过去 11 年沈亚楠是理想汽车的联合创始人、栖息地智能住宅的创始人。他在两家公司投入地做同一件事用科技让真实的家庭生活变得更好。到去年他开始寻觅一款适合家庭生活的机器人。花了大半年时间他调研了市面上绝大多数有些名头的具身产品有头、有脖子的“为什么需要头呢装传感器没必要还把结构搞复杂”长两只脚的“不够安全还很吵”身高超过 1.8 米的“总低头看人不太舒服”。看了一圈“太大、太傻、太丑”出现在家里都显得突兀。智能水平也大都是实验室水平尽管模型能力加速提升但相比智能驾驶的规模化表现差距还不小。春节后他决定再次创业自己做一家具身公司。公司命名为 “恩戈罗NGORO”取自通常被称为 “智人摇篮” 的恩戈罗恩戈罗火山口Ngorongoro Crater。沈亚楠决定恩戈罗机器人第一步就要进家庭。有人劝他谨慎中国已经至少有 700 家具身创业公司热度已经下降“这会儿才造机器人晚了”。也有熟悉的企业家让他再等等等技术和供应链更成熟时下场。他之前创立的公司已经在行业里长成头部造机器人还得再吃苦。AI 的发展让新一代创业者感受到属于他们的时代机遇——如同改变一切的互联网技术数字 AI 和物理 AI 将是下一代基础设施能培育出如 Apple 的巨无霸公司。所有具身创业者都说他们确信未来每个人都会有自己的物理 AI最终会走入千家万户。一位具身创业者感慨行业现状是每个人都说自己在第一梯队但很少有人在真实场景中落地也难以评判真实水平“就像在澡堂子里比跑步”。即便是机器人专门训练过的案例用户有时也会感受到落差8 月世界人形机器人运动会第一次设家庭场景赛有机器人划破了衣柜和洗衣机外壳一些机器人拽掉了门把手。尽管在演示视频中它们能做得更精细。“今天的具身公司大都还在早期探索阶段模型范式没收敛、数据飞轮没启动也没有哪家的本体非常适合家庭。” 他调研后发现环境也变了市场开始关注具身公司的真实落地表现和商业闭环。噪音和泡沫中沈亚楠反而觉得时机正好家庭机器人的技术成熟尚需三五年借助和栖息地合作恩戈罗能率先量产、部署进真实家庭更早一点转动数据飞轮。他对团队的技术、产品、供应链能力有信心也自信是最懂家庭的具身团队2015 年创办理想汽车起他从产品角度重新造车以提供移动的、幸福的第二空间。2022 年他创立 “栖息地” 开始造家智能化、AI 化改造家庭空间服务过成千上万户真实的中国家庭见了许多 “千奇百怪” 的需求也更理解各样需求背后的共性人总是期望在家中更幸福地生活。造家庭机器人先要懂家庭和具身行业的创业者、研究员讨论时沈亚楠常提起一个问题如果老人在卧室摔倒机器人在客厅接下来可能会发生什么过去四年多沈亚楠全情投入造家在住宅里引入 AI。栖息地的住宅可以用数个传感器感知空间用一个大脑集成和控制各种灯光、家电等设备实现对家庭空间的精细管理。当人离开房间里的智能 Agent 会自主启动扫地机器人、关闭灯光等人归家Agent 会回应人的需求把空调、灯光等调整到适宜状态。“就像给家庭装上了大脑和五官。” 然后呢再智能的 Agent 也无法递来一杯水。更早时栖息地团队定规划认为智能空间的发展分四步第一步软硬件一体化把住宅作为完整产品第二步AI 原生空间核心区别是先想 AI 要在家庭中做什么、再在 AI 能力上长出软硬件第三步把具身引入家庭给智能空间加上 “手脚”第四步住宅会是比手机、汽车更了解你的智能终端。并不是所有具身创业者都相信家庭里需要机器人至少是现阶段。机器人进家庭一定要能干活已经是共识但如果不能解决真正问题、提供帮助用户不会容忍机器人在家里唱歌跳舞。但这很难。相比工业或商业的半开放场景家庭场景里各种事情都可能发生人们也可能期待机器人像 demo 演示的那样全知全能、什么都能干现阶段机器人的模型和控制能力却不足以实现。具身创业者面临的核心考验是在复杂的家庭需求和机器人正在成长的能力之间找准能提供价值的切入点。这要在功能中做取舍决定先做什么、后做什么、不做什么。恩戈罗团队把第一阶段的功能定义为 “最小可用产品”“最小” 的标准是需求高频、任务清楚“可用” 指的是开箱即用、稳定好用。首席产品官韩龄把它类比为智能驾驶的 “自动泊车” 功能——“用户有高频需求表现又能超出一些预期小而美。”她 2017 年加入理想汽车是打造爆款智能产品的最早期的成员之一负责过智能座舱和智能驾驶产品。8 年多负责产品定义、体验落地、平台规划等的经历中她最核心的经验之一是把技术变成用户愿意使用、买单的产品。“车主每天停车车位有时太窄、障碍物太多如果能停得比人类司机还好车主马上就会感受到价值”这种对产品和用户需求的理解也迁移到机器人上——标准是机器人做的任务是否真能让用户少一件操心事。第一批最小可用产品是洗衣、房屋清洁、物品归位及递送物辅助。比如在洗衣时机器人可以自主将洗衣篮中的衣物放进洗衣机、洗净后晾晒。 韩龄说重要的是机器人可以 “打穿” 这个任务全流程自主完成人不用在家里等着洗衣机。递送物辅助功能可以解决的是当爷爷或小孩说 “帮我拿下杯子”恩戈罗机器人会分别给他们各自的杯子。另一项重要问题是机器人应该以什么方式存在于家庭中现在几乎没有任何具身公司规模化地把机器人送进家里沈亚楠有时也觉得大多数公司也许还没真正想过这个问题。他花了很长时间思考机器人如何真正融入家庭。一个少被提及的真相是机器人关机的时间比工作时间长另一个是机器人早期的工作效率不可避免地比人慢。沈亚楠把恩戈罗机器人在家庭中的定位形容为 “田螺姑娘”尽量 “躲开人工作”先通过栖息地住宅里的传感器判断人的位置等人出门或者不会打扰家人休息、小孩玩耍时机器人再清洁、洗衣。家人在时可以和恩戈罗机器人做些有趣的互动他们正在开发一种 “养成模式”在用户需要时教机器人成长比如逗一只小猫。在最放松的家庭空间中老人、小孩或半夜突然看到机器人最理想的状态是什么沈亚楠一开始就确定恩戈罗机器人绝对不要太拟人最好像一个有设计感、优美简洁的艺术品。首先不要给人入侵感。第一款恩戈罗机器人造型有许多圆角线条柔和机械臂的外壳特意遮住关节处的电机6 自由度的灵巧手外有一层织物头身一体顶端是一块有弧度的屏幕和不同身高的家人互动时都能让对方看到屏幕上的表情“像个太阳花一样对着你而不是居高临下”。感觉是细节的累积。“我们希望它给人的感觉萌萌的、有亲近感这非常重要。” 沈亚楠说。最初这款恩戈罗机器人的 “身体” 直直地插在底盘上“不够美”他反对这么不经思考地做产品。几次调整后机器人的身体和底盘的连接变成一条顺滑的曲线。沈亚楠之前花了许多时间研究人和家庭、住宅的关系从踢脚线高低、插座位置、衣柜材质到房间布局——一位创业伙伴评价他是最懂家庭生活的具身创业者。恩戈罗机器人短期不打算进入有台阶、楼梯环境所以用轮式底盘而不是双足确保移动时分贝尽量低。他看过一些也用底盘的机器人产品多数底盘直径超过 70cm还有的用转弯半径更大的差速轮。“你知道中国多数家庭的最小通过距离比如衣柜和床之间是多少吗60cm。” 沈亚楠和团队花了很大功夫把机器人的最小转弯半径控制在 30cm。不亲身做很难有这样细微的洞察。在服务栖息地的家庭客户中沈亚楠积累了许多条经验他越来越真正理解不同的人在家庭中会有什么样的习惯和期待也理解千人千面背后的 “最大公约数” 和难以量化的规律“不懂家庭怎么能做好家庭机器人呢”第一步就做最难场景具身行业为数不多的共识之一是能在开放、复杂、非标准环境下自主工作的通用机器人会占据最大市场。一位创业者形容通用机器人为 “必争之地”认为这才是物理 AI 真正改变生产力结构的节点。问题是走向通用机器人的路径。工业、物流场景有固定的生产任务和节拍但容错率低、效率要求高更适合自动化设备酒店、便利店等商业场景的复杂度略高一些任务也相对清晰、可控。真实家庭是最接近通用的场景环境千人千面有多样、临时的长程任务环境中出现的人物也无法预测可能随时改变环境。但难度也最高。场景越复杂、训练难度越大机器人表现不够好、用户不接受“为什么大家都叠衣服就算叠不好也不会出什么大事嘛。但只能叠你准备好的衣服还要你自己放回到衣柜用处真不大。”“为什么要一上来就挑战最难的任务呢” 一些具身创业者认为进家庭对机器人来说还很遥远。他们选择先从工业场景或商业场景落地积累实操数据同时提升模型的泛化性希望不断缩短模型解决下个任务的训练时长从易到难最终进入家庭。另一些创业者则押注大模型的进化能力通过 AI for Science 让机器人学习减少对真实数据的依赖。恩戈罗团队判断第一步一定是确定好落地场景从场景中收集数据确定模态、分布、质量去训练模型形成产品。所以首个场景决定了数据类型也极大影响模型的后续走向“从流水线、酒店场景中收集的数据真的能帮助机器人进家庭吗”他们选择的是第三条路第一步落地就进家庭先在半标准的家庭环境中积累真实数据让数据飞轮启动。下一步进入更开放的、广大的家庭中。最终进入千家万户、千行百业。这很难复制栖息地的住宅产品包括 1270 个模块这些模块组合既能满足不同用户需求又能将产品类型做一定限制为恩戈罗机器人提供一个 “半结构化” 的环境比如机器人不再需要学习几百种门把手。栖息地还有和真实住宅 1:1 的数字孪生系统可以为恩戈罗提供仿真数据。在常州约 3000 平、30 套样板间还会用于真机采集数据。在进入家庭前恩戈罗机器人已经掌握了家庭空间分布等大量信息。如果用智能驾驶来比喻这就像为车辆划定了一片半标准化的场地隔离带、路缘石、护栏等都是相同的帮助车辆更精准识别同时还提供了一套毫米级精准的三维高清地图。这让恩戈罗有了进入家庭的独有优势。当下的具身智能与之前的互联网智能最大区别在于互联网智能的数据已经在互联网积累了几十年AI 技术的发展使得算法能够从巨量的数据中挖掘知识、并存储到模型权重当中。但具身智能并不像互联网智能有这样规模的先天数据。这就是困扰大多数技术团队和公司的 “先有鸡还是先有蛋” 的问题。没有充足数据就难以获得泛化能力强的模型机器人也就很难真正落地而不落地又导致真实场景数据的匮乏进入到低效发展的循环中。对恩戈罗机器人来说栖息地提供了关键的垫脚石为打破鸡和蛋的困局打开一条裂缝为技术突破带来了独特的场景和数据优势。按照沈亚楠的计划2027 年恩戈罗机器人会作为栖息地智能住宅的标准配置之一开始向真实用户交付首批规模约 2000 台。他希望把恩戈罗机器人造得足够好用成为智能住宅的核心竞争力之一帮助栖息地拓展客户。栖息地目前平均客单价约 44 万元降低的获客成本将会对冲机器人的成本。更重要的是从进入真实家庭开始恩戈罗会获得真正的真实数据这对产品表现很重要。李翔在恩戈罗负责模型训练 他此前在理想汽车积累了 智能驾驶的实战经验清楚真实数据对训练的重要性“今天所有的 ego 数据、仿真数据、遥操数据都有一个问题只有成功没有失败。” 但对于强化学习来说失败数据同样重要。“特斯拉的智驾为什么做得好一部分原因是它最早应用在用户的车上。智能驾驶的进步不仅来自学人类如何正确驾车也来自不计其数的失败案例的经验。”“在理想汽车我们踩过太多坑所以知道坑在哪。” 有段时间智驾团队常遇到功能回退为了解决某个问题、新增了训练数据结果导致其他功能表现更差。他们开始建立系统性分析先判断模型是没看清、看清了没判断还是判断对了但动作不对再决定补什么数据。进入具身行业后他发现有时出了问题大家找不出是模型的问题还是数据的问题“大多时候其实是数据工程问题”。智驾行业的多年经验让他习惯以工程思维推导比如所有人都讲数据闭环但核心是什么“不是数据量、配方而是找到对应关系做诊断。”尽管栖息地让恩戈罗得以更早、更顺畅地进入家庭但要在家庭场景打动用户仍旧挑战很多——人们仍会有各种各样的需求也难避免各种各样意料外的情况。沈亚楠说他们有信心第一步就进最难、价值最高的场景。他常给团队打气“我们既懂家也做过自动驾驶从 0 到 1 的量产还有前沿的多模态具身科学家加入以及栖息地提供的场景。如果这样还不够那还有谁能做到呢”“2.0 全栈” 公司才能走向通用如果把具身行业看作下一代基础设施那么做一家具身公司就不是短跑要考验综合能力和耐力。恩戈罗团队的期望也不只是比同行更早进家庭、有订单核心是如何持续放大优势从家庭场景进入更多场景。自己下场后沈亚楠感受强烈具身行业已经进入 2.0 全栈阶段。这包括两个判断。首先具身公司要走到最后一定是全栈公司本体、大脑、数据、生态都要做共同迭代、互相补充这也是数字 AI 和物理 AI 行业的区别之一大模型的基础设施相对完善模型、应用层都有机会但物理 AI 几乎没有只做大脑或本体的机会行业里也都在逐渐走向全栈。更重要的是 “2.0 全栈”——沈亚楠认为一些公司是 “走着走着” 变成了全栈先做本体、后加大脑但可能的风险是缺什么补什么的思路下大脑和本体或者数据和模型的配合也许不是最优方案也无法从第一天就以全栈方式构想产品、数据、团队和技术路线。他从理想汽车获得的经验之一是复杂的智能产品需要同时考虑用户需求、技术、质量、成本和交付。在恩戈罗产品、模型、数据、商业化方案从同一个原点出发也向着同一个方向前进。在恩戈罗部分创始团队是理想汽车的产品、技术、供应链制造的核心骨干他们一起打过仗、从 0 到 1 做过量产以及首席科学家钟亦武带领的多模态具身智能科学家团队能力互补、目标一致对人的具体生活也有同样的关注。钟亦武是北京大学智能学院的助理教授博士毕业于美国威斯康星大学-麦迪逊分校从 2017 年开始研究 VLM 视觉-语言模型是这个领域最早的一批学者之一。这个领域的技术成为了当下多模态大模型、世界模型、具身模型的基础和核心。长期系统性的研究让他具备技术的前瞻性2021 年他与 Microsoft Research 合作提出了开放世界物体检测方向的开创性工作 RegionCLIP 和 GLIP2022 年与 Meta AI 合作的 ProcedureVRL首次使用 Diffusion Model扩散模型从视频中自动学习如何预测未来动作和未来世界状态。这正是今年具身智能领域备受关注的 WAM世界动作模型的雏形不过当时Diffusion Model 大多用来做图片生成研究“世界模型” 这个词也还未成为热点。今年入职北京大学后钟亦武创立了 VaLuE Lab视觉-语言-具身实验室聚焦于多模态智能体和具身机器人特别关注时空记忆能力、持续进化能力、物理因果交互能力。这些正是家庭机器人的必要能力。在恩戈罗钟亦武会带领技术团队从家庭场景推向更广泛、通用的任务场景。在具身大脑上行业目前分为三类第一类是端到端的具身动作模型关注抓拿取放等桌面任务很难解决长程任务第二类希望用一体化的端到端模型既做大脑、也做小脑第三类是大小脑分层的架构。恩戈罗选择的是第三类分快、慢脑慢脑理解长时空信息进行长程任务规划快脑学习原子动作的物理因果性进行动作执行。慢脑理解过去在哪里、什么时间发生过什么事并根据这些记忆进行复杂任务的规划而在任务的每个环节由具备物理交互能力的快脑进行机器人的导航、移动、操作。分层模型的好处是对全量数据的数量要求更少、效率更高可以先对慢脑、快脑分别单点突破然后再使用全量数据进行联合训练这种方式的数据效率更高。另一方面算力分布也更灵活可以分别部署在云端和端侧是机器人实时响应的基础。团队将家庭场景比喻为 “幼儿园”机器人在这里学会解决问题和探索能力。下一步长时空记忆、长程任务能力进一步提高配合更精细的操作恩戈罗团队设想机器人的能力会跨越式前进——关键不是只在家庭中落地而是看家庭场景能不能帮助恩戈罗机器人实现更大目标。沈亚楠说栖息地目前已和华住、华润建立了合作把智能住宅产品、技术推广到更多应用场景按照计划恩戈罗也会沿着同样的路径从家庭逐步扩展到社区、商超、旅居等场景“空间很大与人共生、服务于人”。具身公司也要讲商业常识沈亚楠算过一笔账一辆智能电动车成本约 20 万元整备质量约 2.5 吨摊到每公斤约 80 元。那么一个机器人按 40 至 50 公斤计算即便价格翻倍行业成熟后的 BOM 也不应超过一万元。“这是我们认为未来大部分家庭都有机会有一台家庭机器人的前提”。他操盘过汽车、住宅两种复杂生意底层逻辑是尊重商业常识。AI 时代的确赋予技术前所未有的重要性但不能假设技术的力量无穷大“技术足够牛就能干好一家公司别开玩笑了成本怎么控、获客怎么做、商业基础设施怎么搭、售后体系怎么办”他认为这和新能源车的规模化发展有相通之处只要实现成本和性能的正向飞轮实现量产行业逐渐成熟规模效应会摊薄技术研发和硬件成本。按照计划恩戈罗机器人明年就要量产部署进约 2000 个家庭。供应链负责人廖泽华接到的任务是 “好而不贵”做到 “综合最优”既要保证质量、耐用度又要严控成本。他是多年经验的供应链专家2015 年加入理想汽车曾是理想汽车供应链的一号位从 0 到 1 搭建了供应链管理体系。他综合测算恩戈罗首款机器人的 BOM 成本可以控制到 3 万元沈亚楠的目标是再低几千元而行业里一些人形机器人的成本大约几十万元且返修率很高。供应链讲究 “人机料法环”变量多规模越大质量越稳定成本越低。如果一款产品型号一年产量只有百十台供应链上下游摊销成本降不下来批次间的一致性也很难保证。廖泽华自己花了几个月跑供应链调研谐波减速器、传感器和其他关键部件发现质量 “参差不齐”也缺乏面向不同应用场景的规范。十几年的供应链管理经验让他知道如何少踩坑以及如何和上下游协同配合做到全局最优。尤其重要的是从产品设计阶段就开始充分考虑供应链。他要和产品、技术团队紧密配合“质量是设计出来的”不是量产后再靠质检筛出来“成本也是设计出来的”不是量产后再靠抠人工降出来。过去几年具身行业的噪声和热度一样高一些投资人已经对讲故事、讲技术路线、讲团队感到疲惫过去两年多一些具身公司的估值和融资额飞涨但冷静下来技术似乎还是那样并没有太大改变。创立六个多月恩戈罗机器人已经按照一家商业公司的标准对照自己既要解决问题、能干活、创造生产力又要平衡好成本、管理供应链还要做好商业策略打动用户。“既要、又要、还要、再要”沈亚楠说具身公司 “满地捡钱” 的阶段在结束不能只靠融资速度讲故事要有产品、成本、交付和数据的闭环“没有什么捷径就和造车一样你得靠谱”。栖息地已经稳定增长如果不做恩戈罗沈亚楠说自己会轻松些做一个 “稍微放手的董事长”。创业做栖息地时他一边说造家比造车难太苦、太惨是最后一次创业一边热情高涨。再创业做恩戈罗又是 “7×24 小时” 工作每天至少花 2 个小时看技术论文再次回到创业状态。同事评价他的状态是 “燃烧”。他说自己还是想解决同一个问题车是移动的第二空间家是生活的第一空间机器人给这个空间加上手脚“人可以自然地把事情交给机器人自己有更多时间去生活”。转载自《晚点》