10万块买的AI手，10天就坏了：机器人行业爆发前，先得把账算明白
机器人行业今天最稀缺的未必是智能，更可能是一本算得过来的账。
先讲一个事实。
今天你在市场上花 10 万块钱买一只高自由度灵巧手，它可能 10 天就坏了。运气好一点，一个月、三个月，已经算长寿。而且坏了以后不是拧颗螺丝就能修，可能整根手指都得拆掉重装，最后维修费比直接换只新的还贵。
这是灵巧智能的张龙在一场圆桌论坛上说的。他打了个比方：
"现在的灵巧手，像一只阿尔茨海默症患者的手。"
就是手本身没问题，主要是脑子还没清醒。无论是 VLA 还是 World Model，整个行业都在等模型突破的那一刻，但至少现在，那一刻还没来。
这场圆桌聊的是"场景分化"，到场的四位分别是非夕科技的胡晓平、灵巧智能的张龙、前来牟科技的李矩凡、合创生物的窦浩桐，赛道从工业臂、灵巧手、庭院机器人一路跨到生物实验室，而且他们全在算账。
找刚需怎么算账，样板间怎么算账，量产交付怎么算账，非标怎么压缩成标准品。说白了，机器人行业今天最稀缺的未必是智能，更可能是一本算得过来的账。
找刚需：先替代最贵的人，而不是最多的人
提到机器人商业化，很多人的第一反应是找高频低价的场景：上下料、分拣、搬运，靠量大把成本摊薄。
而张龙的判断是，现阶段真正能跑通商业化的场景，未必是拿机器人去跟最底层的人工成本硬碰硬，反而应该先去找高价值的人。
比如高等级生物实验室。能进这种实验室的，至少是博士、博士后，年薪 100 万、200 万。
他进一次无菌环境，穿防护服就要半小时到一小时，进去工作一会儿，想上个厕所，得出来重新脱、重新穿。即便做了喷淋，依然存在污染实验环境的风险。更别提那些有辐射、有感染风险的高危环境。
这时候你把账摆开：一边是年薪一两百万、每天有效工时有限的博士后，一边是 20 万上下、可以 7×24 小时连轴转的机械臂。
哪怕这台机械臂每天只是进去取试管、滴溶剂、再放回冰箱，这笔账依然是划算的。
"场景的价值，不取决于那个动作有多复杂，而取决于它背后的安全成本和高价值人力成本。"
非夕科技的胡晓平从另一个角度补了一刀。机器人行业有个挺残酷的悖论：很多人觉得毫无难度的事，比如包装一个纸盒子，机器人做起来极难；反过来，让机器人沿一条精准轨迹走 1 米，人觉得难，工业机器人觉得毫无压力。两者的能力结构完全错位。
所以非夕押注的方向是仿人化的力控，让机器人自己适应环境和误差的变化。
落了地的场景在哪？不是光鲜的 3C 工厂，是食品加工。切肉、处理鸡肉、鱼肉，形态不一样、材质不一样、温度不一样，过去自动化一直啃不动。
但现在这个领域招不到人了：工人年龄越来越大，年轻人宁愿去送外卖，也不愿意待在低温阴冷的车间里干高度重复的活。
胡晓平举了个例子：如果你从上海坐东航的飞机，餐盒里的一部分飞机餐，可能就是非夕的机器人参与配出来的。
前来牟科技的李矩凡做的是 To C 的庭院机器人，他的开场白很坦诚：我们这个品类，科技含量比刚才两位低，AI 用得也少。
但恰恰是这类"AI 1.0 时代"的产品，最早跑出了商业化。割草机器人全球零售市场已经超过 10 亿美元，北美泳池清洁机器人两年前渗透率就过了 20%。
为什么先跑出来的是这两个品类？李矩凡抛了一个问题：你买了扫地机器人之后，家里还有扫把吗？还有拖把吗？
肯定有。所以扫地机器人替代的不是工具，它替代的是用户的时间。
草坪上能干的活有一串：割草、修边、扫落叶、浇水、施肥、除虫、拔野草。哪个先机器人化？
李矩凡的筛选框架就四条：频次够不够高，痛点够不够痛，现有技术能不能解决，成本用户接不接受。
割草每周一次，痛点看人。有人觉得割草很治愈，也有人十年没买过任何割草设备、花钱请人也要躲。
泳池清洁更狠：先搅一遍、再铲池壁、再拿手工 vacuum 一点点吸，基本没人喜欢干，也是每周一次。
反过来，拔野草用户调研里人人喊痛，但今天的视觉加机械操作，还真做不到看见一根野草就精准拔出来。痛点再痛，技术够不着，也只能等着。
三个赛道，同一个结论：刚需不是找出来的热闹，是算出来的交集。
算账：ROI 只是第一关，后面全是 Dirty Work
找到刚需，接下来是更难的一关：让样板间变成真订单。
胡晓平先要面对的是一个卷到没边的市场。国内的协作机器人，今天卖两三万，明天两万，后天可能一万以内。非夕的自适应机器人研发投入高、价格更贵，客户一张嘴就是：你为什么这么贵？
他的解法有两个。
一是先啃头部客户，汽车、3C 领域的蔚小理和特斯拉，标杆立住了，后面的人才会跟。
二是不跟客户算"一台手臂多久回本"，而是算整体方案：一台柔性臂上去，可能替掉的是一整段流程，非标设备少了，产线柔性强了，维护成本降了。
最具说服力的证据反而是食品行业。食品加工企业利润率本来就薄，一个低毛利行业都愿意批量采购，说明这笔账是真的算得过来。
张龙那边，算账的逻辑又换了一层。他认为工业需求正在发生一个底层变化。
过去大规模生产解决的是"有没有"的问题——你有没有车开、有没有手机用。现在大家都有车了，问题变成了开什么车、买什么配置。
订单越来越碎，很多零部件一单只有两百个、三五百个，你不可能为 200 个产品重开一条产线。
这时候灵巧操作的账就不能只算"替掉几个人"。按张龙的说法，你应该算：因为有了这套东西，我多接了多少生意。一条产线能干原来五条产线的活，能接十种不同的订单，这个算法才成立。
但要把这个算法推广到全行业，张龙承认还早。具身行业现在是"三缺"。
缺数据，数据是具身智能最少也最贵的东西；缺跨本体协同，你家的手和我家的手各采各的数据，最后谁也用不了谁的；缺接口标准，各家硬件接口都不一样。
用他的话说，行业远远没到"Type-C 时刻"。
圆桌上李矩凡临场抛了一个问题：大语言模型最后跑出了 OpenAI 和 Anthropic，机器人行业会不会也长出一个横跨所有本体的基础模型？
张龙说他在百度待过，知道大模型是怎么拿钱堆出来的：从几千万烧到几个亿，再到几十个亿。具身基础模型的投入只会更多。
以今天具身创业公司的体量，一边要造硬件、一边要做主业，再拿几百亿去烧基础模型，大家一起烧，可能大家一起死。
他判断，最后做出世界模型的更可能还是今天的大模型公司。具身公司出数据、出场景、出机器人 know-how，在大厂的底座上做微调。
轮到 To C，李矩凡直接把话题拽回了地面。很多硬件创业公司第一步是众筹，但他说得很清楚：众筹是前置营销，是 PMF 验证，唯独不是商业化。
苹果、华为开个发布会，一周以后产品就开售，因为品牌本身就是流量。初创公司没有这个待遇，只能提前三个月半年把产品定义讲出去，从零开始慢慢把火烘起来。众筹金额再漂亮，也只是说明有人愿意为你的概念买单。
真正的鬼门关在量产。结构件、电子件、供应链全是新的，早期不良率超过 50% 他都见过。最怕的是什么？PPT 上规划出来的是个少女，量产出来变成大嫂，那就完了。
量产之后第一件事也不高大上：把售后顶上。技术支持、客服、知识库、FAQ，按到货时间倒推，提前建好。
他最后一次创业管整个大前端。产品刚交付那阵，社群里一出问题，人不够怎么办？全员做客服，直接排班，早上 8 点到晚上 12 点必须有人在。
Facebook Group 里一条有影响力的差评，三五十个赞，第二天就能砸掉你的转化率。因为早期用户池子就那么大。
他的原话糙但到位：
"众筹来的这几千个 Early Adopter 就是你的天使。服务好你的天使，会获得回报；服务不好，真的会遭报应。"
合创生物的窦浩桐负责把话题拉到了生命科学。他们公司在疫情期间拿过软银 2 亿美元的投资，现在跟英伟达合作做具身方向的事。
在他眼里，生物实验室里的机器跟割草机器人没什么本质区别，甚至算不上"完全 AI"。大量工作就是反复把液体从大管子吸到小管子。
和炒菜差不多：切碎、研磨、加热，加点"调料"，也就是生物试剂，最后上 PCR 仪。
他对通量有个特别生动的拆解。
你家周末来 10 个朋友，不需要两个厨师，你需要一口更大的锅。村里办流水席来 1000 个客人，你也不需要 1000 个厨师，你需要的是一个大厨、五到十个切菜小工，加几口大锅，用铁锹炒菜。
专用机器管通量，机械臂和机械手管人干不了或者人睡着了的活，AI 大脑管思考。三者不是一回事。
还有一个画面让在场的人印象很深：今天很多实验室里，机械臂会跑到仪器前面去"按按钮"。不是机械臂不够聪明，是机器太老了，只有按钮，没有 AI 接口，只能派个机械臂去替人按，就像手摇拖拉机一样。
而被问到通量、准确性、可追溯哪个最决定订单，窦浩桐的答案有点出人意料：可溯源。生命科学行业对科研诚信的执念，决定了实验过程的每一步都要能倒查。效率可以妥协，溯源不行。
从样板间到批量：四个人，四种压缩非标的办法
圆桌最后一个问题抛给了所有人：机器人产品多少都带非标属性，但批量交付不可能给每个客户重做一遍。从样板间到规模化订单，非标怎么被压缩掉？
四个人的答案放在一起看，特别有意思，因为完全不一样。
胡晓平的路数是往上游走：跨行业找一个共性的技术问题，用同一套核心技术去解。核心标准化了，剩下的交给外围设备和本地化适配。
张龙的路数是往下砍：有限空间里的有限智能。
一只手理论上能干 1000 件事，但一个具体工位上，你可能只需要它高频做好 10 件。剩下 990 个功能一年用两次，却要为之付出 10 倍、20 倍的成本。
在工业这种把 ROI 算到极致的场景里，这不合算。该削减就削减。
李矩凡总结得更直白：就是找最大公约数。To C 规模一起来，就是消费电子的老打法，像手机分价位段一样，把切割能力、爬坡能力这些核心能力标准化，再按草坪大小、坡度、购买力切成不同 SKU。
窦浩桐的办法最"数据驱动"：全球大概 1.5 万到 1.6 万家生物实验室在用他们的设备，其中不乏全球最顶尖的生命科学实验室。
海量真实使用数据积累下来，大家到底在拿设备做什么，一看便知。最大公约数从数据里反推出来。
找共性、做减法、切 SKU、挖数据。四条路通向同一个终点：标准化从来不是设计出来的，是从真实场景里长出来的。
写在最后
圆桌快结束时，窦浩桐回应了张龙那句"GPT 时刻还没来"。
他说自己最近半年一直坚持坐小马智行的 Robotaxi 上下班、见朋友。车有时候很慢，也不一定那么好用，但他坚持坐。
因为它给了他一个很强的感受：这种东西不需要某一天突然惊艳所有人，它只需要把车辆一台一台装上去、把覆盖一片一片铺开，就慢慢进入了你的生活。
普通人甚至不会意识到，它已经在进入社会了。
用他的话说，
"Physical AI 的 GPT 时刻，有可能不是某一天突然来的，而是慢慢来的。"
而在那一天到来之前，这个行业里活得最好的，大概率是账算得最明白的那批公司，哪怕他们的模型不是最炫的。
更多对话细节
嘉宾
非夕科技副总裁 胡晓平
灵巧智能政府关系及生态负责人 张龙
前来牟科技合伙人兼 CMO 李矩凡
合创生物亚太区负责人 窦浩桐
主持人
GreenSeed Global 合伙人 / 非凡产研深圳负责人 康正中
什么样的任务足够高频，值得机器人去替代？
康正中：我们下午第一个圆桌聊"场景分化"。现在机器人很火，但到底怎么找到一个足够高频的任务，让机器人成为刚需？这是第一个问题。
康正中：第二，找到刚需之后，要算一笔什么样的账，才能让它从 Demo 变成一个真正的样板间？第三，从样板间拿到第一笔订单之后，怎么继续复制，拿到规模化的订单？我们大概从这三个视角来聊。先请四位简单介绍一下自己和公司的业务。
胡晓平：我是胡晓平，来自非夕科技。刚才前面也做了一个分享。我们核心还是聚焦于机器人操作能力的提升，希望通过机器人本身能力的提升，去赋能各行各业。
张龙：我是张龙，来自灵巧智能。我们主要聚焦灵巧操作，包括前端做数采、做自己的模型，以及高自由度五指灵巧手。
张龙：大家现在看机器人会越来越发现，真正干活、解决最后一步问题的，最后可能还是要靠"手"。所以我们更聚焦于怎么解决实际操作的问题。
李矩凡：我是李矩凡。我的职业生涯里有华为体系的经历，也在科沃斯、追觅内部孵化过一些新品类，最近是在前来牟科技下场做创业合伙人。基本都围绕消费电子，以及 To C 机器人的赛道。
窦浩桐：我是窦浩桐，来自合创生物。我们主要做生物实验机器人。公司在疫情期间完成过一轮由软银投资的 2 亿美元融资，现在也在和英伟达合作，做具身相关的一些工作。
康正中：先从胡总开始。过去讲机器人应用，传统自动化往往要求环境稳定、工位重复，但真正缺人的地方，恰恰经常是变化非常多、以前自动化解决不了的地方。
康正中：所以从你们的角度，什么样的任务既足够高频，又复杂到需要用自适应机器人去解决？另外，工业客户采用自适应机器人时，第一笔账到底算什么？人力成本、质量风险，还是别的东西？
胡晓平：我们非夕一开始其实还是比较技术导向或者产品导向的，不完全是需求导向。我们最开始考虑的是，从机器人能力本身这个维度，有没有什么技术突破，可以让它的泛化和通用能力做到更极致。
胡晓平：所以从一开始，我们就选择了一个仿人化、接近人的力控能力，让机器人在操作过程中能够自主适应环境变化和误差变化，这也是为什么我们把它叫"自适应机器人"。
当机器人本身的能力提升以后，你会发现应用场景一下就变得很多。
机器人行业其实有一个挺有意思的悖论。很多人非常容易做到的事情，对机器人反而很难。比如包装一个纸盒子，人觉得这有什么难的？但机器人做起来非常难。反过来，有些人很难做到的事情，比如要求一个运动轨迹非常精准地走 1 米，工业机器人反而非常容易。
所以两者的能力结构其实差别很大。
但真正来看，人能够解决的问题还是非常多的。所以如果能把人的这种能力赋予机器人，它潜在的市场空间是非常大的。我们这么多年一直在做这件事。
具体到场景，我自己感触比较深的反而是食品和农业。
这个领域目前自动化渗透率还没有那么高，本质上还是一个非常典型的劳动密集型产业。而且现在的问题越来越明显：工人的年龄越来越高，企业招人、管人的成本越来越大，年轻人又越来越不愿意去做这种高度重复、甚至长期处于低温、阴冷环境里的工作。
他可能宁愿去做一个相对自由的职业，也不愿意到这种工厂里。
所以这其实是一个非常迫切需要通过自动化升级来改变的领域，而且任务频率非常高。食品又跟每个人的日常生活息息相关，一旦发生食品安全问题，对企业甚至可能是致命的。
但食品自动化为什么过去很难？因为食品有一个非常典型的特征：形态不一样、材质不一样，环境不一样、温度也不一样。
比如切肉、处理鸡肉、鱼肉，或者对各种食材进行处理，都要求机械手像人的手一样具备柔性。
目前我们已经在很多类似场景里落地了，包括肉类处理、鸡肉、鱼肉，这些都已经在产线上正常跑起来了。
还有一个例子，现在主要是在上海，因为我们总部在上海。如果大家从上海坐东航的飞机，在飞机上吃到的部分飞机餐，可能就是由非夕的机器人参与配餐做出来的。
我觉得这是很有意义的一件事，也已经有了比较好的结果。
至于客户最后到底考虑什么，我觉得第一步永远还是技术：你到底能不能实现。
这件事情都做不了，ROI 没有意义。
技术实现之后，再去算 ROI，这决定了最后一公里到底能不能落地。
康正中：张总这边，大家对灵巧智能最直观的印象可能还是灵巧手。但据我了解，你们实际上从硬件、数据到模型、应用都在往前做。
康正中：现在人形机器人非常火，但大家给不给人形机器人下订单，并不取决于它是轮式还是双足，最重要的是它到底能不能干活。所以第一个问题，灵巧手到底要解决什么样的高频任务，才能不只是整机上一个"漂亮的配件"？第二，如果客户是科研机构或者整机厂商，他们验收一只手的时候到底看什么？自由度、寿命，还是可维护性？
张龙：这个变化其实非常明显。
尤其在 2025 年的时候，很多做手的企业都会说"我们就是做手的"，尤其强调高自由度。但到 2026 年，基本已经没有企业只说自己是做手的了，大家都开始往"操作"上延伸，包括数据、模型等等。
为什么？
大家想一下，人身上最能够产生价值的器官之一是什么？其实就是手。
所以我们并不把手简单定义成一个核心零部件。我觉得底层有一个认知很重要：不要把手工具化。
我们过去用的夹爪、拨片、叉子，本质上都是工具。工具有特定的使用场合。
但人的手不一样。
我们设想中的通用泛化的手，应该是可以使用各种工具的手。它不是工具本身。
所以所谓"仿人"，不只是说它长得像人的手，更重要的是人的手是拿来使用工具的，而不是所有事情都直接靠手本身完成。
再说高频场景。
说实话，目前我们看到的很多真正能形成商业化的场景，不一定是靠"高频低成本"去算账的，反而可能应该先找高价值的场景。
比如高危、科研这些场景。
刚才旁边也有做生物实验室机器人的。一个人能够进入高等级生物实验室，很多时候至少是博士、博士后，他本身就很贵。
而且他进入无菌环境，穿防护服可能要半个小时甚至一个小时。进去工作一会儿，要上厕所，又要出来重新脱、重新穿。即便做了喷淋，也依然存在污染实验环境的可能。再比如一些高危、有辐射的环境，本身还有人被感染或者受伤的风险。
所以这种场景的价值，不取决于那个动作到底有多复杂，而在于它背后的安全成本和高价值人力成本。
如果我用一个年薪 100 万、200 万的博士后，和一个可能 20 万的机械臂相比，这个机械臂又能 7×24 小时工作，哪怕它每天只是在里面取试管、滴溶剂、再放回冰箱，这笔账可能依然是划算的。
这和你去替代一个每小时几十块钱的普通工人，完全不是一回事。
所以在目前这个阶段，我觉得灵巧手在真正大规模制造里，坦白说还没有大家想象得那么优秀。
与其现在死磕上下料、分拣、搬运，直接跟最底层人工成本竞争，还不如先去找一些安全、科研等高价值领域，替代一些高价值的人，同时保护人。
因为现在的问题不光取决于"手做得好不好"，还取决于外面的世界模型。
现在的灵巧手有一点像什么？像一只阿尔茨海默症患者的手。
这个手本身可能没问题，等人的脑子正常了，手一下就好了。但对不起，暂时你的脑子还没有那么清醒。
无论是 VLA 还是 World Model，大家其实都在等模型突破的那个时刻。但至少现在还没有来。
所以客户现在验收一只手，我觉得特别重要的反而是可维护性。
因为今天几乎所有的高自由度灵巧手，本质上都还是易耗品。
你不是花 10 万块钱买一只手，它就能稳定用一年。可能 10 天、一个月、三个月，已经算比较长了。现在很多灵巧手，一旦某根手指坏了，你不是拆个小螺丝修一下，可能整个手指都得拆掉，甚至底下的一整套东西都要换，最后维修费用可能比直接换一只手还高。
这就是高自由度灵巧手真正进入市场以后必须面对的问题。
所以为什么现在工业场景里还有很多折中方案？大家还是会用夹爪，或者三指方案。
因为性能、ROI 和稳定性构成一个不可能三角，现阶段只能取一个平衡。
当然，未来随着成本下降、稳定性提升、世界模型突破，我们肯定还是期待更通用的手真正把制造产线改变掉。
今天的工厂，底层逻辑其实还是几十年前形成的。
现在办公已经开始被 Agent 改造了，我觉得未来工厂也应该变成一个由模型、Agent 驱动的新底座。到了那个时候，你需要的硬件也会变，可能就是以灵巧手为代表的、在有限空间和有限智能条件下工作的智能硬件。
康正中：所以可以理解成，具身智能真正的"GPT 时刻"现在还没有出现。
张龙：对，我们暂时判断还没有。
康正中：不能一上来就想着一步到位，做一个通用机器人解决所有问题。
康正中：李总过去做的是庭院机器人，属于服务机器人的一个典型类别。庭院这个环境其实非常复杂。欧洲的庭院可能面积偏小、边界比较清楚；北美庭院面积更大，也没那么多物理边界。草种、坡度、天气还一直在变化。
康正中：以你这么多年的经验，什么样的任务最适合先交给平面机器人？为什么现在最先跑出来的是割草机器人和泳池清洁机器人？
李矩凡：我们这个品类和刚才两位做的东西有一点不一样，坦诚讲，科技含量会低一点，更加商业化。
如果今天说 AI，无论扫地机器人、泳池清洁机器人还是割草机器人，其实 AI 用得都相对少。
所谓 AI，可能就是我不完全按照一条写死的固定路径去割草，摄像头的视觉识别里用一点 AI，能识别这是一个刺猬、这是一个坡、这是一个坑、这是一个 BBQ 烤炉。
所以我们虽然也叫机器人，但更像是 AI 1.0 时代的机器人产品。
恰恰也是因为这样，这些品类反而更早实现商业化。割草机器人全球零售市场现在已经超过 10 亿美元。
那什么样的场景最适合先商业化？
我先问大家一个问题：扫地机器人、割草机器人，是在替代手工工具吗？
你用了扫地机器人以后，家里还有没有扫把？还有没有拖把？
肯定还有。
所以它真正 replace 的不是工具，而是用户的时间。
这件事很重要。
回到高频这两个字，在 To C 业务里，无论怎么讲，最源头的东西还是用户和场景。
草坪上能做的事情非常多：割草、修边，秋天扫落叶，浇水、施肥、松土、除害虫 Pest Control，还有拔野草 Weeding。
这么多事情里，到底哪一个值得最先机器人化？
第一，看频次。
割草通常每周一次。到了秋天，收树叶可能也是每周一次。所以现在有些割草机器人已经会加一个筐，把落叶一起收走。
但拔野草、修篱笆这些事情，频次就低很多。
第二，看用户为这件事情耗费多少心力和体力，以及他到底喜不喜欢做。
割草这个事情其实有一点 tricky。
我们见过一部分用户特别喜欢割草。他觉得割草很 enjoy，能闻到草的味道，能放松，割完之后还有一种很治愈的感觉。
但另外一批用户非常讨厌。
有的人会说，我十年都没有自己买过任何割草设备，我就是请人，因为我觉得割草太浪费时间。
还有一类用户可能并不讨厌割草，但他没时间。
比如在美国，如果你有一英亩草坪，一周可能要花两个小时，一个月就是 8 个小时。这已经是非常大的时间成本。
所以把这些条件 cross match 到一起，就会发现割草是很适合被机器人替代的任务。
泳池清洁就更典型。
清洁泳池的时候，你先要把里面搅一遍，再把池壁上的脏东西铲到底部，然后拿一个手工 vacuum，沿着泳池底一点一点吸。
基本没人喜欢干。
而且泳池清洁也是一个典型的每周一次的任务。
两年前北美泳池清洁机器人的渗透率就已经超过 20%。为什么？因为这个任务够高频，而且足够痛苦。
所以回到最本源，还是用户需求和用户场景。
然后再看第二件事情：上游技术能不能把这个产品做出来。
割草机器人相对简单，装一把刀，再带上一套迷你的自动驾驶系统，可以跑起来。
泳池机器人加上吸附能力、定位导航、路径规划，也基本可以跑起来，当然特别复杂的泳池会更难。
但有一些用户非常讨厌的任务，现在技术还不够。
比如拔野草。
草坪上长出几根野草，我得先准确识别这是野草，再精准喷一点药，或者直接把它拔起来。
我们做用户调研的时候发现，很多用户特别不喜欢拔野草。
但今天的视觉和机械操作还没有真正做到：我看见一根野草，然后像灵巧手一样精准地把它拔出来。
如果有一天这个功能真正成熟，我觉得一定会有用户买。
所以什么场景适合成为机器人场景？核心就是几个问题：
频次够不够高？痛点够不够痛？现有技术能不能解决？最后能不能在用户可接受的成本里做出来？
基本是这几个条件的交集。
康正中：最后问窦总。生命科学实验室看起来很多流程非常重复，但真正做自动化的时候反而更复杂，因为试剂、实验协议、数据和可追溯性都有很强的约束。
康正中：什么样的高频流程适合交给机器人？客户最后采用实验室机器人的时候，更看重什么？减少人为差错、提高通量，还是结果可追溯？
窦浩桐：我先接着刚才割草机器人这个例子说。
大家觉得博士、院士在实验室里面做实验，好像非常高大上。但实际上我们的机器跟割草机器人有点像，它也不是一个"完全 AI"的东西，甚至今天真正用 AI 的部分可能主要还是视觉。
我原来是搞 3D 打印的，十几年前属于国内比较早的一批 3D 打印创业者。
我为什么后来进入这个行业？其实也是因为原来积累了很多电机控制方面的技术。
大家看 CNC 也是一样。几年前你提 CNC，基本只能去东莞的工厂看到那种几十万一台的巨大设备。但现在家里面已经可以买到两万、五万块钱的小 CNC，几千块钱也可以买一台 3D 打印机。
你现在会觉得它是一个"智能机器"，但它几年前其实就是工厂里面的一台机器。
实验室设备也是一样。
我们很多设备的形态其实跟 3D 打印机很像，只不过它做的工作特别像在家炒菜。
生物实验干什么？把细胞切碎、研磨、加热、"烹饪"，再加一点调料——我们把这个调料叫生物试剂——让它发生化学反应，最后再上 PCR 仪。
疫情期间大家看新冠检测，其实就是对病毒做检测，最后分析阳性还是阴性。
所以我在公司内部经常讲，大家一定要分清楚几个东西：
一个是云端的大脑，也就是 AI；一个是人形机器，它可能长得很像人，有二三十个甚至四十多个关节，但它本质上还是机器；还有机械臂、机械手；再往下，还有扫地、除草、炒菜、加热这些专用机器。
机器就是机器，真正让机器变得智能的是 AI。
但是 AI 今天也有做不到的事情，这恰恰是 Physical AI 现在的问题。
比如我们现在跟英伟达合作做的一部分事情，本质上还是 Digital Twin，也就是把现实物理世界里的东西扫描下来，放到虚拟世界里模拟。先在网上模拟这个实验到底能不能成功，成功以后再让真实机器去做。
但如果永远只是在硅基世界里模拟，科学的发展可能还是有限的。
真正突破性的东西，我个人认为，在于能不能把机械臂、机械手、扫地机器人、割草机器人、实验室机器全部连接起来。
比如我个人很喜欢的一类产品，就是扫地机器人上面再加一个小机械臂，它不只是扫地，还能把地上的乐高、小东西捡起来。
回到刚才主持人问的"通量"。
生物实验里大量的事情，就是一个人反复用手，把液体从一个大管子吸到小管子里面。
这跟割草一样。
假设你有两英亩草坪，如果不用割草机，而是让人形机器人一小片一小片割，你要买多少个人形机器人？买 100 台吗？
生物实验也是一样。
这个行业过去有一些公司上市的时候估值非常高，但很快又掉下来了。到底是资本炒作，还是现实需求没有真正接地气？这个问题值得想。
你在自己家炒菜，一个人就能完成买菜、炒菜。周末来了 10 个朋友，你一定需要两个人炒吗？未必，你更可能需要一个更大的锅。
如果你结婚，村里办流水席，来了 1000 个客人，你需要雇 1000 个厨师，或者买 1000 个人形机器人吗？
也不是。
你可能只需要一个大厨，配五到十个切菜的小工，再配几口超级大的锅，用铁锹炒菜就可以。
所以专用机器、人形机器和 AI 大脑，它们解决业务流程的方式是不一样的。
AI 大脑负责思考。
人形机器人、机械臂、机械手，可以替代很多人难以完成的操作，或者在人睡觉的时候继续工作。
但大量专用机器真正负责的是提高通量。
问题是，如果专用机器完全没有 AI，它也很难把通量继续拉高。
为什么今天很多实验室开始接受机械臂和机械手？你会看到机械臂跑到仪器前面去"按按钮"。
不是因为机械臂和机械手不够聪明，而是因为我们的机器太老了。
机器上只有按钮，根本没有 AI 接口。
所以只能让一个机械臂跑过去替人按按钮，就像手摇拖拉机一样。
如果未来这些机器全部升级，有一个可以让 AI 控制的接口，除草机器人、扫地机器人、机械手、机械臂、实验室设备都能够被云端 AI 直接控制，那时候才有可能真正把整个业务流程打通，也把通量真正拉起来。
客户到底在算什么账？
康正中：第一轮我们找到了不同领域里相对高频、相对刚需的任务。第二轮聊一笔更现实的账：怎么把一个技术方案真正做成样板间。先问胡总。
康正中：工业客户显然不会因为"这个机器人很智能"就买单。采购机器人时一定会问良率、节拍、投资回收周期。自适应机器人又是一个相对新的产品，价格一般会比传统方案更高。你们怎么向客户证明这个价值？减少人力、减少换线、降低维护成本，还是其他东西？
胡晓平：这个问题非常关键，确实关系到业务能不能真正落地。
自适应机器人是一个比较新的产品，研发投入也相对更高，所以一开始一定会遇到价格问题。
尤其国内工业机器人和协作机器人已经非常卷了。
今天两三万，明天两万，后天可能一万以内就可以买到一台协作机器人。
在这样一个市场环境里，一个价格更高的新产品当然会面临挑战。
客户一定会问：你为什么这么贵？
而且过去很多客户并不知道，有些问题其实可以通过力控解决。他脑子里还是传统工业机器人的解决方案，自然会把原来那套价格体系带进来比较。
所以我们一开始很明确，这个挑战一定存在。
我们的第一个办法，是先找相对头部的企业。
汽车、3C 这些领域，我们会先和行业里的头部企业合作，比如国内的蔚小理，包括国际上的特斯拉等等。
这些厂家如果接受了你的产品，就会自然形成行业标杆，后面其他客户会更愿意尝试。
第二，我们会强调整体解决方案的价值。
因为一个柔性机械臂落地，不一定只是解决一个工艺点，它可能解决的是一整段生产流程。
这个机器人上去之后，可能意味着其他非标设备减少了，产线柔性提高了，后续维护和运营成本下降了，人力也减少了。
所以我们不会只跟客户算"一台手臂多长时间回本"。
我们会算整个解决方案优化以后到底创造了多少价值。
而且经过这么多年的探索，我们在一些食品加工企业已经实现批量落地。
大家都知道，食品加工很多企业本身利润率并不高。如果一个低利润率行业最后都愿意批量采用我们的解决方案，实际上已经说明它创造出来的价值和性价比是能够算过账的。
康正中：张总刚才提到两类客户，一类科研机构，一类是真正进入实际任务的客户。不同客户预算和验收标准差别很大。现阶段哪一类客户质量更高？
康正中：另外，以前大家可能只是"买一只灵巧手做展示"，现在开始有人按任务采购。这个过程中，行业还缺什么统一标准？
张龙：现阶段相对来讲，科研，以及一些存在零散柔性需求的厂商，对灵巧操作的需求会更大。当然它不一定必须是五指。
科研有一个特点：它要解决的不是今天的问题，而是未来的问题。
我要知道真正的前沿技术在哪里。
具身也好，Physical AI 也好，未来五年、十年，我觉得生产方式一定会发生变化。
所以科研机构今天采购最先进的硬件和软件，本质上是在尝试构建五年、十年以后的生产方式。
另外一个变化，我觉得跟工业本身的变化有关。
过去大规模工业生产解决的是"有没有"的问题。
你有没有车开？有没有衣服穿？有没有手机用？
但是现在大家生活状态变了。
我当然有车开，但我要开什么车？我当然有手机，但我要什么配置？我要买一个礼物，它能不能跟别人的不一样？
所以真正的生产需求，已经开始从八九十年代、甚至 2000 年代的大批量重复生产，逐渐变成越来越多的小批量、定制化需求。
很多零部件订单可能只有一两百个、三五百个。
这种情况下，原来一条固定产线可能就不合适了。
你不可能为了 200 个产品重新建一条生产线。
如果通过灵巧操作和 AI，可以让一条产线承担原来五条产线的工作，可以接十种不同的订单，那这笔账就不是"这个机器人替掉几个人"。
你应该算：因为有了这套东西，我额外多接了多少生意。
至少短期里，我觉得这笔账应该这么算。
至于标准，我觉得现在整个具身行业都缺。
首先缺数据。
大家都知道，具身现在最少、最贵的东西之一就是数据。
你可以戴设备采集第一人称数据，可以拿两指、三指的设备去模拟机械手，也可以用最贵的方式——真机遥操，机械臂加机械手，完全模拟真实设备。
这些数据一方面量不够，另一方面又存在一个非常麻烦的问题：跨本体不协同。
我们家的手和友商的手，用各自的数据采出来以后，映射到 Real-to-Sim-to-Real，最后结果可能根本没法直接共用。
甚至连大家的硬件接口现在都不一样。
所以行业远远没有到"Type-C 时刻"。
我觉得未来的标准也未必是先制定一个国标，然后所有人照着做。
你看现在很多接口或者协议，包括 Skill、MCP，本质上都是从底层反向长出来的。
不是某个人先规定"以后大家统一用这个"，而是越来越多人觉得这个东西好用，大家都开始用，最后逐渐形成行业共识。
具身现在还没有成熟到这个阶段。
所以你问缺什么？
数据缺、跨本体协同缺、接口标准也缺。基本都缺。
李矩凡：张总刚才提到跨本体不适配，我正好最近也一直在想一个问题，可以临场抛一下。
大语言模型最后出现了 OpenAI、Anthropic 这样的公司。
那机器人未来会怎么样？
是每一家机器人厂商都做自己的模型，还是最终会出现一个能够横跨不同机器人厂家的基础模型？
张龙：这个问题特别好。
我们自己其实也尝试做世界模型、机器人模型。
但说实话，我原来在百度待过，知道所谓大数据、大算力、大参数到底是怎么堆出来的。
这几年一个基础模型，从几千万烧到几个亿，再到几十个亿。
未来具身基础模型需要的投入只会更多，不会更少。
以今天具身智能公司的体量，如果所有企业都自己烧基础模型，说难听一点，大家一起烧，可能大家一起死。
所以我甚至觉得，未来真正把动态世界模型做出来的，有可能还是今天这些大模型公司。
未必一定继续基于 Transformer，也可能出现新的路线。
但这些公司在算力、算法、大参数训练经验方面的积累，是绝大部分具身创业公司很难比的。
具身公司一边还得生产硬件，一边研发自己的主营业务，再让你拿几百个亿去烧一个基础模型，这个起跑线就完全不一样了。
所以我们的判断是，最后可能不是我们这批做具身的公司自己烧出一个真正的基础模型。
反而更可能是那些超级大厂，拿他们已经成熟的方法论，和我们合作，拿我们的数据、我们的模型、我们的机器人经验去训练。
然后我们再基于一个更好的世界模型做微调。
李矩凡：明白。这个确实现在还没有答案，我也是最近跟一些创始人讨论到这个问题，所以顺着刚才跨本体的话题临场问一下。
张龙：对。说远也不远，说近也不近。现在大家视角不同，所以判断肯定也不一样。
众筹不是商业化，第一批货交出去以后才是
康正中：再问李总。庭院机器人是 To C 产品，很多创业公司第一步会选择众筹。但众筹金额高，不代表你真正交付以后就能成为爆品，这是两件事。
康正中：尤其庭院机器人又是一个 seasonal product，季节性非常强。很多用户可能要用完整一个季节，才能真正验收这个产品。这里面退换货、售后、耗材都会变成成本。
康正中：所以你觉得，对一个机器人创业公司来说，众筹拿到一个漂亮金额更难，还是第一次真正完成规模交付更难？以及怎么判断这是不是一门可持续的生意，而不是众筹一次之后就没有然后了？
李矩凡：两个都有难度，但完全是不同维度的难度。
众筹更像是一种营销行为。
我的产品还没有量产，品牌积累又是 0，这个时候我要提前三个月甚至半年，把产品定义、卖点、优势讲出去，找一批愿意尝鲜的用户提前买单。
这批用户往往又有很强的意见领袖属性，传播力很强。
所以本质上，这是一次前置营销。
你看极端情况，大品牌为什么不需要这么做？
苹果、华为开一个发布会，产品从发布到发售可能一周就够了。因为品牌本身做一件事情，就能聚集巨大的流量和关注度。
初创公司没有这个东西。
所以众筹相当于从零开始慢慢把火烘起来，不是一下引爆。
从创业视角看，众筹还有另外一个非常重要的作用：验证 PMF。
至少先验证这个概念有没有人愿意买单。
但众筹之后进入量产，难度又完全不一样。
初创公司经常团队还没那么稳定，人也没那么全，供应链又是新搭的。产品里的结构件、电子件、硬件设计可能全是新的，没有成熟生产流程让你直接复制。
所以从工程机、试产到量产，肯定一路踩坑。
这个时候有一件事特别重要：你首先得笃定自己的产品定义是对的。
有些公司众筹结束了，其实产品定义是不是成立，依然要打一个问号。
可能你只是满足了极少一部分人的需求。
如果产品定义本身确定是对的，差异化定位和用户需求都想清楚了，量产阶段很多事情反而没有那么"阳春白雪"。
最重要的是团队一条心。
早期不良率超过 50%，这种事情我都见过，并不稀奇。
就是大家一步一步趟过去，各种问题一个一个解决。
而且第一批众筹用户反而有一个好处，他们通常能接受产品没那么稳定，也愿意反向给你提意见。
这个时候团队够不够凝聚，创始人一号位有没有足够强的心力，我觉得特别重要。
策略层面当然也有很多事情可以干。
比如小批量生产的时候，先把货给部分 KOC。他既是第一批用户，未来又能帮你做 Content，也可能慢慢培养成 KOL。
但这些还是技术层面的动作。
真正决定你能不能拿到结果的，是团队能不能坚持把它做出来。
所以众筹是前置营销，是 PMF 和产品概念验证。
量产是什么？
量产是你 PPT 上的东西终于要变成一个真实产品。
这个时候最怕什么？
PPT 规划出来的是一个少女，最后量产出来变成一个大嫂，那可能就完了。
量产之后，对第一代 To C 消费电子和智能硬件来说，第一件重要的事情也没有多么高大上：把售后做好。
技术支持、客服资源、知识库、FAQ，都要提前顶上。
不要等产品出了问题以后才开始建设售后，而是按照产品到货时间倒推：我应该提前多久把售后资源建起来？
三军未动，粮草先行。
相信我，第一代产品一定会出现各种各样的 Bug。
很多问题在测试实验室里死活都测不出来，一到真实用户手里就出现了。
最极端的时候，如果一个影响力很大的用户开始公开吐槽你的产品，你甚至可能真的需要直接买张机票飞过去，在现场帮他把问题解决掉。
解决好了，他未来可能反而成为你的正向 KOL。
我自己既在大公司内部做过新品类孵化，也真正下场做过创业，0 到 1 做过几次。
一路走下来，我最大的感受就是：没有那么多特别高大上的东西。
方法论大家都知道。
华为有 IPD，有些公司是 EVT、DVT、PVT，工作五年以上，大概都知道产品开发每一个阶段应该干什么。
真正重要的是，每个关键时间节点，你该做的动作到底有没有做扎实。
资源有没有提前准备？
售后每一条 Action 有没有提前闭环？
量产前后大量工作其实都是 Dirty Work。
售后更是 Dirty Work。
我最后一次创业的时候，营销、运营、销售、售后都管，算是一个大前端。
产品刚交付那段时间，社群里只要出问题怎么办？
很简单，人不够，那就全员做客服。
直接排班。
每天早上 8 点到晚上 12 点必须固定有人值班。
因为你的 Facebook Group 里，一个有影响力的用户发一条负面评价，三五十个赞，可能第二天就直接影响你的转化率。
为什么？
因为早期你的用户池子就那么大。
To C 里面第一波用户叫 Early Adopter。众筹来的这几千个人，就是你的"天使"。
你服务好你的天使，就会获得回报；服务不好，真的会遭报应。
很现实，就是这样。
康正中：那怎么判断这是不是一个可持续的生意？
李矩凡：To B 和 To C 底层逻辑有相似的地方，也有不同。
To B 是发现线索、找到机会、形成第一笔成交，然后争取把第一笔成交做成一个 Successful Story，也就是样板案例，再复制第二个、第三个。
To C 是什么？
先触达一批尝鲜用户，然后判断这批用户能不能复制到更广的人群。
所以第一步，先保证你 PPT 做出来的东西真的交付到位，售后能顶住。
第二步，搞清楚第一批用户到底是谁，然后去找第二批、更广阔的用户。
比如做上市后调研。
产品端看 NPS：用户到底满不满意？产品定位对不对？你认为最重要的卖点，用户真的在意吗？
营销端要看：第一批用户到底是什么人？什么年龄？住在哪里？有什么共同经历？有什么共同兴趣？
知道这些以后，你才知道 Target Audience 在哪里。
我应该去 YouTube 找 KOL 做测评，还是去 TikTok？
我的用户是 Generation Z，还是 Generation Y？
应该去大众平台，还是去垂类媒体和垂直社群？
先找到第一波用户的共性，再去拓第二波用户，这是比较常见的打法。
然后在线上声量起来以后，你再去谈线下渠道，都会容易很多。
生命科学最看重的，不只是效率，而是"可溯源"
康正中：再问窦总。医疗和生命科学自动化往往涉及很多部门：真正使用设备的人、设备提供方，还有掌握预算的人。
康正中：一条实验室流程做自动化，最终什么指标最决定订单？通量、准确性、可追溯，如果一定排一个顺序，你怎么排？
窦浩桐：我先再跳一下，回应刚才张总说的"GPT 时刻"。
我个人觉得，Physical AI 的 GPT 时刻有可能不是某一天突然来的，而是慢慢来的。
为什么？
最近半年我一直在坚持坐小马智行的 Robotaxi。虽然有时候很慢，也不一定那么好用，但我会坚持上下班，或者去见朋友的时候坐。
它给我一个很强的感受：
如果你真的开始接受这个东西，它只需要把车辆安装量、覆盖量一点一点增加，它就在慢慢进入你的生活。
普通人甚至不会意识到，这个东西已经在逐步进入社会了。
当然，也可能某一天真的有一家大模型公司突然做出了一个特别聪明的模型，那也可能形成一次真正的 GPT 时刻。
回到刚才的问题。
对我们公司的客户来说，第一还是产品稳定性。
如果未来继续接 AI，还要看 AI 对整个实验室自动化流程的控制和操控能力。
但站在最终用户角度，过去很多实验室机器一直没有真正解决的一个核心问题，是可溯源。
生命科学非常看重所有实验过程可溯源。
大家如果长期关注生命科学行业里的科研诚信问题，就会知道，为什么溯源这么重要。
所以未来实验室 AI 里面，我觉得可溯源一定是非常重要的一部分。
但具体怎么实现？
坦白说，我们现在也没有最终答案。
从一个样板间走向批量订单，非标怎么被"压缩"掉？
康正中：最后一个问题四位都回答一下。不管 To B 还是 To C，机器人产品一定多少带有一些非标属性。但真正进行批量交付的时候，不可能每一个客户、每一个区域都重新定制一遍。
康正中：所以，从一个样板间走向批量订单，你们怎么把非标问题逐渐变成标准化产品？
胡晓平：从我们的经验来看，核心是寻找一个共性的技术问题，用同一套核心技术去解决多行业、跨行业的应用。
把这个共性技术解决之后，最核心的部分就已经标准化了。
剩下再辅以一些其他设备或者外围适配，就可以比较好地复制成相对标准化的产品。
康正中：也就是先找到最核心的共性问题，把最核心的技术标准化，剩下没那么核心的部分再做本地化或者场景化适配。
张龙：我觉得核心还是一句话：有限空间里的有限智能。
比如一只手理论上可以干 1000 件事。
但在一个具体工厂、具体工位、具体生产阶段，你可能只需要它高频做好其中 10 件事。
剩下 990 个功能一年可能只用两次。
但为了这 990 个功能，你可能需要付出 10 倍、20 倍的成本。
在工业这种把 ROI 算到极致的场景里，这是不合算的。
所以该削减就削减，把那些无谓的能力拿掉。
聚焦真正最高频、最有价值的任务。
工业场景很多时候就是要做这个折中。
康正中：从成本、重量、复杂度上做减法。
张龙：对，做减法。
李矩凡：我听起来其实就是找"最大公约数"。
To C 这边，一旦规模起来以后，就更像智能硬件和消费电子的打法。
你看手机最后也会形成不同价位段，有不同 RAM、ROM、不同屏幕尺寸。
割草机器人、泳池清洁机器人也是一样。
有大草坪、小草坪，有坡度大的、坡度小的。
如果草坪比较小、比较平整，用户自己割草投入的精力少，请人也没那么贵，他需要的产品自然可以简单一点。
如果草坪非常大，坡又多，他自己干需要投入更多时间，请人也更贵，那对机器人的切割能力、爬坡能力要求都会更高。
所以最终会把切割能力、爬坡能力这些核心能力标准化，再按照不同使用场景形成不同价位段、不同产品形态。
本质上就是按照用户场景和购买力做多价位段、多产品布局。
窦浩桐：我们找最大公约数相对简单一点。
因为我们的客户基本都是做科研的，他们使用我们的机器以后，本身就会产生大量实验数据和研究成果。
现在全球大概有 1.5 万到 1.6 万家生物实验室在使用我们的设备，其中很多都是全球顶尖的生命科学研究实验室。
这些实验室用我们的设备做不同实验以后，我们可以从大量数据和真实使用场景里，看大家到底都在做什么。
数据积累起来以后，再从里面找最大公约数。
这就是我们把非标逐渐变成标准化产品的一种方式。
康正中：其实四个领域最后给出来的答案不太一样。工业机器人是在跨行业里找共性的核心技术；灵巧操作是在一个限定场景里主动做减法；To C 服务机器人是把核心能力标准化，再用不同 SKU 覆盖不同场景和价格带；生命科学则是从大量真实实验数据里反过来找最大公约数。
康正中：今天时间关系，我们先聊到这里。