Vol.194 产业观察36｜蚂蚁集团纪纲与李丰：一场关于具身智能、AI硬件的激辩

摘要

• 李丰的核心论断：这一轮AI卡住的不是算法，是数据。 大语言模型来自四十多年互联网文本，机器人运动能力来自三四十年工业机器人积累（中国2013年就是工业机器人产销第一），自动驾驶L2/L3来自特斯拉和造车新势力把摄像头、毫米波雷达装上消费级车。“从这一点到将来那一点之间差的最多的……是除了文本和图片以外的无穷多的数据、无穷维的数据”——环境、情绪、体征、物理接触，“完全没有办法跳步进行”。
• 数据只有一条来路：传感器消费化。" 消费者不会为了买传感器来买传感器"，是苹果华为普及了摄像头才有抖音、普及了GPS才有外卖、普及了麦克风阵列才有微信。投资含义：下一波该投的是带新传感器的消费硬件——先用需求做数字化，再迭代智能化、个性化，“没有设备能一上来就AI native”。
• 具身智能泡沫被双方坐实：蚂蚁纪纲投了八个项目，“最近可能在投两个，但我感觉也就是这个数量级了”——很多公司估值一年涨五倍但"没有观察到实际进展"，他判断"也许百分之八十的公司都会被淘汰掉"。 但长期是categorical的多头：“十五年之后这是一个一定要比电动车加自动驾驶更大的产业，全球所有中产家庭一定每家要有一台到两台。”
• 人形机器人所有演示——跳舞、翻跟头、踢球、运动会——全是纯运动能力，操作能力无人演示。 李丰对大模型当大脑和VLA泛化训练泼冷水：看遍全世界足球赛也上不了半职业赛场，“我不缺看电视的数据，我缺的是训练数据”。操作需要物理模型、物理量、环境建模，“这些数你可没有”。
• 为什么没人再提大模型和scaling law？ 李丰给出的答案：“没有更高级别公开可用不同类别数据了，你很难再沿同一条路进步。“纪纲的消费侧观察：OpenAI周活八亿但人均时长仅17分钟，“用户的认知可能还是一个更好用的搜索引擎”；Dev Day发的Apps SDK、Agent Kit、Codex展示的是商业决心，赌两年后变成8亿日活、每天两小时的入口。他还预判OpenAI会找立讯精密做一个极便宜的采集硬件，“硬件不要钱，只要数据”。
• 技术投资"每一个周期一定是这三轮”：先投技术变革本身（大模型），再投最有想象力的方向（美国Agent、中国机器人——“物理世界的事儿都交给机器人，数字世界的事儿都交给Agent”），第三波投既能用上科技、又能证明需求、最好还能赚钱的——“即将或者正在已经就要开始轮到第三波了”。
• 硬件打法上，大疆和Insta360"本质上是完全一样的”：软件算法背景的人用中国产业链把高级别产品往下降半格，从professional一路降到大众消费品，跟当年电子琴替代钢琴同构。 眼镜双方都同意是终局设备，但如同iPhone之前必须先有MP3、iPod、黑莓和Palm，“这些事很难跳步”。
• 纪纲的反方立场值得记录：登月不是等所有技术齐备才干的，直奔AGI/世界模型的人可能反向外溢带动硬件；且数据是没被认出的矿——“一九五八年挖白云鄂博的时候都觉得是个铁矿，现在觉得是个稀土矿”。 他看好第三个八小时的采集设备乃至"人生作弊器"，西雅图开发者三天采集200多G自我数据丢给Gemini，大模型说他可能有颈椎炎，而他自己都没意识到。

精读

1. 以日本为镜：中国攒齐了四个要素，被逼着做不知方向的创新

• 李丰的开场类比：战后日本七八十年代赶上电子管到晶体管的器件升级，把一切能改的机械品改成电子的——上海牌手表变成卡西欧、精工，钢琴变成雅马哈。但当时没有足够的芯片传感器，所以只能电子化、不能数字化，“假定放在今天，就是把燃油车改成了新能源车”，装激光雷达做自动泊车就做不到了。
• 日本一度被诟病产能过剩，但结果是把单价打下来后普及率十年翻了无数倍——“我们父母结婚的时候上海牌手表都是陪嫁，到我上初中，家里是老师的小朋友也能带一个五块钱还是十块钱的电子表。“输出产能的另一面是打下全球市场。
• 今天的中国比当年日本多攒了四个要素：极其comprehensive的制造业链条、一八年华为中兴之后六七年建起的芯片传感器产业链、全球第二的商品消费市场、全世界最高的流通效率。他借管理学的定义重释内卷：“通过竞争达到饱和的水平和速度非常快的市场”——一有创新迅速被普及掉。
• 这四件事凑齐后"会逼着企业做非常多不一定确定方向的创新”——模仿创新时你知道要学谁、只是做得更便宜，现在"你已经不知道下一步要做什么，但后边又有非常多人在卷你”，只能把手里的机会重新连线，有的对有的错。中国今天做的是把电子的改成数字化智能化、把吉他这类不电子的也改成电子的，卷到外边的都成了世界第一，“exactly跟当年日本是一样的”。

2. 纪纲的三分类：AI原生、AI载体、出海硬件，估值体系完全不同

• 纪纲的追问直指框架缺口：产业链完整是二三十年的渐变，为什么智能硬件偏偏这两年爆发？他把观察到的品类切成三类——真正AI native、能产生新数据增量的硬件（如AI Pin），“真正有的硬件是比较少的”；适合做AI载体的（眼镜、AI陪伴类，但后者很容易混进传统玩具大类）；以及数量最多的出海消费硬件，拼的是供应链和渠道。
• 三类的估值逻辑南辕北辙：AI驱动的量很小但市场给potential定价，出海消费品拼运营。纪纲问李丰怎么区分着投。李丰的坦白：“这是我做投资一直痛苦的地方——你能正推出来应该有什么特质，但你正推不出来有这些特质的东西最后长出来是什么样、是谁。“所以答案是符合百分之五七十以上特质的都投。

3. 为什么没人再谈大模型和scaling law了

• 李丰抛出问题：过去半年为什么没人提大模型公司本身的变化，一年半前人人挂在嘴边、“专门为大模型发明的词"scaling law也没人提了？纪纲从消费侧答：OpenAI Dev Day披露周活八亿但使用时长只有十七分钟，“略比传统搜索引擎稍长，今天用户的认知可能还是一个更好用的搜索引擎”，普通用户新鲜度过去了自然不谈。
• 但纪纲认为Dev Day的三件套展示了AGI叙事之外的商业决心：Apps SDK把已解决的问题接进框架，Agent Kit让创业者在它框架下解决未解决的问题，Codex在他看来"更多是一个解决更长尾问题的，解决不了，我现场给你写一个”。展望两年后若变成八亿日活、每天使用两小时的产品，OpenAI拥有的是所有用户入口和跨产品的共同记忆。
• 投资人侧不谈的原因，纪纲归结为竞争进入深水区：DeepSeek的OCR版本、千问的进展、蚂蚁最近发的万亿参数产品，进步不再显现在消费端——“峰叔比我聪明一倍和聪明一百倍，这个已经doesn’t matter了，因为他已经比我聪明了。”
• 李丰不客气地收线：“没有得到我想要的答案。“他挖的坑是：没人谈是因为没有更高级别公开可用不同类别数据了，“你很难再沿同一条路进步了”——算力先按下不表，“反正英伟达还在不停地涨估值”。

4. 中美各热各的，热钱又都退了：具身泡沫的实名认证

• 李丰复盘周期：两年半前热大模型，一年前中国热具身智能机器人、美国热agent，“非常国家属性偏好，并且正确——美国没有制造业所以偏软，我们既有制造业又有传感器所以热偏硬的”，机器人因此写进了今年的两会报告。但如今两边的新融资"已经大数量级的下降了”。
• 纪纲跳进坑里给出的实盘数据：之前投了八个具身项目，“最近可能在投两个，但我感觉也就是这个数量级了。我觉得这个泡沫比较严重——很多公司估值一年涨了五倍，但实际上没有实质的进展。“李丰当场认领：“我今天要的就是这句话。”
• 纪纲随即补上他的"但是”：这只是阶段性泡沫，类比一五一六年两百家自动驾驶创业公司，如今跑出来几家仍卡在L2+，“但你说最后会不会走到自动驾驶，一定会的”。他的vision是十五年后这是比电动车加自动驾驶更大的产业，“全球所有中产家庭一定每家要有一台到两台，这件事确定性很强”——否则两年半前不会跟同事讲"尽量多投机器人”。但起伏还会剧烈，“也许百分之八十的公司都会被淘汰掉”。

5. 所有演示都是运动能力，没人演示操作

• 纪纲点破行业窗户纸：翻看所有著名公司的演示——跳舞、翻跟头、踢腿、踢足球、跑步、运动会——“全是纯粹运动能力”。虽然都叫人形、叫具身，人的其他能力尤其操作能力没有被演示出来。李丰的判断更狠：本体运动速率要接近人的速度，“我今天看到的技术路线，包括算法，这一步都不是几年之内能解决的。当然我可能比较悲观。“他还指出"从基础算法到数据采集、甚至到本体的技术路线都没有收敛的情况下，直接干到产业成熟，这是不可能的事儿”。
• 对一年前融资热中的两种解法——大模型挪过来当大脑、用VLA拿广泛可及的视觉数据泛化训练上肢操作——李丰的怀疑落在鲁棒性和精准度上。他的比方：一个看遍全世界足球比赛、了如指掌所有技术动作和裁判规则的忠诚球迷，上场能不能达到半职业水平？“应该肯定没戏”——李丰自嘲：“要这样的话我早就是羽毛球冠军选手了。”
• 翻译过来：“只看"可能帮点忙，“但应该不太能凭只看就能到实际上去操作”，尤其涉及协调控制、操作准确、及时处理和规划问题。

6. 三种已成能力背后，是三种攒了几十年的数据

• 李丰把全场问题串成一条线：大语言模型存在，是因为互联网文本积累了四十多年——“大家忘了大模型最早全都叫大语言模型”。机器人的运动能力，是从工业机器人的运动控制、双臂协同、电机进步搞了三四十年，中国2013年就是全世界工业机器人产销第一，再加上强化学习的算法突破。
• 自动驾驶同理：十五年前那是第一轮巨大的AI泡沫，“大家说自动驾驶一定很快就会普及”，十年前就认为该到L4，而今天国标才允许宣传到L3。它需要环境数据、整车状态数字化——速度、车道、周围车辆、驾驶员状态、载重——“这些大概刚能数字化不久，然后我们在这个基础上来迭代”。
• 他钟爱的反例是新石器：“蔫不出溜就做个封闭园区送盒饭的公司，不是最高大上，但每一轮自动驾驶的最后一波它都融到点钱”——限制环境、限制条件也许可以L4，开放环境不可能一步到位。“它不对，前两天它融了一笔四十二亿的钱，它就不再蔫不出溜了，变成前排了。“结论：“今天最大的问题跟大模型的问题是一样的，它没数据了。”

7. 传感器消费化：从零点到A点的唯一路径

• 全场最核心的机制陈述：已有的三种能力，数据全都来自"普及化的新传感器到了消费者手里，使得有足够多的人帮你把它变成了数据”。文本靠PC、键盘、鼠标的combination；驾驶数据靠特斯拉在消费级车上装摄像头和高频毫米波雷达、靠一五年之后卷进来的造车新势力。
• 排比式的证据链值得整段保留：“为什么会有抖音？是因为苹果、华为们把这个传感器普及了。为什么会有外卖？是因为他们把GPS这个传感器普及了。为什么会有微信？是因为他们把麦克风阵列普及了。“关键约束：消费者不会为了买传感器来买传感器，“他买的是一个产品，只是这个产品凑巧装了传感器之后，自然地把消费者的需求转成了数据”。
• 从今天到明天缺的量级"比原来想要的多太多了”：人的情绪、语言、状态、体征、环境建模、人和环境互动的改变、无穷多的物理量。他举俯拍数据为例：机器人想要俯视航拍数据很难，因为无人机还不普及——“如果它变成真正意义上人手一台的可飞的东西，这个角度、各个维度、各个速度的数据就很多了。”

8. 登月抬杠：目标拉动，还是渐进补链？

• 纪纲主动宣布抬杠：美国登月不是等技术齐备、空间站建好才去的，是苏联先打了卫星，美国"定一个其实不可达到的目标”，登月反过来带动了很多技术。同理，也许有人直奔AGI、世界模型或具身智能的最终形态去做，“在这个过程中带动产业足够的发展，外溢了很多技术，导致我们今天智能硬件得到了更好的发展”——不一定是按顺序发生的事儿。
• 纪纲随后表示，这里面并不存在简单的因果关系，也部分同意需要补上中间环节，但这并不妨碍直接奔着具身智能去做；两者其实是相互作用的过程。他用神经手环说明，有了算法后，腕带端可以把无序电极数据和人类有限的规定动作做correlation；但因为还缺少手部动作数据，仍需要先增加设备采集数据，才能进一步实现手一挥、屏幕就动。

9. 技术投资永远三波，现在轮到第三波

• 李丰的周期模型：“每一个技术周期的投资一定是这三轮，不会中间错一轮、少一轮或者多跳了一轮。“第一波投技术变革本身（大模型）；第二波投技术最有想象力的事情——“大模型一出来，agent就能替代所有人在数字设备上要做的事儿；物理世界的事儿都交给机器人，数字世界的事儿都交给Agent”，最大想象力和最难落地是一个硬币的两面，“要不然它就没想象力了”。
• 第三波投"既能用上科技、又能证明需求、最好还能赚钱"的——如同自动驾驶从最牛算法团队，到跟主机厂有关系的，最后投已经装到港口车、园区车上开始赚钱的。“好处是即将或者正在已经就要开始轮到第三波了。”
• 随之而来的是他所谓"永远的争议话题”：到底按技术进展找一个最deliver技术的产品，还是从消费者需求端找一个"比原来他用的科技产品多一丢丢AI"来enable和提升的产品。

10. 大疆和Insta360本质上是同一件事：降半格

• 纪纲设局：假设十几年前钱只够投一个，投开创新品类的大疆还是把已有场景做好的Insta360？李丰拆局：“他们两个是完全一样的，只是大疆再早几年而已。“都是计算机算法背景的人：大疆做飞控，“用中国的制造业产业链，把一个原来军用的东西下降到半格，给专业使用者用”；Insta360做图像拼接出身，2014年在南京卖软件技术赶上第一波VR（Facebook刚买Oculus）也赚不到钱，于是搬到深圳，把拼接技术嫁接到产业链上做成运动全景相机，先卖给GoPro教育过的欧美人群。
• 公式是用产业链能力把高级别产品往下降半格，赚钱正循环建立后再降半格到semi-professional，如今再降半格到准大众消费品。参照系还是那台电子琴：“八十年代什么人家里才能让孩子学钢琴？有了电子琴，九十年代一个中产家庭就可以。”

11. 三个八小时与"人生作弊器”：纪纲押注采集增量

• 纪纲抛出内部框架"三个八小时”：睡觉八小时产生大量数据但没法交互；屏幕时间八小时已被占满——“今天如果AI想做一个更好的打车软件或者外卖软件，机会很小，上一代虽然不是AI驱动的，但通过算法已经把这个事儿解决得很完美了”；真正的增量在第三个八小时，比如两人对话的过程，传统上采集是高难度的。
• 他畅想的形态从Pro这类录音产品到影像分析表情——“你现在在咬你的小手指代表什么呢？你在思考吗？"——直到他命名的"人生作弊器”：面试时看到面试官的表情，就知道下一个问题怎么回答。他也承认"最终的大boss应该是眼镜”，但今天续航、算力都没解决，采集、显示、交互不可能都塞进去；所以出现了原文音近"鲁皮"的这类妥协方案——挂在胸前，视角画质差一点，换来续航和最初的采集需求。

12. 眼镜是终局但不是现在：先数字化，再智能化，再个性化

• 李丰同意"眼镜肯定是最终的一类大设备”，但给中间态产品画了matrix：要么用传感器取多维度人体/环境数据，要么用镜头取多场景、多状态、多情绪数据；最好端上能容忍一块芯片做端云结合（有功耗、尺寸、成本挑战）；然后从数字化迭代到智能化再到个性化。方法论一句话：“你不要从数据层面定义需求，你可以从需求层面定义产品得到数据”——为卖数据给机器人公司而定义采集设备，“消费者绝对不会干这个事儿的”。
• 反跳步的历史证据是iPhone谱系：苹果手机之前先有iPod，iPod和苹果之间有黑莓和Palm，iPod前面还有"中国教育的MP3”，再前面是摔不坏的诺基亚，“苹果手机也要到第三代你才开始认为它是个好手机”，“即使你是乔布斯……消费者也很难直接被跳过来教育”。摄像头同理：诺基亚摩托罗拉全有后置摄像头但没人用，iPhone让两三百万像素先被用起来，再用云存照片锁定用户——“你要说一上来就做个极限摄像头，那可能有点挑战。”
• 由此他预判OpenAI的硬件动作：“OpenAI要找立讯精密做硬件，他迟早会做个plot（原文如此）……对它来讲无数带场景带context的文本数据是非常好的。我猜最终它一定会定义一个极其便宜的（设备），以至于它可以硬件不要钱，只要数据。”

13. 最后的抬杠：数据是还没被认出来的稀土矿

• 纪纲收尾前"确保下次聊的时候有话题"的杠：睡眠这个极主观的东西被量化了，量化得并不准——“它给你打八十分你觉得睡得一塌糊涂，但心情上的安慰是很好的，我从来没到过八十分，最高到七十八分”——可它仍然产生了价值，这是数据显像化的过程。
• 他最看重的案例：西雅图一个solo开发者，先戴Insta的"Ultra Go"设备嫌续航不行，手搓了个单片机带摄像头的设备，一分钟拍一张照、三分钟拍十五秒视频，iWatch设成24小时录音，三天采集两百多G数据丢给几个月前的Gemini。最surprise的是大模型告诉他"你应该有颈椎炎，因为我看到你在很多情况下坐姿是有问题的”——他自己都没意识到。
• 落点是那个矿的比喻：“一九五八年挖白云鄂博的时候都觉得是个铁矿，但现在觉得白云鄂博是个稀土矿。“没被采集的数据，我们不理解它能带来什么价值；人最终embodied之后，“可能以后你每一秒的数据都是有价值的”。这个杠，李丰没有再接。