北京
同一場 AI 史詩里，
各有各的活法。
2026 的上半年，中國資本市場圍繞具身進行了大規模的布局，將具身大腦這個賽道推向了前所未有的熱度。
這期嘉賓靈初智能，剛剛登頂了摩根士丹利最新發布的《全球人形機器人研報》，它被視作中國具身大腦陣營的核心代表之一。從靈巧操作出發，這條大腦路線直指智能的上限。
創始人王啟斌是 70 后產品背景，喬治華盛頓大學博士，完整經歷了「智能設備 → 移動機器人 → 具身智能」的三次范式更迭。
我們的訪談不僅涉及到大量具身行業的真實進展，也描繪了在具身這個早期行業中，從研發（R）到工程（D）到產品（P），所謂 RDP 的全流程。
2024 年，70 后王啟斌，和 80 后算法老兵柴曉杰、 90 后北大學者楊耀東、以及 00 后天才少年陳源培，組成了一支具身「7890 戰隊」，成為這個行業背景最豪華的團隊之一。
（?原版訪談的視頻版可前往微博、B 站、視頻號等平臺觀看；播客版可前往小宇宙等平臺搜索同名賬號《衛詩婕_漫談Light the Star》）
訪談 | 衛詩婕 × 王啟斌（靈初智能創始人）
（本文為訪談精選，更多完整訪談可前往視頻版，有許多文字版之外的獨家披露，如：具身領域的人才大戰、數據管線與數采設備、海外頭部具身大腦公司的路線差異、具身融合型組織與 RDP 的管理……）
漫談Light the Star
PART ONE
人類操作的模態從未被記錄，
從這座富礦展開，會更快抵達智能
衛詩婕：先恭喜你們，最新登頂了 Morgan Stanley 的全球人形機器人研報，你們穩坐具身大腦的第一梯隊。
王啟斌：對，我們最近在 4 月中開發了模型 R2 ，也發了 action-conditional word model 。在美國的 MOMO space 榜單上面排名第一。昨天在 Hugging Face 上傳的 1000 個小時數據集，現在下載量也是第一。
衛詩婕：你身上這件T恤上是什么標志？
王啟斌：我們公司 logo ，類似于一個小人手的三指，其實它是希臘字母的第 23 個字母，叫 Ψ ，是 PSI 。有很多種解釋，我們當時選這個名字是看重它可以用英文表示 proto sentiental intelligence ，強化學習。我們公司從創立的時候，強化體就是一個在環境中交互，像孩子一樣逐漸長大的過程。
衛詩婕：大家不是特別了解靈初，這是一家什么樣的公司？
王啟斌：靈初其實是在這一波的具身大潮中創立的。定位是解決具身智能皇冠級的問題——人雙手的操作。從成立的第一天， 2024 年 9 月份開始，就解決通用靈巧操作這個問題，由算法驅動來搜集數據，用數據來提供整體的解決方案。
衛詩婕：通用靈巧操作，就是讓機器人的手和腳可以更靈活？
王啟斌：遠比這個復雜。人其實做任何任務有很強的能力。比如說手眼協同得做的非常到位。更重要的是在作業的事務中有些失誤，能夠很快的糾錯。人形成這個能力，經過了接近億年的演進。
衛詩婕：規劃其實是大腦做的，手眼協同是小腦做的。
王啟斌：如果從人類的視角上，的確是這樣。但是在機器人上，我認為現在集成小腦的能力并沒有這么發達。我們做集成，會想想人類的進化歷史。人類的語言模態形成其實是最晚的，這種語言模態對世界的壓縮表述，機器現在基于文本，各種各樣心理已經基本上學會了。謝賽寧說在寒武紀時代形成了動物視覺能力。其實是中間形成那個模態，人類最早從靈長類動物開始，就有行動的能力，經過了最長的時間演進的。今天通用靈巧操作，要把這三個能力在一個系統中做出來，是一個非常復雜的系統。
衛詩婕：最早的時候，我是以為靈初是一個做靈巧手的公司，但其實你們是一家大腦公司。
王啟斌：對。靈初是中國第一家從 Day one 開始做通用靈巧操作的，我們不做任何夾爪、移動的東西，實際上是遠遠超前于大家認知的。
衛詩婕：簡單地介紹一下具身整個行業的進展？
王啟斌：這一波的具身大潮本質上在解決兩類問題，一個類似于人的行走問題。大家其實看到出現了這些頭部公司，不管是四足的狗，雙足的人，其實它能夠在更大的范圍內移動，包括各種復雜的路況，這是一種能力。
另一種能力就是類似于人的上半身，大家可能之前看到很多類工業界的一些東西，兩個夾爪把一些東西夾起來。但是實際上夾爪類的東西是很難解決一些復雜的類人性質的操作的。
當然還有個更底層的東西，人腦是如此的一個復雜的系統，經過了接近億年的進化，什么樣是一個好的范式，能夠更接近的訓出這樣的系統來？大家越來越意識到數據很重要。數據的來源是什么樣呢？我們從那個時候就知道人的數據應該是一個很大的、蘊藏在地底下的，我們看不到的一個東西。
衛詩婕：你們認為人的操作數據是一座富礦，從這座富礦的數據層面展開，可以最快的抵達更高水平的智能，所以這條路線是最佳的。
王啟斌：是這樣的，人類的操作數據每天都在各個環境里頭發生，從工廠一直到服務行業。但是非常遺憾的是，人類數據在過去的這么多年里，都沒有一個工具把它記錄下來。語言的模態從文字開始，大語言模型是基于這些文本的數據。我們在開一瓶水的時候，用幾個指頭，用多少的扭矩，觸覺什么感覺？這個模態從來沒有被記錄過。傳承其實是靠人類已經內化在基因層次的東西，把它探索出來。那在訓機器人身上，我們如何能把它真正的挖出來，變成訓模型可用的，這是一個要回答的問題。
漫談Light the Star
PART TWO
七年的具身賽跑，
中間會有幾輪淘汰賽
衛詩婕：做大腦的公司普遍比做本體的公司估值高。你們是做大腦的，但是第一，你們估值并不顯著的高；第二，似乎你們做大腦的標簽也不顯著的強，為什么會是這樣？
王啟斌；第一個問題，是因為大家覺得大腦更有價值。去年世界機器人大會（ WRC ）之后，我們開始布局做真正整個數據采集的設備，以及管線。今年 4 月份我們發布了模型，中間基本上有 8 到 9 個月，非常漫長的過程，才有了一些成果的展示。融資圈在過去的 9 個月里日新月異。我們專注于把產品做得更好，有更拿得出來的東西給所有人來看。上個月發布的模型效果非常好，數據集現在也得到大家的稱贊。我個人覺得語言傳播的力量可能是最微弱的，科技公司有自己展示出來的模型效果，有自己的數據集是最具有說服力的。
衛詩婕：中國的融資市場現在是非常傳奇的，今年的融資標的都非常大，大家都十億十億地融，整個行業熱到發燙。你怎么看？
王啟斌：坦誠地說，其實超出了我自己對資本市場熱度的預期。因為我們過去的做幾波范式，不會持續這么長，但是我覺得底層必然有些東西還是有道理的。第一，具身現在解決的是一個真正要回到物理世界的問題，那這個問題有多大？智駕其實是具身智能的一個最早成熟的應用。其實是在一個平面，在已有的交通系統上做一個水平的移動，它的市場已經大到今天這個體量了。具身是不是有機會在未來成長出來十倍、幾十倍或者上百倍這樣市場呢？我個人覺得這個波浪一定會來。但是具身的應用場景如此之多，每個細分場景的周期多長時間能跑完？這都會有很多非共識。
衛詩婕：你覺得多長時間能跑完？
王啟斌：這是一個很難回答的問題，我覺得取一個中值，在 7 年左右。從兩點的維度來看這個事情，第一個比照之前的車的行業，真正智能化是從 18 年、 19 年開始，到去年是 6 年左右，它是一個比具身更為低維的東西（可以推測具身需要的周期更長）。但是它有一個平衡的、對沖的點是，今天具身公司的人才密度、資金體量，起手都不低——會有一些場景，在 5 到 10 年里頭，真的會做出一個遠遠高于上一波頂點的公司。七年為終止的一個賽跑，中間還會有幾輪淘汰賽。
衛詩婕：你覺得從去年開始，具身行業的融資軍備競賽已經開始了嗎？
王啟斌：當然已經開始了，在全球融資逐漸形成馬太效應，越往頭部的公司，會拿的錢越來越多，越來越快。
漫談Light the Star
PART THREE
新世界的物種，
會降維打擊舊世界嗎？
衛詩婕：能不能先講一講你早年的求學和工作經歷？
王啟斌：我是一個 70 后， 2001 年去海外求學， 2008 年在美國的喬治華盛頓大學讀博士。然后我就回國了， 2008 年到 2012 年我在黑莓手機做產品經理。之后我還做了智能音箱—— Sonos 是全球最早做 WiFi 音箱的品牌。
2018 年是一個分水嶺，我開始想怎么樣做出一個更有意思的事情，所以我在 18 年加入了云跡，那是國內最早做酒店機器人的公司。后面去了京東，創業的前三年半都在京東 X 里做配送機器人及無人車。
衛詩婕：2008 年應該是黑莓最后的巔峰時刻，雖然當時黑莓還有增速，但蘋果的增速更快，等到它反應過來的時候已經來不及了。你是在戰局結束之前離開了黑莓，這段經歷對你來說有什么影響嗎？
王啟斌：非常大的影響。黑莓是當時全球唯一的凈利息能做到 25% 以上的公司。第二個是蘋果。 To B 和 To C 是不是有絕對的分割？其實并不一定——蘋果是一個典型的體驗做到極致之后，從 To C 做起，蠶食了 To B 的市場。我們經歷了當時一個很大的技術范式的變化，就是 iPhone 的興起，一個好的、智能的傳感器的平臺上，開始有各種軟件的生態。18 年去做機器人是因為我覺得智能在那個時間點發生了另一次的變化，那就是行動。機器人移動能力又是一個智能更大的突破。
衛詩婕：什么是智能？什么是好的產品？
王啟斌：智能是隨著技術演進在不停放大的。那個年代的智能，大家講的是一個里頭有很多傳感器，能夠感知地理信息、攝像頭的輸入、氣壓計，所以能夠做出很多很新的應用，就是移動互聯網一波的興起。從 18 年到現在 7 年，我們這一波能從 23 年開始做具身的集成，本質上還是因為模型算法推翻了以前的智能概念，出現了一種新的智能。類人的模型的思考能力，推理能力，包括硬件平臺上的交互能力。
衛詩婕：其實黑莓是智能手機的開創者，但是現在大家都會認為 iPhone 才是。你覺得智能手機的權力更迭最本質的原因是什么？如果重新回到那個時代，你做黑莓的 CEO ，有什么方式改變它的命運嗎？
王啟斌：我覺得很難改變，但是實際上有一點，黑莓可以做得特別好。因為黑莓是個商業手機，有兩點東西非常吸引人，一個叫 BBM ，最早的全球最好的實時通訊；第二是郵件。其實當時中國移動在做智能手機，要求黑莓能不能 license BBM 這套軟件給一個第三方平臺，我覺得底層的邏輯特別像微軟 Office 365，歷史上發生過幾個這樣的事情，第一個事情是蘋果自己當年做 iTunes ，其實一開始只在 Mac 上用，后來 license 到 Windows 上面。
衛詩婕：從封閉走向開放。
王啟斌：對。同樣的事情也在發生，在整個硬件底層，黑莓當時沒有那個創新能力了，但實際在上面的一些應用層其實是可以有更好的選擇的。
衛詩婕：所以你覺得勝負手其實是在于蘋果構建了一個相對開放的生態。
王啟斌：勝負手并不在于構建了一個生態。第一硬件層面上，它很早就發現了日本的一套 Memory 存儲技術。第二，整個 iOS 軟件生態從哪來？ App Store 更早之前已經有 iTunes ， iTunes 是個歷史性、顛覆性的產品。因為這套云端的管理音樂下載的平臺，實際上讓大家存音樂更方便，更重要的商業模式的變革是，大家以前買碟是一盤一盤買，垃圾的歌曲和好歌曲都在一塊， iTunes 把它肢解成為了按每個單曲付費。
大家看到的 iPhone ，是所有東西交織在一塊，經過這么多年形成的全球公司，沒有一家能說那個時候能做出來。黑莓當然是一個失敗的案例，但是我看到諾基亞失敗，不是一家公司的失敗，一系列的公司倒下去，而且（擊敗他們的）這個物種不是在舊世界站出來，是來自一個完全的新世界的物種，降維打擊了個舊世界。站在舊世界的人不用抱怨，這就是宿命。
衛詩婕：具身這個行業，目前優先出貨肯定是給 B 端的，但最終是瞄向 B 端產品還是 C 端產品？
王啟斌：從中期的愿景來說，我們一定是瞄向 to C 端產品的。我們老說做的是一個通用靈巧操作，最通用的地方在哪？家庭里， to C 的產品最通用的。但是家里其實是目前最難的。它涉及到技能型的泛化，還有環境非常結構化，所以我們現在選的是 to B 的切入點，因為物流和服務業其實是泛化性居中。其實我們實際上還是走通用，最后一定會走到 toC 的那一天。
衛詩婕：這是不是跟蘋果黑莓那段歷史給你的啟示有關？最早的時候，黑莓在 B 端還是非常強勁的，蘋果從 C 端的用戶體驗做到極致開始，在 C 端先有大量的滲透，反過來包抄了 B 端，最終實現了一個完全的領先。
王啟斌：這里頭有個非常底層的問題，一直沒有人深入去聊。黑莓和蘋果發生的那段事情，其實提了一個問題——什么類型的 to C 產品能夠擊透 to B，滲透進去？蘋果是完成了的，后來很多公司的人，大家攜帶自己的設備在上面做 ip 、做 apps 的管控就能用。
那也就是說，to B 不是個簡單的to B，里頭是有些平臺型的產品的。在這之上，其實也有些有二次開發的東西。我們今天來談機器人，談具身，要談的是做的是什么樣的機器人？我們這種機器人本身是一個類平臺的東西，它是不是能夠具有從 t oB 穿透到 to C 的特性？或者反過來，現在有做 to C 的公司，會不會逆向穿透到 to B？我覺得是有可能的。所以基于這個邏輯，我做的還是更為通用。比如說我們今天做展示的機器人的基礎模型能力，很多東西抓起來，掃個碼，然后再放置，包括打個塑料袋，這些能力其實都可以用在 to C 。
衛詩婕：什么樣的 to C 的產品有機會把 to B 打穿？
王啟斌：to C 產品通用的那一些能力能夠被更好的、更便捷的集成在 to B 的系統里頭。
衛詩婕：我最近聽到一個非常有意思的想法，具身產業里面非常杰出的一家硬件創始人說，他認為在 B 端領域，未來所有的公司都是機器人公司。世界上不會有兩臺長得一模一樣的 B 端機器人，因為每一家企業都會定義自己的需求，追求最高的 ROI ，去定義一臺差異化的機器人。也就是說，市面上所有 to B 的機器人公司沒有辦法完全滿足一個 B 端企業的需求，所以最好的技術是一個開放的，能夠給對方用的技術，而不是去賣產品。你怎么看？
王啟斌：這是個很有意思的問題。我從兩個角度來談一下。第一，我覺得這個路徑其實會走從通用到專用，今天做具身的底下有幾層規律，從技術到研發，第一就是硬件，最大的規律是規模效應，做到最后產業格局多頭壟斷，如果 B 端大客戶有規模效應，就能 define 中腰部客戶。它能夠 define 定制它的硬件嗎？我認為硬件本身一定會出現多種形態。但是我不認為在短期內每家都有自己的形態。
之后，我們說一定要有腦和數據，那實際上也在講的是這套腦本身能覆蓋多少應用場景？它覆蓋新的應用場景、用一個已有的腦來覆蓋的時候，邊際成本有多高？所以我個人認為，這一局的腦上面有更多不確定性，符合強者越強，數據進去的越多，飛輪效應越快。我認同的是，腦的東西可能會有一個通用的，硬件上頭部公司可能會定義自己的硬件。但是腰部和長尾的公司，其實很難獨自擁有自己的硬件。
衛詩婕：你一直是產品經理，你覺得 AI 時代，想做的產品到底是什么樣子的？
王啟斌：一套深度耦合的，能驅動解決真正的物流，一直到未來家里產品生態的東西。
衛詩婕：所以它會是軟件？硬件？還是一套系統？
王啟斌：它一定是套系統。目前在可預期的幾年里頭，一定是深度軟硬耦合的產品。前幾天 Dyna 創始人 York Yang 也在講，包括您剛才問的問題，美國頭部公司模型非常強，我個人堅持認為這個命題在 5 年之內都是偽命題。因為目前具身還在一個非常強的軟硬耦合的階段。
舉一個例子，今天來做操作的，如果不做到硬件底下的控制層面，我根本無法達到一個系統最優。一個高動態的動作進來之后，我怎么能夠在系統上做出來？收集數據就要把這樣的從視覺收集出來，讓它不是一個靜態的，一直到最后出來的系統里，它一定是目前深度從硬件的嵌入軟件耦合的。這個耦合只有迭代到一定的階段，才會出現一個生態的最后的解耦階段。
衛詩婕：你們似乎現在也沒有公布硬件產品。
王啟斌：但實際上我們在和合作伙伴在深度定制硬件產品，在硬件里深度的寫了所有的控制軟件，從位置控制，到速度控制，到電流環的力控，都是自己寫的。硬件是自己設計，找合作伙伴定制，然后完成兩個重要的任務，第一個是系統的軟件做到最優，第二是要做到成本最優。
衛詩婕：硬件 5 年之內應該不會是通用的吧？
王啟斌：其實是會從通用走向 specialist 。目前大的形態就兩種，比如說具身是人形的，和像我們這樣的輪式雙臂雙手人形，其實大家都是在這樣類似的形態上來做系統的耦合迭代，可能迭代到一定程度才會追求到您說那個階段，極致的追求性價比，硬件就開始降配。
衛詩婕：在硬件層面，你們現在選擇了輪式的本體。我覺得對于工廠、客戶來說，非常不 make sense 的一點是，如果機器人雙臂就可以操作好的話，我為什么要一整臺機器人呢？
王啟斌：好問題。我們現在設想的落地的場景有兩個版本，有一個是固定在上半身的。另一個可以移動的，加上半身的。本質上還是來源于對腦訓練的數據。我們現在有數據采集的設備，冷啟動這套飛輪。具身的最底層邏輯和車不一樣。車即使沒有智駕系統，會有人自己開。因為有了底層的存量市場，大家其實做了一個重大的范式轉移，開始有智駕了。智駕的數據就回流了，所以它是一個典型的非常好的用戶花錢買了車，還給車廠免費提供數據的模式。非常遺憾的是具身在一個完全不一樣的啟動模式。
去年大家也知道，哪怕頭部的公司硬件出貨量也就在 5000 臺，今年大幾萬臺。這個時候，第一個飛輪就要去收集數據，所以這是我們現在定位去用人類數據收集。最后還是會有一步，真實場景中做推理的時候，數據怎么回來？所以在那個地方，實際上我們是要有自己的硬件的，會在一些場景中布下去，在真實環境中還會有些有些新的東西，我們要數據回來。
衛詩婕：我還是沒有聽懂，為什么非得要有輪式？為什么一定要有身體？為什么不能只是手？
王啟斌：正式的應用場景里，細分的有幾種不一樣的。如果僅僅是桌面級的操作，其實就是雙臂、雙手，或者單臂。第二個其實是大家看到的，在縱向的平面，或者環形的地方要有操作，這個時候一定要有腰的能力。還有很多很典型的場景，其實可能就在一個 4 ~ 5 平米的平米內，商超上面想要補貨、揀貨這種場景，需要快速的、穩定的移動。這就決定了產品的形態。
衛詩婕：這兩類數據它最終會訓一個模型，還是分兩個池子去訓？
王啟斌：現在是訓一個模型。
衛詩婕：你過去在云跡、京東做的，主要是下半身能力，也是上一個時代自動化機器人的敘事，把運動能力做到一個比較好的可商用的狀態。這一波通用的具身，其實是在攻克上半身能力，當然下半身運控也在做，最大的創新仍然是體現在上半身。現在資本市場很多務實派的投資人，他們其實內心在打鼓。上一個時代做自動化機器人的公司并沒有退出歷史舞臺，也在做具身轉型，也有勝算。這一波具身的創新派也會有勝算。但是最后誰會勝出？你思考過這個問題嗎？
王啟斌：大概率結論是上一波做集成公司在這里很難贏。因為這是一個非常大的頂層需要回答的問題，這一波的集成公司到底是解決了什么樣的問題？相應的需要用什么樣的技術路線來回答？
之前在做移動的時候，SLAM 技術在 2015 年前后興起，中國就有了室內的移動、倉儲移動的公司，很多是基于規則的。那這一波我們解決的問題其實是一個更為挑戰、更復雜的操作問題。都是用基于學習的范式來學。后面人才完全不一樣，都是屬于在新的算法的范式里訓基座模型的人才，這個東西是非常大的挑戰。
上一波的集成公司，更多的是有自己的場景。但是實際上有場景的循環的，可能恰恰是負擔。上一代集成公司更多的在用基于規則型的技術在解決一個細分場景的問題，這一次完全是一個新的變化，要用基于學習范式的通用的技術，讓飛輪轉起來。一個一個場景的擊破，未來解決的是更多的場景的問題。它和深耕于一個場景里頭做一個最優化的，其實是不一樣的，整個的技術路線、人才布局都是非常不一樣，這是一個最大挑戰。
衛詩婕：所謂的 learning base 是需要很多數據去訓練出來的，是不是可以理解為當有一天這種智能真的萌芽，上一代做自動化的公司，只要最先地應用上通用技術，把客戶的整體系統全部翻新一遍，理論上他的數據的回傳是可以比做具身的公司更快的，因為具身公司可能要重新去攻克一個又一個的市場？
王啟斌：快速接上我覺得是有可能的。那個時候他有他的場景，他有他的客戶。但是另一方面可能會發生一個變化，如果有一天有個通用的大腦來解決了很多場景的問題，其中一個場景被解決了，最值錢的東西是在誰手上？
衛詩婕：假如你今天仍然是一家上一個時代自動化、自動化機器人翹楚的公司的 CEO ，面臨這個時代，你會怎么做？
王啟斌：我覺得非常簡單的就是完全開辟新的部門，做獨立的創新及投資，這就是成功者的詛咒，創新者的窘境，之前的成功范式很難在體內孕育出新物種來，極大可能是不可能的。
衛詩婕：所以其實你是因為當時建議沒有被采納，所以決定出來創業的嗎？
王啟斌：是這樣的，這是我一個心結。其實在去京東之前，我有個選擇，要么在一個創新公司去負責一攤完全創新的業務，要么就去京東。我當時認為做物配送體系的應該是誰有場景，誰能夠贏這場戰斗，但是實際上，這段經歷只是印證了創新者的窘境——其實不是誰有場景誰就能贏。包括我們后來做無人配送——今天做到的頭部公司全是創新公司。大廠都落后了，為什么？還是因為在一個已成熟業務的大公司里頭，它已有的業務，不停地在強化自己的商業模式，它的流程，它的決策，對一種創新的游戲，周期相對長，會非常艱難。
衛詩婕：本質其實是這家公司的精力跟人才，永遠會聚焦于它上一個模式當中，它很難抽身出來去做一件足夠創新的事情。
王啟斌：你說的太對了，它是無法分身的。一個組織類似于一個人，是一個有機體。一個有機體真的很難做到徹底的這個時間做 A 面，馬上下個時間段完全分裂成一個相對立互斥的 B 面，很難的。
漫談Light the Star
PART FOUR
從 Research 到 Development，
瘋搶科學家，Bottum up ，與具身創業團隊的「治理」
衛詩婕：你在京東留到了 2023 年。但 ChatGPT 是 2022 年底出現的，為什么晚了一年出來？
王啟斌：我是 2023 年的年中開始找首席科學家的，花了基本上半年的時間找團隊。
衛詩婕：靈初是直到 2024 年 9 月份才成立的。我認識的一個投資人說過這樣一個觀點，真正有信仰的公司 2023 年就出現了， 2024 年再出現的都是跟風造熱點。
王啟斌：我個人不認可他這個觀點，只有自己創立過一個公司的人，才知道創立一個公司是需要做很多準備的。其實靈初真正拿到的融資是在 2024 年的 5 月份，在 9 月份才真正注冊公司。實際上我們真正開始干活是 6 月份，但是公司被人搶注了。從 23 年我就要創立這公司，有我的 mission ，要找到非常跟我情投意合的聯創。最后才是剛才你問到的，我們都決定干了，才來定路線和一系列的問題。
衛詩婕 ：為什么叫「靈初智能」？
王啟斌：我們其實是先有了這個手樣 Psi（Ψ），我們再去想它的名字，覺得強化學習類似于一個孩子的成長，我們那時候意識到：要逐步地去交互，它其實是應該有各種靈性的。 Psi（Ψ）本身在希臘字母頭有心理學的應用，有物理學的系數，它非常有靈性，有強化學習的一個好的系統應該是這樣的。最后靈初這個字這樣合了下來。
衛詩婕：具身領域有一種非常標準的配置，靈初完美的契合了：一個干過硬件跟量產的老將，也就是你；加上一個杰出的科學家，在你們公司就是楊耀東老師，他是國內的強化學習的專家；再加上一個年輕的科學家面孔，就是你的00 后聯創源培；再加上一個干算法非常厲害的人，在你們這是干過自動駕駛量產的柴曉杰博士。配置如此標準，這是一種巧合嗎？
王啟斌 ：這個是取決于我們的認知。這一波最難的和之前的不一樣是，從技術到產品的這段路可能會走得比較長。所以一定要有各種各樣的角色。我的背景其實是產品經理，所以我對整個產品以及制造走到市場走過很多輪。這回在一個更強的技術范式里，需要很深的科學家。曉杰能承擔的是智駕底層算法工程化。所以當時我們在組這個團隊時候，就是從這幾個層次上來看。
衛詩婕：一個自動駕駛出身的人來干具身企業的一號位，和產品人來干具身企業一號位。會有什么區別嗎？
王啟斌：其實每個創始人的最大的區別可能是在于自己的對世界、對組織的認知，后面的相應的是能攜帶多少資源進來，做一個復雜的系統的創新，長賽道的創新里頭能夠聚合多少資源？所以從本質上，我不認為就這么一個行業性的標簽有本質性的區別。
衛詩婕：我知道的是，從 23 年開始，國內的學者們在具身這個領域其實是被瘋搶的狀態。你幫我驗證或者驗偽一下這件事情。
王啟斌：這是真實的情況。當時實際上我去找了美國的科學家和中國科學家。在國內科學家里能夠做操作的是非常有限的。 23 年有一兩個公司出來了，有的是科學家，后面也有產業大佬在聚集。我覺得我跟耀東和團隊能走到一塊，其實也是在那個時間點彌足珍貴地聊過之后。大家能攜手創業。
衛詩婕：你為什么最終選擇 base 在中國，而不是像很多創業一樣，直接 base 到美國去？你曾經在外面留學和生活。
王啟斌 ：目前看到的現象是，的確有人是出去創業了，也有人回來了。為什么 18 年下定決心從 Sonos 離開？ 那個時候有件事情對我其實傷害非常大，我當時是把 Sonos 全球的 CEO 帶到中國來見了陸奇，因為我們當時在做智能音箱的合作。在美國是跟亞馬遜、 Google 合作，在中國要選唯一的合作伙伴。
當時陸奇在美國的家里頭全是 Sonos 音箱。他非常喜歡 Sonos ，所以陸奇就坐在那跟我們說，你們想在中國做什么事情，我立馬讓我的團隊跟你們對接，非常快就能做出來。從那個樓里頭出來，我就開始問我們老大，什么時候開始動手做？老板們說 9 個月之后，先把亞馬遜做完， Google 在 pipeline 里，百度第三號。我那時候就覺得在一個全球的盤子里，想做一個事情是非常 frustrated 的。所以我其實那個時候就想在一個中國的生態里頭，做一些對我來說特別有意思的事情。我不知道這個事是不是在潛意識影響著我，所以我其實就沒有想過一定要在海外創立一個公司。
衛詩婕：中美兩邊具身的科學家有什么風格上的差異嗎？
王啟斌：美國那邊可能想的事情會更為宏大一些，更少關注短期之內的落地的事情。中國不僅僅是做模型，要考慮商業化應用的問題，所以整個 researchment 在中國的生態里頭，也是被強化學習過的。
衛詩婕：北大的楊耀東老師，他是國內最早涉及到靈巧手這一塊的科學家？
王啟斌：是的，他從 UCL 回來之后，回北大在做強化學習上面有兩個具體的方向。在國內最早做了整個雙手操作的模擬環境數據，后來再開始發表靈巧操作的數據應用的論文。另一個就是他在做大模型的后對齊。包括他在 22 年年底就承接了國家級的已經落地的通用靈巧操作研發項目。
衛詩婕：作為一個非技術人士找尋科學家的時候，怎么判斷哪個科學家適合創業？尤其是適合跟你一起創業。
王啟斌：好問題。有幾個技術的判斷，先看這個老師做的東西，回到基本面來，到底是發個論文還是有 demo ？ demo 其實意味著東西更往前走一步。當然也會有背調，也會去問問這些老師們做的研究，到底最專長的地方在哪？他所選的技術天花板要足夠高。另一個方面，要有很強的幫我組建最好的研發團隊的能力。最后，最重要的是，創業還是一個非常有挑戰和持續一段時間的事情，所以我很關心老師們自己對創業這個事是不是真的有承諾在里面。最后要談的是核心的利益，既有效又可持續。
衛詩婕：楊耀東老師介紹了他的學生源培加入這家公司，也是你們的聯創。他發的一篇非常重要的 paper ，是人類的數據怎么能夠真正用在通用靈巧操作上做數據遷移？
王啟斌：是的，他是在李飛飛和 Karen Liu 的實驗室里做研究，以及最后離開之前發的這篇，用人類數據，在仿真里去訓 sim to real 的操作，這一塊是我們在現在發布的 W0 模型里頭，用強化學習這一套。
衛詩婕：非技術人士怎么判斷科學家們做出的研究成果是不是真的非常扎實？一個非技術的一號位怎么去評判內部的技術是否真正足夠領先、足夠可用？
王啟斌：我們實際上有豐富的科學家含量：楊耀東、源培，還有溫老師（溫穎）——上海交大的科學家，有部分的 Peer review 這種機制去看，然后再看整個的效果，其實是能夠看出來我們的模型里頭的真實研發狀態和效果。
衛詩婕：往期嘉賓姚卯青說，對于一個沒干過量產的科學家，做研究的時候deadline 是可以被推遲的，甚至可以被無限推遲。但如果你要干量產交付，要干商業化的話，最后就是有一個明確的 deadline 要管理。在你們靈初內部，更偏向于哪種模式？
王啟斌：其實是不能用這套方法管理整個算法模型的研究的。在最早的探索期，強的時間管理并不是一個好的方式。到了我們最近的一版模型，有更為接近靠譜的時間線。針對不同階段，底層技術的管理方式是不同的。
搭建團隊非常重要的是我們現在做的是 research and development，也就是說要做工程。算法的人和工程性的人，怎么在一個組里頭？其實我們實際上現在有個大組，算法的人在上面，下面有很強的數據平臺、訓練平臺，包工程性的架構師在一塊，快速的迭代，它和做硬件的量產又有不同的搞法，硬件的量產其實是有嚴格的 milestone ，但具身技術并不完全一樣。
衛詩婕：在具身，包括 AI 這個領域，現在最有意思的就是你沒有辦法確定所謂的探索期窗口到底是多長——它是有兩種分野的：國內智元鋪量產就很猛，還有可能做大腦更重的公司，聲稱我不走（鋪硬件）這條路線。
王啟斌：硬件出發派，就是從整個硬件的發貨量，做到穩定、便宜、規模化來迭代，這是一條思路。另一派是從模型和數據出發，在用更好、更優質、更批量化的數據訓模型，再往下走，大家的路徑是不一樣的，就決定了大家研發的流程上面其實是有些差異的。
衛詩婕：有一類公司，他會認為一定要賣本體，做本體，因為有數據采集能力的本體才是做大腦公司非常強的制勝要素。您怎么看這種聲音？
王啟斌：我覺得這是兩條路，怎么走是有很大的差異的。如果做本體，現在大家可能是一條路是極致便宜，我可以進現場，包括從遙操作切入來做數據閉環。這是一個特別典型的特斯拉的思路，我個人認為在這條路上面，具身比特斯拉的難度更高，是因為機身耦合的硬件本體的挑戰，耦合算法的模型要求的難度更大。而且有一個大的前提是，如果算法不夠足夠好，硬件進去之后轉得慢，又未必能夠跑那么快。
我們的思路是從模型出發，再用人類數據啟動它，把這個模型開始轉起來，然后放到一些我設計的，人家定制的本體上面開始轉。現在說孰優孰劣為時過早。
衛詩婕：具身這個領域技術棧很長，需要很多跨領域的人才，這就對管理造成了非常大的挑戰。怎么讓不同領域的人才融合在一起？這方面管理你有經驗嗎？
王啟斌：這是個很好的問題。我覺得這一次和我之前集成團隊有很大的不一樣，包括最近我在想管理這個詞是不是已經落伍了？現在是不是應該談「治理」？回到從技術到整個產品研發的階段，我個人認為，在一開始的 research 階段，可能更多的是 bottom up 會更好。比如說我們跟北大也有聯合實驗室，大家在跟進最新的一些技術，或者看全球路線的時候，很多從下至上開始研究。一旦真正覺得已經看到了某條路線的重要性，要開始做 development 的時候，就需要從上到下的決策，要投更多資源進來。
第二個是如何組織資源？目前我們還是以項目牽引制，這種大項目、超大型的項目，可能一個數據的項目就是七八十個人投在里頭，各個部門投以項目牽引來往前快速地迭代。
漫談Light the Star
PART FIVE
全行業最大手部數據集，
只有真正訓大腦的公司，才有資格定義什么是 Garbage
衛詩婕：判斷一家公司是否真正在訓大腦，一個最直接的標準就是每年花多少算力。靈初算力的消耗可以透露嗎？
王啟斌：保守來說今年會是大幾千萬（人民幣）的算力投入，可能都覆蓋不住。客觀上在我心里這并不算多，但對于一家具身創業公司來說也絕對不低。實際上，后面的 data 的 scaling 會起得非常快，到年底 100 萬小時的真機數據到底要吃到哪個程度上，算力要報到多少，我們現在還在看。
衛詩婕：國內大廠也在做具身大腦訓練，這些公司的財力和每年能夠在算力上投入的資源比創業公司大得多，更別提到他們還有基座模型的優勢。你們這些創業公司怎么面對這些大廠對手呢？
王啟斌：在對整個模型訓練的數據，我們是有很多底層洞察的。比如 4 月份發布的模型，我們堅持整個手的 3D 的位置的精確度，其實是遠遠大于觸覺的重要性，遠遠大于 2D 的照片。意味著我們采集的設備上面，其實是捕捉了人的關節角。這個和現在很多基模公司，僅僅用純視頻的，一個第一人稱的視頻訓的模型，還是有不一樣的。人的關節角軌跡能搜下來。和現在大家僅僅是帶一個攝像頭去取，我們的肯定更精確、更豐富。這樣就決定了我們其實在訓模型的時候，反復的迭代，包括我的數據量，模型能力肯定會越來越強。我覺得我們還是有獨特的一些理解和復利效應的
衛詩婕：你說今年你們的數據的 scalable （規模化）會快速的上升，為什么？
王啟斌 ：我們在 4 月份發布的模型，實際上是在一個 10 萬小時多模態數據上。包括了視覺，包括了關節角，包括了觸覺多模態的數據上面訓出來的，我們其實已經在這個量級的數據上知道了整個數據進來之后的管線效果、模型效果。所以我們后面是要把數據做擴展，這是在今年可預見的，說白了就投資源進去做。
衛詩婕：所謂的數據管線是，你們把這個手套給到合作伙伴，讓他們去采集數據，再把這個數據回傳給你們去訓練模型，這就叫一個數據管線。
王啟斌：對，管線是指數據觸及的平臺。平臺上面能夠做數據的審核，標注處理，這些都做完，再放進訓練框架里頭去訓模型。
衛詩婕：你的合作伙伴都是誰啊？
王啟斌：在數據的生態里頭，我們投資了數據的運營方，其實也有些合作方。
衛詩婕：這 10 萬小時的數據是在多久的周期內，怎么形成的？
王啟斌：從去年 10 月底開始，一直到今年的 3 月份， 5 個月。我們其實是在三個數據采集場里頭，有幾百套的手套在里頭去采，采出來這樣的數據。
衛詩婕：在手部這一塊是現在全行業最大的數據集。
王啟斌：對，其實大家可以看看我們前兩年在 huggingface 上下載排名第一的那個數據集，那是真的 1000 個小時的多模態的數據。
衛詩婕：現在數采有一些亂象，因為我聽說各地合作的數采場，現在已經出現了很多空置的現象。
王啟斌：那一定有，要采什么樣的數據？如何采？如何做到低成本的采？其實并不是每個素材廠都知道的。我也知道全國其實建了大概有 50 多個素材廠，真正高效跑，跑得好的，能夠真正把數據拿出來做交易的，可能不到 10 個。
衛詩婕：什么樣的數據可以被視為能夠規模化去做預訓練的優質數據？
王啟斌 ：好問題。人的作業的操作有三個特性：對任務做長程的分解，這是語義層面。又能夠做很好的手眼協同，還能夠做糾錯，數據本身要滿足這樣的要求。
第二個就是要有手眼配合的多模態數據，所以為什么我們反復的在強調我們的數據手套是能夠除了視覺之外有觸覺，有關節角多模態的數據，包括采集的時候任務的多樣性，都非常重要。有這樣的組合才能保證規模化的數據出來之后很高質量的來訓模型。
衛詩婕：只有有大腦能力的、真正在訓模型的公司才能夠定義到底需要什么樣的數據？
王啟斌：非常對。其實數據本身還是要有一個需求方。所以真實的場景現在有兩種公司在用數據，第一個就是基模公司，中國的或者是美國的。第二種就是頭部的集成公司。我們其實是自己在用數據，所以我知道什么樣的數據很重要，所以覺得這個沒有一個模型需求方來牽動這個數據，那一定是一個非常的亂象的、無序的和低效的，或者是垃圾場級別的數據采集。一定要有很強的這種公司在前頭做牽引，對數據做定義，不管從格式、模態做定義，最后這個數據廠才能有效生產出數據。
衛詩婕：行業有一句話叫 “garbage in ，garbage out”，如果數據不太行的話，訓的模型也不太行。
王啟斌：只有基模公司和頭部的集成公司能夠分辨是不是 garbage ，這很重要，大部分人現在有可能的確在生產 garbage 。 （做出）10 萬個小時（手部數據集）之前，我們經過很多嘗試。比如我們是不是需要深度的數據？深度數據到底用什么樣攝像頭？很多東西要去試的。
衛詩婕：很多公司在做通用大腦，我理解那個通用大腦其實也涵蓋了靈巧操作的部分，你們有什么樣的信心說，我會比那些做通用大腦的公司做得好？
王啟斌：我覺得通用現在也是一個被濫用的詞語。通用的意思其實是，人的數據輸進來之后，其實是更接近人的數據訓的模型，它有很多的泛化的能力，能做長程的操作。這里頭很復雜的是，我要做人的高自由度的手，里頭的手眼協同這個事情，實際上是我們從模型到數據側一路走過來的。一個僅僅做非人類數據來源的（模型）怎么能做到持續的多樣化？
衛詩婕：你們定義的真實數據是什么？
王啟斌：用以人為中心的數據采集設備采下來，而不是純粹仿真這種數據。
衛詩婕：市場上的仿真派，你怎么看？
王啟斌：我們還是堅持把真實數據做到好，其中一個反共識是，真實數據經常被詬病成本，但其成本和多樣性其實是更有優勢的。
衛詩婕：真實數據它的成本還有下降的空間嗎？
王啟斌：一定有的。整個數據的成本分三大塊，第一個就是采集設備的成本，這符合規模化的硬件迭代的邏輯。第二個很重要的是數據采集的運營成本，涉及到人的成本，這個其實在國內有大的運營體系頭也能做到。第三個是存儲及算力的成本，這三個在一塊的，我們其實想辦法是可以持續往下迭代。
衛詩婕：現在在中國采集一條真實數據的成本是多少？
王啟斌：不一樣，這取決于任務的容易和簡單，從幾十塊錢一個小時到 100 左右一個小時都有可能。
衛詩婕：這個數字已經比半年前聽說的數字要下降很多了。
王啟斌：是的。半年前大家可能很多的還是在以遙操作為主體，一套機器人的固定投入分攤成本很高。現在牽引到人類數據，采集設備的成本就會低很多。
衛詩婕：你怎么看 PI 的 UMI 式的夾爪數據，對于整個行業的影響是什么樣的？
王啟斌：PI 的真機遙操作的數據在告訴大家，用真實的數據來跑模型的效果是有效的。比如 PI 0.7 告訴大家，在夾爪上面可以泛化，同時它能夠做到對語言的理解，比如說 compositional 的去直接拆解成機器人任務，這個其實是很重要的一個突破。
不過我們并不和 PI 完全對標。因為 PI 用的是夾爪數據。我們采的是高維的手的數據。這一點跟最近的 Dream 系列，也就是 Dream zero 和 Dream Dojo 有些部分有些相似。
衛詩婕：PI 公布了夾爪式的數據，但未必代表他只在做夾爪，可能人家也在做手的？
王啟斌：對，據我們所知道，（全球）應該有這么兩到三家。
衛詩婕：你們的靈巧操作模型，預期能夠做到什么樣的狀態會是滿意的？
王啟斌：在具身賽道里頭，雖然投資人瘋狂在問大家，我們是不是在走到類似于 ChatGPT 3.5 的年代。但今天大家可能還在一個相對平靜的階段，突變點沒有發生之前，好像沒有人能夠洋洋自得，覺得我們現在已經做出了什么樣的成就。所以我們還是不停地在擴展我們認可的數據的量級，模型訓練的迭代的速度。
漫談Light the Star
PART SIX
Generalist 剛開源的 27 萬小時數據集里有煙霧彈，
國內大腦公司需要對技術有判斷力
衛詩婕：我的上一期嘉賓，智元的合伙人姚卯青，他認為現在具身還沒到 GPT 1.0 時代，談通用是一個有點好笑的事情。
王啟斌：因為這個賽道偏長，大家在用不同的路徑切入。我們從頭還是定位在做通用，從去年開始發布的模型也在證實——我們的確可以在不同的任務上都做到泛化。 4 月份大家看到，我們所有的 demo 都是在一個基礎模型上面做出來的——只是說多通用？我們為什么不碰 to C 的家庭？我的確認為，多種任務、多種物體在完全非結構化環境的通用會是比較漫長的。一個專注的域的通用里頭，其實是可以做到任務通用。
衛詩婕：其實你們倆有一點是共識的，在現在具身大腦這個層面，沒有絕對意義上的頭部，因為大家都沒有完成自己所立下的目標。
王啟斌：這點我是認可的，現在的大家在講頭部，可能是從自己理解的角度，用簡單粗暴的估值來看。但是在這一場顛覆性的范式里，現在誰說頭部都過早。
我覺得第一輪淘汰賽都沒有開始。像剛才說的做大腦的公司，找到了一定的小的配方，能不能把數據量級高效的擴展？然后再在模型里頭形成迭代，模型迭代的效果是不是能夠落到真機上面做一定的好的效果？
衛詩婕：具身數據領域，大家會用 recipe 這個詞，就是配方。數據如果能在市場上流通，其實數據并不能帶來絕對的壁壘，但是配方帶來的領先性，會是比較稀缺的，對嗎？
王啟斌：作為一個大腦公司，我們認為一定是這樣的。
大家可以看到整個 GPT 的模型，我記得應該在 3 還是 3.5 之后就不公布技術細節及數據配方了，具身里頭更復雜，現在大家展現的模型效果里，具體用的什么數據配方，其實的確是一個只有自己知道的事情。
衛詩婕：對于一個創業者來說，你會把公司訓模型的 Recipe 公布給投資人嗎？
王啟斌：當然不會了。我們會交流，講一個大致的。但是實際上真正的數據配方肯定不會公布。
衛詩婕：那投資人投之前，豈不是盲選？交錢進去才能看底牌？
王啟斌 ：投資人最后看的是這道菜到底怎么樣。也看不到 Recipe。
衛詩婕：我一直有一個疑惑是，如果對于自身訓模型來說，含金量特別高的數據的話，我是絕對不會拿出去賣的？
王啟斌：這是一個，還有兩個點沒有說透的是，具身模型需要的數據量是遠遠超出我們的預期的。我們認為 100 萬個小時只是個起點，真正可能都要乘以 100 倍，1 億個小時。也就意味著數據的需求是一個汪洋大海。我們的各自擁有的數據可能在其中只是一小個湖泊。湖泊里頭的資源數據是不是很稀缺？當然是稀缺的，但是有沒有可能是這些數據加在一塊的綜合效應更大？
所以我個人預測數據在一定的階段會發生于數據交換的模式。就是我手上的有價值數據和你的數據做交換。
我不認為在可預見的三年，誰能真正的壟斷了數據。因為數據的采集成本以及具身應用場景太大了。舉個例子，我在物流場景或者商超場景做兩年的數據，對物流里頭、商超里的東西都很熟。您可能做的是一個在工業上面高精度的，就孕育了我對模型的數據的價值是不一樣。但實際上有可能大家實際上做數據交換。
所以真正在這個汪洋大海里頭，目前看不到誰能壟斷數據，大家可能都是想獲取更多的數據資源來進入到模型里頭，讓模型能力增強。
衛詩婕：機器人的大腦公司到底應該怎么做？全球領先的大腦公司給過你們什么樣的啟示嗎？
王啟斌：去年年中開始，全球頭部的模型公司，和我們的判斷非常接近——真實數據非常重要，而且配方做得好，其實會很顯示很大的模型效果。
衛詩婕：剛才你說到蘋果手機做得很好，在那個年代有一個非常 smart 的點，就是它把多傳感器的這一套融合得非常好，在一個用戶體驗里面去交付了。我覺得在具身領域，機器人需要非常多模態的數據，但現在在大腦層面，大家似乎并沒有共識的架構？
王啟斌：我覺得部分是這樣的，現在有主流的架構，但是不是主流架構在一定的階段是一個絕對壟斷性的架構，還值得探討。底層架構的有效性是不是這么強？本身是需要數據的驗證的。 Transformer 的架構能夠一直往下做是因為在 GPT 3.5 以后，尤其是一直到推理模型，后面加上強化學習這個范式里頭吃掉了非常大的數據，能夠驗證。
我們現在做兩個事情，一個事情就如何在復雜的空間里頭做操作？這個事情現在大家認為基于數據量的 world action model 可能是一個好的探索。我們在講人類語言里說一句話，如何類人的把它拆解了能夠制作，這是什么樣的架構？其實之前大家覺得語言模態很重要，我覺得還是要有定量數據量支撐起來，再驗證這個架構。
衛詩婕：美國的具身大腦公司確實比中國的大腦公司領先一個身位。中國有機會在大腦層面做得更好嗎？中美在具身大腦的訓練敘事上，會有不同的故事嗎？
王啟斌：其實是有這樣的機會的。大語言模型上面，我們看到 DeepSeek 其實在 R1 的推理模型上快速的趕超了美國，而且是在一個算力資源受限的情況下。所以在中國的生態里頭，具身模型的大腦現在其實還在非常早期的階段，大家都會快速的迭代。中美之間到底后面會發生一個什么樣的敘事邏輯？它是個動態的。
如果在中國，數據能在低成本下，快速地高質量化和起量，我們有可能在模型上是能夠追的。
衛詩婕：中美具身在數據層面的成本差異是怎樣的？
王啟斌：半年前，在美國采一條同樣的抓取的數據，它是按美元算的。比如我們做到兩到三人民幣，美國可能是兩到三美元的計量單位。這個數據量就決定了整個數據的起量。現在大家看到，印度的人帶著頭環在給美國采數據。
數據不僅僅強調低成本，還要多樣性。在國內，具身開始接觸泛服務行業，物流流通行業，包括 to C 的數據，大家都開始做。如果做得好，和模型的耦合迭代是有機會可以在某個時間點去追趕或者持平的。
衛詩婕：你覺得具身行業現在進入拐點時刻了嗎？
王啟斌：我覺得已經到了曲線開始跑的時候，但還沒有真正進入到拐點時刻。模型的第一個階段會在今年年底，？到了一定的數據量之后。模型的整個泛化性會更強，今年的會有第一個階段的檢驗。
衛詩婕： 2026 是開始了具身領域的數據軍備競賽嗎？
王啟斌：基于數據量增強上面的模型迭代的軍備競賽已經開始了。其實是 3 年以上的一個周期。因為大家對大腦的整個的未來的希望解決的問題是非常之廣。
衛詩婕：你怎么看現在具身領域有一波聯合創始人出走，自己創業的現象？
王啟斌：道不同，不與謀。舉個例子，在具身發展的理念上面，到底是做技術模型還是要更多的做硬件應用，其實有差異導致各自開山立派，能理解。
衛詩婕：我覺得這一輪創新，核心是么樣吸引到真正優質的研究人員，激發他們去做出有效的探索。在這一點上，創業公司跟大廠有不同的優勢？
王啟斌：的確是的，回到底層，我們要找到足夠的算法人員，這里招聘很 top 的 talents 是一個很大的挑戰，包括在模型訓練上面，我們跟頭部的大廠之間也有過競爭。大家其實都想找訓過大模型的人，能對超大體量的模型做過這種后訓練的人。所以這里面會非常直接搶人。
（問：能搶得過大廠嗎？）我能搶得過本質上想來創業公司的人，但是實際上有時候也搶不過。但是吸引人才從內到外有幾個層次。大家可能初步的看到的是在比薪酬，但是在今天原生代的 00 年左右的這種算法人才，我覺得 package 是一部分，其實還有很多很內核的東西。第一個就是他一定有很希望做的事。我們做的這個事情（通用靈巧操作）是一個非常高的，相當于最王冠級的東西，非常有挑戰。第二個我們在逐步 build 我們的口碑。業內很多獵頭給我們的 HR 反饋，大家會認為靈初是第一個非常簡單的公司。溝通成本非常低，技術的策略是非常清晰的。
衛詩婕：你怎么面試？
王啟斌：基本上所有的候選人，我都會面。時長從 30 分鐘到一個小時。
衛詩婕：問什么？
王啟斌：不一樣，我面試人有兩個目的。第一個，我跟人交流，也在學習。第二點很重要的是，看這個人 fit 不fit。
衛詩婕：怎么判斷他跟身邊的人搭不搭？是一種直覺嗎？
王啟斌：兩步，我會反復的問，你在你的組織中，承擔的工作是怎么協同？你碰到最難的事情，是怎么去解決的？其實我不 care 他解決與不解決，我 care 的是他是以什么樣的方式來解決的這個問題。還有一個他是不是真的用盡一切力氣去解決的這些問題？
我個人很坦誠說，不太喜歡那種簡歷上非常光鮮，說出來事情一帆風順的，沒有經歷過挑戰的。因為我覺得這不符合做一個難的事情的底層邏輯。沒有失敗過的成功不可信。
衛詩婕：我去年在硅谷聽到一個說法， research as a product，現在做 AI 的 researcher 也是有機會定義產品，。你覺得 AI 時代，產品定義者的畫像是什么樣的？研究人員可不可以做？
王啟斌：我覺得單純的研究人員做不了，真實的狀況是 OpenAI 在 2023 年的后面就有產品團隊。我聽說 Anthropic 其實是把 post training 團隊承擔了部分產品的職責。我覺得本質上，產品經理這個角色他還是在的，但是他的能力擴得更寬了。
不管 researcher 是不是能做產品，或者產品經理是不是要更懂技術，我覺得底層是一樣，做產品的人有三個圈：
第一，他要懂技術，不懂技術怎么能在這個時代做產品呢？第二點，他一定要懂 UX ，用戶的交互。第三，一定要有商業思維，他知道這個模式怎么樣能做到一個商業思維的閉環。今天的 researcher 如果能夠很強的技術驅動，做到后面兩個也有 sense ，肯定可以做產品的事情。那產品也是一樣。所以這兩年也是大家可以看到，我們公司現在也有產品經理，自己用 AI 工具畫了所有的原型圖，自己直接就開發了一些簡單去驗證模型。
衛詩婕：你會接受前幾個時代的產品經理的，是嗎？
王啟斌：不是的，我還是在 bet 在更年輕的，其實 AI 原生代的，有很好的技術或者算法的 sense ，但是同時又有有用戶、商業的 sense 。
衛詩婕：你說你們做的是皇冠上的事情，你好像沒有用「皇冠上的明珠」這個詞。
王啟斌：因為這個詞很俗啊，我覺得靈初在 vision 這一部分，一直沒有做好描述。這是我的責任，因為我本人對描述很挑剔。
衛詩婕：通用靈巧操作在整個具身智能中，會是一個核心價值的錨定點嗎？
王啟斌：它一定是的。從人類進化的角度，語言再往上到視覺，一直到人類基于小腦層次上的，或者肌肉層上去操作東西，其實最難的。這個東西也一定是驗證了這套算法的模型的難度，它一定是這波浪潮中，矩陣中的一個最核心的。
衛詩婕：如果做大腦的公司沒有辦法在模型和算法上保持明顯的領先的話，我是不是可以認為它會掉下牌桌？
王啟斌：是的。這是所有在做大腦公司的挑戰。
衛詩婕：你怎么看本體公司也開始越來越有自研大腦的趨勢？你認為這是他們必須做的事嗎？
王啟斌：我覺得這是有三個圈，這是他們一定想做的事情，這是不是他們一定能做的事情？是不是市場給他們機會做的事情？我不知道。
衛詩婕：你怎么判斷一家具身企業是不是在畫餅？
王啟斌：我也不 care 別人畫不畫餅，我只是關注我自己是不是在畫餅，或者在做一些真正重要的事情。
衛詩婕：剛才聽起來你好像抗拒畫餅。
王啟斌：從我們公司的本質風格上來說，我們肯定要在自己非常 convince 自己的情況下持續做。畫餅本身是個中性詞，作為一個公司其實還是要給所有的投資人、包括潛在的想求知的人一個很強的愿景跟信心。這個東西一定還是從公司內部，以創始人為核心的，自己相信這些事情，持續把這件事情做好，再講很好的敘事故事。
衛詩婕：你會怎么定義做大腦的具身頭部？
王啟斌：那當然還是看展示的模型能力，還有研究人才的能力、算力和數據的管線這些能不能做好。
衛詩婕：但不止一個業內人士跟我說過， demo 并不能和模型能力掛等同。
王啟斌：如果是真實的、可信的 demo ，其實還是在能夠部分來展示模型的能力的。
衛詩婕：你怎么判斷某一家的 demo 是不是真實可信？
王啟斌：專業的人員，我們能是能夠看出一些東西來的。里頭是不是操作的有時延呀？遙操作和完全的 policy 的東西還是能看，但是有的時候如果是有部分的抖動時延，可能會更真實。
衛詩婕：2026 上半年具身行業的水溫和動向有什么變化？
王啟斌：第一個共識會認為大腦的公司非常重要。第二個是數據，相應的數據非常重要，已經開始顯現出來了。但是打開這里，其實又參差不齊，比如說什么樣的數據更為重要？什么樣的公司能夠像你說的，驗證它是一個好的大腦公司？這里頭其實是有一些差異。大腦公司發的模型的效果好不好？到底它獲取數據的飛輪是不是能夠持續。
衛詩婕：我之前跟一個技術管理人聊，他跟我說了國內的大腦公司，其實都在等著美國最領先的大腦公司開源。你怎么看他的這兩個判斷？
王啟斌 ：我覺得其實是大家太樂觀了。目前開源的公司并沒有開源它的模型，就不用說整個權重了，大家只會部分開源的數據集什么的。第二點，最近剛聽到消息說（Generalist 剛剛開源的） 27 萬數據里頭其實是有煙霧彈的，所以我覺得國內的大腦公司還是要招募很頂尖的人才，在這些技術路線上是要有自己的一些判斷力。靈初為什么依然今天要給頭部的基模公司供應數據？實際上作為一個數據的供應商，我也在看這個生態里頭一些迭代和演進。
衛詩婕：你說的頭部基模公司是指頭部具身基模公司，還是頭部大語言基模公司？
王啟斌：頭部的具身基模公司。
漫談Light the Star
PART SEVEN
同一場 AI 史詩里，
各有各的活法
衛詩婕：今天中國的資本市場還是比較青睞年輕人的。甚至說得嚴重一點，有點年齡歧視。作為一個 70 后，你面對這種所謂年齡偏見，有什么想說的嗎？
王啟斌：在創業的初期的確會，會被投資人 challenge （年齡）。今天我覺得已經不是一個問題了。實際上我能夠創業，肯定是有我自己的價值。舉一個例子，OpenAI 在 2022 年的 10 月份發布的 ChatGPT ，在 2023 年年初就引進了 Peter 鄧這樣的頂級產品人，我覺得所有的產品最后都要完成一個從技術到產品到市場這樣的一個這條路。實際上到一定階段，像我的背景會有很強的優勢來 lead 這個 team。
衛詩婕：關于你們這個創業，有想講述的浪漫的部分嗎？
王啟斌：我覺得永遠浪漫的（部分）是在心里——作為一個 70 后，有機會參與這么一個非常史詩級別的征程。「7890 」的組合還是個很好的組合，大家很和諧。
有一天早上我到公司，你的背后那堵墻， logo 印在上面。那天早上，太陽從斜面上照進來，我就覺得，自己的綿尺的努力，有天能夠有機會做成這么一件激動人心的事情，就覺得非常高興。還有一天，一個頭部客戶非常認可我們的能力和價值。其實真正感動自己和團隊的，永遠不是宏大的敘事，而是自己的公司在一點一點的進步。
衛詩婕：有最害怕的事情嗎？
王啟斌：我其實是有過中年危機的。最怕的當然是，這個時代的洪流，已經與你無關。害怕的和激動的事情永遠是一體兩面。
衛詩婕：能不能分享一本你最喜歡的書？
王啟斌：《 Same as Ever（始終如一） 》、《 The Massive Ever （永恒的大多數）》。（注：美國財經作者摩根·豪澤爾的兩本代表作，都圍繞千百年來，永恒不變的人性與規律）他在講整個人的底層的一些東西。當然我最近其實也讀了很多講美國的模型公司的事情，也挺有意思。
衛詩婕：有什么 take away 可以分享給大家的嗎？
王啟斌：OpenAI 跟 DeepMind ，我覺得很有意思，為什么我剛才反復在講，在 AI 的領域里頭，其實是會有很多的生態和路徑不一樣，創始人的基因真的決定了公司的路徑不一樣。大家就會看到今天每個公司，從 vision 到 mission ，一直到產品的路徑非常有差異，可以看到同一場 AI 史詩里，有各種各樣的活法，非常有意思。又是因為創神自己的信念和自己的經歷的事情，在面對各種挑戰壓力之下做的選擇而不一樣，導致了路徑的不一樣，最后看到的呈現的東西不一樣。
衛詩婕：在一個如此火熱、錢如此密集的行業，人性的B面是處處會發生的，如果你發現了，你怎么應對它、處理它、和它共生？
王啟斌：作為一個創始人要自省，在外企待了這么多年，我特別不喜歡作為公司的一號位，有人開始服侍我，給我去買飯這個事情。我反復跟大家強調，大家不用跟我這樣，一直倡導的就是透明，每個人對公司有貢獻。
衛詩婕：現在靈初多少人？
王啟斌：超過 160 個人，其中北大實驗室有 40 個人，體量算中等。我知道現在有些基本上有三四百人，人數依然不是我關注第一要素，本質上我們反復要回答的一個問題是，在做這么一個復雜的系統，從硬件到數據到模型的異步開發的復雜系統里頭，什么樣是一個最好的從 development 一直到 product 的最合適的組織。
衛詩婕：我知道你非常認真地研究過 OpenAI 這家公司的成長和發展史，剛才你也講你看了哈薩比斯（Deepmind 創始人）的傳記。對于現階段的靈初來說，如果你能夠讓你的組織形態完全對標某一階段的 OpenAI 或者是 DeepMind ，你會選擇什么時候的哪一家公司？
王啟斌：這兩家公司都沒有回答一個復雜硬件的耦合問題，做的最好的依然是特斯拉，更早之前是蘋果。如果純從模型側，其實我個人還是希望 OpenAI 2020 年到 2022 年的上半年，大家只是在 2022 年的下半年 10 月份看到了 ChatGPT ，其實更早之前這個模型從 2.0 開始到 3.5 之間的這段路是很關鍵很關鍵的，我覺得其實是一個浮在水下最關鍵的一段時期。
衛詩婕：訪談的最初，你聊到了你在華盛頓的時候讀的是錢穆先生的書，為什么要讀歷史相關的書呢？
王啟斌：純是一種個人的喜愛。錢穆先生其實跟我們今天聊的無關，我認為史學家的文筆也是很重要。無論過去多少年，我最喜歡的還是譚伯牛的《戰天京》，野生派，讓人讀得酣暢淋漓，特別有特色。我覺得在那代人身上，既讀到了歷史的視野以及優美的文筆，更底下的可能是那代知識分子的身上，有一種深深的民族的自豪感。
其實很有意思的是，錢穆先生在五四運動這樣一個西化的過程中，大家都在喊民主科學的時候，依然在仔細地審視歷史。我個人堅信這一波 AI 的浪潮，會是未來 50 年里頭最重要的一次范式。但底下促成這個范式變化的暗流涌動的因素，是我們非常不熟悉的，我們會感到非常的陌生和不適應。歷史中，可能會有答案吧。
同期播客已經上線，歡迎前往小宇宙等平臺收聽
（視頻版可前往視頻號、b 站、小紅書、騰訊視頻、Youtube 等平臺觀看）
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
