【万字长文】机器人智能的源起、未来与下一个万亿机会

老石按：

今天我对话的人，或许是我接触过的最懂技术的CEO（之一）。他是北大本科，但博士读了一半就跑了；他是百亿营收大厂创始人兼CEO，也曾在谷歌做搜索算法的研发；他的公司做的是充电宝、家庭安防这些消费类电子产品，但我们聊的是人形机器人、具身智能和AI这些硬科技。这是他第二次来我们频道做客，这次他帮我梳理了人形机器人的过去、现在、以及未来的发展方向，我深受启发。我把精华内容整理成文字，以飨读者，，本文是下篇。内容很长，但如果你能看完，相信肯定会对你有所帮助。他是Steven阳萌，安克创新CEO，接下来就是我们的对话（以下的我，指的都是Steven）。

上次我们说机器人产生智能有三种主要方式：人工编程、模仿学习、强化学习。

最早的Robotics都是基于动力学的模型计算，也就是用一个方程来解，比如这只手应该往什么地方动、动多少，这些是人工编程。去年特别火爆的是 Stanford 的那篇 Aloha 的论文，讲的是模仿学习。也就是当人做 10 次、 20 次操作之后，然后机器人好像就能学个六七成、七八成。

但你发现其实这两个路线最后都不太能走成，包括我们说 Aloha 代表的那条模仿学习的路线，无数的学校和公司做验证之后发现，模仿学习到最终能达到的成功率的上限也就是百分之八九十，不可能每次都能搞得定这个任务。

其实我们说 100% 完成度是一个伪命题，因为人做一件事情，比如做 10 万次、 20 万次、 100 万次，他也不会每一次都完成。所以我们希望引入一个「几个九」的概念，换句话说就是 99% 点后面有几个九。你发现 80% 的成功率可能是0.7、 0.8 个 九，99% 的成功率是两个九。那你觉得自己今天去倒一杯咖啡，成功率会有几个九？

如果你觉得成功率蛮高，那你倒一万次、十万次，中间某一次你可能打了电话、你可能脑子在想事情，就有可能倒到外面了。所以你发现人类在执行很多操作的过程里，如果不专心的话，可能也就两个九、三个九的成功率。

那你觉得生产线上的工人，比如去打螺丝，你觉得他有几个九？

其实，生产线上工人的成功率差不多也就在四个九和五个九之间，对于一些年纪稍大的工人，可能连四个九都到不了。所以，当人的操作也都是几个九的时候，我们对机器也不该提100%的要求。

（老石 ：但这是不是应该取决于应用本身？如果是倒咖啡，撒了就撒了。但如果是对安全性或可靠性要求很高的生产线里，哪怕出现一点点失误，就可能会造成很大的问题啊。）

对，一个有 100 个工人的流水线，如果每个工人的成功率是两个九，交产线实际上是无法运转的。所以在工业场景，比如工厂流水线，它对成功率的要求是非常高的，最起码四个九甚至五个九。

但是，如果是机器人给你叠衣服，比如它一个九都没有，甚至只有半个九，但即使叠失败了也不会有损失，可以再叠一遍，对吧。所以从这个角度来看，我们会说，其实家庭环境里的机器人可以接受相对低一点的成功率。

（老石：图灵在他文章中提到，真正的智能机器应该拥有像婴儿一样的学习能力。因为婴儿在刚出生的时候，ta的神经元是大量的活跃的，以便他可以快速掌握各种知识和技能。）

所以很有趣，我觉得真正的智能，应该是三种学习方式的合体。也就是不能只靠强化学习，比如说不能说婴儿出生了，我啥也不教给你，让你自己去摸索这个世界、自己通过反馈去学习所有的东西。

我们拿婴儿学搭积木来举例。首先，父母要跟他讲积木大概怎么搭，这个可以被看成是人工编程；之后你会演示给他看，这个就有点像数据学习或者模仿学习；最后ta自己再去尝试，然后慢慢地学会了，这就是他的强化学习。

所以其实我觉得智能的产生一定是三种学习方式的一个组合，它不能够靠哪一种方式单一的去完成这个学习任务。这对机器人也是一样。拿一个空模型套在机器人上，这些可能是人工编程的成分；我们拿已经做好的基础模型，并且在这个基础上做一些模仿学习，这个可以看成是数据学习。最后我们让机器人再在仿真的环境里、在现实环境下去强化，这就是强化学习。所以我觉得一个机器人智能的诞生应该是三种学习方式的一个合集。

（老石 ：你刚才提到了一个很重要的点，就是机器人不能只是单纯地通过在实验室里、或者只通过仿真去获得智能，它必须要在实际的应用场景里面去完成这个反馈和强化的过程，对吧？）

是的，很有趣。在强化学习这一段，其实可以再分成两个阶段：一个是在模拟器里强化，也就是在一个像英伟达提供的 Isaac GYM 那样的仿真环境里边、各种东西都很真实，然后在那个数字世界的一个仿真的环境里去尝试。之后就进入下一个阶段，我们叫现实强化。但即使你在仿真里把模型强化到三、四甚至五个九的成功率，去到现实环境里可能哗一下被打回一个九甚至半个九。

这是因为当你只能做有限次数的仿真的时候，实际上是无法把你现实生活里可以遇到的所有的情况都去仿真一次的。

即使你能做无限次仿真，今天的仿真和物理世界最后匹配的程度我觉得还是不太够的。其实所谓的仿真就是对真实世界做充分的抽象，然后以至于能在数字世界去重复它。那你想想，仿真是用分治法解还是用端到端来解？（老石：分治法）

所以当你用分治法去尝试描述这个世界，并且在数字世界里边去重建的时候，你能达到多少比例的逼真度？换句话说，你永远不可能把这个世界用分治法描述清楚。所以那些描述不清楚的、非线性的部分，或者说那些residue 残余的部分，最后体现出来就是仿真的不真实或者不完整。

因为你无法用分支法对现实世界做理想仿真，所以就不要指望在仿真环境里面跑出来的模型和算法在现实世界能 100% 地用。

既然我们从一开始就不要期望仿真能带来跟现实世界完全一致的结果，那我们就可以把仿真看成是一个相对低成本、相对高效率的启动器。也就是说，仿真可以做冷启动，冷启动完了之后到了 30 分、40 分，然后还是要去现实世界里，再老老实实地把剩下的 60 分、70 分修完。

这个其实和很多大佬提出的所谓具身智能的概念比较类似，比如LeCun就说，你要获得真正的通用人工智能，那肯定不能只在做这种通用模型，而是必须要和人一样通过身体和物理世界进行交互，得到反馈，这样才有可能把智能再往上提高到一个新的层次。

（老石 ：从仿生的角度来说，人类并不是只有大脑存在，我们其实还有感知系统和执行系统。现在除了大模型，还有一个VLA 的技术，就是visual、language 和 action整个反馈的全过程。）

是的。我们刚刚讨论了智生智能产生的方式，那大家最后产出的智能会长什么样子呢？你看人身上其实有3种带智能的组织也好、器官也好，分别是大脑、小脑和肌肉群。比如膝跳反射是不经过大脑小脑的，它在你的反射神经就完成了闭环。所以我们发现人身上其实有三种带一定智能性质的决策器官。问题是，你发现车其实也有它的主控，有域控来对某个领域进行控制，然后可能还有一些子控制器。所以我们在想，机器人未来很有可能也是类似的方式，也就机器人有个大脑，负责把感知、记忆等等很多的都接进来，之后做出决策的判断，小脑负责整体协调运动执行。

去到了某一个具体的关节或者某一个肌肉群的时候，可能还有一组神经。比如说你的手，手对每一个物品的操作一定都要回到小脑去吗？还是说手很多时候也能在本地的神经群就能完成一些闭环的操作？我们最近看到其实有一些具身智能的做手的公司就开始在尝试，就是在手的本地做闭环，发现这个其实也有很好的效果。所以在我们的远景里边，我们觉得人形机器人上会有三个决策体：大脑、小脑和神经群。

（老石：你觉得如果要实现机器人更好的智能，除了模型本身的提升之外，还有哪些是比较明确的、或是比较严峻的技术挑战？）

我们刚刚谈到其实在实验室里获得不了真正的智能，机器人一定要走到现实环境，在现实环境有大量的应用，然后在这个过程里进行强化，才能获取真正的智能。所以我们觉得这有点像是一个鸡和蛋的问题，就是它不能够走进千家万户，它可能就不能够强化到非常高的成功率；但是反过来，如果你成功率太低，它又不构成走进千家万户的前提。

破局的话，我相信一定会有公司在一些场景上把这个机器人做到相对比较高的成功率，然后也有一些尝鲜的用户，愿意在机器人可能成功率不那么高的时候，把机器人买回家，并和机器人共同进化。换句话，就是需要一组愿意去共同努力让这个事情获得突破的企业和消费者，或者叫共创者。

总结一下，就是需要有一些在明确的场景里能把任务做到基础满意度的产品企业，和需要一些能够接受这些基本满意产品的、然后跟这些产品共同进化的种子轮的用户，这样两群人共同作用，我觉得就能够推动这个行业开始往前走。

因为假设这个机器人倒咖啡只能有一个九的成功率，10%的概率会倒出来，那我相信全世界的消费者里一定有一些是愿意接受这个的。其实机器人在强化学习的环境里，它刚去你家的时候，可能只有90% 的成功率，但可能练习几次就到了两个九，然后再练习一段时间可能就有三个九。

（老石：这其实和很多行业、甚至和人工智能刚刚兴起时是类似的。在训练模型的时候，大家也缺少数据，也面临到这种鸡生蛋蛋生鸡的问题。）

所以你永远不可能靠在实验室做足够多的仿真、搭足够多的现实场景，然后尝试让这个机器人就能够强化到足够好的水平。最后一定还要去到千家万户，去完成那个最后10%、20%成功率的强化。

（老石 ：随着越来越多的人聪明人进入到这个行业了以后，在这个领域会不会出现当年的 GPT 时刻，甚至是 DeepSeek 这种开源的时刻？）

这是个好问题，我们觉得大脑应该是有开源、公用的模型的，因为从感知和推理的角度来讲，各家应该是类似的。但是在小脑上，因为涉及到你的动力学的特征是什么、涉及到你到底手有五个手指还是两个手指，所以我觉得出现通用的小脑模型的概率应该是比较低，或者说最起码短期内是不太容易看见的。

我们觉得一个重要的挑战就是机器人进入真实场景之后的耐久度，你会发现今天很多实验室的本体，很容易一摔就坏，然后经常需要修，那么放到消费者家里去之后，其实是不能这么来做的。所以怎么从正向设计的角度考虑这个问题，设计一个怎么摔都摔不坏的，或者至少是要摔比较多次才坏的机器人。

但压根不会摔的话，今天的技术难度有点大。我觉得最起码就是它摔的时候摔不坏，那这样的本体质量水平，我觉得对于机器人进到家庭之后、并能在足够长的时间里去持续地现实强化，是很关键的一个点。

（老石 ：这个其实有点类似于手机出现的时候，一开始大哥大其实是很容易摔坏的，后来诺基亚主打的点就是你怎么摔都摔不坏，然后现在的手机其实也不那么容易摔坏了。）

我相信这是行业很多年的对各种故障场景的理解，也就是它会从什么场景、什么角度被摔，然后到底要应付多大的力，基于这些去做正向设计，最后再搭配上很好的材料、很好的工艺，所以它其实是一个多年的持续努力的结果。

而且，摔坏这件事到今天我觉得也很难去特别好的仿真。所以我觉得其实需要在现实中持续地去强化和改善。

（老石 ：聊机器人和智能很难避开的一个问题就是伦理问题。不管是一个大模型产出的内容是否符合我们的道德规范，或者智能驾驶出了事到底算谁的责任等等。机器人也会有很多潜在的伦理问题，比如它在你家里会不会收集到各种数据？它和人类的交互是否安全？我们之前看科幻小说里的阿西莫夫机器人三大原则，是不是在人形机器人现在逐渐兴起的时候，又要被拿上桌面讨论了？）

对，我相信这就像100多年以前机动车开始进入家庭一样，作为第一批开车的人，那你肯定是会遇到各种风险、各种挑战的。客观地讲，一个新品类诞生的时候，它一定是不可能把所有的风险都消除完，然后再去到消费者手里的，它一定是跟前一批勇敢的消费者共同去探索、发现和消除这些风险，所以我相信人形机器人也一样。

我觉得其实人们对问题的容忍度是不一样的，就像比如说隐私，有些人会说我的所有数据都不要去任何别的地方；然后有些人会觉得，我为了帮助你改善产品，我愿意把数据捐献给你。所以其实我觉得因为每个人的偏好不一样，所以可能从这个品类最开始的时候，我们就是要找到那些相对能承受更高风险的、甚至能让度自己一部分信息数据的用户，就有点像是共创的人，然后其实这些人在人群的整个大数里是有一个比例的。找到这些人，跟他们一起共创这个品类，其实我觉得是一个可能的方式。

（老石： 机器人越来越多，其实我特别想要探讨的就是机器人未来如何和人共处？以后人类的价值如何体现？）

嗯，我觉得人是一种社会性的动物。但你觉得人到底是需要每天工作，才能获得愉悦的状态；还是即使不工作、只是跟其他的人愉快地在一起，也能过得很开心？

和你说个很有趣的事，AI人工智能兴起了之后，我们这些有小孩的同学都会担心说，我们的小孩现在看起来就没有AI聪明，将来肯定是更加没有 AI 聪明、没有 AI 能干。所以那我们的小孩将来到底会怎么办？我有一次跟一个老前辈吃晚饭，我就问他这个问题，我说如果将来我们的小孩都被机器和 AI 取代了，那我们现在应该教他们什么、或者我该不该担心他们呢？他讲了一句非常有意思的话，他说你完全不用担心。他说你看我们70 年代，那个大时代的环境，所有人都不像现在这么卷，所以大家每天就是在办公室见面，然后这个结伴去公园，去玩，去打牌，大家也觉得很开心。

所以我也在观察我自己，你让我一直玩，可能玩一两个星期还可以，但玩到第三周、第四周我觉得我就开始受不了了，我就觉得一定要创造一些价值。但是如果对于我们的下一代，机器人和AI 能帮他们把大量的事情都做了，然后他们其实不需要大量劳动的时候，他们可能有更多的时间去创造和去享受生活的乐趣，可能他们也能够把这辈子过得很好。当然我刚刚讲那更多的是一个保底的状态，就是你不想创造了，然后你每天玩应该也可以。

首先其实我们是有机器人业务的，我们的扫地机器人一年其实也有几百万台的出货。此外，我们还有一个很大的全球第二名、第三名的安防业务。1000 多万户的家庭里，更多的其实是中高净值的家庭，有安装我们全套的家庭安防摄像头、门铃门锁这样的东西。那我们去认真地看这两个品类长期战略的时候，你就发现他们未来必定会跟机器人发生关系。

举个例子，比如说你家里装了我们的 eufy 的一套安防系统，那来了入侵者的时候，你的摄像头和你的门铃能为你干啥呢？除了发出一些刺耳的尖叫之外，他其实干不了啥。就没有一个主动、或者能够响应危险的、然后帮你执行一些操作的一个机器人存在。而那我们觉得理想的情况下，一定会有这样的一些响应性的设备加入到这个系统里面来，然后最后能够完成一个完整的闭环。

打个比方，譬如说狗最开始进入我们家庭的时候是看家护院的，然后最近这 100 年可能整个社会的变化，狗已经逐渐地消失去了看家护院的价值了，变成宠物了。那这个时候是不是应该有一个新的对象进来继续承担看家护院的角色？所以其实我们规划的第一个产品就是看家狗。这条狗本质上会是你的家庭安防系统的一部分，它平时可能蹲在院子里某个角落里边，偶尔会出来在你家里巡视一下，彰显一下你家里其实是有人守卫的，然后遇到真的有入侵者和闯入者的时候，他会出来用一定的方式，去阻遏这个入侵者。那请问这样的一个狗加入这样的一套安防系统，是不是让你的家庭真的变得更安全了？

如果你家里有一个 vacation home度假屋，有的时候因为这个度假屋比较偏，如果来了个闯入者，等你打电话把警察叫过来，可能都半个小时40分钟了。所以你会发现从安全的角度，家庭里的确是需要有一个我们说响应者的角色，而这个角色可以由一个狗来承担，也可以由一个大一点的机器人来承担，总之我们觉得这些其实是非常明确的能够贡献客户价值的场景。

所以我们的特点是，我们永远是一个脚踏实地的公司，我们希望能够创造明确的客户价值。这过程中间客户需要什么就发展什么技术、就开发什么产品，我们觉得这是交付客户价值的一个过程。

（老石：你觉得是先有技术，再去找场景；还是先从场景出发，再去倒推所需要的技术？）

我觉得这是两类公司。今天很多的具身智能公司其实都是先有技术，无论是大学教授、还是研究员出来创办的，那技术上肯定是很牛的，然后他们在努力地为这个技术找场景。而我们刚好代表另外一类，我们其实是有明确的场景，比如我刚刚讲的家庭安防的场景、家庭的清洁和整理的场景，其实都有特别明确的问题需要被解决，那么我们就带着这些场景回来想要构建技术。那我相信其实大家最后殊途同归，都是要创造出客户价值出来，然后才能够在长期实现商业闭环。

安克其实是一个创造者的乐园，我们提供了很好的从底层的理念到中间的能力，再到面向消费者的渠道、品牌这样的一些重要的要素。在这么多要素的加持下，无论你想创造一个新技术，还是想要创造一个新的产品形态，其实它都比你从零开始要容易得很多，而且成功率要高很多。

那反过来，这些创造的经验、和他的能力又会回到这个平台里边去，然后去帮助更多的品类被创造出来。所以我们有一句话叫做土壤肥沃，花团锦簇。其实这句话还有后半句叫当一朵花谢了，化作春泥更护花。其实安克是这样的一个创造的生态系统，其实我们还把大部分创造出来的价值分给创造者，这个也是非常关键的。因为如果我来公司创业，创造一个新技术或者一个新品类，成是成功了，但是最后绝大部分的钱公司拿走，这个听起来也不合理，对吧？

我们觉得如果在纯的数字领域里，比如你纯做APP，或纯做应用，有可能有超级个体。但一旦涉及到了硬件，涉及到了线下，它一定是一个非常长的链条。硬件就算是哪怕一个很小的环节，其实都需要不少的人在里边参与。把它设计好、生产好、质量做好、物流做好，所以这么多的环节和这么多的价值创造点，最后构成的一定是一个大的整体的系统。

其实我们打开看的话，安克虽然现在只有五六千个人，但是我们光不同岗位的岗位说明书就有100多，快200个，换句话就是每个岗位上平均下来就三四十个人。那么你发现，在硬件领域里把价值创造好，它真的就需要这么多不同的岗位、并贡献各自不同的价值。我们觉得， AI 时代带来的变化不会是让这里边的很多岗位消失，而是让这些岗位的效能变得更高。

我们也有一个比方，以设计师为例，我们公司大概有 300 个不同领域的设计师。这些设计师可能会分成三种人，第一种是能够去构建 AI 工具，包括把 AI 工具跟自己企业的业务整合起来，并真正地创造出生产力的人。所以我们把这些建工具的人叫做大NEW人。这个 new 是 n times efficiency worker 的一个缩写，就是叫 N倍效能个人。然后第二部分人，就是这些使用 AI 工具的人。因为用了这个工具，他们的效能比以前可能会高50%、100%甚至更多。那自然而然就会引出第三部分人，就是如果他今天还学不会 AI 工具的使用，那第三类人很有可能就成了那个不再被需要的人。

所以你发现原来的 100 个设计师，可能会需要比如三五个、十个人去创造工具；在这个创造的工具的支持下，可能会有比如说 30~50个人就能把以前100个人的活给干了。那最后那些还学不会工具使用的这三四十个人，就可能变成不被需要的人。

我这只是理论的推导，实际上因为安克的业务发展速度非常快，所以我们总有很多新业务长出来，所以我们不会因为好像 AI 提高了生产力就会把很多人请走。但是的确今天在大力地投入 AI、和让AI的生产力真正地帮到我们的一线员工提高效率这件事情上面，对我们这种品类很多的公司来讲，其实是一个很关键的动作。

（老石：我看你之前的访谈提到TI的团队也来交流过。我特别调研过TI这个公司，因为它的模式很特别。他们并不是专注在某些超级芯片的开发，而是有n多个小团队，可能三五个人、十来个人就能做一个小芯片。）

TI 看起来是很多个小团队，其实它有非常强的底层系统在支持这些小团队。比如，在生产系统方面，TI 有全世界最强的Fab之一。大量的芯片从试产、工艺的研发，然后到最后的大规模批量的生产，而且降低成本，其实 TI 都有一套非常强的系统去支持他们，这个就比外面的创业公司要强太多倍。再举一个例子：人才，TI 每年坚持校招，所以它持续能往团队里边输入很好的人才，无论从就是刚入门的、到好的骨干、到顶级的架构师，也就是你今天有个想法做个芯片的时候，你不需要从零开始去招这个团队，公司可以把你一堆人派给你，你团队就跑起来了。

所以你发现越是这种好像做的业务不太大、这种小的品类，其实如果能有这样的一个整体为你提供赋能的平台的话，其实你的效能提升是会越多的。这也是为什么我们说在很多行业里边其实都会诞生这种像TI的，自身有非常强的能力、能去赋能给上面一个一个的小团队，并让这些小团队在各个领域里去取得成功的公司。

（老石 ：站在公司的层面，如何确保这些团队能够有一个核心的目标或愿景，而不至于做得特别分散？）

这是特别好的问题。如果团队做的产品方向差异很大，比如有团队想做最贵的、最创新的，有的团队想做最便宜的、量最大的，其实你发现创新的能力和把成本做到最低的能力，它不一定在同一个平台上都能长出来、并长得很好。

所以这就回到对于一个平台来讲，我们大多数团队前进的共同方向是什么？这个问题就要通过使命、愿景和价值观来回答。对我们来讲，我们今天的选择不是去做一个，最便宜、然后量最大的产品类别，我们一定希望通过极致创新，去做那种开创全新可能的品类的机会。

所以在去年，我们把公司的使命修改成为极致创新、激发可能，我们的愿景修改成为塑造一个相互激发的创造者乐园。那在这样的使命和愿景的支撑下，我希望我们的团队们不是去做那些别人有了一个我比他做得好一点点，或者别人有一个我比他做得便宜，不是那种延长线的、改进式的品类。我希望大家一定是做那种，特别极致的，好像从来没有过的新东西，或者原来的东西能被做的三倍好，五倍好、十倍好。

其实因为我讲到这的时候，大家一定会说，那你安克的产品其实不是这样的。那我会说，的确安克在过去的十几年是一个，我们叫延长线改进式的公司。也就是我们好像拿到一个相对比较确定的机会，然后想把它做得比别人更好。但是我们走到今天这个状态的时候，就是当你今天的温饱、甚至小康都已经被保证了之后，你内心的那些原始的、最初的那些欲望迸发出来，其实我们是真正想去创造一些从来没有见过的东西。所以这个时候升级公司的使命和愿景，我们希望在未来一年、两年甚至很多年，大家能持续看到很多由安克创造的、首先带到市场上的产品。

（老石：如何找到创新的来源？）

这是很好的问题。我们习惯从第一性的角度思考问题，我们会说创造的目的一定是朝向客户价值，换句话就是，如果你创造一个东西对用户没有任何的价值，那这个创造大概率是不被需要的。所以当你瞄准客户价值去创造的时候，你发现不仅创造的是新的产品形态，你可能会创造一个新的技术，甚至在销售侧。比如你创造一个全新的内容或很好玩的广告片，其实它也是带来客户价值。所以当你今天瞄准客户价值去创造的时候，我们觉得才是真正符合第一性的。

譬如说我以前是卖安防摄像头的，那你站在客户的角度想，客户真的是需要一个安防摄像头吗？你会发现今天所谓的这些产品形态，其实只是满足用户本质需求的一个中间状态而已。

客户需要的是安全、客户需要的是入侵者被赶走，而不是需要一个摄像头，或者一个门铃。其实中间的产品形态经常变，本质是因为底层的技术发生了变化，就比如说你用过磁带机、 CD 机、MP3，你现在都不用了，现在用智能手机。其实这一路过来，你发现用户的本质需求是没有变的，那就是你希望随时随地能够听到你想听的高品质的音乐。但是底层的技术发生了变化，这就驱动了中间的产品形态在不停地迭代。所以我们怎么去创造新东西？其实第一是搞清楚，抛开今天这些产品到底长什么样子，去思考它能提供什么价值，以及用户的本质需求到底是什么。

我觉得这个时代其实是对创造者最好的一个时代，因为可能很快就有很多机器人进来帮你把那些你每天不得不干的杂活帮你干了，空出很多的时间让你去思考、让你去尝试。而底层技术又在快速发展，所以今天你发现大量的产品实际上是可以重新被再做一次的。

我这个地方再讲一个很有趣的概念。对硬件产品来说，它事实上可以被分成三种不同的阶段。第一种叫做不可调节阶段，比如说你今天这张凳子，它长成这样是不可调的。然后第二个阶段它通常进入一个可调节的阶段，就是比如多出很多个把手按钮，然后能按你的坐姿去调节。但问题是，你今天会经常去调你的凳子吗？

你发现人的大量的精力都是关注在你今天正在做的这件事情上，而不会经常去调整椅子。其实理想的情况应该是，这个凳子能够识别你当前的状态，能自动调整到匹配你当前的状态。这就是第三阶段，我们叫自动调节阶段。

硬件从不可调到可调、再到未来的自适应调节，这中间我们发现最大的变化其实是感知能力和决策能力真正开始进入硬件。因为以前这张人体工学椅是不具有感知能力的，它也不具有判断和决策能力。它既不能感知你的状态，他也不能判断要怎么调，所以它其实没法自适应地帮你调节。

但今天如果我们把先进的传感器加进去，把先进的基础模型加进去，让这张椅子也能够理解今天你在什么状态、应该怎么调整它自己让你坐得最舒服，请问这样的一张椅子是不是让你觉得会比以前的好 10 倍？所以我们觉得今天这个时代，因为感知和决策被加入大量的硬件之后，其实真的太多的东西是可以重新被做一遍的，所以我们觉得其实有大量的可以去创造的机会。

而反过来说，如果今天你从零开始创造，你要做好硬件、做好AI，做好感知，然后还要去做好生产、做好品质，还要做好全球的销售，其实这是一个非常长、一眼看不到头的很多很多不同的岗位才能够达成的一个任务，最后才能给消费者交付价值。

那我们觉得还有一种选择，就是加入一个像安克这样的公司。我们有很好的平台能力，比如感知，我们就有很好的感知团队，能够让你今天很快地就能够把感知这件事情做好。然后比如研发，我们有很好的研发体系，让你能够非常高效地能把产品开发出来。然后更不要提后面的渠道、品牌、销售。在所有这些能力的加持下，你会发现，好像一个人创造一件新东西，它的难度就会比自己从零开始做要低太多。

（老石：听起来安克就像是芯片领域的一个 IP 供应商。）

其实也不只是IP，因为还有工具、还有Fab，有了芯片之后还需要有销售，还需要有客户服务。所以你可以把安克假定成为这些东西都有，对吧？当然了，我们也不是说啥都有，因为比如说我们缺一些技术，需要有人去开发这些新的技术，对吧？我们缺对某个产品的系统性的理解，需要有人去开发这些产品，但是在一个已经有了很多的底层积累的平台上再去开发技术，开发产品其实它的效能是会更高的。

其实我们这次做机器人，特别希望能够吸引到很多在海外、包括在学校里还在读的硕士、博士的同学。无论你是仿真，还是比如说小规模地强化，其实只能把机器人做到一定的程度；如果要把机器人最后真正做到大规模可用，应该是需要来到像我们这样的、会把机器人铺进千家万户的企业里。所以我们其实现在非常的需要像本体的人才、特别需要智能体，就是大脑和小脑的人才等等。

所以这里想向你的读者们发出邀请，大家如果想把机器人做进消费场景、做进千家万户的家里，那么安克会是一个可以考虑的地方。（对安克感兴趣的读者请私信。）

（注：本文不代表老石任职单位的观点。）