132. 对星海图创始人高继扬的3小时访谈：鲶鱼、曾国藩、Waymo与Momenta的两面、一只狼与许华哲的离开

摘要

• 星海图刚close新一轮融资：估值100亿人民币，两年涨约30倍（2024年1月首轮融后约3亿）。 本轮由CFO天琪主导，产业方含吉利、北汽及多家PE与一二级crossover，六家老股东pro rata、三到四家超额跟投；高继扬自评估值排名"保守说一个第五"，前面是智源、银河、宇树。
• 公司战略是特斯拉式垂直整合：整机+真实数据闭环+端到端模型。" 具身智能长期壁垒建立在物理世界的数据闭环之上"，整机既是数据载体也是商品形态（整机+智能）；而算法的传播周期只有2-3个月，整机供应链12-18个月，数据体系再加6-12个月——算法壁垒相对较小，“它在创新上投入非常大，但防止被抄袭的壁垒很小”。
• 真实数据的成本账是全场最硬的数字：自运营下来1小时真实数据全成本200-250元（3-4小时人工+整机按10万元/1000小时折旧），十万小时——约等于一个人18岁前与物理世界交互总量——只需2500万元；且数据获取与训练成本比为1:5到1:10，低质仿真数据的浪费发生在训练端。 数据配比（data recipe）没人知道，“AI归根结底是实验科学，得试出来”。
• 商业化路径：从开发者市场走向生产力市场（对标《跨越鸿沟》、Macintosh、拓竹、宇树），已有150多个全球开发者客户；2026年主线转向场景应用，看好bin picking、厂内物流SPS等"pick anything, place to somewhere"场景；他的人生bet：“在生产力场景做出万台出货量”。
• 许华哲离职在去年8月已内部settle：赵航统管基础模型团队后拿出开箱即用的新机型，星海图将投资华哲to C家庭方向的首轮创业。 高的定性直白——“对星海图长期来看是绝对利好”，背后是"实事求是的战功文化"；但他否认这意味着算法不重要：“算法创新不能独立于整个公司的基础设施存在。”
• Waymo与Momenta是他职业生涯的两面教材：Waymo是"工程师的天堂"但"没有founder"、自上而下的力量缺失，“错不怕，怕的是力量不集中、不统一”；Momenta绝对结果导向、核心算法团队到十二点、一周六天打底。 他离开M创业时放弃约1000万美金期权，“一点都不心疼”。
• 大厂的真正威胁是业务协同，而具身智能恰恰不存在业务协同——供给全是新供给（汽车零部件一个也用不上），需求千行万业谈不上协同；大厂最缺数据，而买数据有悖论：“必须得有懂基础模型的公司定义数据体系”——这是有整机能力的创业公司的结构性窗口。
• 为什么具身智能里没有梁文锋式的技术浪漫主义者？" 很有可能是机器人这件事本身就不浪漫"——链条极长、周期极长，“我们天然的就要去土里边做很多东西，没法浪漫”；“这个行业不允许这样的人存在，如果有，可能会有很大的suffer。“视频里的机器人比现实好得多，“大家还是要给他更多的耐心，但这件事会发生”。

精读

1. 开场命题：中国具身智能为什么没有技术浪漫主义者

• 张小珺的开场设问贯穿全片：为什么具身智能产业里没有出现梁文锋、杨志林那样"带着浓重技术浪漫主义色彩的人”？她把高继扬定义为这种浪漫主义的反面——“极致的效率、工程拆解与实用主义”。
• 录制时点本身是信号：联合创始人许华哲即将离职。高继扬给出的先导句成为全片题眼：“机器人行业就是一个链条极长的行业，有时候你就是要把你的头伸到土里去。”

2. 石家庄少年：勤奋是一个可以随时打开的开关

• 石家庄裕东小学、二十七中，成绩"班级前五或前十"的正常小孩；六年级暑假为初中分班考第一次用功，考了年级第三——“我考试生涯当中第一次还不错”。
• 他对自己的精准画像：“当我发现我需要勤奋的时候，我是非常勤奋的。当不需要的时候，我也不是很勤奋。“主持人总结他的人生是"一段一段突击的”，他承认至少大学之前如此；大学毕业后"就变了一个状态，一直保持勤奋”，原因是"目标感更强了”。

3. 物理竞赛保送清华：靠归纳总结，不靠天赋

• 石家庄二中省理科实验班学物理竞赛，自认"我见过真正有天赋的人，跟他们比我主要靠勤奋"——别人刷一遍题我刷两遍，别人刷两遍我刷四遍，把题型映射到考点做归纳总结，这套方法论贯穿他此后所有考试与工程。
• 全国二等奖恰好够清华调专业：2010年11月厦门赛场，招生老师往宾馆房间打电话叫人排队，“问你俩问题：要不要上清华？先选个专业。“他选了电子系，理由朴素——“觉得做芯片这个事是有前途的，但当时也没有特别好的思考”。语文英语很差（一卷二卷加起来约100分，别人一卷就90多），“没有物理竞赛，我高考能上个四川大学、厦门大学就挺开心的了”。

4. 清华的大神教育：杨志林是"高不可攀的大神”

• 被问及同届的杨志林：“这是高不可攀的大神，真的，他一直都很厉害，接近特奖，本科就已经做了特别棒的工作。“厉害来自什么？“我觉得是天才吧。”
• 自己在电子系"top百分之三四十”，同班还有韩衍隽——“我看他写的作业想学习一下，我都看不太懂，得换一个人的作业参考”。清华教给他的是"要谦虚、要低调，天外有天人外有人”。大二白头也是那时落下的，“不是染的，自然白的”。

5. 大学就定了创业，但移动互联网"跟我没关系”

• 大二大三想好要创业。2011-2015正是移动互联网最火——校内网、打车、外卖，“隐约感觉到这是大机会，但跟我没关系”。原因说得很干净：“一代人有一代人的机会。人家积累了很多东西，轮到他了。我就是个大学生，啥也不懂啥也不会，我想干也不可能赢。”
• 于是问题变成"创业到底做什么、我要为它做什么准备"——这个倒推式思考成为他后来所有职业选择的模板。

6. 申博受挫与曾国藩：从儒家清流到事功

• 大三暑假斯坦福UGVR实习后，老师没写强推，想上的学校全落空，最后只有没让他写推荐信的USC、UCSD等给了offer——“一个小打击，低谷期”。他的应对方式是看书反思，“看历史、看传记，通过别人的困难给自己来点灵感”。
• 记住的是曾国藩：从二十多岁的儒家清流到四十岁特别有事功的人。书里的顿悟被他原样搬进人生：“当你要做一件事的时候，你到底能拉动多少资源、多少人愿意跟你一块做，并且最后把事做成——这件事是最重要的。“映射到自己：“儒家清流做不了了（去不了最好的学校），那我要从底层思考我未来到底要做什么，把什么当成目标，而不是把表面的东西当成目标。”

7. 商汤实习：骑着自行车顿悟神经网络

• 大四经汤晓鸥小范围交流获得实习机会，2014年底进商汤训第一个神经网络（做pose estimation，跟着李成、鲁书）。他至今感谢商汤"给从来没接触过的人一个学习机会”。
• 顿悟时刻保留原景：从清华科技园创业大厦骑车出来，“突然想到，这个计算机可以从数据当中自己提炼规律——我们编程序是人提炼规律写成if else，现在神经网络自己从数据提炼规律，把if else变成参数，全自动。这事太牛了，我以后得做这个。“他当时判断"人未来应该很少会用编程了”。

8. 三年半博士毕业：发顶会也有三种套路

• 目标先行：“读博是为了完成某些训练，训练完成的时间越快越好”——定四年毕业，倒推需要4-5篇顶会，倒排到博一结束就要投CVPR。发现自己"idea比实际干活带宽多”，就把idea分享给实验室同学共同署名，“把大家没有充分发挥的时间发挥出来，大家都好”。
• 发paper的归纳总结：“几乎所有paper都能套进三类：一是挖坑型——提出新问题、做数据集、建benchmark，最厉害的人干这个；二是提性能；三是性能接近但成本或监督数据更少。“再加上"别人一届投一篇，我投两篇，提高概率”。三年攒够，70多岁的印度导师"特别nice"地放行，2018年底毕业。

9. 选行业的标准：AI必须是这个行业的"绝对变量”

• 他用找工作的方式调研行业，筛选标准：“这个行业一定以AI作为最底层的变量——没AI这行业没有，有AI这个行业才成立，且行业足够大。“商汤式泛AI+被pass：“会不会干成外包？很难形成产品，交付侧每次成本都很高。“广告被pass：“搜索和广告没有AI也成立，AI不是绝对变量。“云被pass：“把模型包装成API，不本质。”
• 结论是"物理世界的AI”，自动驾驶是它的第一形态。为什么不去传统Robotics？“控制优化、SLAM这些技术，机器人里面更偏机器而不是更偏人，很难从底层让机器人真的像人一样工作。你想让它变成人，还得用AI的方法。“还是回到那句话：“AI的魔力在于能够代替人总结规律。”

10. 十年自动驾驶复盘：2018年的架构和2008年没区别

• 入职Waymo前他把DARPA Challenge以来的paper"大部分看了一遍”，入职后最爱读Waymo的codebase含历史版本。核心发现：“一八年的自动驾驶技术架构和零八年没区别——感知、定位、离线建图、规控，大pipeline零八年的paper里已经说清楚了”，只是模块内逐渐换成了神经网络（激光雷达从点云聚类变成网络推理）。
• 但这套架构的底层逻辑是Robotics而非AI：“Robotics做系统拆分、关注corner case，所以要拆成可解释的模块去解case。AI的方法论是数据驱动、端到端——不擅长解一两个具体case，擅长把benchmark从80干到90再到95，不排除部分case变差。“同期Waymo的感知有"真的是几十个模型”：detection、tracking、各类classifier、scene understanding层层叠加；而特斯拉从2018-2020开始AI native地重新设计，一个模型统一感知——“演化到今天的BEV、端到端、VLA，这一套已经成了主流”。

11. Waymo的病灶：不是大公司病，是"没有founder”

• 他入职时Waymo约1000人、离开时近2000，“还没做出价值就过早进入大公司状态”，职级、工程体系、文化全对齐Google。但他强调大公司病只是表象：“本质是Waymo没有founder——它的founder是Google的founder，又没时间管，自上而下的力量缺失。不像特斯拉，马斯克说干啥，哪怕是错的也能开始干。”
• 这句是他组织观的原点：“这种行业里创业，错不怕，有错快速迭代快速调整都OK；怕的是力量不集中、不统一。“如果Waymo有强势founder该做什么？“2018年就该另起一个team，用一套infra、一套评测体系，AI native地重新设计整个架构——这跟是不是车企没关系。”

12. 四种商业模式与Waymo/Tesla之辨：差别只在对待AI的态度

• 他给自动驾驶分四种商业模式：Waymo式robotaxi自营车队按单收费；车企卖车+软件订阅；Momenta式供应商NRE+License；华为算第四种——“本质赚整车利润，用顶级智驾+座舱体验重新定义车，叠加品牌渠道”。
• 对Waymo他先纠正主持人的"科学驱动"标签：“Waymo的工程基因和特斯拉一样强，来自Google，我的工程师训练就是在那完成的。两者的区别在对待AI的态度，以及面向AI重新设计系统的调整速度和力度。“去年11月他专程去LA体验：“比大部分Uber要好得多，商业模式已经接近走通的边缘——它是一个AI时代的Uber。“对Waymo的敬意也保留了：“长期战略一旦选择，执行很坚定，里边还是有对的人，只是调整速度慢了一些。”

13. VectorNet：第一次与赵航合作，以及读codebase的癖好

• 在Waymo做预测时的创新：此前用CNN处理渲染成图片的地图，“卷积是局部视野，地图很长，信息处理不好”；他们改用向量表达地图+图神经网络，算子用轻量self-attention（参考Transformer但架构很轻，“给我们的算力也很小”），效果很好——这就是VectorNet，后来被很多公司采用，“我比较满意的工作”。
• 赵航记得的细节：设计方案时赵航想读paper，高说"周末我把我们的代码全看一遍就知道了”。高自述：“我不仅喜欢看现在的代码，喜欢从过去看到现在——你能看到一个工程体系的迭代，这里边有逻辑的。“两人的互补他说得很准：“赵航更愿意从原理层面想清楚，我更从问题的角度看最有效的解法——一个供给侧思考，一个需求侧思考。“赵航"情绪超稳定”，而自己"不及预期时会强力push”。

14. 工程师思维=拆解+测量；离开Waymo的两个决定

• Waymo两年他自评"学到的比贡献的多”：一是物理世界AI系统端云怎么work及历史沿革；二是工程师思维定型——“拆解加测量：复杂问题拆成子问题再拆解，拆到最后是一行行代码；测量到最后是一个个单元测试，再一层层看回顶层指标。“与物理竞赛的差别：“竞赛是解题游戏，不是系统化工程，但两者都把逻辑思维练到很高。”
• 2020下半年他判断"在这边的成长效率收敛了”，且意识到"我离产品太远、离公司怎么经营太远”。于是两个决定：做量产不做robotaxi（“太慢”）、回国、去自动驾驶/AI能力更强的地方。候选是华为（聊了陈一伦、苏青）与Momenta；没去蔚小理，“小鹏已经做得还行了，我是喜欢去不行的地方，然后把一个东西做好的”。他对产品的定义也不设to C门槛：“直接给某些用户创造价值、让他用起来，to B也是产品。”

15. 选Momenta：组织必须有人能纠错；量产飞轮的推导

• 选M的理由：“没大公司病，够强势。一个组织要成功，可以犯错，但得有一个人说我们错了、然后我们改——不能没有人站出来纠错。“曹旭东"懂技术、AI的信仰者、长期目标坚定”。
• 他把M的量产路线还原成一条数据推导：“AI一定需要数据。自己养车队，一千台车已经很多，覆盖一个城市都困难，而自动驾驶要解决的是哪都能开。那就很自然推导到量产车——把软件装上量产车，先提供辅助驾驶、泊车的价值，形成数据和商业价值的循环，数据获取就变成商业驱动的行为。“在2018年提出这一点，“大家还在讲直接搞robotaxi的年代，很有vision，很有魄力，而且一直坚定”。

16. 做鲶鱼：轮岗多个模块，练出可迁移的能力

• 被问"你是当时引入的一条鲶鱼吗”——“我应该算是吧。“2020年底入职正逢M拿下上汽智己首个量产定点，他被"灵活使用”：感知→定位与泊车→其他工作→规控（把规控和定位从rule base改成deep learning）→最后做高速高架NV量产交付上汽。
• 这段最重要的收获不是解决了哪个模块：“而是我可以很快速进入一个不熟悉的领域，用一套固定方法论理解、拆解，然后人事匹配——匹配不是第一天就对的，要监控、测量，反馈好扩大、不好收缩再调整。“面对挑战他"压倒性的是兴奋”，来源明确：“如果我连这事都做不好，我创业不可能做得好。”

17. 两个第一次：不打仗，没法洗礼组织

• M当时面对"两个第一次"叠加：第一次把demo级的东西变成产品级，第一次向B端大客户交付完成服务。组织必然不ready——“架构不是面向量产设计的，同学的能力也没匹配到那种强度”，于是频繁调整、主动被动淘汰、人员流动很大。
• 他的定性毫不含糊：“这都是好事。你不通过打仗这样的形式，是没法洗礼锻炼这个团队的。“更早之前少卿（口称"绍卿/绍兴”）、王凡离开的那次调整，在他理解里"就是旭东在改变公司文化——从research lab转向真正做产品的公司，组织不变连定点都拿不到”。

18. 天堂与战场：Waymo与Momenta的两面

• Waymo是"工程师的天堂”：最好的infra、最好的同事、宽厚温暖的领导，“目标有，但不是迫使的”，四五点下班接孩子的也有——而他自己"自动加班，正常工作做完就看Google所有的doc加codebase”。
• M则是"绝对结果导向，结果好往上走，不好就调整，压力是随时的”；总监以上都直接面对客户，国内车企文化tough，“说骂就骂了。你被骂过没？——那就是很平常的，我不是很在意，骂就骂了”，“你做不好我们马上淘汰你"“你把旭东叫来解释"这类话都有。他的结论有两层：“单纯从工程师自我感受说，M和中国智驾环境都不是好的；但从成长性说，中国智驾环境对工程师综合能力的训练更好——它让你看到这个世界真实的状态。我比较喜欢面对真实，哪怕真相是残酷的。”

19. 曹旭东的两面：把真相说出来，压力大到一定程度会成伤害

• 对旭东的最高评价给了战略：“旭东最强的点一直没变，是战略能力——那么早判断要做量产，过程有波折也不动摇，这是M从这么多自动驾驶企业里脱颖而出的最核心能力。“对比地平线凯哥：“都是战略超强、执行超强，芯片是三年前的决定，晚一年都没有今天。”
• 另一面他也直说：“旭东比较push、比较aggressive——其实不是aggressive，是把真相说出来，用非常直接的方式表达，这种压力大到一定程度就会成伤害，很多同事因此离开，后来他会选择性地不把这一面展现给更多人了。“你是这种风格吗？“我是有这一面的。”

20. 放弃约一千万美金：无论如何都留不住

• 从M出来创业他放弃全部期权，“当时那个时间点一千万美金可能是有的，现在这个时间点可能更多”。心疼吗？“一点都没有。我最care的还是我想去做的那件事，跟它比其他东西价值不大。钱这个东西日常我也花不了多少。”
• M能留住他吗？“finally是留不住的，无论如何都不行，因为这是我人生的使命。“至于M留不住其他人，他先揽责再开脱：“在真正顶级人才的保有和持续培养上可以做得更好；但也不怪旭东——这个行业就是这样，核心算法团队到十二点、一周六天打底，拼是为所有人负责的一种选择。M的加班强度到今天都比我们（具身智能）更厉害。”

21. 2022年底的三个信号：该开搞了

• 时机判断三要素齐备：一是GPT-3与InstructGPT——“让世界再一次相信AI了。只有我们做AI的相信不重要，得有更多人相信，资金才会进来”；二是量产智驾把端侧智能变得可能——“机器人用的端侧算力和传感器，跟智驾这套大差不差”；三是特斯拉正式宣布做人形机器人。
• 2022年12月他正好30岁（射手座），“这一系列事交织在一块，我就想好肯定要开始干了”。但他还是把手上的事收尾：2023年三四月NV量产交付上汽、把国内所有带NV功能的车试驾一遍确认"做得还可以”，5月才提离职——有始有终本身也是他的方法论。

22. Momenta教会他的底层一课：什么叫以客户为中心

• 回国两年最大的变化：“我学会了什么叫以客户为中心——不是生硬地客户说做什么就做什么，而是真的站在客户角度看需求，甚至帮他挖掘需求、提出更好的方案。也不只是对外的：公司内所有上游面对下游都是以客户为中心，支持团队面向业务团队、平台团队面向交付团队。”
• 对立面点名点得很狠：“与它相对的，是以自我成长为中心、以所谓技术领先性为中心——至少在做一家企业来讲，这些都是错误的。“这句话是理解后面许华哲一节的钥匙。

23. 创业起步：不堪入目的BP与很快被否掉的配送

• 离职后先去西藏自驾，8月开始整BP融资——“现在回看当年的BP简直不堪入目”。但两件事从一开始就想清楚了：做具身智能必须整机加智能，不能只做智能（长期壁垒在物理世界数据闭环）；不做纯科研，要落地产生价值。
• 最早的方向是末端配送机器人（自动驾驶复制到配送+一点操作能力），“很快就否定了”——2024年二三月他自己复盘：“这玩意儿不能玩了，太早了，整机不成熟、供应链没有、智能不ready、客户不成熟、市场不在，没法搞。“于是切到轮式双臂聚焦操作、切入开发者市场，“当时没有今天说的这么清楚，也有点运气成分，做对了”。

24. 天使轮往事：三千万、两亿估值、朱老板退出

• 首轮共3000万人民币，估值约2亿人民币：IDG领投（同学李一康引荐，推到邵辉，再见肖军），百度风投跟投，金沙江投得最少（经手人是后来去Kimi的雨桐学姐，其退出后"朱老板就退了，投得也不多，退就退了，我也比较无所谓”）。IDG投完还补了一句：“你们想做的这个事应该不work，再琢磨琢磨——这就是天使，他接受你的错误和不完美。”
• 对比今天"随便讲一讲两亿美金起步”，他拒绝"便宜了"的说法：“那时候天使和VC的环境比今天冷得多，2023年机器人还不是共识，‘具身智能’这词大家还不清楚是什么意思——人家敢出手，我已经特别感谢。“紧接着清华电子系汪老师基金+姚颂做了近2000万加轮，投后三四亿。

25. 为什么第一件事是整机：不做整机，算法是空中楼阁

• 主持人的追问很本质：你们是自动驾驶AI团队，为什么第一件事是最陌生的整机？他的回答是双重倒推：“长期壁垒建立在物理世界数据闭环之上，我必须有数据的载体；中短期我们的商品大概率不是一个算法、不是所谓大脑，而是整机加智能形成的物理实体。两件事都倒推回来：必须把整机和供应链做好。”
• 2024年很多投资人问同样的问题，他的回答不变：“如果直接去做算法，这些算法都是空中楼阁，没法变成产品价值、商业价值。“起步再难也要开始：“不怕慢就怕站，日拱一卒。”

26. 具身vs汽车：幸与不幸是同一枚硬币

• 自动驾驶的幸与不幸：汽车业已存在一百年，“幸运是客户和商业化路径极其明确——全球二十来个车企；不幸也在这，隔了一道车企，数据闭环不通畅，你对车没有把控力，交付给客户的体验可能打折扣”。
• 具身智能矛盾对偶：“不幸是没载体，你得自己做载体，克服不舒适去学去搞；幸运也在这——当你把这一步真正做完，下游千行万业都可以做，是更广阔的市场。相当于汽车产业退回一百多年前，且还有智能技术，两件事得同时做。“所以星海图的组织天然双轨：人才密度型的智能团队+流程体系型的整机供应链团队。

27. 起点极低：淘宝以图搜图找供应商，与97年的天才杨泽义

• 补课的窘态如实保留：买别人的产品回来拆，“第一次看到关节模组”；拆出一个不认识的零件，拍照淘宝以图搜图找到供应商；连怎么拆都不会，后来的结构负责人来看"觉得我们太可怜了”，送了一个装着改锥锤子镊子的工具箱。
• 转折是五源一位投资人（五源没投）介绍的杨泽义——97年、南科大、自己创业做机器人教培。“聊到泽一我感觉，第一次有人给我讲明白了整机系统是怎么回事，很有框架性、很有洞察力。在陌生领域有这种感觉，大概率是对的。“聊了几次、去深圳两趟，2024年1月入伙，成为机电首席工程师——“后边我们所有产品大的框架设计都是他把关的，动手能力非常强，就是天才”。股份"基本按原始股的百分点去给”。

28. 合伙人机制：中等六边形+更大面积六边形

• 他的组队理论：“我要求我自己做一个中等面积六边形，我希望合伙人团队做更大面积，组成一个更大面积的六边形，团队就会很强、很均衡地强。”
• 机制是持续开放的：“从我、天威、赵航三人创办之后就一直有——泽一、华哲、商业化负责人于磊、几个月前加入的CFO天琪，都是这样进来的。我比较舍得分。如果希望公司五年翻十倍二十倍，那每一个阶段都是创业，底层就需要这个机制持续吸纳好的人。这是我们能从一堆公司里稍稍脱颖而出的原因之一。”

29. 构型：不是折中方案，是"智能定义本体”

• 对"轮式+双臂是折中"的说法他直接反对：“我不会把它称为折中方案。我们的理念是智能定义本体——从智能的需求出发看本体怎么做。切入点是操作，双臂是重点；双足反而给智能演进带来困难，双足运控+双臂操作同时解决（loco-manipulation）这个问题到今天也没解决，而很多真实场景不需要过坎，轮式够了。"（主持人补的"数据定义本体”，他部分接受：“智能是目的，数据是手段。"）
• 2024年3月左右定下轮式+躯干，做出R1，发现学术界确实有需求——由此进入他所谓的"开发者市场”。

30. 开发者市场不是高校市场，是《跨越鸿沟》的必经之路

• 商业战略一句话：“从开发者市场走向生产力市场”，对应科技产品从innovator到early majority的规律。他给了两个例子：Macintosh从极客到设计师到文员；拓竹3D打印机从少数极客玩具到企业必备再到家庭购买甚至打印工厂。“宇树其实就是这个模式——高校、二开公司，逐渐走向娱乐市场。这里边是有背后规律的。”
• 开发者市场本身分层的金字塔：塔尖是学术型开发者（李飞飞、美国顶级大学的PhD们）；其次企业内研究型开发者（Physical Intelligence，以及"我们帮蚂蚁做的灵波TBLA"这类）；再往下生产力型开发者（面向落地二开）；未来产品更成熟后，集成商会成为新的开发者，最后才是终端用户。

31. 整机的learning：AI拼人才密度，整机拼流程严密性

• 相同点：“本质还是工程化问题，一样的方法论——拆解、测量，把复杂问题拆成子问题，做好组织。”
• 不同点是全片少有的制造业干货：“AI强调人才密度、ten x engineer；机电整机强调整个研发流程的严密性——构型设计错了后边全错，然后结构、线束、嵌入式、整机软件平台，EVT验证功能，过程中发现线束磨损、结构强度不够、某供应商来料质量总有问题，用严密流程排除，走到DVT做一致性、老化测试，再到生产。做机器人、做消费电子，这套都是类似的。”

32. 分年主线：主要矛盾是动态变化的

• 他先认同主持人"具身智能竞争是六边形"的判断，并给出与大模型的对照：“语言模型的竞争主要发生在模型本身——数据九成是外部的、渠道终端是现成的；具身智能的价值链条里，供应链几乎没有、数据是荒漠、算法work不work不确定、渠道全在线下、终端就是机器人本身——算法和模型只是一小部分，大量东西全是空缺，还叠加持续获取政府与资本资源的能力。”
• 于是节奏是步步为营：“2024融资+整机供应链；2025融资+数据和智能体系（8月做了全国第一个公司层面的开源：自采500小时高质量遥操作数据+G0基础模型，同年150多个客户）；2026融资不停，业务重心来到场景和应用。“数据和智能满意吗？“不可能满意，但框架搭起来了，赵航带智能团队氛围很好、结果不错，我花的时间就可以少一些。”

33. 真实数据的成本账：一小时200-250元，十万小时2500万

• 为什么坚持真实数据？底层原理是domain gap：“要解决的问题在哪个domain，训练数据最好也在那个domain。domain transfer曾是热门topic，后来大家不做了——还是用那个domain里的数据解决问题更有效。自动驾驶里99.9%的问题是路测数据解决的；graphics based仿真的sim-to-real gap我们认为还是很大。”
• 算账环节他反客为主让主持人盲猜一小时真实数据成本（答一千元），然后给出实测数：“采一小时投入3-4小时人工，加整机折旧——按10万元、保守1000小时寿命（最终寿命限制在齿轮，崩齿或精度下降），折旧每小时100元——全成本200到250元。一万小时250万，十万小时2500万——一个人从出生到18岁和物理世界交互的总时长就是十万小时量级。“对王赫"一万台采集机器人要十个亿"的算法他直接拆招：“为什么要买一万台？这问题没回答。我关注的是每小时成本，先定计量单位。“另一笔账同样关键：“数据获取成本与训练成本约1:5到1:10——数据质量低，等于把钱浪费在训练那一步。”

34. 数据金字塔谁说非得长那样：data recipe是试出来的

• 对"金字塔尖真实数据+底层仿真与第一视角数据"的流行说法，他的反驳保留原味：“数据金字塔的定义应当来自智能的需求。金字塔是对的，但谁说的非得长成这样、非得是这么个比例？没人说。”
• 他列全了数据类型：robot centric（真机遥操作）；human centric（乌米、外骨骼、采集手套夹爪、POV头戴视角）；第三视角互联网视频；仿真（又分graphics based与真正世界模型生成）。配比是行业最大秘密：“这叫data recipe，大语言模型公司今天最大的秘密就在这。是一万小时真机遥操作、五万小时乌米、还是二十万小时POV？这事得试出来——AI归根结底还是实验科学。“星海图要保证的是"各类数据的获取上都畅通无阻”，此刻在训的recipe"坦率说我也不是特别清楚，大体是真机遥操+乌米+POV的混合”。

35. 反驳阴谋论，以及真实数据怎么scale

• 主持人转述一种诛心的说法：bet真实数据是因为商业模式要卖机器人给实验室采数据。他断然否认：“绝对不是。具身智能是完完全全技术驱动的创业——技术的改变带来产品的改变，带来商业模式的改变。不是因为商业模式定了所以技术定了，这逻辑是错的。”
• 真实数据scalable的两个要素：“第一，一定要进入真实场景，不应该在所谓的素材场里采——我们去年开始做、应该是全国第一个真实场景数据采集；第二，用众包的方式把采集设备分发出去，政府支持+我们投入+好的商业模式支撑，今年会做实践。“这也是他紧盯北美的原因：“我觉得北美比国内更早进入无本体的数据采集——UMI、采集手套夹爪这个方向很重要。”

36. 供给三指标：速度、精度、泛化性，用它筛需求

• 供给侧顶层指标：“速度——基于模仿学习大概率超不过人，八九成人类速度就不错；精度——先解决厘米级，毫米级是下一步；泛化性——多少条新增数据解决一个新问题，看边际成本。抓取我们已做到零样本泛化（万物抓取）；叠衣服（fold）毛巾T恤衬衫可以，其他衣服还要重新学。”
• 需求侧的筛子由此而来：速度要求不能太高；AI还会犯错，失效成本不能高，不能一错就是无法挽回的损失；好场景要有爆发力（“做完一个很快到一万台”）——必须是全球化市场（“只在欠发达地区有的不是第一步的好市场，欧美付费能力高”），且全球场景要类似统一（“不同国家的酒店、零售长得不一样，商业服务很多不符合”）。

37. 五类动作与bin picking：传统方案为什么失效

• 动作大类五个：carry搬、pick拿、pack包、fold叠、operate操作设备。“现实中很多劳动者岗位就是这五类的组合，且每个岗位涉及的动作组合就二三十、四十个，不会有人一天做几百种动作。”
• 具体场景首推仓储物流的bin picking：“上万个SKU一盒放一类，人拿着订单去哪捡去哪捡——数量太多，传统物流方案没法有效解决。“以及智能制造的厂内物流（车厂SPS集中分装：AGV转一圈、每三五个货架一个人取件上车）。对"十年前机器人公司也能做"的质疑，他答两层：“Kiva、夹抱式机器人解决的是另一大类；SKU特别多、订单从中挑几个，传统方案无解——协作臂能码垛，但解决不了泛化性。第二，这不是定制：问题归结为pick anything, place to somewhere，从AI范式看是高度统一的问题——今天你来办公室，兜里随便掏个口罩、耳机、口香糖，它都能准确抓起来，这是真实数据驱动的VLA解决的。”

38. 双系统VLM+VLA：不是学术偏好，是端侧算力的现实

• 架构定义先正名：“大脑这词模糊，回到基础模型：一个是动作基础模型VLA，输入vision和language、产生action；一个是做指令拆解与逻辑思考的多模态语言模型VLM。双系统就是这两个的组合。”
• 为什么不做单一端到端？理由全是落地约束：“几十B甚至上百B的推理模型不可能放端侧，放云上则延时解决不好——执行动作的模型一定在端侧。而且很多工商业场景就二三十个动作，直接调VLA的语言接口就够了；真正需要VLM的是家庭这类更通用、更泛化的场景。还是围绕真正产生商业价值去考虑。“肢体和脑子哪个重要？“一定是模型更重要，但为了做好模型，整机一定也要好——这是它们的逻辑关系。”

39. 第一梯队的底气：开源与demo的四个阶段

• “你们是第一梯队吗？““如果看国内，我觉得我们是——从真实的智能水平，我们肯定是。“证据链：2025年8月全国公司层面第一个开源（500小时自采数据+G0基础模型），“后来友商九月、十二月、今年一月陆续跟进”；今年1月发布开箱即用的G5 Plus（口中亦称"G五Plus”）与整机R E Lite整合，“国内首创”。
• 他给行业发明了一把尺子：“demo in the video→demo in the office→demo in the wild→application。我们的万物抓取是demo in the wild——在新加坡、韩国、美国客户那边、投资人年会现场都部署过，观众兜里掏出来的东西都能解决。demo in the wild解决了之后才是application。”

40. 大厂的真正威胁是业务协同——而具身智能没有；数据悖论与特斯拉路线

• 他把问题反转：“应该问大公司相比我们有什么优势。“框架：做好VLA需要数据（真实世界操作数据，非互联网数据）、算法（一部分承接Transformer/Diffusion是大家都有的，尚待创新的部分是大家都没有的）、算力/资金、人才。“大厂基础设施算力人才都好，最缺的是数据——美国公司跟谭杰（Google DeepMind）交流，就是很着急，没数据。搞数据这件事，中国公司系统性比美国公司有优势，中国创业公司因为整机亲力亲为，比大厂速度更快。“买数据的悖论是关键一击：“你不懂模型，就没法定义好的数据体系，采完全是垃圾数据。必须由懂基础模型的公司定义数据体系和治理体系，再交给运营团队采集验收——供应商优质的前提是他自己懂模型，矛盾就来了。”
• 大厂论的另一半：“大厂做新业务最大的优势不是人才资金，是已经存在的业务协同——字节做语言模型有飞书抖音流量，车厂自研智驾直接掌握数据和用户。具身智能没有这件事：需求侧千行万业谈不上协同，供给侧全是新供给——汽车零部件一个也用不到机器人上，道路数据对操作用处也不大。剩下的就是人才组织和资金资源的竞争，大家各有优势。“至于路线：“整车+数据采集+端到端智能，如果这条路选了，那我们是（特斯拉路线）。不同的是——汽车本身能卖出去，机器人本身卖不出去，这个是挑战。”

41. 许华哲的离开：实事求是的战功文化

• 他先给足肯定：“华哲是非常有影响力的科学家，很多前沿问题理解很到位。“对"research文化vs量产文化的价值观分歧"的定性，他先修正主持人用词：“不是量产文化，是为客户创造价值这件事到底有多重要——不把客户第一作为公司存在最重要原因的文化缺失，会导致很多问题。不然技术出身的创业团队很容易变成大型实验室、大型研究院，那就背离了做公司的初衷。“再淡化分歧：“谈不上特别多的分歧，是务实创新、build客户价值一步一步来，和更多做超前创新之间要有balance。”
• 事实经过：去年8月内部已settle down——赵航统一管理基础模型团队（“也正是之后我们取得很多进展，今年1月的开箱即用是赵航带队拿出的结果”），赵航带领华哲探索to C家庭应用的可能性；最终决定支持华哲创业，星海图会投资其第一轮。“这在当下对大家都是更好的选择。“取舍难吗？“任何时候都不容易。”

42. 与少卿离开Momenta类比？以及"算法不重要"的反驳

• 主持人的对照题很尖锐：华哲离开星海图之于你，和少卿离开Momenta之于曹旭东，一样吗？他不替旭东作答，只给自己的判断：“对星海图来说，长期来看这绝对是利好的一件事。价值观的底层是两个问题：面对取舍时选什么不选什么；面对利益分配时分给谁不分给谁。在这些问题上我们绝对坚持价值观和长期战略，不会被短期的利益让步。”
• “华哲主要做算法，是不是意味着现阶段算法创新不重要？““不是。我们公司算法创新能力非常强，赵航有目共睹。但算法的创新不能独立于整个公司的基础设施去存在——要看整个价值链条。”

43. 传播周期论：算法两三个月就被学会，壁垒在哪一目了然

• 全片最可交易的框架，用"传播周期”（友商完全学会你的东西需要多久）衡量各要素壁垒：“整机和供应链12-18个月（一个新品研发就这么长）；客户渠道6个月起步，大客户更长；数据体系在整机之上再加6-12个月；而对第一梯队有好工程师团队的公司，算法的传播周期是2-3个月——现在都讲开源，论文都有。“主持人接得准：“它投入大但壁垒小。““对，创新上投入非常大，但防止被抄袭的壁垒很小。”
• 那创业公司只要follow大厂就好？他不接受这个引申：“要学会用更聪明、更有ROI的方式做创新。我们的价值观叫务实创新——不是不创新，前面先要务实。理想主义是对的，我也是理想主义的人，但理想主义不能变成空想，实现的基础是每天都要算ROI：一件事对长期战略的价值贡献加短期收益贡献，就是总体return。”

44. 技术vision：像培训一个员工一样培训机器人

• 被主持人逼问"听起来都很现实，你的技术vision是什么”，他给出每次融资PPT第一页的那句话：“让培训机器人像培训一个员工一样——通过几次示范、再通过几次自我演练，机器人就可以在那个场景里稳定自主地完成任务。”
• 支撑这个体验的产品组合是三件套：“基础模型+后训练工具+整机”，让客户用机器人员工像用人类员工一样。而"星海图带来的不同"他答得克制：已服务150多个全球开发者客户在用整机、数据与模型产品；“今年往后，希望产品进入真正的使用者、进入生产力场景，提升生产力、带来幸福感。”

45. 机器人不浪漫，公司最接近的动物是狼

• 回到开场命题，他的回答是结构性的：“很有可能是机器人这件事本身就不浪漫。链条非常长、周期很长——做大语言模型或AI应用，不用操心供应链、不用操心数据、不用跟线下客户打交道，安心做模型加社媒病毒传播就好，天然有浪漫的可能性；我们天然的就要去土里边做很多东西，没法浪漫，就要务实。这个行业不允许这样的人存在，如果有，可能会有很大的suffer。这件事会把人塑造到不一样的状态——既要有理想主义，又要每天很务实地算收益和付出、平衡好很多方关系的状态。”
• 动物类比他挣扎了一下才落在狼：“可能是狼，但又不准确——现在具身智能前面的这些公司都非常狼性，没有哪个公司不狼性。“狼性时刻：G0 Plus发布前，赵航带的智能团队加整机团队配合，“连续工作了大概一个月，周末不休息。这种一定要达成目标的韧劲，我是很感动的，也很自豪”。

46. 画饼、百亿估值与组织的真问题

• 怎么识别机器人公司在画饼？“无法在一个瞬间识别，要拿他一两年前说的、这一年做的、一年后做到的去对比。“你们画饼吗？答得坦荡：“必要的画饼肯定是要做的——这个世界是靠相信去驱动的，员工、投资人、供应商、客户相信我们能做到。如果把描述未来定义成画饼，那我们天天画饼；但我们要非常非常努力地把每一个对未来的描述都变成现实，那就不是那个意义上的画饼。”
• 本轮融资已close：天琪主导（“他融资能力比我强多了，我现在主要是画皮”），过程有波折——“跟华哲的这些问题肯定造成一些理解不理解，需要解释，但客观结果非常好”：吉利、北汽等产业方，大PE与crossover（口称"正新股、金鼎"等），六家老股东pro rata，三到四家super（凯辉、基石资本、香河等）。估值100亿人民币，较2024年1月约3亿涨约30倍。组织问题他归因精确：“不是因为估值上涨，是组织本身变复杂变庞大了——除非创始人因估值自我膨胀，那会引发很本质的问题，我们没有，今天比两年前清醒得多。“团队从十几人到200多人扩大约20倍，“每三到五个月做局部调整”；两个真挑战：已有同学（包括我）能不能跟上难度和scope的急速扩张、能不能及时引进更牛的人；以及整机供应链（流程纪律）与智能（人才密度、创新）两个domain天然的组织张力——“不敢说调和得很好；华哲离职跟这个关系倒不大，我们智能团队今天很强很好。“方法论：“对人正直诚信，精益经营，该省的省该花的花。“他还说账上有二十亿、几十亿资金，需要花好、管好。

47. 向同行学习：宇树的供应链、PI的智能、智源的经营

• 点名三家：“一直学习宇树做整机和供应链——深入垂直整合，自己设计齿轮、壳体、电磁仿真、电机；PI（Physical Intelligence）是整个行业在智能领域的领头羊，毫无疑问，人才密度资金密度保证他们能持续做，但我觉得我们比他做得更有效率；智源我不评论存在争议的做法，我看到一个成熟管理团队的经营动作——连知识产权都做得特别好，组织好、实事求是、调整快，我比较respect初然，很早跟邓总聊过一次，那时就是很成熟的企业家状态。”
• 创业老师？“还真没有一个——能学的我就学，没那个运气遇到一个能教方方面面的老师。”

48. 快问快答：期待的正反馈还没来

• 最大的正反馈？“我期待的那个正反馈还没有来临”——指出货量。“融资对我没啥正反馈，每次融资成功我感受到的都是肩上的责任：二十亿、几十亿在账上要花好管好，同学要有好前程，客户给的机会不能辜负。“负反馈也没多少：“我很早就形成了一种状态，不特别在意别人对我的评价——假设我内心认为我们是正确的、实事求是的，大家不理解、不认可、甚至瞧不上，我都OK。so far没有因为负反馈动摇过。“产品被骂怎么办？“第一时间去客户现场，我是第一责任人，通过一个问题解决一类问题，身先士卒给团队做表率，也要求我的合伙人们这样做。”
• 收尾的杂拌保留几味：人生bet——“创业做具身智能就是我人生的bet，我这一辈子就干这件事；当下最重要的事是生产力场景做出万台出货量”；推荐吕思勉讲三国的书——“真实的历史有它的逻辑性，没有哪个人是草包，也没有绝对意义上的理想主义英雄，都是在现实中挣扎、取舍、步步为营；好在今天不是你死我活，每个公司都可以很好”；印象最深的播客是李一帆那期——“看到今天这么成功的公司早期也是一点一点做过来的”；行业内部人才知道的秘密：“视频呈现出的机器人状态比现实当中要好得多，大家要给它更多耐心，但这件事会发生。”