S8 Vol.19 Potentia白宇利：具身智能真正稀缺的，可能并不是「数据」

成本的约束也好 ， 时间的约束也好 ， 资源的约束 ， 只有在这个约束情况之下的时候 ， 你才会去探索你的极致公众化 。DeepSeek 大家去看也是一样的 ， 就是如果没有对于带宽上的约束 ， 或者存储上面的约束 ， 那有一些已知的方法 ， 它是不会在这里面去做公众化落地的 。

你一个复杂的工程系统 ， 单点优化可能都是一个 30%，但你乘起来会发现它是一个 10 倍或者百倍上的差异 。

一个算法团队 in-house 的时候 ， 要提给自己的数据团队可能需要 2 个月才能供给的东西 ， 我们可以用 2 周的时间去交付 。

我觉得这就是我们在这里面非常大的竞争力 。

人类对于渴望 、 对于好奇心 、 对于探索真实世界 ， 这个底层初心是不变的 。 那这里面有非常非常多的我们还没有做 ， 然后随着生产力提升之后有机会去做的 。

所以此时此刻我觉得 ， 做这个公司 ， 它也有点像说我在实现探索世界上面的一个路径 。

亲爱的听众朋友大家好 ， 欢迎收听本期的 《 创业内幕 》。 我是主持人 Lily。 本期我们请到的这位嘉宾 ， 我们跟他是老朋友了 ，是我们的 Fellows 的成员 ， 就当时我们还叫 GGV 的时候 ， 就非常重要的一个 NextGen 的 Founders 的一个项目 ， 非常有幸近期我们投资了它 。

它就是来自于领先的具身智能基础设施公司 ， 补天石科技的创始人白宇利 。 好 ， 宇利跟大家打个招呼吧 。

大家好 ， 我叫白宇利 ，Potentia 补天石科技的创始人。

我在看这期播客的录制之前 ， 系统地查了我们很多资料 ，其实小白今天的公司是我们的当红炸子鸡 ， 就是具身智能普及之后 ，其实需要大量的基础设施的公司 。

它也踩中了这样的一个风口 ，2026 上半年具身赛道的融资额就超过了 460 亿美金 ，其中有 288 起融资 ，是行业公认的卡在这个数据缺口上的非常大的一个新兴行业 。

那要不要跟我们讲讲选择补天石这个意向 ， 切入物理 AI 的这个数据基建 ， 你的一些想法和初衷 ？

我们在英文上面的时候 ， 潜能和势能这种感觉 ， 同样的时候它在中文上面也有说补齐了具身智能最后一块短板 ， 或者是最核心的一块东西 ， 对 。

这个其实是一个非常大的宏观的概念 。 当时女娲补天 ， 那你起这个名字 ， 你是不是也是对公司寄予了什么样的一些期待呢 ？

在这里面像天的意象 ， 就无论它称之为人工智能或者说 AGI， 它其实是一个非常广袤 、 非常可以去想象的 。

那我自己其实是有一些执念的 ， 我是相信我在有生之年的时候能去看到 AGI 实现的 ， 对 ，也希望在这个过程之中参与其中 。在这个广袤的版图之中， 有很多非常优秀的人才 ， 然后在上面就都搭建了它基础的框架 。

那我所能看到的东西其实是从 infrared 的视角 ， 然后从基础设施的视角上面去看 ， 它缺失的最后一块东西是什么 。

我觉得这也是驱使我创业的一个非常大的一个原因 ，因为我知道之所以具身没有能快速的时候去落地 ， 深入到每一个行业里面 ， 它一定是少了一块短板 ， 那究竟是什么 ？

比起来数据 ， 我觉得可能更像是一个数据的系统 ，也就是我们自己现在在做的东西 。

对 ， 从你的这个描述来看 ， 就是你认为今天 AGI 或者是我们叫具身领域需要补的那个口是什么 ？

是数据吗 ？

数据只是它的一种体现 ，但我更多的时候想讲的是其实是获取数据的能力 。 数据也好 ， 模型也好 ， 基建也好 ， 它更多的时候其实是一个载体 。

但是如果我们去看说 AI 的迭代或者具身的迭代 ， 它需要持续的有新的数据来去供给着模型 ，不断的演进 ，不断的去学习 ， 然后趋近于说它慢慢的时候去解决自己的这个场景的问题 。

包括给机器人来去提供数据 ， 它需要的是说接触到真实环境上面的硬件 ， 你有在上面大规模的分布式的网络 ， 你有任务上定义的能力 ， 你有能把数据构建成数据集 ， 提供给模型训练的这样的系统 ，以及说怎么从模型的表现上面再有新的一轮的迭代 。

我觉得这一整套我们称之为数据闭环或者数据飞轮的迭代体系 ，是现在我认为最缺失的东西 。

对 ， 那对比大模型其实依靠全网海量的免费文本就可以自然生长 ， 具身领域它就没有天然的数据提供的这个来源 ， 你怎么去补这一块 ？

有时候大家会类比说智驾 ，其实我自己进入 AI 领域上其实是进入的智驾 。 我在 10 年前的时候加入了一家公司叫 Momenta，在那个时间节点上边 ， 大家去看车或者说智能驾驶这套系统里面 ，其实也是没有数据的 。

就不像现在大家觉得说车上面数据也很多 ，其实当时的车也没有那么智能 ，也没有数据获取的能力 ，也没有模型的能力 。

那我在 16 年加入 Momenta 的时候 ， 第一步也在帮助 Momenta 去构建这种大规模道路上数据的能力 。 我们当时有一些小的成果 ， 比如说我们在最开始的一年， 我们用 3 个月时间做了一些基建 ， 我们大概在 9 个月时间的时候 ，在道路上面采了 5 亿帧的数据 ， 基本上就一两百万小时的这样的数据 ， 覆盖了大几千万上亿公里的场景 。

与现在大家去看具身其实是有些类似的 ， 怎么在研发的阶段能拿到第一波数据 ， 然后帮助我们基础的一个模型从 0 到 1 的过程 。

对 ， 这里边还是有一些不同 。 你看智驾 ， 它其实是依靠量产车辆在出行场景顺带着采集数据 ， 对吧 ？

但是人形机器人目前 ， 或者说我们叫具身智能 ， 它没有天然的正向的价值场景 ， 所以纯遥操的数据采集无法规模化 。

就结合行业现状 ， 你怎么看待两者之间数据获取的底层的差异 ？

如果你遥操的机器人不能带来正向的功能的价值 ，其实它就是一个更贵的采集器 ， 然后它所有的这些硬件的成本 、 人的成本 ， 都会变成它数据成本结构的一部分 。

那车的话 ，在第一波大家去采的数据时 ，也并不是我完全构建一个采集的车辆 。其实最开始的时候也是通过在出租车上面做道路上面前向的视频上的采集 ， 我们在执行工作 、 执行出租的任务的同时， 然后顺便的时候把道路上的信息采集回来 。

类比于现在机器人， 遥操的机器人更像是那个时间节点上面做的专门的采集的车辆 。 然后现在大家做的这种 Ego 的数据的采集 ， 或者说我们在工作之中被动的采集 ， 更像是当时的时候在出租车上面装一个行车记录仪 。

这两类的数据是不是对模型都有价值 ？ 它显然是都有价值的 。 那只不过我们在去衡量这个价值的时候 ， 打了一个光谱出来 ， 比如说最高价值那一端上面的时候 ， 它一定是有更多的模态 ， 它有更好的持续的同步 ， 它有真实的场景和反馈 ， 它有端上的一些算力 。

那我们在光谱最低价值 ， 或者说它的量最大的 ，其实就互联网上寄存的人的这些数据 。 只不过现在时候大家怎么样从中找到一些好的点 ， 它平衡了采集的硬件的价格 、 它获取的难度和它的这些场景上的覆盖度 ， 然后去拿到这种 ROI 更高的数据时去给到模型 。

那我们现在去切入的点 ，其实就是找到这光谱里边比较好的一个点 ， 去调整这个点 。

对 ， 那咱们的解决方案具体是什么呢 ？

我们现在的时候其实是有两个路径在做的 ， 或者说它们其实是同一个路径 。其实我们去定义说数据的价值好与坏 ， 我觉得有几个不变量 ， 就是像刚才我在讲的说 ， 模态越多一定是越好的 ， 这个时序上面的不同传感器对齐的越精准越好 ， 或者说分布越广 ， 然后对于基础的模型泛化能力它是越好的 。

这些都是它的不变的东西 。 那在围绕着说怎么样去拿到模态更多 、 精度更好 ，在这一方向上面其实我们是做了一个更前瞻的硬件 ， 它可以不计成本堆它的料 。

比如说我有更多的视觉的传感器 ， 既能捕捉到正向操作的数据 ， 我也能捕捉到环境的数据 ， 然后我有更高的分辨率来捕捉到这些细节 。

我有更好的时间同步的算法 ， 使得说视觉与这种惯性导航 MU 与这种磁感上面的一些传感器能尽可能的同步 ， 使得你不同模态上的这些数据可以相互之间去校准 ， 减少它的噪音 。

那这是在极致的硬件上边时候要去做的东西 。 当然你极致的硬件上边就会有像现在我们去看说去做遥操是一样的问题 ， 对吧 ？

就是它的硬件成本更高 ， 那你的数据价值如何在这上面去平衡 。其实你还有一条线上面时候在围绕着说你怎么样有更大的量 ， 哪些传感器的数据可以压缩在一个规模化量产的设备上， 可以从实验室或者说可以从采集的工厂上能变到大家居家生活 ， 然后在日常工作之中就能顺带把数据采回来的这样便携性的硬件段 。

所以我们其实在这里边一个是围着更高的精度 ， 另外一个是围绕着更便携性 、 更快的场景上面来去做的 。

所以我们现在是一个硬件吗 ？

硬件是它的其中的一部分 。 我们是有一套 in-house design 的软硬一体的硬件 ， 包括它的更高精度的版本和它的量产的版本 。

然后这是我们在上一个季度的 Milestone 已经完成了 ， 对 。 但我想说就是硬件本身之外 ，其实你还会需要有一套软件的系统 ， 或者你需要有一套模型对于数据评估的这样的能力 ， 你才能使得说你采集的数据对于模型最终去使用上面有帮助 。

那所以我们在硬件之外的话 ，其实我们还有一套数据系统 ， 它包含了说我怎么来生成任务 ， 我怎么来去把生成的任务变成人来执行的标准化的采集步骤 SOP 的东西 。

我有一套大规模的能去把任务分发到每个人手里调度的系统 ， 然后以及说当我的这些数据回来 ， 我怎么来对这些原始的数据去做它的校准 、 对齐 ，以及说手部和空间体态的算法 ，以帮助说它可以构建成模型直接可用的输入的数据进去 。

然后最终的时候其实你是会根据不同的团队 、 客户需求 ， 然后去把我们这些原始数据能转换到它模型直接可用的数据集 。

我们在上一个 Q 其实也就是在 2026 年的第二个季度 ， 我们实现了这个从硬件的定义 、 从它的数据的定义和分发 、 从它大规模的回传以及数据集的构建的单链路上边是打通了 。

再往后一个阶段上面 ， 我们其实要实现的就是怎么去把模型对于数据上的反馈作用于不同环节上边的闭环去做通 。

这其实就是我们在下半年数据系统上边的路线 。 当然同时我们也会在探索说那高规格的硬件如何去测量它的真值 ， 或者我们还会有引入更多的传感器进来 ， 包括我们的触觉的传感器 ， 包括磁感的传感器 ，在我们量产的设备上边能捕捉回来更多的信息 。

对 ， 这些都是我们在一条大的主线上边围绕着更多的模态 、 更高的精度 ， 对吧 ？ 然后在另外一条线上边时候去围绕着说我更大规模上边可以去分发硬件来探索世界 ， 来去拿到更高精度的数据 ， 帮助模型持续迭代和反馈 。

对 ， 目前补天石自研的这个软硬件的这个闭环 ， 就是从采集到标注评测到回流需求 ， 这个完整的链路到底是怎么运转的 ？

我们去看一个模型的演进迭代的话 ，其实是有几个阶段的 。 那第一个阶段的时候 ， 就是我们现在管它叫做预训练也好 ， 或者是叫做基础模型也好 ，其实更多的是能拿到泛化性更强 ， 然后更多的模态的数据 ， 帮助你这个模型有通用的一些能力 ， 无论是语言模型还是具身模型 ， 我觉得都有这么一个阶段 ， 我们称之为研发阶段上面时候大

规模的研发数据 。 第二块其实是你怎么把你的模型能去放在真实的场景里边 ， 让它可以开始去工作 。

我可以在工作的过程之中能拿到这个模型在这环境之中的表现 ， 然后我能知道哪些是正样本 ， 哪些是负样本 ， 然后去通过调整说这些数据的分布也好 ， 标签和真值来去帮助这个场景的问题更好解决 。

然后最后一个阶段其实就是你把一个调好的模型 ， 它已经经济价值为正 ， 对吧 ？ 然后它能在这个场景里边是去做规模化的 Scaling， 然后你有大量的数据回来 ，但如何去消减它的长尾上边的偶发的问题 。其实这三个阶段来看 ， 我想说此时此刻在具身的应用上边 ， 第一个阶段也在构建 ， 大家对于真实世界的了解没有那么多 ， 模型范式也没有确定下来

， 或者说硬件构型上面也没有确定 。 那但大家有些不变量的是 ， 对于这个世界上的理解 ， 从 0 到 0.1， 从 0 到 1 这个过程是需要大量的数据积攒的 。

我觉得这个环节上面就是我刚才在讲说 ， 那我们自己去定义一个更好精度的硬件 ， 自己来去定义一个更规模化的硬件来补足 ， 就是研发阶段上面大家怎么拥有一个基础的泛化能力非常强的基模 。

所以它的这个主要的客户是迅基模的公司 ， 通用机器人这个智能机器人公司 。 当然有基础模型的数据的时候 ，其实大家也需要不断的去测试我的基模上的能力 ，在不同维度上， 它如何去演进 ， 如何去变好 ， 需要补充什么样的数据回来 。

那我们在这里边的时候其实是通过采集数据 ， 然后把数据做一致性对齐 、 标签化 ， 对 ， 然后加工阶段性的传感器的一些结果去送给模型来去做一次迭代 。

模型迭代完之后的时候 ，其实是能看到说我有不同的问题的 ，但这些问题它又有可能是由不同的环节上导致的 。

比如说当我看到一个指标它做得不够好 ， 那它有可能是来自于传感器本身的问题 ， 就是传感器的限制 ，也有可能来自于模型架构的问题 ，也有可能来自于分布的问题 ，也有可能来自于你的系统故障上的各种各样的问题 。

那你需要对一次单独的迭代所去产生的新的数据需求 ，在你这个全流程环节里边时候去做优化 。

如果我就没见过这个场景 ， 对吧 ？ 那我需要加这个场景上面的分布 。 如果我的硬件的规格不够好 ， 使得我无法消除它里边的噪声 ， 那我可以去在这上面时候去做更高精度的传感器 ， 然后我可以去做更融合的传感器来解决这个问题 。

对 ， 宇丽你刚才回答了我特别想知道的一个问题 ， 就是目前很多算法团队都反馈现有的这个数据厂商根本看不懂模型真实的需求 ， 供需严重的错配 。

就是行业里有句话说客户想要香蕉 ， 供应端只给苹果 。 但是其实我觉得您刚才就很好的向我去解释了这个问题 ， 补天石是怎么搭建算法和数据之间这样的一个翻译的桥梁的 。

这个其实非常的重要 ， 就是它需要双方不断的去有正反馈才可以 。 我的数据给到你 ， 然后你发现它不对的时候 ， 那到底是哪出了问题 ？

是我们的模型算法出问题 ， 还是说我硬件的精度问题 ， 对吧 ？ 这个其实非常好 ，但其实你觉得客户会配合你做这工作吗 ？

就是有时候大家在讲说今年是数据元年， 然后会有非常多算法团队的时候要数据 ， 然后今年也是数据的这个元年， 有非常多的数据的供应商在供给数据 ，但是我们去看它的承担就很低 。其实你看核心上边的原因是你算法所想要的数据并不是现有的供应商能去提供的 。

原因就是在刚才我们说的 ，其实它在上边时候无法去形成统一的数据的标准 ， 或者说它迭代的这样的反馈 。

就是你生产的海量的数据对于模型是否有价值的事现在是做不到的 。 而我们在这个过程之中其实就是有更加了解算法的需求 ， 更加了解我们生产的体系 ， 了解硬件 ， 能去做一体化设计 ， 才能在这里边时候去补足中间的这个短板的 。

我觉得这也是行业里边最缺失的一套软硬一体系统化的数据解决方案 ， 或者我们叫做数据平台这样的能力的 。

那回到刚才这一点上边来讲的时候 ， 就是算法有没有这个诉求 ， 它太有了 。 这个在算法的团队每一年也都有非常多的 KPI 和指标 ， 然后看到别人的模型在变好 ，其实算法的 Head 是很焦虑的 。

阻碍它算法变得更好的瓶颈有什么呢 ？ 你去看没有 ， 就是算力老板可以给更多 ， 对吧 ？ 然后我们的卡可以给更多 ， 研发人员可以给更多 ， 数据也可以要 ，但只要你能在这事情上让你的算法的表现更好 ， 我相信有非常多的头部团队是愿意放入更多资源的 。

但是为什么没有 ？ 因为大家在这上边时候没有找到从更好的数据到模型迭代的一个更好的曲线 ， 或者大家现在称之为 Scaling Law 的东西 。

那我想说 Scaling Law 它并不是一个天然存在的 ， 然后大家就加数据 、 加模型 、 加算力 、 加电就可以了 ，而是说 Scaling Law 的构建的时候也需要不断的有反馈 。

所以我想一句话回答这个问题就是有没有这个诉求 ，有 ， 很有 。 然后我们会跟一线的真正的做算法迭代的团队 ， 然后去 CodeDesign 说那这个硬件如何来去定义什么样好的硬件 ， 什么样好的构型能帮助它的场景模型变得更好 。

然后他们所需要的是什么呢 ？ 就是你有非常快速的响应能力 ， 无论是对于硬件上的 ， 还是对于数据上的 ， 还是对于软件交互的标准上的东西 。

那这部分的时候是真正在去训模型的团队的核心的痛点 ， 且他们会非常有诉求跟你一起去合作 ， 对 。

对 ， 你合作最好的模型团队是哪家 ？

这还不太便于说 ， 对 ，但我想说其实就是在全球顶级的团队 ， 然后他们有自己真正的场景 ，有自己真正的执行端的硬件 ， 然后我们去跟他们一起去 CodeDesign 了下一代的传感器上边的 Spec， 一起来去磨合这个迭代的逻辑 。

听下来就是您的这个合作最好的这个模型团队应该是一个大厂 ， 它拥有充足的资金 、 算力 ， 那它为什么不全部自建这套数据闭环 ，而是选择和你们来一起来 Cowork 呢 ？

如果当行业已经收敛了 ， 大家都知道路径在什么地方的时候 ， 显然大厂可以重金砸进去去做 ，但此时此刻没有 。

因为比如说我说对于那个传感器的选择上边的时候 ，其实大家就不一样 ， 就是我究竟要不要加触觉 ， 对吧 ？

我触觉的方案是怎么样的 ， 然后我要不要在腕部上边时候去加摄像头 ， 加在正面还是加在背面 ， 我要不要去做一个这个 MU 或者磁感 ， 然后我怎么来去做视觉的融合 ，其实每家选择都不一样 。

但是在哪个路径上能跑出来呢 ？ 大厂是很难去压的 ， 所以大厂通常来去选择的时候就是把它交给多家来去做 。

然后我们在这里面去 Take 的是什么呢 ？ 就是一是说我自己从 Infrared 的视角上边时候去看到的共性 ， 另外的时候就是说能去和这个算法预言的团队 Design 出来可验证的一个方案 ， 对 。

所以像我刚才讲到这点的时候 ， 你问说那个算法厂商是不是有一号团队 ， 显然是有的 ， 它在做很共性的东西 ，是不是有其他的这种供应商在供给数据呢 ？

也是有的 。 那我们做的差异的时候其实就是我觉得更前瞻 、 更好下一代的硬件的构型 ， 我们来去判断有我们独到的方法论观点 ，而我们自己所去支撑上边的这些硬件和它的软件以及数据的这套平台的时候 ，其实是在这一套系统架构上边时候共同设计的 。

当然我觉得这是第一点 ， 就是在 Inhouse 的团队上边的时候 ， 它是不是有 ， 它一定有 ，但是它和外部团队怎么来去协作 ， 我觉得对于这种更加前瞻型的东西 ， 更加我们叫做非共识的路径上的选择 ， 大部分的时候它只有放在提派才有可能性 。

第二点上边的时候我也想说的时候就是作为一个创业团队之所以能去存活 ， 很大的原因就是因为你快 ， 你比较卷 ， 你没有那么多的决策的流程 ， 然后我们团队选中了 ， 然后认为它是 OK 的 ， 然后我们就很快的能去做出来 ， 无论是软件上还是硬件上， 都能去有一个非常敏捷的迭代流程 。

就是一个算法团队 Inhouse 的时候要提给自己的数据团队可能需要两个月才能供给的东西 ， 我们可以用两周的时间去交付回去 ， 我觉得这就是我们在这里面非常大的竞争力 。

对 ， 就是行业里目前数据服务商就分成两类 ， 一类就是最早像 Scale AI 一样 ， 它早期就是纯人头在标注 ， 它收入会随着人力的这个线性增长 ，其实没有什么复利了 。

然后第二种就是像仿真引擎 ， 低成本批量的生成合成这个数据 ，其实这两类跟我们补天石的这个模式都不太一样 。

就是您怎么看待这些差异 ， 我们的差异性优势在哪里 ？

我觉得就是仿真器在整个数据闭环里边时候其实是一个核心的能力 ， 那它在这个闭环里边时候服务于研发数据的生成 ，其实它是更多解的是一个成本的问题 ， 怎么样去翻译数据或者增广数据 ， 使得我数据获取的价格下降 。

然后另外一个方面其实仿真器的极致 ， 大家是希望能在里边去做强化 ， 无论世界模型还是叫任何东西 ， 那怎么来拿它去验证我的这种 Policy 模型在真实世界表现 。

但在支架里边时候有一个很不一样的点 ， 就是支架在真实世界验证的成本很低 ，因为我们拥有非常大量的实际的在真实世界跑的机器人， 百万量的 。

所以在支架的体系里边我们去做验证 ， 很容易把你的模型 Potting 到真实的世界里边时候去拿到真实的 Feedback， 我觉得这个是和机器人商不一样的 。

所以回到现在的时候我们说 ， 那在具身落地的这场景里边时候其实也是两部分 ， 一部分的时候就是我怎么来帮助基础模型来去增广数据 ， 大量的时候去提供数据 。

我相信在这里边的时候仿真一定是有用的 ，但是同样的时候我有一个问题就是仿真怎么样做得更好 ， 它也需要真实的数据 ， 就是因为真实数据在人类世界上就没有存在过 。

对于仿真器 、 仿真引擎 ， 或者说我们仿真的方法一样的时候需要大量的真实数据 。 另外一点在验证上， 我觉得大家在测试和验证这个环节里边去看仿真器作用 ，在这个链路里边更多的是减少的是我在真实世界的这个成本 ， 你是不是足够真 ， 你是不是能在这里边去发现问题 。

当然我相信你说因为这个是十分之蓝海 ， 大家在解决的问题也很大 ， 那有核心的仿真器在闭环里边的能力 ，也有足够的这些数据的供给的能力 ， 或者说一套体系化的系统 ，其实也是我们自己在考虑的 。

所以我们和仿真器的关系 ，Maybe 仿真器也是这个体系环节里边的时候一个核心的技术 ， 那我们也会选择和一些非常强的仿真器的团队也好 ， 对吧 ？

一些测试的方案上边的 ， 或者说传统的物理仿真的一些能力的时候 ，在这 Loop 里边来去实现 。 但从这一套生态上边来去看 ， 最本质上边要解决的这个问题还是我如何在真实世界里边更加精准的 、 高效的去获取模型需要的东西 ，而这里边任何的一个单点的能力其实也都是这个环节所需要的 。

对 ， 就是说我理解一下 ，其实从支架的角度讲 ，因为它其实已经有非常成熟的场景了 ， 对吧 ？ 所以它其实是个定型的模型 ， 那它其实这里边就要海量的低成本的仿真数据其实是有价值的 。

但是在具身领域 ，因为很多场景它其实模型都没有确定标准 ， 或者说行业真正的这个硬件都还没有那么完全的成熟的情况下 ，其实我们现在是没有人有水晶球知道它这个数据什么样的是对的 ， 甚至什么模型是好的 。

那这时候只能是我们大家一起拼凑 、 合作 ， 就还完全没有到说谁替代谁 ， 或者哪种方案更优的这个阶段 ， 对吧 ？

是 。

对 ， 非常有意思 。 那其实目前咱们所在的这个赛道 ， 马太效应已经非常明显了 ， 就是 2026 年的上半年前 20 家头部企业基本拿走了赛道 70% 的融资 ， 数据基建赛道的这个壁垒它其实在快速的提升 ，但是我们其实补天石也在上半年完成了一轮融资 。

那我也想请教您一下， 您觉得对于资本来说 ， 补天石有哪些地方是最吸引他们的 ？

从资本层面大家看说这个整个赛道生态上边是有不同类型的公司 ， 总愿意去给它划分到某一个域 。

我想说就是像刚才 Lily 姐讲的这种更加传统的一些数据公司 ，他们更多的时候在做人力上的管理 ， 或者说在硬件上 、 场地上的一些管理 ， 它是一个基础资源上的 ， 它是一个线性的 。

那还有一部分的时候可能它是一些比如说核心的模型的能力 ， 它来去帮助着这个数据上的增广和生成 ， 然后或者说评估和筛选 ， 然后又是一部分的时候去跟模型来去结合的 。

那当然我觉得还有一些所谓的软件和基建上的东西的时候去放在这 ，但是大家去发现一个问题就是一个复杂系统里边时候每个模块都在了 ，但是你想让所有的模块来去协作 ， 它其实不是一个天然的 。

那我想在这里边时候其实补天石它是一个大家叫做数据 ，但是我们更多的时候是一套数据的系统工程 ， 通过数据的形态 ， 或者说通过 Infrared 的形态来去为模型提供支持的 。

那此时此刻我认为说在行业里边还没有一个真正的在这个交界面上边把问题解决好的企业在 ， 我觉得它有它固有的原因 ，其实并不是所有的团队 ， 或者说并不是所有的公司它都走过这么一个阶段 ， 能去看到说从一个小规模 ， 比如说 0 到 1， 从一辆车到 100 辆车 ， 一个机器人到 100 辆机器人， 从 100 辆机器人到 100 万台机器人 ，其实它底层上边所需要的 Infrared， 或

者说它在这套系统化的工具是不一样的 。 那真正的大家能在机器人或者类机器人的领域里边走过的话 ， 我觉得支架算是唯一一个落地的一个商业的场景 ，而在这个商业场景下有迭代能力的车企业 ， 我们认为这样企业不超过 10 家 ，而在这里边能去做到月级别 、 周级别上迭代的公司不超过 5 家 ， 从 0 到 1 也好 ， 从 1 到 90，有两家公司都是我在这些

公司里边时候来去 Design 了这一整套的系统的 。

莫曼塔和蔚来 ， 对吧 ？

对 ， 所以我也相信这两家公司大家能去看到说功能上的表现 ， 它的持续泛化的能力 ，以及说支持了支架的模型一代一代的变革 ，而底下的这套基建一直恒久可用的原因是因为你在去做设计上边的时候 ，其实做的就是一个有 Scaling 能力的基建 。

那我想说作用于现在的机器人领域也是一样的 ， 就是因为大家现在还没有看到说从 100 台机器人到 1000 台机器人到 1 万台机器人中间怎么样去做一个更好的系统架构设计 ， 贯穿于模型和数据获取的闭环是如何来去设计的 ， 对 。

对 ，因为其实 Momenta 也是我们投的公司 ， 它是一年的时间内从 0 到 1 搭建了 5 亿帧的道路数据集 ， 蔚来其实也是实现了百万辆量产车的这个数据的闭环 ，其实是很厉害的两家科技公司 。

但是我有一个困扰我的问题 ， 就是目前市场上大家一个核心观点就认为特斯拉跟您说的就像 FSD 的这个技术 ， 它其实有 60% 是可以复用到 Optimus 人形机器人的 ，但是从智驾迁移到具身 ， 目前仍然是有很强的壁垒和门槛 ， 比如精度 、 场景复杂度 、 迭代效率 ，是吧 ？

我也想问问您 ， 就是具体哪些数据和经验是可以从智驾迁移到具身的 ， 哪些是全新的挑战 ？

智驾和机器人从应用场景上边它就不太一样 ， 智驾的话它的执行器很简单 ，其实就只有方向盘 、 刹车 、 油门这么几个控制器 ， 然后它对于比如说我操作的精度 ， 前后的这样的精度 ， 它都是一个米级别或者十米这个级别 ， 然后它才从横向上边的时候都是这种厘米级别 。

但是从机器人的这个操控的视角 ， 它需要到毫米的级别 ， 这个是说从场景的操作的精度上面来去看 。

第二点就是场景约束上， 现在每一家做得好的智驾的公司 ， 它所去探索的这些道路已经从一亿公里变得百亿公里 ， 或者说更高的这样的量级 ， 它才能在趋近于 L3 的尺度上边时候能把这些功能做得足够好 。

这个百亿的公里也只是道路的场景 ， 那你道路上边所去遇到的物体也好 ， 对吧 ？ 然后参与者决策的东西时候其实它是一个相对来讲是比较容易去枚举和去约束的 ， 对吧 ？

但是我们去看一个居家的机器人 ，在一个家庭环境里边参与的物执行的这些动作精度交互的执行器 ， 它都不是一个量级和维度的 。

所以我们认为说通用的机器人解决的问题要大支架两三四五个量级 。 那当然还有就是大部分以前在车上边时候的一个 Corner Case 可能就十秒 ， 你的一个操作影响到最终的事件的结果 ， 可能生命周期就是十秒 、 十几秒就到头了 ， 对 。

当然现在时候会有更长程上的一些体感上的优化的东西 ，但在机器人上边其实它是一个更长程的 ， 比如说去拿一杯咖啡 ， 然后你可能需要知道说你为什么要喝咖啡的这么类似的吧 ， 就是它的长程的任务时候会更长 ， 它可能会超越一分钟或者五分钟 ， 这几个难题复合到一起的时候会使得具身是一个更复杂的事情的 ， 这些是挑战 。

那我们有自己的路径 ，有自己的方法 。 那我想说有一些不变量 ， 就是智驾也好 ， 机器人也好 ， 它其实都是机器人， 它都是有明确的任务 ，有明确的环境交互的空间 ，有自己的执行的推理的能力 、 认知上的能力 ， 它依然围绕着一个不变的东西的时候就是一个智能体怎么来去迭代的 。

这里边就包含了数据闭环 ，其实是让你的模型在跟你真实的应用场景里边时候去产生交互 ， 然后把你交互上面的 Feedback 的时候再去回馈到你模型的迭代上， 使你的模型广泛的分发 ， 然后提高这个迭代的速度 。

你的一个模型能更快的参与到真实世界的迭代 ， 能去完成一个迭代的闭环 ， 能去完成一次更迭 ， 那你就能像生物进化一样的时候更快去演进它 。

所以我说在我自己的这个指标之下 ，有两个很核心点 ， 一个是规模 ， 一个是迭代速度 ，有多少个体智能体参与这个迭代环节 ，以及说我完成一次迭代究竟是一个月还是一天还是一小时， 那我们其实都在围绕这点来去做 。

这个跟我自己的职业履历也是一样的 ， 无论是在 Momenta 从 0 到 1， 从一辆车到 100 台实验车 ， 还是说我去蔚来 ， 然后从实验车到百万辆的量产车上去 ， 那我也希望的时候就是这一套体化设计 ， 这一套系统架构作用于千万或者上亿台机器人里边都有我们的存在 。

对 ， 那具体哪些经验我们是可以复用的 ？

我们能知道什么样的路径是对的 ， 什么路径是错的 ，而这些的是需要你真正的在一个复杂的体系里边去做过它 ， 你才能知道的东西 。

所以它能决策的东西是什么 ？ 就是当你的硬件持续在变化 ， 你的模型也没有固定 ， 所有东西都没有收敛的情况之下， 你站在 Infrared 的视角上边时候怎么看这路径的选择 。

比如说像我刚才说的时候 ， 就是大家现在时候去做数据 ，有非常非常多的路径 ， 我做仿真也好 ， 对吧 ？

我做采集的硬件也好 ， 或者说我做更大的规模也好 ，但是你选择去优化哪个路径 ， 解决什么样的问题 ，是你需要能去建过这么大的规模 ， 且跨过代际你才能去做出来在这个视角上面的判断的 。

那我觉得这部分的时候其实是我们能在 Infrared 的视角 ， 或者是从一个大的基础设施视角上面跨越代际上面非常宝贵的东西 。

那第二点 ， 为什么一个系统架构设计上边跨越了代际能看到不同的东西 ？ 我举一个很简单的例子 ， 就是在 Transformer 没有出来的时候 ， 很多小的支架的模型都不需要那么大的显存来去 Catch 到这么多的参数 ，但是因为你有对于模型的了解 ，因为你对于模型发展的趋势 ， 对于整个的计算 、 存储和网络上边的宏观上边的判断 ， 你能知道说你在下一代的系统上边

时候如何去调节传感器的部分 、 通讯的部分和存储的部分 ， 使得它形成一个最优 。

对 ， 这有点像什么 ？ 就是说像我们做 Marketing， 那你从大媒体到自媒体这个阶段 ， 它其实也是从代际上的跨越 ，但是这个跨越过程中它基本的一些能力是没有发生变化的 。

就像您刚才说的 ， 我基于我对于行业 、 对于模型的这种了解 ， 那我知道它技术演进的路线在哪 ， 我知道它下一步的坑在哪 ， 我知道它会往哪走 ， 那这时候就可以做一些提前的预判 。

当然 。

跨越代际的这个能力都是基于经验和对技术前瞻性的判断的 ， 那这我理解了 ， 那确实是非常高的门槛 。

那其实刚才您提到了 ， 就是家庭场景里数据采集的难度是远高于工业场景的 ， 比如说智驾它可能有十秒的缓冲的时间 ， 对吧 ？

这个 Corner Case 差不多是这样 。 那对于家庭其实它数据孤岛比较严重 ， 我们之前也看过库加勒的那个模型 ， 它判断这个杯子是一个瓷的 ， 确定这个机器人抓取的时候不会把它捏碎 ， 这就是它利空的这一块 ， 它其实是非常复杂的 ，有很多杂物 ，有很多的材料 。

那我也想问问 ， 就针对这样的复杂家庭场景 ， 我们补天石有没有一些专属的针对这一类具身的一些解决方案 ？

刚才我们在讲说这种采集的硬件如何去通过一种更加便携 、 更加廉价的方式参与到一个场景里边 ， 这个其实是我们已经在做的 ，因为这种场景获取上面其实相对来讲它是容易定义边界 ， 然后我们容易去找到这样的环境和人来去使得你现在还没有的这些场景被丰富的 。

那我觉得这里边其实几要素的时候 ， 就是第一 ， 你有一套轻便便携的硬件 ， 它可以在这环境里边取到环境的信息 ， 去取到操作的信息 ， 然后能去做一定程度上的筛选和处理在端侧 ， 去标签化 ， 然后去回来 ， 我觉得这是一个在硬件上边需要的东西 。

第二部分东西的时候其实是你如何能去把它的参与者 ， 就包括了环境 ， 比如说家庭其实就是你的房间 ， 房间里边的这些物体 ， 然后能去做区分 ， 做索引或者说管理 ， 对 。

第三个是其实是参与者 ， 就是究竟是什么样的人围绕着这个环境去做一个有目的性的东西 ， 如果是主动的话 ， 你怎么来去合理的设计一个任务 ， 然后来去判断说参与的物体执行的动作 ， 每一个原子动作 ， 它在这里边是如何去分布的 ， 然后来去构建一个基础的 Data Site， 对 。

那后边更多的时候是从主动快速补充的环境的信息 ， 到开始跟这个环境交互了 ， 去完成任务了 ， 然后能去把这些 Byte Case 和 Core Case 去收回来 。

那其实你就需要有一些执行的设备在里边 ， 当然这部分的时候我们会和我们自己的客户合作伙伴来一起去完成 ， 然后在模型执行的过程之中， 如何去通过人来协作 ， 去把过程之中的中断的数据信息能完整的时候记录下来 ， 帮助模型来去分析 。

这两部分的时候其实是我们现在在构建的 。 那当然后边其实是更长线上边的时候 ， 就是你的模型能力变得越来越强 ， 怎么样更加实时的让人的辅助和模型共同去完成任务 。

那我们为了能去完成这样的任务 ， 会约束很多场景上的复杂度 ， 正像现在大家做家居上面的时候 ， 可以先去叠衣服 ， 然后再去做厨房 ， 对吧 ？

场景任务尽可能去收敛 ， 相对来讲比较小 ， 使得你这部分的迭代的能力 ， 这部分模型既能去解决任务 ， 同样的时候它也具备说向它更周边的场景去泛化的能力 。

这些是我们在 C 端上边和一些做居家的机器人的公司来去探索的路径 。 同时的时候我觉得像这个在 ToB 的工厂的场景里边时候 ， 我们也在做 ToB 的场景里边更重要其实是空间任务场景 ， 它具体在做的事情 Spec， 它相对来讲比 C 端更简单 ，因为它是标准化的 。

同样的问题就是你也得在这里边时候能去找到 ROI 为正 ， 且它有泛化能力的东西 ，不然它就会变成它不是机器人， 它是机器 ， 对吧 ？

它更加专业的或者说非标自动化的场景 。

对 ， 那 B 端的场景能不能给我们展开讲讲 ？

我们特别早的时候 ， 就是跟行业是一样的 ，因为行业都有共性的时候 ， 就是现在模型虽然很菜 ，但是它有一些东西是能做的 ， 比如说分解 ， 就是所有大厂都在做分解 ， 你有时候去观测一下那个分解 ， 它好像在那 24 小时都已经跑得很顺了 ，但你发现它执行的那个东西的时候还是要么就是这个袋子 ， 要么盒子 ， 它其实没有那么的通用 ， 它

还是一个相对来讲比较确定性的一些操作的物体 。 如果你在里边时候放更复杂的东西进去 ， 它不一定能搞定 。

我觉得这一类的在现有的蓝领或者说这种工种上边时候广泛存在的场景 ，也是真正的大家现在去做无论是全站或者解方案机器人的公司的时候就会去挑的 ，因为它的确有用武之地 。

但它很大的问题就是真正放在那个场景里边去 ， 只要你有一两个 Case 不在你的这个样本里边 ， 都不是一个通用能力去解决的事情 。

所以你能看到很好的演示 ，但是它距离可用还是需要你持续的把长尾的东西收回来的 。 我们也在尝试着跟几个 Team 一起来去协作 ， 包括且不限于分解搬运 。

当然我觉得更复杂一些的场景其实大家会收敛 ， 就是说那如果我现在一个通用模型距离这个场景还很远 ， 我能不能去通过改变它的构型 ， 然后去改变它的参与的物体 ， 对吧 ？

我改变它的操作方式去优化 ， 我觉得它是有机会的 。 但它缺失的东西是一旦把它放在真实的场景里边开始去进入生产的时候 ， 它要符合很好的节拍 ， 然后你有故障的时候你能快速的修复 ， 你有系统化的方案使得能变成数据驱动的方式来去修复 。

而这部分东西的时候我们在做的就是我们叫做后训练的平台也好 ， 或者我们叫做真实的部署的这样的场景 ， 做到的就是帮助它在量产的时候能把这样 Corner Case 能批量的时候回来去做分解 。

但这里边时候也会有非常多的很困难的事情 ， 包括我们怎么来去控制说这些数据的隐私 ， 然后你的场景端和模型端上边其实数据归属权上的东西 ， 这些都是我们在 B 端上面场景上的一些实践和探索 。

对 ， 您刚才说这几个场景 ， 我突然觉得它就是我最近在看的一些我们贝头公司 ， 就是这几个场景 。

像一些模型训练的公司 ， 训练这个语数的机器人在铺床 、 运烫 ， 这其实就是像您说的 ， 把这个需求先收敛到一个可执行的机器人能干的活 ， 然后分解确实也是就是我目前见的最多的 。

它抓的还挺牢 ， 我跟它去争夺那个它还不撒手 ， 它也能识别哪些是空盒子 ，但是确实效率我觉得可能这个需要时间 ， 就它还很慢目前 。

但是其实我觉得这是一个很好的开始 ， 先有个具体的场景我们先去验证 。 我记得我当年第一次看我们的一家贝头公司 ， 它其实是做药房的 ， 智慧药房 ， 我就挺难想象那药片长得在我看起来是一样的 ，但它就是那种智慧帮你切药 ， 它能智能识别出你这个药要多少片 ， 给哪个病人， 然后它把分解好了之后都放在一个小包里 ， 自动就给到住院部

， 过去是护士自己来手切 ， 那现在就是它全部帮你切好了 ，有个机器人给你送过来 ， 然后到你住院部的时候 ， 护士直接拿过来就给病人就可以用了 。其实我觉得这个场景都是说你要收敛到一个具体的里边 ， 可能它的效率就会越来越高 ， 然后精度就会越来越高 。

对 。

非常有意思 。 那我们其实刚才探讨了很多我们具体在数据的场景 、 捕捉方式 、 软硬件 、 优势上的各种各样的探讨 ，但实际上我们目前市场上对于这个既懂行业数据又懂算法的这个综合性人才其实还是非常稀缺的 。

我想就是请教您一下， 您是怎么来解决您的这个团队的升级问题 ？ 目前有什么样的一些团队的想法 ？

一个团队 、 一个组织跟一个模型业是有点像的 ， 就是哪部分的时候它是你底下那层的 Backbone， 对吧 ？ 哪些是它不同功能上的 Head。

我觉得在通用的固化的 ， 然后经验型的东西 ， 你其实应该是用行业上面的人 ，他一定在这里边做过 ， 比如像我说就是我们做过 Infrared， 你首先你得做过这么大的规模的设计 ， 然后你在这里边跨过代际 ， 然后你有既有的经验能帮助这个结论的收敛 。

现在 Team 里边其实有蛮多跟我一起在支架里边 ， 或者说大家在最早的机器人从萌芽 ， 然后到慢慢演进过来的同事参与进来 ， 那它帮助的是构建的说在最底层的这一层不变量的 Infrared， 然后怎么去把一些传统领域上的知识带到这里边能快速去落地的 。

然后我觉得第二层就是现在是一个非常好的一个时代 ， 我之前的时候其实已经相当长时间只做系统架构 ，不做 Coding 了 。

而现在我觉得一个好的点的时候就是你能在一个很好的 Infrared 上边快速去实验你的想法 ， 通过你跟 Coding Agent 来去协作 。

所以我现在其实有很多这种交付型的任务是自己去做的 ，因为模型能帮我做很多的事情 ，但我也有很多很固有的东西在约束 ，因为我见过它这么大是一个什么样的东西 ， 所以我有时候在设计上边的时候就不得不会考虑它长期上边是需要怎么沉淀的 。

但是有一些小朋友就是非常聪明的一些同学 ，他自己有一些动手的能力 ， 然后只要你给他非常好的资源和明确的问题 ，他能通过跟 Agent 来去协作 ， 快速的在这里边找到一个你无法想象的方法 ， 然后但是他很稳 ， 对 。

然后我们再去把这部分的能力变成底层的基建 ， 然后去变成长期的系统架构 。 所以我想说我在这个招人上边的时候 ，其实是有两个极端 ， 要么你就是带着行业里边经验 ， 这些只能在脑子里而不在数据中的 ， 还有一部分的时候你是有非常强的愿景 Motivation， 给你资源你就能创造新的东西的 。

明白 。 那你认同这种像 AI 时代的艺人公司吗 ？

就我觉得艺人公司是一个阶段 ， 随着生产力提升 ，以前的时候大家不能做的事情 ， 然后你现在的时候一个人能去做了 。

但我们去看说当你一个人能力很强 ， 大家又谋求着说用更多强人来去做一个更高的目标 ， 所以我也相信随着后边大家都能去跟机器人协作 ， 会使得说人与人之间 、 工种与工种之间的变化 ， 然后这种变化再去沉淀沉淀的时候 ， 大家会有更远大的目标 。

我觉得人类对于渴望 ， 对于好奇心 ， 对于探索真实世界 ， 这个底层初心是不变的 。 那这里边有非常非常多的我们还没有做 ， 然后随着生产力提升之后有机会去做的 。

所以此时此刻我觉得做这个公司 ， 它也有点像说我在实现探索世界上边的一个路径 ， 只是说必须它去符合商业的基本规律 ， 它才能规模化的 。

对 ， 咱们公司现在多少人 ？

我们现在大概有三十几个人吧 。

对 ，但其实我觉得像艺人公司这个话题 ， 我最近问了很多人， 我觉得在中国其实挺难的 。 这个在美国我觉得非常常见 ， 就是最近我看了好多项目 ， 都是一个人配六七个 AI Agent 在干活 ， 然后这个 Agent 还跟它互相可以去辩论 ， 彼此之间纠错什么的 。

这个其实我觉得在中国其实挺难艺人实现 ，因为美国对于科技研发的容错度是很高的 。 但是中国你目前的主流的无论是模型厂商还是具身的厂商 ，其实他们存在着算力的成本的约束 ， 它对于容错度的要求没有那么高 ， 所以还是需要一个团队来协作 。

就像您说的 ， 我有非常丰富经验的行业老炮 ， 我也需要有那种天才少年 。

是 。

对 ， 两边都需要 。 我觉得很难就是艺人在中国做一件大事 。

对 ， 我觉得就是有时候我们看说上一代在中国 ， 然后就是他觉得对于 SaaS 充满了期待 ，但是发现最终的时候不 work。

但我想说其实它很大程度上边跟大家对于风险上边的厌恶是相关的 。 就是在机器人上边也是一样的 ， 你会发现国内的机器人公司它会更偏保守 ，在它没有画出这个 Scaling Law 的时候 ， 它是不会烧钱的 。

但我觉得就是我们去跟海外的 ， 就是在北美的团队去合作的时候的好处在于说 ， 你会发现一个小的 Team， 它对于你去探索一个新的方案 ， 一个新的路径 ， 它容错率接受的时候是蛮大的 。

这其实也是不同阶段上有不同的优势 。 那美国对于模型上边 ， 对于一些新的硬件和构型上边 ， 容易探索出来路 ，但是中国搞得很快 。

我有一个观点的时候就是 ， 大家去看智驾 ， 然后大家去看生产制造业的东西 ， 就是一旦它行业收敛了 ，以国内的人才制造业 ， 它卷的时候很快的 。

所以我想说在这一点上边 ， 我自己秉承的就是跟着最前瞻的算法团队去探索新的东西 ， 且在这里边时候去思考说 ， 那如何在成本有约束的情况之下批量化去做生产 。

我觉得这一点上是两端上边都要去看到的东西 。 那我也相信有些时候它的约束不见得是坏事 ， 成本的约束也好 ， 时间的约束与资源的约束 ， 就是你只有在这个约束情况之下的时候 ， 你才会去探索你的极致公众化 。DeepSeek 的时候大家去看也是一样的 ， 就是如果没有对于带宽上的约束 ， 或者在存储上面的约束 ， 那其实有一些已知的方法 ，

它是不会在这里边去做公众化落地的 。 你一个复杂的工程系统 ， 单点优化可能都是一个 30%，但你乘起来会发现它是一个十倍或者百倍上的差异 。

那你在一个十倍资源情况之下， 你去做出来的算法 ，有可能它的算法结构也是不一样的 。 我觉得这个恰恰是在中国现在的机会 。

对 ， 就是没钱会倒逼我们把事做得更好 。

对 ， 就是会更极致一些 。

对 ， 这省吃俭用可是咱们中国人最擅长的 。

是 。

对 ， 那我们开开脑洞 ， 你觉得未来补天使终极会走到哪里 ？ 在整个的具身智能行业 ， 或者叫 AGI 行业里 ， 它是个什么样的定位 ？

我希望我做的这套系统 ， 然后能在一亿台机器人上边发挥它的价值 。 那如果将来机器人是一个百亿的规模 ， 那每一个机器人身上都有这么一个组件 ， 或者一个数据标准来帮助这模型来迭代 。

然后我觉得从时间上边来讲的时候 ， 就是如果现在机器人落地还缺少着什么东西无法让它去 Scaling， 那我们自己做的这套东西的时候 ， 能去把一个没有我们参与 ， 它需要五十年才能达成 ，在我们参与之后的时候 ， 能在五年之内的时候去达成的时候 ， 我觉得是一个很功德无量的 。

那从我们上边去支撑的行业或者产业来讲的话 ， 那我觉得我希望说我们能帮助每个行业有十套新牌子 ， 像 Tesla 这样的公司产生 。

对 ， 您刚才说从五十年缩短到五年， 其实目前这个行业数据的格式标准都非常的乱 ， 完全没有统一数据的孤岛非常严重 。

你觉得就是五年之内补天使会推动行业整个通用数据标准的建立吗 ？

标准的落地和制定是来自于你这个标准对于大家真的有价值 ， 就是技术领先和商业上面的试战来去反推回来的 。

那我想说我们是拥有这样的路径的 ， 就是我们和真正在做前瞻算法的人去 Coding 一下一代的东西 ， 我们能更早的去看到信号 ， 看到目标 ， 然后我们能把这样的目标落在规模化上边时， 带来说你有更好的数据的价值 ， 更低的这个成本 ， 更好的规模 。在这过程之中是通过不断的去把这样的反馈 Inside 的东西的时候去回馈于行业里边的时候

， 我觉得这一点上边我们会践行这样的原则 。 当然我觉得从整个行业上面大家去收敛 ，是也是需要每一家生态企业都会这样的 。

我觉得这一点上边是一定会收敛 ， 原因就是要做好机器人的难度要比大家想象的要大 ， 然后资源又是有限的 ， 大家又有非常强的动机和 Motivation 去做 ， 那这过程之中一定会自然的收敛 。

那我想说在于数据的标准层 ， 然后或者说在于关键的一些零部件 ， 我们会 Release 一些开源的成果 ， 然后回馈于行业 ， 然后我们也希望说行业里边的同仁们 ， 大家都一起共同的时候去把这套东西做更好的 。

对 ， 那其实回头来看 ， 今年我们也重启了 Fellow， 宇利其实是我们的 2022 届的 Fellow， 应该是我们的倒数第二届 。

到今年我们重启也是看到了越来越多的各类非常优秀的人才 ， 下一代创业者他们的一些趋势 。 我想问问你 ， 就是 Fellow 给你带来最大的收获是什么 ？

首先就是投了我 。 从 Fellow 上面说 ， 我虽然 22 年参加 ，但我 23 年我也去了 ， 然后我跟 23 年的很多朋友都很熟 。在 Fellow 没有去办下一届的时候 ， 我跟千惠 、Chloe 还有 Kana， 然后我们一起做了一个 Meetup， 我们在一年里边的时候做了 24 期 。

我的天哪 ，是我们那 Chloe 吗 ？

对啊 。

太厉害了 。

它那个起点其实也挺简单的 ， 就是像以前的时候 ， 大家 Fellows 还经常坐在一起 ， 每年有一届大家重新聚会的时候 ， 然后第一次的时候也是无心之举 。

我来上海 ， 然后去见那个千惠 ， 然后当时还有夏远 ， 大家就说要不要一起去吃饭 ， 谈着谈着 Fellows 差不多的时候就有小十个人， 然后大家在一个小酒馆 。

当时有人说如果这个 Fellow 一直做 ， 包括当时现场的时候还有一些小同学说后边能不能报名啦 ， 然后我说我就做一个活动 ， 把大家每一段时间都召集在一起 。

所以那个时间点跟千惠 ， 然后我们就一起 Founding 了一个公益型的活动来去承接大家无助聚在一起的 。

对 ，但是我想现在的时候这个回归了 ， 然后我就说我也推荐当时社群里边很多朋友报新的一届 Fellow。

对 ， 好 ， 感谢小白今天的精彩分享 ， 让我们对整个具身智能行业有了一个非常完整的深度的一个了解 。

那么也欢迎各位听友在我们本期节目的喜马拉雅和小宇宙下面积极的留言 ， 我们抽出五位听友送出我们纪源资本出品的小周边 。

好 ， 那本期节目到此结束了 ， 我们下期再见 ， 拜拜 。

再见 ， 拜拜

。