高继扬访谈深读：GALAXEA 的整机—数据—模型闭环

核心判断：护城河不是秘密算法，而是传播周期的卷积

高继扬反复强调，算法公开后可能几个月被追赶，整机、供应链、数据、渠道和客户场景却分别需要更长时间。这个观点可以进一步形式化：竞争壁垒不是每一层复制时间的简单相加，也不是某一个模型指标，而是相互依赖层的传播延迟。没有可用本体就采不到一致数据；没有数据就训不出稳定策略；没有客户场景就不知道该采什么；没有后训练工具就无法把通用模型变成生产能力。

完整内容地图

从 VectorNet 到整机公司：不是技术降维，而是评价函数改变

高继扬的公开履历把几类环境串在一起：清华微电子、USC 计算机视觉、SenseTime/Google 实习、Waymo 行为预测与感知、Momenta 多团队交付，再到 GALAXEA。Waymo 官方资料确认他是 VectorNet 作者之一；该工作用向量化地图和轨迹的层次图网络替代 BEV 栅格渲染，在论文中报告显著参数与计算量下降。

访谈中的关键转折是：在研究环境中，论文指标与方法新颖性定义“好工作”；在 Momenta 的量产项目中，客户节点、系统集成、跨团队依赖和问题闭环重新定义了评价函数。高继扬把这种客户约束视为创业训练：不是“研究不重要”，而是只有能进入交付链条的研究才形成公司能力。

Waymo、Momenta 与“AI-native”之争

受访者对 Waymo 的描述带有双重性：一方面承认人才、数据、基础设施与安全工程极强；另一方面认为模块化组织和历史路径会降低新范式切换速度。他把 Momenta 的高压交付、统一模型和客户牵引视为更接近 AI-native。需要注意，这些是亲历者观察，不是对两家公司当前系统的完整审计。

“AI-native”最有用的含义不是有没有神经网络，而是失败是否能跨越感知、规划、数据和产品边界回流；团队是否共享一个能力地图；基础设施是否允许快速、可重复地比较模型版本。Waymo 的模块化也可能提高安全隔离和责任分解，统一模型则可能减少接口损失但扩大共同故障域。二者是权衡，不是历史必然。

为什么先造 R1：数据定义权必须来自本体

GALAXEA 早期选择移动双臂平台而非只做模型 API。高继扬的理由是：具身模型的数据质量与传感器、视角、动作空间、控制频率、延迟和机械结构紧密耦合；没有本体就无法知道什么是“可执行的高质量数据”。R1/R1 Lite 同时是商品、采集设备和模型验证平台。

这一闭环与 Tesla 式“整机—数据—模型”相似，但关键差异在于汽车先有清晰的交通需求，通用机器人仍在找高价值任务。整机能带来数据控制权，也会让模型公司承担供应链、库存、质量与售后。路线是否成立，取决于整机是不是形成可重复部署，而非是否能支撑论文。

开发者市场的两种可能

• 正向：大学、实验室和集成商付费购买本体，贡献长尾任务、数据与工具反馈，形成分布式产品研究。
• 负向：每个客户都需要大量工程支持，任务和代码无法标准化，收入增长伴随服务成本同比增长。

判断标准不是“客户 150+”这一自述数字，而是付费、活跃、复购、独立开发成功率、支持工时和进入生产场景的比例。

真实数据：250 元/小时可能很便宜，也可能很贵

高继扬估计真实机器人数据的刚性成本约每小时 200–250 元，并认为数据采集与训练成本可能达到 1:5 到 1:10。他把数据分为互联网/人类视频、仿真、真实机器人等来源，强调真实数据对最终可靠动作的重要性。这些成本数字属于公司经验，不能直接推广到全行业。

“每小时”本身是错误的优化目标。一个小时可能包含重复动作、遥操作抖动、失败恢复、低信息场景，也可能覆盖稀有对象和关键边界。更合理的度量包括：

• 每元获得的有效、可训练轨迹数量；
• 每新增一类对象/场景需要的数据量；
• 数据加入后任务成功率、恢复率或置信区间的变化；
• 失败数据能否解释因果并指导下一轮采集；
• 跨本体迁移后仍保留多少信息价值。

早期场景筛选：速度、精度、泛化与失败成本求交

访谈把机器人动作概括为 Carry、Pick、Pack、Fold、Operate 等类别，并用速度、精度、泛化和场景价值筛选落地机会。这个框架比“人能做什么机器人就做什么”更现实：某些任务需要极高速度，某些任务需要毫米级精度，某些任务失败会损坏贵重物品或伤人，通用性并不总是第一目标。

真正的早期可行域还应增加：任务频率、劳动成本、环境标准化、失败可恢复性、全球场景一致性、客户改造意愿、万台潜力与售后半径。最好的首场景往往不是最炫的家务，而是动作价值高、环境可控、人工接管便宜、部署可复制的生产环节。

G0 双系统：不只是“大小脑”比喻

公开的 G0 项目把系统拆成 G0-VLM 与 G0-VLA：前者负责多模态理解、高层任务分解，后者负责实时、细粒度动作执行。官方论文进一步说明三阶段训练：跨本体预训练、单本体预训练、任务特定后训练，并报告统一 R1 Lite 数据在其 benchmark 中具有关键作用。

这套拆分实际对应四个工程约束：

仍需回答的问题是：VLM 计划与 VLA 状态如何同步？子任务失败由谁检测？网络中断时端侧执行什么安全策略？高层语义错误怎样被低层约束拦截？双系统能降低单模块负担，也创造新的接口故障。

开源 G0 的意义与边界

G0 仓库公开模型、数据与 R1 Lite 实机推理/微调入口；项目页称数据超过 500 小时，采集于 11 个真实场地，覆盖住宅、餐饮、零售和办公。开源的价值不是证明 GALAXEA 已经领先，而是让外部能检查模型结构、训练 recipe 和部分数据分布，降低“只看视频”的不透明度。

外部可用不等于外部已复现。公司 benchmark、指定本体和精选任务仍可能偏向自家系统。真正强的证据应包括独立团队在不同硬件上的复现、固定预算基线、未见对象/场景定义、重复次数、失败恢复与完整负结果。

许华哲离开：探索—利用边界被组织化了

高继扬把许华哲的取向描述为更超前研究、更偏 To C 家庭探索，而公司主线转向务实创新和生产力场景；双方友好分开，公司还计划支持其创业。这不是简单的人事新闻，而是创业公司在“未来通用性”与“当前付费价值”之间重新划线。

“务实”若只追逐现有客户，会锁在局部需求；“前沿”若不经过商品验证，会持续消耗资源。更健康的设计是为探索设置独立预算、明确晋级证据和退出条件，而不是让两种评价函数在同一团队内长期冲突。人员离开往往只是结构矛盾的显性结果。

传播周期假说：算法 2–3 个月，整机 12–18 个月

访谈给出一组主观周期：算法可能 2–3 个月被复制，渠道至少约半年，整机和供应链 12–18 个月，基于整机再积累数据还需 6–12 个月。具体数字难以验证，但框架很有价值：护城河是 time-to-replicate，而不是保密。

需要修正的是，“能读懂算法”与“能重现性能”不是一回事。当模型与数据清洗、训练基础设施、评估和本体标定耦合时，公开论文仍可能需要很长工程周期。相反，若硬件标准化、第三方数据丰富、开源工具成熟，整机和数据壁垒也可能迅速缩短。因此传播周期是动态变量，应持续用竞争者复现和客户替换成本验证。

狼性、高压与客户第一：不能用辛苦证明效率

高继扬讲述 Momenta 和创业期间的高强度工作、六天制、午夜离开、连续周末发布等经历，并把韧性视为团队特征。他也强调创始人和管理层应直接面对客户投诉，既解决一个问题，也建设解决一类问题的体系。

直接面对客户是高质量信号源，但超长工时不是执行力的充分条件。它可能提高短期吞吐，也可能造成隐性缺陷、人员流失、知识断层与不敢报告坏消息。组织效率应以稳定交付、缺陷逃逸率、返工、人才保留和单位人力产出衡量，而不是以工作到几点衡量。

我的进一步 Insight

1. 开发者市场是“付费数据闭环的前置层”

它可以同时带来现金、任务分布与集成反馈。只有将客户反馈压缩成统一 schema、评估和后训练接口，网络效应才会出现；否则客户越多，项目制负担越重。

2. 双系统的真正边界是故障域

VLM 与 VLA 的价值不只是模拟人类大小脑，而是让慢速不确定推理与快速确定控制分别扩展。接口若没有状态一致性和安全降级，双系统会把单模型问题变成分布式系统问题。

3. 机器人公司的数据优势需要“任务选择权”

采集规模只有在公司知道下一小时该采什么时才形成壁垒。评价器、失败聚类和客户 ROI 共同决定采集优先级，原始小时数只是库存。

4. 万台不是数量目标，而是组织压力测试

万台意味着供应链、远程诊断、版本管理、备件、培训、网络安全和责任机制同时升级。模型团队若仍以单机成功率工作，规模越大，尾部成本越快暴露。

5. “务实创新”的最优解不是折中，而是分层

近期交付团队优化生产指标，前沿团队探索新表征/数据路线，共享基础设施但使用不同晋级门槛；比要求同一人同时服务客户和追求范式突破更可持续。

用什么指标判断 GALAXEA 是否走通