把产线整个拆掉。新世界是机器人能靠训练或靠"看到什么"来学 + 机械上足够通用可被重编程 + 成本下降——⚠️ "你会问：那它还有什么做不了的？"
形态之争他两边都选（[00:22:21]）：⚠️ "两者都会有"——"有很多工作任务是围绕一个六英尺高、手臂有特定长度的人优化的"，但也会有专用形态。
⚠️ Arm 在其中的位置（自述）（[00:22:21]–[00:23:22]）："Arm 会无处不在"——两层：指尖上做实时感知与传感的微处理器（"那些都会是基于 Arm 的"）；以及 ⚠️ "今天人形机器人里你看到的那些'大脑'，无论是 NVIDIA 的还是 Qualcomm 做的一些工作，今天都跑在 Arm 上。" 结论句："机器人行业将由 Arm 驱动。"
⚠️ 但他对采用节奏给了冷判断（本页应当与乐观派并列）（[00:23:22]–[00:24:22]）："还有点早，因为商业模式还没真正被想清楚。" 症结是机器人成本太高，让买机器人的人自己承担这个成本"是个很难让人接受的模型——它真的替代（了人力）吗？" ⚠️ 今天真正的机器人销售集中在几个非常定制的应用上：汽车、某些手术机器人、配送中心。
⚠️ 他认为最先被自动化的（[00:24:22]）：配送中心"最终完全可以全自动，甚至一路到最后一公里配送"；"宽松地说，一辆自动驾驶卡车也是一种机器人"——"工厂自动化、配送与分发，会是最早被自动化的那一批，毫无疑问。"
⚠️ 他明确不看好的一件事（[00:21:20]）："我不认为会有人有兴趣看机器人体育联赛"（可能有发烧友群体）——"更广的效用在于替代大量人类劳动任务"。他把 Instagram / TikTok 上的机器人赛跑视频归为噪音。
边缘算力的硬约束（[00:36:31]）：⚠️ "你没法在自己头上装一块 50 瓦的 GPU，所以那部分 AI 处理总得在本地某处完成。"

⚠️ 物理世界模型的另一条路线，与视频式世界模型的明确对立（2026-09-04）¶

来源：Latent Space / Accelerated Understanding

⚠️ 本页记录过多条"世界模型"路线（Runway、Cosmos、World Labs、Applied Intuition）。这一条是从物理仿真侧来的，而且它把界线划得比本页任何材料都硬。

⚠️ 分界线（[00:09:03]–[00:10:04]）：neural operator 带来分辨率不变性，而上下文长度在这里等价于分辨率——所以不是每次运行都要用万亿上下文。"这一点立刻把我们和那些所谓的世界模型区分开：视频模型、视觉模型都假设训练和推理是固定分辨率。"
⚠️ 她承认这对某些用途没问题："那对游戏和娱乐是可以的……物理可以稍微含糊一点"；⚠️ "但工程设计和科学发现里，我们没法用那些取巧办法。"
⚠️ 另一条技术选择也与视频路线相反（[00:05:03]）：空间三维保持三维、不压缩；时间维不做自回归、整条 rollout 一起建模——理由是自回归累积误差，而且会失去"输入里究竟是什么导致了这个输出"的归因，而这对做设计极其重要。
⚠️ 本库并列不裁决，但指出这组对立的判据其实是清楚的：如果目标是"看起来对"（娱乐、部分机器人训练），固定分辨率与自回归可接受；如果目标是"物理上对且可归因"（工程设计、科学发现），它们不可接受。与 Runway 那期的正面辩护一起读。

⚠️ 一条来自 AI-for-science 一侧的需求：能接受 JSON blob 的通用实验室（John Platt / Google，2026-09-22）¶

来源：Latent Space / John Platt

本页的材料几乎都来自机器人供给侧（本体、部署、单位经济学）。这条是需求侧的一次明确提法，而且提出者自己给它定了难度。

他被问"如果能用魔法消除你领域的一个瓶颈"时的回答（[02:00:18]）：⚠️ "请谁来做出那个'什么都能做'的实验室：我发一个 JSON blob 过去，它就能做任何实验。"他接着自己补了难度——"那基本上等于要解 AI-complete 的机器人问题"，理由是"像 ERA 这样的东西全是计算性的，总得有人去采数据"。
同一判断在前面出现过（[01:31:05]–[01:32:06]）：⚠️ 物理实验不会消失，因为实验是 ground truth，也是瓶颈；"人们在谈 lab in the loop，但这还非常非常开放——据我所知没人有一个什么都能做的通用实验室，只有一堆很具体的可控实验室。"
⚠️ 本页读法：这条把"自动化实验室"从应用场景变成了一条对通用性的硬要求——现有的实验室自动化之所以不够，不是吞吐不够，而是只能做被预先选定的那类操作。与 Lila 的"实验室即 verifier"、Xaira 的"因果模型需要因果数据" 合起来，构成本库"模型侧已经不是瓶颈、原子侧才是"这组判断里来自三个不同机构的第三份。

⚠️⚠️ 拥有硬件的一方对视频模型路线的回应，以及"把自主性的单位从任务换成工作流"（Dyna Robotics，2026-10-13）¶

来源：Latent Space / Dyna-2 与 Physical AI

⚠️ 位置说明：Jason Ma 是 Dyna Robotics 联创兼首席科学家（宾大 GRASP → NVIDIA → Google DeepMind），全栈路线：自研硬件 + 自研执行器 + 自研推理栈 + 自研模型。 ✅ 本页认为这一期的价值在于它正面回答了上文 Runway 那期留下的那组开放争论——而且是从拥有硬件的那一侧回答的。⚠️ 同一主播、相隔约三周，本库不裁决。

⚠️⚠️ 一、对位：Runway 的"视频模型 + action head" vs 这里的"传感融合 know-how"¶

他的第一性原理与 Runway 同向：机器人本质是预测下一步，而机器人只是世界的一部分 （机器人影响世界，世界也影响机器人该如何行动），所以"最第一性原理的做法就是尽可能多地预测世界"（[00:56:38]）。
⚠️ 据此反对预测抽象表示（即 VLA）："你一旦预测抽象表示，就把你自己关于什么重要的偏见编码进去了"；苦涩教训要求去掉人的偏见、取最原始的相机输入全预测（[00:57:38]）。 ✅ 这与 Runway 那条"直接预测像素是对的路子"是同一立场的两个独立来源。
⚠️⚠️ 但被明确问到"如果你错了，第二名是谁"时，他给的自我证伪条件指向了与 Runway 不同的地方 （[00:57:38]–[00:59:41]）：caveat 不是"像素路线错了"，而是 "你要尽可能多地预测世界"并没有说你的传感器就包含了关于世界你需要预测的一切。具体失败情形是：纯视觉世界模型可能"不够丰富"（缺声音、触觉）；若有人拿出"视觉 + 触觉"世界模型，可能数据效率高 100 倍—— 理由是视觉信息高度冗余（隔一个像素变化不大、视觉不完美也能理解世界）， 而触觉等模态信息密度可能高得多。
✅ ⚠️ 而他接着给的那条"即便如此仍是我们赢"的论证，正是本节标题所指的对位（[00:59:41]）：若最终解决机器人的是多模态世界模型，那么机器人公司会比"试图转向机器人的视频生成公司"做得更好—— "理解传感本身非常复杂，我们从公司成立起就在做，所以知道瓶颈在哪、知道怎么融合它们"；而只是把视频模型适配到机器人动作的一方，"并不真的有让触觉工作起来的 know-how"。 ⚠️ 本页标注：这是立场陈述，不是证据——他没有给任何触觉方面的结果。
✅ 本页认为这组对位真正有价值的地方是双方都没有把分歧放在画质或 scaling 上： Runway 的限定是"模型能作弊、要能真实地失败"（反事实不足），这一期的限定是"传感器可能根本没采到关键维度"。 ⚠️ 两条限定互不覆盖，都应被保留。
他对格局的描述（本库不裁决）：world action model 不是行业标准做法；有公司做世界模型（他点名 Runway 也在把视频世界模型适配过来）、有公司做 VLA（[00:55:35]）；数据侧有押注只 scale 机器人数据的、有押注中间态采集设备的—— "都在场上，我们就看会怎样"，"现在还有点早"（[00:54:34]）。

⚠️⚠️ 二、"把自主性的单位从任务换成工作流"——本页认为这是本期最该被引用的一条¶

✅ 原话："我认为今天机器人领域的人还在任务层面想自主性——一个一分钟、三十秒的任务。但真正的价值在于能无人监督地持续数小时的工作流。"（[00:49:29]–[00:50:30]）类比是语言模型：两三年前只擅长自动补全、人要一路 tap tap tap，今天 agentic 系统端到端承载任务。
⚠️ 由此他把整个问题重新定性："所以我思考机器人问题时不把它当成一个建模问题，而是当成一个系统问题——你需要好的 agent、好的 harness 工程、好的模型、好的硬件，样样都要。" （[00:50:30]）
机制是在 world action model 外面套一层 agentic harness（层级式系统），让模型能组合技能解长时程任务；洗衣的具体推理是"洗衣机在转 → 先去干别的 → 洗完要立刻转进烘干机，否则那就成了整个工作流的瓶颈" （[00:48:29]–[00:49:29]）。他承认低层动作模型理论上能学这些，"但会极其低效"（[00:49:29]）。
实现形态（片尾演示段）：两模型架构 = 推理层 + 动作层——推理模型收几句语言 prompt、逐步规划并监督整个执行，底层动作模型负责操作与灵巧；导航交给"另一个高层推理模型"（[01:19:01]）。
✅ 本页标注这与既有材料的关系：上文刘洺堉 / Cosmos 那条"action 作为 first class citizen"是从基座提供方讲模型该输出什么； 这一条是从部署方讲模型之外还需要什么。⚠️ 两者不冲突，是同一栈的上下两层。
现状量级：洗衣演示跑完整个循环约 1 小时——"机器人能做完一份完整工作的最长时长已经在小时量级"（[00:35:20]）。

⚠️ 三、形态之争：他给的理由是"形态是数据迁移率的函数"¶

本页上文已有人形之争的多条轴（能力、成本、数据可用性）。 ✅ 这一期加的是一条机制性的新论证：

构造是 semi-humanoid：人形上身（肩、臂）+ 腰部四自由度 + 轮式下身（[00:27:16]）。
选轮子的三条工程取舍：腿的能耗高得多、更不稳定、安全极难保证—— ⚠️ "现在对腿式机器人而言，根本没有机器人会全程保持直立平衡的保证"（[00:27:16]）。 ⚠️ 主持方当场给了限定："你也看到那种一眼就知道不是生产环境的 demo，你可以推它、它很好， 但那个机器人只是擅长平衡"（[00:27:16]）。
⚠️ ✅ 腰部自由度的论证起点是一次拉伤，而落点在数据：拉伤或睡姿不对之后 "你会意识到：我们日常用了这么多肌肉、这么多自由度，平时却完全当作理所当然"；具体到动作——"哪怕我只想拿这个瓶子，我也不只是在动手臂"（[00:28:16]–[00:29:17]）。 而真正把它和数据接起来的是这一条：人在数据里一直在动躯干，你想把那些吃进模型去控制机器人，可如果你的形态不允许，迁移就变少，机器人就变得更不灵巧、更别扭（[00:29:17]–[00:30:18]）。 ⚠️ 即形态选择是数据迁移率的函数，不只是机械与成本取舍——本页此前的人形之争没有这条轴。
一条先于硬件的决定："硬件还没好之前我们就已经决定在人类数据上做预训练，因为我们知道我们的机器人终将像人"；新机器人虽未进入预训练，仍能很快学会任务（[00:30:18]–[00:31:18]）。 机器人比例按真人测量，理由同上（[00:23:14]）。
⚠️ 对"直接上人形"的反驳是迭代论：他同意终局人形最好（"因为我们本来就一直是这样的"）， 但硬件决定贵得多、慢得多，整个栈太长、很难先验知道什么决定是对的，所以 "你其实不想一步走到最终形态，因为你造出来的东西很可能不够好、撑不住，最后反正要推翻"； ✅ 他举的证据是公开信息——Optimus 已经经过很多很多次迭代、推翻过自己的设计 （[00:44:24]–[00:45:26]）。结论是半人形 + 真部署的反馈闭环 "比花五年十年去造一个仓库人形，反而更快接近那个最终机器人"（[00:45:26]–[00:46:26]）。

⚠️ 四、数据："不像语言模型，这里没有互联网"，以及一条非稳态判断¶

✅ 定性句："数据是今天机器人领域最重要的事，因为不像语言模型，这里没有互联网。"（[00:10:04]）自采有上限——"任何单独一家公司能自采的量都远远不够"，类比是 "你想靠只有 Reddit、只有 Facebook 来造一个互联网"（[00:11:05]）。
⚠️ ✅ 本页认为这条最可迁移："数据质量在机器人里是个非稳态（non-stationary）问题"—— 对你的模型来说什么算高质量数据会随时间改变，模型什么都不会时任何数据都有用（[00:11:05]）。
egocentric 人类数据的作用与局限：覆盖"你能想到的每一种身体活动"、给出"世界如何围绕一个具身行动者演化"的强先验；⚠️ 但"在你的机器人长得跟人一模一样之前，人的动作与机器人的动作之间总有 gap"，所以仍需机器人自己的数据补低层反射与灵巧（[00:12:08]）。 ⚠️ 他明确反对单一策略——"现实是没有单一的取胜策略"（[00:13:09]）。
微调量级（可与本页其他材料对照）：新任务通常几个小时机器人数据，有些任务几十分钟；切菜是 45 分钟（[00:00:00]、[00:31:18]）。Dyna-2 基座为 >100 万小时（[00:02:00]）。
⚠️ 他要的不只是通用数据，还有"特种数据"：类比是"如果我明天去 Rosewood 酒店上班，我没法按他们要的方式铺床，需要大量训练"，这类数据"就像 Mercor 今天为语言模型做的事" （[00:15:09]）。⚠️ 字幕作 "Mark C"，本库按语境推定为 Mercor。
合成环境是"下一个 scaling 维度"（[00:16:09]）；⚠️ ✅ 他用自己的论文做今非昔比的基准—— Eureka 时代"模型没有好视觉、没有内生 3D 理解"，而"今天前沿模型的视觉能力疯狂，能做 real-to-sim CAD、3D 重建，现在到了临界点（tipping point）"（[00:17:10]）。 ⚠️ 另一条是用自家世界模型生成自己的训练数据——"自我实现的飞轮"，方向陈述、期内无结果（[00:18:11]）。

⚠️ 两条"机器人的苦涩教训"¶

机器人也会 scale，所以保持算法更简单、scale 对的数据，泛化与更好的行为会涌现； ⚠️ 反对加很具体的先验（如"让机器人把物体看成物体、画框以改善感知"）（[00:43:24]–[00:44:24]）。
⚠️ ✅ 真正苦的是第二条："scaling 会奏效，但在机器人里要 scale、以及怎么 scale 都难得多—— 因为没有互联网。你得先搞出你的硬件、搞出传感器、把这些全弄对，然后才能 scale。"（[00:44:24]）并且"什么才是对的数据"比别的领域难判断得多——语言是文本、电子游戏是游戏数据，而机器人选什么传感器决定了你有什么数据（[00:43:24]）。

⚠️ 五、瓶颈：一条硬件 → 研究速度的因果链¶

灵巧手：有些任务需要比平行夹爪更灵巧的手，但今天最好的灵巧手仍不够耐用、很快过热—— "你真的得放个冰袋"（[00:35:20]）。
⚠️ ✅ 本页认为这条该被单独引用，因为它不是通常的"硬件不够好所以 demo 不行"： "要知道你在任何任务上有进展，你最终都得在硬件上 eval。而 eval 不够随时、不够快，也就限制了你的研究进展。"（[00:36:20]） 即硬件迭代速度直接设定了研究迭代速度的上限。 相关见评估与基准。
⚠️ 缺失的传感模态：今天数据多是视觉 + 某种手部运动编码，但人还会听、会摸、会闻，而且是下意识地用这些；"如果你完全没在采集那些，那么即便 scale 到数百万小时，你也可能漏掉任务的关键维度，于是永远解不了那个任务"（[00:36:20]–[00:37:20]）。
✅ 但他给了一条对称的限定，本页认为这使上条不至于被读成唱衰：对今天就能高保真采到数据的任务与工作流，他不认为存在根本瓶颈（洗衣为例，那个任务不需要平行夹爪以外的东西、也不需要今天拿不到的传感模态）（[00:37:20]）。 总结：更通用的那个东西，最大瓶颈仍是硬件与数据。
评测流程 = "机器人版的 RLHF"：真实世界 rollout → 打分好/坏/一般 → 这些机器人自己的经验数据再拿去训模型；模型"大概到 70%、80%"时看它怎么失败、补数据迭代（[00:31:18]–[00:33:19]）。
延迟约束决定部署形态："机器人的推理延迟必须很短——机器人不能举着一把刀三秒不动，那会吓到人"（[00:19:12]）、"物理和重力不会等你"（[00:20:12]）；所以部署模型必须能本地服务，⚠️ 但训练的模型不必小——训最大的再蒸馏（[00:20:12]–[00:21:13]）。

⚠️ 六、全栈选择：自研判据，以及一条供应链冷水¶

✅ 自研/外购判据：部件输入输出非常清晰且已有极成熟方案 → 外购（lidar—— 自动驾驶上用了几十年、部分相机）；对系统最终性能极关键 → 自己拥有（[00:22:14]）。
⚠️ 执行器自研的理由很具体：执行器质量与设计直接决定你能把机器人建模得多好—— "执行器是驱动机器人的东西。要在仿真里把机器人建模得很好， 你需要选到足够好、而且容易被建模的执行器"（[00:22:14]–[00:23:14]）。
⚠️ ✅ 反"无平台（platformless）"路线的论证来自亲身经历： "此前我在 DeepMind、在 NVIDIA，主要就是造模型，我看到了当你不控制硬件、不能优化它时，系统的上界（upper bound）。"（[00:26:16]）
⚠️ 他点出的行业盲区："这些天很多讨论都围绕机器人基础模型、模型、数据。但硬件、以及造好硬件有多难，被严重低估了。"（[00:25:16]）
⚠️⚠️ 供应链冷水（本页认为应与「中美对照」节并读）：主持方提到磁体 / 稀土是瓶颈、美国不生产磁体（[00:23:14]）；他的回应是关于把制造搬回美国的讨论很多， "但对机器人来说这其实比看上去难得多。我会说即使现在，美国也没有一家公司是真正在美国从零造出一切的"——即便说在美国组装、造了某些部件，原材料仍从世界别处采购（[00:24:14]）。方向是"既能在美国多造一些、又利用全球供应链"（[00:25:16]）。 ✅ 本页标注：这与上文 Pat Gelsinger 那条"美国可再生供应链在中国有很深依赖" 是同一类依赖在不同品类上的两次独立确认，而说话人位置完全不同（一位全栈机器人创业者、一位半导体投资人）。

⚠️ 七、部署经济：一条可核验的口径，与"为什么通用模型赢过专用机器人"¶

本页上文「已部署机器人的单位经济学」是本主题第一次拿到经营数字。✅ 这一期加的是一条关于"什么才算部署"的判据。

✅ ⚠️ 他主动划的那条区分："今天很多机器人公司在谈部署、谈 pilot。但真正难的不是把机器人放进一个站点、或者做个 pilot。真正难的是客户相信或验证了你的机器人创造了足够价值，以至于他们想把你的机器人铺到自己很多个站点。"（[00:00:00]、[00:39:20]） ⚠️ 他自称这在鼎泰丰身上发生了，而"据我所知，做类似通用机器人的其他公司还没真的发生过"—— 自述的行业比较，本库未核实。
客户与规模：鼎泰丰（最大规模客户，每天折数千张餐巾、覆盖美国多个门店， ⚠️ 精度要求细到"第二道折缝与插筷子的口袋只差几厘米"，他称已达人类水平）； Best Western（毛巾）（[00:38:20]–[00:41:22]）。 鼎泰丰规模化后签了更大合同，现在还想要切食材（[00:41:22]）。 已部署数十台，明年目标数百台（[00:53:33]）。
⚠️ ✅ 为什么通用模型反而赢过专用机器人（本页认为这是对"专用化更快落地"的一条有力反驳）： 可变形物体（餐巾、毛巾）有无穷多种可能构型，这对专用机器人非常难；而做通用模型 + 通用机器人再适配到这些用例，"反而能更快到生产质量"（[00:40:21]）。 速度理由：定制一台按精确折数的餐巾折叠机"你得先把那台机器造出来，没法在 Amazon 上买"（[00:41:22]）。
⚠️ 第二条理由是跨站点一致性，而机制是权重：鼎泰丰洛杉矶、纽约、西雅图门店折法各不相同而客户想要一致；"模型就是一组权重，你可以把权重放进不同机器人，也可以 OTA 一次全部更新" （[00:42:23]）。✅ 本页标注这是"软件化本体"相对专用机械的一条具体优势口径。

⚠️ 八、本页对这一节的三条标注¶

⚠️ 全期无第三方基准。 "第一个在 100 万小时以上训练的 world action model"、 "更灵巧、更鲁棒、更能泛化"、"人类水平的折叠"、"最长的本地灵巧操作演示"全为当事方自述，且访谈在公司现场录制、与 Dyna 2.1 发布同周。本页不采用任何能力排序。
✅ 但本页认为这期的证据质量有一处高于同类发布期材料： 嘉宾被明确要求给出"如果你错了"并给了具体的技术性自我证伪条件，主持方另有两次有效追问（专用机器人质疑、platformless 对照）。
⚠️ "递归自我改进"这个词由他本人用于 Eureka（[01:03:44]），指仿真中自生成环境与奖励函数，不是 AI 做 AI 里追踪的那种 RSI 起飞判据。 本页不把它接到 RSI 线上，只记为术语用法的差异。

⚠️⚠️ "那其实就不是机器人太慢，而是机器人本身需要个保姆"：本页第一份"任务级自主为什么不够"的第一手商业证据（Lindon Gao / Dyna Robotics CEO，2026-10-15）¶

来源：张小珺 #154 / Lindon Gao（人物页：Lindon Gao）

⚠️⚠️ 本页此前在"任务 vs 工作流"这条线上只有 Jason Ma 的结论（"真正的价值在于能无人监督地持续数小时的工作流"）。✅ 这一期是同一家公司另一位联创在两天后给出的那条结论的来源，而来源是一次客户现场的失败。 ⚠️ 本页记为同一方的两次自述，不因互相吻合而转为事实。

⚠️⚠️ 一、那次失败：成功率 99% 的任务，没能构成商业闭环¶

起点是成功（[00:46:30]）：DYNA-1 折餐巾、可折 24 小时、99% 以上成功率，他自评 "首家公司首次 show 了一个可被商业化的 Demo"。⚠️ 当初给团队定的目标是"成功率拉到 99%、速度拉到人的 50% 到 60%"。
⚠️⚠️ 而部署暴露的四个问题里，只有最后一个让他改了战略：
① ⚠️ 规格被砍过一刀：餐巾需叠五次，他们只叠四次（最后一折太厚太小、不摊平会散开），⚠️ "客户当时是接受了，可是实际实操的时候他们是非常不开心的，因为浪费了很多时间"（[00:53:34]）。
② 吞吐不达标：客户一天要 1300 张，DYNA-1 24 小时只能折 850 张 → 做 research 后达标了。
③ ⚠️⚠️ 达标之后的 corner case 本页认为是最该被引用的一条量化（[00:54:37]）：偶尔抓两张餐巾（"甚至人手有的时候都会"）→ 解一次约 2 分钟，而正常折一张只要 20 秒 → "如果我们当时如果说有 10% 是 double fold 的话，我们今天就肯定是达不到标了。"
- ✅ 本页标注：这条给"99% 成功率"这个指标加了一个本页此前没有的限定——失败的代价不是一次重试，而是 6 倍于正常节拍的停摆，所以在吞吐口径下 1% 的失败率不是 1% 的损失。 ⚠️ 这条推论的提法是本页的。
④ 摆放一致性：放进 bin 的位置随机、看起来"像没折好" → 要用语言 condition 模型按位置依次摆放，⚠️ 而当时 VLA 的 language following 不够强，他把这条整个归因到预训练。
⚠️⚠️⚠️ 而决定性的那个发现与模型完全无关（[00:58:39]–[00:59:41]）：每半小时到一小时，一叠 100 张折完机器人就停（没餐巾了），⚠️ 店内员工得在手机上设闹钟过来上料；客户的反馈却归因错了——"你机器人太慢了"；查数据发现机器人连续半小时没干活。
⚠️⚠️ 结论："那其实就不是机器人太慢，而是机器人本身需要个保姆。" → "所以机器人需要保姆这件事情是一个非常大的一个产品问题，所以当时我选择不 scale。"
⚠️ 理由是技术债："如果你去 scale 一个不完整的一个产品，那这个产品在未来会对你来说是个累赘。" ⚠️ 而当时该场景已有 10 个以上客户、已开始上量。

⚠️⚠️ 二、由此得到的分界：本页建议当作"智能是不是瓶颈"这一问的默认第一道澄清¶

⚠️ 主持人的提法是：research lab 会说根本问题是大脑，而投资人会问这个场景是不是太小。 ⚠️⚠️ 他的反问是（[01:00:41]）："大脑不行，不行在哪？……可是在叠餐巾的这个场景里，是大脑的问题吗？我已经把整个工作其实已经全部都做完了。所以在这个场景的意义上面，智能体本身已经不是一个问题了。"
⚠️⚠️ 落点（[01:01:42]）："所以在任务范围之内，智能体不受限；可是在工作流，就是在把整个事情做完的范围之内，是受智能体影响。"
⚠️⚠️ 而他对任务级泛化指标的批评更锋利，本页认为该与之一起引用（[01:01:42]–[01:02:42]）："任何一个任务其实就是一个 sequence of motions……你能看到最大的 impact 是：我把这一个任务布置到任何一个场景它都可以做。可是这并不代表说这个任务真正形成了一个商业闭环。" → "我可以任何一个任务可以 zero-shot 放到任何一个新的 environment 都可以做这个任务，的确是智能体的一个上升，可是我觉得不是商业闭环。"
✅ 本页标注：这把"大脑够不够"拆成了两个不同作用域的问题，而答案相反——任务作用域里已经够了，工作流作用域里远远不够。 ⚠️ 本页建议引用任何"智能已经不是瓶颈"或"智能才是唯一瓶颈"的论断时，先问作用域。
⚠️⚠️ 而工作流为什么回到预训练，他给的是一条乘法（[01:04:42]）："在这工作流的每一个 step、每一个任务当中，是有一定的成功率和失败率的。所以你要把工作流做完，那其实就是 99 times 99 times，就是一个 compound，是一个 exponential 的一个过程。"
⚠️ 而他给的"预训练可解 vs 不可解"对照是本页认为最可操作的一条（[01:42:12]）：⚠️ 不可解——抓两张餐巾导致产出大降；✅ 可解——"把 napkin 放在 bin 里面的位置是否能整齐摆放，完全是预训练可以通过语言来解决的问题。"

⚠️⚠️ 三、ROI 的口径替换：不是"比人快"，而是"比人更久"¶

⚠️⚠️ 他先承认做不到（[01:10:51]）："一个机器人去替代一个员工，在目前的 foundation model 的 constrain 下面其实非常难达到一个人一天的产出量"（硬件、运控、乃至数据速度的影响），"是非常难做到人类的速度的"。
⚠️⚠️ 替换后的指标："所以对我们来说，我们发现最重要的价值指标不是要做得比人快，而是要做得比人更久。" → 目标是机器人 24 小时的产出 ≥ 一个人 8 小时的产出（美国一人一天 8 小时）；⚠️ 他说现状是"现在已经超出了"。
✅ 本页标注：这条恰好解释了为什么"保姆问题"是致命的——一旦需要人定时上料，24 小时的工时积分优势就被空窗期吃掉了。 ⚠️ 这条连接是本页的综合，他没有把两段明确接起来。

⚠️⚠️ 四、按工作流复杂度分级，代替按场景分类¶

⚠️ 他明确否认按场景思考市场（[01:23:56]）："我一直以来对市场的认知一直都不是分场景的……我是按工作流的复杂度来分的。"
⚠️ 分级（⚠️ 他自述未细分过）：level 1–2 = 叠餐巾（"上料下料其实就完毕了"）；level 3 = 更长的工作流；level 4 = 洗衣房；level 5 = hotel cleaning。⚠️ 洗衣房整个工作流他自评 level 2–3（一致性高但工作链极长；manipulation 难点如开 washer 门需要用力、有时 drop 在地板上）。
⚠️⚠️ 而落地与战略的定位规则本页认为是本期最干净的一条可迁移规则（[01:25:56]）："我落地的场景需要在我智能体的智能范围内；然后我接下来想要做的战略方向，其实就是在我智能体的范围外。"
⚠️ "沿途下蛋"的目的他否认是现金流："是让我理解我目前的这个智能体本身……而且在这个智能体的 level 上面我会有哪些 corner cases，那这些 corner cases 是否可以引导我 pre-training 的方向。"
⚠️⚠️ "做一个场景等于做通所有场景"的理由（[01:39:12]）："做一个工作流 versus 做 100 个工作流，其实相差的其实就是 100 个工作流的数据"；产品被定义成一个系统——"数据可以进来这个系统，然后这个系统就可以出一个工作流"。⚠️ 他承认差异仍在（不同 SOP、不同 corner case），但"基本基础思维框架是在那的"。

⚠️⚠️ 五、"大脑决定下限，本体决定上限"——他自己点明这与多数人相反¶

⚠️⚠️ 原话与主持人的即时反应本页一并照录（[02:08:29]）："大脑是机器人的下限，我觉得本体是机器人的上限。" 主持人："这个跟很多人观点还是相反的。" ⚠️ 他的论证："大脑是决定这件事情到底可不可以做，硬件是决定这件事情到底能做的多好。"
⚠️⚠️ 而"为什么不能不 own 本体"的论证是数据侧的，本页认为这是本期最有机制含量的一条（[02:09:31]）："我们从运控上面收集到数据，用两个不同的运控算法就可以训出两个非常不一样的模型——一个可能是非常非常丝滑非常漂亮，另外一个可能就是一个非常糟糕的机器人。" → "所以我很难想象说真正去做 B2B 落地场景，如果你不 own 这个机器人本体，你是很难达到他们的质量和速度效率的。"
✅ 本页标注：这把"要不要自研本体"从成本问题换成了数据问题——本体与运控决定了你能采到什么质量的轨迹，而那是训练分布的一部分。 ⚠️ 本页建议与 Jason Ma "你最终都得在硬件上 eval，而 eval 不够快就限制研究进展" 并读：两条指向同一结论但机制不同（一条讲数据分布、一条讲迭代速度）。
⚠️ 方向是"大脑驱动本体"，机制是组织性的（[02:10:32]）："硬件的定位一直都是 research 团队给出来的——camera 需要多少 FPS、global 还是 rolling shutter、角度需要多广，全部都是 research 团队去界定的。"
⚠️ 大脑提升不会让硬件作废，而是让硬件触顶："你硬件已经没有办法做我大脑想做的事情。" ⚠️ 比喻是"大脑能跟世界级乒乓球选手打，可是身体跟不上"。
⚠️⚠️ 而"现在做全栈会不会太早"他给了一条机会成本论证，本页认为该被长期保存（[02:11:33]）："硬件本体是需要刷起码三版，你才可以真正进入量产、才可以真正进入场景。而且我觉得现在供应链还没有完全收敛。" → "如果说你在三年之后再去做这个硬件，那其实你就少了 3 年可以迭代的一个过程……的确那时候你可能会定义出一个更好的硬件，可是并不代表你那时候你的硬件是可以落地、可以量产。"
⚠️ 灵巧手会换，但 "我觉得现在灵巧手还不足以 ready 去做落地"，⚠️ 当前场景"目前来说不重要"。✅ 与 Jason Ma 说"最好的灵巧手仍不够耐用、很快过热，你真的得放个冰袋" 一致。
⚠️ 是否人形归到 ROI："我添了这两条腿，是否能给我带来更高的价值？这个价值是否远远超出了我做这两条腿的成本？" ⚠️ 第二代是轮式腿 + 人形上身；他们从未承诺做或不做人形（"我们的思维框架是什么能做，而不是什么不能做"）。

⚠️⚠️ 六、deployment flywheel：一条"智能做完了再去跑部署，你会落后两三年"的判断¶

⚠️⚠️ 原话（[01:57:23]）："deployment 环节本身可能也是需要两三年的时间才能真正跑通的。所以当你把智能体本身完成了，然后你再去跑 deployment 闭环的时候，你就会发现你落后了两三年。"
⚠️ 他先否认 deployment 是智能的下游："可能大家想着说我智能体解决了我就可以大大落地了——其实完全不是。你的硬件会出问题、你的软件会出问题、你的模型会出问题、你的运控算法会出问题。"
⚠️⚠️ 最具体的失效形态是归因困难："突然有一天发现我的 throughput 本来一天是需要折 1300 张餐巾的，可是我今天只折了 800 张——然后你也不知道为什么。" → 需要 observability stack 与 support stack。
⚠️ 依据是前一家公司：Caper 产品已经可以铺到任何一个超市之后，还花了几年时间才真正把落地打通。
⚠️ 而对"追求商业闭环会不会太早"的回答把 revenue 排除掉了（[01:56:23]）："revenue 不是最重要的一件事情，而是我们要把商业闭环的每一个阶段、每一个问题全部都要想通。" ⚠️⚠️ 类比是自动驾驶："如果说你不把 San Francisco 每条街跑一遍，你是不知道你的瓶颈到底在哪的。"

⚠️ 七、为什么不做家庭：一条"泛化不是唯一维度"的拆解¶

⚠️⚠️ 核心论断（[01:12:51]）："就算机器人可以在每个家庭里做事情，也并不代表这个产品是成立的"——因为机器人一天的产出需要符合购买者的预期，⚠️⚠️ 而"这个预期是非常主观的"。
⚠️⚠️ 而他的类比把"不通用"与"不合意"分开了，本页认为这是本期最该被引用的一条家庭场景降温："就像可能有些人家里的阿姨合作的不是非常愉快——其实并不是说这个阿姨不是 general purpose 阿姨，而是不管是性格、做事速度方面，其实都是有非常大的分歧。"
⚠️ 泛化之外的维度他列了四条（[01:14:52]）：做事的速度、是否顺心（"比如说我盘子是喜欢这样子放，不是喜欢那样子放"）、安全、以及 corner case 的数量。⚠️ 他自述"维度太多了，所以我没有非常去细的去思考每一个维度"。
⚠️ 时间估计（他的）："三五十年是可以完成到泛化、可以完成到每个家庭"；⚠️⚠️ 但 "真正把这件事情做成，不一定代表这件事情有市场。所以这个产品要打磨到极致中的极致，才能真正变成一个非常大的一个产品。"
⚠️ 一条双向的方向性限定："如果说机器人能泛化到每个家庭，并不代表说他是可以做所有工业的东西"；反之 "一个家庭机器人并不代表这个家庭机器人可以进任何一个工业场景"。
⚠️⚠️ 而 B2B 是"最小单元"这条是他 day-one 的理由（[01:17:54]、[01:19:54]）："如果说我在一个洗衣店里面，我连洗衣店的员工都没有办法完全做好做清楚，那我怎么可以在每一个家庭里洗大家不同的衣服呢？" / "洗衣房本身是大家通往 home 的一个最小的一个 unit。如果洗衣房都做不成了，我觉得 home 肯定也做不成。"

⚠️ 八、技术栈：三层 system，以及一条好用的泛化度量¶

⚠️ 三层（[01:07:45]–[01:08:49]；⚠️ 他自评 DYNA-1 → DYNA-2 是"脱胎换骨，变成了一个新的公司"）：system two = embodied reasoning layer（对 physical property、当前 state、semantics 的认知 → "知道我们现在在这个任务的哪个阶段、下步该怎么走" → 给 system one 发语言 command）；system one = world action model（语言 → 动作）；system zero（运控，"用更好的强化学习的方法达到又快又丝滑又准确的动作"）。✅ 与 Jason Ma 那期演示段的"推理层 + 动作层" 吻合，而这一期多给了 system zero。
⚠️⚠️ 泛化的度量维度他给了一条很好用的类比（[01:08:49]）："我教你做一件事情，我其实只有两种方式去教你：第一是我示范怎么做这件事情，第二是我用语言去描述这件事情怎么做。所以你去衡量泛化的维度，其实就从这两个维度去展开就可以了。"
⚠️ 维度一（示范次数）："在一些非常新的 task，在我们现在的 pre-training 的能力下面，已经可以用几次示范就可以学习。"
⚠️ 维度二（language steering）："在这个方向我们也发现一个非常强的 language sensitivity increase。"
⚠️ 本页按自述记录，期内无任何数字，他明说细节留到发布时讲。
⚠️⚠️ 而他对"机器人的 ChatGPT moment"给的是一条产品论而不是能力论（[01:45:13]）：⚠️ GPT-3（2020-06）到 ChatGPT（2022-11）"本质的变化是一个产品变化，是一个从 API 形态变成了一个 browser chat 形态" → ⚠️⚠️ "我觉得其实机器人不需要 intelligence、不需要达到通用，就可以被每一个人都可以用上。" → "这是一个产品定义问题。"
⚠️ 一般化表述："机器人本身其实就是一个智能体和一个产品形态，而不是只是一个智能体形态。"
⚠️⚠️ 而终局形态他明确拒答："我觉得不是一个机器人的形态，而是一个如何使用机器人的一个产品。" → "现在不方便说。" ⚠️ 本页照录，不推测。
⚠️ 行业收敛的观察（[02:07:28]）：DYNA-1 之后行业往成功率与执行速度收敛；现在往 UMI / egocentric / 世界模型收敛；⚠️ "接下来一到两年之后，我觉得是有机会看到一个更收敛的一个模式。" ⚠️ 他认为现在还不是竞争状态（"真正有 market share 之后才能真正形成一个 competitive dynamics"）。

⚠️⚠️ "很大的锤子在打一个很小的钉子"：本页第一份来自家用机器人在位者、而且明确说现在不下场的判断（钱程 / 科沃斯 CEO，2026-10-21）¶

来源：张小珺 #155（嘉宾钱程 / 科沃斯集团 CEO） ⚠️ 该期无字幕、本库用本机 GPU whisper 转录，专名损坏严重、说话人分离失败；视频页列了完整还原表。 ⚠️ 他是家用专用机器人的在位者，看空具身对他直接有利，本节记为带立场的判断。

⚠️⚠️ 本页此前收录的具身材料，发言人几乎全是押注这条路的一方（创业者、投资人、实验室）。这是第一份来自"已经在全球家庭里卖了十几年机器人、有出货量和渠道、但明确说现在不下场"的一方，这决定了它的用途：它不提供新的技术判断，但提供一个有成本的立场。
他给的时间表（[01:15:19]–[01:17:19]）：2B / 工厂 / industry 三到五年内可以有一些商用落地；2C / 家庭是五到十年。
⚠️⚠️ 理由比数字更值得记：机器人最能替代的，是"今天把人更多地培训成机器人的那些工作"——高度标准化、不过于追求泛化能力；家庭场景则硬件到软件的成熟条件还要一段时间。
✅ 本页的归纳：这把"哪里先落地"的判据从行业换成了任务性质——不看哪个行业有钱，而看这段工作此前是否已经被人为标准化成了机器能做的样子。 🔗 与 Dyna Robotics 的"任务到工作流" 互补：那边说同一任务里从任务到工作流还差一层，这边说哪些任务本来就离机器更近。
⚠️⚠️ 行业诊断（[01:19:20]）："目前其实这个行业还是一个我觉得很大的锤子在打一个很小钉子的过程。" ✅ 但他随即让步，这让它从吐槽变成分析："拿锤子找钉子没有问题，很多企业一开始也是这样"——他举无人机早期的 Parrot（后来做成了和零售商合作的玩具）与大疆（找到 prosumer 场景、最终成为生产力工具）作对照。⚠️ 回忆性转述，细节未核实。
⚠️⚠️ 硬件同质化，出自有量产能力的一方（[01:19:20]）：今天要在中国产业链上拼一个机器人出来不太难，在深圳拼一个也不太难；甚至头部具身公司把机体卖给你、你在外面包装一下挂上自己的牌子，可能也不难。✅ 本页标注：这是本页长期记录的"中国供应链让身体变便宜"的下游后果——当身体可购买，身体本身就不再是差异化。
⚠️⚠️ "我目前，我也没有看到肉在哪。这个肉是虚幻的。"（[01:22:22]）他用自己的农耕 / 游牧比喻给今天定性为游牧（"都觉得这是块肉、都觉得在一级市场好拿钱"）。
他的量化质疑（[01:23:23]–[01:24:24]）：汽车电动化有可比参照（保有量摆在那儿、是替代、车并没有变多）；而具身这块"肉"怎么量化？ 他拿一家头部机器人公司约 2000 亿估值与中国估值第一的企业约 4 万亿作上下界，推出上限约 20 倍。
⚠️ 本页四条保留：公司名在转录里损坏、本页判读存疑；两个估值数字无来源无时点；"不会超过今天第一名"本身是强假设（新产业完全可以超过现有第一）；他是潜在竞争者。保留论证形式、不采信数值。
✅ 保留它的理由：它不争论技术可不可行，而问终局市值能不能撑起今天的入场价——这个问法可被后续事实核对。
他的滞后参照（[01:25:24]）：他有一台 Model S，买时就被告知有 FSD；今天中国全场景使用自动驾驶的消费者"应该也不至于说过半"，而中国已是全球前列。⚠️ 个人经验类比，无数据。
⚠️⚠️ 对"具身出来，做专用机器人的公司就不存在了"的反驳（[01:27:28]）：到那时扫地机渗透率应该已经很高，没人会为自己的机器人再买一台吸尘器；海外割草机器人已经替代了手推式，人形进来时也不至于再买一台手推式割草机。
✅ 本页的归纳：他在说通用机器人替代的不是专用机器人，而是"人用工具干活"这件事本身——而在他的品类里，这件事已经被专用机器人替代过一次了。 ⚠️ 弱点：这假设专用与通用不会在同一预算里竞争，他没有处理这一步。
✅ 正面图景，本页认为这是本节最该保存的框架（[01:28:28]）：机器人"有点像达尔文的进化论"——未来会有各种各样的机器人物种，并基于各自的场景做深度演化，长出最适配那个场景的能力；人形会存在，但也会有非常多其他种类。注脚："我们人也是自然世界的一个物种而已，游泳也不是最强的。"
进场条件与世界模型的成本（[01:26:26]）：当硬件与软件能落到商用场景、并具备高鲁棒性、可复制、可规模化时，"离家用就不远了"；今天搞一个世界模型投入"巨大"，而且数据采集的标准化在快速迭代——"比一年前的方法，到现在可能都不一定有用"。
⚠️ 对 AGI 叙事的降温（[01:30:30]–[01:33:31]）：影响毫无疑问存在，但"目前为止，我所感知到的，或者说普通消费者所感知到的，我不觉得带来了决定性的变化"。✅ 他对"热闹"与"变化"的切分：春晚一堆机器人跳舞，消费者感受到的"只是个热闹"，而对生活的改变"干活还是一片荒漠"。✅ 他同时给从业者留了正当性："欲望很重要，它是一个强大的驱动力。"

⚠️⚠️ "AI 还不会拧扳手"，以及军用子系统外溢到机器人的那条路径（a16z American Dynamism，2026-10-29）¶

来源：a16z × American Dynamism 50（Connor & Aaron/Erin） ⚠️⚠️ 立场：a16z 自己的播客，两位是 a16z 投资人，全程讲自家 AD 50 榜单与自家组合，所有成效数字为自述、无第三方来源。✅ 本页只取其中可脱离持仓评估的部分。

⚠️⚠️ 一条来自卖方的反银弹陈述¶

⚠️⚠️ "AI 会是一个能在物理世界里用的了不起的工具。而现实是，AI 还不会拧扳手。它某个时候会，但我们离那还远。" ⚠️⚠️ "这不是说某一颗银弹突然让一座工厂或一座矿完美。实际上是 15 到 20 件不同的事。"（[00:13:05]）

⚠️ 他对适用形态的限定："当你看物理世界，把软件和 AI 用上去，看起来会和法律、客服或别的那些你今天看到 AI 疯狂起飞的类目不一样。"
✅ 而"15 到 20 件事"被落到了具体环节上（以 Hadrian 为例）：报价与接单 → 零件的物理制造 → 检验 → 转运，⚠️⚠️ 而机会是能逐节重问"这个过去一百年一直这么做的流程，是对的流程吗"。
✅ 本页标注这条值得记的原因是说话人位置：⚠️⚠️ 这是在卖这个类目的投资人主动给出的降温，而本页上文的物理 AI 乐观叙述大多来自厂商。

⚠️⚠️ DJI 作为军用 → 机器人转移的范例，而这是一期讲美国工业基础的节目¶

（[00:05:01]–[00:06:01]）

"从消费级无人机起步，在 2010 年代后期认识到无人机在公共安全与国防上有一个大市场，于是建起了一个真正高规模的国防无人机生产业务。" ⚠️⚠️ "而现在 DJI 背后那批人是世界上最大的机器人生产者——因为和无人机电机非常相似的东西就是机器人的执行器（actuator），而那是造机器人最难的部分。"（⚠️ 自述，本库未核实）

✅ 他给的一般化是：⚠️ "军用与非军用用例之间的这种技术转移与工艺知识转移非常重要，而且它一直就是这么运作的。"
⚠️⚠️ 而他对称地把这条用在美国的预测上（[00:29:12]）："我们今天世界上其实没有很多人形或机器人……但当你想那些进入我们军事系统的子系统时，它们就是将来会进入未来机器人系统的同一批子系统——是执行器、是电机、是阀门和开关这类东西。而当你能把这些做到质量、做到成本，一下子你就让别的本来不可行的市场说得通了。"
⚠️ 机制是国防买家先付 CapEx："如果你在美国建一座新的 PCB 厂……而你有一个国防买家作为第一个买家来补贴那笔 CapEx 投资——你知道还有什么有 PCB 板？机器人。助听器。"
⚠️ 而对中国依赖的那个数字本页按口述处理："你今天去跟一家想做机器人部署的机器人公司谈，有 99% 的概率他们买的东西里大部分来自中国。"（⚠️ 无来源）✅ 而 onshoring 动因不止地缘："质量、成本、迭代速度，以及地缘政治原因。"
✅ 本页标注这条预测的检验点很清楚：⚠️⚠️ 去看美国国防订单驱动的执行器 / 电机 / PCB 产能是否在几年内出现在机器人 BOM 上。而本页记下：DJI 这个先例既是这条预测最有力的支持，也是它最尴尬的地方——这条路径已经被走通过一次，而走通它的是对手。
🔗 ⚠️ 本页标注这与既有材料的接口：本页上文 Machina 四家机器人公司的"第四、第五象限"、Dyna Robotics 的"大脑决定下限，本体决定上限"、柯丽一鸣的机器人 RL 全景都在讨论模型与本体；⚠️⚠️ 而这一条讨论的是本体的上游——执行器与电机的产能从哪来。本页认为这是此前完全缺失的一层。

⚠️ 顺带一条：垂直整合被当场加了条件¶

（[00:08:02]–[00:10:03]）⚠️ 起点是"真正在规模上造出东西的现代公司大概就是 SpaceX 和 Tesla"这句常见说法，✅ 但他立刻否掉了普适版本：⚠️⚠️ "我持的意识形态是：你不该把一切都垂直整合。" 条件被另一位说清了：⚠️⚠️ "SpaceX 和 Tesla 做的是第一台那一类的东西。美国并不存在能支撑他们的工业基础，所以他们必须自己建。而在有高质量供应商的地方，你就该用供应商。" ⚠️ 细节：当时没有电池供应链，整套电力电子与动力总成"基于一些 70 年代发表、然后积了四十年灰的论文"从零建。 🔗 ⚠️ 本页标注这与 Lewis Hong 讲 SpaceX 垂直整合的那份中方视角材料可以并读：✅ 那份给的是内部怎么做，这一条给的是"什么时候不该这么做"。

⚠️⚠️ "假设智能免费也不够"：一家量产部署的机器人公司给的结构论断（Tutor Intelligence，2026-11-02）¶

来源：a16z × Tutor Intelligence（Josh Gruenstein，联创兼 CEO）（人物页：Josh Gruenstein）

⚠️⚠️ 立场（双重标注）：他是 Tutor 的 CEO，全部规模与速度数字为自述；⚠️⚠️ 而主持方 a16z 是这家公司的投资人并在期内多次主动背书。本页把这一期定性为带投资方背书的公司介绍，而不是独立访谈。 ✅ 但本页收录它的理由是四处实质内容：一个被真正问出来的技术反驳、一组可核对的行业数字、一份对失败模式的复盘、以及一条把人类遥操作者的去留换成单位经济学的回答。

⚠️⚠️ 一、思想实验：把智能当成免费的，问题还剩什么¶

（[00:03:02]–[00:04:03]）

"地球上有 80 亿人，他们都有我们想让机器人拥有的那种基线物理智能。所以想象你有无限强大的软件，能把地球上任何一个人连到任何一个机器人上、把智能赋予那个机器人……那就像一个 deus ex machina。" ⚠️⚠️ "假设你把这个当成既定事实。那现在怎么办？问题其实并没有被解决。"

他列的三个缺口：① 还得规模化制造机器人——⚠️ "机器人在今天的美国是一个手工业。机器人甚至在制造与物流这些最自动化的行业里都只是一个舍入误差"；② 软件完全不存在；③ 客户也不存在——⚠️⚠️ "因为机器人做不了客户想让机器人做的任何一份工作。"
⚠️⚠️ 于是那条结构论断是："机器人学不是栈里的任何一层。它不只是智能，不只是硬件，不只是客户。它关乎怎么把这三块拼在一起——而正是这三者的组合，才让你有可能在其中任何一层上建成一个成功的平台。"
⚠️⚠️ 而"为什么必须全栈"的理由是一个关于搜索空间的论证，本页认为这是全期最好的一句：

"唯一能往前推进的办法，就是把你能摸到的尽可能多的层之间那些巧妙的取舍都想明白。而如果你扔掉其中一层、说'那个我们不碰'，你就把你能用来推进的取舍空间消掉了 90%。"
✅ 本页标注这条比"机器人是系统工程"那类说法有用得多：⚠️⚠️ 它把"全栈"从审美偏好变成了关于可行解空间大小的主张——放弃一层的代价不是少做一件事，而是整个取舍组合空间的坍缩。这是一个可以被反驳也可以被采用的论证形式。
⚠️ 他对全栈的定义比通常更宽："不是模型、硬件、软件。它是模型、硬件、软件、供应链、客户、产品"（⚠️ 主持人补"商业模式"，他接受）。

⚠️⚠️ 二、物理世界的工作没有被联网，与一条对采数据路线的直接反驳¶

（[00:09:07]–[00:14:11]）✅ 本页认为这是全期最该被长期保存的两条。

⚠️⚠️ "我们在物理世界里的工作没有被同样地联网起来。我拿起我的咖啡杯，没人知道。没人记录下我指尖的所有压力、以及它们当时的姿态。所以我们没有这项资产。"

⚠️⚠️ 对"从零数据自举智能"的否定很硬："那看起来像一个赌局被操纵成对我们不利的问题。在计算机视觉里不是这么成的，在 NLP 里也不是这么成的。"
方案是把机器人与人类遥操作者（他们叫 tutors）连起来教新任务，⚠️⚠️ 而那条商业核心是："突然之间，它不是一个庞大的资本项目……你在做这件事的同时也在创造巨大的经济价值——你在把所有人的商品变得更便宜。所以它以一种非常独特的方式是正和的。" ✅ 本页标注这条立论有明确的失败条件：一旦部署本身不赚钱，它整个塌掉。
⚠️⚠️ 而主持人提了本期最锋利的一问："生成式 AI 发生的那个经济奇迹是：你用某个分布的数据训出这些模型，而结果基本上是同一个分布在经济上就是有价值的……分布进、分布出。而对这些机器人来说，这一点并不清楚——你可能用某个分布的数据训了它，但你真正需要的东西只是稍微在那个分布之外。"
⚠️⚠️ 他的回答把判据换成了经济激励对齐，而这构成对一条真实竞争路线的直接反驳：

"如果你作为一门生意能挣到钱，那你大概作为一门生意也在产出数据——那些经济激励是对齐的。" ⚠️⚠️ "而机器人同理。如果你说'我们就给所有人头上绑个摄像头，派他们去印尼各处采做某某事的数据'，那你没有任何保证。你可以猜，但没有一只市场的无形之手在指引你，确保那些数据真的有经济价值。" ⚠️⚠️ "但如果你的机器人在真实客户现场、而客户正在为这些机器人做那件事付钱——那你就确切地知道那些数据是有经济价值的。"
✅ 本页标注这把"数据有没有价值"换成了一个有外部验证的代理：有人为这件事付钱。本页认为这是本页目前关于机器人数据采集路线最锋利的一条判据。 🔗 与 Dyna Robotics 的"这里没有互联网" 是同一个缺口的两种说法；而本页此前的数据讨论（Physical Intelligence 的柯丽一鸣、刘洺堉的世界模型）多停在方案对比，这一条给的是采集动作本身的经济性论证。
⚠️⚠️ 但本页必须指出他回答的不是主持人问的那件事：主持人问的是泛化（训练分布与需求分布错不错位），他答的是采集（怎么确保采到的分布有经济价值）。 ✅ 即便每条数据都有经济价值，它们合起来是否覆盖下一个客户要的那个任务，仍然开放。本页记下这处偏移。
⚠️ 而他对"可能解决 90%、剩下 10% 还得人做很久"明确接受："那也可能挺好，你可能在经济上愿意接受这一点"；✅ 并说不教条："我们不是纯粹主义者……我们很喜欢用仿真来拓宽这些数据分布，也很喜欢用互联网规模的数据来拓宽这些分布。"

⚠️ 三、人类遥操作者会不会消失：换成单位经济学¶

（[00:11:08]–[00:12:08]）

⚠️⚠️ "你想想用一块 H200 去服务模型的成本是多少……那块 H200 的占用率和利用率是多少？而你可以用非常相似的方式去想人类智能：你真正想从人那里拿到、而目前还没法从你的模型拿到的那种异质的智能画像是什么？" → "然后它就变成一个单位经济学问题：你得做多少工程才能把模型的最后一个九拿到手，相比之下用 tutor 要多少。"
⚠️ 一条很干净的产品判据（回应"客户似乎都不在意是人还是模型在操作"）："你想要的反馈是'我在量产的洗发水现在比以前便宜了 5 美分'。如果反馈是'这个机器人挺好看'，那大概是个很烂的机器人。"
✅ 本页标注这类回答值得记，因为本页既有材料里"要不要去掉遥操作"常被当成路线正统性问题；而这一条把它整个还原成一个可以算的数。

⚠️⚠️ 四、两种形态、一个很小的模型，以及边界在哪¶

（[00:18:15]–[00:22:17]、[00:32:21]）

Cassie：⚠️ "一个壮汉"，重载、单臂 + 大量吸盘；⚠️⚠️ "由 2 到 4 亿参数区间的基础模型驱动"，来自 2021 年"基础模型能预测 affordance、能预测抓取点，然后你去执行"那一代。市场依据："在美国，物理经济里的任何东西都必须被放在托盘上或纸箱里运输"，于是存在极大量手工搬运托盘与箱子的活。
✅ 本页标注那个参数量是对"机器人需要更大模型"的一个有用反例：⚠️⚠️ 他把形态说成"硬件能量产 × 模型真能做的事 × 真实市场需求"三者的共同设计结果，所以决定形态的是交集而不是模型规模。
Sunny："一个工业半人形"，⚠️⚠️ 定义方式很好懂："就好像你看着一个宇树，然后说：我需要这个机器人在工厂里以人类的速度和可靠性跑三到十年。于是你最后会得到一组略有不同的设计决定。"
⚠️ 具体取舍：轮式而非腿式"因为大多数室内工业场所都有磨光的地面"；载荷高得多、移动快得多；具"工业协作安全标准，使它能在人周围作业"。
⚠️ 部署：100 台在波士顿的"数据工厂"采内部数据；另有一支做双臂灵巧操作的增长中机队。
⚠️ 覆盖面："如果你只想待在制造与物流里面，Sunny 和 Cassie 今天大概能做 80% 到 90% 的工作。"
⚠️ 做不到什么，而理由很具体："它们不能去室外"——⚠️ "不是移动能力的问题，是硬件……它们开不过碎石路"；室外机会是建筑施工与"从填埋场里回收材料"，需要腿。⚠️ 家庭不做的理由是经济而非技术："这个机器人在工厂里交付的经济价值是多少，以及有多少消费者愿意在家里为那个价值付钱——而那算不太过来。"

⚠️ 五、横向→纵向→再专用的三段式，以及一处未被弥合的分歧¶

（[00:06:05]–[00:09:07]）

⚠️ 主持人的观察："大多数机器人公司都从横向开始，然后全都走向纵向。每一家都是。它们字面上是'我们有一个模型'，然后它们就开始买 3D 打印机。" 他答这是市场不成熟，并把目标说成"建那些通用平台，让人们能建起那些不是机器人生意的生意"（类比：软件公司不必想芯片架构）。
⚠️ 三段式轨迹："你从一个专用化、定制机器的世界开始，因为那是市场唯一能支撑的东西；你走向通用——在机器人学里这会长成人形和类似的形态；然后最终你会突破到再专用化，因为那时市场已经足够大了。"
⚠️⚠️ 而本页必须标出主持人那条结构性反驳没有被真正回答："我们之所以把计算横向化了，是因为你有干净的、普遍适用的抽象；而在导航物理空间这类事情上并不是这样。" 他的回答是"像人形这种东西的美妙之处就在于它就是那个干净的抽象"（CPU 类比，并在被追问无人机时补了 CPU/GPU/ASIC 的类比）。
✅ 本页的判断：这是对结论的重述而不是对前提的论证——CPU 之所以是干净抽象，是因为计算有可被形式化的指令集语义；而"人形形态"是机械构型的相似，不是任务语义的统一。本页记下这处未被弥合的差距，因为它正好是本页既有材料里反复出现的那个问题（沈宇军"具身智能没有可打卡的判据"）的另一个侧面。

⚠️⚠️ 六、为什么机队规模本身是研究前提：RL 在小批量下不工作¶

（[00:41:24]–[00:43:27]）✅ 本页认为这是本期技术含量最高的一条。

路线类比："在 LLM 里……数据有很多异质的来源，但最终有一个数据的顶层，那就是真实世界的强化学习轨迹——做你想要能做的那件事。"
设施："我们在波士顿建了一支叫 Data Factory 1 的 100 台机器人机队。据我们所知这是美国最大的半人形数据采集农场。"
⚠️⚠️ 而理由是："强化学习是一个在小批量下不太工作的技术族。所以如果你在真实世界里有一支非常大的机队，你就能开始玩这些方法——而我认为无论在学术界还是工业界，人们此前都没能玩得起。"
✅ 本页标注这条把机队规模从预算问题换成了方法可行性的门槛：⚠️⚠️ 真实世界 RL 需要的并行度本身就设定了一个最小机队规模，于是"要多少台机器人"是一个方法前提，而不只是数据量问题。这也顺便解释了为什么这类公司必须先把部署规模做起来，才能开始做它真正想做的研究。 🔗 训练侧记在 LLM 训练流程。

⚠️⚠️ 七、一个能力作为别人商业动机的副作用而到达¶

（[00:14:11]–[00:16:13]）

⚠️⚠️ "它们没有那最后一英里的空间推理，来把一个 GPT 模型知道的东西和一个 action diffusion transformer head 能知道的东西连起来。而这变了。" ⚠️⚠️ "那些实验室现在在用 3D 空间数据——比如 CAD 和 3D 建模——对它们的模型做后训练。而顺便说，他们做这件事是因为有这个直接的经济激励，因为那有一个真实的市场，所以他们能立刻把它变现。而结果那恰好就是我们的模型需要的那种空间推理。所以我觉得我们被向未来弹射了好多年。"

✅ 本页标注这条结构可推广：⚠️⚠️ 一个垂直领域需要的能力，可能作为一个完全不同市场（CAD / 3D 建模）的变现动机的副产物而到达。也就是说应用层的能力路线图部分地取决于别人有没有钱可赚，而不只取决于自己的需求强度。
⚠️ 而他把护城河放在循环上："我们是 2021 年开始这门生意的。我们最初是用卷积神经网络做这件事的。所以我们已经穿过了每一次范式巨变，而始终有价值的东西是数据的流动。"

⚠️⚠️ 八、买方不是用户：一条本页此前没有的机器人产品事实¶

（[00:25:17]–[00:28:18]）

⚠️⚠️ "有意思的是，在机器人学里，你的买方不是你的用户。你的买方是 COO 或总经理，而用户是整天和机器人一起工作的产线工人。而在那里你确实需要去培育那些工人和机器人之间的关系——因为我们不会百分之百地自动化一家工厂，我们自动化一家工厂或仓库里的某些工作。"
⚠️ 他引的一句（并说"我得去搞清楚出处"）："一个机器人是个机器人，除非它能用——那时候它就是一台机械。" ✅ 他的补充是分层的："至少在工厂经理那一层，是的。"
⚠️⚠️ 而 HRI（人机交互）里那条带激励设计的做法值得记：每台机器人都有名字，而命名权是作为复购奖励给出去的——"当一个客户扩大采购、下重复订单的时候，他们就被允许给机器人命名。" ✅ 信号："有人用自己孩子的名字命名机器人、用自己最喜欢的橄榄球球员、最喜欢的流行歌手的名字命名。" ⚠️ 而命名方案自己也迭代过："一开始用飓风命名法"，停掉是因为"我们把字母表走了太多遍，没法再跟踪了"。
✅ 本页标注这条为什么该被单独记：⚠️⚠️ 本页既有的物理 AI 材料几乎都在讨论能力与形态，而这一条指出这类产品有一个结构性的双主体问题——付钱的人和每天与它共处的人不是同一个人，而后者的接受度需要被单独设计。本页认为这是把机器人卖进存量场所的实际约束之一。

⚠️⚠️ 九、本页必须标出的两处问题¶

⚠️⚠️ ① 被剪进冷开场的核心规模数字是 LLM 估出来的（[00:02:01]）："Claude 昨晚告诉我，它估计 Tutor 的机器人已经帮助制造并发运了超过两亿五千万件产品给美国消费者。" ⚠️ 而紧接着的推论是估算叠估算（"所以大概大多数美国消费者在往下几层都是 Tutor 的客户"）。 ✅ 本页记录它被说过，但不作为部署规模的证据。
⚠️⚠️ ② 一个被明确问到却完全没有回答的供应链依赖问题（[00:39:24]）：主持人问"你们对中国供应链的依赖、它随时间怎么演变、以及那边对供应链有多大风险"，而回答只是"我们有一条高度互联、相互依赖的全球供应链……所有人都在试着建起自己的工业产能"。 ✅ 本页标注这是本期最该被追问而未被追问的一处。（🔗 同期那条"中国得拆掉重建"的论断被本库标为立场陈述不采信，记在中美 AI 生态对照。）