187: 对话LiberAI刘松铭:Astra来袭,00后物理AI创始人看到的胜率
本篇先锋
刘松铭
摘要
- 刘松铭把基模入场视为必然,Libra AI 从第一天就以全栈布局应对“模型变薄”。 他认为,访谈中称为 Extra 的模型已经吃掉一部分具身壁垒,至少包括 System 2。独立公司的空间,要在 System 1 的动作执行、物理反馈,以及运控、硬件和交付中建立。“硬件服务模型,而不是模型服务硬件”,是他与另一类全栈公司的区别。
- Libra 0 的核心进展,是不同难度任务开始出现可测量的零样本成功率。 按刘松铭披露,抓取放置约六七成,非抓取任务约 30%,部分四五步长程任务超过 10%;团队让 GPT-6 生成 60 道题,三类任务各 20 道。他把这视为通用能力的曙光,同时承认商业标杆仍未跑通,不能把技术曲线直接当成收入曲线。
- 数据壁垒的关键是动作信息和 scaling 效率,而非单纯堆小时数。 Libra 0 使用 220 万小时人类经验;团队实验中,1 万小时手套数据的操作表现优于 200 万小时互联网视频,手套配合 25% 真机遥操作数据,还能超过 100% 真机遥操作的效果。刘松铭称,手套补上了视频缺失的物理动作,能够替代约 75% 的遥操作需求,采集成本低一个数量级,可能更低。
- 拟人硬件提高了知识迁移效率,也把公司带进更慢的迭代周期。 按节目引用的报告,自研本体在拧转、弯腰捡拖鞋等测试中成功率超过 90%,较对比平台高约 30%;腰、手腕和运控都影响模型效果。他实际遇到的耦合比预想更深,有些问题无法靠训练配方补救,而硬件里存在很多难以用砸钱加速的串行环节。
- 商业化目前仍是寻找可复制场景,理想目标是在未来两三年跑通一个持续收费的标杆。 奶茶演示已经能完成五分五十多秒的连续任务,但按糖泵是否出糖、如何感知接触、需要多少人工兜底,都会改变经济账。他优先选择标准化、贴近模型能力、能够沉淀数据或 Know-how 的场景,并坦言尚未看到同时满足能力与商业目标的明确答案。
- 刘松铭认为,近期交付中更直接的对手可能是非标自动化公司。 OpenAI 会带来人才、融资和模型压力,但真正交付仍要“一个一个去啃硬骨头”;他质疑大模型公司的投入动力,也质疑车企是否愿意耐心经营一年仅交付一两百台的市场。Libra AI 的应对是与基模分工,已和 Kimi 探讨硬件研发及物理闭环合作,而不是争夺完整的 AGI 生态位。
- 六轮融资为跨周期发展储备了时间,资本纪律决定这些时间能走多远。 刘松铭把融资原则概括为能融时先储备,而不是需要钱时再融资;投入上则追求用更少资源做更多事情。他认为当前降温来自资本预期跑到实际收益前面,对长期仍乐观,但不敢押注明年恢复,主张按三到五年的尺度准备。
- 他的终局判断很强,最没有答案的是利润最终留在哪一层。 刘松铭相信五年后能出现通用机器人,并判断行业走向消费级市场后,会产生对标苹果的大公司;他把当前全栈路线称作“胜率最高的玩法之一”。但模型、硬件、场景基础设施和供应链分别能分走多少价值,仍是他正在思考的问题。
精读
1. 世界模型是技术手段,物理 Agent 才是产品
- 刘松铭不认同把“世界模型”直接等同于 Libra AI 的使命。它是公司正在探索的技术,“更多是一种手段”;最终要利用物理 AI 做出物理 Agent 产品,产生商业价值。
- 对 New Labs 的定位,他保留距离:行业现在愿意给技术突破更长耐心,先研究、后找应用,但 Libra AI 认为物理 AI 的研究与商业应用联系紧密,不能把两者长期分开。
- 他的出发点很直接:“所有公司最终的使命一定是产生商业价值。”模型成果需要放回这个目标中理解。
2. 年轻创始人赶上了缩短的技术转化周期
- 对“00 后小天才”的标签,2000 年出生的刘松铭接受年龄这一客观维度,更在意背后的行业现象:物理 AI 本身很年轻,Google 的 RT-1 工作到 2022 年才出现,进入这条研究路线的人自然也年轻。
- 大模型降低了获取知识和专业经验的门槛,长期资历的相对优势随之变化。程曼祺概括,技术突破到掌握技术的人出来创业,间隔正在缩短;刘松铭认为,实验室突破到商业转化也在加速。
- 他在实验室毕业学长的帮助下较早试用 ChatGPT,第一次明显觉得模型“有点像个人”。到 2023 年,他已判断基模会变得极大,独立创业更应寻找与其协作、又有独特壁垒的应用,物理世界由此进入视野。
3. 创业目标不变,专业选择跟着比较优势变化
- 刘松铭高中时就把创业视为人生主线,没有认真考虑过上班或先拿教职。他的逻辑是:资源和影响力最终是为了做事,既然如此,可以直接通过创业组织资源,做自己认为有价值的事。
- 父母更常问“你要成为一个什么样的人”,而非只盯成绩。选择清华也与创业资源有关;他判断语文偏科使高考路径胜率有限,而化学竞赛有天赋、有培训资源,于是选择竞赛进入清华。
- 从化工转向计算机,考虑过创业的资产门槛:化工偏重资产,计算机相关机会对年轻人更友好。最初做 AI for Science,则因为物理化学背景能形成比较优势,而非一开始就认定某条技术路线。
- 清华的创业教育让他接触法律、知识产权、条款、管理和财务。疫情期间,他还参与过利用线上教学数据推荐题目的项目:线上有数据,学生有个性化需求,两者构成了当时的创业假设。
4. RDT 证明预训练有用,却没解决数据从哪里来
- 回看早期机器人学习,刘松铭描述的是从“一个任务采一套数据”转向共享能力:做早餐与整理衣服并非完全无关,预训练可以把共用部分学进去,再改善不同任务的表现。
- 团队在 2024 年做 RDT-1B,2024 年 10 月发布的成果采用 12 亿参数规模,后来又做了 RDT-2。最重要的验证是:面对未见任务,预训练后再加后训练数据,比只使用后训练数据效果更好。
- Diffusion 适合连续的物理动作,离散采样则可能损失信息。但当时主要依赖遥操作和跨本体机器人数据,生成速度很慢;因此只是证明预训练有意义,还不知道如何把预训练真正做大。
5. 科研爆款的价值,是让最多的人少走弯路
- 切入新领域时,他先找规则与痛点:当时 RT-1、RT-2 已经提出预训练方向,但怎么训练、怎么获得数据都不清晰。研究要直接推进这个问题,机器人领域还需要足够好的 demo,让别人看懂进展。
- RDT 的开源不只公布结果,也交代怎么做、踩过什么坑。他衡量研究价值的标准是“帮多少人少走弯路”;所谓爆款,是击中了足够多研究者的共同问题。
- 原本用于交流的微信群很快扩展到七八个群,聚集一两千人。社区让他连接到同行、产业界与未来合作者;产业反馈也让他同时看到柔性操作的需求,以及当时模型还解决不了的真实任务。
6. 连三个月后的计划都讲不清,就不该急着接资源
- RDT 获得关注后,投资人和创业公司都来接触,但博士二年级的刘松铭没有马上出来。他最直接的理由是“我没有想清楚”,甚至无法清晰列出拿到资源后三个月该做什么。
- 他希望至少有六七成把握,知道大致怎么做才会启动。大市场并不保证早期公司都能活下来:“这个行业的蛋糕一定很大……但从现在成长到大赛道的过程中,我们都要活下去。”他已经把先行公司视为潜在竞争对手,也考虑学生创业后续融资的难度。
- 对“年轻技术负责人加资源型大哥”的组合,他认为要看驱动力。若主要投入是算力、实验和数据,关键又在技术突破,一号位就需要技术 sense,才能决定钱往哪里花、怎样保持资本效率。
7. 三类技术信号把人类数据路线拼了起来
- 2025 年下半年真正启动时,他先看到了视频的价值。清华朱军实验室同门的 VITA 工作,让他观察到视频模态及视频基座模型能够帮助物理模型泛化,不必完全依赖机器人自产数据。
- 大规模无本体数据研究提供了第二个信号:无本体数据能够取得与遥操作媲美的效果,意味着采集成本可能显著下降。此前他没有把握怎样 scaling,这次开始看见路径。
- 无本体数据也暴露了边界:它主要记录夹爪,而互联网视频主要是人,两者存在 gap。若要利用最大的人类视频数据源,更自然的桥梁可能是直接采集人的操作数据。
- 第三个信号是灵巧手逐步成熟。人的数据、互联网视频与能够承接这些技能的机器人硬件开始汇合,他才觉得以人类数据驱动的路线变得清晰。
8. 六轮融资跨过了行业低谷和世界模型热潮
- Libra AI 在 2025 年年底成立,招合伙人与融资同步推进。刘松铭说,真格第一轮支持时基本只有他一个人;与 Debbie、雨森等投资人的连接,也与 RDT 积累的关注有关,之后红杉继续支持。
- 当时的市场体感并非“具身很热”,反而有人觉得“具身已经结束了”。到 2026 年,MiniMax、智谱上市带来的信心、AI 市场繁荣的外溢,以及北美对标和新叙事,又推动资金回流。
- 程曼祺把英伟达 2026 年 2 月发布 DreamZero 视为世界动作模型热潮的重要节点。刘松铭说,自己启动时已在走类似技术路线,只是没有用“世界模型”包装;节目介绍称公司已完成六轮融资,投资方包括真格、红杉、顺为、龙珠。
9. 基模入场在预判之内,推进速度快于预期
- 他判断基模进入物理 AI 几乎是必然:能力持续提升使其有条件渗透新场景,算力增加又提供了寻找应用的动力;他也和硅谷朋友交流,了解到 OpenAI 很早就传出招聘机器人方向人才的消息。
- 访谈称“GPT-6 Extra”或“Extra”的模型。刘松铭认为,距离、大小、深度等感知,以及通过 coding 理解世界,本来就不应超出基模的能力范围;真正超出预期的是速度。
- 他把系统分成三层:System 2 负责感知、规划和理解;System 1 把指令转成动作序列;System 0 通过运控可靠执行。这是他讨论分工的框架。
- 早期资本叙事往往把三层都算作具身公司的机会,甚至从“具身大脑”走向 AGI。他创业时已认为 System 2 有风险,如今基模进入,意味着原先属于具身公司的部分模型壁垒被拿走了。
10. 模型变薄后,要在执行、硬件和产品上加厚
- “你的 AI 模型就薄了”,是他对基模冲击的概括。应对方式不是坚持纯模型定位,而是从 Day One 做全栈,增加产品与硬件能力;他认为纯具身基模公司会面临非常强劲的基模竞争。
- Libra AI 的重心一直偏 System 1:动作如何执行、执行后如何调整、失败后如何 retry,以及物理反馈、补偿、触觉、运控和部署。理解与交互能力从未被他视为最主要的竞争点。
- 与部分早期全栈公司的区别,在他看来是“硬件服务模型,而不是模型服务硬件”。曾有人批评这种做法“不干净”、不够聚焦,但他认为,既然基模能向外扩张,就必须接受新的竞争事实。
11. Libra 0 给出了分层的零样本成功率
- 刘松铭把 zero-shot 定义为:遇到新问题或新任务,不需要额外示教或训练就能执行。按他的披露,Libra 0 在 pick-and-place 任务上,零样本成功率达到约六七成。
- 非 pick-and-place 任务约为 30%;部分四五步长程任务也有超过 10% 的成功率。最让他兴奋的是,过去认为基本不可能零样本完成的长程任务,现在开始有成功案例。
- 团队让 GPT-6 生成 60 道题,抓取、非抓取、长程各 20 道。他认为,相比人自己想题,这是一种更客观的测试方式;同时承认,行业此前缺少覆盖这些类别的系统评测。
- 一个例子是先把桌面物品放进袋子,再把袋子放进抽屉,过程中还要操作抽屉。它不再只是反复抓取,而是组合不同技能;“开始有成功率”是他强调的进展边界。
12. 220 万小时数据并不是同一种训练资产
- Libra 0 使用 220 万小时人类经验预训练,其中很大部分是互联网视频,另有开源及供应商采集的 ego 视频、手套数据、真机遥操作,以及其他机器人本体的数据。
- 程曼祺列出两组对照:G1.5 模型在 8 月披露 50 万小时;Dyna 2 在 9 月披露 100 万小时。刘松铭说,G1.5 的数据里很多还是夹爪数据,而 Dyna 2 的预训练阶段没有机器人数据,更多使用人类视频。
- 刘松铭不否认数据越多通常越好,但强调改善有不同斜率。多样性、采集方式、是否包含动作信息,都比单独比较小时数更有解释力;因此不同公司的“百万小时”不能简单等量理解。
13. 手套把看懂人的视频接到了真正的动作上
- 互联网视频有丰富的物理认知,却缺少精确动作:手究竟怎么运动、精度如何,仅靠观看未必知道。手套提供 action grounding,一端与人的视频对齐,另一端补上可执行的物理信息。
- 他用“认知上的巨人和行动上的巨人是两回事”形容这个区别。少量手套数据能有“四两拨千斤”的效果,因为补上的恰好是视频里缺失、又对执行至关重要的部分。
- 模型还把本体作为条件输入:同样抓水杯,人手与机器人夹爪应采用不同策略。最大的训练来源是人,但最终不可能“在人上部署”,因此从人到机器人,跨本体已经是必答题。
14. Scaling 先比斜率,手套还能教会新技能
- 在团队披露的操作实验里,200 万小时互联网视频不如 1 万小时手套数据。刘松铭的解释不是视频无用,而是视频主要带来认知,手套补齐了与世界交互的动作部分。
- 不同数据源的 scaling 曲线明显不同,手套数据属于最陡峭的一类,甚至接近跨本体真机数据。这让他把问题从“堆多少数据”改为“如何更有效地 scaling”。
- 另一项实验只让真机数据包含 pick-and-place,而手套数据包含其他任务,混合训练后模型仍学会了非抓取技能。这比他希望验证的方向更进一步:新知识可以来自手套,而不必每种技能都配昂贵真机数据。
15. 替掉 75% 遥操作还能更好,因为遥操作并非完美策略
- 团队实验中,手套配合 25% 的真机遥操作数据,效果超过 100% 真机遥操作。刘松铭把它理解为:约 75% 的遥操作可以被替换,这是成本与 scaling 上的重要验证。
- 遥操作并非天然的最高质量策略。操作者从旁边看机器人,控制意图、人的观察视角与机器人记录的画面并不完全一致,可能让示范动作产生偏差。
- 缺少直接反馈也使遥操作更慢、更迟缓,动作模式与互联网里流畅的人类操作不一致。戴手套直接做事则保留了人的自然动作,更容易与预训练视频对齐。
- 他给出的粗略成本范围是,真机遥操作每小时可能上千元人民币,手套低一个数量级,成本可能是数百元甚至更低。手套仍需在物理世界采集,因此不会像互联网视频那样轻易扩到极大规模。
16. 拟人的腰和手腕,是为了接住人类知识
- 全栈不意味着自制所有零件。刘松铭划定的边界是:只控制那些能改善最终模型效果的设计,成熟零部件与供应链依靠外部;当前重点包括采集手套和本体设计。
- 对腰部为何不只做升降,程曼祺提出追问。他解释,人擦桌子会侧身、弯腰,视频里天然存在这些动作;机器人若缺少相应自由度,就会与学到的 policy 不对齐。
- 手腕同理:拟人的旋转方式能承接拧转动作,部分串联关节设计则可能带着小臂一起转,造成碰撞。细手臂也能进入狭窄空间;增加成本是否值得,最终要看模型收益。
17. 跨本体能力不等于所有本体效果相同
- 按程曼祺引用的报告,自研本体在拧转、弯腰捡拖鞋等任务中成功率超过 90%,较对比平台高约 30%。刘松铭认为,介质本身会限制 policy,不能把所有差距归结为模型。
- 对“一脑多型是否因此更弱”的追问,他的回答是:跨本体必须做,但效果可以不同。至少在当前大量学习人类知识的阶段,更接近人的本体,更容易承接这些知识。
- 他希望形成生态:模型适配多种本体,但与自家本体组合最好;自家本体与自家模型也相互增强。如果本体间完全没有差异,垂直整合就失去意义,基模向下推进也会更加容易。
18. 三阶段都叫预训练,因为看与动始终混在一起
- Libra 0 先从大量互联网视频学习物理认知,再逐步增加手套、真机等带物理动作信息的数据比例。“先学习、先看、再做”是过程上的概括,不意味着把两种能力完全切开。
- 程曼祺追问,为什么后面少量机器人数据的阶段不叫后训练。刘松铭解释,三阶段始终保留互联网视频,只改变配比;他认为先完全学看、再完全学动,会破坏应有的迁移关系。
- 团队设想的真正后训练还在后面,可能包括 RL、更可扩展的新方法,或专门适配某一本体。当前报告验证的是混合预训练路线,并未把未来环节全部完成。
19. 公开路线带来信心,壁垒在完整管线
- 面对“报告这么细,会不会教会竞争对手”的问题,他认为早期更重要的是让路线变清晰、增加行业信心,也让外界相信团队在认真做事。此次还开放网页模拟器,可上传生活物品照片测试模型。
- 做灵巧手的同行已经不少,他不认为仅靠一个硬件点子就能复制整套效果。采集硬件、数据处理、训练和验证构成复杂管线,对团队综合能力要求较高,这才是他更有信心的壁垒。
20. 触觉和跨任务 RL 仍是两块缺口
- 刘松铭主动指出,Libra 0 还没有做好触觉。问题不仅在模型,还在能否找到适合生产、稳定、便宜、可靠的采集硬件,再把新增模态真正用起来。
- 他把触觉视为 System 1 的重要部分,也是当前基模较难直接覆盖的部分。但这是一项未来重点,不能把它当成现阶段已具备的完整能力。
- RL 方面,他希望找到类似 RLHF、能够跨任务一致提升成功率的方法,而非只为某个任务强化。团队尚在探索,没有给出已经验证的通用方案。
21. 硬件耦合比预想深,现金买不来所有时间
- 创业后超出预期的难点主要在硬件。构型、传感器选型、关节、电机参数都可能显著影响结果,有些差异“没有办法通过后续的训练 recipe 去解决”。
- System 0 运控与 System 1 相互影响,运控又紧绑本体。这既加厚了与基模的差异,也要求模型和硬件一起迭代,使速度受到更慢一端的约束。
- 目前资源投入最多的仍是算力与数据,包括采集设备和人力。硬件研究、稳定性提升阶段相对没那么吃钱,但周期长、设计要求高;大规模铺开与量产以后,资金需求会明显增加。
- 刘松铭认同硬件存在很多串行环节,周期客观且难以缩短。资金更充裕的竞争者进入,也要经历同类过程。
22. 连续奶茶演示暴露了真正的交付细节
- 发布视频包含五分五十多秒、无剪辑无加速的奶茶任务。公司内部也在搭建可供员工使用的奶茶点,但刘松铭明确说仍在修缮,距离不需人工干预还有很多问题。
- 程曼祺抓住糖泵追问:人知道有没有按出糖,还会调整用力,机器人怎么办?他认为可能需要力、声音等额外模态,光靠视觉不够,而相关硬件目前尚未很好支持。
- 主持人提出另一条路:改造奶茶设备,消除难操作的容器。团队目前仍挑战不改环境,以降低部署成本;双方最后回到成本比较,而不是把任何一种路线视为绝对正确。
- 初期可以接受人与机器人配合,但兜底比例决定经济性。若很多步骤都离不开人,“人就省不掉”,模型能演示完成任务,也未必就能创造足够商业价值。
23. 每个场景都有硬伤,零售也只是探索之一
- 刘松铭拒绝把某个落地方向讲成完美场景。家庭面临泛化与安全问题;工业要求节拍,退到节拍宽松的环节,又要比较工资成本、任务内容和跨工位复制能力。
- 商业服务和零售是公司关注的方向,但未展示工业、物流或家庭 demo,不等于完全不考虑。他强调团队仍在广泛测试,当前状态就是探索。
- 放到全球,他更关注发达国家的劳动力短缺:家庭照护、清洁,以及零售、服务、酒店等方向可能更迫切。后几类场景有一定结构化程度,又存在持续用工需求。
24. 标杆场景要可复制、贴近模型,还能留下资产
- 选场景首先不能太非标,否则会拖慢模型研发。其次要与模型能力夹角小,让新技术真正解决问题,减少定制和兜底;节拍、容错要求也应在模型可满足的范围内。
- 客户还必须有真实购买动力,项目则至少留下两类资产之一:把模型能力变成商业价值的 Know-how,或使公司未来更有竞争力的数据。“不是纯粹为了收入。”
- 本体尽量做标品,以降低生产和适配成本,但遇到过窄、过高等不适配场景,也不会为统一而拒绝改造。是否调整,仍是一道经济账。
- 理想状态是在未来两三年跑通标杆。主持人追问规模和利润率,他没有给数字,只要求价值来自模型与泛化、可复制且持续收费;目前仍没有看到同时满足这些条件的明确答案。
25. 真正先碰到的对手,可能是非标自动化公司
- 对 OpenAI 自建或收购机器人团队的威胁,刘松铭承认模型、人才和融资压力,但认为真正交付仍要“一个一个去啃硬骨头”。收购也未必直接赋能,深度软硬件耦合可能带来很高组织成本。
- 他质疑投入动力:在他的假设中,同样精力投 coding“可能有 20 倍增长”,而物理 AI 做不到。他还以 OpenAI 关掉 Sora 作反问:他认为 Sora 比物理 AI 更好赚钱,赚服务业、制造业的钱实在辛苦。
- 对车企、华为等先进制造企业,他的疑问是规模和耐心。若辛苦一年只交付 100 台、200 台,远小于汽车业务,它们是否愿意在这个阶段重投入,并不明确。
- 从客户视角看,模型加硬件首先要胜过现有非标自动化和上一代交付方案。因此他直接把这些公司列为现实竞争者,比较的是成本与交付效果,而不是技术标签。
26. Extra 擅长理解规划,接触仍卡在最后一毫米
- 刘松铭说,团队目前与 Extra 合作,由 Extra 做 System 2、自家模型做 System 1。按他的描述,在零样本对比中,自家模型的成功率是 Extra 的好几倍。
- 差距集中在接触和灵巧操作,测试还没有涉及力控。他观察到 Extra 能到大概范围,却处理不好“最后 1 毫米”,会反复尝试、抽动,无法完成真正接触。
- Extra 的优势是语义理解、拆解、规划,以及失败后找到明确路线重试。不过自家 System 1 做不了时,Extra 也未必能补救。他用“人自己也会手滑”强调 retry:长程可靠性不只来自一次命中。
27. 推理模型能否吞掉反射控制,仍有分歧
- 程曼祺引用王兴兴 10 月的判断:明年 GPT-7 发布后,可能击穿具身问题。刘松铭承认一定会有冲击,但认为在 GPT 现在的范式下,它不能解决所有问题。
- 他的区分是 reasoning 与直觉:前者大量推理思考,后者快速、反射式地控制运动。速度、节拍和信息不完整的任务,使后一种能力不只是前者的简化版本。
- 如果未来模型专门针对接触、触觉调试,或采用更小模型,他认为边界可能变化;但若仍依靠 chain-of-thought 推理,缩小后能否保留能力又是问题,不能把所有进展都归为同一种基模外溢。
- 程曼祺保留另一方意见:她接触的一些基模公司认为最终也能做到执行层。双方至少同意还要算机器人上的算力和延迟;刘松铭进一步认为,两类模型的计算开销与优化方向不同。
28. 与 Kimi 合作,是把虚拟闭环接上物理接口
- 刘松铭披露,团队正与 Kimi 探讨两类合作。一类基于 Kimi 的基座模型,做许多 RSI 相关工作,希望缩短硬件研发周期,让受硬件制约的行业跑得更快。
- 另一类更长远:研究、生产等 loop 不完全发生在虚拟世界,也需要物理接口。基模处理更通用、虚拟的环节,Libra AI 处理物理世界中的执行;这是双方探索的分工,并非已经完成的闭环。
29. 先啃碎片化应用,再为消费级大市场积累筹码
- 程曼祺追问:既然执行与交付更累、更慢,为什么不做 OpenAI 那样最大的事?刘松铭的回答是生态位已经被占住,后来者很难再抢同一位置;要么加入,要么做对方没优势、短期不会重投入的地方。
- “不可能说我又不 dirty,又能把这个事情做得长远,又能够竞争。”今天应用回报慢,不代表终局小;边缘市场也可能给新公司留下成长时间。
- 若机器人进入 To C 大市场,他判断行业会从碎片走向集中,并出现对标苹果的大公司,“一定会是人类有史以来最伟大的工业品之一”。他把全栈、硬件与产品视为届时竞争的筹码。
- 这也是 Libra AI 的愿景,但并非断言自己必胜,只说是“胜率最高的玩法之一”。程曼祺指出,未来执行公司也可能向上长、基模向下进入;他认可可能出现交错竞争,只是当前需求还没强到那个阶段。
30. 能融时先储备,投入则追求更陡的曲线
- 面对今年下半年后资本预期降温,他的准备很朴素:“不是说你需要的时候再去融”,而是在能融资时先储备。硬件周期与技术不确定性决定公司需要时间,六轮融资也支持了两三年的商业探索安排。
- “资本纪律”在他这里首先是效率:不同数据、不同训练方式有不同曲线,应尽量用更少资源做更多事情,而不是把融资规模直接转换成同样规模的消耗。
- 风险意识与家里做传统生意的经历有关。他多次觉得某个风险不会发生,后来却真的发生,逐渐形成“不能只考虑最好的情况”的习惯;每轮周期还可能与上一轮不同。
- 他认为当前低谷与 AI 整体预期超过实际收益有关,长期技术回报仍成立。时间不好判断:他不认为会长到五年、十年,更倾向五年以内,但不敢说明年恢复,因此建议按三到五年尺度准备。
31. 全栈团队靠品味、减法和主动协调协作
- 刘松铭把 taste 解释为看问题的角度、拆解方式与取舍能力。不同领域知识可以不同,但如何选择要解决的问题,应形成共同标准;公司也希望由此吸引有 taste 的人才。
- 他重视“做减法”胜过不断打补丁,让产品、模型架构、工作流尽量简单。对于具体案例,他没有展开,因而这仍是公开表达的组织原则。
- 协作不会自然发生:背景、信息与目标差异会持续制造混乱,需要管理者主动协调。团队既招有经验的人,也让成熟者带技术强但管理经验较少的人;能协调跨领域团队的人,在他看来很稀缺。
32. CEO 负责拍板,讨论负责抵抗先入为主
- 公司鼓励讨论,但最后由刘松铭决定方向,因为“权责对等”。他希望讨论提供更多信息,而不是用讨论替代最终责任。
- 回看错误,他发现有些并非不会选,而是选得太急。尤其熟悉的事情更容易跳步,依赖未验证假设,再过滤后续信息,只记住支持自己判断的部分。
- 他希望组织能产生不同声音,提醒自己回到事情本来是什么样。“观念和观点都不重要。”拉长两三年,某个模型当时有多高未必关键,工作验证了什么假设,反而更影响公司方向。
33. 把公司当产品搭建,招聘就是增加新的能力
- 过去几个月,他花最多精力的是招人;按他的说法,除自己之外的中高层及一些关键技术员工,都是亲自投入时间招来的。公司像一个逐块搭建的产品,“每进来一个人,就像给产品增加一个新的 feature”。
- 说服资深人才,要站在对方投资自己职业的角度:事情是否足够大、值得投入,公司是否有机会拿到份额;再以专业度、认知和 conviction 取得信任。程曼祺也观察到,他第一次见面就先问媒体需要什么话题,很关注对方需求。
34. 五年愿景很确定,利润如何分配仍没有答案
- 刘松铭把几个月的技术 scaling 与五年后的通用机器人都看得很确定。他相信届时物理世界的各种任务可以像今天 Agent 的 task 一样被解决;不确定性主要在中间怎么走,尤其模型进展与商业化速度能否匹配。
- 他正在反复思考的是:真正落地、开始分利润时,公司与技术路线能吃到哪部分。模型能覆盖到哪一层,哪些地方仍依赖硬件、场景基础设施,决定价值如何分配,目前没有清晰答案。
- 程曼祺用比亚迪早年布局电池作类比:今天哪些供应链环节值得提前控制,可能长期影响格局。刘松铭认可,整条链很长,最终怎么分蛋糕是关键问题。
- 他把 Libra AI 与 liberty 相连,中文“将闲科技”也承载让人摆脱琐事和繁重劳动的愿望。更远的理想是,不再需要某些人替别人“负重前行”,由机器人承担必要劳动;服务个人是他认定的最大市场与最终目标。