機器人公司最大的敵人不是技術，是搖操和講故事
王鶴說這一代具身智能公司只有兩條死路：長期漂著講故事，或者每個場景從頭重做。他押注合成數據，真實數據只佔訓練量的1%。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
這一代機器人公司只有兩條死路
王鶴把這一代具身智能公司的失敗模式歸成兩類。第一類是長期漂浮：講人形機器人的故事講幾十年，沒有任何商業應用案例，所有技能本質上都是為了拍攝而編排的。第二類是算不過來賬：一個場景裡所有技能都給你搞定，但換到下一個場景全部從頭重做，編輯成本一點不降——這在工業視覺裡很常見，不同商家的料不一樣就要重新建模形成模板，每做一個項目都要投入固定的人力、研發和交付週期。他的判斷是，陷入任何一個，天花板都不可能超過上一代公司，因為你不可能像美國那樣讓資本支持一個公司幾十年不盈利還存在。
— 王鶴僱人搖操採數據，一個月要燒數億
王鶴算了一筆賬：一臺 full size 人形機器人制造成本最少十萬，一萬臺就是十億砸在製造上。製造出來還得有人搖操，每臺至少兩班倒甚至兩班、每班兩人，四個人；一臺機器人上搖操的人一個月支出就是小几萬，還得有人標註、質檢。全部下來，維護一萬臺機器人每個月的成本在數億到十億的規模。所以他的結論是全世界沒有人能這麼幹，美國那些公司也不 work——他們只能把 demo 拍成視頻給你看，無法邀請你現場看。而車不一樣，車賣出去還收錢，數據是負成本收集的。
— 王鶴真實數據只佔訓練量的1%
王鶴說銀河通用敢在智源大會上直播 VLA 做貨架、敢在會場展廳不間斷演示，是因為不完全依賴真實數據——真實數據在訓練數據裡的比重也就是1%，甚至更小，自研的合成數據管線挑起了大量工作。他從17年做 NOX 那個工作就開始研究合成數據，到今年用合成數據做模型、解決 sim2real 問題，已經八個年頭。他直接點名了反對者的動機：很多人講仿真不夠、有 sim2real gap、解決不了問題，都要用真實數據——真實數據怎麼用呢，你先買我機器，然後去搖。這是一個能講通的閉環商業模式。
— 王鶴說 sim2real 不 work 的人要回答走路為什麼 work
王鶴反駁合成數據無用論的方式很直接：今天人形機器人所有的行走、跳躍、跑步技能都是通過 sim2real，都是在仿真器裡經過大規模強化學習得到的。所以說不 work 的人要回答，為什麼腿的 sim2real 是 work 的。對方會說那是因為腿沒有視覺，加了視覺模態就不能 sim2real 了。王鶴認為這個反駁也錯了：VLA 的基礎是 VLM，而 VLM 的訓練數據本來就有大量動畫、電影數據，真假混雜——一個能看懂真實世界的 VLM，看唐老鴨米老鼠也看得懂劇情。物理渲染出來的抓放過程，跟真實世界的差距總比米老鼠和真實世界的差距小。
— 王鶴最大的亂象是分不清誰在創造生產力
王鶴說現在最大的問題是：什麼人能產生生產力，什麼人沒有、只是在講故事，這裡頭是最亂的，而且這個源自美國——美國對創新有更強的容忍，你不掙錢沒關係，沒有產品沒關係，只要還能賣掉。他拿 Figure 舉例，說對它的估值有正反兩個邏輯：正邏輯是人形機器人如果真能在產線上幹活，長期價值應該在數萬億美元，今天三四百億的估值還有一百倍增長；反邏輯是它到底有沒有幹活能力，只出貨了10臺還是20臺，幹的活還不是靠它 claim 的方法乾的。國內的問題是看到國外這麼講，也去誇大自己的硬件和軟件能力。
— 王鶴公開展示不許搖操，是第一道關
王鶴提出兩條驗證標準。第一是公開展示，在智源大會幾萬個觀眾圍著你看，現場看，而且不允許搖操——他說美國是常態化搖操，我告訴你我就是搖操的，只不過人藏在後面；國內現在有些人膽子特別大，不告訴別人我是搖操，但實際是搖操。第二是你真的進了場子，那個場子每天干多少量的活，有沒有長期的報告可以讓投資人和公眾瞭解，像他們開的店一天幾百單，都是得到平臺方認證、常態化運營的。相比之下，video 裡講的、簽了戰略協議說已經怎麼著了的，越來越沒有說服力。
— 王鶴五年做不到一萬臺，這個行業就被證偽
王鶴給了一個明確的時間判據：五年內中國和美國的同行一定要有萬臺以上的應用，頭部至少當年有一萬臺規模的自主機器人應用。如果五年都做不到，這個行業很可能像工業視覺一樣——剛開始講幾百億的故事，最後發現只有小几億的應收，時間週期會大大拉長，大家可能對這個事情失去熱情。他反覆強調銀河現在一定要生產力，因為五年如果不能形成萬臺級的規模化生產力，這個領域就被證偽了，泡沫全是泡沫。他給的理由是中國老齡化少子化，十年二十年後勞動力可能不到今天的一半。
— 王鶴黃仁勳請他吃飯，是因為英偉達押合成數據
王鶴解釋黃仁勳為什麼邀請他：英偉達是全球除了銀河通用以外非常看重合成數據這條技術路線的大廠，他們的道理更簡單——有卡就應該解決一切問題，如果除了卡還需要別的問題，那就沒那麼快推動。合成數據就是拿 GPU 做渲染做仿真，再用更高級的 GPU 做運算，所以英偉達很認同，如果能把合成數據走通，靠英偉達就能撐起具身智能的半邊天。在此之前英偉達的機器人副總裁、專員都多次來銀河通用參觀考察，親眼見過之後才把他叫去跟黃仁勳一起吃飯，坐在旁邊是英偉達安排的。
— 王鶴原話 · 已逐字校驗
我算不過來日賬 就是我現在在這個場景裡 我全部你要的所有技能 我挨個都給你這個用 這個各種方式 不管數據驅動 還是用這個就是軌跡視角 拖拽 重放 總之我都給你搞定了 但就這一個場景的解決方案 它到下一個場景 全從頭重做
我算不過來賬：我現在在這個場景裡，你要的所有技能我挨個都給你用各種方式搞定，不管數據驅動還是軌跡視角、拖拽、重放，總之都給你搞定了，但就這一個場景的解決方案，到下一個場景全從頭重做。
王鶴1:46:28
大家現在呢 能做一個demo 都是拍成視頻給你看 無法邀請你現場看 無法做公開展示
大家現在能做一個 demo，都是拍成視頻給你看，無法邀請你現場看，無法做公開展示。
王鶴1:57:36
它是一個能夠講的閉環 就是我不信核數數據 我告訴你核數數據沒用 你呢不要信 你呢就給我買我的機器 然後呢你就去搖 搖夠了自然這個技能就出來了 這種商業模式
它是一個能夠講通的閉環：我不信合成數據，我告訴你合成數據沒用，你不要信，你就給我買我的機器，然後你去搖，搖夠了自然這個技能就出來了。這是一種商業模式。
王鶴1:59:37
一個能看懂真實世界的VLM 他看唐老鴨米老鼠 他就看不懂那個劇情嗎 看得懂
一個能看懂真實世界的 VLM，他看唐老鴨米老鼠，他就看不懂那個劇情嗎？看得懂。
王鶴2:05:46
什麼叫生產力呢 就是你在單位時間 你乾的活 必須得跟人相當 如果你比人慢太多 或者你乾的不夠人久 你就不是優質生產力
什麼叫生產力呢？就是你在單位時間乾的活必須得跟人相當。如果你比人慢太多，或者你幹得不夠人久，你就不是優質生產力。
王鶴2:12:52
五年如果我們都不能形成萬臺級的規模化生產力 我們這裡又被證美了 泡沫全是泡沫
五年如果我們都不能形成萬臺級的規模化生產力，我們這個領域又被證偽了，泡沫全是泡沫。
王鶴2:19:53
不要去搞一些砸我們行業招牌的事情了 比如承諾別人 你踩了就能訓出來 你建廠你就能夠有技能 我賣機器人你來踩 你踩你來訓 明天他就是你的員工 這些模式是很可怕的 這些模式是在砸這個行業的飯碗
不要去搞一些砸我們行業招牌的事情了。比如承諾別人，你踩了就能訓出來，你建廠你就能夠有技能，我賣機器人你來踩，你踩你來訓，明天他就是你的員工。這些模式是很可怕的，這些模式是在砸這個行業的飯碗。
王鶴2:22:54
數字與實體
| 王鶴年齡 | 33歲 | 3:02 |
| 銀河通用估值 | 超過10億美金 | 3:02 |
| 一臺 full size 人形機器人制造成本 | 最少10萬 | 1:55:35 |
| 維護一萬臺機器人每月成本 | 數億到十億 | 1:56:35 |
| 真實數據在銀河通用訓練數據中的比重 | 1%甚至更小 | 1:58:36 |
| Figure 估值 | 三四百億美元 | 2:14:52 |
| Figure 出貨量 | 10臺還是20臺 | 2:14:52 |
| 去年全球工業機械臂總產值 | 一千億人民幣 | 1:34:20 |
| 銀河通用今年量產規模 | 千臺級 | 1:39:23 |
術語
- sim2real仿真到真實遷移
- 在仿真器裡訓練的策略遷移到真實世界仍能工作。
- VLA視覺-語言-動作模型
- 把視覺、語言輸入直接映射為機器人動作的大模型。
- perception action loop感知-行動閉環
- 感知決定動作，動作改變環境後再更新感知的循環。
- object goal navigation目標物體導航
- 在未知環境中找到指定物體的導航任務。
- six dof pose六維位姿
- 物體在三維空間中的位置加旋轉姿態。
收聽指南
做機器人、具身智能的創業者和投資人，尤其是正在糾結要不要自建真實數據採集管線、或者被 sim2real 爭論困住的團隊。
前40分鐘的學術邊緣史和快問快答可以快進，1:44之後才是判斷。