Podcast Interview · 逐期深读

千寻智能韩峰涛:关于具身智能模型淘汰赛与落地非共识的对话

本期背景与内容导览

本期《晚点聊》由程曼祺访谈千寻智能创始人兼CEO韩峰涛。主持人以近20亿元融资、估值超100亿元介绍公司,访谈则把韩峰涛两次创业的经历与2026年具身智能竞争放在一起:上一代工业机器人依靠国产替代扩大了份额,却受限于小市场、同质化和定制化交付;大模型是否能让机器人获得可泛化能力,并改变市场与交付的规模上限,是整期的核心问题。 韩峰涛的回答包含相互约束的两条路线。一条是把80%以上精力放在数据和基础模型上:优先真实数据,组合互联网视频、可穿戴采集、遥操作和真实运行失败案例,期望通过扩大有效数据与训练规模提升基础能力。另一条是保留约10%—20%的商业探索:模型只是机器人产品的一部分,必须提前理解场景、整机和客户,也需要进入工厂等私有环境获取数据。宁德时代的插拔检测是这一逻辑的自述案例,从近200个工序中按模型能力、节拍、力控、容错和真实数据闭环筛选,由研发驻场完成验收。 “2026年是模型性能淘汰赛,不是落地生死年”是他的预测,不是已经发生的结果。其推理是:基础模型仍弱时,每个工位都需要较多后训练和工程服务,交付难复制;能力越过阈值后,新环境适配成本才可能下降,标准模型、机器人与数据平台才可能放量。因此,千寻把2026年的100万小时可穿戴数据、全球Top 3模型和约1亿元营收写进计划,并预计更大规模落地在2027年下半年至2028年。这些均为公司目标或嘉宾判断,数据有效性、zero-shot成功率、盈利和市场规模尚缺公开同口径证据。 后半段用磨刀工作站和三次资金危机解释他的战略来源:技术上做到领先仍可能只有8台需求;只签意向投资、盲目扩张也会使公司接近现金耗尽。他把这些经验转为大市场、标品、融资留后路和信任纠错。主持人最后补充,上一代机器人公司确有复杂工程与真实客户价值,问题在于能力特化、场景碎片化;她因此更看重AI与产业经验的结合,同时承认这种结合有组织成本。

晚点聊 LateTalk · #152 · 2026-02-27 · 1:41:42

原对话:沿提问、回答和转折完整展开

下面先按节目顺序重建。主持人在追问什么,嘉宾如何以自己的经历、例子和推理作答,尽量保留在具体语境中;案例中的事实、数字和判断先归属于发言人。随后才进入本文的机制解释与独立判断。

00:00:06–00:26:06连续对话 1

00:00:06–00:03:37节目介绍:一位创业老兵眼中的具身智能新浪潮

节目以预告剪辑开场:韩峰涛自述初入国家核电便遇福岛核事故;用2024年全球工业机器人约50万台、均价2万美元、合计约100亿美元来说明市场很小;并反对“2026年落不了地行业就没了”的说法,主张当年更重要的是模型性能。以上市场数字是他的口径,本期未作外部统计核验。

主持人程曼祺随后介绍,千寻智能新近完成近20亿元融资、估值突破100亿元,韩峰涛是创始人兼CEO;这些融资估值数字是主持人和shownotes的介绍。她将90后的联创高阳称为新锐AI技术力量,将80后的韩峰涛置于2016年前后智能机器人创业的脉络中:既经历资本追捧,也承担过个人连带债务。节目由工业机器人、智能机器人谈到具身智能,重点不是罗列技术名词,而是客户、商业化节奏和2026年的竞争主题。

正式访谈从两人2020年相识、韩峰涛仍在前一家公司任联创和CTO谈起。主持人朗读他2024年4月官宣千寻创业时的朋友圈:从2009年的神经网络研究、工业机器人创业和力控协作机器人,写到GPT-3.5、Figure与OpenAI展示、波士顿动力电动Atlas。这段文字是韩峰涛当时对行业转折的叙述,不是各项技术已经成熟或公司已经实现目标的证明。

模式识别与智能控制嘉宾2008—2011年就读的硕士专业。他用本科机器人足球的手写规则难以覆盖反例,说明为何希望用学习方法改善控制。他回忆当时神经网络处于低谷、对口岗位有限,这是个人教育与求职经历,不足以概括整个学科。
工业机器人指应用于工业生产环境的、可编程的自动化机器。在对话中,它特指2010年代以“进口替代”为主要任务的机器人类型,技术相对成熟,但智能化程度低,只能执行简单、重复性的任务,导致市场渗透率和商业空间有限。
机器人控制器嘉宾所说的早期机器人控制器以软件系统为主,负责预设运动控制,接近他后来说的“小脑”。团队从只做控制器转向整机,是因为他们判断控制器单独市场小,而且性能需要与本体共同优化。
中厂韩峰涛为千寻设定的生存规模目标:至少年销10万台机器人,希望在大厂大规模投入前形成独立交付与市场地位。节目未给出该销量必然盈利的财务证明,2030年达成、全球市场百万台和5—8家头部公司也都是预测。

话题推进:在节目正式开始后,主持人程曼祺从两人相识的年份切入,并念出韩峰涛在2024年4月官宣创业时发布的一条朋友圈,以此为线索,引出对他个人经历和机器人行业发展的回顾。

00:03:37–00:09:10从模式识别到工业机器人:在AI低谷期毕业的“折腾”青年

  • 你当时也提到15年前你就在做机器人嘛,当时行业和技术是一个什么情况?
  • 暂时脱离这个行业是因为找不到工作吗?11年时中国机器人行业是个什么情况?
  • 你当时没有想过要去创业?
  • 你从小是学霸吗?
  • 你什么地方人啊?
  • 那你当时后来本科你去的是什么地方?
  • 所以你在华科的时候,其实你是自己给自己找了很多事对吧?比如去参加机器人比赛这种。
  • 学生时代这么活跃,为什么你第一份工作是去了国企啊?
  • 你当时在国家核电,包括后来去国机,是怎么又开始做机器人的呀?

韩峰涛自述,2008—2011年在浙江大学控制学院读模式识别与智能控制研究生。本科参加机器人足球比赛时,团队用约15厘米见方的小车和高尔夫球模拟足球,所有规则手写,难以覆盖各种反例;这促使他寻找传统控制之外的方案。读研时神经网络仍处低谷,他把当时简化网络和神经元的做法戏称为“单个神经元不就是一种PID吗”。这是个人回忆中的行业感受,不应扩写成整个学界理论倒退的定论。

他称2011年毕业时国内机器人对口岗位很少,因而先到国家核电,后去中国机械工业集团。此前他在华中科技大学读本科,参加学生会、机器人比赛、骑行、外联等活动,自述喜欢折腾、不愿重复已经做过的事。这也解释了他第二次创业为什么不以熟悉的关节和本体为主,而把机会判断放在“大脑”。

在国家核电,他回忆福岛事故后项目环境变化,团队还做垃圾焚烧、光伏、风电等工作,他主要翻译美国第三代核电图纸并做国产化适配。约两年后,经朋友推荐进入国机做工业机器人,2013年重返该行业。他将当时的背景归结为用工荒与制造业升级需求。公司名、年份和早年经历均按嘉宾自述记录;转录中重复出现的第二个公司名不能擅自补成新松。

话题推进:韩峰涛在国机集团的工作持续到2015年,主持人随即询问他为何在此时选择创业,引出了他第一次创业的背景和动机。

00:09:10–00:16:45第一次创业:在国产替代浪潮中,一个“很小”的市场

  • 然后到15年开始创业的时候,是看到了什么新的机会啊?那会儿你是和国机的同事拓华一起创办前一家公司。
  • 它(中国)超过日本成为单一最大市场,是一年能卖多少了?在中国工业机器人。
  • 所以在那14年那个时间点,其实全球的工业机器人的总销量也没有特别多。
  • 因为你说你们第一次创业的时候,其实把创业想得比较简单,觉得比较快可能就能盈利,比较快就能上市。那当时是没有看到这个技术上的差距,还是说那个时候觉得以当时的技术也是可以做一些商业化的应用的,只是在商业化上跟你们的想象是不一样的?
  • 为什么工业机器人这个门类的国产替代并没有带来商业成功呢?因为有些产品的国产替代,我觉得它是商业成功的。

韩峰涛把2015年第一次创业放在两个背景下:一是他所述2014年中国大陆成为全球最大工业机器人单一市场;二是当时的创业氛围。他与两位同事分别负责算法、软件、硬件,最初以为把技术做出来就能销售,用Word写了60多页商业计划书。他把这总结为“无知者无畏”。

他用一组自述数字描述行业变化:国产工业机器人市场份额从2014年不足3%到2024年超过50%;中国市场年销量由约8万台到约30万台;早期流传的“500台打平、1000台盈利”,后来变成一些企业年销上万台仍不盈利。他并未否认汇川、埃斯顿等公司取得了一定商业成功,而是认为在一个他估算约100亿美元、充分竞争的市场里,企业普遍承受盈利压力。这些数字和“理想汽车半年销量”的比较都是嘉宾口径,不是本笔记独立核算的行业结论。

技术上,他们把力控等传感能力加入协作机器人,再结合3D视觉和上一代AI尝试缝衣、磨刀等任务。韩峰涛的解释是:新传感器提高硬件能力上限,但上一代AI仍不足以构建通用“大脑”,许多方案只能围绕特定任务深度工程化。他把ChatGPT带来的大模型视为不同量级的技术革命,希望做物理世界的通用模型。这是他的技术史判断,其中对上一代深度学习“不是技术革命”的评价应保留为个人观点。

团队最初只做机器人控制器,后来发现市场空间有限,也必须与本体结合才能做好,于是转向软硬件都做。这个第一次创业的经历,构成他后来同时强调“大脑”和整机、同时警惕小市场的经验来源。

话题推进:在总结第一次创业的经验教训后,话题自然转向了第二次创业。主持人基于韩峰涛的经验,提出了一个关于商业模式选择的问题:为何在这一轮具身智能创业中,中国公司普遍选择软硬件一体的路径。

00:16:45–00:22:39第二次创业的生存法则:在大厂下场前成为“中厂”

  • 所以就是如果你自己去总结一下第一次创业的,有一个误判,就是你们当时并没有在出发的时候特别仔细的去思考这个商业空间的问题。
  • 所以机器人控制器,当时的机器人控制器主要是软件是吗?是软件系统为主的?
  • 其实在这一轮的具身智能创业之中,也有这样的不同的选择。比如说美国有些公司像Pi,它就是不怎么做本体的,它主要是用别人的本体来开发它自己的大脑。然后中国的公司,包括千寻,包括你们的绝大部分的同行,都是本体和模型要一起做的。
  • 为什么要做同时做本体才能变成一个中等规模的厂呢?
  • 你觉得做到什么程度叫中等规模呀?多大算中等规模?
  • 一年卖10万台机器人,你觉得要在多短的时间里实现这一点?这些创业公司才能生存。
  • 2030年,那你觉得2030年那个时间点,中国整个市场能消化多少人形机器人?或者说通用机器人吧。那当然你们可能也会出海,就是你可以算得更广泛一点。因为现在中国有非常非常多的具身智能创业公司。那2030年真的能做到你说的这种中等规模的能容下几个公司了?
  • 这个中等规模里包含盈利吗?
  • 为什么工业机器人卖到几万台之后也没有盈利了?你之前说当时大家认为卖到1000台就可以盈利,最后可能一个公司一年能出货到上万台了还是不盈利?为什么这个事情不会在具身智能领域重演了?

主持人以美国只做模型的公司与中国本体、模型并行的公司作对照,追问为何千寻选择软硬一体。韩峰涛给出的不是普适定律,而是基于中国创业环境的战略判断:他认为美国公司更可能通过被大厂收购退出,中国大厂更倾向自研,创业公司需要独立做大;面对资源更多的大厂,创业公司的相对优势是速度。

他所说的“中厂”是至少年销10万台机器人,并把2030年设为千寻内部计划的时间点;他进一步预测2030年全球通用机器人市场达到百万台量级,最终有5—8家综合大厂占约三分之二市场。他相信年销10万台就会盈利,但没有给出成本、毛利、价格或服务费用测算。因此,10万台是他的战略目标和对规模效应的判断,不是已实现销量或已验证盈利线。

本体在这场论证中承担三项作用:把模型变成客户可直接使用的完整机器人;控制最终性能与客户体验;让公司直接接触客户反馈和数据。这与后文购买第三方机器人加快模型迭代并不矛盾:外购解决短期数据与模型迭代,自研整机服务长期交付目标。

对于为何不再重演工业机器人“量增利不增”,他假设泛化能力会让机器人从简单重复任务扩展到更多制造业工作、服务和家庭任务。他用约300万台工业机器人保有量、1亿制造业工人得出约3%的粗略比例,并设想机器人可承担约30%的工作,从而使数量至少上升一个数量级。这里“30%”是嘉宾的预测,不是实测可替代比例;数量增长也不自动等于利润,仍需可靠性、售价、成本、客户付费和竞争共同验证。

千寻的长期目标是服务和家用机器人,工业是早期切入。高阳在2024年底提出“双十计划”,即十年让全球10%的人拥有自己的机器人,属于公司愿景。

话题推进:在阐明了第二次创业必须软硬结合、快速上规模的战略后,主持人将话题拉回到创业的起点,询问韩峰涛为何选择创业,而不是加入大公司或转型投资,从而引出了他寻找联合创始人的经历。

00:22:40–00:26:06寻找合伙人:“靠谱的太少,骗子太多”

  • 回到这次创业的起点,你当时看到大模型带来的新的变革性机会的时候,除了创业有什么别的方式抓住这个机会吗?比如说继续在前一家公司做这件事情,或者加入一个资源更多的大公司去做。
  • 你和高阳后来是怎么相互找到相互认可的?你们之前是不认识的。
  • 你在什么时间到什么时间见了100多个人?一共花了多长时间?
  • 高阳是你见的第几个人?
  • 你见这100多个人的过程,中间就是有些什么心情的起伏,或者说认知上的一些变化和收获?

韩峰涛曾考虑在原公司转型、加入大公司或做投资,最后选择创业。他的理由是,具身智能的核心卡点在“大脑”,首先要找到能做基础模型的人;在他看来,这类顶尖人才更常选择创业,而不是加入成熟企业。这一人才判断是他个人经验,不应写成所有科学家都不会加入大厂。

他把微信里约6000名联系人从A到Z梳理,请人推荐AI合伙人,在2023年大半年里线上、线下见了100多人。2023年6月或7月,经高阳的伯克利同学介绍,两人在各自寻找产业/硬件与AI搭档时认识,见面到决定共同创业聊了十几次。他称这是“一个找CTO、一个找CEO”的双向奔赴。

对这段寻找过程,他的强烈感受是“靠谱的人太少,骗子太多”:有人想借赛道热度融资,有人沿用过去AI经验却未必适合大模型,有人希望带整批旧团队加入。这里是韩峰涛对接触对象的评价,不能外推为对具身行业从业者的整体判定。

话题推进:在讲述了与高阳“双向奔赴”的创业起点后,对话将继续深入探讨千寻智能成立后的具体战略和行业判断。

00:26:06–00:53:17连续对话 2

00:26:06–00:33:02寻找价值观趋同的长期合伙人

  • 聊到什么时候、什么事情让你确认你们(和高阳)的价值观是趋同的?
  • 你对高阳的第一印象是什么?
  • 当你们决定创业时,创始团队的核心共识是什么?总结下来价值观是什么?
  • 你觉得正直在这个行业里意味着什么做法?不正直的做法是什么?
  • 为什么具身智能行业在非常早期就出现了激烈的非技术竞争?

韩峰涛希望找到能共同工作十年、二十年的合伙人。他把2015年第一次创业的公司当时已申报港股、预计未来上市作为未竟事业的背景;上市是他在访谈时的预期,不写成已经完成。

他承认2024年融资早期被一些投资人评价“不懂AI”,因此选择合伙人的一个硬条件是懂大模型。按他的介绍,高阳做过互联网视频训练、大模型训练,并在2017、2018年前后研究端到端自动驾驶。双方十几次交流不只谈技术,也谈分工、科研和落地、准备投入多久,以及争执时如何处理。他认为真正影响长期合作的是价值观,而不是是否吵架。

主持人转述高阳对韩峰涛从“像生意人”到“也懂技术”的印象变化;韩峰涛则称高阳严谨、聪明、纯粹正直,能接受意见,也有感性一面。这些是两人对彼此的评价,保留其归属。

千寻在11人开业时提出“信任、追求卓越”。信任的具体含义是把同事建议先理解为善意,追求卓越则来自客户与竞争压力。韩峰涛把正直解释为如实说明自己做了什么、不把开源说成自研、不夸大、不造谣。关于公关公司抹黑对手以及他与高阳不合的传言,都是他单方叙述;他否认不合,但本期没有对传言链或行业整体情况独立核实。

他把行业早期的非技术竞争归因于玩家多、估值增长快、技术路径和商业化尚无共识、投资人难以辨别。这是他的解释,有助于理解他为何同时强调技术路线、求是和组织信任。

可穿戴式采集设备千寻组合使用UMI、外骨骼、动捕等方式,让人在真实工作中留下动作与场景数据。UMI偏手部,外骨骼补充手臂构型,动捕获取更精确全身信息;原文只说相对低成本传感器和算法,未具体披露头盔、IMU或统一数据schema。
数据可用性嘉宾用相对遥操作数据的训练效率来描述:早期可能需要3—5倍数据才能学会同一动作,并指出维度、位置精度和视觉精度不足。他后来给出95%的数字,但本期没有统一公式、对照任务或独立测评,不能把它理解为普适质量百分比。
后训练与工程化本段指把基础模型适配到特定工位所需的额外数据采集、模型调整、代码与现场部署。模型能力增强可能减少其中模型部分,但整机、产线、安全、验收和组织协调工作不会自动消失。
VLA与强化学习VLA通常指视觉—语言—动作模型,本期只说现场使用端到端VLA,没有展开架构、控制频率或是否完全取消中间模块。所谓强化学习数据来自机器人在真实场景工作的失败案例;奖励、训练目标和更新流程没有说明,不能仅凭主持人的self-play类比补全。

话题推进:在讨论完行业竞争的激烈程度后,话题转向了对未来行业格局的判断,特别是2026年对具身智能行业意味着什么。

00:33:02–00:35:542026年将是具身模型的“模型性能淘汰赛”

  • 你们当时第一轮融资是多少金额?
  • 估值是数亿元人民币?

主持人先指出具身行业公司持续增加,后成立公司的启动资金也更大。韩峰涛据此提出,2026年的具身会像2023年的大模型:资金不足、不能跑到头部的公司可能失去继续竞争的资格。这是他的融资与竞争判断,不是已经发生的市场出清。

他对资本变化的解释是,2024年和2025年早期资金分散在零部件、硬件、本体、模型和具体落地,2025年下半年以来认知更快地向“大脑”收敛;他认为这是因为业内开始相信数据瓶颈有了解法。这里“形成共识”“数据卡点已被解决”都是嘉宾对行业情绪的概括,节目没有提供全市场融资分布或公认技术评测。后文也显示,数据采集仍在铺量、模型仍在爬坡,不能把“有解法”写成问题已经完全解决。

千寻自述第一轮融资3000万元、估值3亿元;主持人则称一些2025年新公司最初一两轮已累计融资十几亿元。两例用于说明融资门槛抬升,不构成对全部公司的统计比较。原稿依据模糊转录列举公司名和“投后估值”均应删除:嘉宾只说估值3亿元,没有明确投前或投后。

话题推进:既然数据瓶颈的解决是行业认知收敛的关键,主持人便追问这个瓶颈具体是如何被突破的。

00:35:55–00:46:58解决数据瓶颈:从真实数据路径到自研可穿戴采集设备

  • 这个数据的瓶颈是被怎么突破的?
  • 如果完整地说一下,第一个卡点是数据,那再往后可能是什么?
  • 可以讲讲你们是怎么去解决数据的这个卡点?
  • 可穿戴设备里,UMI、外骨骼、动捕,你们是怎么选择和判断的?
  • 数据可用性低体现在哪?
  • (提升数据可用性)主要是靠什么方向的改进?
  • 做这件事的团队,哪些相关经验可以帮助他们?
  • 这个过程中,全球整个行业的进展有哪些地方能帮到你们吗?
  • 你们现在的数据配比里,用来做预训练的主要数据是什么?
  • 以哪个为主?视频多的原因是什么?
  • 视频数据是不是也有可用性的问题?
  • 遥操的数据你们就主要做微调?
  • 你怎么看美国公司(如Sunday、Generalist)在类似方向上获得了更强的市场心智影响力?
  • 所以千寻成立的第一天就知道数据是最大的瓶颈?
  • 你觉得那样(第一天就all in搞数据)你的进度会更快?
  • 评估一下,你们大概花了多少精力在突破数据瓶颈这件事上?

韩峰涛把具身智能的卡点按顺序分为:先获得足够数据;再检验扩大数据、模型和计算投入时性能提升是否足够快;最后才是把基础能力批量落到具体应用。他用GPT-2到GPT-3.5作能力类比,不是说具身模型已有统一、可与大语言模型直接换算的分数。

在数据路径上,千寻从2024年起优先真实数据。他对仿真的保留来自sim-to-real差距,并借用自动驾驶主要依赖真实数据作类比:机器人需要接触环境,迁移难题可能更复杂。这是路线选择,不等于证明仿真对所有机器人任务都没有价值。

早期配方是互联网视频做预训练、遥操作做微调。他称过去两年积累约20万小时视频;遥操作质量高但成本和采集效率限制规模。团队因此从2024年5月起研发UMI、外骨骼、动捕等可穿戴采集方式,让人边工作边留下真实操作数据。UMI主要提供手部信息,外骨骼用于补充手臂构型等信息,动捕用于更精确的全身信息;具体传感器型号、同步协议和输出schema未在访谈披露。千寻把这些组合称为“数据配方”或“全身UMI”,不是只做一种设备。

韩峰涛说早期数据维度少、位置和视觉精度低,学会一个动作可能需要3—5倍数据量;经过2024年5月至2025年底的四代、几十个小版本和近百次迭代,他自称相对遥操作的可用性由20%—30%提升到95%。这个比例是公司自述,访谈未给统一指标、任务集合、对照训练或95%的计算公式,不能直接理解成所有数据95%都有效,或同等时长必然达到遥操作95%的模型成功率。

改进分三层:设备本体;数据回来后的切段、标注、质检管线,他称目前使用AI处理;以及让模型从较低质量数据学习的算法。节目没有说明自动识别片段、具体标签、IMU、输出关节角或末端姿态等技术细节,原稿这些补写已撤回。自动驾驶背景员工提供部分数据工程经验,其余主要由AI和机器人团队共同摸索。

他说Generalist在2025年8月、Sunday在2025年11月公开类似方案时,千寻已经做了一年多,因而认为方向相近,而不是当时参照其方案开发。是否构成独立首创,节目本身不能证明。

截至访谈,可穿戴设备从2026年1月开始铺量;他预计Q2达到十几万小时、2026年采集100万小时,均是计划。年底预训练计划同时使用视频与可穿戴数据,视频更多,因为便宜、量大、覆盖场景广;可穿戴补充高精度动作信息,遥操作微调,真实场景运行收集failure case再做强化学习。主持人将其类比为self-play,但原文没有展开奖励函数、采样策略或训练算法。

他说公司80%以上精力用于突破数据瓶颈,并解释中国创业公司很难只靠技术叙事持续融资,需要demo和商业探索;如果早期有数亿美元,他愿意更早all in数据。这是他对中美融资环境的经验判断和反事实设想,不是跨国投资市场的完整比较。

话题推进:在解释了80%的精力用于解决数据瓶颈后,主持人追问剩余20%的精力,即商业化探索是如何进行的。

00:46:59–00:53:17商业化探索:在模型能力爬坡期提前布局场景与数据

  • 讲讲剩下20%,就是你说的做一些demo和一些商业化的探索,这个是从什么时候开始的?
  • 像宁德时代这样的客户,它会允许你在它的场景里获得的数据用于反哺你们自己模型的研发吗?
  • 你们现在客户里面实际上用的那些方案后面是什么技术?
  • 你可以描述一下,之前上一代模型后训练和工程化现场部署大概要花多少人多少时间?如果是现在的模型的话是一个什么情况?
  • 像宁德这种客户它当时是在行业里招标的吗?
  • 当时是一个什么情景?

在模型能力尚弱时仍做商业化,韩峰涛给出两个理由。第一,机器人模型只是产品的一部分,客户需求、整机形态和首个可复制场景必须提前探索,不能等基础模型成熟后才开始。第二,工厂和中转场等私有场景数据不公开,需要合作才能进入并采集。所谓“占数据的坑”,是把商业合作同时作为场景学习和数据入口。

他自述与宁德时代自2025年元旦开始合作,从接触到验收约11个月。现场使用上一代端到端VLA,选择电池最后的插拔检测环节,并做较多后训练和工程化。他估计,用2025年上半年模型完成同类模型适配需2—3个月,用当前新模型可能1个月;主持人问“多少人多少时间”,他只给时间,没有披露人数。11个月包含非模型工作,不能与2—3个月或1个月直接当作同一口径比较,更不能把1个月估计写成新模型已完成验收。

关于数据,嘉宾称早期合作可共享数据用于基础训练,客户后续自行采集的高精度微调数据归客户。这里只记录他的合作口径,具体合同权利、脱敏、跨客户复用范围未披露。

宁德时代并非一次性公开招标,而是向多家具身公司发需求,各公司分开看现场、提方案和测试。高阳穿安全服、戴安全帽看工厂,一天走两万多步,是韩峰涛用来说明技术负责人要懂客户语言的例子。场景是否值得做,还取决于硬件能否通过、一个工厂实际需要多少台,以及是否要协调多个业务部门;模型能演示只是其中一环。

话题推进:在详细阐述了场景选择的重要性后,对话自然地转向了如何具体地进行场景选择,以及背后的综合考量因素。

00:53:17–01:20:16连续对话 3

00:53:17–00:59:01场景选择的智慧:为何选择在宁德时代做插拔检测

  • 你可以讲一下当时的情景吗?
  • 你之前在前一家公司的时候应该也做了很多新能源工厂的一些服务。
  • 那你们选的这个场景它好在(哪)?就是你说最后插拔的这个检测。
  • 这个场景的容错率如何?
  • 你们做这个场景落地的过程中间有遇到什么波折吗?怎么解决的?
  • 你说就是在这些商业化的探索和一些demo上你们花了只有不到20%的精力,但是听起来它好像也是一个很重的服务过程。
  • 你怎么平衡这种客户的一些可能很急的需求,而宁德时代是出了名的还是一个比较严格的客户的,然后你自己还有些长期研发的目标,怎么平衡这个?

韩峰涛认为,客户沟通和场景筛选依赖真实的机器人交付经验。他转述,有的公司只讲技术而不能回答对具体工序的理解,有的则选了过小的场景。他也提醒,模型和硬件都能做后,仍可能遇到一个工厂只需三台设备或跨部门协调困难的问题。这是他对行业其他公司的观察,未逐一提供可核查案例。

宁德时代给出近200个工序,千寻选择最后的插拔检测。输入是工序需求、当时模型和硬件能力、现场节拍与失败代价;筛选过程不是只看demo是否好看,而是同时检查:能否用端到端模型而不做非标产线改造;插拔是否需要力控;节拍是否足够慢;大插头第一次没插进能否重试且不损坏;机器人能否上真实产线持续留下强化学习数据。输出是一个可实际验收的初期工位,以及继续收集真实失败案例的入口。

落地时,先向客户说明这是全新的方案、管理预期,再由研发长期驻场写代码、改模型,而非总部开发后交给FAE。公司设专门的宁德小分队,需要时公司内部优先支持。这套组织方式隔离了大客户服务与基础研发团队,但并未消除成本:由于基础模型弱,还要针对场景采很多数据并做工程化。

未来的目标形态是标准的基础模型、机器人和数据管理平台,让客户自行采数、微调,在平台上构建自己的物理Agent,公司减少“最后一百米”交付。它是2026年的商业计划,不是已经规模复制的产品。产业投资方既是资金支持者,也是潜在场景与用户;客户能否独立微调、不同工位是否真正复用,仍要看实际部署。

力控(力觉)指机器人在执行任务时,能够感知并控制与外界环境接触时所施加或受到的力。在本段的“插拔检测”和“磨刀”案例中,力控技术确保机器人能以恰当的力度进行操作,避免因用力过猛而损坏工件,或因力度不足而无法完成任务。输入是传感器感知的力/力矩信号,输出是机器人调整后的动作和姿态。
非标自动化改造指为了引入自动化设备,需要对现有的生产线、工装夹具或工艺流程进行专门的、非标准化的设计和改造。本段中,韩峰涛提到其端到端模型可以避免这种改造,意味着机器人能适应现有环境,降低了部署成本和复杂性。
专机专门为完成某一特定、固定任务而设计的机器人或自动化设备。它们通常在结构化环境中高效工作,但缺乏适应性或“泛化”能力,无法处理任务或环境的微小变化。本段中与具备泛化能力的“具身智能机器人”形成对比。
Scaling Law(规模法则)原义是研究模型性能随数据、参数、计算等资源变化的规律。嘉宾提出要让外界看到更清晰的曲线,是希望在相同任务和评测口径下检验扩大投入是否持续有效,并非已经证明100倍数据必然产生100倍能力或收入。

话题推进:在解释了当前服务大客户的重投入模式后,韩峰涛转向阐述未来的商业模式:提供标准化的模型和机器人平台,让客户自行做微调。这引出了对未来更广泛应用场景的讨论。

00:59:01–01:04:37从工业到家庭:具身智能的落地节奏与场景权衡

  • 接下来比如说在宁德这个场景里,除了像插拔检测这种场景之外,你觉得你们新的模型还可以支持哪些场景?就这种比较广泛的工业制造企业里面。
  • 因为工业生产和商业服务里都已经有一些专机和之前的智能机器人了……那现在就是新的这些具身智能的机器人进入到这些大的场景里面,你觉得比较好的具体的切入点是什么?就是和之前的方案相比有竞争力的。
  • 那用自动售货机这种方案呢?自动售货机不是也能取货吗?
  • 总结下的话,这种以前的机器人干不了的事,它的特点是什么?
  • 现在其实有很多新的公司,它直接瞄准家庭服务这个场景的,你们怎么看这种选择?
  • 安全问题的提升,它是需要软件和硬件都要提升的,对吧?
  • 而且你刚说的像电池,像这个机器人的负载重量等等,这些可能还有很多是硬件工程机械上的问题。
  • 那这个时间大概能预测吗?如果有些硬件上的卡点迟迟解决不了的话,那这个落地的时机岂不是会被拉得很长?
  • 它和你说的那种最通用的机器人相比是有区别的,对吧?我可能不需要它能自己续航很久,它也可以不用跑到人很多的地方。

千寻的市场顺序是先to B再to C,先工业、商业再家庭。to B的筛选标准是大市场、市场增长、客户集中、付费意愿强、国内外需求相近;动力电池、物流、酒店和零售是嘉宾列举的重点方向,而非都已完成交付。

与已有专机相比,他主张先做专机做不了的事,而不是单纯比同一固定动作的成本。零售例子中,固定货架专机要求商品整齐且间隙大,只能取放;他希望机器人适应更多摆放并完成盘点。自动售货机虽然能取货,却固定且品类少,无法覆盖便利店店员的盘货、补货和清洁。酒店例子则是擦洗手池、收毛巾、叠毛巾等变化较多的任务。这些例子是在定义需要场景和动作泛化的目标,不是报告现有模型已在零售、酒店达到商业可靠性。

家庭被他视为最大市场,但技术可演示不等于可销售。他预测2027年模型可支持洗衣、简单打扫、整理儿童房、浇花、摆鞋等任务;这是预测。几十公斤机器人倾倒伤人和较大电池入户则是现实产品约束,他把安全视为比价格、隐私更关键的门槛,并认为固态电池成熟或改用较小电池、供电方式可能缓解。相关电池容量与法规说法未在本期核验。

他提出的折中是具有局部泛化能力的专用设备:例如固定在洗衣区,把衣服从洗衣机转至烘干机再叠好,可插电、活动范围小,不必先解决通用家庭机器人的全部安全和续航问题。1000美元只是他对可能售价的举例,产品是朋友建议引出的设想,不是千寻已发布产品或已验证市场需求。

话题推进:在讨论了不同场景的落地节奏和挑战后,主持人将话题引向千寻智能对2026年的具体规划,询问其目标设定。

01:04:37–01:15:572026:模型性能淘汰赛,而非落地生死年

  • 你们给自己的26年的目标是怎么设计的?
  • 那这一块你们有什么量化的目标吗?
  • 我感觉在同估值规模的公司里面,你们对营收的规划非常克制。
  • 所以你认为就是26年的行业主题其实是数据量达到一定量级模型性能的突破,而不是落地和收入的竞争。
  • 你觉得你的这个思路在现在的融资竞争环境下,包括在中国这个特殊的创业环境之中,它能保持多久?
  • 那你觉得之后可能会遇到什么变化呢?就你刚刚设想的这个发展曲线……它可能会遇到的一些阻力和干扰是什么?
  • 你们内部讨论这个问题很多次的背景是什么?
  • 可以讲讲你们可能会怎么失败,你们怎么讨论的?
  • 所以你们的结论呢?
  • 按照你现在的判断和假设,就是26年……你觉得能上牌桌的公司应该具备什么特点?就它现在应该已经做到了什么才比较有可能会上牌桌?
  • 已经积攒的数据量是个指标吗?
  • 你觉得25年下半年才成立的公司有机会吗?
  • 如果拿了很多钱,可以在时间上去解决就是数据积累的这个问题吗?
  • 你觉得26年能继续上牌桌的公司会有多少?你觉得谁是有潜力的?
  • 那你们自己不也是24年成立的吗?
  • 你们见雷军是因为小米投资,所以最后见了一下。
  • 你们现在就是获得的一些产投方的投资,这些产投方自己也在做具身智能……你怎么看就是大公司进来之后对你们的影响?
  • 你们觉得什么时候会遭遇就中国的大公司里把这个事情当做一个非常重要的战略,这一类公司和你们的直接竞争?
  • 如果26年就有模型性能的大突破的话,我觉的像理想这些公司它很有可能26年就会投更多资源来做这件事情,为什么是28、29年呢?

这一段是“模型性能淘汰赛”论证的核心。韩峰涛给千寻2026年的目标是采集100万小时可穿戴数据,并称其有效性达到遥操作的90%—95%;他把这与此前的开源模型约1万小时遥操作数据相比较,期待100倍数据带来明显性能提升。100万小时是目标,90%—95%是公司口径,1万小时的模型与数据配方也未在本期给出可复核清单;数据小时数不能直接换算成相同倍数的模型能力提升。

商业侧计划约1亿元营收,同时放弃一些他判定不可持续、对模型爬坡没帮助的项目。转录中的具体项目类别不清,不猜写。他认为大模型公司的收入往往在能力越过某个阈值后快速增长;具身若停留在他类比为GPT-2的阶段,每个任务都要大量后训练和微调,机器人很难放量。若达到GPT-3.5或4,他设想新环境zero-shot能有70%—80%成功率,再经少量教学提高,才可能快速复制。这里成功率的任务、环境和评价方式都未给出,是对未来的阈值假设,不是当前 benchmark。

他因此反对“2026年落不了地行业就没了”:2026年应看数据规模、模型能力和能否进入头部,预计更大规模落地在2027年下半年至2028年。他也没有完全否定其他收入,承认唱歌跳舞存在新兴市场,只是千寻不做;对于同行大单,他提出传统自动化、签约未实际落地、展示型销售等竞争解释,这是他的判断,不应当作对所有同行营收的事实核验。

这套叙事能否维持,他自己给出的条件是持续发布新模型,让外界看到性能提升和更清晰的Scaling Law曲线。他承认公司会脑暴技术路线跑偏、技术进展和落地不及预期、大厂提前进入等失败方式,但最后仍判断2026—2027年会爆发。这些是讨论后的信心,不是风险已被消除。

“上牌桌”的条件包括强AI背景、足够资金、产业投资方和商业基础,以及比存量更重要的数据收集加速度。后者来自采集设备、数据管理平台、训练管线和数据算法的迭代,决定新增有效数据的速度。他认为新公司可借先行者经验把一年半的坑缩到七八个月,仍可能有数月差距;高阳曾向雷军自评技术领先六个月,均为自述。

公司目标是2026年模型能力全球Top 3、100万小时数据、融资与公司身位居中国头部,均是目标。大厂战略投入被预测在2028—2029年,他的依据是此前市场规模和变现尚小,大厂不会把它当核心战略;主持人明确追问为何性能突破后大厂不提前,这个反例与条件必须保留。

话题推进:主持人注意到韩峰涛在商业化上的“淡定”,并将其与他第一次创业的经历联系起来,询问过去的经验教训如何影响了他现在的决策。

01:15:57–01:20:16从“磨刀工作站”的教训看Scaling的本质

  • 相比一些跟你们同期成立的公司,你们在商业化上是比较淡定的……这种淡定跟你之前第一次创业的一些经验或者说教训有关系吗?
  • 高阳说你经常在公司里自黑的时候会提到你们以前做的磨刀工作站的那个例子。
  • 前⾯也提到第一次创业或者说当时那一批创业都是很苦的,可以讲讲当时遇到哪些问题挫折,你们是怎么解决的吗?对现在的影响是什么?
  • 你们当时在前一家公司的时候是亏损的状态,包括到它后面的发展其实跟你们最开始创业的时候预期肯定也不太一样,这些时候你没有受挫的感觉吗?
  • 这跟你不是CEO有关系吗?所以你的压力没有那么大。

韩峰涛将第一次创业中许多急着做、花钱却收效小的尝试,视为当前不盲目追逐落地的原因之一。磨刀工作站是具体例子:京瓷的陶瓷刀硬而脆,需要用金刚石磨盘,力控不好会崩;不同刀胚又有差异,他称项目需要约0.5毫米精度以及视觉、力觉、轨迹规划。团队做了一年多,他自称效果超过此前供应商、做到世界第一,但全球需求只有8台,按每台100万元也只有800万元市场。技术指标、供应商名和“世界第一”均是他的自述,原转录的“30机器人”不能猜成ABB。

这个案例证明的是,技术难度和单项性能领先不足以证明市场可复制。主持人进一步把它与新技术可能降低解决成本联系起来,韩峰涛同意,并将当前过早做重定制落地类比为磨刀:如果大量工程工作无法复用,即使项目本身做成,也无法形成可扩张业务。

他的“Scaling”因此有两层:研发上扩大数据、参数、算力;商业上让交付也能复用。ChatGPT、DeepSeek和智能手机被他用作标品扩张的例子,千寻希望卖标准模型和机器人,而非为不同场景反复定制。不过,这仍是战略类比,不能由软件标品的增长直接证明物理机器人交付会同样轻。

主持人问他第一次创业亏损、发展不及预期时是否受挫,他回答有受挫但仍充满斗志。面对“是否因为当时不是CEO、压力较小”的追问,他否认这一解释,并补充千寻在宁德做到七八个月未宣发、模型打榜前进展慢、融资放缓时也受到质疑。他把当时的稳定归因于自己知道内部进度,而非这些压力不存在。

话题推进:关于压力的追问没有中断:韩峰涛否认只是当时不是CEO所以压力较小,接着回忆千寻项目、模型发布和融资受到的质疑,以及第一次创业的三次资金危机。

01:20:16–01:41:42连续对话 4

01:20:16–01:25:23创业老兵的资金链危机与个人债务

  • 你第一次创业时,公司差点三次倒闭主要是因为什么原因?
  • 在这种情况下你自己是怎么度过危机的?当时是什么心情?
  • 你背了多少债?
  • 这件事情你告诉家人了吗?
  • 你当时是因为心里觉得这些事情是可以解决的吗?
  • 那一次危机是怎么挺过来的?
  • 这个过程中间有特别焦虑的时候,有失眠的时候吗?

韩峰涛回忆第一次创业三次接近倒闭,归因于资金规划不足、融资决策失误、盲目扩张和库存。他的叙述显示,所谓“经历过周期”不是抽象的抗压品质,而是具体的预算、融资和扩张教训。

第一次是2016年:2015年成立时只拿300多万元、原打算做软件,转做整机后预算远不够,CEO向亲戚借钱支撑约两个月。第二次是2017年:一位投资人原承诺6000万元,团队因此拒绝其他投资人;临近完成时变成3000万元投资加3000万元可转债,并压估值、附加苛刻条款,团队没有接受,只能借钱周转。他得到的规则是融资最终close前不要拒绝其他投资人,给自己留后路。这是他对交易过程的单方回忆。

2017年,他称三位联创共同承担一千多万元个人连带债务,自己当时月薪8000元;2019年底扩张后的危机中,月薪从3万元降至1.5万元,房贷每月4万元,还需向朋友借钱。家人支持是自述,不能把“没什么心情”理解为他当时确信问题必能解决;他明确说当时也不知道能否解决,只能往前处理。

第三次是2019年底:2018年拿到一笔1.6亿元融资后设四个事业部、快速招人,资金在一年多内接近耗尽,账上只够四个月,于是裁员约一半并全员降薪。他认为这次收缩反而帮助公司度过2020年疫情。转录的“从300人裁到了1450人”明显存在数字粘连,正文只写约一半,不把1450人当作真实人数;融资方“顺位”也不擅自改写为顺为。

他说自己没有因此失眠,引用“不要为八公里外和两小时之后的事情担心”。这是个人应对方式的陈述,不是对所有创业者都适用的风险建议。

大脑和小脑嘉宾用“大脑/小脑”描述分工:AI负责上层空间理解与轨迹规划,底层运动控制保留运动学和动力学。访谈没有提供完整架构,不宜将“大脑”限定为大语言模型,也不能理解为端到端已取消全部底层控制。
端到端 (End-to-End)在本访谈中指用数据让模型学习感知到动作决策的映射,减少人工显式编写上层规则。原文没有具体说明输入模态、动作token、网络结构、控制频率或安全模块,不能补成单一网络直接控制所有关节。
无限连带责任一种法律责任形式,通常出现在借贷或担保合同中。指责任人(在这里是公司创始人)需要以其全部个人财产对公司的债务承担偿还责任,且不以其在公司中的投资额为限。当公司无法偿还债务时,债权人有权向负有连带责任的个人追偿全部债务。

话题推进:在回顾了个人惨痛的创业经历后,话题转向他如何看待当前这批更年轻的、缺乏类似经验的创业者。

01:25:24–01:28:13“见过客户之后,一定会改变”

  • 你看到这些更年轻的创始人时,会看到一些自己曾犯过错的影子吗?
  • 从他们的哪些表达或表现上能看到(过去的自己)?
  • 这些美好的想象中,哪些部分你觉得是不切实际的?
  • 一般第一次创业经历什么之后,在这点上就会有改变了?
  • 你曾经被客户骂得最狠的一次是因为什么事情?

谈到年轻技术创业者,韩峰涛说自己看到2016、2017年的影子:对技术有自信、对赛道有美好想象,尚未充分经历客户和经营的约束。他用“纯粹的天真的自信”描述这一状态,不是否认年轻创业者的聪明或能力,也承认他们可能做得很好。

他批评的不是有明确观点,而是只凭单一论据就过度笃定。数据来源、商业路径、团队搭建都要结合实际条件,这与他自己2026年的强判断形成值得保留的张力:经验能减少盲区,但不能让预测自动成为事实。

他认为真正的改变发生在见过客户之后,尤其客户付了钱而追问交付时。他回忆有客户说机器人是“垃圾”并要求拉回,自己负责售后时也经常挨骂;销售面对购买时的愉快,售后面对故障时的失望。他把这些批评理解为产品没有达到客户期望,因而强调做好产品和追求卓越。此次创业希望靠技术变化真正让客户满意,仍是目标。

话题推进:从被客户教育的经历,自然过渡到他个人在第二次创业中,思维方式上发生的关键转变。

01:28:14–01:33:56从Robotics到AI:思维转变与团队信任

  • 现在有一种观点,说做具身的人有两种背景,一种是像你这种跟机械、Robotics相关的,还有一种是像高阳这种偏AI背景的,你觉得这是两种思维方式吗?
  • 之前是受了哪些传统视角的影响,后来怎么变化的?
  • 所以你们现在会把这个大脑和小脑的界限分在哪?
  • 在这个思维转变的过程中,中间有发生什么具体的事情吗?比如你们有什么分歧,后来怎么解决的?
  • 你们后来商量的一些共识是什么?比如怎么去算研发投入的ROI?
  • 你和高阳都有各自的直觉,当直觉打架时,怎么避免错误判断,怎么去纠错?

韩峰涛把Robotics与AI概括为基于规则、建模和数据驱动两种思路,并承认2024年上半年仍受前者影响:希望复用自己擅长的运动学、动力学,以为大模型给指令、小脑完成控制就够了。到下半年,他更重视数据和端到端学习,认为空间理解、轨迹规划等上层能力应交给AI。

按他的划分,当前“小脑”处理最基础的运动学、动力学和运动控制,AI负责上层空间理解与轨迹规划。输入、学习和输出可以据此理解为:传感器与任务信息进入模型,模型形成空间/轨迹决策,底层控制器执行并驱动物理动作。节目没有给网络结构、频率、动作表示、训练损失和安全控制细节;不能把它写成所有传统控制已被一个网络完全取代。

购买第三方机器人的争论体现了这种转变。2024年可穿戴设备数据质量尚低、自研本体未完成,只有一台机器人可采数,模型迭代受限。高阳主张先买设备,即使构型不同会浪费一部分数据,也要先让模型迭代;韩峰涛最初因“做机器人的还买别人的”而抗拒,讨论一个多月后花近200万元购买。原转录除Aloha外的品牌、型号不清,不能猜成宇树。

此后,主线任务即提升模型性能的投入坚决做,并更依赖高阳在AI方向的判断。韩峰涛同时承认,这些判断常没有百分之百证据,依赖长期经验形成的直觉。纠错不是证明直觉永远对,而是自己发现或接受他人指出错误;“信任”降低了把批评当人身攻击的防御成本。这是创始人描述的组织机制,单次成功说服并不能证明所有决策已有制度化的独立验证。

话题推进:从团队内部的协作与信任,话题扩展到公司的愿景和在中国做具身智能的时代机遇。

01:33:58–01:41:42尾声:做一件大事,与中国具身智能的时代机遇

  • 你这次创业想建立一个什么样的组织?
  • 你想做大事这个原点来自什么?

韩峰涛希望千寻保持信任和追求卓越。他做大事的动力,按他自己的说法,不是挣钱或领奖,而是和一群厉害的人做成有吸引力的事。过去工业机器人即使做好也很难改变行业,而他认为AI与具身提供了更大的问题空间。

他把具身视为中美几乎同时起步的技术赛道,并判断中国在人才、数据采集、应用场景与成本上有系统优势,期待中国出现全球顶级公司。这是嘉宾对产业机会的判断和愿景,不是本期已经验证的国际比较结论。

主持人结尾补充两方面内容。首先,她把数据再次列为具身第一道关卡,转述头部公司关于数据瓶颈接近解决和性能将爆发的说法;按她的分类,银河通用、Hillbot更侧重仿真,其他多数公司更侧重真机。这是主持人的行业观察,不能替代各公司的实际数据配方。

其次,她回忆2020年报道韩峰涛前公司磨刀工作站:刀胚先经高精度3D扫描,再由机械臂根据差异调整角度和力度,在封闭工作站内自动磨刀;团队还调研刀具产地、工厂招工难和老师傅经验。这个案例说明上一代方案确实解决了辛苦且难招工的工作,但技术特化、难以跨工序复用,而工业市场又高度碎片化。

主持人由此表达自己的偏好:她更认可前沿AI与产业落地经验深度结合的团队,因为机器人既需要模型探索,也要理解客户服务、场景选择和交付的困难。她同时承认两种能力结合存在组织和协作代价。结尾引用一位投资人“估值超过10亿美元的公司已有15家”的说法,是二手转述,未给名单或统计口径。她以希望热潮沉淀长期价值收尾,而非宣布新一轮公司已经取得大成果。

话题推进:节目结束。

以上是原对话的分段阅读。下面才开始提炼论证、解释机制并给出本文自己的判断。

主要论证:观点怎样由经历与例子支撑

2026年更应看具身模型性能与进入头部的资格,而不是把当年落地和收入视为行业生死线。

韩峰涛(观点与预测) · 00:34:21;01:04:37;01:06:12;01:07:20;01:08:02;01:12:36

1. 他把当前基础模型类比为GPT-2,认为每个场景都需要大量后训练和工程适配,难形成可复制交付。2. 若基础能力达到他类比为GPT-3.5或4的阶段,新环境可先具备一定zero-shot能力,再由客户少量采数微调,标准化产品才有机会放量。3. 因此资源应先解决有效数据和训练管线,再用少量商业项目寻找场景与私有数据,而非用低质量收入证明落地。4. 淘汰赛的核心不是单纯数据存量,而是AI团队、资金、产业合作和新增有效数据的加速度。5. 他自己给出的验证条件是持续发布模型,让外界看到任务表现和Scaling Law曲线,而非只靠叙事维持信心。

成立条件:这是2026年2月访谈中的战略预测。需要后续相同任务和口径下的模型测评、真实部署成本与成功率、客户复用情况来验证。嘉宾也承认技术路线、进展、落地和大厂提前进入可能使计划失败。100万小时、Top 3、1亿元营收及2027年下半年至2028年规模落地均为目标或预测。

千寻选择模型与本体并行,并把2030年年销10万台作为成为“中厂”的目标。

韩峰涛(公司战略) · 00:18:01;00:19:03;00:19:40;00:20:16;00:21:50;01:15:20

1. 客户要的是可工作的完整机器人,模型只是产品一部分;本体帮助控制性能与体验,并建立直接客户连接和数据反馈。2. 他认为中国大厂更倾向自研,创业公司不能主要依赖被收购退出,需要在大厂核心投入前形成规模。3. 他预测2030年全球市场百万台量级、5—8家综合大厂占主要份额,并把年销10万台与盈利联系起来。4. 长期目标是服务和家庭,工业是早期切入,高阳的“双十计划”则是十年让全球10%的人拥有机器人。

成立条件:10万台、2030年、百万台市场、5—8家大厂与届时盈利均是嘉宾目标或预测,不是当前业绩。销量能否转成利润还取决于价格、硬件与服务成本、可靠性和竞争。自研整机与外购第三方机器人加速模型迭代分别服务长期交付和短期数据需求,不应误读为矛盾。

数据瓶颈的解法是以真实数据为主,把视频、可穿戴、遥操作与真实失败案例放在不同训练环节。

韩峰涛(路线判断与公司自述) · 00:37:07;00:38:05;00:39:14;00:40:46;00:41:55;00:43:37;00:44:24;00:46:51

1. 他对仿真保留来自sim-to-real差距,并借自动驾驶作类比;这是一种路线选择,不证明仿真普遍无效。2. 互联网视频量大、便宜、场景多,用于预训练;可穿戴设备补充较高精度的动作信息,遥操作质量高但成本高,用于微调;真实场景失败案例再用于强化学习。3. UMI、外骨骼、动捕覆盖的信息不同,需要组合而非只选一种。4. 改进包括设备、使用AI的切段/标注/质检管线及适应低质量数据的模型算法。5. 他自述可用性由相对遥操作的20%—30%提升至95%,公司80%以上精力用于数据,2026年计划采100万小时。

成立条件:95%没有公开统一公式、任务集或对照测评,不能直接解读为任意任务达到遥操作95%的效果;100万小时是目标,Q2十几万小时也是计划。原文未给具体传感器、奖励函数、自动化程度、统一数据schema和实际采集成本。

模型优先不等于现在不碰客户,少量落地的价值是提前确定产品形态、场景与私有数据入口。

韩峰涛(项目自述与未来计划) · 00:47:07;00:48:01;00:49:00;00:50:05;00:53:17;00:54:28;00:56:52;00:58:13;01:00:12

1. 具身模型不像纯软件那样本身接近完整产品,客户需求、本体和工位条件必须提前理解。2. 宁德项目从近200个工序中选择插拔检测:端到端模型可做、无需非标改造、需力控、节拍慢、大插头失败可重试、能上真实产线收失败案例。3. 早期模型弱,研发需驻场并成立专门小分队,公司承认交付成本高。4. 未来希望提供标准模型、机器人和数据管理平台,让客户自行微调,减少最后一百米服务。5. 新场景优先做专机做不了的泛化任务,而非直接在成熟专机最擅长的固定动作上竞争。

成立条件:从接触到验收约11个月为嘉宾自述,包含非模型工作;2—3个月与1个月是不同模型的适配估计,后者不是已验收结果。标准平台让客户自行落地是未来计划,尚需验证跨工位复用、客户操作能力、总交付成本与持续运行指标。

机制与术语:对象、输入输出和中间过程

多源真实数据到模型迭代:原文实际说明了什么

输入:互联网中人类工作的视频;人穿UMI、外骨骼、动捕等设备在真实场景工作的记录;高质量遥操作;机器人在客户现场运行时产生的失败案例。

过程:视频用于预训练,提供大量、低成本、广场景的信息;可穿戴组合补充手部以外的手臂构型与全身动作信息,遥操作用于微调,现场失败案例用于后续强化学习。设备侧持续迭代,数据侧做切段、标注、质检,嘉宾称使用AI;算法侧还要让模型从相对较低质量数据中学习。三个阶段不是同一数据越便宜越好,而是在规模、精度和真实反馈之间分工。

输出:嘉宾希望形成可规模化的数据生产与模型训练管线,最终提升基础模型在更多任务和场景中的泛化。2026年计划采100万小时可穿戴数据,年底预训练同时使用视频和可穿戴数据,视频仍更多。

限制与证据边界:可用性95%是公司自述,未给统一评测;早期3—5倍数据量只是嘉宾对学习效率的说明。未披露具体传感器、同步与动作表示、奖励函数、自动化占比、实际成本及训练对照,也没有证明数据小时与性能线性换算。仿真被降优先级是千寻的路线判断,不是对所有任务的普遍否定。

对应节目:00:37:07;00:39:50;00:40:46;00:41:55;00:43:37;00:44:24

本文自拟示意,不是嘉宾实验

UMI能记录手部动作,却不足以说明完整手臂构型;外骨骼补一部分手臂信息,动捕用于更精确全身记录。可据此理解“数据配方”是补足不同信息维度,而不是原稿自拟的某一种传感器组合或固定输出格式。

早期工位筛选与交付:模型能力、失败代价和数据闭环

输入:客户提出的近200个工序、当时可用的端到端VLA与硬件、现场节拍和改造限制、失败时的物料与安全代价、工位数量及真实数据价值。

过程:先排除模型当时做不到或需要复杂非标改造的任务,再看是否需要力控、节拍是否允许、失败能否重试、是否能持续在真实产线工作。选定后先管理客户预期,由研发驻场写代码改模型,专门小分队协调公司内部支持。商业方向另看市场大小与增长、客户集中和付费意愿、国内外需求是否相似。

输出:宁德时代最后的插拔检测项目,以及持续获取现场失败案例、训练后续模型的入口。未来目标输出则是标准模型、机器人与数据管理平台,由客户采数微调。

限制:这是从嘉宾自述项目抽象出的框架,不是量化打分公式。插拔成功不等于整线经济性成立;11个月含非模型工作,当前模型一个月只是估计。专门团队缓解资源冲突但增加成本,客户自行微调与跨场景复制尚未得到普遍验证。

对应节目:00:52:41;00:53:17;00:54:28;00:55:01;00:56:52;00:58:13;00:59:11

本文自拟示意,不是嘉宾实验

大插头第一次未插入可再试且不易损坏,小插头可能一次失败就损坏。相同的模型成功率,在两种工位上的成本和风险不同;这就是“容错率”进入场景选择的具体含义。

Robotics与AI协作:从职责划分到组织纠错

输入:传感器与任务信息、模型作出的空间理解和轨迹决策、底层运动学/动力学控制,以及团队对研发优先级的不同判断。

过程:按韩峰涛自述,AI承担上层空间理解和轨迹规划,小脑保留基础运动控制。组织上,当自研本体和采集设备未完成、模型缺数据时,高阳主张先购第三方机器人,接受构型不同造成的部分数据浪费,换取立即迭代。最终投入近200万元,而不是等所有自研条件齐备。

输出:短期内恢复模型与数据迭代;长期形成“提升模型性能的主线任务坚决投入”的优先级,并在AI判断上更多依赖高阳。

限制:节目未给控制频率、动作接口、模型结构或安全约束,不能扩写成端到端取代全部传统控制。信任让人更容易接受纠错,但不等于直觉有独立验收;购买设备的一次成功决策也不证明所有战略选择都可靠。

对应节目:01:28:30;01:29:54;01:30:47;01:32:08;01:33:16

本文自拟示意,不是嘉宾实验

【按嘉宾组织选择例子重述,不是新增流程或效果数据】等自研机器人完成再采数,数据更匹配本体,却让模型等待;先买构型不同的机器人,部分数据可能浪费,但模型可以现在迭代。这个案例的核心是时间成本与数据匹配度的权衡。

独立判断:这些对话改变了什么理解

“模型优先”与“现在做商业化”并不矛盾,真正的分界是项目能否降低下一次模型或交付的成本。

推理:韩峰涛把大部分资源给基础模型,同时保留宁德项目,不是因为两句话摇摆,而是给商业项目设置了额外功能:提前理解整机与场景、进入私有数据环境、产生真实失败案例。磨刀案例的反面对象不是一切客户项目,而是只能证明技术、不能扩大市场或复用能力的重定制。本文据此认为,评价这条战略不能只看2026年收入大小,还要看商业项目是否反哺数据、是否减少后续部署工作量、是否形成可复制工位。

竞争解释与边界:这种解释有自我合理化的风险:任何重服务项目都可能被包装成“数据投资”。若项目持续需要大量驻场、数据不能合法复用、客户场景过于特化,或新模型并未减少适配周期,那么它与早期磨刀式交付的差别就很有限。宁德11个月验收是进展证据,但不足以证明规模复制。

“2026年模型淘汰赛”是一条可检验但尚缺公开测量尺度的命题,数据小时不能代替模型评测。

推理:嘉宾给出的因果链是:可穿戴降低采集成本并补足动作信息,数据与训练管线加快,基础能力提升,新环境所需后训练减少,标准产品才可能放量。这条链上每一环都需要不同证据:采集端的有效小时成本,训练端同任务对照,部署端新环境成功率与适配时间,商业端复购和总交付成本。访谈最强的是把链条讲清楚,最弱的是95%可用性、70%—80% zero-shot和100万小时均没有统一公开口径。

竞争解释与边界:如果数据增加却未提升跨场景任务,或模型提升后部署仍需重工程,模型优先的投入回报会下降。相反,若相同预算下可穿戴数据在多个未见工位稳定优于遥操作对照,且适配周期持续下降,才更有力支持淘汰赛判断。竞争对手用传统自动化或专用产品先形成现金流,也可能改变资本对时间的容忍。

韩峰涛的创业史能解释他为何警惕小市场和现金流,却不能直接证明新一轮预测正确。

推理:磨刀工作站提供了技术领先与市场狭小脱节的亲历例子,三次资金危机则提供预算、融资备选和扩张节奏的教训。它们足以解释他对大市场、标品、速度和融资窗口的重视,也使“见过客户”不止是一句口号。与此同时,他强调年轻创业者不应从单一角度过度笃定,这个提醒同样适用于他自己关于2026—2029年的时间表。

竞争解释与边界:过去的工业机器人经验可能帮助识别交付陷阱,也可能让团队低估新模型带来的变化;AI合伙人的直觉可以纠正机器人路径依赖,也可能产生新的技术乐观偏差。信任有助于表达异议,但模型与商业决策仍需外部任务、客户和现金流结果验收。

尚未解决的问题与可检验的下一步

待解问题:可穿戴数据的“95%可用性”如何测量,低成本和规模化是否包含全部处理成本?

下一步信息或小实验:在同一批训练、验证和未见任务上,固定模型、训练预算和评测协议,比较等小时与等成本的遥操作、可穿戴及混合数据;披露有效小时定义、失败片段比例、切段标注质检的自动化与人工成本,以及位置/视觉精度和动作信息完整性。

怎样的结果会改变判断:若等成本可穿戴数据在多个未见任务上稳定提高成功率并减少部署适配,支持其规模化主张;若95%只在少数任务成立、依赖大量人工后处理,或跨任务迁移弱,则应下调对数据护城河的判断。

待解问题:“模型性能淘汰赛”能否转化为可比较的产业证据,而非融资叙事?

下一步信息或小实验:跟踪同一任务集上的模型版本、zero-shot和少量微调成功率,记录每个新工位的数据量、研发人数、适配天数、持续运行故障与验收标准;同时对比传统自动化、专用机器人和其他具身方案的总成本与收入质量。

怎样的结果会改变判断:若模型提升持续降低新工位适配成本,且标准平台能由客户复用,将支持2026年模型优先;若数据增长与能力提升脱钩,或模型提升后重服务仍不下降,2027年下半年至2028年的落地时间表就需重估。

待解问题:千寻的“中厂”和标准平台计划,怎样跨过重服务到可复制的鸿沟?

下一步信息或小实验:除宁德单一项目外,披露同类工位在不同工厂和客户中的复用率、每台机器人硬件与交付成本、客户独立微调的成功率、售后负担、复购和毛利,并比较2030年销量目标与实际市场增长。

怎样的结果会改变判断:若不同客户能低成本复制且客户能独立训练部署,软硬一体和标准平台更有说服力;若复制仍依赖总部研发驻场、每个行业都需重新做本体和流程,年销10万台与盈利之间的关系就不能按当前设想推断。

影响理解的转录疑点

优先回听01:04:37—01:15:57,核对100万小时、数据有效性、zero-shot与模型Top 3究竟是目标还是结果,以及模型淘汰赛和大厂2028—2029年入场的完整论证。再听00:37:07—00:46:58,确认可穿戴数据配方、20%—30%到95%的测量口径与铺量时间。商业侧可对照00:47:07—00:59:01和01:15:57—01:20:49,分清宁德11个月验收、模型适配估算、磨刀8台需求与当前公司压力。

证据边界与资料索引

本页依据整期机器转录、官方节目介绍与章节逐段重建,未宣称逐字人工听审。说话人、专名、数字和时间可能存在识别误差;原声仍是最终核对依据。嘉宾关于公司、市场、研究、个人经历与未来的说法按口述保留,不自动等于独立核验的事实。

原节目:152: 千寻智能韩峰涛:具身模型淘汰赛和落地的非共识

本页使用的公开文字或字幕来源

返回顶部