独家｜9名清华博士创办，0数据让机械人靠“本能”干活
2018 年从哈佛回国时，橡木果机械人的提议人姜峣有了一个判断：说话和操作，是两种齐全分歧的智能 。
这个判断并非来自他博士时期在清华机械工程系的钻研，而是源于他在哈佛认知尝试室的博士后经历 。在那里，他起头钻研视觉与触觉感知能力若何影响人的操作行为 。在一次次的尝试观察中，他发现说话和操作有着性质上的差距：
说话没有先天本能 。一个孩子诞生后若不接触人类社会，一辈子都不会措辞，且环境教什么说话就说什么说话 。但操作刚好相反：全球所有人抓取物体的方式高度一致，无论逾越怎么的春秋、文化与环境 。从未有人教过我们该若何去“抓”，我们却都能无师自通 。他将这种潜藏在操作行为背后的先天机造，理解为“本能” 。
从前几年，随着大模型鼓起，机械人行业逐步形成了一条主流路线：将视觉、说话和作为交由统一个大模型处置，试图用端到端的方式直接输出作为 。从 VLA 到世界模型，大无数索求都成立在这种“大一统”的逻辑之上 。
但姜峣以为，这条路在操作层是走不通的 。说话智能处置的是符号，操作智能面对的是物理世界；工作理解能够依赖知识，作为执行却必须适应具体的硬件本体 。与其用海量数据去拟合无尽的物理差距，不如先赋予机械人一套类似人类“本能”的底层机造，再让肌肉影象和技术从交互中天然成长 。
从尝试室到创业公司，这支团队的主题技术成员一共 9 人，均为清华大学博士，并且彼此春秋各差一岁 。萦绕这个设法钻研了近八年后，他们进一步提出：机械人操作应该被拆分为工作规划与操作执行两个档次，前者指向“大脑”的思虑能力，后者则指向他们钻研的“本能” 。这是一条齐全分歧于主流的路路 。
去年 VLA 、世界模型如日中天时，他们没有急着站出来否决 。但尔后一年行业的发展，似乎在不休验证着他们最初的判断 。
“说话能够自上而下，但操作肯定要自下而上 。”姜峣以为当前具身智能遭逢的瓶颈，本原在于行业从一路头就把理解和执行混在了一路 。并且若是一个方向必要无限堆数据、堆算力，最后能力勉强往前推动，那它到底是不是一条健全的、行得通的蹊径？
这是他们的质疑，也是他们决定今天第一次公开讲述自己技术路线的原因 。
以下是k8凯发天生赢家对话：
一段“阴差阳错”的起头
DeepTech：你在博士阶段在清华读的是机械工程，之后去哈佛做博士后，方向却是神经科学 。这两个领域跨度很大，其时是已经带着“具身智能”的问题去找理论，还是到了哈佛之后才逐步意识到这两件事能够结合？
姜峣：其实都不齐满是 。我 2016 年之前一向做的是传统机械人的力学与操作钻研 。邻近毕业时，我感触那个方向已经相对成熟，持续做下去没有太强的兴奋感 。其时面对两个选择：直接创业，或者出国拓展视野 。我选择了后者，设法很单一，就是想去接触前沿 AI 有关的器材 。
比力阴差阳错的是，我申请哈佛那个尝试室时，看到主页上写着很大的“motor learning”，旁边还有一张人和机械人交互的图 。我其时理解的“motor”还是电机、驱动器那个意思，以为是偏机械人节造方向，就选择了这个 offer 。了局到了以来才发现齐全不是一回事 。他们钻研的是人的活动节造（motor control）和活动进建，性质上属于神经科学 。
刚去的时辰挺疾苦的，由于齐全跨领域所以前三个月险些齐全跟不上 。但慢慢做下来之后，发现这个方向极度有意思 。我们尝试室钻研的主题是“人的行为”，大体分三类：肢体活动行为、步态行为，以及手部操作行为 。我做的是第三个方向，钻研视觉、触觉等感知能力对操作行为的影响 。
DeepTech：你有一个主题概想，以为“说话不存在本能，但操作存在本能” 。这个判断是在哈佛的时辰形成的吗？
姜峣：根基是在那时辰逐步形成的 。去哈佛之前，我对机械人操作的理解更像是一个复杂的工程问题：不休调参数、做 case-by-case 的适配 。到了哈佛之后，我才起头真正钻研人类行为背后的机造 。
尝试室会设计好多有意思的尝试 。好比屏蔽人的视觉，或者滋扰触觉，报答造作感知误差，而后观察操作行为的变动 。2017 年底起头，我们做了大量尝试和数据分析 。后来我慢慢意识到，有些行为会随着感知前提变动而扭转，但还有一些行为，无论你怎么滋扰，它都不会变 。
这件事出格有意思 。“本能”有两个主题界说：第一，先天存在；第二，不受表部环境影响 。好比强光照到眼睛本能会想要关眼，手际遇敏感物体味想要缩回，这些很好理解 。但"操作存在本能"就没那么直观了 。
说话为什么不是本能？由于若是一个孩子从幼没有说话环境，他不会天然学会措辞 。放在中文环境说中文，放在英文环境说英文，说话高度依赖后天数据 。但操作不一样 。没有人专门教幼孩怎么抓器材，可人类的抓取行为却高度一致 。分歧春秋、分歧文化布景的人，在好多根基操作作为上出现出惊人的类似性 。若是没有某种先天机造，这种一致性很难出现 。
所以来来我会以为，说话更像一种“自上而下”的能力，依赖知识、符号和后天训练；而操作更像一种“自下而上”的能力，背后存在极度深的先天结构 。
DeepTech：从 2018 年哈佛毕业到 2024 年公司正式成立，中央还有六年 。这六年你重要在做什么？
姜峣：2018 年从哈佛回来之后，我就起头系统性地思虑机械人操作这件事 。所以这六年间，我一向在清华的尝试室里做统一件事：从"本能"启程钻研具身操作 。
2018 年到 2020 年更多是前沿钻研，那时我们一向追问几个问题：机械人到底有没佑装本能”？若是有，它应该以什么大局存在？我们若何把这种能力赋予机械人？后来我们发现，好多本能是由触觉驱动的，好比疼痛会触发还缩反射，人手际遇敏感物体味立刻后退，这性质上是一种触觉刺激的行为反射 。因而，我们选择触觉能力作为切入点 。
至于为什么最后决定创业，我对这件事纠结了很长功夫 。高校很适合做持久的钻研，但那个阶段，行业已经显著在加快了 。我们已经把好多底层问题钻研得比力透，接下来就必要用贸易化的模式，把理论、技术、产品和利用急剧衔接起来 。
并且创业对我来说并不料味着烧毁学术 。我一向跟团队说，我们既要做最好的钻研，也要做最好的产品 。这两件事是相辅相成的 。
操作和说话，是两种分歧的智能
DeepTech：听下来，“本能”是你们整个技术路线的主题概想 。在行业普遍尝试用数据驱动（好比 VLA 路线）去直接覆盖作为的今天，你们为什么以为必须从“本能”起头构建？
姜峣：这其实取决于我们对整个机械人操作问题的理解 。这也是我们今天最想给行业带来冲击的一个认知 。
从前几年，行业主流思路根基是从说话模型延长过来的：天然说话大模型成功了，各人就感触能用同样的方式把视觉、说话、作为统一到一个大模型里，用海量数据去“自上而下”地训练所有的事 。
但我们一向以为，这条路在“操作”上是走不通的 。由于操作和说话是齐全分歧的两件事 。说话性质上是符号系统，但操作不仅必要视觉理解环境，还必要触觉去感知接触状态，最后还要通过硬件本体去输出真实的物理作为 。
更关键的是，操作执行高度依赖硬件本体 。我们在尝试室做过对比：好比两只机械手，表形齐全一样，尺寸也一样，唯一的区别只是其中一只关节稍微紧一点，另一只稍微松一点 。你会发现，用同样的数据别离训练出来的两个模型，固然都能实现工作，但它们内部参数会差好多 。而若是直接把其中一个模型迁徙到另一只手上，机能会立刻崩掉 。
这就像打乒乓球，角逐规定（工作理解）全人类都一样，但邓亚萍和王励勤的身段前提不一样，最后形成的打法也齐全分歧 。若是你试图用一个通用的 VLA 大模型，把“工作规划”和“硬件执杏妆耦合在一路硬练，了局就是必要极其巨大的数据量，并且稍微换个硬件，模型就立刻失效 。
所以我们得出一个答案：必须把这两层拆开 。工作层偏知识，能够“自上而下”进建；但执行层必须适应自己的硬件本体，这就要求它必须占佑装本能”，去“自下而上”地长出能力 。
（起源：橡木果）
以前各人有一个认知误差，感触操作是由视觉引发的 。但钻研发现，若是把人的触觉反馈齐全屏蔽掉，视觉的映射就会犯错，操作会一塌糊涂 。这批注，操作的最底层肯定是由“触觉刺激”来驱动作为的 。这就是我们必要赋予机械人的器材 。一套底层的本能反映机造 。
DeepTech：既然它是一套底层反映机造，那“本能”在执行层里具体是什么？是一组写好的代码规定，还是某种能够涌现行为的底层机造？
姜峣：本能既不是规定，也不是传统意思上的数据进建 。若是齐全依赖数据训练，那它就不成能是“先天”的；但若是理解成固定规定，它佣喙释不了真实世界里那种极其丰硕的操作行为 。
本能更像是一种“法规”，而不是具体作为自身 。就像牛顿的万有引力，引力自身并不直接划定“星体轨迹是什么样的”，它只提供底层约束 。但只有法规存在，行为就会天然涌现 。我们理解的“本能”靠近这衷祺材 。
举个例子，报答什么能不变抓住水杯？用传统规定系统做，要建极度复杂的物理模型去算抓取力；用纯数据驱动，必要海量分歧材质、重量的数据去覆盖 。但人不是这么工作的 。人类手里存在一种极度底层的“滑移调控（slip regulation）”机造 。当物体出现滑落趋向时，手会自动增长抓力；压力过大又会自动放松 。人并不实时推算抓取力，但这个本能会让抓取天然不变下来 。
我们在机械人的端侧模型里做了类似机造 。好比机械人第一次抓气球，它从来没见过气球，也没有训练数据，但它依然能慢慢调整力度，不把气球捏爆，也不让它滑走 。由于它依赖的不是“气球」剽个类别数据，而是更底层的接触法规 。
DeepTech：听上去，“本能”如同更像是一种实现工作的偏差 。它并不是划定作为自身，而是让系统朝某个方向天然收敛？
姜峣：对，我感触这个诠释其实出格到位，我们后来内部也经；嵴饷蠢斫 。本能更像是一种“势能场”或者“趋向场” 。它不是通知你具体该怎么做，而是无论你从什么状态启程，最后城市被疏导到某种指标偏差上 。它并不描述行为自身，而是在底层驱动行为往那个方向发展 。
就像刚才说的抓取，你不必要提前划定每根手指到底该怎么活动，只有有这个“本能势能场”存在，系统就会在交互中天然朝“不变抓住物体」剽个方向去收敛 。只有底层的本能法规成立，复杂的行为天然就会长出来 。
DeepTech：基于这几年的钻研，你们推出了自己的端侧自主决策模型 。它的主题似乎不是让机械人进建大量具体作为，而是成立一套“本能系统” 。能不能具体介绍一下这个模型？在你们看来，机械人能够占有哪些类型的本能？
姜峣：k8凯发天生赢家模型 Natus 是一个齐全嵌在结尾执行器（好比灵巧手）里的底层模型 。选择放在端侧，是由于它必要毫秒级的极速响应，并且必须与硬件本体做到最佳适配 。
Natus 的主题，就是依附本能反射去构建“触觉感知”与“肌肉作为”之间的直接映射 。我们从大量行为观察里提炼，感触主题本能只有三类 。
第一类接装定向本能” 。出格像人类最基础确把稳力机造 。你拿一支笔在幼孩刻下移动，他的眼睛和头会天然随着转 。往杯子里倒水时，视线会一向随着水流走 。这个过程不必要思虑，是天然的指标锁定 ；等嗽诓僮髦，首先要明确“我要作用于谁” 。
第二类接装索求本能” 。定向之后真正接触到物体了，但还不知路怎么实现工作，所以会起头试探 。好比人在黑奥凤摸器材，会沿着物体表表不休滑动；装配时一壁接触、一壁微调角度 。索求的性质，是让系统逐步找到“可执行前提” 。
第三类是“执行本能” 。抓握时的滑移调控、装配时的力节造、插接时的不变推动，都属于执行阶段 。它掌管把工作实现 。
图 | Natus 模型架构 (起源:橡木果)
在橡木果的测试中，团队发现，机械人面对从未见过的各类不规定状态的物体，会沿其表表自主索求，实时调整抓取战术，直到成立不变的接触构型后成功抓起 。
在交互本能的测试中，机械人未经过任何数据预训练 。在抓取易碎的豆腐、水量不休变动的塑料杯、受表界动态扰动的极薄铁皮卷，抓取力都可能实时调整，确保抓取不变且靠得住 。
在装配从未见过的线缆插头，即便存在较大的初始误差，机械人会自主调整推动作为，直至鲁棒地实现接插工作 。
这种基于本能的端侧模型，最大的特点就是“0数据冷启动” 。它不必要提前见过这个物体，就能适应分歧工况，一上来就会操作 。好比有一次让我们感应震惊的是，机械手面对一张很薄的身份证时，由于结构自由杜仔限，我们正本以为它无法抓取 。但后来它自己摸索出了一种齐全出乎意料的步骤：先把卡片一端顶起来，再顺势实现抓取 。那个行为不是我们写进去的，也不是训练出来的，而是本能机造驱动下天然涌现的行为 。
DeepTech：但系统还必要具备进化能力，好比能不能越做越纯熟，甚至举一反三？这部门你们是怎么规划的？
姜峣：这是我们整个技术架构里最主题的壁垒，也就是从“本能”走向“技术” 。Natus 赋予了机械人自主索求的能力 。在这个过程中，它会不休调整作为，形成自己的“肌肉影象”，从而在单一工作上实现越做越纯熟 。但更重要的是，这种索求会产生大量的真实交互数据 。
此刻行衣凤主流的视觉规划有一个问题：视觉只能看，没有资格给操作了局“打标”，它不知路到底抓紧没佑注发力对不合 。而k8凯发天生赢家“本能系统”由于有了触觉，能够对这些索求行为数据进行美满的“自打标”，给视觉数据加上极强的触觉语义加强 。
有了这些源源不休的高质量加强数据，我们就有了训练通用操作技术模型的基础 。一旦技术模型训练出来，机械人就不再摸索着实现工作了，而是具备了跨本体、跨工作的泛化能力 。
DeepTech：回到起头你们对于“智能分层”的判断，若是操作执行层交给“本能”，那你们必要的工作规划模型是什么样的？你们为什么强调要把工作智能和执行智能分隔？
姜峣：在我们看来，工作规划的职责并不是天生具体作为，而是理解指标、意图和约束 。好比递一杯水，真正重要的是知路杯子要送到哪里、过程中不能洒出来，而不是推算每个关节该怎么活动 。
所以在k8凯发天生赢家体下凤，工作层输出的是指标状态、关键视觉信息和工作约束；至于怎么抓、怎么发力、怎么凭据接触情况实时调整，则由底层执行系统实现 。我们一向在尝试把工作智能和执行智能解耦 。由于工作理解和作为执行正本就是两类分歧的问题 。
并且我感触上层工作模型极度重要，它的难度可能被好多人低估了 。此刻好多机械人系统的问题在于，它们固然学会了作为，但并不真正理解工作 。你会看到一些机械人一向在移动物体，却不知路什么接装整顿好桌面” 。它能仿照行为，却不愿定理解行为背后的意图 。
与此同时，我们一向在强调一件事：不是所有器材都应该放进一个统一模型里解决 。
模型必要同时处置指标理解、环境感知和实季节造，负；嵩嚼丛街 。所以k8凯发天生赢家思路是，高层掌治理解工作，底层掌管实现操作，两者通过抽象的语义信息交互 。这样不仅更容易适配分歧机械人本体，也更切合操作智能自身的法规 。
DeepTech：但若是上层的模型一向没有真正突破，你们下面这一层即便做得很好，整体能力会不会受限？
姜峣：这是一个出格好的问题 。具身智能性质上是关环，若是只解决底层的操作问题，最终肯定会被上层环节限度 。
但这里有一个关键成分：场景 。若是一路头就做家庭机械人，上层工作理解的确会成为巨大瓶颈 。家庭环境太复杂了，一句"助我整顿桌子"背后蕴含大量学问和判断 。
但在好多 To B 场景里不一样 。工业环境天然更结构化，流程、指标和工位都是明确的 。企业真正缺的，往往不是理解能力，而是不变、矫捷的操作能力 。尤其在快消、3C 和柔性造作领域，包装规格变了、摆放地位变了、材质变了，传统自动化就必要重新调试 。而这种变动刚好是我们最关注的问题 。k8凯发天生赢家主题能力就是让机械人具备适应和索求能力，在变动中持续实现工作 。
所以k8凯发天生赢家思路是，先把执行层跑起来，先解决工业场景里那些真实存在、但一向没被很好解决的操作问题 。这方面我们已经和一些头部厂家进行了持久的合作验证 。
VLA 训练十万次，换个场景就不能了
DeepTech：你们感触 VLA 路线不是一条“齐全正确”的路路，那你们和 VLA 路线做过直接对比吗？
姜峣：我们做过比力直接的对比 。好比装配工作，我们用典型 VLA 或仿照进建那套逻辑，在仿真环境里或许训练了十万次，而后迁徙到真实环境 。
在工况变动不大的情况下，它阐发并不差，甚至在某些固定场景里效能可能比我们"本能驱动"的规划高一点 。这个我感触是客观了局，由于它终于已经被大量数据训练过了 。
但问题在于泛化能力极度脆弱 。我们后来只是稍微改了一下前提，例如把孔径变幼一点、换一批零件或者扭转一点装配误差，整个系统顿时就不不变了 。有时辰必要重新训练，有时辰甚至直接卡死 。
这出格能注明一个问题：若是操作执行齐全依赖数据进建，它的"覆盖领域"会变得极其重大 。操作里的可能性太多了，险些不成能把所有情况提前采满 。并且这里有一个重要区别：我们是冷启动 。在对方已经训练了十万次的情况下，我们一路头没有任何数据堆集，但系统依然能通过索求把工作实现 。
DeepTech：若是你们的判断是对的，为什么今天行业大无数公司依然在对峙 VLA 路线？
姜峣：最重要的原因还是大说话模型从前几年获得了巨大成功 。VLA 一连的是整个 AI 行业最熟悉的逻辑：更无数据、更大模型、更强算力 。这个范式已经被验证过一次，各人天然但愿复造到机械人领域，但忽略了 AI 和 Embodied AI 之间差了一个硬件会带来巨大的差距 。
但还是这个概想，说话智能和操作智能可能是两类分歧的问题 。说话处置的是符号，操作面对的是陆续的物理世界 。操作不仅涉及视觉，还涉及接触、力反馈、环境变动和实季节造 。好多问题不定能通过单纯增长数据和算力解决 。
当然，这不料味着数据没有价值，我们始终以为数据是极为重要的 。只是从实际来看，机械人可能必要一套更切合操作性质的架构：先成立根基的操作能力，再通过真实世界里的持续交互，在交互中获取大量真实数据持续进建，把经验逐步沉淀成技术 。
DeepTech：听说你们之前只用了两个月，就在一家化妆品工厂做出了 POC（Proof of Concept，概想验证） 。能发展讲讲吗？
姜峣：是的，真正开发的功夫只有一个多月 。其时我们有一个很明确的设法：必须尽快把尝试室里的能力放到真实场景里验证 。
一路头也看过一些传统自动化场景，但发现不太适合 。好多尺度化产线已经被优化得极度成熟，代替空间有限 。后来发现柔性造作才是真正必要k8凯发天生赢家处所 ；逼犯褚凳堑湫屠 。产品规格、包装大局、摆放状态时时变动，传统自动化一旦变动就必要重新调试 。
那家客户之前接触过不少自动化团队和具身智能公司，成效都不梦想 。后来找到我们，是由于他们意识到问题的主题不在"大脑"，而在执行层 。项目推动得非？欤汗昵┰，三月份起头执行，四月份实现 POC 验证，目前已经进入产品化阶段并获得订单 。
对我们来说，重要的事不是做一个演示成效很好的机械人，而是让产品真正进入工厂持续运行 。由于每一次真实操作都在产生数据，每一次数据堆集都在提升系统能力 。这才是我们最看重的飞轮 。
充斥质疑的阶段，反而是机遇
DeepTech：其实今年具身智能整个行业都出格热，但舆论和投资热度之间是有反差的 。好多人会感触还没有在具身智能上看到和热度相称的了局 。你对自己的技术路线有信念吗？它是否有机遇带来下一阶段的突破？
姜峣：我其实反而感触，此刻这个充斥质疑的阶段对我们来说是一个机遇 。
由于从前几年，行衣凤出现了好多演示成效很惊艳的机械人视频，但各人也逐步意识到，视频不蹬宗真实能力 。真正进入工厂之后，客户关切的问题其实很单一：你到底能不能不变地把活干完 。
不外从另一个角度看，这些展示也实现了一部门市场教育 。越来越多企业起头接受这样一个事实：机械人将来不仅仅是固定法式执行工具，它应该具备适应变动和自主操作的能力 。所以此刻行业在从“看视频”走向“看交付” 。而我们一向相信，通用操作智能不会一夜之间出现 。它肯定是从一个个具体能力起头，逐步堆集起来的 。
因而k8凯发天生赢家战术一向很明确：不钻营一路头解决所有问题，而是先把一个能力，好比最为基础的抓取能力，做到靠近甚至超过人类的能力，再做到真正可用、靠得住，实现贸易价值 。由于对于客户来说，决定是否采购的关键从来不是机械人能不能偶然实现一次杰出演示，而是能不能持久不变运行，并且比人为更有性价比 。
好多技术路线还在不休变动，但我们更但愿把一个真实能力持续做深、做透 。只有有一个技术可能靠近人的水平，并且成本和部署效能优于人为，它就足以创造巨大的价值 。
DeepTech：那你感触，现阶段整个具身智能行业最关键的瓶颈是什么？
姜峣：我感触最大的瓶颈，其实是行业到此刻还没有出现一条真正被验证、可能持续往前推动的技术蹊径 。此刻好多方向各人都讲过，也都能讲出很巨大的故事，但问题在于，你最后到底能不能真正拿出一个不变工作的器材 。由于行业走到今天，各人已经不像前几年那样，只有看个 Demo 视频就会兴奋了 。
DeepTech：某种意思上，各人已经有点听厌“童话故事”了 。
姜峣：对，行业此刻已经起头从“讲故事”重新回到“贸易利用”自身了 。从前三年，其实好多公司都拿了极度多融资，但真正实现大规模贸易关环的案例并不多 。所以我感触此刻最关键的问题已经不是“愿景够不够大”，而是你到底怎么兑现这些等待 。
你不能一向通知别人“将来会很好”，但最后拿不出真正落地的产品 。
DeepTech：你们在三月才刚刚实现了近亿元的种子轮融资 。对于一家成立近 8 年的公司，这个节拍似乎有些不算快 。背后的原因是什么？投资人又是怎么对待你们这条路线的？
姜峣：其实去年六七月份之前，我一向非？咕苋谧 。这可能跟我的学术布景有关，会对本钱市场有距离感 。很长一段功夫里，我们更想靠产品和利用自己慢慢往前走 。
但我此刻以为，这个行业不是一个能够"慢慢悠悠"做起来的行业 。别人若是能一年投一个亿、十个亿去推动，你到底跟不跟？情怀归情怀，但若是真想把事做成，就必须融入产业 。
所以从去年起头，我们才真正起头系统融资 。第一轮融资的时辰，我们其实还没有正式讲“本能驱动」剽套逻辑，其时更多是在讲触觉、传感器和操作能力 。那一轮拿到了行衣凤触觉方向最大的一笔融资之一 。但这一轮不一样 。我们起头正式对表讲“本能驱动”，不是为了融资，而是由于我感触功夫点到了 。
去年整个行业对 VLA 和大模型路线的周到还极度高，你此刻忽然跳出来说“操作智能和说话智能可能是两种分歧的问题”，其实没人愿意听 。但今年起头，越来越多人发现，无论是世界模型还是 VLA，都还没有真正解决操作里的主题问题 。所以我感触，此刻是重新会商底层逻辑的时辰 。
投资人的反映其实也很有意思 。有些人一下子就能理解；有些人听懂了，但不太敢接受；还有一些人其实已经隐隐意识到问题，只是之前重仓了数据驱动路线，很难彻底转过来 。
我们真正想表白的，其实不是融资自身，而是这条技术蹊径 。由于从 2017 年到今天，我们越来越确信一件事：操作智能和说话智能可能正本就是两种分歧的问题，说话能够自上而下，但操作执行肯定要自下而上 。最终这条路对不合，还是要靠产品和了局来证明 。
DeepTech：你们主题技术团队九幼我，尝试室从前每年只招一幼我 。你们筛选人的尺度是什么？
姜峣：这是我们公司一个极度特殊的处所 。从 2016 年起头，这批人就一向在一路 。此刻团队成员根基都是 95 后到 00 后，每幼我只差一岁 。
这些人全数来自我们尝试室的博士系统 。筛选一向极度严格，通常我会在学生大二时就起头接触，每年十几个学生进入尝试室做科研训练 。我们非？粗乩砺勰芰，好多学生本科阶段就已经颁发过论文 。
但能力不是最关键的 。更重要的是，我会花很长功夫跟他们聊，看他们到底想做什么 。由于我们做的是周期极度长的事件，好多问题可能十年才会真正看到成就 。最后留下来的人，往往都经历了至少一年以上的观察和磨合 。并且尝试室有一个特殊机造：新成员进组时，原来的博士生必须全数认可 。由于各人将来是要持久背靠背作战的 。
此刻这九幼我，每幼我都能独立掌管一个方向：触觉、驱动节造、结构硬件、算法和技术模型 。各人一路共事做过好多钻研和项目，磨合得极度深 。真正重要的不是招到了九幼我，而是这九幼我之间已经成立了持久共同工作的信赖感 。这衷祺材很难复造 。
DeepTech：最后再问一个轻松一点的问题，为什么公司会接装橡木果”？
姜峣：这个名自熹实和k8凯发天生赢家技术理想很像 。你看过《冰河世纪》吗？里面有只一向追着橡果跑的幼松鼠 。其时给公司起名时，各人会商过好多听起来更“科技”的名字，但最后还是选了橡木果 。由于我们一向感触，好多重要的变动，往往是从一个很幼的、不起眼的器材起头的 。
无论是触觉、本能，还是操作能力，它们在今天看来可能都不是行衣凤最显眼、最热点的方向 。但我们相信，刚好是这些基础能力，最终会决定机械人能不能真正进入现实世界 。所以橡木果这个名字出格切合k8凯发天生赢家设法：它既是一颗种子，也是一粒果实，和我们“本能驱动”的路线一脉相承 。而这颗种子的力量：看似微幼，却能撼动全局 。
当然，也有人第一次听到会感触像家具公司（笑） 。但我一向感触，名字自身没有那么重要，重要的是你最后把它造成什么 。就像“Apple”刚出现的时辰，各人可能也不感触它和科技有什么关系 。
运营/排版：何晨龙
注：封面/首图由 AI 辅助天生
文章点评
未查问到任何数据！
颁发评论
◎迎接参加会商，请在这里颁发您的见解、互换您的概想 。