具身智能现在太吵了。
行业里的人各自笃定，声音大的先被听见。最响的那些声音，往往离真实的进展最远。
真正在往前推的人，看的是谁在践行非共识，什么在真的往前走，以及谁心里有一张完整的图，而不是走一步看一步。
这些东西不会上热搜，但它们决定这个行业的下一步。
我们一直探寻这些。如果你也是——
欢迎来到极客公园 In The Loop。
作者｜Li Yuan
过去一年，上海静安区最醒目的队伍之一，在兴业太古汇北广场上。114.5 米长的路易威登「路易号」，像是一艘巨轮驶入南京西路，引起游人纷纷拍照。
很快，隔着石门一路，对面可能会出现一个新的排队打卡点。
8 月 29 日，吴江路 169 号的一家 DQ 将重新开门。柜台后面，多了一名机器人店员。
机器人做冰淇淋，乍听并不新鲜。过去几年，类似的机器已经作为噱头出现过不少：一套专门为机器人设计的冰淇淋机完成大部分流程，机械臂只需要接住杯子，再把它递给顾客。与其说机器人学会了做冰淇淋，不如说人们重新造了一台更适合机器人操作的机器。
这一次不太一样。
Sharpa 的机器人做的是一杯大家熟悉的 DQ 暴风雪，从取杯、出料、加料到搅拌，全都按照 DQ 原有的步骤完成，包括取用杯圈时，像店员一样拉开为人手设计的柜门，加小料时打开小料盖子用小勺盛起来，以及根据视觉和触觉反馈，搅拌冰淇淋。
最后还要通过招牌式的倒杯检验——把杯子倒过来，冰淇淋不能掉。
这个项目很快就要在店里直接进行每日 12 小时稳定运营，直接接受每一个到店顾客的检验——DQ 大家太熟悉了。一杯暴风雪做得好不好、倒过来会不会掉，几乎一眼就能判断。
这台机器人来自 Sharpa，成立于 2024 年，过去几乎总被视作一家灵巧手公司：它推出的 Sharpa Wave 灵巧手拥有 22 个自由度和触觉感知能力和很强的可靠性，表现太抢眼，以至于机械臂、整机和 AI 反而被藏在了后面。
DQ 项目是 Sharpa 第一次把这些部分同时推到台前——灵巧手不再只是一个单独出售的零部件，而是装在机器人身上，连续完成制作一杯暴风雪所需的 55 个步骤。
过去一年，机器人行业被问得最多的问题之一，就是到底有没有真正落地、有没有走到商业化。
按照真实门店、真实订单和连续运营这些标准，DQ 项目或许已经是离这个答案比较近的一次尝试。不过，如果按照当下的商业账来算，它显然还没有完全成立：项目目前只在一家门店试运营，只能制作有限的品类，做一杯冰淇淋仍然慢于人工，第一代整机的成本也远高于人工。
Sharpa 联合创始人李一帆把这次 DQ 试运营看作一场必须「真诚」面对结果的测试。
他把问题分成了两层。
第一层是「到底能不能做」。不改造环境，不用人为降低任务难度，而是把机器人直接交给真实运营来检验：它能否可靠地跑完 55 个步骤？能否连续工作 12 个小时？如果最终每天都「鸡飞狗跳」，就说明这条路线还没有跑通，只能承认失败——用李一帆的话说，就是「真诚地失败」。
第二层才是「能不能做得更快、更便宜」。在李一帆看来，只要先跨过「能做」这条能力线，提速和降本就是两件「100%确定会做、并且 100%会成功的事」。他有理由这么说。李一帆的上一次创业是禾赛——激光雷达从早年几十万元一台，降到今天的千元级，这条曲线他自己走过一遍。
在这里，「真诚」这个词显得格外扎眼。
这与机器人行业当下对「落地」的定义有关。人们已经看过不少宣称落地的器人，但其中不少项目里，环境、设备乃至工作流程都经过了专门改造，机器人真正完成的可能只是整套自动化流程中的最后一个动作。
项目运行起来了，却很难判断究竟是机器人学会了工作，还是人们重新设计了一份更适合机器人的工作。
李一帆把这种做法比作「电话亭」：就像因为手机还不够好用，便在城市里到处修建「电话亭」。这样的项目当然可以运行，也可能解决某个具体问题；但机器人学到的能力很难离开这套特制环境，更不一定能够支撑高价值的商业化。
他并不否认「修电话亭」本身的价值。专用自动化完全可以是一门成立的生意。但如果把一套为机器人量身定制的自动化系统，包装成通用机器人已经进入真实世界，在他看来，这就是不真诚。
他想做的恰好相反：让机器人适应人类原有的环境、工具和工作流程，在不改造现场的前提下，接下一份原本由人完成的工作；再把这份工作中学到的能力，迁移到下一个场景。
我们从这杯冰淇淋出发，与李一帆进行了一次对谈。
Sharpa 近期刚刚宣布了融资——超 45 亿人民币融资。投资方包括阿里巴巴、美团、腾讯、京东、传音等产业资本，以及红杉中国、启明创投、美团龙珠、光合创投等投资机构。
过去，他很少以 Sharpa 联合创始人的身份，系统谈论自己对机器人技术路线、落地标准和商业价值的判断。这一次，他把这些此前散落在产品和技术选择中的思考，完整地讲了出来。
这背后，是李一帆对机器人技术路线、落地标准和商业价值的一整套判断：通用机器人为什么「要么全能，要么无能」？什么是自动化划下的「斩杀线」？为什么机器人行业最不该做的，是「为机器人创造就业机会」？
以下为 In The Loop 与李一帆的对话，经编辑整理。
用通用的硬件做通用的软件
问：外界一直把 Sharpa 当作一家灵巧手公司，但 DQ 项目里实际展示的是整机和 AI 的能力。怎么理解？
李一帆：Sharpa 从第一天开始就不是一家只做灵巧手的公司。我们办公室里一直放着一个目标：到 2050 年，用机器人技术解放人类 20% 的时间。
为了完成这个目标，我们一开始想做的就是通用的硬件和通用的软件。
我们先把灵巧手拿出来，是因为当时行业里没有足够好的手。机器人连人的工具都操作不了，上面的模型再聪明，最后也落不到物理世界里。
所以，我们先设计了五指灵巧手 Sharpa Wave，它是我们对于通用硬件的一种定义。硬件产品本身很直观，大家很容易判断它好不好，结果外界就先记住了这只手。
而 AI 则是隐性的。每家公司都可以讲模型架构、数据规模和 GPU 数量，也都觉得自己的 AI 做得很好，但行业里并没有一套统一的标准。
所以大家在一个显性的、特别容易判断的事，和一个隐性的、比较混乱的事之间，只记住了显性的那个。
其实公司内部的精力分配从来不是这样的，软硬件大概各占一半，而且硬件里面有非常多的产品，手只是第一个冒出来的那个——整机比你以为的要难做，数据的 infra 也比你以为的要难做。
这次就是我们拿出了对通用软件的我们自己的定义：它能不能在不改造环境的前提下，从头到尾完成一份真实的工作；能不能在实际运营中反复执行；以及完成这项任务后，学到的技能能不能被重新组合，用到下一个场景。
问：DQ 项目是什么时候开始的？为什么最后选择了这个场景？
李一帆：今年 CES，我们第一次对外发布了整机 North。从 CES 回来以后，我们就开始寻找它能够进入的真实场景，DQ 项目也是那之后启动的。
我们定了几个条件：场景必须真实，要把一份工作做穿，操作不能太简单；最重要的是，不能改原来的设备、流程、原料和工具。
我们找了 DQ 这样一个标准非常严格的国际品牌合作。DQ 的设备和操作规范不能随便改，品牌大家又非常熟悉。只有在这样的约束下把项目跑通，才有说服力。其他品牌看到这套系统能够在 DQ 的标准体系里运行，也会知道这意味着什么。
餐饮还有一个比较现实的好处：大家能直接看到机器人怎么工作，做得好不好，几乎一眼就能判断。
问：在人的眼里，做一杯 DQ 暴风雪并不复杂。对机器人来说，真正的难点是什么？
李一帆：DQ 不是最难的场景，但也不能说容易。难点不在某一个动作，而是机器人要在完全不改造场地的情况下，使用人原本就在使用的设备和工具，把 55 个步骤连续做完。
这里很多东西，天然就是为人的手设计的。纸杯既要拿稳，又不能捏坏；柜门的把手很窄，要用手指很精确地抓取；勺子放在一个大杯子里，需要从中挑出一个，人手好操作，但是夹爪可能就很难。
搅拌又是另一种难度。杯子里不是水，而是结块、黏度很高的冰淇淋混合物。搅拌机工作以后，杯子受到的拉力和扭矩一直在变化。机器人既要握稳杯子，又不能把它捏坏，还要根据视觉和触觉反馈，实时调整杯子的位置、握力和上下移动的幅度，而不是简单回放一段固定动作。
单个动作拿出来，可能都不算特别难；但把它们全部连起来，而且每一步都做好，就很难了。55 步里任何一步失败，最后都交付不了一杯完整的冰淇淋。
如果遇到一个难点就改一次：为了夹纸杯改一次环境，为了拿勺子再改一次，为了拨开关还要继续改，最后就会彻底乱套。机器人或许能把这一杯冰淇淋做出来，但整套系统就变成了专用自动化，不是我们想要的效果了。
我们最在意的还是把一个场景不改动地做穿，让机器人像人一样使用原有的工具，把一整份工作从头做到尾。
问：如果按照真正进入门店工作的标准，这个项目现在走到了哪一步？
李一帆：第一步，而且肯定是很早的第一步。但它不是一个很弱的第一步。
下一代我们会更新硬件；场景里会增加不同的小料和定制饮品，再争取做更多食品，比如这家 DQ 店里本身也提供汉堡。
我前面为什么强调要把一个场景做穿，就是因为你把一个场景做穿以后，得到的不只是一堆数据，还有里面每个子任务的技能。以后做汉堡、披萨，很多步骤可以重新组合。
举个例子，做冰淇淋需要 55 步。模型把这些技能拆解以后，未来做一个 60 步的汉堡任务，可能会发现其中 40 步已经学过了，就自动把这 40 步放进去，剩下 20 步再请人示教。等到以后做披萨，可能需要的 18 步都已经在前面的任务里学会了，那就可以直接重新组合，学习一个新任务会越来越快。
我认为这就是泛化最朴素的定义：一件事干好以后，再干另一件事，时间会显著缩短。
问：试运营期间，还需要工程师一直在现场盯着吗？
李一帆：早期肯定要。一方面旁边有正常的店员，另一方面早期还会有人在，因为总还得给顾客讲解。
至于技术上需不需要驻场，现在还处于试运营阶段，我也不确定。但标准是清楚的：
再跑一个月以后，如果一周撑死换一次，我觉得这就算不用驻场了；一个月换一次就完美了。如果是一天换个三次，那就还是驻场。
问：接下来怎样提高节拍？
李一帆：提高节拍有两条线。
第一条是机械能力，手和胳膊本身能动多快。这是最基础的物理上限。下一代产品推出以后，机械速度会有明显提升。
第二条是模型的稳定性。很多人以为机器人现在动作慢，是因为模型推理不够快，其实不是。模型的控制频率可以很高，真正限制速度的是：
动作一快，它还能不能稳定地把事情做对。
这里面涉及对非专家示教的学习、模型对于分布外情况的容错能力、模型真机强化学习能力。模型现在有点「艺不够高」，所以「胆」也不能太大。速度提得太快，杯子就可能拿不稳，东西也容易掉。既然门店不能接受它频繁出错，那就只能先慢一点。
这和刚学开车很像。你一开始开得慢，不是因为车跑不快，而是因为自己还不够熟练，开快了容易蹭。我们现在首先保证成功率；随着训练数据增加、模型越来越稳，才能在不牺牲成功率的前提下继续加速。
所以节拍不是只靠换一代更快的硬件，也不是简单提高模型的推理速度，而是硬件速度和模型稳定性一起往前走。
问：成本呢？第一代整机至少几十万元。
李一帆：Sharpa 是我的第二次创业。第一次做禾赛，我们已经完整经历过一轮硬件从高成本走向规模量产、再通过规模持续降本的过程。说得夸张一点，第一次创业我把成本降得太低了，所以这一次不太担心降本。
很多人对中国制造有一个误解，觉得是因为成本低，所以东西卖得多。但中国汽车供应链、尤其是智能车供应链，很多时候是反过来的：先是东西好用，用的人多，量起来了，所以才便宜。
最关键的还是先把 AI 和任务跑通。跑通以后，量上来，成本自然会往下降。提速和降本，是我认为高确定性地会随时间变好的事情。
机器人，要么全能，要么无能，
能做 90% 是一个陷阱
问：你一直强调要把一个场景 100% 做穿。但以现在机器人的能力，常常是能完成 90%，剩下 10% 做不了，交给人来做，这不也是一种落地吗？
李一帆：这恰恰是一个很容易掉进去的陷阱。
一个 100% 真实的场景和一个 90% 真实的场景，差别就在于：只要那 10% 还得交给人，这个场景里的人就不能离开。
而且那 10% 不是随便剩下的，它往往正是最难的部分。你把好做的都做了，剩下的全是你今天解决不了的问题。
所以这不是一个「再走一走就到 100%」的状态，很多时候它是你走不过去的那一段。
一个人原来要做五件事，机器人替他做了一件，不代表你就创造了这个人五分之一的价值。剩下四件事还得他来做，那个人还得在——对真正付钱的人来说，账本上什么都没有发生。
90% 有时候不是离 100% 很近，而是更接近于 0。
我们可以做一个很会叠毛巾的机器人，但你去酒店看，有「叠毛巾专员」吗？没有。一个固定地点的毛巾量根本支撑不了一份全职工作，甚至把毛巾全部集中起来让一个人叠，也不一定比客房员工顺手叠掉更快。
甚至这里还有一个更麻烦的事：机器人接手的那一件，是嵌在人原来那套流程里的。他剩下那四件事得等你这一件做完才能接上，你慢他就得在旁边等着。
所以你以为省下的那部分时间，实际上也没有完整省下来。
这就不是现实里原本有一份工作、机器人来了把人替下来，而是我们先看机器人今天会做什么，再从人的活里切出一个动作给它，让它看起来已经上岗了。我把这个叫作：为机器人创造就业机会。
问：那如果就把一个环节做好，作为一种过渡，不也是创造了经济价值吗？
李一帆：其实没有过渡这回事。你只做一个环节，最后只有两种结果，而这两种结果都不是通用机器人。
第一种是你还想当通用机器人。那你就要问自己一句：既然只做这一个环节，为什么要用人形？客户看到的不是一台通用机器人，是一台干这件事的设备。他不会因为你有两条胳膊、一双手就多付钱，他只会拿你去跟已经在做这件事的专用设备比价。
这一比你就输了。人家一共三个自由度，结构简单，节拍稳定，成本已经压到极低；你有几十个自由度，还有触觉、有算力，怎么可能比它便宜？这不符合逻辑。而且自动化的成本线，过去十年、二十年基本没有变过，它是一条已经稳定下来、有大量供应商和客户参与的线。
我把这个叫作斩杀线。你做的这件事，一台专用设备能不能做？能做，你就一定比它贵。
第二种是你干脆认了：我就是一台专用设备，放弃使用通用硬件，把结构做简单，成本做到最低。这条路是成立的，我不否认它的价值。但那就是另一门生意了，而且那门生意没有大家以为的那么值钱。
假设有一个岗位专门切洋葱，你做了一台切洋葱器把这个人替掉。这件事当然创造了价值，但老板不会把省下来的工资打给你，他只会在几台切洋葱器里挑一个便宜的买了就完了。这部分利润被老板拿走了，不是被供应商拿走的。
什么情况下供应商能拿走？就是这个东西本质上是复杂的，需要特殊的材料、特殊的流程、特殊的数据，这时候能做的人就不多了。
所以你最终能赚到的利润，不取决于人家原来在这件事上花了多少钱，而取决于原来花多少钱，加上你这件事是不是足够独特、足够难做。
问：所以你认为中间形态是不存在的。
李一帆：对。通用人形机器人这件事，最终只有两个状态：要么全能，要么无能，没有中间形态。
很多人做中间形态的时候，觉得我只要比人效率高就行——这个动作我比人快、比人稳、比人便宜，那这件事就成立了。
其实不是。跟人比，你比赢了也没用，因为你只接了一件，那个人还得留在那儿，他的工资照发；而你真正会被拿去比价的，是能做这件事的专用设备——跟人比通用，跟设备比价格，你两边都占不到便宜。这就是斩杀线：只要你做的是一个环节，你就永远站在这条线的下面。
所以你只要不能做全能，不论是在 AI 世界还是在机器人世界，其实都更接近于无能，因为你最终产生的价值是不确定的。你一旦不做全能，那条斩杀线就把你斩到无能了。
修再多电话亭，也造不出一部手机
问：2023 年大家刚开始讨论人形机器人时，很多人都相信马斯克那套逻辑：做一套通用的硬件，让它完成尽可能多的任务。但做着做着，行业里越来越少有人坚持了——机械臂也可以，夹爪也可以，先找一个场景落下来再说。你们为什么还在原来那条路上？
李一帆：我认为这本质上是一个技术栈的选择。如果因为今天的 AI 能力不足，就决定在硬件通用性和模型通用性上做妥协，我当然可以理解，只是这样的话，大家谈的就不是同一件事了。
但其实你看，从 2023 年到今天这三年，即使做了这么多妥协，那个「看似妥协、因此能落地」的事，其实并没有实现。
问：有人会提到我们先用人工接管跑起来，先让机器人做一部分，这是不是能成为率先落地的一种方法？
李一帆：接管这件事没有大家想的那么好用。
机器人出问题有两种：一种是该干的事没干，它停在那里，人过去把这一步补上；另一种是不该干的事干了。后一种严重得多——它不是留下 1% 等人完成，而是已经犯了错，收拾这个错误的成本就不是 1% 了。
所以接管有一个很强的前提：机器人每次遇到不会的事情，都能在犯错之前准确地停下来。但真实世界里的失败不是这么理想的。很多场景下，只要没有形成 100% 的闭环，你甚至不知道该怎么接管。
问：那改造环境，让机器人先绕开那些难的地方呢？
李一帆：拿不了勺子，就把勺子固定住；打不开柜门，就重新设计一个把手；做不了完整流程，就把任务拆到只剩下它会做的那部分。项目最后可能跑起来了，但每一次改造，都替模型绕过了一个它本来应该学会的问题。
我们内部把这种做法叫作「修电话亭」。本来应该提高手机的能力，让它走到哪儿都能打电话；但因为手机今天还不够好用，就在每个地方修一座固定的电话亭。电话亭当然能用，甚至可以是一门很好的生意，但你修的电话亭再多，手机本身也不会因此变得更好。
所以改造和泛化在很多时候是反的。你为了让今天的项目尽快落地而绕过去的那些能力，恰恰是将来想回到通用路线时最难补的东西。你以为自己只是绕了一下，实际上可能已经换了一条路。
这也是为什么我们这次最重点强调的两个字就是「不改」：不改原来的设备，不改人家的制作流程，也就是菜谱，不改原料，甚至连那个勺子都不能改。
说到底，你造了一辆无人车，却要去改人家的路——那自动驾驶早就实现了，你搞火车不就完了？
问：我觉得大家做妥协的目的是，能有一个先能落地的方案把机器人铺出去，一边跑一边拿到数据和收入，用这样的数据提升自己的通用智能？
李一帆：我觉得这是今天最大的分歧。
你拿一台通用的人形去做一个极其专用的重复场景，本质上拿到的还是专用智能。速度这件事，得看你铺的是什么。
假设我们在 DQ 学到了 10 个重要操作，另一家在一个工厂的分拣场景里也学到了 10 个，任务同样复杂——那第一步其实没有本质区别，他铺得比我们快，那他们做的很好。
接下来就是第二步，我们把做冰淇淋的技能拆开以后，下一步去做汉堡，60 步里可能有 40 步已经学过了，剩下 20 步再示教。那另一边的问题就是：它学到的那 10 个技能，能不能也不断找到下一个可以复用的场景？如果也能找到，那我们俩就是打平的，谁也不比谁高级。
但如果他在工厂里做的只是 pick and place，永远把一个东西从这里拿到那里，那铺一百个厂和铺一个厂，区别只是数量。他拿到的数据可能就是二十种不同形状的东西该怎么抓起来。我很难想象，仅靠这些数据训练出来的模型，会自然获得操作其他工具、完成其他工作的能力。
所以铺出去这件事本身不产生价值，产生价值的是你铺出去的那个东西够不够复杂。一样是工厂，一样是几百台机器人在跑，有的是在往通用上走，有的只是同一件事做了几百遍。
而且这里面还有一个更早的判断：你到底相不相信智能是数据驱动的。
如果你真的相信，那你就应该问下一个问题：什么样的数据能长出通用智能？
在同一个场景里跑到一亿次，你得到的是那件事的极致，那是一条很好的产品曲线，但它不会自己长出第二件事。你要通用，就只能一个一个场景去啃复杂任务——先把它做穿，做穿以后你得到的不是这一件事的数据，是一组可以被别的任务重新调用的技能。
除此之外，硬件、数据和模型是连在一起的。你用专用硬件完成一项专用任务，采到的就是专用数据，训练出来的模型大概率还是专用的。 它不会因为部署得越来越多，就自然变成通用智能。
我们部署后，收到的数据就是五根手指怎么分工、怎么发力、怎么根据触觉调整握力，这些是人的手在做的事，所以它能往别的工具、别的环境上迁移。人的工具和环境本来就是按这只手设计的。
所以数据多不多不是重点，你部署出去收上来的东西，得是能变成智能的那种数据。
这件事在汽车行业已经演过一遍了。当年 Cruise 直接上来就搞旧金山，他还是先挑战最难的，因为这里面数据的信息密度最大。我没法说他是错的。
*头图来源：Sharpa
本文为 In The Loop 原创文章，转载请联系作者
