具身智能的滔天大泡沫中，他已经把机器人送进300个家庭｜对话张翼：未来不远创始人/CEO

摘要

• 张翼的核心时点判断：机器人比纯AI更值得提前做，因为软硬结合迭代慢、先发有复利——“你现在花十个亿是不是能造出一个可能是宇树那样、locomotion这么好的机器人？ 不可能……不是钱的问题，是时间问题。“于是用自己和团队的钱"先憋三年"做到消费级，去年底才市场化融资，几个月内连融两轮，应该已经送机器人进了上海300个家庭。
• 商业化锚点是带娃，不是家务：家务阿姨在上海7-8千/月轻重全能，机器成本2-3万拼不过；但会英语、会下棋的带娃阿姨"一个月三万到四万你可能找不到”——F2以带娃+轻家务切入，现按月租3-4千试用，从早期放一两天就要维护，进化到一两个月才上门、用户每天仍用几小时。
• 数据是最终护城河，大脑不是：好模型别家"一两个月"就能复现，数据慢且稀缺（英伟达Dream Zero才十二还是十几个B）。 三类数据里真正决胜的是数据工厂采不到的corner case和"与活物互动"的数据——家里80%场景是与人互动。策略是早期贴本铺进家庭，先把飞轮转起来。
• 全部技术取舍指向消费级成本：轮式不选双足（室内安全稳定、大电池长续航）、二爪不选灵巧手（“全世界找不到一个能用两个月以上的灵巧手”，预留接口日后可换）、全栈自研把关节成本干到约1000元对第三方8000元——砍掉工业级参数，“家庭够用，OK，ready”。
• 世界模型给了他真surprise：zero-shot对没见过的东西有"百分之几十的鲁棒性”，VLA此前非常难做到，“从方式上是更先进的”；但鲁棒性没到100%、“很多还是在论文阶段”，所以两条路并行，这两个月才引入很多世界模型人才。
• 泡沫观：有泡沫但疯狂度还没到位——在线教育当年一轮融10-20亿美金，现在同样数字以人民币计价，差一个量级；泡沫会破但行业"曲折向上"，终局是"世界上所有的公司都是机器人公司"。 穿越周期靠sustainable商业模式，“一年亏几十个亿很简单”。
• 双减留下的管理学：焦虑让策略短视——“我可能赢在了这个月，但是我输在了两年”，掌门一对一占70%份额却在大班课上双线作战、输掉更大的市场；失败"其实是一种外在的力量在帮你做选择"。

精读

1. 双减一夜归零：九万多人减到一千人以内

• 消息来的那一刻他在车上，投资人转来文件问"Is it real?"——“那一刻我觉得是一片空白”。确认是真的花了半个月：先以为是阶段性的、只裁了一点人，直到核心投资人挑明"这个事是real的"。
• 账很残酷：那年公司体量一百个亿，月支出极高，“一旦没有收入，整个公司直接就爆了”。投资人警告"你不能再拖了，再拖我今天就不会坐在这里"——两个半月从九万多人减到一千人以内，他后脑勺出了一撮白头发。
• 最难受的画面：全国五十几个城市的分公司，HR把所有人say goodbye后自己关灯出来；几百人的会一场一场开下去，高管讲着讲着"现场就哭出来了"。

2. 一年迷茫之后：AI、硬件、家庭三个交集

• 有一段时间get lost，半年不用去公司，“因为公司没事可做，然后也不敢去”。想清楚的结论：人生还是应该参与这个世界的一点点变革，“哪怕创造只有一点点贡献也是意义”。
• 去硅谷聊了一圈交大同学，当时ChatGPT在3.0、没到3.5，“我觉得有机会”；加上自己电子信息工程出身、学生时代搞智能车电子设计的硬件底子，再加上做教育多年对孩子和家庭用户的理解——三个交集指向家庭机器人，而且"必须比以前大，否则我没有动力"。
• 真正说服他的一句话：“二十年后每家每户一定会买一个机器人。“关键是还没人做——“我要做的事情一定不是很多人已经在做的事，因为那多一个我没有意义。”

3. 为什么是机器人不是AI：软硬结合的时间复利

• 核心逻辑：AI是纯算法软件，迭代太快，提前布局的优势会被抹平；一旦碰到硬件，速度就非常慢——“你现在花十个亿是不是能造出像可能是宇树这样的机器人，locomotion、稳定性这么好？不可能……不是钱的问题，是时间问题。”
• 所以计划"先憋三年”：用自己和团队的钱跑团队，不出来讲故事，把整机做到消费级、产品化，“想做到aha moment、很surprise的情况下再出来”。第二层原因来自上次的起落：“我如果再出来融资，我要很确定这个事儿是能成的，否则后面有的收拾。”
• 直到去年底确定产品能进家庭且试用受欢迎，才市场化融资，几个月连融两轮；团队约一百人，以工程师为主。

4. 只做To C：品牌溢价的正反馈

• 不纠结工业还是家庭：“很多To B的技术到最后没有什么特别高的壁垒，最后就是杀价格，很难盈利”——同样做清洁机器人，To C公司利润非常高，To B卖国内"非常struggle”。
• To C的飞轮：体验好→品牌被认可→品牌本身值一个溢价→利润再投入做更好的产品，“你会形成正反馈。我一直做to C，这种反馈方式更适合我”。

5. 应有三百家庭参与共创

• 中国和北美各发了五六千份问卷加电话访谈，但功能取舍直到去年底（约三个月前）才锁定——“他说叠衣服值五百，扫地值两千，加起来发现还是覆盖不了机器成本”，定义卡了很久。
• 进家分三阶段：先规定只能干几件事→放开自由发挥→用户反向提需求。下棋是用户要的（“小孩看电脑下棋两小时，眼睛都坏掉了”，夹持式二爪所以各种棋都能下）；捉迷藏孩子天天玩，就专门强化成了功能。
• 留存是硬指标：去年刚进家放一两天就要上门维护，如今一两个月才维护、用户每天仍用几个小时。他盯的是续费和转介绍——“百分之五十转介绍率，还有百分之三十”——这决定了产品好不好，而不是今天卖了多少量，那可能是一波流。

6. F2的定价锚：对标三四万请不到的带娃阿姨

• F2两个功能：带娃+轻家务。读绘本、陪钢琴小提琴（听音识曲、实时纠正指法坐姿、还能对话）、下棋、找乐高、扔篮球、讲完睡前故事把灯关了出来；轻家务是收玩具、捡垃圾，“重家务最重的是厨房，我认为还有几年时间”。
• 定价方法论：“卖一个东西是看你对标什么”——对标家务阿姨没戏（上海七八千一个月、轻重全能，机器成本两三万）；但会讲点英语、能陪下棋的带娃阿姨"一个月三万到四万你可能找不到"，带娃才是价值成立的地方。
• 现在按租：一个月三四千；正式上市后可能"买断便宜一点、付订阅解锁高阶功能"，因为部分功能要消耗算力。养老调研的意外：退休老人说"你帮我带娃"——不是陪老人，是帮老人带孙子；八十岁以上是另一群体，需要护理和厨房功能。

7. 惊喜与惊吓：机械臂陪玩，和"搞狗"

• 最大惊喜是调研没调出来的"陪娃玩"：因为有机械臂，“娃家里的玩具都没有手，他第一次有手”——小车咻飞出去、捡回来再咻出去，“居然还能玩个两小时，第二天可能玩别的玩法”。互动最好的年龄段是中班以上到小学。
• 惊吓变成了功能：一户人家的狗"一晚上都睡不好觉"，主人说"算了"；后来专门研发"搞狗"——喂狗粮、像鸡毛掸子一样逗猫，“让它搞个一两个小时”。他的抽象：“家庭机器人看上去是一个产品，但其实它背后卖的是服务”——服务很贵、很难标准化，物理AI可以让它标准化。

8. 轮式与二爪：一切为消费级让路

• 轮式vs双足"各有优劣，不敢一概而论"，但室内场景轮式性价比、安全性、稳定性都高——双足买回家试过，“你把它提起来，它的脚会开始乱飞”，不适合家庭；中国大部分家庭是平层，轮式够用，底盘配重加大电池还带来长续航。
• 不做五指灵巧手的理由很实证：“全世界你找不到一个能够用两个月以上的灵巧手”——关节太小、天天受冲击容易坏。方案是二爪加预留接口，“灵巧手一旦成熟可以很快换上去，很多公司专门在做这块，我们就不去参与了”。

9. 全栈自研：关节一千块对第三方八千块

• 从22年硬件自研逐渐变全栈：电机、扭矩、关节、整臂、爪、整机。便宜的秘密是砍参数——“重复定位精度就这么多就行，负载就这么多就行”，不用适配工厂搬重物，“砍到极致，家庭够用，OK，ready”；中空大孔径走线的关节市面上根本买不到，只能自己定义。
• 更大的好处是每个地方的参数都拿得到：电流环、每个关节的实际状态，第三方不会开放这么多接口，“参数拿了很多，才可以调到最优”。最难的自研件是驱动器——巴掌大的地方集成高密度器件还要做温控；自研也有边界：减速器工艺问题太多放弃了，深度相机也不可能全部自研。

10. 世界模型：方式上更先进，但两条路并行

• 世界模型给了他真surprise：zero-shot对从来没见过的东西有"百分之几十的鲁棒性"，“VLA之前是非常难做到这个事的”。以英伟达Dream Zero为例：有一定推理能力、能预测物体轨迹，训练也更轻量——灌视频、头上带个摄像头加手部操作就行。
• 但话留有余地：鲁棒性"也不是说百分之一百"，“很多还是在论文阶段”，VLA也还在迭代、不能直接否掉，所以现阶段两条路并行；这两个月才引入很多世界模型的人——“国内做的不是很多，找到这个人才很重要。”

11. 数据三分法：决胜在corner case和"活物互动"

• 大脑与数据的不对称：大脑竞争激烈但"抄起来也很快"，好模式别家一两个月就能弄出来；数据慢且历史上极少——英伟达Dream Zero是12B还是十几个B，“说明它的数据量确实很少”。终局判断：“同样叠一件衣服，我叠的比你好，因为我用家庭数据比你多。”
• 数据分三种：数据工厂能采的正经数据；corner case——“叠衣服的时候这条桌子缺了一个腿”，千变万化，只有真实家庭里才学得到；以及最被忽略的与活物互动的数据——“我们在家里面百分之八十场景就是跟人在互动”，不同年龄、种族、性别方式各异，“否则你的数据就只是这个世界的百分之一”。
• 对美国同行Sunday的评价：surprise的是"一个在美国做的公司居然还做硬件"，相机位置、外形设计、以及一种“乌米”的素材方式、ACT方案"确实加入很多自己的思考"，但没开售没开源，“很难实际的去评价”。

12. 贴本铺量、补贴战与泡沫：还没到在线教育的疯狂

• 会激进定价：“早期可能贴着本卖”——别人采数据要花很多钱，“我们至少是贴着本过去的，使得这个飞轮转起来”，数据就是护城河。大补贴的前提是有人也做到全栈消费级，“我觉得可能还要花相当一段时间到我们的程度”。
• 热度校准：在线教育当年"一轮融个十亿美金、二十亿美金"，他自己最多一轮融过几亿美金；现在具身融资同样数字以人民币计价——“以前融十亿美金，现在可能融十亿人民币”，疯狂程度差一个量级。
• 泡沫观：“肯定是有一定泡沫，但没有泡沫一个行业很难起来”——泡沫超前于行业才有人才涌入。终局可预见：“到时候世界上所有的公司都是机器人公司，一个便利店老板是个人，下面很多都是机器人。“穿越周期"不是今天融个二十个亿就解决的”，要sustainable的商业模式，“一年亏几十个亿很简单”。
• 进千家万户最大的障碍是第一个飞轮：谁能把机器人放进家、大家喜欢并一直用；阈值取决于模型升级对数据量与质量的要求、dirty数据可不可用。消费者接受度他不担心——机器人在公园下棋"老人围了里三层外三层，每次都被保安赶走”。

13. 焦虑让策略短视：赢在这个月，输在两年

• 联创路易斯说他这次创业风格"彻底变了"。他自认两处变化：方向看得更久、一旦做更坚持；以及从第三者和未来的视角看起伏——“你如果站在未来往回头看，这件事其实也就这么回事”，轻舟已过万重山。
• 对"企业家焦虑是不是品质"的回答最见血：“我焦虑的时候我的策略会变得短视，我会选择当下的最优解，而不会选择两年后的最优解。所以我可能赢在这个月，但是我输在了两年。“案例是掌门：在线一对一占了70%的market share，大班课出来后股东意见相左、双线作战——“你赢得了一场仗，但你输了更大的市场。”
• 给受挫创业者的话：“你遇到的挫折，往往只是逼迫你去做一件其实你真正要做的事情”——失败是外在力量在帮你做选择，“我们必须找到自洽，才能活得更好”。他几乎从不说"早知道”。十年寄语：希望那时的自己"还能继续相信，永远有美好的未来在不远处”。

Verification Notes

• Raw captions render the comparison entity as“语速”; “可能是宇树” remains an unresolved name identification.