152: 千寻智能韩峰涛：具身模型淘汰赛和落地的非共识
摘要
- 韩峰涛的核心非共识是，2026年不是具身智能的“落地生死年”，而是模型性能爆发元年。 他把当前具身基模类比为 GPT-2：已有一点智能，但做 Agent 和规模交付仍需重工程；真正的大规模落地要等基模接近 GPT-3.5，时间判断是 2027 年下半年至 2028 年。投资者在 2026 年更该盯模型迭代与 scaling 曲线，而非把订单和营收简单等同于技术领先。
- 数据瓶颈正从“有没有解”转向“谁能以更高加速度采集和训练”，千寻为此押注 100 万小时真实数据。 其配方是视频预训练、可穿戴真实作业数据、遥操作微调和真实场景强化学习：两年积累约 20 万小时视频，可穿戴数据有效性经近百次迭代由遥操作的 20%-30%提升至约 95%。韩峰涛以此前约 1 万小时遥操作数据训练出的开源模型为参照，称 2026 年数据量将放大 100 倍，“整个模型性能会有非常大幅的提升”。
- 千寻选择模型、本体和商业化一体化，不是因为大脑不重要，而是中国创业公司必须把技术优势迅速变成客户与市场地位。 客户早期不会分别购买大脑、本体再自行组装，完整机器人还是获取体验反馈、私有场景数据和收入的接口；但千寻最终要卖的是标准化的“机器人＋基模＋数据管理平台”，让客户自己微调物理世界的 Agent。韩峰涛把生存门槛定为年销 10 万台，并直言：“速度是我们唯一的优势。”
- 这轮机会的商业上限来自通用模型将机器人可做的工作扩大一个数量级，而不是再做一次工业机器人国产替代。 2024 年全球工业机器人约售 50 万台、均价约 2 万美元，总市场仅约 100 亿美元，“相当于理想汽车卖半年的车”；中国工业机器人保有量约 300 万台，对 1 亿制造业工人的存量渗透率仅约 3%。韩峰涛判断 2030 年全球通用机器人达到百万台级“是一定的”、千万台级不一定，终局或由 5-8 家综合厂商瓜分约三分之二市场。
- 宁德时代项目说明了模型能力、场景选择和产业经验必须同时成立。 千寻从电池生产近 200 道工序中选择末端插拔检测：无需大规模改造、需要 VLA 与力控、节拍较慢、失败后可重试，还能在真实产线上形成强化学习闭环；完整项目历时约 11 个月，基于 2025 年上半年的模型落地约需 2-3 个月，最新模型预计约 1 个月。韩峰涛的结论是，基模越弱，“最后一百米”越像高成本项目制，无法 scaling。
- 2026 年的融资分化将围绕大脑、资金和数据加速度展开，千寻给自己的目标是全球模型能力 Top 3。 公司首轮只融 3000 万元、估值 3 亿元，如今完成近 20 亿元融资、估值突破 100 亿元；韩峰涛认为后来者若有强 AI 团队并拿到 1 亿至 2 亿美元，仍可能用公开经验缩短踩坑时间。真正的入场券还包括充足现金、产投与商业化基础，而不是单看历史数据总量。
- 韩峰涛第二次创业最重要的资产不是乐观，而是第一次创业留下的反规模陷阱与经营纪律。 珞石曾把融合视觉、力控和轨迹规划的磨刀工作站做到全球领先，却发现全球只有 8 台需求；也曾因融资失误、盲目扩张三次濒临倒闭，三位创始人背下逾千万元连带债务。由此形成的原则是：“在解决卡点之前要聚焦，在解决卡点之后要看速度”，所有主航道投入坚决做，过度垂直、不可复制的短期收入则主动放弃。
精读
1. 2026年的主战场是模型，不是订单
韩峰涛明确反对“2026 年落不了地，具身行业就没了”的生死年叙事。在他的框架里，具身的核心仍是大模型，2026 年首先应当是数据规模和基模性能开始爆发的一年。
当前具身模型在他看来大致处于 GPT-2 水平：“看起来好像有一点点智能了”，但基于它做 Agent 或规模落地都很痛苦。只有爬到类似 GPT-3.5 的基本能力，才有可能构建真正可用、可复制的机器人产品。
这不等于回避商业验证。韩峰涛给出的时间表是 2027 年下半年到 2028 年进入大规模落地；2026 年需要用阶段性模型发布和更清晰的 scaling law，让资本与产业持续看见性能变化。
2. 手写规则的局限，是他理解具身模型的最早起点
韩峰涛本科在华中科技大学参加足球机器人比赛，用约 15 厘米见方的小车和高尔夫球模拟比赛，所有规则都靠手写。“你手写无法涵盖所有的 corner case”，这成为他后来追求通用控制能力的早期经验。
2008 年至 2011 年，他在浙大控制学院学习模式识别与智能控制。当时神经网络处于低谷，有人把多层网络简化为单层、多个神经元简化为一个，大家开玩笑说：“单个神经元不就是一种 PID 吗？”
他没有赶上 2012 年底 AlexNet 引发的深度学习热潮。2011 年国内机器人岗位稀少，他先进入国家核电；福岛事故后核电建设收缩，他做过美国第三代核电技术图纸的翻译和国产化适配，直到 2013 年才回到国机做工业机器人。
3. 2014年的工业机器人热潮催生了第一次创业
2014 年中国成为全球最大的工业机器人单一市场，韩峰涛记得当年国内销量约 8 万台，媒体因此称其为“中国工业机器人元年”。2015 年，他与分别负责软件、硬件的庹华、曹华创办珞石，自己负责算法。
当时的创业认知是典型的“无知者无畏”：有技术、把产品做出来，就以为“三年创业、五年上市”，甚至不知道融资应当怎样操作。团队第一版商业计划书用 Word 写了 60 多页，投资人提醒他们现在应该用 PPT。
十年后的结果并非毫无成果：中国国产工业机器人的份额由 2014 年不足 3%升至 2024 年超过 50%。但韩峰涛承认，国产替代完成的是产业使命，未必自动等于高利润或大市值。
4. 工业机器人最大的误判不是技术，而是市场天花板
2024 年全球工业机器人约售 50 万台，按平均每台 2 万美元计算，总市场约 100 亿美元；其中还要容纳 ABB、发那科等国际厂商及所有中国公司。“一百亿美金相当于理想汽车卖半年的车”，远比创业热潮中的想象小。
行业早期曾流行“500 台打平、1000 台盈利”，随后门槛不断变成 2000 台、3000 台；如今有企业一年卖 1 万台仍不盈利。原因包括总量有限、产品高度同质化，以及行业进入后半程后的价格竞争。
珞石最初只想做机器人控制器，认为那是当时的“大脑”，很快发现控制器市场更小，而且软件性能离不开本体。韩峰涛由此得到一个反复复用的认识：机器人乃至自动驾驶都是软硬结合，单独把硬件厂视为“打铁的”并不现实。
5. 上一代AI能做绝活，却造不出通用市场
珞石通过力控、传感器、3D 视觉和深度学习，让机器人完成缝纫、磨刀等传统规则系统做不了的任务。韩峰涛把增加传感器类比为给手机增加摄像头、给计算机增加显卡：硬件上限提高后，软件才有空间释放能力。
但第一代深度学习太弱，机器人只能逐个攻克高度特化的工序，不能形成通用大脑。人脸识别、智能音箱等应用在他看来证明了技术进步，却不足以成为“真正的技术革命”。
GPT-3.5 改变了他的判断。借用王坚“真正的技术革命一定会诞生伟大的公司”的说法，韩峰涛把千寻的任务定义为：把大模型革命从虚拟世界带到物理世界，构建能够控制多种机器人、执行多类工作的通用基座。
6. 中国创业公司必须同时掌握大脑、本体和客户
曼祺提出，美国一些公司可以只做大脑、使用外部本体；韩峰涛认为中美差异首先来自退出环境。美国技术公司可能被 Google、Tesla 等收购，中国大厂则倾向自己做，创业公司不能把被收购当成主要生存路径。
客户购买的是更智能的机器人，而不是一个大脑再自行采购、组装和调试。自有硬件还能保证性能与上手体验，让千寻直接连接客户、获得反馈，并沉淀真实场景数据。
韩峰涛强调，全栈并非“什么都做一点”，而是 AI、机器人和 To B 商业化都必须强。任何一环缺失，端到端的交付链路都跑不通；创业公司的唯一结构性优势，是把阶段性技术领先更快变成细分市场地位。
7. 年销10万台是成为“中厂”的生存门槛
韩峰涛把“中等规模”定义为一年卖出至少 10 万台机器人，并判断达到这一规模后“肯定是盈利的”。参照新能源车约 6-7 年的放量周期，他认为通用机器人可能更快，千寻内部节点是 2030 年。
对 2030 年全球市场，他的表述保留了边界：百万台级“一定是要的”，千万台级“不一定”。终局或只有 5-8 家综合性机器人大厂，头部合计占约三分之二，剩余厂商分享另外三分之一。
千寻的“双十计划”是十年内让全球 10%的人拥有自己的机器人。仅靠工业无法支撑这个目标，因而路线必然从早期工业场景逐渐走向服务与家庭。
8. 大脑把机器人市场从3%渗透率推向数量级增长
韩峰涛给出的中国制造业底数是约 300 万台工业机器人保有量、每年约 30 万台新增，对应约 1 亿制造业工人。按存量计算渗透率约 3%，按年销量计算约 0.3%，所谓成熟市场其实覆盖率很低。
核心原因不是机械臂数量不足，而是“机器太笨了”，只能完成简单、结构化的工作。若具身模型让机器人能够承担约 30%的任务，工业端的设备需求至少可能提升一个数量级。
更关键的上限来自工厂之外：同一个大脑可扩展到酒店、零售、物流乃至家庭。规模化制造叠加软件泛化，才是韩峰涛相信 10 万台能够盈利、而工业机器人 1 万台仍可能亏损的原因。
9. 找高阳之前，他筛过一百多名潜在合伙人
2023 年，韩峰涛翻遍微信里约 6000 个联系人，从 A 到 Z 寻找能介绍顶尖 AI 人才的人，大半年内线上线下见了 100 多名候选人。最大的感受是“靠谱的人太少了，骗子太多了”。
他遇到过想借赛道热度融资的人、坚持旧 AI 路线却自认为适合大模型的人，也遇到要求把整支旧团队带进新公司的人。具身是至少二十年的事业，技术履历之外，更难的是找到能长期共同承担人性考验的合伙人。
高阳当时也在寻找拥有产业和硬件背景的 CEO。两人于 2023 年六七月相识，经过十几次交流才决定合作；韩峰涛看重他做过大规模互联网视频训练，并从 2017、2018 年起研究端到端自动驾驶。
10. 联创匹配的底层条件不是不争吵，而是价值观趋同
两人谈的不只是技术路线，还包括分工、科研与落地、准备在公司工作多久，以及“以后相互拍桌子甚至骂娘”时怎样处理。韩峰涛的判断是，创业一定会争吵，真正导致团队分裂的是人性受到考验时价值观不一致。
他形容高阳是“极度聪明、纯粹正直的人”：不知道就明确说不知道，需要查证或学习就去处理；面对同事提出的改进意见，也会平静接受并说明下一步怎样调整。
高阳最初觉得韩峰涛说话豪爽、观点犀利，“有一些像生意人”，后来才发现他也懂技术。早期投资人评价“千寻的 CEO 不懂 AI”，韩峰涛没有回避：“我确实不如高阳懂 AI”，随后系统补课。
11. 信任与卓越是千寻用来降低纠错成本的机制
千寻搬入第一个办公室时只有 11 人，其中还包括高阳的实习生。韩峰涛在开业讲话中只强调两点：信任与追求卓越，因为“只有有信任的团队才会有战斗力”，也只有卓越的公司能在融资和竞争中活下来。
他给信任的定义很具体：同事提出意见或建议时，先把它理解为善意，而不是认为对方在针对自己。自己发现错误很难，但如果别人能指出错误、决策者又愿意接受，组织纠错就会简单得多。
正直则意味着尊重客观事实：技术是不是自己做的、效果究竟如何、评价竞争对手是否基于证据。套开源成果、夸大能力或给竞对造谣，都属于他所说的“不正直”。
12. 估值快速上升，让早期赛道提前进入舆论战
曼祺质疑，具身尚未大规模落地，为何竞争烈度已经像成熟行业。韩峰涛的解释是，行业虽处于“黎明前的黑暗”，估值却增长很快，玩家对大脑、硬件、数据和落地节奏的判断不同，资本又难以验证，于是融资竞争外溢为叙事竞争。
他确认行业已经出现公关公司、水稿和水军攻击，甚至有人传播他与高阳不和。曼祺称这是她听过的最离谱的黑点，因为她没见过高阳经常拍桌子争吵。
对于这类无法自证的流言，他用了“吃了几碗粉”的比喻：“除非我把肚子剖开，否则没有别的办法。”在他看来，这正说明竞争已经不再局限于技术本身。
13. 资本共识在2025年下半年迅速收敛到“大脑”
2024 年至 2025 年上半年，零部件、本体、传感器、具体场景、纯模型和软硬一体公司都能融资。到 2025 年下半年，尤其访谈前几个月，资金迅速转向具身大脑，因为投资者开始认为数据这个首要卡点已经被解决。
千寻第一轮只融 3000 万元、估值约 3 亿元；新近融资接近 20 亿元、估值突破 100 亿元。曼琪对照指出，2025 年成立的一些公司起步一两轮就能融到十几亿元，反映的正是资本认知变化。
韩峰涛认为 2026 年会像大语言模型的 2023 年：如果拿不到足够资金、无法进入头部，就可能失去“上牌桌”的机会。“2026 年如果上不了牌桌，我觉得就没戏了。”
14. 数据、scaling、落地构成三道连续关卡
在韩峰涛的技术路线里，具身模型本质是“物理世界的大模型”。第一道关卡是获得足够、可用的数据；第二道是数据问题缓解后，模型 scaling 的速度能否足够快；第三道才是把接近 GPT-3.5 水平的基模批量落到具体应用。
这套顺序解释了千寻为何不愿过早堆营收：基础能力太弱时，每个项目都需要大量专门采数、后训练和工程化，能验收却不能复制。先把基模推过涌现点，后续产品化工作量才会陡降。
韩峰涛也承认，这是一种带条件的判断：如果 2026、2027 年模型能力没有按预期提升到类似 GPT-3 或 GPT-3.5，技术进展本身就会成为公司的失败路径。
15. 千寻从一开始就选择真实数据，而非仿真主导
2024 年确定数据路线时，团队几乎没有把仿真合成数据作为主路径。韩峰涛的技术判断是 sim-to-real gap 很难弥合；自动驾驶是更简单、尽量避免接触环境的机器人，仍主要依靠真实数据，执行接触任务的机器人更难只靠仿真。
千寻的数据配方分为四层：约 20 万小时互联网人类作业视频用于预训练；高质量但昂贵、低效率的遥操作用于微调；可穿戴设备负责低成本、大批量采集真实作业；机器人在真实场景 rollout，收集 failure case 做强化学习。
视频量大、成本低、覆盖场景广，但精度不足；遥操作精度高，却无法 scaling。可穿戴数据承担的是中间缺口，而真实强化学习负责把模型在具体环境中暴露的问题重新送回训练闭环。
16. 可穿戴设备的关键不是形式，而是数据有效性
UMI 只能较好记录手部动作，无法完整获得身体、臂角和七自由度机械臂的零空间运动；外骨骼能够补足手臂构型，动捕则可提供更精确的全身数据。千寻因此不押单一设备，而是组合“全身 UMI”式的数据配方。
从 2024 年 5 月到 2025 年十一、十二月，团队迭代了四代硬件和数十个小版本，合计近百次改进。工作同时覆盖设备设计、切段、标注、质检、数据管线以及从低质量数据中学习的模型算法。
最初可穿戴数据相对遥操作只有约 20%-30%的可用性，学习同一动作需要三至五倍数据；迭代后提升到约 95%。团队自 2026 年 1 月起开始铺量，预计第二季度达到十几万小时、全年采集 100 万小时。
17. 数据采集的加速度比历史存量更重要
韩峰涛认为，衡量竞争者不能只看已经有多少数据，更要看数采速度能否持续加速。决定加速度的是过去一两年对设备、数据管理平台、训练 pipeline、数据算法和工程效率的积累。
他以 Physical Intelligence 和千寻过去发布的最好开源模型为参照：约 1 万小时遥操作数据、耗时接近两年采集；千寻 2026 年目标是取得其 100 倍的数据量，而且有效性达到遥操作的 90%-95%。
这并不保证性能自动提升 100 倍，但韩峰涛对方向非常确定：“我们会得到一百倍的数据，所以整个模型性能会有一个非常大幅的提升。”模型是否如期体现 scaling，将是市场验证其判断的直接指标。
18. 中美资本差异迫使中国团队同时做技术证明和商业证明
Generalist 与 Sunday 在 2025 年下半年公开可穿戴数采方案后，千寻才发现彼此方向很像；团队此前已独立推进一年多。韩峰涛认为，美国公司可以在没有 demo 或商业化的情况下获得资本支持，中国公司则必须拿出 demo 或商业化探索才能持续融资。
他的极端假设是：“如果 2024 年你给我 5 亿美金，我啥都不干，我肯定就直接开始做，all in 做这个数据。”若第一天获得两三亿美元，千寻也会把更多资源直接投向数据，而不是同步做示范项目。
在现实约束下，千寻仍把 80%以上精力用于突破数据瓶颈，余下部分做 demo 和商业化探索。韩峰涛认为，这是中国融资环境下必须支付的成本。
19. 商业化探索是在提前选择产品，也是在占据私有数据入口
大语言模型能力本身接近产品，加一个对话框就能成为 Chatbot；机器人模型只是产品的一部分。模型达到 GPT-3.5 水平后，究竟做电池、汽车、保洁、按摩还是零售机器人，机型形态和需求都不能到那时才开始研究。
具身还有大语言模型较少遇到的私有数据：宁德时代工厂、京东中转场等数据并非谁都能进入现场采集。千寻提前合作，是为了验证产品，同时“先去占数据的坑”。
早期场景数据可用于共享训练基模；当基模成熟后，客户自己采集的高精度微调数据则归客户。千寻希望把约 90%的精力留给基础能力，少量团队承担市场和数据入口的前置探索。
20. 宁德时代项目的第一步，是从近200道工序中选对一道
宁德时代把需求发给几乎所有具身智能公司，尤其是 2024 年成立的公司。高阳戴着安全帽和防护装备走遍工厂，当天约走 2 万步；韩峰涛要求技术负责人同时掌握“客户语言”和“技术语言”，不能只在办公室理解任务。
千寻最终选择电池末端的插拔检测：不用对现场做非标自动化改造，把人撤下、机器人放上即可；任务既需要端到端 VLA，又需要力控，产线节拍较慢，适合早期模型。
该工序容错率也高，第一次没插进去可以重试，插头尺寸较大、不易损坏。更重要的是机器人能真正进入产线作业，持续收集强化学习数据，把采数、训练、部署和回流链路完整跑通。
21. 场景选择能力比“拿到客户需求”更稀缺
有些团队到现场后只讲自己的技术优势，客户听完反问：“你这玩意儿跟我没关系。”另一些公司虽然能讨论方案，却挑中了每个工厂只需要三台机器人的小场景，模型做成也无法形成市场。
韩峰涛总结，合适场景要同时绕开模型、硬件和组织协作的卡点，还要有足够部署量。机器人能够完成任务，却卡在负载、节拍或耐久性上，依然不能交付；技术全部成立而单厂需求太小，也没有商业价值。
这正是他认为产业经验不能被纯模型能力替代的原因。AI、本体和 To B 销售都强，才有可能从 200 道工序中找出既能落地、又能产生数据、还能走向规模化的那一道。
22. 基模每进步一代，最后一百米的成本就下降一截
宁德时代项目从接触到验收约 11 个月，其中也包含大量非模型工作。按 2025 年上半年的模型能力，落地约需 2-3 个月；使用千寻最新模型，韩峰涛估计约 1 个月可以完成。
第一代项目需要研发长期驻场，“现场写代码、现场改模型”，不能由北京研发远程发模型、再让现场 FAE 自行处理。团队还专设宁德小分队，公司其他部门在需要时给予最高优先级支持。
韩峰涛把这种重服务视为模型太弱的结果，而非未来组织模板。若基模达到 GPT-3.5，再教会客户采数和微调，千寻就不必承担最后一百米交付，可以销售标准产品而不是不断扩张项目团队。
23. 最终产品是机器人、模型和数据平台的组合
千寻希望向华为、小米、京东、汇川等有自身具身团队的产业伙伴提供标准机器人、基模和数据管理能力。客户理解自己的工序，也可以在千寻基座上做微调与部署。
韩峰涛把这类模式比作“在我们的物理具身模型上做物理 Agent”。千寻不替每家企业完成所有定制，而是提供足够强的底座和工具，使客户能够自己完成下游适配。
这也是其引入多家产业投资人的双重目的：获得封闭场景的数据与需求，同时培养能独立使用基模的交付方。只有把部署能力外溢给客户和生态，商业化才可能 scaling。
24. 第一批垂直市场必须同时满足五个条件
千寻选择 To B 市场时看五项条件：市场足够大、仍在增长、客户集中度高、付费意愿强，以及国内外需求尽量一致，使在中国打磨的产品可以直接出海。
动力电池是其中一个场景；此外团队重点关注物流、酒店和零售。韩峰涛强调，具身不是替换成熟自动化，而是进入后者做不了、需要对动作和环境泛化的任务。
零售机器人可以在货架不完全整齐时取物，并有望处理盘点、补货和清洁等任务；酒店机器人可以清理洗手池、回收或折叠毛巾。传统专机只能在固定位置做固定动作，缺的正是这种跨对象、跨环境的泛化。
25. 最适合率先落地的任务，是传统技术已完成90%的任务
韩峰涛提供了另一套筛选法：传统机器人和上一代 AI 技术已经能完成约 90%，只差最后 10%的泛化能力。具身模型应解决这一小段关键缺口，而不是重新发明全部硬件。
叠衣服的机械动作早已可执行，机器人真正不懂的是“什么叫褶皱、什么叫铺平，哪里是衣角、哪里是袖子”。插拔同样如此：机械系统成熟，AI只需在位置变化后实时调整动作。
他的乐观建立在这个边界上：不是要求 GPT-3.5 级模型独自创造完整产品，而是让它补齐传统机器人长期无法处理的非结构化部分。模型一旦越过门槛，落地也会较快。
26. 家庭市场的模型门槛可能先过，安全门槛却不会同步消失
韩峰涛判断，技术上到 2027 年机器人就可能在家里洗衣服、做简单清洁、收拾儿童房、浇水和摆鞋。真正阻碍通用机器人进入家庭的，不一定是能力、价格或隐私，而首先是安全。
现有机器人重达几十公斤，跌倒可能砸伤儿童或老人；配备的电池容量通常约为电动自行车的三倍，而电动自行车电池甚至不能进屋。固态电池更可靠之前，要么使用小电池频繁充电，要么拖线工作。
家庭仍可能先出现有泛化能力的专用机器人，例如挂在洗衣机旁，把衣物转移到烘干机并折叠的小型机械臂。它无需大电池和全屋移动，售价若能做到约 1000 美元，可能比通用双臂机器人更早获得用户。
27. 千寻宁愿把2026年营收控制在1亿元，也不追逐低质量订单
2026 年公司最主要的量化目标是 100 万小时可穿戴数据，以及围绕这些数据进行模型迭代；面向产业伙伴的落地与平台业务，营收规划约 1 亿元。
韩峰涛主动放弃“蔬菜工厂”等不可持续、不能帮助模型能力爬坡的收入。他承认，在同样超过 100 亿元估值的公司中，这一规划显得克制，但认为基模未越过门槛时，营收越大未必越接近正确产品。
他把行业现有“落地”分为几类：沿用传统自动化或上一代 AI、签下大订单但尚未真正部署，以及唱歌跳舞等独立细分市场。当前 GPT-2 水平的具身模型“不可能批量落地”，因此收入数字不能直接代表基模领先。
28. 真正的营收拐点来自zero-shot能力，而非项目数量
韩峰涛设想的拐点是，机器人进入新环境后 zero-shot 就能达到 70%-80%成功率，再经少量教学迅速达到高成功率。届时模型可能相当于 GPT-3.5 或 GPT-4，标准机型才能快速放量。
在此之前，每个场景都要大量采数、微调和工程开发，收入曲线平缓；越过涌现点后，标品可同时进入大量场景，曲线才会变陡。这也是他把真正规模落地放在 2027 年下半年至 2028 年的原因。
曼琪追问这条曲线会受到什么阻力，韩峰涛的回答相当强势：客户需求、硬件、供应链和资金都已相对成熟，“卡点就一个，就把基本能力往上提”。但这一判断本身也把模型进展集中成了最大的单点风险。
29. 上牌桌需要AI、资金、产业入口三项同时成立
韩峰涛列出的第一项条件是强 AI 背景，无论来自过去两年的积累，还是自动驾驶、多模态团队转入具身；第二项是估值和账面资金必须跨上台阶，如果仍是 10 亿、20 亿元人民币规模的估值，可能比较困难。
中国公司还必须有产业投资人、商业化计划和真实落地基础。纯技术团队即使模型不错，也需要进入封闭场景获取数据，并证明自己能够把技术交付为产品。
千寻内部目标是 100 万小时数据、全球模型能力 Top 3，同时让融资和公司身位保持中国头部。高阳向雷军回答千寻国内技术大约领先“六个月”，韩峰涛认为这六个月来自两年持续聚焦核心卡点。
30. 后来者仍能追赶，但必须用资本买时间
韩峰涛反而认为，部分 2025 年新成立的公司做大的概率可能更高，因为没有历史包袱，可以直接聚焦已经收敛的技术主航道。行业公开的经验也会让它们不必重复前人一年半的所有坑。
但时间并不能免费压缩。他估计后来者至少要拿到 1 亿至 2 亿美元，才可能在资金上解决追赶所需的投入；即使如此，仍可能与先行者保留几个月差距。
这几个月未必立即被市场识别。正如自动驾驶和中国大模型可以同时容纳多家头部公司，具身大脑也不会只有千寻一家，阶段性模型差距并不自动导向赢家通吃。
31. 大厂的真正进场点可能在2028至2029年
韩峰涛在公司内部说，真正的敌人不是其他创业公司，而是华为、小米、理想等能同时做软硬件的大厂。它们更有可能把具身智能做好，只是当前市场仍小、商业化尚未放量。
他的判断是，大厂大规模战略投入可能发生在 2028、2029 年。即便 2026 年出现模型突破，只要市场尚未形成显著收入，大公司也未必立刻把具身提升为公司级主航道。
区别在于，“这些其实对他们来讲是工作，对我们来讲，这是我们的命”。创业公司必须在大厂砸下海量资源之前成为年销 10 万台的“中厂”，没有人才或资金可以替代速度。
32. 磨刀工作站证明，技术第一不等于商业成立
珞石曾为京瓷开发陶瓷刀磨刀工作站：陶瓷刀与金刚石磨盘都硬而脆，力控稍差就会崩裂；每把刀形状又不同，需要 3D 视觉、力觉和轨迹规划协同，把加工精度做到约 0.5 毫米。
团队投入一年多，效果超过三菱，做到了韩峰涛所说的“世界第一”。但全球总需求只有 8 台，即使每台卖 100 万元也不过 800 万元市场，“相当于我们搞了个屠龙绝技”。
这成为他第二次创业最常引用的自黑案例：基模未成熟时，每个落地都可能像磨刀一样需要极致工程；若产品不能复用到其他行业，技术再漂亮也无法 scaling。
33. 三次资金链危机教会他融资、预算与扩张纪律
2015 年珞石以 300 多万元起步，原计划只做软件；转向整机后很快发现预算不足，2016 年靠 CEO 向亲戚借钱才撑过两个月。第一个教训是，团队没有充分估算硬件开发所需现金。
2017 年，一名投资人承诺投入 6000 万元，团队因此拒绝其他资金；临近签约时，对方改成 3000 万元股权加 3000 万元可转债，并压估值、附加限制条款。三位创始人最终共同承担逾千万元无限连带责任，韩峰涛当时月薪仅 8000 元。
这次危机留下的规则非常直接：“在没有签完字、最终 close 之前，不要拒绝任何一个投资人。”融资承诺不是现金，创业公司必须始终给自己保留后路。
34. 盲目扩张比融资困难更容易制造致命错觉
2018 年珞石从顺为融到 1.6 亿元后，一口气成立四个事业部，人员短期接近翻了三倍，一年多便把资金基本花完。到 2019 年底，账面只够维持约四个月，公司才意识到扩张已经失控。
团队由约 300 人裁到 140-150 人并全员降薪，三位联创月薪从 3 万元降到 1.5 万元。韩峰涛税后约 1.1 万元，却有每月 4 万元房贷，只能按朋友建议向多人各借 5 万元维持家庭现金流。
他没有把这些经历描述成英雄叙事，只说当时“只能想办法去解决”，并引用一句话：“不要为八公里外和两小时之后的事情担心。”他认为疫情也算因祸得福：如果没有此前裁员，公司可能撑不过 2020 年。
35. 从机器人思维转向AI思维，是韩峰涛第二次创业最大的认知变化
创业之初，他虽知道必须找顶尖 AI 合伙人，做决策时仍习惯传统机器人框架：运动学逆解和动力学既然已经成熟，是否应尽量交给小脑，而让大模型只输出较高层指令？
到 2024 年下半年，他逐渐接受具身首先是 AI 赛道，数据比既有控制模块更重要。现在千寻把小脑压缩到最基础的运动控制——决定运动的下一个点、处理基本运动学和动力学；空间理解与轨迹规划则尽量交给端到端模型学习。
这个转变不是抽象讨论。自研机器人尚未完成时，韩峰涛想等同构硬件再采数，高阳坚持花近 200 万元购买外部设备先迭代模型；这个争论耽误了一个多月，最终按高阳方案执行，实现了数据进度与本体进度解耦。
36. 主航道投入依赖专业直觉，也依赖组织纠错
两人后来形成的共识是，只要投入位于主航道、能够提升模型性能，就“坚决地投”。涉及 AI、模型和大规模训练时，韩峰涛更多依赖高阳的判断，因为高阳从 2014 年赴美后已持续研究 AI 十余年。
他承认，长期从业者的判断常常不是百分之百 solid 的证据，而是十多年经验形成的直觉；这种直觉可能正确，也可能把旧范式带进新问题，无法彻底避免错误。
防线仍是信任文化：别人发现决策有误时，能够直接指出，而决策者愿意接受。对千寻而言，信任不是温和相处，而是让不同专业直觉冲突后仍能快速修正路线。
37. 公司反复讨论“会怎么失败”，而不是把乐观当结论
团队周期性脑暴失败路径，包括数据或模型技术路线选错、性能进展不及预期、落地速度慢于计划，以及大厂比预期更早把具身提升为战略。
韩峰涛的当前结论仍然乐观：弱模型已经能在宁德时代落地，硬件和供应链相对成熟，因而只要 2026、2027 年基模快速进化，商业化会顺势加速。但所有信心都建立在 scaling 确实发生这一条件上。
他对创业的态度来自第一次经历：“在解决卡点之前要聚焦，在解决卡点之后要看速度。”外界暂时看不到模型、订单或融资并非真正危机，内部失去对核心进度的把握才是。
38. 这轮机会的终点，是中国第一次可能不再追赶
韩峰涛把过去十多年中国硬科技创业概括为进口替代：机器人、半导体、工业母机、汽车、无人机和家电都在追赶欧美日。那代创业者很苦，却也让中国消费者身边的大量硬件品牌完成国产化。
具身智能在他看来是少数中美近乎同时起步的领域，中国还具有人才、数据采集、应用场景与成本上的系统优势。因此他不满足于再做一家垂直机器人公司，而要争取成为全球顶级平台型企业。
曼琪在节目后记里补充了风险：有投资人统计，行业已有约 15 家估值超过 10 亿美元的公司，而上一代智能机器人企业尚未出现公认的大成果。热闹能否沉淀为穿越周期的价值，取决于团队是否真能把前沿 AI 与残酷、碎片化的产业落地同时啃下来。