对话Maxinsights：具身“卖铲人”的250倍增长、机器人Ego数据狂潮、Doordash与丰田模式，与“自由的鸟”【101视频播客】

对话Maxinsights：具身智能“卖铲人”的250倍增长、机器人Ego数据浪潮、DoorDash与丰田模式 Maxinsights创始人袁宇光深入剖析了公司ARR从100万美元爆发式增长至约2.5亿美元的商业逻辑，指出人类第一视角数据（Ego Data）正成为具身大模型验证缩放定律（Scaling Law）的关键驱动力。凭借自研轻量化穿戴设备、工业级数据清洗与标注管线，以及不到10人的核心团队借助AI Agent调度的全球4000人地面采集网络，公司构建起坚实壁垒。此外，袁宇光结合在伊顿的工业经历及对丰田精益生产方式（TPS）的研究，阐述了数据规模从百万级迈向千万级、从通用泛化走向细分场景后训练与评估部署平台的发展路径。 具身数据服务商 Maxinsights 在一年内实现 250 倍增长，ARR 跃升至约 2.5 亿美元，累计高质量第一视角数据近 200 万小时，月峰值采集产能达 45 万小时。 (0:00) 团队摒弃传统兼职众包与重资产数据工厂模式，依托自研 AI Agent 闭环管理系统，以不足 10 人的总部核心运营团队调度分布在 8 个国家的 4000 名专职采集人员。 (24:30) 行业数据范式正由低效的遥操作转向以人类裸手为主的 Ego 数据进行预训练，配合 UMI/遥操作开展后训练，并加速迈向千万小时规模及高门槛的垂直专家网络。 (16:00) Maxinsights 计划超越单纯的数据授权模式，将数据管线、跨国运营网络与评估部署平台相融合，打造对标传统 ABB、KUKA 的具身落地全栈底座。 (45:00)

硅谷数据服务商 Maxinsights 创始人袁宇光指出，具身智能与物理 AI 正在复刻数据缩放定律（Scaling Law），公司通过工业化生产人类第一视角（Ego）数据，一年内将年化经常性收入（ARR）推升至约 2.5 亿美元。 第一人称裸手数据打破扩展瓶颈 (5:00) 在具身智能早期探索中，仿真数据面临跨越现实的鸿沟（Sim-to-Real Gap），而遥操作（Teleoperation）受制于硬件和人工成本，单价高且存在产能上限。Maxinsights 转向以人类第一人称裸手数据（Human-Centric Ego Data）为主的采集路径，认为其在预训练阶段具备高扩展性与多样性，能提取并迁移人类的隐性操作技能，使叠衣等非结构化任务具备更强泛化力。相较之下，人手持夹爪的 UMI 数据或实体遥操作数据虽重定向容易，但动作不自然且效率低，更适合中后期的 Middle Training 和任务特化微调。 丰田生产方式与Agent调度直营网络 (24:30) 为避免外部兼职众包导致的质量失控与效率低下，Maxinsights 借鉴丰田精益制造方式（TPS）和 DoorDash 的调度逻辑，建立起以自研头戴硬件为中心的分布式地面作业网络（Operation Fleet）。核心运营团队不足 10 人，通过后端的“AI Agent in the Loop”系统实时纠正全球 8 个国家约 4000 名全职采集员的佩戴角度、手部画幅与无效摸鱼动作。针对放量过程中必然出现的质量恶化，团队构建了包含毫米级动作追踪、长尾遮挡处理、场景切分和置信度分级的复杂清洗管线，坚决剔除作弊与无效数据，依靠 100% 自主采集保障数据纯度与自有产权。 数据集SaaS化授权与世界模型竞合 (30:00) 在商业模式上，Maxinsights 采用类似 SaaS 的多客户数据集授权机制（Dataset Licensing），单套经过验证的数据集可多次交付给顶尖大模型厂商和垂直具身智能公司。袁宇光解释，采购通用数据不会消除模型差异，各家公司的核心壁垒在于模型架构、专有训练配方（Recipe）以及强化学习后训练。针对涉足机器人领域的视频生成与世界模型企业，袁宇光认为双方是合作而非竞争关系：世界模型需要真实的物理基底裸数据进行泛化扩增，扩增后的视频仍需交由数据公司加工为机器人可用的高精数据，其中自研标注模型与物理积累沉淀存在两到三年的壁垒鸿沟。 从通用泛化迈向高精专家网络与全栈底座 (40:00) 随着头部客户推动千万小时级别的数据验证，数据供给面临十倍扩容挑战，单纯依靠通用日常场景已无法满足高可靠性需求。袁宇光预计采集团队需在一年内扩充至 1.5 万到 2 万人，且数据采集必须从低门槛的泛化网络转向针对养老院、复杂商业等真实场景的“专家网络”，并逐步引入配备力反馈传感器的手套与采集服以获取触觉数据，攻坚从 99% 到 99.99% 的落地鸿沟。Maxinsights 的长期目标是跳出单一外包服务商定位，将数据产线、全球交付与部署评估平台结合，构建如传统工业自动化巨头般的端到端落地基础设施。 具身智能的数据需求正在从解决基础泛化性的“通用毛坯”升级为长程复杂任务下的“专家数据”。随着视觉-语言-动作模型（VLA）演进至世界动作模型（WAM），行业正面临如何在急剧扩大产能至千万小时的同时，平衡算力开销、多国运营与数据纯度的系统性工程挑战。

[30:00] 袁宇光: 如果这一套数据集它其实被一个客户 verify 过，它其实很容易对其他的客户产生相同的价值或者更高的价值。 [30:00] 袁宇光: 99% 只是一个起点，因为 99% 还差 1%，所以做的后训练就是差那 1% 来实际的去做 deploy。 [40:00] 袁宇光: Physical AI 其实会跟 Digital AI 走一样的路线。 [5:00] 袁宇光: 机器人想要实现真正的将来的 AGI，是可以把人的想法变成机器人的想法并且予以实现的。

[0:00] 这一期视频播客我们来聊一个一年250倍增长的故事这发生在硅谷的机器人数据领域过去两年在采访机器人公司的时候呢我们听到最多的一句话就是太缺数据了当机器人公司们还在探索模型算法数据和部署的时候一家并不生产机器人的硅谷公司呢把机器人数据做成了一门年化收入数亿美元的生意这家公司叫Max Insights机器人淘金热衷卖铲子的人我们的AR差不多可以达到250个million左右我们去年一年其实才差不多一个million客户是谁可以披露一下吗一类是大模型的客户另外一类客户都是这种做robotics的这种intelligence的客户从100万美元到2.51美元250倍增长发生在短短一年这家数据公司让普通人戴上摄像头记录做饭 叠衣服 打扫卫生这些日常动作可以学习的训练数据如今他们已经积累了200万小时的人类第一视角数据并且建立起了一张覆盖全球4000名数据采集人员的网络而这家公司的数据采集运营团队全职员工不到10个人美国 墨西哥 然后东南亚我们有印尼 越南和泰国中国 土耳其以及最远到南非我们全球一共有接近4000人的运营团队它依靠的是中间这一层我们叫AI Agent in the Loop一个platform一个小先公我们叫小助手挺难的管理operation是一件特别难的事情我们在最近的一期视频播客采访Dyna Robotics的时候这家硅谷机器人公司号称通过100万小时的人类第一视角数据找到了机器人的scaling law之后1000万小时的数据是下一步当机器人行业开始验证自己的数据scaling law这是否意味着我们正在见证机器人领域的下一个scale AI的诞生如果你们能产出1000万小时的数据需要多少人我估计在现在的基础上能够再有三倍到五倍的人世界模型的公司做V2Generation的公司现在都变成了机器人数据公司其实有很多也是我们的客户了他们是没有数据产现的对如果有一天他们有了数据产现即使他们今天做也只是做了我们2023年2024年做了事情那这一期规复101视频播客呢我们对谈了Max Insights常识人袁宇光从他经历的两代机器人创业场说起到当前机器人数据的商业模式全球采集管理以及数据技术聊聊这场刚刚开始的机器人数据热潮余光欢迎你做客 贵贵101你好 靳姐我听说你们现在是机器人行业里面数据上面收入最高的公司之一你们主要的业务构成是什么样子的我们主要是做这种人类方面的数据并且是把人类的数据变成机器人可用的数据来帮助这些机器人头部的公司训练他们自己的模型现在具体的体量有多少能给我们透露一下吗也就是硅谷现在我说的AR我们的AR差不多可以达到250个命连左右OK 2.5亿美金 是的那今年增长应该是非常快了是的 我们去年一年其实才差不多一个million到今年为止我们就增长了非常快的速度我们认为其实也跟这个行业发展有关就现在这个行业你会看到有很多我们的客户侧已经通过使用更多的高质量数据来帮助他们的模型进行训练并且得到了一些基本的认知然后它这些模型不仅具备了一些新的更好的表现并且使用了大量至少是100万小时的数据所以目前你可以看到说Data Scaling Law在Faceware里面已经实现了过去两年我一直都在听到说机器人行业缺数据缺数据是不是2025年大家说缺数据还缺的是摇操数据但是起码在硅谷这边我看到最近大家是把这个压注压在了Human Centric也就是第一视角数据的这个方向上2025年和2026年确实发生了一些变化2025年早期的时候我们的客户当时和我们一起去开发新的能够帮助Fysical AIscalable的方式当时我们探索了很多种数据类型包括teleoperation包括了simulation然后包括了当然有Ego的data甚至还有那时候我们去做手套的数据那个时候我们就发现除了Ego data以外的大部分数据要么就是not scalableteleoperation永远会有一个cap要不就是它落地的时候会有很多的gap比如说seem to real大家都知道这个gap所以那个时候当我们去scale的时候我们会发现说当人类的数据 如果我们想象一下把每个人身上的这种特殊的技能把它变成机器人的技能 它的想象的空间就变大了 所以2025年 [5:00] 这个时候我们的是作为这个行业里面应该是最领先的人我们第一个订单是200小时那个时候200小时对我们来说没有概念是摇操数据吗或是Ego数据的客户是谁可以披露一下吗我们客户是美国的头部的大模型的公司他们当时也在探索对当时他们也在探索我们和他们去做了很多这种探索包括刚才说的各种数据类型最后定在了人类的第一人称视角数据上主要也是因为说第一个有用第二个可以快速的scalable第三个它可以把人类的一些隐藏的技能变成机器人本身的一些新的知识和新的技能把它们串起来之后你会发现说机器人想要实现真正的将来的AGI是可以把人的想法变成机器人的想法并且予以实现的人类隐藏的技能是什么咱们就说现在很火的这个叠衣服吧你可以想象全球有成千上百种的叠衣服方式把它如果合并在一起你就会让机器人用各种人类的方法来去叠一件非常简单的衣服而这样的好处是第一个你可以叠一幅可能会叠得更有效然后第二个会叠得非常的可靠第三个是你见到什么样的东西都可以点所以这是我觉得给机器人本身增加了很多基础的智能相当于他的泛化性其实通过这个数据的方式是达到了是的 去年其实我们已经发现了这个数据本身能够增加模型的一些简单的泛化性所以我们从最早的这个200小时到去年年终下半年加起来一共我们有2万小时所以相当于是100倍的提升到今年年初的时候,2万小时变成了20万小时所以是三步我们作为整个行业的一个先驱者走了三步然后在这个方向里面我发现其实这个痛点发生了一些简单的变化从缺数据到变成了缺高质量的数据现在很多人还说我有很多的数据但是今天为止其实很多人看到的是你的数据本身质量到底有多好才能真正的在这个行业里面站住脚对我们先跟大家划清一下这个Category你们采集的所有数据就是human centric第一人称的视频数据是这个数据是怎么采集的能不能跟我们解释一下这种数据是来源于人们日常的生活那我们去通过头部的这种设备这是我们其中一个设备所以这两个都是你们的数材设备对这是我们上一代产品这还是我们最新的产品戴在头上可以记录整个手部的内容我们的毛批数据然后通过我们的高质量处理管线会变成我们高质量数据我看这里面是有6个摄像头这是你们上一代的 上面有6个摄像头所以它可以有180度左右的一个视野吗270度 更宽 但是它是一个比如说一个视频出来的视频它其实是有一点语言的这种感觉在里面 是吗对 这其实也是 它为什么要270度 其实这也是我们最先开始的一些know how我们刚开始用的是GoPro很小的一个摄像机那时候因为我们收集的数据非常的叫wild就是非常真实生活中所以你会头会来晃来晃去你的手会出镜所以我们用了这种270度的大范围视角可以保证手至少是入境的其次是它可以捕捉更多的更丰富的信息给到模型周围环境的信息对 是的所以你看到这边有四个然后这两边各有一个为什么这中间有四个?中间四个主要是能够拍到手以及拍到身体的一些部位这些身体部位可以给到模型提供更多的信息现在我们只说human centric不只是手human centric还有很多身体的位置所以我们叫Pose Tracking和Hand Tracking这一部分将来基础的设备会提供更丰富的信息给到模型来去进行全方位的Tracking给到模型所以如果要采集的话就是需要一个采集员他带着这个头盔然后一天采多少个小时我们的这个采集时间其实相对比较长的我们采用的都是这种相对专业的采集员和相对专业的采集团队这也是跟行业里面不太一样的一个地方你会看到今天有很多的公司会有他自己的外包采集网络这个其实很像当时的Digital AI我们发动身边的人他可以有一些supplement income对我们来说我们认为这个世界在去采集的时候还更像是一种Doordash或者是国内这种美团的这种模式当你采集的时候你需要大量你需要高质量 并且你需要多样性所以你需要是对你的采集团队有直接的而这种直接的管控来帮助采集团队过得更高质量和更高的输出,你这样才能够 [10:00] 能在这个行业里面得到更多的更好的位置吧这一块其实特别重要对于整个素材团队的管理我们待会可以想聊我们先来继续说一下这个素材的设备然后这个是你们上一代的然后你们新一代的有什么样的区别跟升级吗它更轻了它的这个电池可以维持时间更长感觉要小巧一些甚至对新的产品会更能快速的Calibration就相对它得到的信息和结果会更准确我看它只有四个摄像头了对所以就够了我们感觉为什么之前要6个然后现在只要4个其实也是迭代的过程你有更多的摄像头我们就觉得会有更好的输出但实际上我们也会考虑将来这个行业需要往成本优化的方式走所以我们再去考虑得到更相同信息的前提下,要考虑更优化的成本结构。这两大摄像头它的像素都是一样的吗?对,类似。成本呢?它减到四个成本肯定是降低的。对,那肯定这个更低。那就是穿戴的体验呢?你们有没有?这个是很轻的,而且它在戴上的时候它会……就是戴在额头上是吗?对,戴在额头上像帽子一样。像帽子一样。对,然后你手机上会有一个APP,直接打开它,脸上就可以。它就随着我的视线来动是的而且不管你怎么动手部是不会出镜的所以我们也是希望能够通过设计一种硬件让这种收集和收集方式变得更skateable特别有意思那你们现在的体量是可以收集多少万小时的数据了我们一个月可以收集到我们最高的compacity可以到45万小时就是450K小时每个月所以你们现在手里面是有多少个小时的数据我们接近差不多200万小时那现在已经是一个什么样的量挤了在通行业里面可以说是最多的对最多的而且是相对高质量的Egocentric Datasets我刚才一直听你说高质量就是怎么评判什么样叫高质量呢因为我也有听到机器人公司的研究员跟我说就很多人公司跟他们说他们有很多万小时的数据结果拿到之后一车影发现质量非常的低根本没法用那怎么去评判这个质量的高低是的就是质量本身其实也是迭代的过程从我们刚开始2025年那个时候完全没有质量的感受到今天我们有非常严格的质量管线它其实会包含几个主要内容第一个就是你首先要提供的是你tracking 就是你的跟踪信息所以你的tracking的准确度要高而这些都是要到好密集的第二个是要本身数据要具备足够的多样性你要提供更多的这种data diversity给到你的模型第三个是你本身数据需要有一定的量你每天一小时你客户肯定不够用 对吧所以这三个叠加在一起其实是会变成一种书记的package除了Tracking Accuracy里面会有更多的这种语言标注的信息叫Language annotation然后还会有视频本身能不能代表的一种叫有意义的任务输出比如说你一直在那玩手机或者是挠到这挠到那这些都属于非有效的输出所以有效的事件再加上准确的tracking再加上准确的annotation并且把它变成一个package这叫一个有效的并且高质量的数据你们收集到大家戴着头盔然后再做各种各样的任务然后收集到这样的视频数据之后你们再做什么样的处理然后再给到客户算是一个数据的完成呢我们在收集完所有的这种毛皮数据之后需要经过一个非常漫长的数据管线然后非常复杂的数据管线最后你才能给到客户然后让客户进行使用这一套管线出来的结果叫Training Ready Datasets或者叫 High Quality Datasets它可以拿来直接去训练了而中间的这一套过程里面需要有对手进行标注然后需要对语言进行标注视频需要理解然后进行语言标注以及对整个的视频进行index就是去进行归类它到底是什么并且最后有一步还需要QC我们同时会有一些Human in the loop方式来去verify数据的质量这是我们目前现在的管线中间的淘汰率或者是筛选率是多少说实话这种数字很难评判因为很多我们筛选率筛出来的比如Pingman loop方式我们会把它作为一种继续的Recipe把它继续回到我的管线里面再重新的我会把整个数据的叫confidence level,就是叫自信度,会分成不同的等级,然后让它去对应不同客户的要求。这样其实我对于整个datasets会有我不同的分级就有些客户他需要非常高的要求非常高质量的水平 [15:00] 有些客户就觉得啊这些低一点的质量其实也OK我也收理论上其实客户都需要高质量的数据低质量的数据给谁呢只是它对于要求会不一样然后我们比如说低质量的其实更多的我们就是叫General Datasets这种general data它会回到我们的管线里面会重新做我们是不会给客户低这样数据的低这样数据会让我们重新去认知我们的模型在去标注的过程中到底问题出现在哪帮助我们去重新认知整个data pipeline怎么样去迭代到今天为止我们的data pipeline已经过了差不多六遍或者七遍了这种其实是整个行业里面最重要的核心部分我们刚才说到就是数据分三类一个是邮操数据一个是egocentric然后是合成数据跟无密的区别是什么UMI data或者有很多人也叫UMI data它其实是人手会拿着一个这种Gripper把Gripper的形态和机器人本身的那Gripper形态会进行它直接可以去做retarketing然后UMI data本身上面还会带一个egocentric data现在比较流行的是这种一套的方式然后对于egocentric本身它是直接罗手的它没有任何的gripper所以它唯一的区分就在这儿为什么要有Gripper?这个就要看到整个模型训练的三个阶段其中有叫Pre-Training 预训练大家都知道Post-Training 后训练大家也知道现在其实会有一个Middle Training这个meddle training会用更多的用UMI或者YUMMI来去做甚至可以在Pose training里面用YUMMI来去做因为对于机器人来说现在更加或相对reliable的方式其实Gripper是更流行一些当然有很多这种灵巧手我们也会设计所以我们的EgoCentury data不仅能够对应这个gripper 也能对应手啊但5米本身能够直接target到这个gripper上面会更快更有效就是说他是更适配那种假爪的机器人但本来如果我的机器人是一个纯humanoid我就是灵巧手又五只手的其实就没有必要去用grapper的那个无名数据了然后就是刚才你说到了现在是Ego加Womi的一个结合为什么要有这个结合在呢就是说我的机群公司train出来的是又可以去操作他们的灵巧手又可以去操作grapper是吗这其实还要看客户不同的形态因为有些客户他的形态更偏形Gripper所以它就会更Rely on更依靠这种Wumi的或者Yumi的形态有些客户大部分都是灵敲手它就直接会从灵敲手本身的这种形态会直接Target过去更好更像手那成本上有区别吗采集的时候我们认为采集上面的成本相差不大但主要是中间的Data Pipeline处理的成本就对于人手的这种处理UMI或者UMI data它在采集的时候它的效率会比人手会低很多但是因为你是要操控一个东西去要去做任务的那肯定不如人手自己去操纵要好对你做饭也不会用两个Gripper做饭嘛 对吧那用UMI去做的时候它的效率会低一些但是它过于pipeline的时候它pipeline会简单相对简单一点但人手呢你很wild的它会有非常多的edge cases所以你在过Pipeline的时候你需要对这些edge cases进行处理举个例子比如说你的手会经常有遮挡你这样子你一个我的时候你可以这样子这样其实很难处理的 你手看不到吗 你会是这样子或者我们多只手在同一个镜头下 我们握手都很难找到这只手的稳定输出所以PipePoint有非常强大 你才能提供这些高质量的数据那你觉得现在客户们都在买什么样的数据 你觉得今年客户们都在买human centric的数据我觉得客户本身他对于数据的recipe的需求其实公允的讲他有tele-operation的需求然后也有human-centric的需求就是ego的需求有wumi的需求目前在我们的观察来看对于EgoCentric人手的需求是量最大的那他可以直接我们可以想象一下它不需要中间形态变成Gripper但直接说我们把人手变成机器的这种零交手直接就可以下地干活了像人一样那这样多具备想象空间呢如果我们从成本方面来看的话摇操数据是最贵的那仿真的数据合成的数据是最便宜的然后EGO是放在中间那一档的是吗理论上是的但说实话我觉得现在仿真数据在2024年的时候我们就开始研究就研究过我认为仿真数据本身其实是不是一个销售的产品因为客户本身知道它非常便宜你可能可以产生很多那我客户自己我就可以去做仿真的事情所以仿真数据其实不是一个数据公司的一个主要的方向但是仿真也有一些可以做 [20:00] 事情 比如说你可以做一个environment 你可以做数据资产这些其实是仿证公司应该真正focus的但数据本身我们认为最主要的现在两个来源从Vendor来的一个是TeleOps 一个就是Human-centricHuman-centric比TeleOps要便宜多少我觉得不同的客户会有不同的要求其实我们如果看整个行业发展来看的话其实我认为可能要便宜一半吧我今年看到还有一个趋势啊就是很多世界模型的公司之前做V2Generation的公司现在都变成了机器人数据公司然后卖数据给机器人公司他们在这个环里面的位置是在哪里啊我们认为这些世界模型的公司其实有很多也是我们的客户了它其实需要相当多的真实数据来去产生他所谓的Data Generation所以这些数据本身视频生成这些公司他其实想要跟我们这样的公司合作才能得到更高实际数据这一类的公司跟我们其实是生态位是相互依存的所以反而对我们来说在整个行业里面是一个提升他们需要你们的数据他们需要我们的真实数据来去所以他们也是你们的客户他也是我们的客户其实但他们是吸收到你们的数据之后反而又再卖给机器人公司那他们会不会在某种程度上会跟你们有进对的关系是这样我们认为在整个的世界模型体系里面,它其实会基于依照于现在的我们做的一些简单的任务,来去做不一样的泛化型的数据处理然后最后再提供给整个的数据的闭环所以在某些程度上我们认为它跟我们其实是相对于依存关系我们给它了更多的是RAWDATA那它进行RAWDATA的产生那我们可以再帮助这些RAWDATA产生的V6站出来的视频进行标注用我们的高质量的标注产现把它标注成最后的数据叫Process Data变成我们最后客户可以使用的数据他们是没有数据产现的对他们是没有数据产现的 如果有一天他们有了数据产现数据产现这个事情 其实如果今天要做 假设这些公司有很多的cash reserve他要做其实做的是我们2023年做的事情做一条产线刚才说了我们大部分的产线是要依靠于模型的所以这些模型本身的制作来源其实叫Grunt Truth Data我们有很多我们自己去开发和研究的这种Ground Truth Data的Pipeline而这一部分是属于我们真正自己的Priparity Data这种Priparity Data是任何人都没有的所以即使他们今天做了也只是做了我们2023年2024年做的事情有两到三年的一个gap在对所以我们认为现在做的公司大部分想要去做数据的公司其实已经入居晚了头部已经产生了那这个速度是不可能以任何的方式是感超上来的因为这个数据产现就是你们过去两遭三年的一个资产一个mote或成合对这个是我认为作为数据公司一个重要的胡成和 它产生的结果叫高质量的数据而它的过程是属于不同模型去产生的这个高尚数据而这些模型本身也是基于之前我们攒的这些perperity data而这种perperity data的规模我们今天已经达到了整个行业里面相对比较领先的位置而这些公司想要再去积攒还需要相当长的时间这些都属于物理过程而不是说直接是可以生成的这种数据过程包括数据的收集包括数据收集的管理这件事情也是互成何是吗是的 数据收集以及数据收集的管理都是护城河首先一个数据公司它其实需要一个非常强的我们叫vertically integrated产线从硬件开始开发到运营operation再到数据管线再到最后的输出这上面是需要整个链条链在一起的所以对于任何一个想要卖数据的公司都离不开这些就刚才你说到的V2站公司他们没有Operation也没有硬件对于一个纯的数据收集公司 他没有数据产现他没有那些operability data,只有把这些整个连在一起的才能整个去输出最高质量的最大量的以及这种多样性的数据你们现在是有200大概200万小时的Human Centric数据然后这个数据是多少人采出来的我们现在在世界上一共有接近4000人的Operation的团队这种Operation Fleet而且这些Operation Fleet都是我们直接管理的然后这些Operator很像当时的这种Doordash的模式所以帮助我们去能够快速的skill up快速的找到新的场景并且能快速的收集到更高质量的数据 [25:00] 能不能解释一下Doordash模式这种operation其实挺有意思的你会看到今天包括Figure在内其他的公司也在做这种外包网络其实外包网络我们在2025年的时候就试过这种是的同时我们觉得会有几个大的问题第一个是它的质量会很低第二个是它的输出会很慢问题,就是我们的理念里面是Operation本来就像一个工厂一样 这个工厂只是你不是集中在一个地方的这种数据工厂而是把这些人散到各地的工厂而这个更偏向于这种多代式的这种直接管理模式Doordash 当它早期的时候它其实对于整个的前面的棋手是有更多的管理它需要去哪怎么去做然后系统会给它直接的指示所以对于我们的这种Opposition Fleet我们所有的operation都是自建的我们不太会用外面的供应商供应商给我们的value是做一些比较罕见的和一些比较不常见的场景但是我们这么多的这种自建团队的operation能帮助我们能够下到更多的我们想要的场景中举个例子比如说明天我们现在要收集医院的场景或者说我们要收集一些养老院的场景我们其实可以直接下达这种任务给到我们的operator然后让他去散到这些场景里面然后让这些场景里面能够再快速的反馈回来如果你要用一个你的供应商你会找到供应商然后供应商说我要再做什么这种feedback路会非常满这是一个快速迭代的行业你需要让这些operation能够快速的迭代你的要求并且反馈给你更高质量的反馈如果要去管理这种自营的团队他需要什么呢 需要什么样的管理经验呢因为他听起来是一个还挺重的模式 挺难的管理operation是一件特别难的事情 我们就是从构建刚开始的Operation网络走了很多的弯路刚开始我们也用很多的这种就是这种外部的供应商我们甚至直接给一个目标说你帮我去踩个几万小时我们在1月份的时候今年2026年1月份我们的产能当时说你帮我们踩10万小时然后如果低于2万就别干了结果最后的成绩是18000 今年1月份的18000小时每个月所以在2月份的时候我们进入调整期我们认为这种方式不行所以当时我带着团队一点一点去看到底怎么样才能输出更高质量和更大量的数据那时候我们就发现一个关键点就是需要以设备为中心因为设备是你唯一的资源设备为中心来调整这些周围的资源围着它转第一个设备需要准 第二个设备有效率要提升 第三个是设备需要要使用的正确所以我们做的所有的部分全都是围绕设备本身来进行拓展的所以我们的设备刚才提到一个问题就是我们一天能够收集多少数据这些其实我们在整个行业里面应该是最高的这种设备的使用率是最高的所以这样才能帮助我们去产生更多的高质量的大量数据来回到我们的产线中才能继续使用听起来就是你们自己的硬件首先要好然后所谓的教育 education 培训这个东西要到位然后管理要到位同时你还有科技加持科技加持的部分是你需要一个平台我们全球一共有接近4000人的运营团队叫operator我们的数据采集运营团队实际负财命博弈小于10个人管理这4000个人在一起是一个非常高效的管理模式它依靠的是中间这一层我们叫AI agent in the loop一个platform 这platform既能管理设备 还能管理人 还能帮助这些人提高他们的质量 帮助他们提高他们的产量和数据这种方式其实也是依靠于我们大量的数据在后端来去做的一个模型来去给他们直接的反馈甚至我们说这个设备如果没带好我们会提醒他说这个设备没有带好是agent提醒他们没有带好对 是的agent就是相当于是一个小监工 然后盯着他们赶火 然后随时的反馈我们叫小助手 小助手 这个名字挺想好听一点这4000个operator都分散在哪里啊 我分散在8个国家此时此刻在美国的卢山基我们也有美国墨西哥然后东南亚我们有印尼、越南和泰国中国、土耳其以及最远到南非我们在专门为了管理这个事我们还在印尼设置了我们自己的办公室为什么需要散布在这么多国家因为比如说4000人 为什么不就是聚集在一个国家 比如说印尼或者是巴西 [30:00] 现在不是这么多国家呢因为4000人听上去也就还好的一个规模这其实和整个的数据需求有关数据需求在模型侧其实是需要更多样性的数据来帮助模型理解从各个地方出来的数据的类型所以这个时候其实在不同的国家会有不同的生活方式而这些不同的生活方式我们会把它合并在一起变成最后的这个intelligence所以这才是为什么要在各个国家去采集他们每个人生活方式不一样比如做的菜是不一样的有法式的有中餐 对吧然后点到衣服啊然后生活方式环境也是不一样的比如在东南亚那边大部分见到的都是场秀长袖和戴帽子的在洛杉矶那边都是短袖对哇我觉得十个人然后通过agent去管理这四千个人这个模式还是挺有意思的 可以透露一下你们现在客户的有谁吗我们客户分有两个类 一类是大模型的客户就是你天天用的这些AI 然后奄奄奄奄我们基于一些我们不能说具体的名字但是我们一类客户都是大模型的客户另外一类客户都是这种做robotics的这种intelligence的客户大模型的客户用你们的数据也是想要train Robotics那边吗?还是想要train他们的visual reasoning的那条线?是robotics所以为什么我们看到Astron出来就是他们肯定也是用非常多robotics的数据Astra是一个特别特别amazing的这个approach对我觉得他出来的时候整个机器人界都炸了crushed the whole industry我们也很兴奋看到这种结果包括大模型里面你会看到很多新的这种输出他用了很多这种EGO数据和机器人数据来帮助机器人结合他的大模型能产生更多的泛化性而我们看到这种机器人的公司在看到这种变化之后,他们也做了一些小的变化,包括他们也在去说我们是不是真的要去做到落地要去做 Vertical Application我到底将来我们的公司方向在哪所以我们帮助这两类客户都能得到他们想要的不同的基础设施其中是数据然后当然也有评估和后面的落地整个结合在一起是一个叫Foodstack给到两边那你们卖的都是同一套数据给他们吗数据本身我们的datasets是可以被,就是我们一直是license我们的datasets,而这种datasets其实在不断的不断每天扩大的所以这种DataSize你可以说是每天都会不一样我知道最近有个案例就是Dyna Robotics这家公司我们前几天也刚好去采访了他们我知道他们Dyna2最近的一个release的一个非常重要的结论就是他们用了100万小时的human centric的数据然后找到了他们所谓scaling law我也知道100万个小时当中可能大部分数据都是从你们这边买的你们其实也把可能这七八十万小时的数据卖给了可能其他的客户对我问这个问题是从一个商业的角度去问的我是在想说就是现在的机器人数据这个模式它会不会有一点像SaaS的模式就是同一套软件SaaS的为什么这么厉害就是因为它通一条软件可以卖给上千的客户嘛如果human centric的data目前只有这么多100万个小时 200万个小时这些东西也是可以卖给所有的大模型公司卖给所有的机器人公司是对客户来说它是可以服用的而且可以给它产生如果这一套数据集它其实被一个客户verify过它其实很容易对其他的客户产生相同的价值或者更高的价值所以这是为什么我们也对自己的要求要不断提升的原因如果大家能够买到的数据集都是同一套的数据集的话那数据上他们就没有差异性了对于他们的虚模型来说他们的recipe 会不一样很多人它的模型架构和它模型使用的方式都不一样我想Dyna, Genesis, OpenAI,其他的这些所有的大罗估他们自己都有一套自己的训练方法这个其实是在数据之外它自己的Recipe所以就是他们自己的模型能不能把这个数据最更好的适配出来可能是他们最后出销过的一个还有就是说后训练是不是也是一个差异点因为我知道丹兰他们自己会内部的去train一些比如说摇槽的数据也好他们可能用在他们的后训练或者是RL上面这一部分可能也是他们自己in-house需要去做的事情我们认为是这样就是对于预训练和后训练和中训练它其实会变成一个一个这种反馈的机制然后来让这个机器人落地能够落地的更好我看到一个说法就是叫99%只是一个起点因为99%还差1%所以做的后训练就是差那1%来实际的去做deploy所以我认为在 [35:00] 整个过程里面对于后面的这Pose Training作为一个data partner能给他们更多不同的价值而这种朋友的价值确实需要跟客户走得更近来了解客户的价值来帮助他们落地这样才行对所以客户大部分用你们的数据还是做预训练比较多是吗现在来说是的嗯但是我们认为在明天可能就不一定了为什么 怎么不一样我们认为现在在整个行业的变化其实很大今天我会看到很多的预训练数据然后这种预训练的这种感受你会看到新的Astra 6出来以后它的基本放化性的问题就解决了基本上解决了但还有一些长城任务和一些更难的一些任务可能解决不了当然还在不断提升对于这部分之外 我们认为后面整个行业会进入到下一个阶段 明年有两个大的一个trend 第一个trend是整个数据量会进行继续的扩增嗯我认为每一家客户 我们自己的观点是每家客户基本上会需要100万小时左右作为一个保底的地板线往上不设上线我们看到不同的客户有不同的需求但基本上都是十倍的增加在这个基础之上会有一些我们的客户进入到后面的后训练过程而这种后训的过程会非常依靠于在某一个环境而我们刚才提到了这种Operation和整个运营的体系能够帮助客户快速的提供不同的环境和不同的场景快速去测试和评估他们现在的硬件这种不仅包括模型还包括整个硬件本身的可靠性这种其实是包括我们跟客户走得越来越近的原因不仅是数据的供应商我们还会包括整个的你的模型的反馈的供应商我跟Dana聊的时候他就说他们其实现在Dana就是完成了100万个小时那么接下来他们想要验证1000万个小时的量级这个scaling law 还是不是继续立得住如果立得住的话可能这条路线就是对的那么我们的机器人行业在往1000万个小时的Human Centric Data迈入的时候肯定对你们是非常好的机会了但你觉得这个市场里面肯定会有更多的竞争进来但是我们什么时候能够达到能够到1000万小时的一个训练期呢这个需要多长时间啊一年能够搞定吗我觉得可能都不需要一年就是根据现在整个的operation上面为什么要建立一个足够的灵活的而且能够产生高质量的Operation Fleet就是因为这个原因你从100万到1000万的时候它十倍的提升是对你整个operation最大的考验一个人向外包网络一个人可能一天也产生一两个小时的数据你这满足不了一千万你要多少人你才能满足到一千万所以一千万需要多少人一千万你说我们吗如果你们能铲出一千万小时的数据需要多少人我估计在现在的基础上能够再有五倍的人 三倍到五倍的人你们现在是4000个oplayer 可能就是2万差不多在1万5左右到2万那对公司的挑战来说是什么对我们来说其实我们永远看的是怎么样scale快速的scale这对于一个公司成长来说是非常关键的所以对我们的最大挑战是第一个我们能不能继续保持我们的数据质量而且保持数据质量的同时能不能去增加我们的这个数量同时还能保证我们的多样性 合并起来以后你看到我们从另外一个角度 你会看到说我们的数据管线GoPro robust 对吧 天天只能产生一两小时 我觉得这是不能满足行业需求的 第二个是Operation在这么多行业里面和这么多这个国家的运营情况下你能够快速的转换然后第三个点是说在这两个基础之上,你能不能能够明白客户1000万小时里面的具体细分要求是什么?而这种细分要求其实可能还不只是一个要求它可能会根据自己不断的要求会进行迭代你这样怎么样跟客户integrate it对 所以这样其实从我们来说我们到目前为止我们整个的公司一共有30多个客户这30多个客户里面我们跟不同的客户来去沟通他的数据需求的时候每个人都有不一样的想法其实我们也会反过来建议客户说我们的数据应该怎么去做这个数据应该怎么样往后面走从100万到1000万的时候我们也需要跟客户去不断的去沟通这种数据迭代的过程所以我们非常愿意作为这个行业里面的一个帮助整个行业里面像一个飞轮一样飞转。我们类比一下机器人数据行业跟单模型数据行业,比如说之前的Scale AI, [40:00] 开始的采集数据成本是没有那么贵的但是他们后来随着模型的能力越来越高他们其实需要越来越多高质量的数据那现在可能他们需要去雇一些硕士生博士生去标注那种最高质量的科学向的去做研究的数据那那个成本就会非常高了那我很好奇在机器人的数据里面那是不是比如说一些generic比较一般的繁华性比较强一点的这种场景是比较便宜的非常高的对我们也发现就是我认为Fysical AI其实会跟Digital AI走一样的路线今天Skill AI McCore search都在提供一种还需要更多的数据来给到LM因为FizCray在将来也一样会走一样的路线首先我们如果看到2025年这200小时其实是不设限任何要求都可以那在2025年下半年的时候我们踩这几万小时的时候,这几万小时本身,它对于这个任务的要求就是很简单的 你就是去做一些简单的事情然后去把它变一些东西就行到今天为止 我们认为数据本身的要求确实变得越来越难了它不再需要这种数据工厂本身这种Mocup的这种场景的数据也不再需要这种简单的擦擦擦这种我们叫擦擦擦啊什么叫擦擦擦擦擦擦擦擦擦擦玻璃啊这种叫擦擦擦啊然后呢也不再需要这种简单的这种摆来摆去的这种工作我们认为现在数据将来也会走到跟DGY一样的一个方向它会需要越来越难的数据而越来越难的数据之后是什么这种越来越难的数据之后它一定会帮助它因为刚才说有两类一类是越来越难帮助大模型来去增长另外一类是这种落地型的客户他一定说我要去解决落地的问题了对对吧 我不需要几个 如果我要去养老院我就一定不会去一月但是如果我要去养老院我希望能够有全球这么多地方的养老院一起帮我去做测试99%怎么样能提高到99.99%那才是我们给客户提高的价值我们的客户差不多30多个客户到目前为止我们认为是整个行业里面拥有客户数量最多的公司之一同时我们的AR差不多能达到250个Million我们认为整个行业的扩增速度也确实为我们带来了很多欣喜但同时也带来很多困扰困扰是什么困扰我们认为是到底怎么样scale data quality嗯just as fast as possible因为你量从200小时到200万小时甚至将来到可能1000万小时的时候你需要的基础设施去support是不一样我给你说几个例子第一个你上传网络 怎么去设置更省钱 第二个是怎么样去帮助他更好的标注 现在我们还看到有很多的行业内的人士去用这种大模型的方式来去标注 太贵了太贵了会花非常多的钱来去做这种文字的标注所以我们做了自己的模型去做标注为了省钱但也为了提高质量另外一部分其实我们认为怎么样能够快速的把人的这种activity interconnecting起来让他们互相之间能够有一定的网络而这种网络要保持大量和高质量这事是很难的所以这是我们在想的下一步的事情我们知道现在其实大云莲模型已经穷尽了互联网上面的人类的预料还有数据那机器人的数据会穷尽吗?机器人的数据它其实不存在互联网上面它其实都是我们采出来的100万个小时 接下来1000万个小时 那它的上限在哪里?我认为整个你会看到整个的机器人数据会 这就要看不同类型的机器人数据了当我们看到Teleops它的上限其实是相对比较低的它达到一定的程度这种方式它其实需要的这种上量其实就够了那这个Data上升的时候它会比Telioops会更高但同时到达一定程度之后它确实也会进入到平缓期为什么会进入平缓期平缓期是它在模型架构相同模型架构的前提下这些数据给它增加的点数就是增加的这种叫成功率已经非常有限了所以它叫相对平缓期在下一步其实这就是真正的你要去用这个模型怎么去做的这个目的了如果你真的就觉得99%可以了这工作其实你可以说我要做更难的东西对更难的东西它的上涨率是很慢的另外一个就是你真的要到99%到99%的时候我需要再继续增长那部分还需要更多的更专业的这个数据所以我们认为将来整个Operation网络从了 [45:00] 从现在犯着到将来会是从普通的这种谁都在这个都可以到变成这种专家式的这种专家网络而这种专家网络会能够帮助客户从99%的评款期到99%的减误会变得更快要更快能落地将来人性机器人是需要被商业化的那商业化我要找落地的时候我更快的能够执行某一个应用更快的落地你才能更快收回成本啊那个时候你谁能帮他更快的落地呢谁就能去赢得整个客户的信任和订单对就像你说的EagleCentric它可能到了一个数量之后它能够对模型带来的数据上面的提升就会是有限或者它的曲线会变得平滑起来那个时候像你们这样的机器人数据公司的价值还在哪里呢?我刚才提到数据公司其实它只是以数据作为切入点我认为后面整个落地的时候会有它的评估会有特有的这种deploy这种评估和deploy在Dishly AI时代里面是没有的你需要跟实际的生活中进行物理尝试举个例子 比如说我们有一套的model这个模型已经好了那最近不是Facial Intelligence发了这API吗它发API的时候你要去测你要去测到底在哪些地方上到底哪些场景和哪些情况下他会失败这是第一个第二是失败了以后你能不能把它recover你把它recover的时候,这就变成了更宝贵的数据,帮助它迭代整个模型的繁华和模型的成功率。这一部分其实是数据公司去做的再往后走就是真正你要去做这一套机器人你要真正的想象一下比如说沃尔玛,Costco,他去用人型机器人的时候,他需要整个叫Fullstack support,这种是不仅包括落地,还会包括整个数据,包括整个部分,其数据的partner在那个时候也是颇具想象力的,你可以把你的数据生产产现。加上你的operation再加上你后面去做了整个deploy和eval我们做的这个平台然后把它combine在一块给到客户然后这个时候你这种Costco和Walmart你直接可以去用这道产品你可以直接落地了就像今天的工业机器人ABB和库卡一样所以你的最终的vision是想做一个full stack的是的我们其实也是在这个方向发展的就是从数据本身你提高的是一种能力这种能力是数据的高质量的大量数据高质量的处理能力再第二个其实是你属于这种运营的operation的能力这种是属于过往的能力机器人刚才说数据属于深的能力这两个能力叠在一起跟客户一起迭代这个叫客户的这种握手能力这种三个能力放在一起会变成三维一体能帮助你在physical AI领域里面将来会变得越来走得越来越远这是我们在不断去打造自己能力的时候来去做的更畅烈的事情如果你从数据的角度去看你觉得什么样的机器人公司最后能够走出来我们希望每一家客户都走出来哈哈哈哈哈哈哈哈所以都来用你们的服务买你们的数据对吧我们真实的希望每一家客户走出来我们是秉着这样的信件来去做的这几个事情就是我是来自于传统的机器人领域当我们看到工业机器人在下线的时候它非常的reliable其实很多人去做的就是具体编程的事情你其实是为这台工业机器人在服务所以当我们看到这个行业在不断发展的时候我们是希望真正的大漠性公司能提供更高泛化能力真正看到说这些在整个行业的巨身行业的这些有名的公司这些有名的logo们当然他们也都跟我们有合作这些有名的logo们真正的下线道每一个他们可以做的场景中我们真的看到那一天的时候我会非常欣喜不管我们在这个行业里面到底是什么样的位置我们能看到这个行业的发展我们为这个行业尽了一份力这其实是我们真正想看到的未来接下来想聊聊你之前的一些创业经验跟你的来时路哈我觉得这样可能可以啊帮大家更好的理解你为什么选机器人数据现在的这样的一个方向所以你之前是毕业于交大啊然后之后进入过机器人公司然后创办过机器人公司交大毕业之后你是去了伊顿为什么当时去义顿为什么想做机器人我当时其实有很多offer在很多很多年以前 很多很多年以前 我是长得比较年轻啊 很多很多年以前 方便说多少年吗 [50:00] 很多很多年纪 交大毕业以后当时我其实正在这个Accenture和当时不知道你有没有知不知道一家consulting公司叫Booz Allen Hamilton后来他拆分成Booz Allen Hamilton是全球除了麦肯西BCG和BN的另外第四家最大的咨询公司我觉得在那里面我就觉得做一些presentation 做一些analysis 我不是特别喜欢 我还希望能够做事情 然后能够动手 能够去尝试所以后来我选择进入一家automation公司这家公司当时说我没有big plan我们希望能够建一个新的sector会变成一个我们当时这个一顿是一个500强左右的企业我们希望能够变到一个更加财富500强这个更加赚钱的企业当时在这家公司里面他们给予我一个很好的机会,我觉得是很好的。当时我去了几个国家,包括美国、墨西哥包括日本 这些经验对于我现在的影响都非常非常的大然后这些部分给了我一些全球的视野和全球的营业让我觉得这个机会非常好当时伊顿主要的service是什么然后你在中间的职位是什么伊顿其实做的比较有名的几个项目其中一个是国内的C919这个C919里面的动力总成 OK 啊它同时也是美国有点像西门子或是施耐德的这种最大的电力供应商比如我们现在这个楼里面的电地系统应该就是一顿的对所以我在里面主要的职位做过非常多的职位有做过产品经理然后有做过供应链然后又做过市场经理然后还做过销售所以把几乎所有的非Tech的行业的角色都做了嗯但是对我影响最大的还是我在日本工作的那段时间我在日本工作了四年左右的时间在那边接触了非常多的生产体系那边当时最流行和最有名的叫丰田生产体系丰田生产体系是一种质量管控体系在你怎么样上量的同时能控制质量能够两边同时balance这个其实我就运用到现在的operation里面了所以丰田的体系是什么风前的体系它其实叫TMS 或者是有其他的日本的名字这套体系里面其中一套生产体系里面它其实其中一点讲究它其实分为几种部分其实大部分都是说的是质量怎么样能在快速上量的同时保持质量举个例子 比如说你生产车有一种process 叫PPAP你可以在上量的同时质量必然会compromise那你在压它的上量再上去再压 再上去再压 其实我们在Operation管理的时候你就把它看成一个工厂只是这些工厂不在一个地方是在全球各地而它的理念和它的这个其实另外一个词叫first principle从first principle这个阴性原理是不变的因为当上量的时候它必然会有compromise所以你这个时候要控制它的质量要把它下压 下压到一定程度再控制再下压再控制下压 你这样才能在短期内不断的得到高质量的输出 并且是大量的输出下压的这个过程中会遇到什么样的挑战好多挑战在下过程中你要明白其实不同的场景会有不同的要求对于我只能说巨深的讲解 巨深场景来说 在虾过程里面发现有大量的这种无意义的任务无意的任务包含了比如说玩手机比如说走路比如手触镜比如跟人聊天这都是无意义的另外一部分我们发现有大量的这种特殊的部分比如说包括我们在摄像头的时候带的不对你虽然可以戴但有的人喜欢这样戴就直接录到天花板上的镜头了对 这样戴所以这些数据怎么处理然后包括一些我们那时候非常碰到非常大的挑战就是有非常多的Edge cases你这些怎么处理你是怎么样在Pepeline里面进行process然后还有一些问题是你的场景到底是不是能够不断的多样性我们那时候发现非常多可能这一个房间里面你一个脚放一个桌子你就可以有四个人再采四份数据而且会看到衣服叠 叠完了放 放完了再叠 叠完再放你这样效率最高那这样对我们的管理是不利的对客户的泛化性也是不利的所以我们经过很多种方法把这些所有的问题都去掉然后最后输出的那才叫真正的高质量数据这些小的nuance客户是不知道的对但是我们花了大量的精力来去管理这些数量和质量所以这些都是当年你在伊顿学到的一些真的是当时在日本的时候跟日本的生产体系学到了 [55:00] 怎么样去生产 只是现在不是在一个地方生产 是在全球各个地方生产那你在一顿之后2014年左右是出来创业了但是为什么决定离开伊顿啊哎呀我觉得想做一个自由飞翔的鸟我在2014年的时候我出来以后最大的体验和感受就是原来我像一个笼子里面的鸟胃的挺胖挺好别人给我食吃但是永远是在那个笼子里不自由对当你飞出来的时候你就会发现这个世界好大呀嗯你会有很多很有意思的感受你又很靠奇但是确实有的时候找不到识吃这也是那时候挺痛苦的地方对你创业了Mega Gear Wallet对但是做什么呢做机器人的那个时候我们想做一台自己的低成本的机器人当时2014年早在12年前中国叫四大家族现在还有叫ABB、KUKA、YASKAWA和FANUC这四个品牌加在一起占90%以上的市场份额跟今天的市场份额完全截然相反所以那时候我们觉得这是一个机会那做一些自己的机器人然后来去替代头部的这些机器人企业就这么简单的想法嗯你当时觉得他们做的不好还是觉得他们太贵了我觉得做太贵了那个时候的价格应该是现在几乎是2.5倍或者是3倍按今天的价格来看但是当时机器人完全不是人性机器人就是一些打成了机械臂工业机器人 对那个时候我们创业的时候还没有今天很多很熟知的品牌包括杰卡包括埃里特等等这些叫协作型机器人都还没有所以最早批的那批机器人当然我们刚开始做的也不好做了一台裸机机器人外面的外壳都还没有装线都躲在外面我们想在做下一代产品的时候想就扔了当废铁然后我想是这样不行了所以后来我就碰到一个大学里面的老师但是他说有一定的预算咱伙就说你这预算能不能用在我们身上呀然后这个老师就说你们有什么那个时候我就看到一个新的词叫2014年那个叫开源很早了所以我们就说我这个是开源的然后当时他愣了两秒他说什么叫开源我说开源就是你可以随便变所以后来我说我们有一台机器人把机器人放在你面前然后他说这个挺好因为大部分的这种工业机器人你只能编A到B你没有办法编太底层的所以我们给他以后可以编到底层的信息然后几乎布满了当时大部分的大学的一些需求包括当时一些技能学校的一些需求我们都用这台机器来帮助他们提升他们的这种对机器人本身运动学的一些认知所以当时你们是做了现在基本上语书的这个生意对就是提供了一个本体然后让大家在上面去编程是的所以这一套当时变成了一个小的一个平台这种开源平台这是从我的角度其实萧州还不错然后在销售的时候我觉得还感觉挺好你当时卖多少钱一台当时得接近人币得接近20万人币吧这么贵嗯那个时候算便宜的ABB库卡那个时候要在相同的负载前提下他们要高出来20%到40%但是你为什么有自信说这四大家族已经垄断这么多的市场份额了你就一定能做出来比他们好的那时候没有自信那个时候就试试看那不想做鸟吗飞出来以后先吃先找东西吃再说那个时候其实也是在不断探索说实话是真的在探索就是试过很多方向那个时候从机器人做起后来做到这一部分然后整个行业其实对于真正的开运机器人虽然你看到学校这么多但是语树今天做到今天是由他坚持到今天为止可真的不是所有人都看好教育行业所以后来我们又转型从硬件转型转到这个模型我们转到这个CV然后用很多图片去做了一个小的模型那个时候其实在真正走出来的但你们当时的模型跟现在肯定是完全不一样的哎呦完全不一样那个时候但是我觉得有一样的有不一样的地方不一样的就是模型很小啊但难的地方就是取得数据很难因为你要对一个我们当时做一个产品这个产品要进行不断的照片要取得这个照片取得高这样的照片挺难的你觉得拍照片很容易但是它这个产品本身它会有不同的特性我们的目的是为了把用一种特别的方式准确的把它加起来放在不同的位置放在一个相同的位置上要非常准确的一个位置所以需要对产品本身的形态有非常多的了解 [60:00] 而这种形态有上千种所以这种我们其实是挺难的所以那个时候我觉得对数据有一些简单的认知了对然后后来你是把公司给卖掉了是的 为什么我觉得Founder其中的一个好的出路就是这个吧所以我觉得作为Founder来说有三种出路你要么就是上市卖公司或者让公司能够变得非常profitable所以这是给了我今天或者今天做企业的时候一些感受你总归要以中为史你到底怎么样去做这件事来回到今天你才能怎么去做那个时候很多时候没有这个想法那个时候去从视为中我去看到这个方向我怎么做再说就像一个黑森林里面一样你看不到任何东,你不知道往哪走。所以我觉得这其实是我觉得作为一个方案来说给其他方的一些小的想法和建议吧就是他在做一个企业的时候 你先想它的模式是什么 盈利是什么别像我一样 先打开笼子 先飞出来 飞出来肯定饿没有食吃肯定饿 所以你瘦了一圈以后 你才能挣扎的看到整个世界 那个时候其实挺痛苦的当时是觉得这个市场其实也就那样了就是如果你要做高效的教育市场的话它其实是挺小的而且当时大家对于机器人的认知硬件也好软件也好都还没有特别的乱零是的是的我认为在2014年甚至更早一点吧2011年的时候其实很一直很难在这个行业里面不断的因为那个时候其实没有居身的概念其实大部分就叫工业4.0 还记得一个词啊 还记得 还记得 还记得 后来我们又尝试了很多新的 就是我们大概转型转了六次七次然后包括很多工业互联网然后包括IoT我们当时还把机器人整个串起来做成这种上网的平台或者能监控对当时IoT这个概念对了你知道为什么不做这个事吗后来就是很多转型就是因为整个商业模式不对做IoT的时候收不上来钱我们当时快速的铺了好几个工厂能够监控差不多能够大击百台的机器人但是客户不愿付费不愿付费那就只能转型不愿意付费是因为他们没有在中间看到价值我认为还没有到那个付费器官就是在那个时候痛点和阳点其实你很难区分的当你看到客户其实告诉你我需要很多时候是养点 养点他是不愿意付费的 挠一挠就行了 对吧 那你痛点才会真正在没有你的时候还会继续付费 我觉得有一句话说的很好 就是当你的你的产品痛点是什么是当你的产品不完善 几乎不能用 只有核心功能的时候客户还愿意付费给你嗯那才叫真正的痛点所以当时客户跟你说他们的仰点是什么或者他们当时的痛点是什么那个时候我都没有问那时候痛点是什么我当时带着一个小的团队把大家关在一个屋子里面然后这些人我当时就说咱们打电话给这些人装这些他们肯定有需求所以这个时候是就是真的假设了他们我假设他们有这需求因为我问了两个朋友他说有没有需求他们说可以啊是是啊主要是他们问的第一句话我其实一直没有记在心里但我觉得现在感觉有有有感受了 他们的第一句话是他们在跟我说这个事儿有没有需求之前说的是这事儿要不要收钱我说不收钱先试试他说好 试试就试试 听好但是上了量之后你会发现他们真正付费的意愿是比较低的如果当时你说这件事情是要受浅的他们有可能就不想吃了他下一个问题可能会问收多少钱而且很多时候我问的人他们不是最终的decision maker所以他们可能甚至说我真的想付钱都不一定是真的所以这其实给了我很多今天的感受我在创业之前其实我是咨询了大量的人我在20二二年的时候有基本上的这些想法我还想再做一些事情2023年的时候我看到一个机器人在叠衣服我觉得这个行业要变化了,因为做叠义父这件事跟之前的事情可完全不一样,完全需要是一个全新的柔软的一种体验。之前都是ABAB对大型的工厂的对吧车间的这种大型机器人对在叠衣服的同时再往下走 我说下面肯定会发生什么 但我不确定 所以那个时候我往UC Berkley和我自己的网络发送了大量的code email我咨询的接近有200人当时所有的 当时在博客里念书 [65:00] 对在Berkeley念MBA OK 然后把之前的公司卖了之后就来到Berkeley这边了对是的然后在UC Berkeley那边去发这个邮件我几乎往所有的UC Berkeley的robotics行业里面的同学都发了我当时邮件当时刚开始这个response rate很低 只有10%后来我就不断不断的提升自己发邮件的技巧 然后提升到40% 当时还没有刷GPT帮你写邮件 自己写 然后那个时候咨询的这些人 每周我能差不多schedule两个会然后不断的问他们这些想法然后这些人一部分今天成为了我的客户一部分成为我的竞争对手所以生活就是这么有意思伯克利是一个很神奇的地方我觉得你毕业的那两个院校其实在这一轮AI的浪潮当中都非常的重要交大就不用提多少硅谷现在非常核心的研究员和创始人都是交大毕业的然后伯克利也是就是光在机器人行业如果你看一下Charles E. FinnSorgette Levin还有Peter Abil教母级的人物啊都是在Berkeley的 但是Berkeley里面的机器人这个行业的一个氛围是什么样子呢 认为整个UC Berkeley或者我们说Berkeley也好 斯坦福也好 其实他们整个的学术氛围合作的非常紧密 对然后整个弯曲其实都作为一个整体 认为整个弯曲的一种氛围其实对于机器人是一种大家都是信仰者就是我们相信Human Noise,我们相信整个的AGI for Robotics。所以是这种信仰把大家聚集在一起我当时去跟他们去聊的时候去跟他们去想说能聊什么然后我就想说到底这种信仰是什么就逐渐的你会把自己融入到这种氛围中然后你再和他们去相当于大家共评这种同频率的这种去交流我觉得才有了今天的max insightsMax Insights所有的基础是基于那个时候所有的认知和很早期的认知今天大家都知道Data is a bottleneck但是back to 2023 我觉得是很少人的认知所以从那个时候的这种非共识到今天的共识我觉得我们做的确实有地方是bet要放在桌子上把所有的精力放在桌子上变成我们真正的筹码这个其实是跟整个行业和整个学术氛围离不开的我们公司有很多学术的人才然后学术和我们的engineer交织在一起这些握手其实更有意思你要不断发展Frontier Technology,你还要帮助他们不断的Skill Up。这才是这个行业将来的核心对 你其实这一轮的创业是吸取了上一轮的经验就是说你一定要找到一个非常痛的痛点然后确实你也找到了数据确实是机器人行业的痛点当时你创业的时候你怎么就笃定这一定是个通点呢?我觉得这件事本身有两个大的认知第一个任职其实是你做同类对比Fysical AI 今天其实你有一个先行者叫无人驾驶然后你还有digital AI这些里面都离不开数据那个时候它怎么样获得数据和今天获得数据的方法就非常的相关可以参考那个第二个其实是另外的维度就是真正的decision maker是谁可能真的就是researchers我要去research整个行业在带动整个行业的frontier technology 的发展而这些decision maker 他们说的话可是真正的一顶一的重要所以that's why我当时聊一个人就很兴奋聊一个人就很兴奋天天聊每个人我觉得不是很就是真的不是很累这个非常anagetic 对因为得到更多的知识让告诉你这个行业怎么样发展我觉得这个其实我们的工作也是我觉得很多包括VC的公司也是我觉得这些都是我那个时候得到的一些基本认知但是我那个时候其实是自发性的就是只有我自己我自己再发email到今天为止我的发箭箱里面还保存那些然后我觉得从这些两个角度交织在一起 我认为这个行业是有变化的 再加上这个result就是你叠一步这件事在2023年所以我发现这些东西合在一起成为了我在往后发展的动力对 你其实现在是bet on机器人的scaling law这件事情是 这件事情的上限也决定了虽然你说之后要做full stack但是也决定了你们公司目前卖数据的量能有多大我认为是 [70:00] 这样就是行业的boundary不在于需要这个事情的上限这个boundary是在于你的physical AI到底有多大你到底真正deploy这些humanoids有多少机会我们的客户可以去做deploy,对吧?可以去做整个的intelligence但真正去deploy的时候它需要非常广的输出和非常深的认知所以这一部分是我们提供的价值,所以它其实不仅决定于整个数据的上限它是决定于整个行业的边界而我们是笃定在PTQI要完全远大于Digital AI的上线上这是我们真正要去去Bet和整个要堵的一个现实和未来其实你们在这一轮里面也是一个卖铲子的人但是这件事情听起来好像没有做机器人本身这件事情那么sexy你OK吗我们认为每个行业其实都有一个角色扮演者我们的角色扮演者其实需要出发于自身的优势和自身的能力我认为我们这个团队是基于工程化和research的结合也包括我个人那些经历你让我真的去做AI的Deep Research 我做不了但是我能做的是什么 我能做的是整个行业的foundation到底怎么样变后我能做的事情是帮助这些我们的客户怎么样能快速的 scale up我的所有经验告诉我都是怎么样Scale在日本对吧,operation然后在后面工作过程中怎么样找到新的机会我那个时候甚至我在上一家公司花了大部分的精力去找的就是deployment的机会所以这些deployment再加上刚开始的operation结合在一起就是我在这个行业里面提供的更高的价值刚才我们也说到数据公司的门槛在哪里你是相当的有自信但是如果我们看看其他国家的一些数据公司比如说一些中国的公司一些在亚洲的东南亚的数据公司他们可能成本是在你在美国做这件事情的几分之一或者更低你对这种未来的数据之间的竞争是怎么看的?是这样,你要看一个数据本身自己一小时数据里面的成本结构这一小时数据里面的成本结构其中一大部分是依靠于operation的所以这个其实是其中重要的一部分另外一部分的是云其他就是其他所以你刚才说的这些成本比如是人员比如说这个GNA类似这种或者RND这些成本摊销在每个小时数据里面其实占比非常小的我们在全球有三个办公室在硅谷在苏州中国然后在印尼这三个办公室为我们提供不同的价值和整个为公司提供不同的贡献我们的核心在硅谷来不断提升我们的Frontier Technology,来不断提升我们数据管线里面多个模型。在我们的外围的办公室来提供的是整个Operation的管理能力然后同时我们在美国有我们的整个Global的管理然后在中国那边我们更多的是工具开发能力所以在这三个里面看起来你如果对比东南亚的公司中国的公司也好其实这都是相对地域型的这种公司就像UberUber是全球要去运营的 我们的Vision是这样 我们不会局限于一个我们是以美国为基础发展到中国同时发展到欧洲这才是我们整个客户的体系比如说在亚洲他们的公司也可以设置全球的这样的一个办公室但是因为你们在硅谷因为确实是我觉得可能要提一下地面政治有的时候是不是说就是美国的机器人公司他们就更倾向于采购美国的数据公司的数据理论上是的,我们作为一个美国公司跟美国的客户走得更近,而且美国客户本身对美国的服务希望能够提供的更紧密和更快的迭代,将来我们还希望能够在欧洲建立我们的办公室。这个办公室跟欧洲的客户不断替代所以在这个情况下,其实我们对于客户本身的服务是需要来不断的加速他们的这种反规机制的而这种返回机制帮助后面的评估和帮助后面的deploy也有帮助这一次创业开始的冷启动那个时候其实机器人数据还没有大爆发可以说就是后面Centric数据之前可能都是你们增长还没有那么快的时候所以就是在coastarn的时候你有怀疑过这次的路线是否正确吗我认为在整个行业发展过程中你会有不断的去自省的这种机制和机会其实不是怀疑而是去确定 [75:00] 这件事情做的到底是不是正确的方向那个时候我认为数据大的方向是基本确定的因为在整个行业发展过程中离不开三个要素一个是模型的架构一个是云然后另外一个就是数据本身所以数据本身是我们在不断迭代和不断发展过程中的一个重要方向而数据本身里面有分成不同的这种分层那个时候还有很多人在讨论仿真数据对然后仿证数据看上去非常的sexy非常scalable因为英伟达他们那边的主要路线对吧对然后包括一些其他的公司也在用仿证数据我们并不评估仿证数据到底是怎么样去有用但我只是说仿证数据这件事情本身对于销售来说是非常困难的刚才提到说仿证数据客户可以自己去generate的情况下数据本身就会变得非常廉价其次就是我们也在看整个tele operation我们刚开始也在讨论Teleoperation在行业整个的方向和影响是什么所以刚开始我们在我们真的是叫车库创业我跟我的合伙人在他家的车库下面摆了一套设备然后去做TeleOps然后当时去接订单然后接完订单我们回来就是继续研究怎么去做但是确实碰到了很多困难设备可靠性很差所以我们还要找Technician来去做整个设备的维修然后Operation的Efficiency非常低越简单的任务越低你可能反直觉因为你做一个简单的peak and place你要ResettingResetting花的时间跟你去做事情一样的所以你最高的有效率只有50%你超过的时间所以你一天就这么点所以这个它的输出很低所以才说我们有了新的认知Teleaboration确实很unscalable也不适合我们团队去做所以那个时候才会转到说到底有没有新的解决方案来去做这事所以你在不断review这个过程中你才能找到不断新的方向怎么样去提高单纯去增加数据本身这件事情在我们的认知里面在短期内其实是继续可行的因为明年的基本客户基本盘差不多都要在10倍增长以上同时我认为还要再往下一步走除了数据本身还要有deploy还要有整个的evaluation这样才能跟客户走得更紧密还是以中为始你会想到中一定是human noise在某些场景里面去落地而落地需要的部分一定是去评估它的模型而需要更多的数据去做post training和middle training甚至还要去做更多的pre training如果从今天角度来看这些看在一起就是我们今天要准备去做的事情你觉得要做这些事情现在最大的一些挑战是什么我们最大的挑战其实还是skill的data quality以及skill data quality是一个核心而这部分后面其实有非常多的核心的element因素来去支撑这件事的后面的核心因素有第一个我们叫pipeline你怎么样pipeline变得更flexibleoperation要flexibleoperation我单纯的增加到比如说一万人我怎么样来控制它的产量别天天我的需求如果有变化那我这一万人天天在这个cash burn这样不行对我需要非常flexible然后另外一点就是我怎么样复用我今天的data quality和我的operation的能力把它们合并在一起变成对客户产生价值的部分现在数据行业因为大家都看到这是个香菠菠然后都进来了我听说有一些比较灰色的地带比如说有数据要到贩子比如说我自己其实没有那么多数彩的能力我去买其他人的然后把它打包在一起好像一个很大的量然后一起在高加买给客户你怎么看这种现象我们非常反对这样的事情我们自己的认知里面这个行业是没有代理商的因为一份数据你copy过来以后你就可以去做更多的销售这其实对整个数据产生了非常不好的影响我们其实有一个词叫数据纯度这数据纯度越纯说明你own这个data的能力越高我们对所有的数据现在都是100%我们都是要自己采的我们own这个data所有的data是我们own的我们听到一些行业的一些人开始买这种其他的subcontractor这种外包商的这种数据然后同时也听到一些这些行业里面的一些人或公司来去在其他的国家用代理商我们这种方式都很难算 [80:00] sustainable. Thank you. It's a global company. You have a world of world-world. You really need to write the thesis. Business model, I think the first thing is to own the data. This is a good thing The other thing is you know, at ON the time, how can I quickly change the customer's needs? and the requirements are required to be a certain standard This is what we call scale data quality. You think the future of the new equipment, will be developed. We think that in the future of the year, It's more than faster. - The data will quickly scale up and be a little bit Yes, because we saw the demand for the demand This is the customer's demand. You will be able to do our business now. When the two connects together, you will find 下一步 The client will do these things It will be very excited, and it will be very excited. In the meantime, we think the entire world will enter a new era This new era, there are no data needs, but there are more of these things, and more of these vertical applications. But in this industry, 整个上游 In the business of the first time You can see the category of customers that are not just one or two customers. You can see the whole business of the entire business. 我们的 The customer In the number of numbers, 所有的 of the Local. We hope that the best products and products can be delivered to the entire market. You have now the price of the price? Sh... The price of the product is the value of the price. This value is our value to the customer. So, 当一个我们的partner It becomes a partnership with the client. We call data vendor. We now call data partner. We call partner. We call vendor. We call vendor. We call partner. That's a partner, actually, When the client is in a time, you will find the client is getting closer to the end. 其实溢价权已经不重要了 E价权 is in the fact that your product is a value of the value of the price. This is what we We can't even be able to show our quality, and we can't even bring the value of the quality. This is what we are doing. The cost of the cost is important. The cost of the cost is because of the cost of the cost. Just like GPUs. The market is still in the market. So, you have high-reviews. If we see the market in the future, the market has become more, the market has become more, so the market has become more. We think the market is pretty stable. There are no changes There are some small customers who will use low price to get a little bit of price. Yes, but the customer doesn't buy a lot. When the customer sees a customer with you, and you have a large amount of data, and you give a large amount of data, Your results are not able to help customers increase their more value to make you a profit. This is the customer's account. If you use those very low-end prices, The data is not good for the data 对于他花的computing cost是更高 If the entire machine is gone, you can still change the data. That's not a problem. So, the data partnership will go more and more. Um, this is how I understand. Tear Pressing will become the most popular of the data. You can see the most of the demo is the most popular. The upper body will be the upper body. And then there will be a whole body and then there will be some kind of clothes. This is our clothes. Hobart is how to do it? Do you want to do it from the third generation to film a machine? There are some from the 3rd year, there are some of them just go. But we have different production methods and management methods. So why do we need to to use different equipment to produce data. So, we have different types of different types of different types of different types. This is our handbook. You can see it. It's a lot of banding sensor. The front is a regular handbook. Yes, the handbook is not used. But in some cold places, you can see a lot. This suit can be done like this, very柔软 It's the hand of the hand of the hand and the hand of the hand of the hand. [85:00] 这个叫利益数据的收集他踩的是什么数据呢叫立这种叫tactile对和这个有的原理上是一样的但是原理上也有一些区别对于这一部分其实最难的地方是skill同时你保证它的口号性所以这一部分的数据其实也会成为刚才你问的问题里面的tear pricing的一部分这些新的数据种类和新的数据形态会决定了不同的数据定价所以在这种情况下数据量虽然上去了但是你会看到整个Average price没准还上升了明白你刚才类比机器人行业跟自动驾驶无人驾驶它其实是一个比我们预想中落地要晚了很多年的技术因为它的corner case因为它的安全它的regulation机器人也会是这样的一个行业吗它会是一个比我们想要中要晚很多年才能落地的行业吗如果是的话对你来说意味着什么我们认为整个无人驾驶是基于车的基础上去做的很多智能的提升和这种safety issue你真的在路上产生了交通事故这个都很困难你可以看早期的Uber做的自动驾驶出了一些问题所以后来他把整个部门卖掉了现在他又开始重新做啊我觉得非作为爱本身遇到的问题跟无人驾驶遇到的问题不一样他可能会非常细分的针对于某一个场景的某一个任务去做非常细分的问题比如说如果我们真正的有一件任务就拿Dyna来说它可以24小时的一直在叠一幅这件事情在无人驾驶里面可能一个很小的范围内就实现了但是它要在整个世界上跑但是Dyna不需要Dyna就在一个小的范围内可能这一个酒店里面我就实现24小时重复叠一幅叠得非常好这件事可能就解决了我在这件事情解决之后我可能再到另外一件事情再继续解决下一个问题所以这就是deployment遇到的问题它其实希望能够解决的是在一个地方99%到99.9%的提升而这里面产生的问题和无人驾驶是遇到的问题不一样的我们的预期是认为在整个行业里面的泛化型的这种问题由于Astra 6的提升我们看到进程会飞速的加快今年2026年就出现了接近有五种到六种的新的名词出来,什么World Model,什么VLA等等等等。VLA已经上演了,是World Action Model。World Action Model。Dena2就是based on World Action Model。是的,我们还听说有一些数据公司想做World Model。对对对。我觉得这种方式在下一轮的明年的过程里面,其实它还会不断的提升和加速整个迭代的过程。所以认为这种形态我们是真正作为整个行业的信仰者我们觉得这个速度是比人们现在看到之前的速度要提升太多了所以我认为这个行业会发展的越来越快。就是不管这个行业它是要秩序多少年,都是需要你们的,都是需要数据的。是,我觉得不仅是数据吧,数据其实是作为整个就是还是刚才那句话数据本身它需要是不同能力的叠加数据for sure它要需要因为数据不需要了就说明整个模型的训练停止了李爷也停止了我觉得这个事情在现在看起来不太可能那模型既然继续需要,数据继续需要那要明白这个数据到底会变成什么样子这样才重要数据后面其实积攒的是真的是不同的能力的叠加你才能真正把这个行业服务好而这个服务型的行业其实它真正数据不会变成数据服务它其实会变成的数据产品因为当你一份数据来对整个行业形成标准的时候这个标准其实就变成了一种数据的标准形态当你真的为一个客户说你要什么我帮你做再有客户要什么帮你做 这个叫服务在今天为止我们有大量的客户的基础就是因为我们走的这种认知就是要做大量的客户的提升然后有了这些客户才能帮助我们形成这个标准所以现在我们的数据潜在性的就成为整个行业的数据标准了这是我们想要做的达到的效果嗯以上就是我所有问题了有没有什么问题我没有问到的你还想补充的我还是想分享一下对整个行业未来的一些憧憬和看法就作为整个非最外比较早期的这种early mover进入到行业的时候看着这个行业一点一点的变大从刚开始我们说的200小时到几万小时到几十万小时到明年的可能上千万小时这种一路的走升其实代表的是整个行业 [90:00] 整个技术的信仰的不断提升我们认为它会发生然后有越来越多的信仰者进入到这个行业当然我们看到很多无人驾驶的朋友然后会有很多这种传动机器人的朋友包括其他这种控制的朋友都会走进来过来甚至我现在看到很多finance的朋友走到这个行业里面来这个行业在不断变化的同时我们认为大家相信的是什么我们相信的一定是一个机器人这种机器人不同于工业机器人的一种存在现在有很多人说human noise 有很多人说cross embodiment whatever 这个机器的形态是什么 真正落在不断的扩展的宽广的场景里面 真正的去起到一些作用来帮助整个社会提升它的价值它是需要不断迭代的而这种不断迭代我们只是进入到的第一个循环在明年之后我们认为还会有不断新的循环会不断滚动下去这样才是我们认为是最可能发生的未来嗯非常期待好的那谢谢雨光好谢谢谢谢菁姐好那么以上呢就是这一期我与袁雨光的对话聊完这期呢我们会发现啊整个硅谷机器人数据产业的背后其实反映出这边机器人行业的一个重要趋势呢就是随着越来越多的机器人公司开始用百万小时级别的第一人称数据训练模型Skilling Law在机器人领域的效果似乎正在得到初步的验证进入一个新的阶段从过去寻找正确的技术路线逐渐转向如何规模化的去获取数据训练模型以及最终实现商业化落地未来一年我们很可能会看到第一人称数据量从100万小时增长到1000万小时而在这个过程当中的模型范式的探索更多微数据包括触觉数据的加入模型评估后训练以及在真实场景中的部署经验我们也会在这个过程中持续的为大家关注好那以上就是本期硅谷101的视频播客我是陈倩你们的留言点赞还有转发是支持我们做好深度科技和商业内容的最佳动力那我们就下期再见了Bye