Podcast Interview · 逐期深读

原力灵机唐文斌:从旷视到具身智能的创业复盘与新征程

本期背景与内容导览

本期由原力灵机联合创始人兼 CEO 唐文斌与《晚点》科技报道负责人程曼祺对谈。主持人从信息学竞赛、姚班和微软实习切入,嘉宾回顾 2011 年与印奇、杨沐创立旷视:体感游戏带来机会,却因团队兴趣和产品能力不匹配转向 Face++;金融身份认证形成规模后,公司继续在技术可达性与市场空间间探索,并于 2016 年进入物流机器人。早期经历既有技术试验和人际网络,也有偶然触发,不能改写成预先规划好的成功路径。 商业复盘包含失败及其机制:AI To B 需要可核算价值、可复用产品和合理成本结构;优衣库项目从竞标时的过度承诺走到上线仅达目标效率 40%,再延期半年重写代码,说明“最后交付”不能抹去风险积累。关于组织,嘉宾既肯定高人才密度带来的协作效率,也反思“这不本质”的偏好、财务回报亏欠及多业务分散资源。A+B+C≈max(A,B,C) 是后见式的专注提醒,不是证明当初应选哪一个业务的公式。 2024 年团队开始 VLA 实验,2025 年春原力灵机运营。技术主线是“具身原生”:在 VLM 预训练阶段混合互联网多模态、智驾和机器人操作数据,VLA 阶段再以 VQA、grounding 与动作任务联合训练,以探索物理理解和通用能力保持。本期没有披露数据配比、损失函数或同预算对照,因此它是公司的技术假设与路线,不是已证明优于嫁接训练的定论。System 2 规划、System 1 中频 VLA、System 0 高频力触觉控制之间如何连接仍未解决。 产品主线是“模型解锁场景,场景定义硬件”:选择容错、容时、适度泛化、长时间作业的场景,以机器人、远程接管、人工工位和调度系统共同闭环,再用总体成本检验 ROI。物流是首选,模块化本体用于避免完全定制和标准人形的冗余。RoboChallenge 与 Dexbotic 同时服务内部研发和行业生态,但自家评测、自家模型第一的利益冲突以及外部采用数据均需独立核查。节目尾声的跨期比较属于主持人,不是嘉宾现场观点。

晚点聊 LateTalk · #161 · 2026-04-24 · 2:09:50

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。

00:00:00–00:24:19连续对话 1

00:00:00–00:01:21开场:从旷视到原力灵机,少数派的具身智能选择

  • 你们最多的时候是不是有十几个IOI的金牌?
  • 当时范浩强作为高中生是怎么跑到你们这儿上班的?

开头是后文片段预告,不要把预告里的追问与正式访谈混为一条时间线。主持人问旷视是否曾有十几个 IOI 金牌、范浩强为何高中时来工作;唐文斌说 NOI 金牌更多,随后谈到研究院的“这不本质”:研究员偏爱最难、最根本的问题,但商业产品中所有影响客户的环节都是本质。另一句“今天到底有多少具身机器人被持续使用”也是后文观点的提前露出。

【主持人介绍,非嘉宾自述】2011 年唐文斌与印奇、杨沐创立旷视,2025 年初成立原力灵机;他在本科至研究生期间做过七年信息奥赛国家队总教练,部分竞赛学生后来又成为同事。shownotes 与口播均把“不做人形机器人”和“直接参与多模态基模预训练”概括为新公司的两个少数派选择。这是节目组对本期主线的定位,不代表这些选择已得到商业结果验证。

NOI / IOINOI (National Olympiad in Informatics) 指中国全国青少年信息学奥林匹克竞赛。IOI (International Olympiad in Informatics) 指国际信息学奥林匹克竞赛。两者都是面向中学生的顶级编程竞赛,选手需要在限定时间内解决一系列算法问题。在本段中,它们是嘉宾早期接触编程、结识顶尖人才并塑造其技术思维的重要经历。
TopCoder一个在线编程竞赛平台,以其独特的“Challenge”机制闻名。在本段中,它指嘉宾在大学期间参与的一种高强度、高对抗性的编程比赛,其“Challenge”环节要求参赛者在赛后找出并攻击对手代码的漏洞,以此得分。
Face++旷视在2012年推出的一个开放平台。输入是开发者的调用请求,输出是人脸识别、关键点检测等计算机视觉能力的API接口。在本段中,它代表旷视在放弃游戏业务后,转向技术驱动、探索CV技术商业化应用的第一步。
Kinect (体感交互)微软为Xbox 360游戏主机推出的一款体感外设。它通过深度摄像头和麦克风阵列捕捉用户的身体动作和语音,实现无需手柄的自然人机交互。在本段中,它是激发嘉宾团队开发手机体感游戏《乌鸦来了》的灵感来源。

话题推进:主持人正式介绍嘉宾,并邀请他向听众打招呼,由此进入正式访谈。

00:01:21–00:05:06编程启蒙:解题的乐趣在于设计过程而非唯一答案

  • 你可以讲讲就是最开始你是怎么接触上编程,然后怎么开始做竞赛的吗?
  • 就当时对十几岁的你来说,你觉得编程的乐趣如果描述一下它是什么呢?
  • 那像这种就是信息奥赛,因为它可能涉及到时机去编程什么的,有什么不一样的地⽅?

唐文斌自述,家乡是浙江新昌,初二时学校刚组织编程竞赛,从各班挑数学好的学生,他因此接触 NOI。他和两三个同伴觉得编程比打游戏更有意思;他把快乐具体描述为“构思算法—编程实现—通过测试—代码写得优美”带来的解决问题成就感,而非抽象地说自己从小注定做 AI。

他也参加数学、物理竞赛。在他的个人体会里,后两者较常有一种解法,编程则鼓励设计不同的求解过程;一些优化题容许不断寻找较优解,提交后很快得到 accepted 或 wrong answer。原话以“最短路”举例却又说没有最优解,表述不够严谨,应理解为他在强调部分优化问题可迭代改进,不宜据此断言所有编程题都无最优解。除竞赛,他还写网站和游戏外挂,认为计算机让人获得制作工具的能力;2006 年保送清华时选择计算机系。

话题推进:从中学竞赛经历自然过渡到大学时期的竞赛与人际交往。

00:05:06–00:10:31大学竞赛与执教:从“黑掉”对手到设计高区分度赛题

  • 大学继续做这个事,那应该确实是特别喜欢。你说的这种刺激和正反馈,你可以讲讲一些什么具体的,比如说哪些比赛会给你这种感觉?
  • 那你有没有记得自己最爽的一次是,比如说怎么抢抢到了多少分,然后你干掉了多少队吗?
  • 你当时还认识了哪些竞赛的,你觉得还挺好玩的同学,包括现在也还有一些有交流的。
  • 因为后面你你自己去当过这个国家队的教练。
  • 这和你自己打比赛的区别是什么呢?就是你去做题和出题的。

唐文斌以 TopCoder 的 Challenge 环节解释即时反馈之外的对抗乐趣:一个半小时答题后,同房间选手有五分钟检查代码,提交能使对方出错的测试数据,成功则对方该题清零、挑战者加 50 分,每份程序只能被挑战一次,因此还要比观察和手速。他自述某次 20 人房间的一道题中,其余 19 人忽略了同一陷阱,他全部挑战成功得到 950 分。此为他回忆的一场经历,不是用一次高分证明普遍能力或后来创业因果。

他提到竞赛圈中的罗天成、蒋凡等旧识。2007—2013 年,他与胡伟栋等参与信息奥赛命题工作,创业后仍继续了两年。好题的目标不是一味难,而是让约 200 名选手的分数拉开,并在考点和形式上有新意;做题可能一两个小时,出题可能一周。主持人把它类比为 AI benchmark,他认同“自己得是好的 player,才可能是好的 judge”。这个判断随后也成为他解释 RoboChallenge 为什么由具身从业者来做的背景,而不是从竞赛命题直接推出机器人技术路线。

话题推进:从执教经历和对benchmark的思考,话题转向他在大学期间与旷视另一位联合创始人印奇的相识过程。

00:10:31–00:15:30结识印奇与创业约定:从同学到创业伙伴的两次关键互动

  • 那回到上学的时候,因为你当时本科的时候就和印奇认识了嘛,当时对他是什么印象?
  • 一个班多少人哦?
  • 那是什么年了?
  • 你们毕业前你指的是本科还是指本科毕业前?

唐文斌回忆,姚班一届 27 名男生,在大二重新组班;他与印奇最初不熟,也不住同一栋楼。两人熟悉起来有两个具体场景:约 2008—2009 年同在微软亚洲研究院实习,印奇跟孙健做人脸相关工作,他跟张磊、蔡睿做图像搜索,常交流进展;大四学生节时,印奇导演班级小品,设法让几乎所有同学参与,展现组织能力。本科毕业前的 2009 年,他们约定将来一起创业,认为机器人需要“眼睛”、计算机视觉有价值,但当时并不知道具体产品。

原计划是印奇出国读书、其他人先工作再会合。唐文斌随后留在清华读硕士,自述是唐杰的第一个学生,研究主要是社交网络数据挖掘。唐杰学术休假期间,他再去微软亚洲研究院,所在组从文本转向社交媒体图像搜索,他以图片上下文增强搜索的工作有机会被用于 Bing。这里是偶然转向与既有兴趣相遇的过程,不能倒写成他在入学时已经规划好旷视的完整路径。转录把机构多次写成“MSI”,结合实习语境原稿理解为微软亚洲研究院,但准确英文名仍以官方履历为准。

话题推进:从最初的创业约定,话题转向了他们为何提前开始创业,以及旷视的第一个项目。

00:15:30–00:22:12旷视的诞生:从体感游戏到Face++开放平台

  • 所以按照你们本来的计划是当时印奇在美国在哥伦比亚读博士,然后你在这边在清华唐老师这边读硕士,包括你们可能想工作一段时间就再创业,但实际上后来的是你们很快就开始创业了。
  • 当时你们对创业是怎么想的了?你们怎么理解创业这件事情了?因为这个听起来好像是有一种被很多外部因素推着的一个决策。
  • 所以它(创业)是工程师想解决问题的成就感的一种延伸。
  • 其实你们最开始做的乌鸦来了,就是开发移动端手机上的游戏,这在当时也是一个大方向,因为后来移动互联网是一个很大的热潮嘛。然后旷视在11年成立,但你们后来其实就没有再继续做2C和跟移动互联网相关的事情了。
  • 那你觉得张一鸣看《内涵》段子和《今日头条》吗?

提前创业是几个当时条件共同触发,而非预先设计好的必然路线:Kinect 体感游戏流行,唐文斌在 2010 年下半年收到 iPhone 4,注意到前置摄像头可以把视觉交互带到手机;独立 App 开发者的收入又让他们看到尝试的可能。他与印奇各出一台 MacBook,后因人力不足拉杨沐加入,第一款游戏通过摇头控制。主持人补充其未做推广曾到 App Store 免费榜前三,唐文斌确认;他说游戏没挣到钱,却带来关注、奖项和投资人接触,于是选择“在战场上学习”。原稿写“联想创投天使投资”,转录另有“联想执行”等含混音,投资机构正式名称待核。

成立旷视后,他们又做 3D《街头速滑》,设想体感版 Angry Birds。真正的失败经验不是“游戏没上榜”,而是团队不玩这类轻游戏,对策划、收费点和数值设计缺乏成就感,认识到目标是把技术用于多场景而不是成为游戏公司。2012 年年中停掉游戏,转做 Face++ 开放平台:开发者调用视觉 API,团队借外部使用探索需求。主持人问“是否工程师成就感的延伸”,唐文斌认可,但这是他的复盘解释,不应抹掉当时“先走走看”的模糊和偶然。

话题推进:从放弃游戏业务、建立开放平台,话题转向旷视如何找到第一个规模化的商业应用场景。

00:22:12–00:24:19技术驱动的基因:找到第一个规模化业务——金融级人脸识别

  • 其实整个旷视还是非常技术驱动的一个思维,就是你们很认定你们觉得有潜力的这个技术方向,当时看到的就是计算机视觉,然后去去找各种场景。
  • 就回头看的话,你们当时这样的一个创始团队的组合,它有可能去做更偏产品或者用户驱动的一种创业吗?
  • 非常肤浅怎么讲?
  • 然后从Face++之后,旷视后来真的找到比较主要的业务是在什么时候呀?

主持人用“拿着锤子找钉子”概括早期旷视。唐文斌承认团队当时对用户需求观察肤浅,个人偏好也不等于大众需求,因此很难做成用户驱动创业;曾尝试视觉服饰推荐、图像搜索等设想,最终判断热爱和能力不在那里。这里既是对自身局限的反思,也不应被扩大成“技术团队天然不能做产品”的普遍定律。

Face++ 阶段,他们向美图等提供人脸关键点检测、瘦脸和放大眼睛等 SDK。唐文斌称第一个真正起规模的业务是与支付宝合作:远程开户需要确认“你是你本人”,需要高准确度的身份认证;按他的说法,支付宝调研市面供应商后选择了效果较好的旷视。该段只给出他的业务回忆,没有银行侧验收指标或独立市场资料。转录写作“浙江网上银行”,结合业务名称可记为网商银行,但本轮不作外部事实扩展。

话题推进:本段结束于旷视找到金融场景的突破口,为后续讨论旷视在B端业务的探索和总结奠定了基础。

00:24:19–00:48:35连续对话 2

00:24:19–00:26:52旷视早期突破:高中生率先尝试深度学习,实现人脸识别飞跃

  • 当时是用什么技术实现的呀?因为其实AlexNet是12年出来的嘛。
  • 当时范浩强作为高中生是怎么跑到你们这上班的?
  • 像当时你们开始愿意去尝试深度学习这个方法,是比如说你们让他们去试的,还是说就是你们招了很多很聪明的年轻人之后,他们自己就会去看他们想试的东西?

唐文斌自述,LFW 人脸识别评测上,当时大家约在 90%—91%,旷视借深度学习把成绩推进到 98%—99%。这些数字是他的回顾,未给出模型版本、评测协议、报告时间或对照表,不应改写成独立核验过的行业纪录。主持人以 2012 年 AlexNet 为时间参照,他确认团队紧跟这波变化,但内部起初也将信将疑。

第一个试验者是高中生范浩强,后与本科实习生周而进组成“强进组合”,做关键点检测和识别。唐文斌说范浩强初三进入国家集训队、高一至高二阶段参加 IOI 获第二名,当时因金牌选手不再参赛的新规以及已获保送而来旷视,高二加入。组织启示是在技术早期给动手快、聪明的人真实试验空间,同时保留“看到神经网络潜力—开放讨论—让他先试”的过程;不是“招天才就必然取得突破”。原稿将集训队和保送时间写得前后不一致,此处保留原话时间跨度,不补具体年份。

LFW (Labeled Faces in the Wild)一个人脸识别领域的公开评测数据集。它包含从网络上收集的、在各种非受控条件下(如不同姿势、光照、表情)拍摄的人脸照片,用于评估人脸识别算法在真实世界场景中的准确率。
数据飞轮 (Data Flywheel)一种商业模式中的正向循环机制。在这个语境中,指AI产品通过吸引更多用户,收集到更多、更多样化的数据(输入);利用这些数据来训练和优化算法模型,使产品性能(如准确率)得到提升(输出);性能提升后的产品又能吸引更多用户,从而形成一个自我加速、不断增强的循环,构筑起竞争壁垒。
SDK (Software Development Kit)软件开发工具包。在这里指旷视将人脸识别等AI能力封装起来,提供给其他开发者,让他们可以方便地在自己的应用程序(如美图秀秀)中集成这些功能,而无需从头开发。这是一种技术输出的商业模式。
AI To B指将人工智能(AI)技术、产品或服务销售给企业(Business)客户的商业模式。与面向个人消费者(To C)的业务不同,To B业务通常决策链条长、客户需求多样化、注重投资回报率(ROI)。

话题推进:主持人从技术突破的商业转化提出疑问,引向对AI创业商业模式的讨论。

00:26:52–00:29:22技术优势如何变现:数据飞轮是关键,部分场景难以形成壁垒

  • 像身份认证的话,如果特别大的公司是不是也会自己做的?如果它整个生态里有很多这种需求的话。

主持人提出“技术优势没有转化为商业成果”,唐文斌明确说“不完全对”,要分场景。他认为单纯算法领先往往只是时间差;若使用带来更多数据、数据再改善算法与产品,才可能形成正循环。这是他对护城河的选择性解释,并非所有 AI 业务的通用判断。

他以身份认证为例:服务支付宝后拓展到其他互联网金融及滴滴、Uber 等身份核验需求,更多认证让系统见过更多人脸并改善准确度;他声称当时仍占约 70%—80% 市场。该比例没有口径、时间点和第三方数据,只能标为嘉宾自述。相反,普通 SDK 对精度要求较低、同行可追赶,未必有同样飞轮。对大客户是否自研,他的回答是“值不值得”:若只是业务小环节,供应商跨客户摊薄研发成本可能更合算,并以滴滴仍采购为例。节目没有讨论人脸数据授权、跨客户可用性和隐私约束,不能自行补充成无限制的数据积累机制。

话题推进:对话从旷视早期的线上软件业务,转向了后期更“重”的To B业务,探讨其转型动机。

00:29:22–00:34:31AI To B的三条教训:价值可量化、控制成本占比、警惕项目陷阱

  • 你刚才讲的就是旷视找到的第一个起量的业务,其实是偏软件的这种人脸识别的技术方案去服务各种互联网应用。
  • 就如果总结一下的话,你觉得AI 2B它会有一些什么经验和教训?
  • 这个可以正反例举一下吗?比如说什么是可以被量化计算,什么是你不太好被量化计算。
  • 那你怎么看像宁德时代和英伟达这种,其实他们也都占客户的成本挺大的,但大家又好像离不开它,这岂不是一种最爽的状态吗?

唐文斌把后来拓展更重的 To B 业务解释为在“技术可达性”和“市场规模”之间寻找平衡:身份认证做得好,但他认为需求频次和市场天花板有限,因此寻找更大空间。这是他今天的战略复盘,不是当时只有这一条可选路径。

他总结三条经验:第一,客户价值能否量化,PPT 上虚构 ROI 可能签单,却会伤害复购与续约;第二,最好在客户成本构成中占比不过大,否则客户更有动力替代或自研,主持人以宁德时代、英伟达反问,他承认“强到不可替代”是例外,同时指出车企建电池厂、大厂做芯片的反向趋势;第三,警惕项目陷阱,明确哪些标准化、哪些配置化、哪些定制化,否则收入随项目人力增长,难形成产品规模效应。

物流案例显示标准化并非“没有定制”。按唐文斌当时口径,收入约一半项目、一半产品:仓库布局和流程像装修,仍需适配;团队把入库、托盘/箱式存储、发货等环节拆开,以标准产品组合,并向合作方提供组件搭建方案。原稿“竞争商”按上下文理解为合作方,但转录用词含混,具体商业关系待核。三条经验应保留其相互牵制:产品化解决复制,ROI 解决购买理由,成本占比涉及客户议价,三者不能相互替代。

话题推进:具体谈到物流机器人业务,主持人追问旷视在2016年左右进入该领域的初衷和背景。

00:34:31–00:39:29进入机器人领域:始于初心,看见仓储物流的巨大痛点

  • 旷视开始布局机器人业务应该是在16年左右。
  • 16年当时是看到了什么机会要来做机器人?其实这个和计算机视觉,它当然用到了计算机视觉,但它还有很多别的技术,它是有一点gap的,怎么想到要去做这个东西。
  • 对,因为其实最开始像Kiva这种方案就亚马逊在用嘛,然后后来也把Kiva这个公司收了。你们当时做这个和那会儿这个创业潮有关系吗?
  • 2012年开始的这一轮深度学习热潮,因为其实当时从12年到16年也是有一波AI热的嘛,当时的AI的技术外溢到这个领域了吗?有哪一些地方是可以帮助机器人的?

唐文斌说,做机器人是他与印奇早期就有的愿望,“让机器人先能看懂世界”也与旷视命名相连。2016 年真正进入物流的契机,是参观天津天猫超市仓库:按他转述,拣货员在约零下十度环境中每天拉车走约 40 公里,负责人称年人员流失率约 200%。这些数字来自嘉宾回忆,且“年流失率 200%”未解释统计分母,不宜当成经过审计的行业均值。

他们先投资后收购一家公司,逐渐发展物流机器人。选择仓库既因为劳动强度和招聘困难,也因为处理对象可抽象为托盘、箱子、单件商品,较容易标准化;长期希望机器人再走出仓库。面对主持人关于 Kiva 与同期创业潮的追问,他否认直接跟随关系。应同时保留“早期机器人愿望、现场触动、场景标准化”三层理由,不把参观一次仓库写成唯一原因。

当时技术的关键不是今天意义的通用 VLA。调度输入包括库存货位、订单优先级和多台车辆状态,输出是货位安排、订单分配与交通路径,目标是整体吞吐而非单车炫技;唐文斌认为它更接近运筹优化,并可尝试强化学习。他把这类优化与竞赛经验相联系,是能力迁移的自我解释。原文将 AlphaGo 时间说作约 2015 年,本轮不替嘉宾校订外部年份,标记为大致回忆。

话题推进:在讨论了技术背景后,主持人希望了解旷视机器人业务在商业上取得的具体成果。

00:39:29–00:42:52拿下优衣库大单:从过度承诺到转危为安

  • 在没有后来的新的技术变革的时候,你们用当时的一些机器人的技术,一些AI的技术,你们后来就是做到了哪些应用上和商业上的结果呀?
  • 我不知道这个项目就是它的价值多大呀?像这种项目最后拍板需要到优衣库的创始人级别吗?
  • 你们最后是不是和创始人见面了?我记得有一次好像是印奇说你去,你去日本去见他了。

唐文斌自述,旷视物流业务服务过可口可乐、雀巢、优衣库等客户。2019 年上海优衣库大仓招标方案复杂,经过五轮提案筛选,项目涉及上千台机器人。他把中标原因归于软件、算法和多机调度,并承认当时向客户自称算法调度“最强,没有之一”;这是销售语境中的自我评价,而非第三方评测结果。

案例的关键失败不是后来“转危为安”的传奇,而是失败如何被竞争机制制造出来:别家承诺了旷视判断高风险的功能,客户反问“他能,你能不能”,旷视也咬牙承诺。上线后实际效率只有目标的 40%,仓库接近不可用;他们承认方案和时间表存在问题,请求延期半年,把代码推倒重来,最终完成项目。唐文斌说此后见柳井正并获得其他项目,但这不能洗白前期过度承诺,也不能据此证明“先承诺再补救”是可复制方法。

他后来谈到权威如何改变诚实的成本:尚未建立信任时说做不到,客户可能理解为能力弱;已有专业信誉后,才可能把风险转成共同的小规模验证。项目失败又常以年为反馈周期,供应商和客户都不愿公开,外界看到的成功案例因此存在筛选偏差。这是本期组织与商业复盘中最重要的反例之一。

话题推进:优衣库项目的经历引出了关于To B市场中“过度承诺”问题的深入探讨。

00:42:52–00:48:35To B市场的“过度承诺”与新创业的务实选择

  • 所以你们是转危为安,你们把一个事又重新给它弄好之后,你去见的创始人。
  • 那你们曾经试过非常真诚实在的去讲,我就是做不到吗?
  • 那你们就没有遇到,比如说你的一个竞争对手跟客户说我能做到,实际上他也做不到,最后做了一段时间这个,因为这个标可能会流出来嘛,他可能会去找别的供应商。
  • 你在具身智能行业观察到哪些过度承诺的现象?
  • 那你们会怎么选择了?你们是要参与稍微也过度承诺一点,因为继续在发展。
  • 如果总结来说的话,就是在这一次成立新的原力灵机这个公司之前,旷视之前的机器人业务,你觉得在技术上和商业上做到了什么成绩,做到一个什么状态?

主持人追问竞争对手搞砸后订单是否自然回流。唐文斌否认这种简单修正:承诺方先拿项目,半年后才暴露问题,客户也可能失去继续做这件事的信心,双方还倾向于不谈失败。较健康的替代方式是在已有信任后明确风险,共同做小规模实验,而不是在竞标中集体抬高期望。

转到具身行业,他认为除文娱、科研外,持续运行的规模仍值得追问。“有用”要同时满足任务闭环和经济账:不是换一种情况就失效,也不只是一段成功演示。他称许多场景更像 POC、PR 和摆拍,这是嘉宾的行业观察,并非对每家公司的逐项核验。

他给出的新公司策略是:利用既有客户信任,直接说明桌面任务也做不到 100%,通过完整工作流接住失败,再核算总体成本。旷视物流业务此时已称“原力聚合机器人”,品牌按转录为 Atomics;嘉宾称其处于增长期、海外占比上升、收入“大几个亿”且另有未确认订单,这些数字与“成熟”评价均保留为其自述。原力聚合与原力灵机是不同业务主体,不应混写。

话题推进:本段结束,详细回顾了旷视从AI技术突破到机器人业务的商业实践与反思,为后续介绍新公司原力灵机的选择做了铺垫。

00:48:35–01:13:38连续对话 3

00:48:35–00:56:38从旷视到原力灵机:团队重组与“天才策略”的复盘

  • 旷视机器人业务当时的规模如何?
  • 为什么决定在2025年重新成立一家专做具身智能的公司?在旷视内部是如何提议的?
  • 原力灵机与旷视及老股东是什么关系?
  • 在具身智能创业热潮中,为什么像范浩强这样的核心人才没有离开,而是选择一起创业?
  • 如何看待团队成员的财务回报问题?
  • 原力灵机在吸引新人才时,提供的激励(如期权)与一家全新的创业公司有何不同?
  • 目前团队中新老成员的比例如何?

嘉宾先给出业务背景:原力聚合的托盘、箱式搬运产品和销售、渠道已较成型。2024 年团队开始做以大模型驱动机器人控制的 VLA 实验,原力灵机在 2025 年春天正式运营。此前数月用于重组,涉及退出股东、新基金承接股份等复杂交易;他说老股东在新公司持有一种股份,转录“持了一股币”不足以确认“B 类股”这一法律术语,审读稿不作此断定。主持人关注历史股权安排是否影响新创业,但节目没有给出完整股权结构。

核心成员为何留下?唐文斌自己的解释包括长期配合和能力信任、物流客户与场景积累、共同提高做成概率,以及兄弟感情。他回忆初一在人大附讲课时认识范浩强,与周而进更早是高中校友。主持人提及张祥雨也曾在旷视研究院、现在转录所称“接月”的公司,说明人际网络延续到更大的合作生态,但不能把留下的人外推成所有人都没有离开。

“天才策略”的收益是降低沟通和协作成本、提高迭代速度;局限是聪明人偏爱最难的问题,对商业交付的脏活兴趣下降。唐文斌把“这不本质”也称自己的坏习惯,主张让不同能力的人配合。谈财务回报,他说带领团队多年未让大家挣钱“心中有愧”,同时认为成员也追求做成事和影响力;这应保留愧疚而非只美化成长期理想。新公司按创业方式激励,自述期权池 30%,约 100 人中约 40% 老同事、60% 新同事,均为访谈时点口径。

VLM (Vision-Language Model)视觉语言模型。指能同时理解图像/视频和文本输入,并生成文本或其他输出的多模态模型。输入是图像/视频和文本,输出通常是文本描述、回答或判断。
VLA (Vision-Language-Action Model)视觉-语言-动作模型。在VLM基础上增加了动作输出能力,是具身智能的核心模型之一。输入是来自机器人摄像头的视觉信息和用户的语言指令,输出是控制机器人执行任务的一系列动作指令。
具身原生 (Embodied-Native)原力灵机提出的一种模型训练理念。指在视觉语言模型(VLM)的预训练(pre-training)阶段,就将机器人相关的操作数据、自动驾驶数据等物理世界数据与互联网多模态数据一起输入,让模型从一开始就建立对物理世界的原生理解,而不是在已训练好的VLM上“嫁接”动作能力。
联合训练 (Co-training)在本段中指,在训练VLA模型时,不仅训练其生成动作(action)的能力,同时还训练它完成视觉问答(VQA)、视觉定位(grounding)等多项与视觉语言理解相关的任务。目的是防止模型在学习新技能时遗忘或削弱已有的多模态理解能力。

话题推进:在解释完公司重组、团队构成和反思后,话题自然转向原力灵机成立时对具身智能行业的技术判断和核心挑战。

00:56:38–01:13:38具身原生:参与VLM预训练,构建物理世界的基础模型

  • 2025年正式运营时,你们如何判断具身智能行业面临的主要问题或任务?
  • 具体的技术瓶颈是什么?
  • 你们提出的“具身原生”是什么意思?
  • 为什么在VLM上增加action模块进行训练,会影响VLM本身的能力?
  • 你们的机器人数据从哪里来?如何采集?
  • 合成数据在你们的“配方”里有位置吗?
  • 如何看待李飞飞、黄仁勋等人对合成数据/世界模型的看好?
  • 具身模型与大语言模型的关系是什么?哪些是一脉相承,哪些是具身需要独立解决的?
  • 做大模型的AI Lab也在做机器人,创业公司最终会被他们覆盖掉吗?

唐文斌说,团队过去曾低估深度学习、Transformer 和智驾的变化速度,因此在桌面任务成功率仍只有约 50%—60% 时,仍因进步斜率选择再创业。这个由历史经验支持的技术判断不是已实现结果。其使命“智能、有用、可信赖”把模型能力与商业闭环连起来:有用要能完成任务并算过账,可靠也受错误决策影响;他把机械臂、相机之外的模型“大脑”视为当前核心瓶颈。

“具身原生”包含两个不同训练阶段。第一,VLM 预训练时就混机器人等物理世界数据,而不是只在训练完成的 VLM 后接动作模块;第二,VLA 阶段不只学动作,还同时学 VQA、grounding 等视觉语言任务。后者的动机是避免只上“体育课”而丢掉“文化课”,可用灾难性遗忘理解,但嘉宾没有在本期给出损失函数、冻结策略、数据配比或对照实验,不能把“预训练融合必然优于后期嫁接”写成已证明结论。

他把训练流程描述为:与大模型合作方共同做 VLM 预训练,混合互联网多模态、智驾和机器人操作数据,形成所谓物理世界原生 VLM;原力灵机再接着训练 VLA,并做 VLA post-training。这里“三部分”是 VLM 预训练、后续 VLA 训练及后训练,不应把互联网视频、智驾、机器人数据误写成依次三阶段。自动驾驾数据对纯桌面任务帮助可能有限,他认为对室内室外导航及泛环境更有意义。DM0、合作方“杰越/接月/JV”、智驾方“千里”等正式名称均需以官方技术资料回核,不沿用原稿猜测。

数据配方包括机器人中心的遥操作、手扶、外骨骼、无本体采集和人的穿戴式第一视角数据;嘉宾称当前真机数据为主,仿真较少。他认为 contact-rich 操作中,非刚体、力与触觉难仿,sim-to-real gap 限制收益;但 locomotion 主要处理地面接触和平衡,仿真有用,高层任务理解与分解也可能受益。对生成数据、世界模型和互联网视频,他保留开放态度,核心问题是能否低成本 scale 且生成质量确实改善模型。

最后的三层系统是构思而非已统一行业标准:System 2 输入任务与环境理解,输出推理、规划或任务分解,可云端低频运行;System 1 的 VLA 接收视觉、语言及上层信息,输出约 10Hz 的动作控制;System 0 融合力、触觉等,进行 100Hz 以上精细反应。层间接口尤其 System 2 如何帮助 System 1 尚是开放问题。大模型强在 System 2,具身公司仍需处理 System 1/0 与硬件的耦合;“看梅西视频学不会踢球”只是强调动作与本体数据的比喻,不是证明大厂绝对不能做机器人。

话题推进:在详细阐述了原力灵机在模型层面的技术路线和思考后,对话将转向更具体的产品选择,即为什么决定“不做人形机器人”。

01:13:38–01:38:27连续对话 4

01:13:38–01:23:34破解“鸡生蛋”难题:从多任务模型到容错场景

  • 行业最重要的问题是模型性能提升吗?大概什么时候能解决“鸡生蛋”问题,让机器人先在某些场景用起来?
  • 现在zero-shot的成功率能到多少?
  • 有哪些场景符合你说的这些标准(容错、容时、泛化、长时作业)?
  • 物流为什么容错率比较高?
  • 你们现在已经开始一些这样的实践了吗?有什么可以分享的?
  • 你们到年底才发布成果,节奏会不会太慢?
  • 你如何定义“被持续地使用”?
  • 多少台算有量?
  • 你们最开始会切入的场景,应该还是你们有积累的物流这个大场景,是吗?

唐文斌先解释数据“鸡生蛋”:模型不成熟使机器人无法使用,不使用又无法得到真实失败与接管数据,模型因此难改进。他的解法不是只扩大离线采集,而是让批量机器人进入可闭环的应用,回收真实使用数据。这是他选择同时做模型、系统和场景的理由,但仍是一套待结果检验的战略。

RoboChallenge 的任务适应设置必须区分:specialist 给目标任务数据并允许后训练,得到针对该任务的模型;generalist/multi-task 给出多个任务(举例 20 个)的样本,但只训练一个模型,通过提示词区分任务;zero-shot 不给新任务训练数据,只靠精确提示执行。前两者“见过任务数据”不等于同一适配程度,zero-shot 也不等于模型从未见过任何相似数据。主持人问 zero-shot 数值时,嘉宾实际回答的是 generalist 当前约 30% 多,并未提供 zero-shot 成功率;原稿应明确这一答问错位。

场景筛选四项被嘉宾称为必要不充分条件:允许错误或有兜底;允许时间和节拍波动;需要适度泛化,否则专机更优;能长时间作业,才有摊薄投入的机会。物流的闭环机制是机器人先做,失败后可远程人工接管,或把物料从机器人工作站调度到人工工作站;主持人将其类比为打车网络里自动驾驶与人类司机并存。闭环解决“流程不断”,不自动解决 ROI,后者必须把机器人、人工兜底、调度等 total cost 一起算。

他称公司正在实践,预计当年年底展示,但未给出已部署规模。对“持续使用”,他先给每天 10 小时以上、连续两个月、真实场景且有量;“有量”随后随口举 100 台,明确说是“随便拍个数字”,不宜当严谨行业阈值。后文 1000 台是更激进的飞轮/年度目标,两者不可混为当前已实现数据。他希望只做两三个真正闭环的场景,首选仍是已有积累的物流。

数据飞轮 (Data Flywheel)在这里指一个正向循环过程:机器人被部署到真实场景中应用 -> 在应用中产生大量高质量的真实世界数据(包括成功、失败、人类接管等) -> 这些数据被用来训练和迭代出更好的模型 -> 更好的模型让机器人更可靠、能应用于更多场景 -> 从而产生更多数据。这个循环一旦启动,会像飞轮一样越转越快,构筑起强大的技术壁垒。
Specialist / Generalist / Zero-shot 模型这是对具身智能模型在任务处理能力上的三种分类: - **Specialist (专家模型)**:输入是一个基础模型和特定任务的大量数据,输出是一个在该任务上经过微调(fine-tune)、专门解决这一个问题的模型。 - **Generalist (通用模型)**:输入是一个模型和多个(如20个)不同任务的数据,输出是一个未经针对性微调、仅通过不同提示词(prompt)就能完成所有这些任务的单一模型。它对模型的泛化能力要求更高。 - **Zero-shot (零样本模型)**:输入是一个模型和一条描述全新任务的提示词,模型在从未见过该任务训练数据的情况下,直接理解并执行任务。这是对模型泛化和理解能力要求的最高级别。
RoboChallenge由原力灵机发起并开源的一个具身智能模型评测基准平台。它提供一系列标准化的任务和评测环境,允许研究者提交自己的模型进行测试和排名,旨在为行业提供一个公开、可复现的benchmark,以衡量和推动算法的进步。
Dexbotic由原力灵机开发并开源的一个面向具身智能的开发框架(或工具箱)。它构建在PyTorch之上,提供了一系列封装好的工具和标准化的流程,旨在简化和加速具身智能模型的研发、实验和部署过程,特别是针对模仿学习(Imitation Learning)方向。

话题推进:在确认了初期会聚焦物流场景后,主持人自然地将话题转向了实现这些场景所需的硬件形态,询问原力灵机是否会做人形机器人。

01:23:34–01:27:13场景定义硬件:模块化组合,不做标准人形

  • 你们对硬件形态是怎么考虑的?会做人形吗?还是服务于那个场景的一些其他的形态?
  • 你的意思就是说你们会有几种不同形态的硬件,然后组合?
  • “模型解锁场景,场景定义硬件”这个说法,比“模型定义硬件”多了一个环节,怎么理解?
  • 就像乐高积木一样,抽象出基础模块来快速拼接?

唐文斌并未否定一切标准硬件,他说公司会做标准化形态,但把某一标准形态直接放进所有场景,可能 underkill 或 overkill:相机安装位置、末端尺寸和作业空间会使任务无法完成;反之,多余自由度、移动能力等又抬高成本。因此“模型解锁场景,场景定义硬件”中,模型先决定哪些任务可能自动化,场景再约束硬件,而不是模型单向决定全部本体。

他用遥操作作硬件上限的检验:人控制同一本体仍完不成,瓶颈可能在触及范围、负载、精度等硬件条件;能遥操作完成则再把自动化交给模型。这只是粗筛,不能证明遥操作成功就一定能学到高成功率的自主策略,也不能隔离传感器与通信延迟的影响。

例子是固定操作站与低重心 AGV 分工:他估计人形或轮式双臂约 0.8—1 米/秒且急刹易倾覆,而低底盘 AGV 可达约 4 米/秒,因此某些场景不需要操作机器人自行移动。速度为个人经验估计,不是普遍规格。模块化组合的目标是在“每单重新定制”与“一种本体包打天下”之间复用部件;接口、维护、备件、规模成本能否成立,节目尚无实测答案。

话题推进:在解释了硬件的模块化理念后,主持人转向了原力灵机另一个特别之处:作为一家创业公司,却投入资源开发并开源了多项行业基础设施。

01:27:14–01:38:27开源基础设施:既是利己,也是利他

  • 创业公司为什么要做RoboChallenge、Dexbotic这些行业基础设施的工作?
  • 之前旷视也开发过深度学习框架天元(MegEngine),但生态一直没做起来,这次重新做开源基础设施是怎么想的?
  • 具身模型的开发和实验,与之前的深度学习有什么具体区别,导致PyTorch、TensorFlow这些框架不好用?
  • 你们开源的框架现在社区活跃度怎么样?吸引了哪些同行或公司在使用?
  • 历史上有什么创业公司早期做行业基础设施并取得成功的案例吗?

主持人先问创业公司为何做基础设施。唐文斌认为单点模型领先会交替,迭代效率才更持久,需要数据、训练、推理、硬件、评测基础设施。Dexbotic 起初服务内部算法复现和公平比较,之后开源以吸收使用反馈;RoboChallenge 起初也是内部真机评测服务,为研究提供方向信号。其“利他”论证是行业先解决技术能否成立,否则多数公司都是泡沫。主持人保留竞争视角,追问融资、人才冲突和自家模型在自家榜单第一是否公平,不能只写成单向开源赞美。

他回应“运动员兼裁判”质疑时说测试公开,代码、各任务 fine-tune 细节和 generalist 版本细节均可复现,别人可下载并提交得到同分数。这提高可核查性,但公开代码本身并不消除任务选择、硬件条件和评测运营中的潜在偏向,仍需第三方复现。主持人随后以 MegEngine 生态不如 PyTorch/TensorFlow 反问,唐文斌的复盘是 2013 年内部已有框架,却因不理解开源而到 2018 年才开放,错过生态窗口;因此本次尽早开源。这是他对历史组织的解释,不等于这次必然形成生态。

技术上,Dexbotic 是 PyTorch 之上的 toolbox,不替代深度学习框架:以配置组合 VLM 基座、vision encoder、action 模块及 diffusion 等实现选择,统一数据格式、训练与部署方式,让算法实验更方便;当前更偏 VLA 和模仿学习。嘉宾称另一团队的通用强化学习框架已较好,双方打通接口、可能合并,避免重复建设。转录为“阿令夫”及若干人名不清,原稿猜作某具体项目没有证据,应全部待核。

采用情况均为嘉宾自述:1.0 在前一年 10 月开源,约千名外部开发者,一些高校和千问团队使用。主持人所指“二月刚开源”可能对应另一版本,不能替换为“2025 年 10 月首次开源”而不标相对时间。对大厂竞争,他认为对方可能更偏基础 VLM 与生态,也承认市场容得下不同玩家;最后以 Databricks、Hugging Face、Red Hat、MongoDB 等说明基础设施可形成公司或生态,但这些例子不是 Dexbotic 已成功的证据。

话题推进:在讨论了开源策略和行业生态后,对话自然地转向了对未来行业格局的预测,以及在这样的格局中,中国公司可能扮演的角色。

01:38:27–02:04:37连续对话 5

01:38:27–01:41:40行业终局预测:先分散后集中,幸存者多数在中国

  • 大公司没有推出相关的开发框架或测评工具吗?为什么你们要自己做?
  • 具身智能行业长远的格局会是怎样的?比如规模、集中度和产业链分工。
  • 你说的“一段时间”和“比较多”的公司,具体指什么?
  • 你认为最终剩下的个位数公司是全球范围还是中国范围?
  • 硅谷也有获得大额融资的具身智能公司,为什么你认为中国公司更有优势?

承接开源投入,主持人问为什么不能直接用大公司生态。唐文斌判断当前没有足够好的现成工具,同时承认大公司未来可能投入;评测和框架工作量大,需要长期认真维护。他把这视为创业公司的机会,但没有比较各可用方案的具体功能、采用成本或 benchmark,属于其战略判断。

行业格局预测分两步:模型无法统一任务时,垂直场景容纳很多公司;通用模型增强后,部分小模型和垂直能力被吸收,出现以模型或本体为平台的公司,平台自行做场景或向应用公司输出“本体+模型”。他说最后“个位数”公司足够,转录误作“各位输家”,原稿按语义还原;主持人继续追问才得到“不到十个”的量级。

他进一步判断幸存者多数在中国,依据是硬件迭代效率和全栈产品需要本体载体。主持人给出反例:硅谷公司融资大且模型看似领先,也可能以模型为核心或被收购;他承认这些可能。应保留这个竞争解释,而非把“多数中国公司”写成必然产业结论。节目没有量化供应链成本、研发周期、资本投入或各区域成功率,个位数和地域判断都不能当作预测已验证。

数据飞轮 (Data Flywheel)在本对话中,指一个正反馈循环:机器人通过在真实场景中被大量、持续地使用,收集到高质量、多样化的数据;这些数据被用来训练和迭代模型,提升其智能水平和泛化能力;更强大的模型让机器人能完成更复杂的任务、进入更多场景,从而收集更多数据,进一步加速模型迭代。这个循环一旦建立,就能形成持续的竞争优势。
小老头公司嘉宾唐文斌使用的一个比喻,指那些专注于为特定客户做定制化项目、长不大但能长期生存的传统自动化公司。在本段中,他用此来警示具身智能创业公司,应避免陷入为每个场景做深度定制的“项目陷阱”,因为这会偏离研发通用智能机器人的长远目标,限制公司的成长天花板。
POC (Proof of Concept)概念验证。在本对话中,指在受控或理想条件下,对机器人技术或应用方案进行小范围、初步的可行性测试。嘉宾指出,POC成功与真实场景的规模化落地有巨大差距(可能只走了20%的路),因为它通常只验证成功路径,而忽略了大量异常处理和鲁棒性问题。
System 1 / System 2源自认知心理学的概念,这里被借用到机器人领域。System 1(系统一)指快速、直觉、自动化的“小脑”式反应,对应机器人的底层控制和反应能力。System 2(系统二)指缓慢、需要推理和规划的“大脑”式思考,对应机器人的任务分解、高级决策能力。嘉宾提到的问题是,如何让System 2的规划结果,有效地指导和提升System 1的执行表现。

话题推进:在预测行业终局将由少数全栈公司主导后,话题自然转向了如何才能成为这少数幸存者之一。

01:41:41–01:46:34生存之道:模型领先与数据飞轮,警惕“小老头公司”陷阱

  • 怎样才能成为最后剩下的不到十家公司之一?
  • 数据飞轮要达到怎样的量才算转起来了?
  • 另一位创始人(逐际动力张威)认为,过早落地会限制模型天花板,你怎么看?
  • 所以你是通过“用通用模型落地”和“找容错场景”来平衡的?
  • 作为从业者,你觉得行业有什么值得提前未雨绸缪或提醒的地方?

唐文斌把幸存条件归为模型领先和真实使用形成的数据飞轮。他用汽车产业链说明无需自产每个零件,核心竞争力是智能、场景闭环和商业方式,再由长期使用数据反哺模型。他给“一个场景一千台”作为飞轮量级判断,并强调先让机器人把一件事做成批量持续应用,再扩展更多任务;这不是已经达成的部署量。

主持人转述逐际动力张威的担忧:过早围绕场景优化,会把上限压低,而通用模型提升后可一次解开一片场景。唐文斌认同这种张力,称模型演进与落地“有夹角”:既不平行也不正交。他的平衡不是一句“通用与商业自然统一”,而是研发投入以泛化为主,落地时用当前通用模型,不为单场景重新 overfit 一个 specialist,再用场景选择和工程兜底补足能力。

“小老头公司”是他对能长期生存却长不大的项目型自动化公司的称呼,风险在于每个客户都 customize,商业化与通用模型积累脱钩。其战略排序是模型第一、阶段性商业化第二,并希望后者通过数据飞轮支持前者。张威的质疑提供了一个可检验边界:若工程兜底反而带来大量场景专用流程、人工接管数据又无法改善通用任务,商业化仍可能偏离目标,不能仅凭叙事宣布两件事情已正相关。

话题推进:在讨论了如何平衡技术理想与商业现实后,主持人转向了对行业周期性风险的探讨,询问如何为潜在的低谷期做准备。

01:46:34–01:51:27应对行业低谷:备足弹药、专注投入、正视现实

  • 作为身处其中的人,你觉得有什么值得大家提前去未雨绸缪和提醒的地方吗?
  • 你说的“大家”是指投资人还是?
  • 你觉得具身智能什么时候可能会经历类似自动驾驶在18-19年的低谷期?
  • 如果信心进入相对低谷期,你们有什么提前的准备或Plan B吗?

唐文斌认为高预期和泡沫有双重作用:它们吸引人才、资本并加速尝试,也会迎来“到底有没有被用起来”的检验。他借用 Gartner Hype Cycle 提醒不能短期太乐观、长期太悲观,但没有给出泡沫顶峰或低谷的时间。对于自动驾驶 2018—2019 年的类比,他认为当时技术进展与信心有关,而本轮大模型进展及机器人更易实现局部商业化,可能让曲线更平滑;同时明确规模化未必更容易。

他要求从业者区分 demo 是多次失败中剪出的成功,还是稳定水平;区分收入来自数据采集服务,还是客户为有效生产价值付费。原转录“素材工”语义不清,这里只按上下文保留“数据采集相关收入”的解释并标待回听。若进展不及预期,他承认可能是数据,也可能需要新的模型结构,但相信更多资金和人才会有帮助。

Plan B 包括预留资金、专注真正相信的方向,以及在技术摸索期用业务支撑度过周期。关于低谷体验,他说团队内心并未随市场大起大落,真正压力更多体现在融资困难,旷视几次融资发生在低谷期。这是他对自己团队的回顾,不应泛化为所有创业团队都能靠信念消除组织压力;专注也不能代替现金流、里程碑和止损机制。

话题推进:提到“专注投入”和“储备弹药”是应对低谷的关键,主持人自然地将此与嘉宾过往的创业经历联系起来,询问这是否与旷视的经验教训有关。

01:51:28–01:57:01复盘旷视:做加法的教训与“A+B+C≈max(A,B,C)”

  • 你之前也经历过创业起伏和行业低谷,可以描述一下进入低谷是什么状态吗?心理上、团队氛围上。
  • 在成立原力灵机之后,你们曾对什么事情say no?
  • 有人找过你们,还是你们自己讨论过要不要做表演类的东西?
  • 数家公司花大几千万到1亿上春晚表演,你觉得这算分散开枪吗?
  • 汽车工厂的场景,是因为你们以前做物流机器人时服务过吗?
  • 你刚才总结的应对低谷的两点(备足弹药、专注投入)和你之前在旷视的经验教训有关吗?
  • 你觉得在上一轮AI热潮里,(旷视)真正值得集中力量干的一两件事是什么?

主持人先问“say no”的具体例子。唐文斌说拒过表演类合作,承认情绪价值也是价值,只是公司更想做生产力工具;面对“数家公司花大几千万到一亿元上春晚”的主持人转述,他没有确认金额,而反问是否每家都达到效果。这应记为对资源回报与路线匹配的质疑,不是证明所有表演都无效。

第二个例子是汽车产线。他判断当前不宜优先进入,因为高度错误不容忍、节拍强,现场还有包装、辅材、容器和空间限制,不是想象的简单 pick-and-place。主持人提 Tesla、Figure 与宝马的实践,他仍坚持个人判断;其依据包括过去服务汽车工厂和现场观察,但并未提供这些工厂的失败数据。因此正确结论是“他把这类场景排到当前优先级之外”,不是“汽车工厂已被证明普遍不可做”。

对旷视复盘,他说方向过多稀释了高人才密度,主观上成员想下注的方向不同,客观上一些盈利较好的业务市场有限,于是不断做加法。他提出 A+B+C≈max(A,B,C),认为再来一次应集中力量做一两件事;但主持人追问具体该选哪件时,他说每件事深入下去都可能成为大公司,问题是都做得不够深。这一回答应保留:他没有给出一个事后必然正确的业务选择,公式也是对资源分散的比喻,不是可计算的公司估值恒等式。

话题推进:在复盘了过去的经验教训后,主持人将目光转回当下,询问具身智能行业是否存在被忽视的真问题。

01:57:02–02:04:37“不太想暴露的真问题”与创业15年的感悟

  • 具身智能行业现在有什么被忽视的真问题吗?
  • 从26年到27年,你希望原力达到一个什么状态?
  • 你们现在都没有展示过硬件,我印象中。
  • 有什么你现在还没有答案,但觉得很重要的问题吗?
  • 从开始做机器人到现在更独立地创业,你发现了自己什么不一样的特质?
  • 创业15年了,如果相对感性地形容,是什么感受?

唐文斌把“被忽视的真问题”改称为“不太想暴露的真问题”:模型演示不等于接近可用,视频可能只呈现多次失败中的一次;POC 只验证成功路径,真实交付还需处理失败与自动化机制,他估计 POC 可能只走了 20% 的路。20% 是经验性比喻,不是统一项目度量。他转述另一位匿名 CEO“想泼冷水又怕泼灭”,同时强调技术进步斜率仍陡,保留谨慎与乐观并存的态度。

2026 年目标需与现状分开:技术上提升 multi-task/generalist 成功率,他说当前约 30%,目标“非常激进”却未给具体百分比;商业上提出一个场景 1000 台,并确认是在真实生产或服务场景持续使用,而非 POC。主持人按前文标准复述每天 10 小时以上,他确认,但节目没有说已实现。他说硬件已存在,只是不展示,关注点为模型和持续使用。年份按 metadata 的 2026 年发布及原话“26 年”记录,不擅自改为目标已经验收。

仍未回答的两个问题非常重要:System 2 的规划输出用什么中间表示成为 System 1 的输入并提升 VLA,以及互联网视频、egocentric 人类第一视角、仿真等哪条数据路径最能 scale。此处表明“具身原生”并没有解决所有训练和接口问题。

他把自己称为“AI 技术产品经理”:面对技术既不能无所不能也非一无是处,需理解边界和客户价值,用 workaround 让系统恰好可用;整体设计还包括应用数据回收—研究迭代—评测选模—部署的闭环。结尾他感谢一波波技术浪潮,保持参与和兴奋。这是个人动机自述,不把 15 年经历剪成从竞赛到具身必然成功的直线。

话题推进:以对时代浪潮的感谢和对未来的兴奋收尾,本段对话结束。

02:04:38–02:09:50连续对话 6

02:04:38–02:06:12值得投入一生的事业:打造真正的机器人

  • 你有一个特别长期、想实现的技​​术上的理想吗?

主持人最后问长期技术理想。唐文斌先转述印奇选择自动化系是因为名字接近 AI 和机器人,再回顾旷视从“让机器人看懂世界”到物流机器人的延续。他补充第二次搬办公室时在前台放了一个机器人、据他所知仍在那里,用具体细节说明长期兴趣,最后说具身智能值得投入 lifetime。这里的“长期”是价值承诺,不是对未来公司结果或个人职业路径的保证。

主持人随后总结本期涵盖 15 年创业、原力灵机看到的机会、团队实践、模型与落地思考,双方道别。原稿概括基本忠实,但应保留印奇经历为唐文斌转述,而非印奇在本期直接自述。

连点成线这是《晚点聊》播客的一个特色环节,通常在节目尾声,由主持人将本期内容与往期节目中的相关观点进行联系、对比和呼应,为听众提供更广阔和深入的思考维度。

话题推进:访谈主体部分结束后,主持人进入了本期节目的“连点成线”环节,回顾并串联本期与往期节目的相关观点。

02:06:14–02:09:50连点成线:对比不同具身智能公司的技术路线与场景选择

尾声“连点成线”全部是主持人的节目编排和跨期解释,不能归给唐文斌。她将本期三层系统与 157 期谈到的 CES 三层结构、155 期贾鹏的 physical agent 相联系:大模型强在宏观规划,具身公司可在精细动作、软硬件结合和真实反馈数据上积累。转录中的 Sharper、公司名“至简/质检动力”等仍需对照相应期数,不在本期猜改。

她另作一个有信息量的场景对比:155 期贾鹏偏向任务从头到尾由机器人完成的“端到端”,如柔性搬运、上下料;本期唐文斌偏向人或其他自动化设备可兜底的系统,在物流调度中允许多种执行体接任务。这是主持人对两期观点的比较,不是两位嘉宾现场互相回应。

她也指出共性:几位嘉宾都倾向节拍不快的任务,并引 154 期韩风涛为另一例。主持人认为这些差异会塑造公司的不同路线。正文分析应把“机器人独立完成整任务”与“系统闭环但允许人接管”作为两种落地边界来比较,不把后者误写成单机模型能力更强。原稿将“保证 ROI”写得太满,应改为通过调度与工程尝试维持可接受的效率和成本。

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

AI To B 要同时回答价值可量化、客户为何持续采购、方案能否产品化三个问题。

唐文斌(经验复盘,非普遍定律) · 00:29:22-00:34:31

ROI 影响续约,供应商占客户成本过高会提高替代/自研动机,逐项目定制则限制复制。物流案例不是消灭非标,而是把流程拆成可复用环节,以配置与组件承接差异。

成立条件:不适用于已具有不可替代性或强生态锁定的所有供应商;访谈没有证明三条经验是充分条件。

“具身原生”把物理世界数据前移到 VLM 预训练,并在 VLA 训练中保留视觉语言任务。

唐文斌(公司技术路线) · 01:00:38-01:10:28

输入包括互联网多模态、智驾与机器人操作数据;中间是 VLM 联合预训练,再训练 VLA 并做后训练;VLA 阶段同时学 action、VQA、grounding,意在缓解只做动作微调造成的原有能力下降。自动驾驾数据更面向导航和泛环境,对纯桌面帮助可能有限。

成立条件:需要证明同预算下对动作成功率、任务泛化、VLM 保持和样本效率的收益。本文未把“灾难性遗忘必然发生”或“from scratch 必然更好”当已证事实。

当前通用模型应借助容错场景和系统兜底先进入真实工作流,而不是为单场景重训专用模型。

唐文斌(系统落地判断) · 01:17:27-01:23:34;01:43:40-01:46:23

错误与时间可容忍、任务适度泛化、可长时作业是必要不充分条件。物流中机器人先执行,失败可远程接管或转到人工工位;系统闭环后再把机器人、人工与调度成本一起核算。

成立条件:若失败率过高、接管和搬运成本过大或数据无法改善通用模型,则系统即使不断流也可能没有 ROI,商业化仍可能偏离通用路线。

“模型解锁场景,场景定义硬件”以模块化平衡场景适配与复用。

唐文斌(硬件与组织选择) · 01:23:34-01:27:13

遥操作不能完成提示硬件上限;能完成后再判断模型能否自动化。人形/轮式双臂的移动能力在某些工厂仓库是成本与稳定性负担,可由固定操作站和低重心 AGV 分工。

成立条件:遥操作只是粗筛,不能证明可学习性;模块化还要验证接口、维护、可靠性和量产成本,节目没有实测。

机制与术语:对象、输入输出和中间过程

具身原生的两阶段训练:把数据混合与能力保持分开

【嘉宾路线,本文按输入—训练—输出重述】

- 输入:VLM 预训练混合互联网图文/视频、智驾与机器人操作数据;机器人数据可来自遥操作、手扶、外骨骼、无本体和穿戴式第一视角采集。

- 训练:先联合训练 VLM,再由原力灵机训练 VLA 并做后训练。VLA 的输入可包括视觉、语言及上层规划,输出是动作;训练时不只拟合动作,也保留 VQA、grounding 等视觉语言任务。这里可理解为多任务联合优化,但节目没有给出损失权重或梯度细节。

- 输出与反馈:VLM 为 VLA 提供多模态基础能力,VLA 输出控制动作;部署中的失败、接管等真实数据再回流为后续训练材料。是否用于模仿学习、强化学习或二者组合,本期没有完整披露。

- 限制:不同本体动作空间、数据配比、负迁移、仿真到现实差距,以及同预算下相对“开源 VLM+动作模块”的增益都没有对照数据。真机为主不等于排除所有仿真;嘉宾认为仿真对 locomotion 和高层任务理解可能更有用。

对应节目:01:00:38-01:10:28;01:13:48-01:17:27

本文自拟示意,不是嘉宾实验

【本文自拟对照设计,非原力实验】比较两条路线时,应固定机器人任务、真机数据量、模型规模和训练预算:A 用通用 VLM 接动作模块,B 在 VLM 阶段加入同一批机器人数据。除新任务成功率,还测未见物体/场景泛化、VQA/grounding 保持和达到同等成功率所需真机样本。只有 B 在这些指标上呈现稳定优势,才能支持“原生”相对于“嫁接”的增益;单看一次 demo 无法区分数据、参数规模与训练方式。

System 2 / 1 / 0:三层接口比三个名词更重要

【嘉宾提出的构想】System 2 接收任务和环境信息,输出推理、任务分解或规划,通常云端低频运行;System 1 的 VLA 将视觉、语言及可用的上层信息映射为约 10Hz 的动作;System 0 接收力、触觉等本体反馈,以 100Hz 以上完成快速精细控制。

- 训练/反馈:本期没有给出三层联合训练方法。System 2 可借大模型能力,System 1/0 更依赖本体、真机操作和高频反馈。层间中间表示尚未确定,嘉宾明确说大脑输出如何成为小脑输入并提高 VLA 性能仍无答案。

- 限制:频率是嘉宾给出的量级,不是所有机器人的固定配置。把系统分层不会自动获得可泛化能力;高层语言计划可能不够精确,低层控制也受传感器、执行器和延迟约束。

对应节目:01:11:01-01:13:38;02:00:37-02:01:26

本文自拟示意,不是嘉宾实验

【本文自拟流程,仅用于解释】“把料箱中的水杯移到打包区”可由 System 2 拆成识别杯子、接近、抓取、搬运、放置;System 1 将当前相机画面和子任务转成连续动作;System 0 根据夹爪力反馈快速调整,避免滑落。若杯子挤压变形或透明反光,失败可能来自视觉、力控或硬件自由度,不能全归为“大模型不够聪明”。

真实场景闭环:失败接管与经济核算是两个门槛

【嘉宾方案,本文补充可核算形式】输入是订单、库存/工位状态和机器人执行结果。调度先分配机器人,失败后可远程人工接管,或将物料移到人工工位,必要时也可由专机自动化接续。输出是订单任务最终完成,而非每台机器人 100% 成功。失败与接管记录再成为训练和评测材料。

- 第一层验收是闭环:异常是否可发现、任务能否转移、流程是否持续。

- 第二层验收是 ROI:机器人折旧和维护、远程接管、人工工位、搬运等待、调度开发与失败返工都属于 total cost。节目没有说明失败识别是否自动,原稿擅自写成“传感器自动判断后转人工”已纠正。

- 数据飞轮:只有回流数据能覆盖失败原因并改善通用任务,部署才同时帮助模型;若只是长期人工兜底,业务闭环未必形成技术壁垒。

对应节目:01:17:43-01:23:34

本文自拟示意,不是嘉宾实验

【本文自拟算例,不是节目实测】若一小时有 1000 个任务,机器人尝试 1000 次、成功 800 次,剩 200 次需接管或转人工。原稿用两个人工工位处理 300 次便宣布“绰绰有余”是不完整的:还要考虑失败重试的搬运时间、峰值同时到达、机器人折旧和系统维护。可写成单位任务成本=(机器人全成本+人工兜底成本+调度与额外搬运成本)/最终正确完成任务数,再与纯人工和专机方案同口径比较。80% 成功率既可能形成有用系统,也可能因尾部成本而失去 ROI。

Specialist、Generalist、Zero-shot 的评测边界

Specialist 允许目标任务样本和后训练,得到面向该任务的模型;generalist 给多个任务的样本但只训一个模型,通过提示词选择任务;zero-shot 不提供新任务训练数据,直接按提示执行。输出都是动作任务是否成功,但“见过什么数据、能否任务适配、是否同一模型”不同,分数不能直接横比。

- 嘉宾称当时 generalist 成功率约 30% 多,主持人问的是 zero-shot,嘉宾没有给后者数字;此前约 50%—60% 是桌面任务的一般表述,也未给协议。

- 反馈:RoboChallenge 用真机测试为内部研究提供信号。公开代码和 fine-tune 细节有助复现,但评测任务、机器人本体、初始状态、允许重试和成功判据仍需一并公开,第三方结果才能校验“自家榜单第一”。

对应节目:01:15:16-01:17:27;01:30:13-01:32:46

独立判断:这些对话改变了什么理解

本期最有解释力的不是“具身原生”这个标签,而是两套闭环必须同时成立:任务闭环和模型改进闭环。

推理:人工接管、调度与其他自动化设备能让订单完成,即使单机成功率不足;但只有失败与接管数据被准确归因、回流并提升新任务表现,才构成数据飞轮。由此可把演示、POC、真实部署和通用模型进步拆成四个不同证据层级,避免把持续开机直接等同于通用智能。

竞争解释与边界:如果接管本身昂贵、失败难以自动标注、不同本体数据不可复用,业务闭环可以成立而模型闭环不成立。反之,离线采集和预训练也可能先提升模型,不能断言只有部署数据有价值。

唐文斌对“天才策略”和“A+B+C”的反思,呈现的是组织资源分配问题,不是人才或多元化的简单否定。

推理:高密度人才降低部分沟通成本,但成员可能偏好研究难题、忽视交付细节,不同方向还会争夺同一批核心人员。优衣库项目进一步表明,技术与组织能力无法抵消竞标激励造成的过度承诺;真正需要设计的是客户信任、风险披露、阶段验收和跨职能配合。

竞争解释与边界:“专注”是后见式总结,早期市场规模未知时,多方向探索也可能提供信息和现金流。嘉宾并未证明哪一个旷视业务应当被砍掉,也没有给 A+B+C 公式可计算的估值含义。因此不能用它倒推当时显然应做某个单一路线。

“具身原生”应作为可证伪的训练假设,而不是从“从小练体育”的类比推出结论。

推理:把机器人数据前移可能让共享表征接触更多物理交互,联合训练也可能缓解通用多模态能力遗忘;但两个设计对应不同问题,需要分别消融。合作生态提供数据和预训练资源,是路线可实施的条件,不是路线正确性的证据。

竞争解释与边界:开源 VLM 加动作模块可能以更低成本达到足够性能,预训练混合还可能负迁移。应固定模型规模、数据、算力与下游任务,比较成功率、泛化、VLM 保持及样本效率;本文不预设 20 个百分点或一个数量级为通用通过线,应由基线和业务成本共同确定。

“不做人形”和“容忍失败”是面向当前资源与任务的优先级选择,并非行业终局定律。

推理:固定操作站与 AGV 的分工把移动从操作本体剥离,可减少冗余成本;容错物流允许模型在还不完美时进入真实流程。这两个选择都与原力灵机已有物流客户、调度能力和场景知识相匹配,比抽象讨论人形优劣更具可执行性。

竞争解释与边界:主持人提到汽车工厂和硅谷模型公司,提供了资源禀赋不同的竞争解释。拥有自有试验场、能承担长期迭代的公司可能选择高难度产线;模块化也可能重新引入集成和维护成本。因此不宜把唐文斌对当前公司的判断扩成所有创业公司的唯一正确路径。

尚未解决的问题与可检验的下一步

待解问题:具身原生的增益来自训练阶段、数据量、模型规模还是联合任务配方?

下一步信息或小实验:寻找官方技术报告和同预算消融:相同机器人数据与模型容量下,比较后期嫁接、VLM 阶段混合、以及是否保留 VQA/grounding 的版本。记录新任务与未见任务成功率、VLM 能力保持、样本效率及总算力成本。

怎样的结果会改变判断:若控制数据与预算后,原生路线没有稳定改善动作泛化或样本效率,或者通用能力保持仅靠联合训练即可达到,则“必须前移预训练”的强主张应减弱。

待解问题:机器人+人工兜底能否同时形成正 ROI 和可迁移的数据飞轮?

下一步信息或小实验:对一个真实场景连续记录任务量、一次成功率、远程接管率、转人工率、峰值等待、最终正确完成率及单位全成本;追踪回流数据加入训练前后,在同一批已见与未见任务上的变化。

怎样的结果会改变判断:若任务闭环依靠高比例人工且单位成本不优于基线,或新数据只改善原场景而不迁移,则它证明的是项目服务能力,而非通用模型飞轮。

待解问题:RoboChallenge/Dexbotic 能否成为被独立采用的基础设施,而不只是自家研发与展示工具?

下一步信息或小实验:核对第三方独立复现、非原力团队提交、外部代码贡献与持续维护;公开任务选择、硬件配置、初始状态、重试次数、成功判据及版本变化。区分下载开发者、试用、生产采用和活跃贡献。

怎样的结果会改变判断:若外部团队不能独立复现排名、采用主要停留在短期试用,或评测设置系统性偏袒某类模型,则“公开代码即可消除裁判争议”的说法需要修正。

待解问题:单场景 1000 台目标是否在节目所指年份完成,且满足持续使用定义?

下一步信息或小实验:查后续实际部署时长、真实任务、日均开机、连续运行月份、客户验收和复购,并明确 1000 台是出货、安装、激活还是持续生产使用。

怎样的结果会改变判断:只有出货或短期 POC 而没有持续生产数据,不能支持飞轮已形成;若百台级已产生正 ROI 和可迁移改进,也不应机械地把 1000 台当作唯一有效阈值。

影响理解的转录疑点

优先回读 00:41:10-00:48:11(优衣库失败、overpromise 与真实落地),再读 01:00:38-01:23:34(具身原生、数据边界、三层系统、模型适配设置与系统兜底)。若只为核对专名,另回听 00:49:21、00:50:22、01:05:05-01:06:08、01:35:45-01:36:10 和 02:06:14-02:07:12。节目后段提出的 2026 目标均为当时计划,不应当作当前已完成结果。

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:161: 原力灵机唐文斌:中国最早的 AI 创业者和他的具身新旅程

本页使用的公开文字或字幕来源

返回顶部