Podcast Interview · 逐期深读

许华哲谈二次创业:聚焦通用智能,打造家庭机器人

本期背景与内容导览

本期是《晚点聊》第二次专访许华哲。节目发布时,他的新身份是破壳机器人创始人兼CEO,同时仍在清华大学交叉信息研究院任助理教授,并持续做自媒体;此前两年多,他是星海图联创和首席科学家。主持人程曼祺围绕三个层面追问:为什么离开前一次创业并在此刻再次出发,破壳准备用什么技术与产品路线进入家庭,以及个人经历怎样影响他对研究、组织和长期投入的理解。关于星海图的具体内部决策,节目主要呈现许华哲一方自述,不能把传闻或后验解释写成已核实事实。 他的核心主张是“回到智能,进入家庭”:目标不是为每个任务各造一个系统,而是让同一个机器人能在开放物理世界承担多种工作。18—24个月进家庭、约五年达到human-level通用智能,都是他在2026年访谈中的预测。为形成这个判断,他曾询问中美朋友对备菜机器人的支付意愿、走访工业与物流现场,也结合单任务强化学习、大模型和Agent的发展。他并非反对工业落地,而是认为局部落地与Physical AGI的通用性目标之间存在方向差异;通用性是否真能让人形机器人算过经济账,本期尚未用整机成本、真实付费和长期使用数据证明。 技术上,他用“三个不是”界定AI Native:不逐项完成特定机器人任务,不把局部数据闭环当作通用路径,也不指望多个小模型简单叠加形成大模型。破壳当前设想包括轮式双臂切入、足式同期探索、动作相关部分使用统一模型,以及跨任务的规模化强化学习后训练;顶层仍可能分层,世界模型、视觉语言模型和部分硬件希望借助生态。900次成功与七任务分别达标是嘉宾自述的单任务研究证据,七任务数据没有合并训练,不能作为多任务泛化已经实现的证据。所谓“一年所有任务变好”被嘉宾当场说明是随口举例;约一年办公室演示、约两年真实家庭使用才是他随后给出的计划,仍待验收。 组织与产品层面,他希望做消费品牌,先给出产品框架,再通过真实使用反馈迭代;现阶段排除直接接触人体的服务,同时承认照护需求存在。长期路线需要中间进展维持团队和投资人的信任,不能只靠“寻找同路人”。他还提出追踪机器人活跃率、让每位联创在负责领域有决策权,并亲自补足商业能力。节目后半段从高中、游戏AI、博士科研迷茫谈到技术审美和再次创业:挑战、影响力、帮助他人、聚焦好奇心和“重复中螺旋上升”构成他的自我解释。上述内容说明他如何理解自己,不等于这些选择已被成功结果验证。结尾由主持人回顾2024年访谈,并提醒技术路线尚未收敛、拐点难以精确预测。

晚点聊 LateTalk · #166 · 2026-05-26 · 2:25:40

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。

00:00:07–00:33:41连续对话 1

00:00:07–00:01:57“科学家创业不好吗?”

  • 外界对你创业有个标签,觉得你是带着更多技术理想的科学家的创业。

节目先用后文的一段观点交锋开场。主持人程曼祺提到外界把许华哲这次创业理解为“带着更多技术理想的科学家创业”。许华哲反问“科学家创业不好吗”,随即给出自己的解释:他认为一些从业者虽然在做具身智能,却仍把它理解成长成人形的专用机械臂,并不相信物理世界中的通用智能会出现。这是嘉宾对行业心态的判断,不是主持人或节目已经验证的行业统计。

他的目标也不止于让机器人完成一项家务,而是让同一个机器人能在不同环境中承担不同事情:在家务之外,还可以去酒吧跳舞、去田里种地、去课堂教书。他把这种通用性与人形机器人的经济账直接相连,认为若机器人长期只干一件特定工作,较高的本体成本很难被摊薄。这里的“算得过来”是他的路线假设,节目没有给出整机成本、利用率、售价或用户付费数据来证明它。主持人随后正式介绍嘉宾:许华哲自2026年3月起成为破壳机器人创始人,此前两年多任星海图联创和首席科学家;本次访谈要追问的,是他为何再次创业,以及为什么把通用智能和家庭场景放在一起。

Physical AGI嘉宾所说的物理世界通用智能:同一个机器人不只执行一个固定动作,而能在不同环境中理解任务、选择行动并与真实物体交互。它是愿景与验收目标,不等于现在的人形机器人已经具备人的能力。
Scaling Law(本期语境)嘉宾借大模型经验表达对数据、模型与算力扩大后智能上限的信心;它不构成家庭机器人一定按相同速度进步的证明,尤其视频、动作标签、真实交互和本体差异会带来新的瓶颈。
Agent与skills(本期语境)Agent负责理解模糊意图、组织步骤和调用能力;skills在数字世界可包括提示词、文档和API操作,在机器人中则需要真实倒水、叠衣服等动作模型。上层编排可借鉴,底层物理能力仍需独立验证。
UMI与视频数据UMI在对话中指手持、无机器人本体的数据采集方式;视频则提供大规模人类活动观察。二者与遥操作提供的信息不同,数据量更大并不自动意味着具有动作、力和本体可执行标签。

话题推进:在简短的观点交锋后,主持人正式介绍本期节目和嘉宾,引出对许华哲本次创业背景的探讨。

00:01:57–00:06:03离开星海图:家庭机器人梦想加速到来

  • 你和星海图是怎么分开的?
  • 可以描述一下这个(让你决定自己做的)想法吗?
  • 你说的“比你想象中会更快到来”的这件事,可以描述一下吗?

许华哲先自我介绍:他目前同时做三件事——创办破壳机器人、在清华大学交叉信息研究院任助理教授并研究具身智能,以及做自媒体。因此,本期不宜把他概括成已经离开学术界的产业创业者。

主持人直接询问他与星海图分开的过程,并列出外界关于和平分手、孵化或闹掰的传闻。许华哲没有逐一证实这些说法,也没有展开与前合伙人的具体沟通过程;他的回答是,家庭机器人的想法此前就有,后来觉得可能只有自己主导才有机会实现。这个想法起初更像长期技术追求,到2025年下半年,他判断其实现时间可能没那么远,也更适合自己来推动。至于星海图当时的完整战略和其他合伙人的考虑,不能从这一方自述中补齐。

他给出的信心来源有两层:大模型让他相信,在足够数据、算力和合适模型下,智能可以持续提升;社会关注、资本和政策则可能加速投入。他预测未来18—24个月会有机器人真正进入家庭、连续工作较长时间并完成相当多事情,即使还不稳定,也能让人产生“未来已来”的体感。他把这种过程类比为从日常使用大模型的逐渐变好,到后来某些Agent工具带来的突变感。这里的18—24个月是嘉宾在2026年访谈中的预测,不是已经发生的交付;后面他所说的“一年”另有一次被明确撤回为随口举例,不能混为同一个里程碑。

话题推进:许华哲解释完自己对家庭机器人前景的判断后,主持人追问这是否意味着家庭机器人并非星海图当时的重点。

00:06:04–00:08:58追求Physical AGI:与行业主流路径的分歧

  • 所以可以理解成,其实你要在星海图继续做你想做的家庭机器人这件事情,不是星海图他们现阶段的重点。

主持人把自己的理解抛给嘉宾:他想继续做的家庭机器人,是否并非星海图现阶段重点。许华哲只回答“至少我看到的不是”。这个限定很重要,它保留了嘉宾的个人观察范围,不能据此写成星海图整体的确定战略或双方分手的唯一原因。

随后,主持人转述自己对2023—2024年一批中国具身智能公司的观察:不少公司强调量产和落地,先从工业、物流等生产场景进入;她也提到嘉宾此前的年终总结,认为国内在模型智能上的进展可能不如部分美国公司。这些是主持人的行业观察和提问背景,不是本期独立调查结论。

许华哲认同自己更关心“智能”而非只造一个躯壳。他认为,不少工业任务需要的一定程度智能,与他追求的Physical AGI之间存在较大方向差异;若只把机器人用于局部降本增效,可能没有触及改变生产力结构的通用能力。他用两个类比说明:一个是只能回答特定问题的客服与通用大模型之别,另一个是只能解数学题的模型与能处理广泛任务的模型之别。他同时明确说自己不排斥落地,也不认为落地不好,而是希望行业同时投入通用智能。因而,本段的分歧是资源与长期目标的取舍,不能被简化成“所有工业落地都没有价值”。

话题推进:在阐明了自己与行业主流路径的分歧后,话题转向他创业决策的具体过程。

00:08:59–00:16:28创业前的发散与收敛:寻找真正的市场

  • 你正式决定创业是在什么时候呀?
  • 从八九月份到春节前,这个过程中间你在想一些什么呀?有哪些是非常想纵身一跃来创业的?有哪些点是可能会比较担心要考虑一下的?
  • 你当时想的是智能家庭机器人,但是你也去看了这些物流和生产的环节。
  • 你觉得这个顺序是先有一个比较通用的机器人,再适应它的场景……然后再渗透到这些更分散、更像毛细血管一样的这种场景。

关于正式创业的时间,许华哲把过程拆成三个阶段:2025年八九月产生想法,春节前基本敲定,公司于2026年3月3日注册。中间数月他一边处理手头工作,一边发散寻找可能产品,再逐步收敛。他强调希望先了解事实,而非只因自己喜欢家庭机器人就决定创业。

第一条调研线是“专门备菜的机器人”。他询问在中国和美国生活的朋友愿意付多少钱:中国朋友把价格类比为冰箱,提到约6000元或1万元;美国朋友对备菜本身兴趣较弱,把它类比为高压锅或电饭煲,提到约200美元。他再以“一个关节约1000元、一个机械臂需要七个关节”估算,七个关节约7000元,已超过那位美国朋友给出的预算。这个数字不是完整整机成本,也没有覆盖其他硬件、研发、制造、售后与利用率;6000—1万元的冰箱类比也不能被改写成“所有报价都远低于七个关节的成本”。更重要的是,这只是对少数朋友的探索性访谈,不是有代表性的市场需求或支付意愿测量。

第二条调研线是车厂、物流、鞋厂、食品等生产现场。他的观察是,对方真正要的是把活干完,而不一定是“人形”;任务价值很大程度上受原有人工工资和产品价值约束,同时还要满足节拍与精度。部分企业表示做成后愿意付钱,但他特意补充,这些交流没有实质动作。由此形成的选择是:困难而单项价值不高的任务,不宜分别投入一个专用系统,而应由足够通用的机器人在规模化后去承担。他把这称为通用机器人的“降维”路径。这个结论解释了为何他放弃先做某个专用“某某机”,但它仍是基于走访和成本直觉的创业判断,尚未证明通用路线本身一定能算过经济账。

话题推进:在讨论完技术和市场方向的思考后,许华哲提到了一个个人层面的顾虑,引出了关于创业时机的讨论。

00:16:30–00:22:09“时代在召唤”:三大技术信号坚定创业决心

  • 你后来最后是怎么得出结论,觉得还是要在这个时间点创业?
  • 从去年八九月份到你思考创业这个过程中间,有什么特别具体的时代在召唤的信号吗?或者技术上的一些具体的进展,让你觉得你来做这件事可能是刻不容缓了吗?

这段把创业选择放回个人生活。许华哲的孩子在2025年12月初出生;在此前等待孩子出生、同时酝酿创业的阶段,他确实考虑过精力是否够、是否应该更稳定。他最后用“时代在召唤”解释自己的决定:过去面对房地产、互联网或移动互联网机会时,自己可能年龄小、仍在积累或尚未准备好;现在自己恰好做AI,不愿再以带娃或想休息为由拒绝这次机会。这是他回顾当下选择的自述,不应被改写成对所有职业与生活选择的普适建议。

主持人要求他把抽象的“召唤”拆成具体技术信号。第一,他提到自己团队的强化学习工作,以及转录作“Pi Star 0.6”的外部工作:在具体定点任务上,可以在百次、千次验证量级达到很高甚至100%的成功率。后文他进一步自述,自己的一项实验测了900次、900次成功,并在七个任务上分别达到这一结果;但七个任务的数据没有放在一起训练。因此,这支持的是“某些单任务可靠性已有进展”,不等于通用模型或七任务混合训练已解决。该外部名称按转录保留,原稿将其改写为Figure AI/Figure 01没有依据。

第二,大模型和Scaling Law让他相信通用性的上限很高,但具体路径仍需寻找;他用《海贼王》中“宝藏确定存在、寻找过程艰难”来表达信念,而非给出可验证时间表。第三,Agent让他看到理解模糊意图、主动串联分散步骤的可能:家庭中的洗衣机与烘干机、冰箱与微波炉之间,过去靠人填补流程缝隙;若机器人也能主动完成这些连接,才可能从单一“机”变成通用助手。这里从Computer Use到家庭操作的类比提出了研究方向,还不能证明数字世界能力可直接迁移为物理操作可靠性。

话题推进:许华哲解释了Agent思路的启发性,主持人进一步追问Agent框架在具身智能中的具体应用方式。

00:22:09–00:26:26Agent框架与数据来源:从虚拟到物理的借鉴

  • 这个Agent的思路,它是一个思路上说对具身非常有启发,还是说它具体的这个Agent的框架,就是有些具体的东西其实是可以应用在具身智能的系统里的?
  • 在讲这个信号的时候,你没有特别提到数据,是因为你觉得数据在比如说25年八九月份之前其实已经很明朗了吗?
  • 当你这次开始决定创业之后,你取名字的时候给公司取名叫破壳,为什么取这个名字呀?

主持人追问Agent究竟只是启发,还是有可复用的框架。许华哲一开始说“直接可以用”,随后把话说得更准确:物理世界需要能真正倒水、叠衣服的模型,而把能力串起来的框架“不能说直接拿过来用,但至少可以高度借鉴”。数字世界中的skills可以包括提示词、文档以及通过API完成的真实操作;物理世界的动作则要面对更难的感知、接触和控制。因而,本段结论不是“Agent框架拿来即可”,而是“上层任务编排可以借鉴,底层物理技能必须另外解决”。

关于数据,他没有把2025年八九月前的数据状况描述成已经明朗。遥操作仍是公认卡点之一,但他认为手持、无本体的UMI采集方式和视频数据正在变多、变得更好用。对他而言,视频的重要性并非新近才出现:他自述2021—2022年做过长视频分割,希望从王刚等做饭视频的多机位、剪辑内容中抽出实际干活片段,供机器人学习;那篇论文最后没有中到很好的会议。这个失败或未完稿经历也应保留,不能只写成一条已经成功落地的数据管线。他认为遥操作更容易快速展示进展,视频则关系到更长期的数据规模;“中局”一词按转录保留,是否为“终局”需回听。

公司名“破壳”先有一个“好养活”的玩笑,再由嘉宾认真解释为生命力、新想法和新的人破壳而出,以及回到原点、追求从0到1的原始创新。原稿增加的“简单好记”并未出现在访谈中,已删去。

话题推进:解释完公司名字的由来,主持人再次回到外界对许华哲“科学家创业”的标签,引出他对这一身份的深入思考。

00:26:27–00:33:41新时代的科学家创业:从技术信仰到定义产品

  • 可能外界对你创业也有一个标签,就觉得你是带着更多技术理想的科学家的创业。你自己会怎么看这个观察?你自己是怎么定位的?
  • 科学家创业不好吗?肯定有投资人也问你了。
  • 其实你刚才提到这几个人……他好像和一般人理解的那种,就是一个长期独立存在的创业公司,都是不太一样的。
  • 那你做破壳的长期目标是什么?……还是说比如说类似于像DeepMind这种情况,它可能这种一个大公司也是你可以接受的?
  • 你这次创业的时候心中有想着什么公司可以作为你的榜样吗?

主持人再次追问“科学家创业”的标签。许华哲先复述他所理解的两种传统担忧:科学家可能只重技术、不重商业;有教师或工程师等退路,因而被认为不够all in。他认为AI时代的核心技术与方向判断让“学习好”变得更重要,并把这一点归为一位投资人朋友的看法,而不是可普遍验证的创业规律。

他以OpenAI、DeepMind及若干科学家为例,强调长期技术信仰和愿景的重要性。主持人随即提出反例:他列举的一些人,有的公司被收购,有的新公司运营时间不长,未必对应“长期独立经营的大公司”。嘉宾回应时仍强调OpenAI早期判断的价值;对DeepMind被收购,他用“我想”解释为创立太早、需要资金存续,这是一种后验解释,不是收购原因已被当事人或节目核实。转录中的ILIA/ILLIA、John Schumann等发音与拼写疑点也不应借常识补成确定的决策名单。

在这场追问之后,许华哲明确修正了外界对自己的单一标签:他不把自己完全定位为科学家,而希望做有品牌效应的2C消费级公司。他把机器人看成智能与消费硬件的结合,需要同时处理产品、品牌和供应链。苹果代表定义尚未收敛的新品类,小米则提供另一种与用户和员工共同做产品的参考。这个回答把他的创业目标从“实现研究理想”扩展到“亲自经营消费品牌”,也为下一段关于用户反馈、产业经验和团队分工的讨论埋下伏笔。

话题推进:本段结束。

00:33:42–01:07:38连续对话 2

00:33:42–00:41:11如何定义产品:在苹果与小米之间,在产业经验的利弊之间

  • 你觉得没有在产业界工作过,对你想做一个大品牌、定义一个新产品,可能会带来一些什么问题,或者说它是一个问题吗?
  • 你们现在团队是什么情况?可以简单讲一下吗?
  • 你们现在这个团队就在现在基础上,你们有什么特别需要补充的人?

承接苹果与小米的比较,许华哲更具体地谈产品定义权。他欣赏《参与感》中早期小米与用户交朋友、通过论坛让用户参与功能和设计讨论的方式,希望机器人这样的大产品能取得用户需求的“最大公约数”。主持人则转述乔布斯式“背对用户做设计”的观点,形成表面冲突。

许华哲的调和不是偏向某一家公司的固定模式,而是按产品阶段区分反馈:在产品尚不存在时,用户可能提出天马行空、相互冲突的要求,例如更高、更矮或两只手臂不一样长;产品做出后,真实使用能给出很有价值的意见。他把两者称为“一体两面”,最后落在“我们给大家一个框,然后在框里让大家满意”。因此,这是先提出可体验的产品框架、再用使用反馈修正的方案,不是先验地证明苹果或小米哪一种模式必然更好。

主持人又指出,除清华交叉信息研究院和星海图外,他没有在典型公司组织里上过班。许华哲承认标准化流程是自己的短板,但认为不受既有工作流限制是优势。他举的课堂改革是:如果学生一行代码都没有手写,他可以适当降低评分标准,做到80分便给100分,因为他认为未来工作方式和需要掌握的内容已经变化。这是他对教学和AI工作流的个人实践,不能据此推断学生学习效果更好。他设想的新办公室像“家”:客厅可开会、训练机器人和录播客,还要有厨房;这仍是待装修的设想,不是已经运行的组织成果。

补短板的方法是引入有相关经验的人。他自述当前团队很小,包括硬件、软件、原实验室成员和同学,像“机器人兴趣小组”,正在造第一款产品;接下来希望迅速扩张,招募有2C经验的硬件工程师、AI研究者和懂产品的人。原话没有披露精确人数、成员姓名或招聘完成情况,不能把这些计划写成团队能力已经得到验证。

AI Native(本期语境)嘉宾用来概括从通用智能目标出发,联合利用多样数据、统一动作模型与跨任务后训练的路线。它不是行业标准定义,也不意味着全系统只能有一个模块。
后训练(本期语境)在预训练获得较通用能力后,再利用交互、评价或任务数据提升成功率、效率和行为质量。嘉宾特别强调强化学习,不应把它只写成监督微调(Fine-tuning)。
强化学习(本期语境)智能体与环境交互,依据行为结果或评价调整策略。嘉宾强调探索、评价和利用数据三步,但没有公开奖励函数或具体离线训练算法。
统一模型与顶层分层统一模型指动作和多种任务共同训练,以寻求跨任务归纳;顶层分层则允许语义理解或任务规划由另一模块承担。两者可以同时存在,不能互相改写。

话题推进:在介绍完团队的招聘需求后,主持人进一步询问公司在出发时的一些核心假设和判断,引出了下一段关于技术路线的深入讨论。

00:41:12–00:56:45核心判断:具身智能是AI Native,不是机器人学,不是自动驾驶,也不是史前深度学习

  • 你们在出发这个时候,一些核心假设和判断是什么?可以结合你和Eric Zhang(One X前首席科学家)的交流共识一起说说。
  • (传统机器人学)可以是一个rule-based的吗?
  • 用自动驾驶的思维的路径依赖来做具身智能的具体表现是什么样?
  • 你说在小的场景或事情上追求数据闭环,你觉得这是做不出来的?
  • 你还说了一个是not caveman deep learning,不是史前的深度学习。这个是指什么?
  • 你觉得你的这种具身智能需要AI native的想法,它现在在行业里是一个多大程度的共识啊?为什么之前会有(追求单任务数据闭环的)这种区别,是因为一些客观原因导致吗?
  • 大模型这种锯齿型的智能,在一些很简单任务上也会掉链子,这会是(应用在机器人上的)一个问题吗?
  • 你可以定义一下(不做的)“直接跟人体接触的任何服务”吗?

许华哲结合主持人提到的Eric Zhang交流,先给出两条创业假设。其一是18—24个月的进家庭预期,这仍是乐观判断;其二是“相信生态”,不把摄像头帧率、电机线圈等所有部件都放进公司内部自研。他强调组织注意力有限,若要在少数事情上做到极致,就必须放弃面面俱到。破壳重点投入的“AI和产品”中,产品指本体加上AI之后能否真正服务用户,并不只等于本体硬件;所以“自己造本体”与“所有零部件自研”不是同一件事。

“三个不是”是他对AI Native路线的否定式定义。第一,“不是传统机器人学”并非传统方法一定是rule-based;面对主持人的概括,他明确纠正,传统机器人也可以用深度学习。这里批评的是把一个个特定任务分别做精、以为最终能覆盖开放世界的思路,翻跟头、跳舞或精巧机械臂演示是嘉宾举的例子。第二,“不是自动驾驶”指向他所概括的局部数据闭环:先在五道口这样的有限区域采够数据,再逐步扩展。他担心先做好一件小事、再利用这件小事的数据解决下一件事,无法得到通用方案;这是他对某类路径依赖的批评,不是对完整自动驾驶技术体系的严谨综述。

他的机制解释是“AI是归纳器”:只见过成人用杯子,可能误以为人人使用杯子;见到不用杯子的婴儿,才会修正结论。主持人追问“不能后补”是否指预训练后难以再补,他回答后续补充会带来很大痛苦、需要大量新数据,所以倾向于尽早混合多样数据。原话并未证明新数据绝对不能修正旧模型。第三,“不是史前深度学习”是不要把许多小模型叠加后就当作通用大模型;他同时承认,若只做一件重复工作,小模型可以适用。

对路线为何未成为共识,他提出不相信Physical AGI、过去成功经验的路径依赖、对不可解释性的偏好等解释。这些是他的归因。其朋友的例子应保留为使用转录作“OpenClaw”和“Claude Code”后改变看法,不能猜成Sora。

主持人进一步用“锯齿型智能”和安全可控追问。嘉宾一方面转述“凯铭”(转录音,身份待核)以老司机作比,主张用长期无重大错误的经验建立信任;另一方面承认数据驱动模型会有漏洞,需要用产品边界降低错误代价。破壳当前明确不做擦身、翻身、抱人、按摩等直接接触人体的服务。主持人认为用户可能不愿接触机器人,嘉宾却补充不少朋友很希望机器人给父母喂饭;他只是把这类需求放到最后。因而,该边界是公司现阶段的风险选择,不等于接触需求不存在,也不等于设定边界后就能保证不发生事故。

话题推进:在明确了公司的核心技术判断和产品安全边界后,主持人自然地追问公司在第一阶段的具体规划,包括硬件形态和模型路线。

00:56:46–01:07:38第一阶段规划:轮式双臂机器人与规模化强化学习后训练

  • 基于你们的这些核心假设和判断,你们公司第一阶段会重点做什么呀?
  • 这三件事儿(造硬件、训模型、定产品)有相对具体的可以透露吗?比如说你们的产品形态你现在是怎么设想的?
  • 你们最开始的目标市场,它是偏比如中国的家庭,还是欧美的家庭?
  • 模型这方面你们现在具体准备怎么做?可以讲一下大的思路。
  • 你们的整个就是软件这块的系统,它会是一个统一的模型,还是它会分层,然后有很多不同的模块来组成的?
  • 据你所知这种一个模型在现在的业界普遍吗?
  • 所以跟之前的思路的不同就是,除了预训练这个环节,它是一个统一的模型,是追求通用和泛化,在后训练你们也追求这个。
  • 你觉得这种方式,它有可能在最初期的时候,它每个任务上可能表现都比较差吗?
  • 从它在所有上面都变得很平庸,到它在所有上面都表现出比较好的能力,这个确切的时间大概是多久?
  • 你觉得在中国这个环境之下,给你的这个空间有多大?你双向筛选之后万一很少有人站在你这一边。

破壳第一阶段有三项工作:造自己的硬件本体、训练AI模型、定义产品。当前设想的切入形态是轮式双臂,足式方案也可能同期开展;嘉宾仍强调通用的人形方向,而非回到单一备菜机。约两小时续航和自动回充只是他的初步想象,具体续航和尺寸仍取决于产品定义。目标市场想做全球家庭,但这是愿景,不是已完成跨地区适配。

主持人用欧美、日本独栋住宅的楼梯、中国平层公寓、电池入户等差异追问。嘉宾承认轮式无法真正爬楼梯,可能一层一台,也可能依赖电梯或让人搬运;大电池出海、重量、宕机后能否送回充电基站等,也都需要进入实际场景解决。他把“具体产品问题因家庭而异”与“底层AI模型应当通用”分开,但后一层正是待验证假设。他用多语言模型从大量英语迁移到其他语言作类比,并不能直接证明不同家庭、不同本体之间的物理技能也会同样迁移。

模型上,他把能力拆成三步:与世界交互以探索并产生数据,评价数据,使用好数据。他认为次优数据直接混入训练可能使策略劣化,而强化学习有助于给数据评级并利用失败数据;这里并没有公布奖励函数、价值函数或离线数据训练的具体实现。动作与行为相关部分希望用一个统一模型,以共同训练获得跨任务归纳;但他明确补充“也许顶层的VRM是分层的”,所以不是整个系统只能有一个模块。VRM按转录保留,不能擅自替换为VLM。

他把行业差异描述为:预训练常用统一大模型,后训练却容易收缩到单任务;破壳想做“规模化后训练”,在多任务上提高效率和成功率,同时保持泛化。这里的后训练不应被窄化成普通监督微调。主持人指出,多任务同时学的初期可能每项都平庸,团队、投资人和市场又需要连续反馈。嘉宾承认这一可能,并说会规划中间进展、寻找相信长期路线的人,形成“双向筛选”。他提到的“一年以后所有任务变好”随即明确说是随口举例,确切时间不好预测,不能把它写成正式里程碑。

话题推进:在讨论了技术路线可能面临的外部压力后,主持人将话题转向了中国独特的创业环境,以及在这种环境下,嘉宾的理念能获得多大的支持空间。

01:07:39–01:41:44连续对话 3

01:07:39–01:10:14投资人也在改变:不要小瞧他们的梦想

  • 你觉得在中国这个环境之下,给你的这个空间有多大?双向筛选之后万一很少有人站在你这一边怎么办?
  • 现在具身智能处于投资上升期,但之后会有波动,你怎么看?

本段承接的是主持人对长期路线融资空间的追问,而不是直接进入产品milestone。许华哲承认,中国环境下若双向筛选后支持者很少,确实存在风险;因此,公司不会完全不展示进展,而会规划并公开一些中间结果。他原以为投资人主要追问三个月、六个月能拿出什么,却遇到一些投资人表示更在意最终能否做成“最大的那个东西”。他把这概括为“不要小瞧投资人对未来的梦想”。

这些话是嘉宾对近期融资交流的转述,只能说明他遇到了部分愿意接受长期目标的投资者,不能推出投资人群体普遍不再要求短期反馈,也不能证明公司融资已无忧。嘉宾同时说大家仍希望赚钱,只是未必以极致短期压力的形式参与。

主持人随后指出,具身智能处于投资上升和热情较高的阶段,未来仍会有波动。嘉宾认同,并把这种热度解释为:太空、量子、具身智能等方向都可能产生很大影响,而他认为具身智能相对更确定、更近。其他方向的远近是他坦承并不精通情况下的比较;转录中“可控和巨变”的第四项语意不清,不在审读稿中猜补。由此,本段真正保留的张力是:技术愿景可以筛到同路人,但公司仍要用可观察的中间进展维持信任,且不能回避资本周期变化。

物理先验关于物体运动、碰撞、弹性等规律的已有知识或表征。它可帮助预测世界,但与选择动作的策略及执行动作的底层控制器不同。
世界模型(本期语境)嘉宾讨论的可提供物理先验的模型,可能预测未来状态或下一帧;可用作骨干、数据生成器或动作逆解的一部分,当前仍属探索。
机器人活跃率/日活嘉宾希望用真正被使用的设备比例判断出货价值。日活需明确分母、‘活跃’动作和统计周期,且应与任务成功、接管、危险失败及持续使用配合。
Singularity(嘉宾设想)嘉宾用模型自我改进、机器人制造机器人来描述的潜在突变点;‘五年左右human-level’是个人预测,不是已验证行业时间表。

话题推进:在讨论了投资人对长期目标的耐心后,主持人追问破壳机器人具体的阶段性目标,引出对技术路线图和行业竞争格局的探讨。

01:10:15–01:16:32两年路线图:模型路径不确定,大公司将在拐点入场

  • 那实际上你们规划的一些milestone是什么了?比如说你前面说到进家庭是,你觉得最快18个月嘛。18个月之后会发生什么?
  • 在你设想的这个两年达到那个状态的中间,你觉得有哪些事儿是比较难的,或者说还有些悬而未决,你不完全确定能否解决?包括确定的部分你也可以讲讲。
  • 这个里面有什么科学性的难点吗?你觉得硬件不是个卡点?材料、能源之类的。
  • 关于你刚说的第一个不确定的部分,就是这个一个什么样的模型可以把这些数据吃下来。你之前其实大概分享了一个思路,你说的是预训练配合先验学习。
  • 物理先验怎么赋予机器人?
  • 那你可以讲你现在的倾向吗?
  • 像这一部分是不是也是可以留给生态的呀?
  • 所以你预计就是按照你现在这个思路来做一个具身模型,你觉得它大概需要投入多少?
  • 如果18到24个月之后,像你所设想的智能机器人就已经开始进家庭了,你觉得更大的公司会怎么反应?会在什么时候跳进来?

主持人现在才正式追问具体milestone。许华哲希望约一年时,机器人能在布置成家的办公室里“玩起来”、做一些事;约两年时,即他和主持人口中的2028年初,希望已有真实用户在家使用。这两个目标与此前18—24个月进家庭的预测相互关联,但仍是计划。办公室环境里的演示不能直接替代真实家庭的长期可靠性,后者才是更强验收。

他把相对确定的趋势归为视频数据增多、数据获取更“平权”、模型随数据扩大而变强,以及用户逐渐接受机器人作为生活终端;不确定的则是怎样的模型能吃下这些数据、怎样的本体最容易被接受。他承认硬件也是卡点,只是认为电机等问题大概率能靠时间、资源和工程投入解决。这里的“可攻克”是他的判断,不是材料、能源和量产问题已有答案。

在模型路径上,他区分语义先验与物理先验:物体掉落后弹起还是落下,是他举的物理规律例子。设想顺序是先获得物理先验,再通过机器人预训练学习动作或交互先验,最后在后训练中学会把事情做好。世界模型可被用作骨干网络、数据生成器,或预测下一帧后求动作逆解;嘉宾明确说这些仍在探索,破壳当前倾向前者,也愿意借助生态中的世界模型和视觉语言模型,而不是全部从头开发。原转录此处的“VRM”同样存在识别疑点,审读稿只保留概念层次,不据此确定具体模型名。

资源方面,他估计在现有较小数据量下,一年1—2亿元人民币较合理;数据量起来后,投入可能接近大模型量级。他没有给出这笔估算的成本拆分,也不是披露公司已经花掉或融到这么多钱。他进一步预测,当18—24个月后的产品信号证明家庭业务足够大,大公司才会从“小哨兵/小实验室”转向重投入。这是他对大公司进入时机的判断,并非既定事实。

话题推进:在讨论了未来竞争格局后,主持人询问许华哲当前关注的全球同行,引出了中美具身智能创业生态的对比。

01:16:32–01:21:44中美对比:担心中国从业者错过最大的西瓜

  • 在你现在这个阶段,你最关注全球的什么同行呀?你之前自己知乎上写过,你说Generalist还有Pi的一些进展是会让你焦虑的。
  • 就你提的几个智能上你最关注的公司,Sunday、Generalist、Pi都不是中国公司,这个说明什么呀?
  • 你觉得更有权势和本质的差别吗?就融了更多钱?
  • 就公司之间也会有同辈压力的。
  • 你有一个形容挺好的,就是你害怕我们,你是指中国的具身智能从业者错过了最大的西瓜。

在智能进展上,许华哲列出的关注对象是转录中的Pi、Generalist、Sunday和Figure;对Figure,他更想现场改变物体位置、验证视频之外是否仍然有效,而主持人也谈到其演示既厉害又有营销感。其他三家的“基因决定一定是真的”是嘉宾的强判断,不是本期完成的技术尽调。产品设计上,他欣赏Sunday,以及转录作“Foley”的国内公司GR3、Fauna和小鹏。原稿把Sunday写成Covariant、又猜测为Sanctuary,均缺乏原文依据,已撤回;这些名字保留为待回听项,不影响他区分“智能能力”和“产品设计”两类观察的主线。

主持人指出,上述智能领先者均非中国公司,并追问他此前“最好的东西最终会在中国出现”的判断。许华哲没有放弃长期判断,但承认当下的领先不在国内。他把部分原因归为战略定力:例如Pi从早期就围绕physical intelligence持续发布工作,没有因明确商业化压力频繁改变方向。他也承认美国公司可能融资更充裕,但并未把差异只归结为资金。

他用两个班级作比喻解释氛围:一个班奖励坐得端正,另一个班奖励积极发言,学生会跟随评价标准行动;公司也会受到同行和同辈压力影响。因此,他愿意公开分享观点,是希望国内氛围更重视他眼中的本质问题。这是嘉宾提出的机制解释,尚未由对照研究验证。

“最大的西瓜”指通用智能及其带来的产品定义权。他担心只做本体而让“大脑”由别人控制,最终错过定义未来的权利。这个担心不能改写成中国硬件没有价值,也不能推出美国优势永久存在;他仍明确说目前没有完全错过窗口。

话题推进:在表达了对中国行业可能“错过最大西瓜”的担忧后,主持人追问导致差距拉大的潜在风险,引出了对行业内具体现象的批判。

01:21:44–01:29:17警惕三种现象:卖数据、无脑量产与过度卷“跳舞”

  • 目前我们肯定是没有完全错过的,对吧?肯定没有错过这个窗口。那你觉得再发生什么可能会导致这个差距越来越大了?又或者说我们应该做什么让这个差距越来越小?我指智能方面。
  • 留给大家的时间还有多久啊?你觉得?
  • 你觉得这个行业你现在有一些什么,就是你觉得可能不利于去往智能这个方向努力和投入的一些现象?
  • 卖数据?
  • 你刚才总结那个无脑量产挺有意思的。我觉得是一语双关。
  • 其实具身智能这个行业现在观察起来是会有一些难度,就是它很多事实不好掌握。

主持人接着问差距何时可能不可逆。许华哲给出一个偏科幻的情景:大模型能写大模型、机器人能造机器人之后,竞争可能发生突变;他估计完全human-level的通用智能可能在五年左右出现。这是个人预测,不是技术时间表或行业共识,节目也没有提供证明。

他随后批评三类现象。第一是向海外出售数据。他认为一些公司采集后卖给英伟达、谷歌等买家,是为了现金、融资或账面表现,把竞争“弹药”让给别人;至少破壳不会做。此处关于买方缺少采数能力、卖方动机及行业普遍性的描述都是嘉宾观察,不能写成已经核实的市场交易全貌。卖数据是否损失长期优势,还取决于数据是否可再采、是否独有、使用权如何约定,节目未展开。

第二是“无脑量产”。他提出不能只看卖出多少台,还要看机器人活跃率或日活:5000台里究竟有10、100、1000还是5000台在使用。这些数字是他用来解释指标跨度的假设,不是某公司真实销量。主持人把它解释为既不顾需求量产、又缺少“智能大脑”的双关;嘉宾则承认自己不知道真实活跃率,只能猜测数据可能难看。他还举出“1000台中20%被真实用户使用、其中20%被日常使用”的假设,说明他希望自己的公司把真实使用反馈收回来,不能误写成对行业现状的测量。

第三是把舞蹈、翻转等表演指标继续内卷。他认可跳舞有表演需求,也认可极端场景需要运动能力,但认为单纯比跳得高、翻得多与智能关系有限。主持人提醒机器人同样有物理极限,不能保留原稿“花钱就能轻易突破物理极限”的绝对说法。

结尾主持人补充行业调查难点:机器人售出后可能进入素材工厂、租赁公司、实验室或个人手中,订单也未必等于交付,投资人同样难掌握全貌。这个追问把“日活很重要”与“日活难获得”并置,避免把倡导指标写成已有行业证据。

话题推进:在讨论完行业现状与个人观察后,主持人将话题转向许华哲的个人成长经历,试图探寻其技术与商业判断的根源。

01:29:18–01:41:44从游戏AI到机器人:一个“好学生”的迷茫与转向

  • 东北人和机器人是有什么亲和性的?
  • 你自己是什么时候开始觉得机器人是你想长期做的方向?
  • 高中时候想了什么?
  • 后来逐渐明确到机器人是一个什么过程?
  • 你说的那个时候只是上大学本科的时候。
  • 那是在博士几年级啊?
  • 因为你在知乎上,你写过一篇文章,大概就是分享你从21岁到30岁,你每一年的生日,对,写给自己的话。然后其实我看那个文章,我觉得18、19年好像也是你心境变化比较大的时候。
  • 你的答案是什么?
  • 你是博士三博士四的时候开始比较认真的想这个事情的是吗?
  • 现在收敛到什么机器人什么智能?

主持人先以“东北人与机器人是否有亲和性”作轻松过渡。许华哲没有直接接受这个观察,而是指出东北人比例未必最高、东北包含三个省;随后才半开玩笑地猜测东北人更享受物理生活,并明确说“这我瞎想的”。这段不能写成地域性格与职业选择的因果结论。

个人经历按时间展开:他在2009—2012年读高中,接触过一点计算机竞赛和神经网络,后来转向物理竞赛并保送;大一时尝试用神经网络给游戏写AI失败,改用传统搜索算法。转录中的“ACL算法”不能擅自修正成某个确定算法。博士期间,他曾花6—9个月全职写《星际争霸》AI;同时从计算机视觉和自动驾驶项目接触前沿AI,逐渐确认AI可以在物理世界做决策,研究主线遂分成游戏AI与机器人。

他做过Atari、超级玛丽、星际争霸和Generals.io等项目,享受写出比别人玩得好的AI;但后来觉得强化学习很擅长规则明确的多种游戏,机器人则有更大的挑战和更广泛的影响。博士三四年级、约2018—2019年,他把机器人放在更优先的位置。这里的“所有游戏只要努力都能做出来”是他的经验性强判断,不是严格技术结论。

同一时期,他在达到毕业和导师要求后,开始反思继续发论文、读博后、找教职或进入大公司的线性道路。他习惯进入第一梯队后想下一件事,而非永远在同一指标上卷到头。由此产生的强观点是“大多数科研是人类进步路上的噪音”,但他也保留少数科研真正向前迈进的可能。对他而言,随后更重要的目标是帮助更多人、获得极致体验;机器人因此从兴趣变成“爱和使命”。这段自述能解释他如何看待自己的方向,不能用来证明大多数科研客观上没有价值。

话题推进:本段详细回顾了嘉宾从对AI产生兴趣到最终选定机器人作为事业方向的心路历程,为后续探讨其技术审美和创业哲学奠定了基础。

01:41:44–02:15:29连续对话 4

01:41:44–01:45:30在重复中螺旋上升:从音乐、网球到智能

  • 你觉得智能它是一个重复而不无聊的事儿吗?

本段先补完嘉宾对音乐、阅读和理论的理解:三者都可以是对世界的描述,描述的准确与共鸣构成他感受到的美。他举舒伯特“第960”和巴赫恰空为例,保留转录原称;正式作品编号需另行核对,不在审读稿中猜补。博士时期听音乐、练钢琴还帮助他面对烦恼,因为这让他知道别人也曾思考和表达类似处境。

他喜欢的另一共同结构是“重复中有变化”。网球的每次挥拍会在提前量、节奏、角度上微调,练琴也可能针对一处重复一百遍;他把这种过程比作强化学习和螺旋上升,看似回到原点,实际质量在改变。因此,他收敛了许多兴趣,保留的是重复但不无聊的活动。

主持人问,一日千里的智能发展是否也属于这种重复。嘉宾把外部性能跃迁与内部研发过程分开:他认为当前的智能大致是Transformer加数据,研发需要把每个部分逐步做好,性能才会一点点累积。这里的“没有太多秘密”是他对当前技术构成的概括,不应被读成数据、架构、训练、评测和工程都不存在难题。

这也把前文“极致”从口号落到了工作方式:并非不断追逐看起来全新的题目,而是在选定主线后反复修正细节。这个审美倾向能解释他为何强调聚焦,但不能据此证明统一模型一定优于模块化系统。

简单与一致(技术审美)简单指尽量用小方法解决大问题;一致指系统背后的技术理念协调。它们是嘉宾的选择偏好,不能代替可靠性、成本或对照实验。
Test of Time Award用于回顾研究成果长期影响的奖项概念。嘉宾用它说明当下最佳评价与长期贡献可能不同;本期没有核实特定会议的历年获奖名单。
Tactile Display把远端机器人触觉传感得到的信息,反向呈现为人可感知的软硬、形状或粗糙度。当前实验仍难复现质感和温度,也不是临床应用。
Impact driven(嘉宾自述)嘉宾用来描述以改善他人生活的长期影响为驱动力,而非只看钱或名声。主持人关于抗生素滥用的追问说明,善意动机不保证技术结果只有正面影响。

话题推进:许华哲表达了对“做到极致”的偏爱,主持人则引用一位投资人的观点,询问他在“好奇心”与“成就感”之间的自我定位,将话题引向创业者的特质。

01:45:30–01:51:48选择更难的路:由影响力驱动的个人选择

  • (转述投资人观点)好奇心大于成就感的人不适合创业。你会怎么在好奇心和成就感这两个维度里定位自己?
  • 你当时用的两个词儿是挑战更大,然后更有影响力。这两个在你的评价指标里是很重要的吗?可以把它展开描述一下吗?
  • 你觉得保送更难还是高考更难?

主持人转述一位投资人的观点“好奇心大于成就感的人不适合创业”,嘉宾并不把自己放进二选一。他认为好奇心与成就感都重要,只是好奇心应围绕已确定的使命,探索如何把事情做成,而不是每天在机器人、大模型和手环之间换方向。这解释了他从早期发散兴趣转向聚焦的自我理解。

他用两个维度解释从游戏AI转向机器人:挑战更大,以及更有影响力。前者是追求极致体验的个人偏好,他甚至在游戏中也倾向直接选择最难模式。升学故事是具体例子:当时没有取得他所期待的直接保送结果,可以选择较稳妥地保送去上海某高校,或再参加清华保送生考试、失败后回去准备高考。父母倾向稳妥方案,他则很快选择再考清华。嘉宾没有点出那所上海高校,不能替他猜校名;这个故事体现风险偏好,也不能单独证明创业决策一定正确。

“影响力”则与帮助他人相连。他转述一个关于航天投入与即时救助的故事:女孩问为何不把钱直接给吃不起饭的人,回答则用显微镜的长期价值说明基础探索也可能帮助远处和未来的人。嘉宾明确表示自己记不清具体故事,因此审读稿保留其寓意,不把显微镜、抗生素之间的过程改写成精确科学史。

主持人追问科学发现的双面性,例如抗生素滥用。嘉宾承认技术可能有负效应,认为趋势往往不可逆、如何使用取决于人,自己能做的是往善的一侧努力。这里保留了主持人对“正向影响并非自动发生”的挑战,不能把“impact driven”写成结果必然有益。

话题推进:在讨论完个人选择的内在驱动力后,主持人将话题拉回到许华哲的专业领域,请他阐述自己对“技术之美”的审美偏好。

01:51:49–02:01:25技术之美在于简单与一致,但顶尖成果难以即时评估

  • 你自己的,比如对什么是技术的美,你的技术的审美和偏好和品味是什么?
  • 你觉得有用在你的审美里在什么位置?
  • 你觉得从去年整个行业来看,一些比较大的进展是什么?
  • 到目前为止,(具身智能领域)有出现这种特别重磅的开创级的东西吗?
  • (针对顶会最佳论文并非时间检验奖得主)所以可以说在学术成果上最顶尖的人类,他去做这个评测,去做evaluation也是很难。

许华哲把技术之美归为简单与一致。简单是“用小方法解决大问题”,他引用“Everything should be made as simple as possible, but not simpler”作说明;复杂方案只完成很小的事情,在他看来不美。这里的“简单”是设计审美,不等于减少必要的可靠性、安全或工程工作。

一致指技术理念不要互相冲突。他的例子是:一方面声称端到端,另一方面又用若干小模型和知识图谱拼接。他偏好要么把符号化思路贯彻到底,要么把端到端做成统一整体。主持人在此提到海岸线和局部、整体结构,嘉宾承认“一致”很难用语言完全说清。因此,这更像他选择技术的启发式,而不是已经证明拼接系统必然失败的定理。

当被问“有用”的位置时,他把有用视为结果,与美近乎正交:美的技术可以有用,也可以暂时没有用。此观点与后文长期价值需要实践检验相连。

他回顾2025年的行业进展,提到Pi、Generalist的数据规模、转录作embodied VRM的一批工作,以及强化学习在特定任务上的高成功率。对自己团队的结果,他补充是900次测试均成功,并在七个任务上分别达到;但他明确说那项工作一次只针对一个任务,七个任务的数据没有合在一起。这个边界直接限制了它能支持多任务泛化的程度。

对于是否出现Transformer级突破,他认为要由时间检验,当前无法点出。其后关于RSS最佳论文与时间检验奖、NeRF未获当年最佳论文的说法,都是他转述的经历与例子,未在本期独立核查,不宜写成会议官方统计。主持人由此追问AI科研评价:判断论文达到一般水平或许容易,判断长期影响很难。嘉宾认为后续使用与复现会让一些起初不受关注的工作逐渐跑出来,并把论文与创业公司的筛选作类比;这是他的解释,不是“长期价值纯随机”或“市场使用一定等于科学价值”的证明。

话题推进:在讨论了对科研成果的评价后,主持人自然地转向了嘉宾对自己过往工作的评价,询问他最感自豪的项目是什么。

02:01:25–02:06:11从包饺子到远程触觉:回顾个人最自豪的研究项目

  • 迄今为止你自己做的,或者你参与做的这些成果里面,有哪个是你自己最骄傲、最自豪的?
  • (关于远程触觉)所以它现在,它有哪些维度啊?它能非常像人的手真的感觉吗?
  • 你自己的精力会怎么来分配?尤其是你的智力的这部分,你思考的这部分。

被问最自豪的工作时,许华哲先说“下一个”,随后列出几项自己真正喜欢的研究。RobotCook是他亲手参与较多的一项:从擀面皮开始完成包饺子,使用世界模型和多种工具,难点在把整个长程系统做出来。主持人强调不是直接买现成饺子皮,这个细节应保留;但节目没有展开每一步是否都完全自主、成功率多少,不能自行补写全流程可靠性。

DP3被嘉宾描述为课题组将三维视觉与扩散模型结合、取得较好效果的工作。RL100则是前述强化学习工作:在七个任务上分别达到高成功率,但没有把七个任务的数据合在一起训练。因此,它是单任务可靠性探索的证据,不能直接当成规模化多任务后训练的完成品。

他更兴奋的新方向是远程触觉:在上海的机械臂触摸物体,在北京的人通过设备感受软硬、形状和粗糙程度。团队购买乳腺癌模型做了远程触诊实验,但他明确说这只是实验,并非真正临床使用;当前也不能很好复现质感和温度。转录还提到此前的触觉传感器名称“night detect”,无法确认,不纳入正文专名。tactile display在这里指把机器人的触觉反向呈现给人,而不只是给机器人增加传感器。

最后,主持人问公司研发与课题组研究如何分配智力。嘉宾的回答是两者都指向通用物理智能,所以不按机构边界分配,而以怎样更快、更有效地接近目标为准。这是他对研究一致性的说明,不是时间、利益冲突和成果归属已经解决的证明。

话题推进:谈完科研工作,主持人将话题转向许华哲的个人公共形象,询问他作为创业者,为何在繁忙中仍坚持做播客等内容创作。

02:06:11–02:15:29在喧嚣与独处之间:创业者的内外世界

  • 要持续的做内容还是挺难的,这个东西给你的这种正反馈或者说动力是什么样?
  • 你最近静下来一个人会想到一些比较重要的问题会是什么样?
  • 你喜欢现在这个状态还是之前的状态?
  • 作为创业者的话,你会担心自己身上缺少某些特质吗?
  • 你对就是创业这件事的挑战和难度是怎么预估的?

持续做内容有三项动力。第一是放松,聊天、获取与释放信息让他开心。第二是让信息更透明,他转述有用户说,若非B站、抖音或小红书,自己可能听不到这样的故事;这与他希望帮助难以获得信息的人相连。第三是获得真实反馈,既然要做2C产品,他愿意面对网上直接的赞扬和批评。“费德勒到小红书也会变成2.5”是网球圈调侃,不是评分测量。这里需要区分内容评论与产品使用证据:评论能帮助观察反馈,却不能替代真实家庭中的长期使用数据。

主持人把他网上幽默活跃与独处阅读、练琴、内观的一面并置。嘉宾认为两者不矛盾:与人打交道时可以乐呵友善,独处时也能思考意义。他把《静静的顿河》纠正为听完而非读完;MBTI相关“艺人”按转录保留,不据此展开人格诊断。他还说,创业后反而更难静下来,近期考虑的是公司主线和节奏,具体事务多了,抽象思考与读书都减少。这抵消了把创业简单写成持续精神享受的理解。

他近期读哈萨比斯传记,认同其中尽力跑完马拉松的比喻,以及近乎虔诚地追求AGI的状态;书名、作者名转写及马拉松引语都保留为转录待核项。主持人以哈萨比斯早年使命感作对照,嘉宾则认为每个人想清楚的时间不同,而且想清楚不一定只带来快乐。他描述自己现在更能放下小事,却也不像以前对具体快乐那么敏感;回到帮助更多人,是新的成就感来源。

对于创业者特质,他不担心自己缺少某种模板,因为成功企业家性格各异;他认为最重要的是“有特质”。这些是个人经验与态度,不能写成创业成功的人格公式。

话题推进:访谈至此,已经深入探讨了嘉宾的技术理念、个人选择、内在驱动力和创业心态,接近尾声。

02:15:29–02:25:40连续对话 5

02:15:29–02:18:28创业的代价与搭档

  • 你觉得你为这个事能付出多少代价?
  • 你现在创业的话,你需要一个(像孙伟杰那样负责融资、经营、商业化的)合伙人吗?还是说你自己要去学习和补充这块的能力?
  • 你说的那个联创金融背景以前也是VC出身吗?

本段开头先继续“创业难度”这一问题。嘉宾认为创业成功率很低,用100家公司可能各自只有1%、甚至全部失败的假设表达不确定性;这不是对破壳或行业融资、存活率的统计。他关心的验收包括是否尽全力、是否有极致体验、是否创造东西,以及从人类整体看这件事是否做成。被问愿意付出多少代价时,他说“任何代价都可以”,这是强烈的个人表态,不能被解读成节目已经讨论过家庭、健康或组织成本的具体边界。

主持人随后以另一位科学家创业者的分工为例,转述其CEO联创负责融资、经营、业务和商业化,问许华哲是否也需要类似搭档。该公司、人名和教育背景均来自主持人的转述,原转录作“绅士科技”“张凌峰”,存在专名疑点;审读稿不据此补写公司事实。

许华哲的回答不是把商业工作全部外包。他要自己学习,至少知道融资、经营等事情应当怎么做,同时也会补人;他有一位金融背景、来自二级市场而非VC的联创,可以起到补充作用。原话没有披露这位联创姓名、股权、职责清单或实际效果。他特别强调,自己不是只想“一心只读圣贤书”,认为该做的商业事务都会做。由此,本段保留的是“创始人亲自补商业能力+联创补位”的组织方案,而不是“科学家只需负责技术”的结论。

Ownership与Agency(本期语境)嘉宾指自己决定目标并主动推动事情,而非只接别人分配的任务;在新公司,他希望联创对负责领域有真实决策权。
We, Robot发布会主持人结尾回顾的2024年Tesla活动,本期用于对照当时Optimus遥操作演示与此后行业变化;不能误改为另一场AI Day。
连点成线访谈结束后的主持人单人延伸环节,补充历史背景、行业观察和待验证预言。其观点归属主持人,不能混入嘉宾自述。

话题推进:在讨论完创业所需的商业能力和团队配置后,主持人将话题转向创业给许华哲个人带来的变化。

02:18:30–02:22:25创业让他找回了曾经的自己

  • 从开始筹备创业到正式成立到现在,差不多小半年的时间,你这段时间有发现自己不一样的一面吗?
  • 曾经的自己是多久之前的曾经?是什么时候?
  • 你小时候对自己未来长大是怎么设想的?
  • 你是什么家庭背景?
  • 所以你的两个设想一个是类似于你爸那样,就是自己做一个事,自己开公司,一个是类似于你妈这样是做高中老师。
  • 就是没想过是做研究做学术。
  • 我很好奇这个和联创也是很不一样的体验是吗?

许华哲把创业后的变化概括为“找回曾经的自己”。他从高中起就想创业,后来因成绩较好、对AI感兴趣,逐渐走上读博、学术研究和大学教师的道路;这些并非儿时预想。他小时候的另一项愿望是当高中老师。母亲实际教初中、父亲做生意,这两个家庭背景能解释他熟悉的两类职业形象,但不能写成父母职业已经决定了他的人生。

他描述当前从早上8点半到晚上12点都处于高负荷、高能量状态,并说很久没这么“爽”。这里的“12点”按口语和上下文理解为夜间,但转录未写AM/PM,不能补成更精确的每日工时。对他来说,快乐的重要来源是ownership和agency:自己决定要做什么、去推动,而不是等别人分配。主持人提醒这与担任联创的体验不同,嘉宾确认不同,但也说每家公司的联创定义和分工不同,不能据此推出他在星海图的具体权责或离开原因。

在新公司,他希望每位联创都能独当一面,对自己负责的事情拥有决策权,而不只是参与。这是组织反馈和权责设计的明确主张:参与感不止是发表意见,还包括在边界内做决定并承担结果。

他进一步把这种主动风格追溯到高中以前,直到博士时遇到严谨、聪明、学术的高阳,与之相处后自己变得更学术。主持人补充两人是伯克利同学、在转录作“拜尔实验室”的地方共事。高阳对个人风格的影响是嘉宾回顾中的解释,实验室名称和同学关系按转录保留待核,不借此补造履历。

话题推进:在回顾了创业带来的个人状态回归后,主持人提出了最后一个问题,展望公司和许华哲在不久的将来的状态。

02:22:25–02:23:51期望:从一片荒芜到破壳而出

  • 最后一个问题是我想问你今年8月的时候写生日感想的时候,或者到年底写总结的时候,你希望那个时候自己和公司到一个什么状态?

访谈主体最后,主持人问他在当年8月生日感想或年底总结时,希望自己和公司到什么状态。嘉宾的愿望包括三个层次:个人生活上,希望孩子已经会说话;公司上,希望形成不错的团队、造出一点东西,让当前仍“一片荒芜”的办公室开始有点样子;个人状态上,希望仍然乐在其中。

这些是他对近期状态的期待,不是产品交付承诺,也没有给出销量、成功率或融资目标。主持人用“从一片荒芜到破壳而出”作收束,嘉宾顺势希望公司真的有东西出现。这个结尾与前文“破壳”的生命力、原始创新含义相呼应。

主持人随后感谢嘉宾,回顾本次谈到的成长经历、对机器人的使命感和两次创业思考,主体访谈结束。保留这一段,可以避免只记住宏大的Physical AGI预言,而忽略他当下仍处在组团队、造第一个产品和维持个人状态的早期阶段。

话题推进:访谈主体部分结束,进入主持人总结和回顾的“连点成线”环节。

02:23:55–02:25:40连点成线:两年后再看行业变迁

结尾“连点成线”是主持人程曼祺的单人补充,不能混为嘉宾自述。她回顾节目在2024年10月底第86期第一次采访许华哲,当时谈到Tesla的“We, Robot”发布会及Optimus。她事后指出,许多流畅动作是通过遥操作实现;在她看来,遥操作不能解决自主行动,作为数据获取手段又因成本很高而逐渐不那么主流。这些判断属于主持人的回顾和解释,不是本期重新核验Tesla演示或全行业数据采集占比。

她认为,不到两年间行业变化很大,但技术路线仍未完全收敛,巨头更激烈的加注尚未全面发生,创业公司因此仍有探索空间。若智能在未来两三年出现质变,技术与商业竞争会很精彩;但她同时强调,很难精确预测技术拐点。这与嘉宾18—24个月的预测形成重要边界:节目没有把预言当成确定结论。

最后,主持人重提两年后再录一期的约定,希望检验家庭机器人是否开始应用,并表示希望它能实现。原稿把发布会擅改为AI Day、又称We Robot为学术会议品牌,均不应保留;应按节目明确谈到的发布会记录,名称的标点与官方写法可另核,不影响主持人对遥操作和自主性区别的论述。

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

他主张以AI Native路线追求Physical AGI,而不是把逐项任务优化、局部数据闭环或小模型堆叠当作通用智能的充分路径。

许华哲 · 00:44:09;00:46:32;00:48:05;01:03:06

1. 不是逐项机器人任务:嘉宾批评的是为孤立任务分别做精、期望覆盖开放世界的思路,不是说传统机器人学只能rule-based,也不是否定其工程价值。任务无法穷举,是他主张联合学习的原因。

2. 不是局部闭环自然推出通用:他以只见过成人用杯子、后来遇到婴儿为例,说明有限案例会让归纳偏向;后补大量不同数据仍可能修正,只是成本可能很高。因此,他倾向于从一开始混合更多样的数据。

3. 不是小模型相加等于通用模型:他承认重复单任务可用小模型,但不认为一百个单任务模块天然获得跨任务归纳。

4. 统一动作模型不等于全系统单模块:动作与行为相关部分希望统一训练,顶层仍可能分层,世界模型和视觉语言能力也可借助生态。

成立条件:这是嘉宾在通用开放任务目标下的路线假设。它还需要证明:异构视频与机器人数据能提供可迁移的动作知识,统一模型确实产生正向跨任务迁移,分层与实时控制能够协同,而且模块化路线不能在相同预算下达到更好泛化。节目没有完成这些对照。

破壳希望做跨任务的规模化强化学习后训练,在提高效率和成功率的同时保留预训练的泛化。

许华哲 · 01:01:27;01:03:17;01:04:08;01:05:58;01:56:44

他把过程拆成探索并产生数据、评价数据、利用数据三步,特别担心次优轨迹被无差别模仿后拉低策略。动作模型共同学习多任务,目标是让学习一百件事有助于归纳更多任务,而不是每个任务另训一次。世界模型当前倾向用作骨干,之后接机器人预训练和后训练,但这仍是方案而非完成架构。

证据边界:嘉宾自述一项RL工作900次测试均成功,并在七个任务上分别达到高成功率;七任务数据没有放在一起训练。因此,它支持单任务可靠性探索,不支持跨任务联合训练已经成功。‘一年后都变好’当场被撤回为随口举例。

成立条件:需要同一基础模型、同一评测口径下比较单任务后训练与多任务后训练,报告各任务成功率、干预与恢复、新环境泛化、训练成本和安全失败;还要披露评价信号来自哪里、失败轨迹如何使用。若只报告七个独立模型的最好结果,无法检验这一主张。

他认为在当前成本结构下,单一家庭功能和分散低价值工业任务不宜各自开发专用机器人,通用能力更有机会摊薄成本。

许华哲 · 00:10:16;00:11:34;00:12:17;00:14:15;00:15:00

备菜调研中,中国朋友把价格类比为约6000—10000元冰箱,美国朋友类比为约200美元高压锅或电饭煲。一个关节约1000元、七个关节约7000元,只证明七关节估算超过那位美国朋友预算,不能改写为超过所有中国朋友报价,更不是完整整机成本。

工业走访中,他认为企业真正关心任务、节拍和精度,且不少任务付费受原人工工资约束;有些口头兴趣没有转成实质动作。他的结论是先把通用能力做出来,再让同一平台承担多种任务。这个论证指出了专用小市场的成本问题,却没有自动证明通用机器人会更便宜、更可靠或有人愿意购买。

成立条件:需要完整BOM、制造与售后成本、任务价值、利用率、售价和留存数据,并与专用机械臂、人工服务和自动化改造比较。少数朋友访谈与走访只能形成假设,不能代表中美家庭或工业市场。

长期技术路线需要组织与真实使用反馈支撑;嘉宾担心卖数据、只看量产和表演指标会削弱智能投入,主持人则不断追问这些现象如何被事实验证。

许华哲与程曼祺(分层归属) · 01:06:06;01:23:03;01:24:18;01:25:15;01:27:19;02:21:09

嘉宾提出机器人活跃率,希望区分卖出与真正使用;5000台、1000台和20%均是解释性假设,不是行业统计。他承认不知道真实活跃情况。主持人补充订单不等于交付、设备流向难追踪,使活跃率既是关键指标也是数据难题。

他把向海外卖数据视为让出竞争‘弹药’,把纯表演指标内卷视为偏离智能;主持人提醒表演有真实需求、机器人也有物理极限。组织上,他主张阶段性进展、双向筛选投资人、产品出来后吸收使用反馈,并让联创对负责事项有决策权。以上是两人的判断与质疑,不是行业因果链已被验证。

成立条件:卖数据的长期影响取决于数据独占性、再采成本、授权范围和交易所得;量产价值取决于激活、持续使用、任务成功、干预和售后成本。是否偏离智能,要在具体场景与预算下检验,不能仅由动机推断。

机制与术语:对象、输入输出和中间过程

从交互数据到跨任务后训练:嘉宾设想与本文验证拆分

嘉宾明确说到的层次:输入包括视频、手持无本体采集及机器人与世界交互的数据;过程包括探索产生数据、评价次优与失败数据、利用数据,再在动作相关的统一模型中进行跨任务后训练。输出目标是多任务成功率和效率提高,同时保留对新任务、新环境的泛化。顶层仍可能分层,世界模型当前倾向作为骨干。

节目没有披露的实现:奖励或价值函数如何定义、由谁评分、离线数据如何进入具体RL算法、失败轨迹是否作为负样本、模仿学习与对比学习如何组合,均未说明。因此,不能把某种现成算法写成破壳已经采用的管线。

本文用于理解的非公司方案:若一次开门成功但很慢,与一次撞到墙面的失败轨迹都被标成‘成功/失败’后无差别模仿,评价信号可以提供更细的区分;但这个区分从何而来、能否可靠覆盖新场景,正是待验证问题。它不是嘉宾公布的数值或训练配方。

失败条件:视频缺少动作与力信息,视觉相似不等于可执行;评价器把偶然成功当高质量、或把有效探索当失败;多任务梯度互相干扰;统一模型在训练家庭之外失效;真实交互成本和安全约束让探索无法规模化。

对应节目:01:01:27;01:03:06;01:04:08;01:56:46

本文自拟示意,不是嘉宾实验

【本文自拟的验收设计,不是节目实验】以同一预训练模型为起点,A组分别对开门、倒水、整理三个任务单训,B组联合后训练。除了比较三项训练环境成功率,还要在未见过的新布局、新物体上测试端到端成功、人工接管、失败恢复、碰撞风险和每秒/每焦耳成本。若B只在三个训练任务的各自最好checkpoint上占优,却在新环境失败更多,不能称为保留泛化;若A与B比较时使用了不同数据量或不同骨干,也不能把差异归因于联合训练。

物理先验、动作策略与控制执行不能互相替代

嘉宾把物理先验理解为物体如何掉落、碰撞和响应等规律,来源之一是世界模型。其可能用法有三种:作为动作模型的骨干、作为数据生成器、或预测下一帧后求动作逆解;破壳当前倾向第一种。随后通过机器人预训练学习动作/交互先验,再通过后训练学会把事情做好。

这里应区分三个对象:世界模型回答‘在某状态下可能发生什么’,动作策略选择‘下一步做什么’,底层控制把动作变成可执行的关节、速度或力指令。会预测杯子落下,不等于知道怎样安全接住;会生成动作目标,也不等于真实本体已经可靠执行。节目未给出三者接口和实时频率,不能补成确定架构。

失败条件:世界模型的视觉预测缺少接触、力或本体差异;生成的视频数据不提供正确动作标签;骨干中的物理知识不能迁移到策略;分层规划与低层控制之间延迟或误差过大;仿真/视频中的成功无法进入真实家庭。

对应节目:01:13:02;01:14:08;01:14:41

本文自拟示意,不是嘉宾实验

【本文自拟机制例子】输入一段杯子从桌边滑落的视频,世界模型可以预测它将继续下落;策略仍需选择不接、用托盘接或先移开人;控制器还要在本体能力、摩擦和安全约束下执行。三种输出分别对应预测、决策和执行。只用下一帧预测误差证明机器人能接杯,证据链是不完整的。

组织反馈链:阶段进展、真实使用与决策权

本期给出三条可组合但尚未跑通的反馈路径。第一,跨任务路线早期可能各项平庸,因此需要中间里程碑向团队和投资人提供进展证据;双向筛选同路人不能替代这条证据链。第二,产品不存在时先由团队提出可体验的框架,产品出现后收集真实使用意见;社交评论是弱反馈,激活、持续使用、任务成功、接管与故障才是更强反馈。第三,每位联创应在负责领域拥有决策权,参与感不只是提意见。

这三条路径分别解决资源信任、产品修正和执行责任,不能相互替代。融资认可不能证明产品有效,网络热度不能证明日活,决策权下放也不能自动补足标准流程。嘉宾承认自己不熟悉标准化公司流程,计划通过有相关经验的人补位,效果仍待观察。

对应节目:00:35:27;01:06:06;01:07:39;01:24:36;02:21:09

本文自拟示意,不是嘉宾实验

【本文自拟反馈账本,不是公司现行看板】每个里程碑同时记录模型在新家庭的任务成功与接管、硬件故障与恢复、单次有效任务成本,以及用户一周后是否仍主动使用;产品评审能看到哪条意见改变了哪个版本,联创对负责改动有签字和复盘责任。若只记录视频播放、融资口头认可或出货台数,无法回答路线是否更接近真实家庭。

独立判断:这些对话改变了什么理解

【本文判断】这期的关键技术问题不是统一模型在审美上是否更纯粹,而是多任务数据能否产生可测的正迁移,并足以覆盖通用路线的额外成本。

推理:嘉宾的归纳器比喻提供了一个明确假设:多样任务共同训练,应比分别训练更容易在未见任务上获得能力。这个假设可以被证伪,而不必停留在AI Native与 Robotics 的标签争论。应固定骨干、数据预算和本体,在训练任务之外报告成功率、干预、恢复和危险失败;同时与专用机械臂及分层系统比较总成本。若联合训练只提升平均值、却让高风险家庭失败增多,或每个新任务仍需大量专门数据,就不能据此支持通用路线。

竞争解释与边界:竞争解释是,数据多样性可能只是提高了训练环境覆盖,而没有形成可迁移的物理知识;统一模型的优势也可能来自更大的算力和数据,而非统一结构本身。另一方面,模块化系统在特定家庭完全可能更安全、更便宜,模块化也不必然等于逐任务开发。本文不把任何一种竞争解释写成已被节目验证。

【本文判断】‘先有通用再降维’是一个待验证的创业顺序,不是从备菜报价和工业走访就能推出的经济结论。

推理:嘉宾的调研能说明,他遇到的部分低价需求无法覆盖专用硬件成本,也能说明部分企业口头兴趣不是订单。但通用系统还增加了模型研发、数据、适配、安全和售后成本。真正的比较应是:在相同任务与可靠性下,专用方案的完整成本,和通用平台分摊到每项任务后的完整成本。约一年1—2亿元是嘉宾的年度投入估计,若无成本拆分,不能用来证明通用方案更省钱。

竞争解释与边界:另一条可能路径是先在高价值、边界清楚的场景验证可靠性,再复用部分模型和供应链;它能否积累通用能力,要看数据是否可迁移,而不能先验断定有效或无效。相反,家庭通用机器人若在非接触家务中形成高频使用,也可能支持嘉宾的顺序。当前节目两边都没有长期经营证据。

【本文判断】‘活跃率’比出货量更接近真实价值,但对家庭机器人而言,日活本身仍不是充分验收指标。

推理:一台每天开机却频繁需要人接管的机器人,与一台只在周末完成高质量任务的机器人,不能只按日活排序。更有解释力的账本至少包括激活率、持续使用、用户主动发起任务数、端到端成功率、人工接管、危险失败和单次有效任务成本。主持人谈到售出后流向难掌握,也说明数据回传、隐私和客户配合是指标落地的条件。

竞争解释与边界:工业、表演和家庭设备的使用频率不同,不能用同一日活阈值比较。租赁、研发和展示也可能是真实付费场景,闲置猜测不能替代客户证据。若公司选择不回传数据以保护隐私,还需设计本地汇总或第三方审计等替代证据。

【本文判断】职业选择与技术路线在嘉宾自述中共享‘先给方向、再用反馈收敛’的结构,但不能用后验叙事把每次选择解释成必然。

推理:他在产品上没有先满足所有零散意见,而是先给框架、再看使用反馈;在组织上先承认标准化短板,再招人补位;在职业上则从高中创业愿望、游戏AI和博士科研迷茫逐渐收敛到机器人。这条线索能解释他为什么重视ownership、极致与长期投入。它也提醒我们,离开前公司、再次创业和选择家庭场景仍是当事人当前的解释,结果尚未出现。

竞争解释与边界:‘选更难的事’可能带来更大的学习,也可能只是提高失败成本;‘多数科研是噪音’反映其价值判断,不是研究评价体系。真正应观察的是,新公司能否把强方向感转化为可审查的中间证据、团队决策机制和真实家庭使用,而非只维持高投入与强叙事。

尚未解决的问题与可检验的下一步

待解问题:跨任务规模化后训练是否真的带来泛化,而不只是让训练任务平均表现变化?

下一步信息或小实验:固定骨干、数据量和本体,对比单任务分别训练与联合后训练;公开每项训练任务及未见任务的成功率、人工接管、恢复、安全失败和成本。七任务分别成功的历史结果应与七任务联合模型分开呈报。

怎样的结果会改变判断:若联合模型在相同预算下持续提升未见家庭与物体上的表现,同时危险失败和接管不增加,会支持嘉宾路线;若每个新任务仍需大规模专门采集,或单任务基线在可靠性和成本上持续更好,则通用归纳假设需要收缩。

待解问题:视频、UMI和机器人交互数据分别提供什么信息,怎样组合才足以支持物理动作?

下一步信息或小实验:披露数据来源、动作与力信号、不同本体对齐方式和配比消融;分别检验只有视频、只有遥操作、以及组合数据在新任务上的贡献。

怎样的结果会改变判断:若视频主要改善语义理解却不能改善接触与执行,就不能把视频规模等同于动作能力;若少量真实交互加上大量视频能稳定降低新任务采数成本,才支持嘉宾所期待的‘数据平权’。

待解问题:排除人体直接接触后,家庭机器人能否形成足够的付费价值与长期使用?

下一步信息或小实验:在真实家庭而非办公室演示中,追踪非接触任务的激活、持续使用、任务成功、接管、故障、售后与用户总成本,并记录哪些照护需求被放弃。

怎样的结果会改变判断:若非接触任务能长期替代足够多的人力且风险可控,会支持当前产品边界;若真实高频付费需求集中在被排除的接触照护,而其他任务使用快速下降,则产品定义和价格需要重估。

待解问题:长期技术路线能否同时获得组织信任与可纠错的中间反馈?

下一步信息或小实验:检查每个中间里程碑是否包含未见环境的端到端结果、失败与成本,而非只有演示;追踪联创决策权、标准流程补位、用户意见如何改变版本,以及投资人耐心在资本波动下是否持续。

怎样的结果会改变判断:若团队能持续公开可复核进展、及时因失败调整产品且真实使用增加,说明长期愿景与反馈兼容;若里程碑不断后移、只以融资或内容热度解释进展,或组织决策权无法落实,则‘双向筛选’不足以支撑路线。

影响理解的转录疑点

建议先读/回听00:41:12—01:16:32:这里把AI Native、数据多样性、统一动作模型与规模化后训练连成一条路线,也暴露其证据缺口。必须连同01:56:28—01:57:25一起阅读:嘉宾明确说七个任务分别训练、没有合并数据,因此单任务900次成功不能证明多任务泛化。职业与组织线建议读00:08:59—00:18:30及02:17:41—02:22:25,前者还原再次创业的调研和家庭顾虑,后者还原商业补位、ownership和联创决策权。

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:166: 许华哲再次具身创业:不想错过最大的西瓜

本页使用的公开文字或字幕来源

返回顶部