文｜邱晓芬博尔塔拉PVC管道管件粘接胶

编辑｜苏建勋

2026 年，全球的具身智能机器人创业者不约而同将目光向调转向水区：庭。

点燃这份热情的，是近期行业里闪烁着的丝丝 Scaling Law 苗头——

先是硅谷具身智能公司 Generalist AI 在 GEN-1 模型上验证了确定，当他们给机器人喂进海量数据后，精细操作任务成功率竟从 64 提升到了惊人的 99；

随后，硅谷当红的具身智能角兽公司 Sunday Robotics 也试图解决庭场景数据难关，不仅出 Umi 手套数据采集案，还直接将机器人 Memo 送进庭做务（收拾餐做、冲咖啡、叠衣服），因此吸引了大量的资本押注。

奥力斯    保温护角专用胶批发    联系人：王经理    手机：13903175735（微信同号）    地址：河北省任丘市北辛庄乡南代河工业区

在大洋彼岸的，近期闯入庭机器人域的创业者中，还有个熟悉的身影——许华哲。

"两年内，将会出现可用的庭机器人"，他对于行业的判断，同样乐观且激进。

作为"伯克利归国四子之"、清华大学交叉信息研究院助理教授，2023 年，许华哲曾加入「星海图」任前席科学兼联创始人，起将这公司造成具身智能域的明星公司。

不过，在这公司估值冲破 200 亿、融资近 30 亿的时刻，许华哲又选择"单飞"并创办了全新的具身智能公司「破壳机器人」。

此次重新出发，他想做的是能在庭场景干活的、真正有泛化的具身智能机器人。

△   许华哲

其实，想做个庭机器人公司并不是近期偶然的想法。初中时的他读完《乔布斯传》后，内心便萌生创办伟大 To C 公司的种子。此后，在清华、伯克利、斯坦福的路升学中，他直耕机器人强化学习向，梦想便是把机器人送入千万庭。

他理想中的庭机器人，虽然不是所不能，却能完成上代机器人（比如扫地机、洗地机）法完成的复杂任务，比如能进行精细的清洁工作、有条理的完成诸如洗衣收纳的长序列、多步骤任务串联。

在他看来，这种创业向的选择，也带有强烈的审美洁癖。许华哲直言，泛化的本质是种"美与影响力"——用简洁优雅的模型，解决人类复杂的生活问题，并真正将 AI 转化为生产力，而非仅仅替代低端劳动力。

从理的层面，切入 To C 庭场景也包含着许华哲的商业判断。在他看来，当前大量机器人厂商将人形机器人送进工厂，完成传统机械臂就能完成的上下料、搬运箱的工作，本质上只是在用新的人在做旧时代的事情，机器人没有发挥出真正的通用。

他认为，真正的 AGI 应该在庭场景中诞生、运用，因为庭场景任务比工厂场景混乱随机，且数据丰富，恰恰是训练通用模型的佳土壤。

因此，为了追赶时机，在创业的短短个月内，新公司「破壳机器人」已经完成了融资、核心团队组建、具身模型的训练、以及硬件迭代工作。

《智能涌现》获悉，破壳机器人近期完成数千万美元天使轮融资，由云启资本投，并获得顺为资本、弘晖基金等线美元基金，小米战投、星海图等知名产业，以及 BV 百度风投、英诺天使基金、水木清华校友种子基金、东嘉富等线市场化基金的支持。

快速得到资本押注，也因为许华哲在关键技术路线上有些不同的选择。

为了实现泛化，在关键技术路线面，他的选择也略显反常识。他放弃了行业主流的 VLA（视觉 - 语言 - 动作）基座模型案，转而构建种能直接输入和输出" - 动作"的世界模型。

在模型结构上，他也提出了特的"UAG 架构"，用并联式预训练替代过去的瀑布式联，并将强化学习贯穿预训练与部署全过程，实现了训练率的五倍提升。

好模型基础之余，在数据与硬件层面博尔塔拉PVC管道管件粘接胶，他也通过 UMI、外骨骼和人称视角三层案采集质量数据，形成从任务定义到数据、模型、本体的闭环迭代。

据许华哲透露，「破壳机器人」代32B 参数规模的具身世界模型已完成轮训练，正处于数据迭代的关键爬坡期。在硬件层面，「破壳机器人」为数据采集量身定制的手套硬件已迭代了五六个版本。

近期，《智能涌现》与许华哲聊了聊，以下是交流实录（略经摘编）

为何出走「星海图」？

《智能涌现》：为什么选择离开星海图，创立新的机器人公司？

许华哲：这个想法其实酝酿了很久。在 2023 年 8、9 月份，我就开始和继扬聊，加入星海图。但经过了两年，到去年 11、12 月份，我已经基本决定要离开了，真正办完手续是在今年，创立「破壳机器人」是近个月的事情。

离开的原因主要是因为我内心直想做些 To C 的、真正泛化的通用机器人。

《智能涌现》：既然直想做 To C，为什么开始不直接做 To C 向机器人的创业呢？

许华哲：原因是多面的。2023 年我加入星海图时，也考虑过要不要自己创业，但那时我刚从美国读完书回来，在叉院工作才年左右，要自己开公司 lead 摊事，还要兼顾教职，挑战很大。

那时星海图和其他些具身智能公司也邀请我加入，我觉得先加入个优秀的团队做联创，是个稳妥的选择，而且当时星海图的宣传里也提到大概是"让机器人服务千万人类"的话语，这和我的部分想法是吻的。

《智能涌现》：您现在新公司虽然只成立个月，都有哪些进展？

许华哲：团队面，目前有 20 人左右，AI 侧有些天才少年，硬件侧有很多做过 To C 量产交付的工程师。我们还在火热招聘中。

在技术上，我们的 AI 模型在"动得快"、"泛化强"、"成功率"三个维度都有较好的前期积累，能让机器人完成某些复杂任务时达到接近 的成功率。

我们代 32B 的模型已经完成了次训练，但还需要数据量的迭代才能展现出好能力。我们的硬件手套也已经迭代了五六个版本。

个月要处理公司注册、选址、装修等各种事务。能跑出这个速度，我觉得还是比较快的。

《智能涌现》：您这次创业，和次创业时心态有什么不同？

许华哲：大的不同是心态上踏实、也敢了。次创业前，我会担心，我没上过班怎么给别人"班"上？我没做过生意怎么办，没跟投资人、政府过交道怎么办？

在星海图的两年，我接触过这些事，"没过就硬，没上过就硬来"，其实终结果也挺顺利的，太多的顾虑没要，出来混重要是先出来。这次心理上从容。

《智能涌现》：在 2023 年和 2026 年两个节点创业做庭机器人这件事，区别大吗？

许华哲：区别挺大的。先是硬件本体，这三年的硬件供应链磨得好了，有了多能用的机器人，2023 年时可能只能用工业臂；

二是数据，2023 年时机器人的数据几乎是 0，现在网上开源数据就有几十万小时，还出现了大量的数据供应商，虽然数据质量和跨本体适配还是问题，但丰富度已经不可同日而语。

三是融资和市场认知，2023 年要做 To C 机器人可能很难融资，大给的时间缓冲也少。今天起步比 2023 年好。

AGI 应用于庭，工厂是上代技术的地

《智能涌现》：直想做 To C 的机器人，背后的触发点是什么？

许华哲：先博尔塔拉PVC管道管件粘接胶，个核心思考是，我们做机器人到底在做什么？机器人是人类自古以来的追求，我们在海底捞、酒店、工厂都见过机器人，但如果我们只是用人形的外壳去工厂拧螺丝、搬箱子，那本质上还是在做旧时代的事情。

这代机器人核心的不同在于它的通用。通用该用在越混乱、越需要通用能力的地。那答案就是庭，或者广义的服务场景。我认为，通用的 AGI（通用人工智能）应该用在里。

二，从个人偏好来说，做有的事情是可以做得足够大、有梦想的。伟大的公司很多是 To C 的，比如苹果、小米。

三，从数据角度看，通用需要有丰富的数据，混乱的庭场景恰恰能提供丰富的数据。如果你的数据源头错了，就得不到正确的模型。

基于这三点，我觉得做 To C 机器人是件正确的事，我自己也特别感兴趣。

《智能涌现》：您认为 AI 模型什么时候可以支撑做庭 To C 机器人？

许华哲：我的预测比较乐观激进，我认为两年内会出现可以用起来的机器人。它不是的，但会是个有完善产品定义、能做相当多通用事情的机器人，但它会有些明确不做的事，比如抱婴儿、热水。

《智能涌现》：机器人进庭能做的事情都包括哪些？能否举些例子？

许华哲：分两类。类是本身很难的任务，比如精细的清洁，比如清洁墙角霉点、擦掉干涸的饭汤、剥橘子、剥虾等等。

另类是长序列、多步骤任务的串联。举个例子，个完整的洗衣流程是——把脏衣服放进洗衣机、倒洗衣液、启动，然后机器人可以去做别的事，它会在监听到"洗完了"的声音后，把衣服拿出来放进烘干机，启动烘干，后再把衣服拿出来叠好放进衣柜。

现在的机器人能做任何个单步骤，但没有机器人能像人样，从头到尾，带着这些"任务间的缝隙"把它完成，我认为两年后的机器人能有这个能力。

《智能涌现》：庭和工厂场景，大的区别是什么？

许华哲：庭和工厂某种程度上都是"混乱"的，但是本质上不同。工厂的混乱多是"管理混乱"，比如东西乱扔、人走来走去，但它具体干的活，比如上下料、装配是度确定的。

里的混乱是任务本身的混乱，比如衣服是团成团的，杯盘狼藉需要收拾，这种混乱是需要通过工作去恢复秩序的。工厂的很多混乱并不需要去恢复。所以，这是两种不同质的"混乱"。

《智能涌现》：您认为当前做庭 To C 机器人，大挑战是什么？

许华哲：机器人进庭的逻辑和落地 To B 不同。To B 的账很难，泡沫板橡塑板专用胶因为工厂给人形机器人干的活价值很低，台二三十万的机器人可能相当于个人三四年的工资，还要考虑可靠、维护，很难回本。再加上工厂里采集的数据可能过于化。

To C 的账不是简单的"替代人力"计。它像科技潮品 + 庭助手 + 管的复体。用户买它，是购买种先锋的生活式、致的便利，就像二十年前大买车样。我们考虑的是，当用户有笔预时，是买辆车还是买个能改变生活的机器人。

所以，关键是产品体验要足够好，价值感知要足够强。价格区间我们内部还在讨论，但肯定会是五位数起步。

追求泛化，也是追求美和影响力

《智能涌现》：所以 To C 并不是您离开星海图后才有的想法，而是贯的想法？

许华哲：是的。我从小就想做 To C，想创业。初中的时候读《乔布斯传》、《迪士尼传》，读完了就很想创业，做个像谷歌样的公司，后来选电子系也是想要做 IT，大学还修了管理学双学位，就是为了创业做铺垫。

后面去了伯克利、斯坦福，也是直在做强化学习和机器人，后来还做了些触觉相关的研究，也是在机器人大类里。

我博士毕业时（2021 年），主要就是找教职还有找投资人聊，看看有没有创业机会，当时普遍观感是，下代技术还远，这代技术就是做扫地机、餐馆机器人，但是和 AI 关系不大，没看到特别匹配我业技能的创业机会。

《智能涌现》：你判断件事情做与不做，或者谈论你对某件事是否感兴趣时，你的标准是什么？

许华哲：个是美博尔塔拉PVC管道管件粘接胶，这件事要能给我带来好的审美体验。另个是影响力，我们学术圈有个词叫 impact 追问。

美，多是个人体验，我做这件事创造出来的东西是优雅、简洁的，就像简单的公式能描述复杂的现象，泛化的本质也是美；影响力意味着，我做的这件事要能对世界产生足够大的影响，改变人们的生活式。

现在我们被迫用巨大的参数量来描述世界，是因为我们还没找到 AI 域的牛顿定律，我相信大模型只是个中间状态。我的博士生涯是带着" AI 定存在个优美理论"的心理开始的，但后来发现理论越来越解释不了 AI，这是个痛苦但须接受的过程。

所以现在我的使命是追求简洁和影响力，如果有另个公式（而不是 AI 模型）能描述机器人与世界的所有交互，我会觉得它好。

《智能涌现》：这次创业你希望找到什么样的作伙伴？你会欣赏什么样的公司文化？

许华哲：我对作伙伴和团队文化有三个核心要求——

致：我很喜欢戴密斯 · 哈萨比斯那本传记里的描述，里面说，个人做事要做到什么程度，就像跑马拉松撞线后，有个救护车把你拉走了，但是你后没死。虽然有点夸张，但是我觉得做事致投入，永远想进步，是很重要的。

坦诚：对自己、对同事、对事情对坦诚。不会因为不会而装会，搞了就承认，不要为了面子影响率。

利他：公司里有很多"缝隙"，如果每个人都只盯着自己的 KPI，这些缝就没人填。对于初创公司，需要每个人在有余力时主动填缝，这种利他长期看对个人和团队成长都有益。

（作者注：戴密斯 · 哈萨比斯（Demis Hassabis）是英国人工智能科学、Google DeepMind 联创始人兼 CEO、经科学，被誉为" AlphaGo 之父"。）

我很欣赏段永平的"本分文化"，也欣赏前段时间篇报道中提到的，Kimi "没有部门墙"的协作模式，我倾向于弹、扁平的组织，很赞同黄仁勋、亚马逊那种鼓励线员工直接向老板直接发邮件反馈问题的文化。

做全新物种的庭机器人

《智能涌现》：很多 To C 的机器人是曲线救国，先从陪伴场景切入，但是感觉你们的您的产品路径和其他很不样。

许华哲：不样。他们做的是陪伴，核心能力是大模型提供的对话能力和娱乐。我们追求的核心是物理世界的通用交互和干活能力。

我们的机器人是"庭助理"，要能实际处理务，所以在技术上，我们需要非常强的模型能力来保证通用，但是很多庭陪伴机器人是没做基础模型的。本质上，我们和他们是两个不同的品类。

《智能涌现》：你们主要的技术的差异点是在模型侧吗？

许华哲：我们的大亮点我们的模型能用好强化学习。过去机器人对强化学习的使用般停留在单机的后训练上，但是其实强化学习上有很多自己特的东西。

个就是价值函数（value function）。价值函数可以对数据质量进行评估，让模型知道哪些数据好、哪些次优、哪些失败。数据带着权重，去让模型学习。

它带来的好处有两个，是可以让模型学得，二是可以理解失败的边界，这样模型就能够知道紧邻着成功的失败长什么样，让强化学习去把这些失败因素排除掉；

二是，强化学习能同时在多个任务上保持成功率速度，而不过度拟到单任务。

三是，强化学习也可以突破人类数据上限。以前我们用人采集的数据去做某件事，数据是什么样的，机器人就能做到怎么样的，甚至会差，因为机器人是跟着数据学习的。但是强化学习就是根据数据以及后续的自我改进，持续突破自己的上限，终可能做出比人类示范数据好的表现，上限。

《智能涌现》：你们的强化学习只用在后训练上吗？

许华哲：我们的预训练也会用离线的强化学习。预训练现在还是有些卡点的，比如说模型的选择上有很多种，市面上有用 VLA+VLM 的，也有世界模型的，还有 VLWAM，就是 VLM 后面再内嵌个世界模型。

《智能涌现》：那你们还是用 VLA 的路线吗？

许华哲：现在模型的路线还远远没有收敛，我们的选择是世界模型结原生的机器人模型，不是用 VLA 的路线。

《智能涌现》：现在的世界模型有很多派别，有的人用的是偏 3D 的向，有的又是偏向于世界仿真，你们对世界模型的理解式是什么？

许华哲：我们输入的是和动作，在训练和理的时候，输出的也是和动作。这些和动作里面是遵循物理规律的真实世界的数据。

《智能涌现》：你们做这些事情的过程中，遇到的大的挑战是什么？

许华哲：要训练大模型所需的 Infra（基础设施）是个挺大的卡点，因为我们想做个 32B 的大模型，要支撑比较大的数据量，GPU集群的并行率、数据吞吐都是个很大的挑战和壁垒。

《智能涌现》：在模型侧你们提到了项" UAG "架构，这个怎么理解？

许华哲：UAG（Unconditioned Action Guidance）是我们的种模型训练架构。

相对于传统的瀑布式联的模型训练式，我们采用的是种并联的式，核心思想是先对动作进行预训练，然后再对所有的动作做整体联的训练，做个动作预测器，然后再将动作预测器和视觉模型起进行联训练。

背后的原理是，个小时的图片、是巨大的，但是个小时的动作很少，可能就是系列关节的运动，也就是堆小的浮点数。这种式可以大程度保留基础模型的泛化能力，同时大幅提升训练率，估计至少 5 倍以上。

《智能涌现》：数据也是你们新公司的亮点，你们大概有哪些案？

许华哲：我们的数据案主要分三层——

①外骨骼数据采集：提着机器人手臂直接操作，精度，反馈直接；

② UMI 案：让人戴个和机器人手部构型样的"硬手套"进行操作，好处是没有机械臂的负担，采集率，数据量大。手套做硬是为了保持和机器人手的致，确保人能做的动作机器人都能做；

③人称视角人类数据：在头上戴个摄像头，记录人日常干活的。这是从人的视角（Ego-centric）采集海量自然行为数据。

《智能涌现》：这些采集式其他也在探索，你们大的不同点在哪？

许华哲：采集的数据，表层法可能相似，但内核有本质不同。比如 umi 手套是否磨得足够好，足够通用？采集的数据质量如何保证？以及如何清洗和处理这些数据，提升数据质量？

我们个很大的不同是，我们会大量使用评估数据，就是机器人自己做测试和探索的时候，自己在动的数据。这样的数据某种意义上是"差"的数据，因为里面会有失败、会有次优。但是这种"差"其实也是"好"，会让模型知道任务的目标是什么。

另外，手套的设计细节，比如摄像头位置、佩戴舒适度、是否适应不同手型等等，都需要针对庭任务精心磨，我们手套的构型设计是面向庭任务，追求通用的。我们会在 8 月末左右给大看到我们和现在所有的形态都不样的数采系统。

《智能涌现》：但是现在出来创业会不会太晚了？现在具身智能行业的融资环境怎么样？

许华哲：市场热度还可以，投资人还是比较有热情的。和之前比，投资人懂了，大被市场教育过轮，所以会问得细。

关于创业出来是否太晚，我认为——在技术没有收敛的今天，仍然有巨大的机会。同时，因为我们晚，所以我们的时间压力小、负担小，但是各种基础设施比如本体等也加成熟了。另面，走向通用庭机器人，其实才刚上半场。虽然后发，但是谁能先至，也未可知。

封面来源｜企业官

end

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述博尔塔拉PVC管道管件粘接胶，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。