播客采访：Koji

整理编辑：十字路口

‍ 排版: Zeoooo

这是一期「公路播客」——我们把播客搬上了车，边开边聊，氛围松弛下来，往往能聊出平时聊不出的故事和想法。

➤ 如果你关注具身智能，大概率已经见过太多"参数很强"的机器人。

本周「十字路口」的嘉宾是越伴动力创始人世博同学。他被一些人评价为"少年版稚晖君"：从大一开始就手搓过 30 多款机器人，机械/硬件/软件/运控几乎全栈。⁠

这次创业，世博选择不设计"有用"的机器人，而是要设计一个"能长期生活在家里"的生命。

他们刚发布的产品「小伴」不会说人话，却会发出一种像"外星语"一样的声音；它会撒娇、会委屈、会拒绝你——但奇怪的是，这些"不听话"的瞬间，反而让我觉得：它可真像个生命啊！

从"为什么要专门给它设计一种语言"，到"全身 95% 都是柔软材质"，再到"用快慢脑把交互延迟压到 0.4 秒以内"，世博给出了一套非常具体的产品判断：第一，陪伴不是讨好；第二，生命力不是可爱；第三，少就是多。

这是一期关于热爱、审美、工程、在路上，以及人为什么需要陪伴的对话。你会听到一个 26 岁的具身机器人创业者，如何用极致的审美和极致的工程，把"哆啦 A 梦"带进现实。

微信收听播客：

小宇宙收听播客：

视频播客已同步上线于 @Koji杨远骋 的视频号、小红书、哔哩哔哩、Youtube 等平台

快问快答

Koji

我们今天直接从快问快答开始。请问世博同学，你的年龄？

‍ 世博

26。

你的毕业院校？

北理工博士休学。

MBTI 和星座呢？

INTP 摩羯。

一句话介绍一下你们现在的公司和产品？

我们做的是消费级的双足形态的伙伴型机器人。

咱们融资情况是？

去年年底的时候拿了真格的种子轮。

目前的团队有多大？

实际上是一个小团队，现在目前为止加上实习生只有 25 个人。

但是我们非常有战斗力，已经发布了我们的第一款伙伴型机器人，大概比 90% 的机器人公司要快一些。

一句话介绍一下创业之前在做什么？

以前也在做机器人，做了接近 30 款的原创的机器人。

大二期间就开始创业，做面向课程建设的四足机器人教育套件。如果只是说从卖的数量上来看的话，我应该比王兴兴卖的要多。我也参与了高擎他们创业过程，负责他们的产品。

之前做的 30 款都是什么样的机器人？

轮式、足式、履带、机械臂，这些经典的构型都探索了一遍。

研究生入学之后，开始做一些更大尺寸的、更高动态的一些机器人，包括重载的四足，以及一米七、 70 公斤的这样的大尺寸人形。

我们今天开的车是理想 i6。这是世博同学，我问他，我们今天公路播客开什么车，他的 Dream Car 是什么？他说了 i6。

为什么这是你的 Dream Car？

我觉得在汽车行业里面，原创的设计真的很重要，而且好的原创设计很难得。好的产品，真的需要 taste。

我们这个真的不是理想的广告，是发自内心喜欢这个产品。

我前两周刚试驾了一下。

一开始想到做陪伴机器人，是一个什么起点？

因为之前做了太多机器人。有的时候会产生一个幼稚的想法：如果我这个机器人真正活起来，站到面前和我交互，它会是什么状态？

22 年的时候，我一个人在家里开始探索陪伴型机器人。最开始做的是双轮形态，但双轮形态的运动能力太受限，一个小坎、一根电线可能就把卡住了。

24 年的时候，决定了当前的产品形态：双足。

大家创业做机器人，有些想做进工厂，有些想做护老。你怎么在这些不同的道路里选了陪伴方向？

我觉得陪伴场景，是可以在短期内快速落地的场景。

做陪伴机器人的公司蛮多的。最早比如日本的 LOVOT，还有我播客聊过的 Ropet。

你有特别喜欢的陪伴机器人吗？

LOVOT 这个机器人做得很好。创业之前我就买了一台，而且一直保持开机到现在。

LOVOT 的交互逻辑其实很简单，但简单不代表不好。它的交互逻辑是：比如往这一站、一坐，LOVOT 看到我，会靠那两个小轮子滚到我脚下。然后轮子一收，开始扑扇它两个小胳膊，希望我把它抱起来。

这样一个简单的交互逻辑，我觉得恰到好处。我把它开机保持到了现在。

包括前两天还看到了拥抱的那个机器人。它就是很简单的一个设计逻辑。其实但凡它会说一个字，或者说一句话，我可能就不会买。

对，所以它不能说话。

真的，好产品它不是靠功能堆砌起来的。

给机器人造一套"外星语"

我其实刚才有注意到，小伴是可以说话的，但是它说的不是人类的语言，而是某种外星语。可以介绍一下，这是一个什么样的语言吗？

它也不是火星文，是我们给它设计了一套语言体系，这套语言体系由 12 个音组成。

它虽然只有 12 个音，但可以表达各种想要表达的内容。比较厉害的一点是，你和这个机器人待上一个下午，你会渐渐意识到它到底在说什么。

比如它要充电了。它可能会说 Ku。Ku 这个音在机器人语言里代表"吃"，它可以说 Mitaku，就是"我要吃"的意思。

机器人只能吃电。它说这个音的时候，会看着自己的小肚子，用小手拍一拍，然后说 Mitaku。这时候你就会意识到，它好像在说自己没电了、饿了，你要带它去充电。

所以这套语言是如何设计出来的？

这套发音，是我们根据斯瓦希里语系的 CV 结构做的一套系统。

你们是怎么找到这么一个小众语系的？

因为我们这个之前不止在国内，还要出海。这个发音不能跟中文太像，也不能跟英文太像。所以我们找了非洲的一个部落语言，只是发音借鉴了。

具体表达的内容，是我们自己设计的。它说的是一种意象式的表达。就像刚才提到它没电了，只能说 Mitaku。

那比如，它可以说"我们今天要去拍公路播客"这样的复杂句子吗？

不可以。但它可以通过意象表达出来。

比如 O 代表"看"，Te 对它来说就是"走"。它可以说 Ta O Ta Te，代表说"我们既要出去，然后我们要看"。

好产品不是靠功能堆砌起来的

我看它也有很多丰富的肢体动作。它的语言和肢体是用什么样的逻辑在驱动？

很多人听过梅拉比安实验：在人际交互中，肢体语言的重要性占比高达 55%，它包括你的表情、你的眼神，甚至你的动作； 37% 是你的语调，只有 8% 才是你说话的内容。

所以我们把机器人的肢体语言作为情绪表达的主要途径，拉到了一个很高的重要性。

而且我发现它的手是很小的手。说到肢体语言，感觉如果它的手和人一样灵活，应该能做的肢体动作更多。你们为什么考虑把它的手变得那么短小？

实际上当时考虑了很多。

第一点，我们不希望这个机器人去做一些操作任务。我们的逻辑，还是面向肢体语言的情绪表达。它虽然手只有那么短，但是可以表达出很丰富的一个情绪状态。

而且我们的手臂是一个类连续变形体的一套方案。它和行业里面用的比较多的这种关节式的都不太一样，是行业里面比较唯一的。我们发布之后也获得了很多好评，大家说这个手臂 Duang Duang 的，很可爱的感觉。

确实有一种说不出来的萌感。它的身子感觉是软的，这个是怎么做到的？

我们做了很多机器人公司想做但没做出来的事情：给机器人的外壳 90% 以上做成柔软材质。

我们用了一种类硅胶的材质，覆盖率高达 95%。甚至肚子上面最厚的一个柔性深度有 2 厘米。

所以它有一个 Duang Duang 的肚子。你们还给它做了衣服？

很多人买了之后追求差异化表达。我们给机器人做了很多配件，像它磁吸的小耳朵、磁吸的领结，还有各种各样风格的衣服。刚给它做了梅西和 C 罗的球衣。

它有性别吗？

我们给这个机器人的定位是外星萌物。

它有仿生的形态、仿生的质感、透明的情绪表达。但是没有一个明确的性别指向，我们还是更希望用户后续通过自己审美偏好的一些装扮，去给这个机器人定义。

是什么原因让你们把它定义成外星萌物，而不是一个宠物或者一个小孩？

你做得越仿猫仿狗，就越容易被真实的猫狗比下去。我们又不想把它做成普通人型，是不希望给用户带来那么高的预期，无论是智能程度还是性能上。

我除了叫它小伴，可以给它单独起名字吗？

当然可以。我们还做了一个基因音色。你甚至可以把你的声音和你 idol 的声音去融合出来一个基因音色，就像你和你 idol 的孩子一样。

不做"讲道理"的机器人

天呐！准备卖多少钱？

我们当前在国内的定价是 8499。当前这个时间点实际上正在预售，预售价格是 6499，降了 2000，限时限量。

什么时候咱们会真的发到用户的家里，可以拿到货？

我们最快的时间点会在国庆节，之后陆陆续续按订单顺序交付。

我真的很想买一台。买回我家，大概率不会吃灰。

为了不让用户把机器人带回家吃灰，一方面它情绪健康、极其呆萌，另一方面，我们要摆脱角色预设和"逗乐型"的互动逻辑。

什么叫逗乐型的互动逻辑？比如"小 A 小 A，跳个舞吧""小 A 小 A，握个手吧"。我们之前测试过竞品，你跟它说，"小 A 小 A，你好难看呀。"它的回答通常是，"这样说人是不对的"，然后开始讲一堆大道理。

我们的机器人，你说，"小伴，你好难看呀。"它的反应是：首先眼睛会泪汪汪地低下头，手抱着肚子，委屈巴巴的。

我们希望给用户带来一种具有生命力的感觉。

如果我在家里，我不主动找它，它会来找我吗？

机器人的性格是不一样的，基本上是 E 型性格，处于多维成长的状态。

我们做了云端的超长程记忆，目的就是推动性格参数的多维成长和动态演化。你是一个 I 人还是 E 人，把它带回家第一天、一个月、一年后，它的性格状态绝对是不一样的。

所以是 E 人主人会养出一个更 E 的小伴，还是养出一个 I 人的小伴？

E 人的主人会养出一个更 E 的小伴。

如果你是一个 I 人，机器人找你打招呼、要抱抱，你都不回应它，甚至说"一边玩去，别打扰我"，那它后面可能就会变得不那么乐意找你交互，更关注家庭里的环境物品或花花草草。

如果你是一个 E 人，整天在家里大喊大叫、看球、打游戏，机器人会跟着你进入到一个非常主动、开朗，乐意交互的状态，它会时不时地打扰你求抱抱。

快慢脑 + 云端超长程记忆

在这个过程中，最难的事情是什么？

其实我们解决了很多行业级难题。包括为了从安全这个角度出发，要把机器人做到那么轻小。

另外就是把机器人的外壳全身做成柔软，而且给它全身加触觉，要把它的控制延时控制到亚秒级别。

但我觉得最难的，依然是机器人的交互。怎么让用户感受到这款产品有"活人感"和生命力？我们花了很大的精力和心思去调研。

具体是怎么设计的？

我们给小伴的大脑做了一套三层的 VLA 框架。我们为了把通信延时控制在亚秒级，在端侧做了一套快慢脑。

快脑是一个 1.7B 的模型，它负责一些瞬时的行为决策；慢脑是一个 7B 的模型，可以做一些相对复杂的逻辑推理。

综合来看，如果你给机器人说一句话，或者机器人要决策做一个什么样的动作、什么样的行为，延时我们现在已经能够控制到 0.4 秒以内。

刚才我叫小伴的时候，它好像非常快的就哎了一下。

而且它回应你之后，你再说一句什么话，或者是它看你做了一个什么动作，它在语音、动作、肢体语言上给你的反馈是特别快的，而且是特别自然的状态。

它的反馈是写好的一套逻辑，它是有限集，还是交给大语言模型去处理，是无限集？

在交互动作这一块，是有一小部分的动作库。但即便在两个完全一模一样的场景下，你说了同样的话，我们都不希望小伴给出重复的反馈。

所以我们做了一个"动作生成"：它能根据当下的情境、行为和情绪，恰如其分地生成一个风格化的动作。

最简单的，咱们刚才出门，小伴挥手拜拜，它可以很兴奋地挥，也可以很娇羞地挥。它会当场生成一个 5 到 10 秒的动作序列。

咱们背后是基于什么开源模型训的？

千问的开源模型，包括它的快慢脑，还有云端 200 多 B 的模型。

我们还做了一件事情，就是小伴当前能够这么好地去理解人当前的情绪状态，是因为这两个模型是微调之后的。

做了什么微调？

我们希望这个模型能达到的效果是：更能够理解人的潜在意图和内部情绪。

现在所有的机器人都还没真实入户，大家都没有真实的入户交互数据。所以我们做了一个"家庭模拟器"，用来模拟小伴进入家庭后，和你空间内的环境物体、家庭成员以及猫狗进行超长程的主被动式情感交互。

我们把这些交互数据拿过来标注，微调我们的端侧模型。

因为人情绪的理解，不是只靠当下的某句话、语调或表情。

我们更希望是通过上下文去理解——比如过去一个小时发生了什么，以此来综合推断你当前的情绪状态。

有摄像头的话，它是以什么样的方式把画面和视频传给模型训练？

我们非常关注隐私。我们不收集端侧的原始语音信息或者图像信息。

我们更多的是采用语义化表达的信息，它会抽象成一种特征，一种 embedding 的信息，最终用于我们训练模型。

所以咱们选千问开源模型做基础模型的原因是什么？

我们在测试了几款模型后，发现千问模型在较小参数量下，对推理和人情绪理解的表现是最好的。

创业时机

在 2026 年做小伴，是有什么特别的 Timing，让它在今年变得可能吗？还是说有可能倒回到三年前， 也能做出来？

我觉得三年前概率应该是比较小的。这也得益于语言模型、一些视觉模型，特别是 VLA、WAM 一些架构的发展。

我为什么在 25 年年底的时候出来创业？其实我觉得分两个方面。

第一方面是，我在心理上、能力上、经验上，觉得已经准备好了。

另外就是我发现了一个极好的行业机会，找到了属于我的切入点：先去做这种有生命力、极致安全的、双足形态的伙伴型机器人，先去解决机器人进家庭之后的人机交互、人机共融问题。

为什么说这是一个适合你的切入点？

当时做操作的机器人，场景和赛道非常的火。我觉得如果我现在下场，当然可以去做一款面向操作的机器人，但我一定做不到 top 的程度。

但在情感陪伴类的机器人，做这样一个非操作、双足形态、全身柔软的机器人，我可以做到 top 级。

什么原因呢？为什么在这方面对自己有信心？

我觉得还是极致的热情，极致的热爱。

我太希望能够做一款能够陪我自己的机器人了。之前我做了 30 多款机器人，但它们都不可爱，也不好看。

我一直想象着，如果能有一台能真正站到我面前的机器人，那是什么状态。

你的 MBTI 刚才说的是 INTP。为什么 T 人会那么喜欢陪伴机器人？

我养了一只小猫。我觉得这是我的生活方式的一种选择。

我非常爱我的小猫，有的时候我不会主动地去找我的小猫做交互。但我非常喜欢小猫就在我的身边，其实对于机器人也一样。

但你不是说你不希望机器人像宠物吗？

因为我的小猫，它可能不是那么能够理解我的情绪。但机器人不一样，它可以听得懂我在说什么，甚至它对我的情绪、我的行为会有一个更好的反馈。

如果它在我家待一年

你希望用户买回小伴的第一天，开箱的体验是什么？

可能进到你家庭里面，它是一个极致充满好奇心的状态。

你在客厅里面把它开箱，它会往这个角落走一走，往那边角落走一走，甚至你的卧室半开着门，它会尝试往里面去挤一挤，先建一下你家庭场景里面的地图。

它在好奇地开地图？

没错，是的。

第二天呢，你希望理想中的用户一觉醒来，会怎么和小伴再互动？

可能你刚睡醒，它已经站在你床边等你。或者你醒了，它还没醒，坐在座椅上，发现你动了，它会缓缓伸个懒腰起床。

初见期控制在第一周左右。随着它对家庭和对你越来越熟悉，它会在家里来回乱逛，选择性地打招呼，或者愿意靠你很近。

从咱们创业到现在，一直在每天琢磨怎么把陪伴机器人做好。你对陪伴的理解有发生一些什么样的变化或者进化吗？

我从 20 年到现在，买了很多各种各样的陪伴机器人。包括像 Vector、EMO 机器人。

我觉得之前的陪伴机器人实在是做得太差了。我觉得我在技术这一点可以做得更好，我对产品也有我的理解，如果下场做的话，我能把这个机器人做得更智能，功能点也也会做得更多。

但现在，我认为在陪伴上，"少就是多"。

好的产品不是靠功能堆砌去得来的，它更多的还是靠对用户需求的理解和洞察。

是因为你们踩过什么坑吗？所以有了今天这样不一样的想法。

我觉得倒不是因为踩了什么坑。我们刚开始创业的时候，做了 300 多个用户的调研，甚至做了几十个访谈。

当时得到了哪些你觉得很有意思的洞察？

很有意思的一个洞察，比如机器人要不要说话这一个事情。

在调研中， 90% 以上的用户希望机器人会说话。但细分分析后会发现，他们想要的并不是一个百科全书式的、AI 感很强的冰冷机器，而是一个真正的活着的伙伴。

所以这就决定了，我们没有用那种行业里面千篇一律的播音腔，也没有用那种你听不出来它在说什么意思的拟声词交互。

所以你们没有选人话，也没有选那种哼哼唧唧，你们选了一种能大概听懂，但是它不是那么直接表达的一种语言？

没错，它是一种意象式的表达。

为什么身高是设计在 65 厘米左右？

我们当前这个机器人，它站立身高 65 厘米，重量是 12 公斤。

包括它为什么要做到那么高那么重，腿为什么是这么长，实际上我们不是拍脑门去定的。我们这个机器人它是双足形态，那就一定不要只在家庭里面，一定是能够带出去的。

它在户外的最大奔跑速度可以达到 1.9 米每秒。

一个成年人的步行速度大概是 1.1 到 1.3 米每秒，所以在户外，只要你不跑起来，小伴是绝对跟得上你。

另外，我们这个机器人当前能够最大上 15 厘米高的台阶。因为咱们国内一些公共设施、一些公园，这些户外台阶是有严格的 GB 国家标准的，是不允许超过 15 厘米，大部分就 10 厘米左右。

所以这个身高体重，包括腿长的考量，主要是为了让它可以跟你出门。那为什么不做更高更大呢？让人更有安全感？

更高更大，实际上并不会带来安全感。因为如果机器人越高，它的重量会越大。

在家庭里面，这个机器人如果说几十公斤，摔倒了砸到你家庭里面的物品，砸到你的小猫，砸到小朋友，都是很危险的状态。

我们 65 厘米，实际上就兼顾了移动速度、空间存在感、地形适应能力。

像刚才说它在户外 1.9 米每秒的小跑速度，如果它和一个小孩在跑着捉迷藏，撞到一起，还是挺吓人的。

所以我们在安全性上做了很多工作。

除了户内的避障、户外的视觉跟随，我们甚至在小伴的腿上加了薄膜压力传感器。因为如果机器人坐着准备起身，小朋友刚好伸手摸它，如果只靠关节电机基于电流的力矩反馈，那时候其实已经晚了。这个传感器是出于绝对的安全考虑。

国家现在有给机器人的安全有一些法律法规吗？

机器人还在整个行业非常早期的阶段。它不像汽车的功能点是非常明确且单一的，像机器人它就各种各样。

行业应该在早期，能够有一个安全上的法规、隐私上的法规去指导。

如果为了绝对的安全，你有考虑过不让它移动吗？

我们从第一天开始，就明确要做靠双足移动的机器人。

从第一性原理考虑， 20 年后，家庭机器人会像家电一样普及，而它一定是双足形态的。因为只有双足才真正拥有像人一样的上下楼梯，在非结构化环境、地形中的通行能力。这保证了技术延续性。

另外，双足相比轮式、履带，在动作表现力上的提升是跨量级的。一个需要在家里长期存在，并和你建立情感、信任关系的东西，它应该是一个靠足、靠腿行走的仿生形态。

 陪伴 vs 讨好

陪伴和讨好，这两者间微妙的区别，你们怎么看？

有的人觉得讨好就是陪伴。但我们不这么认为，讨好不代表陪伴，陪伴也不一定需要讨好，两者不是充要条件。

情感陪伴的重点是"主动的交互共情"。懂你当前的状态，并给出恰如其分的行为反馈。

如果我跟它说"小伴，你好难看"，它不是说大道理，而是表达自己的情绪：伤心、难过、跺脚，背对你甚至跑开。这种"不讨好"的反馈，反倒会让你感受到陪伴的真实感。

如果遇到暴力倾向的小孩，拳打脚踢，它会怎么反应？

这会纳入到它的性格演化里。

如果被小朋友反复推倒、踢打，它会给这个小朋友打上标签，以后渐渐减少对他的主动交互，但不会说他一走过来，机器人就马上跑开。

家里有多个人的时候，以及多只宠物的时候，它是能识别出不同的主体，并且有不一样的互动方式吗？

没错。每个人和小伴的交互方式都是不一样的，机器人会给每个人去打标签，它会记得每一个人的意图或者偏好。

我们可以看或者修改这些标签和 prompt 吗？

不能看，也不能改。我们希望用户把它当作一个独立的、有生命力的个体来看待，是你的家庭成员，而不是想改参数就改参数的工具。

比如小伴在室内的续航是 3 到 4 个小时，户外是一个小时出头。当时我们考虑过要不要做可拆卸电池，最后的决定是不要。它是一个生命，不该从它的身体里拆掉一部分。

这个就很出戏？

对。所以不开放参数修改，也是一样的逻辑。

日本的 Moflin 只能用底座无线充电，看不到任何电器痕迹。你们是怎么考虑充电场景的？

是的。我们当然也在考虑充电的场景，它应该是什么样的一个充电方式？是躺着还是坐着？

我们最后选择的就是给机器人设计了一个非常可爱的小座椅。它坐在上面，小手扒在肚子上，脖子往下看，这种很舒适的、在休息一样的感觉。机器人在充电。

我觉得你们做的这个产品真的很有意思，你们好像是在从头去设计一个从来没有出现过的一种生物。

陪伴场景一直存在，只是以前没有足够好的产品。我们把价格定在不到万元，就是想触达更多普通群体。

随着相处，它有非常长期的记忆存储。它会更懂你几点回家、行为偏好，以及情绪状态的波动变化，它在性格上会越来越和你契合。

目前收到最让你 surprise 的反馈是？

"看上去比别家的机器人可爱多了。"

真期待有一天，能让它坐在后座，绑着安全带一起出门。

我们的发布视频里就有这个场景。它会转着头看窗外移动的物体。

偷听我们说它坏话。

我其实注意到小伴的眼睛特别的传神，这个眼睛有一些特别的设计思路在后面吗？

眼睛它是最直接的情绪表达载体。

针对小伴的眼睛，我们做了六层骨骼动画，比如瞳孔、巩膜、瞳孔的花纹都是独立的参数化控制，所以会有非常自然的目光流动的呼吸感。就像人一样，瞳孔会震颤。

"我有做机器人的天赋"

你做第一台机器人的时候是几岁？

我是一个很幸运的人。高考后选了机械工程，入学发现可以做机器人。

在做机器人上我感觉自己是有天赋的，这让我获得了很多成就感和满足感。

大一工图课还没上完时，我就开始一个人设计一台完整的机器人，在软件里建模、用 3D 打印拼装。拼好后拍了视频，躺在床上不停地刷。

好羡慕你把热爱变成了事业。有人在 B 站说你是年轻版的稚晖君。你怎么看？

我们挺熟的。我觉得我们并不是谁是谁的年轻版，如果面向同一个目标做产品，指不定谁做得更快、更好。

在行业里有最崇拜的人吗？

波士顿动力的创始人 Marc Raibert。他 20 年前就开始做自主机器人。

相比机器狗，小伴进家的优势是？

情感连接还得是类人形态。机器做得太像狗，容易被真狗比下去。

此外，很多人的家庭面积有限，机器狗占地面积太大，而我们的机器人只占 0.12 平米，比扫地机器人还小一圈。

从以前的"发明家"到做一个让用户花近一万元去买的产品，最大的不同是？

发明家做机器人是为了"自己爽"，而作为硬件 Founder 做产品，是面向用户需求，为了"让用户爽"。

你看，这里好美啊，这条路。

对。

好绿啊， 6 月份北京还是挺不错的，而且今年夏天感觉没有那么热。

是，北京周边这么好啊。

你平时会出来玩吗？

之前，北京周边有一个美食烤肉，那个黑山烤房。之前也会去那边吃东西，它那个路上也是和这个很类似。就是它两边都是山，你在跑山的那种感觉。

对，我做公路播客其实也有一个想法，是我觉得我的很多嘉宾大家都是创业者，其实尤其 AI 的，或者做具身的，大家都还挺宅的。我觉得把大家拉出来，可能会激发出一些在办公室不会聊的话题。

是。

你现在的团队已经 25 个人了，这是你第一次带团队吗？

其实并不是。在这次创业之前，其实还有一段参与创业的经历。我之前是高擎的产品合伙人，实际上当时他们的整个产研团队是我在带的。

所以那个时候团队多大？

当时有个 30 个人左右。基本上各个板块，包括机械、硬件、嵌入式、运控、感知。

你的管理风格是什么？

我觉得我们团队的文化很明确：务实，在务实的基础之上，干一些浪漫的事情。

你刚才说务实加浪漫，你做过哪些浪漫的事情吗？

我们做这样的一款机器人本身就是很浪漫的事情。

我们把这个机器人真的自主地做出来，站到大家的面前，大家也不会想我之前给它做了什么样的开发工作。大家会以一个就很感动的状态去体验这个机器人。

其实你肯定是很希望大家看到小伴就能够一见钟情，你们做了哪些事情让大家一眼就爱上它吗？

第一点是一眼看上去就是非常灵动、可爱。

第二点是一定要摆脱角色预设和逗乐型的互动逻辑。

我们希望达到的一个状态是什么呢？比如你说，"小伴，你好难看呀。"小伴会泪汪汪的，低下头抱着自己的肚子，委屈巴巴的。

我们希望通过这样的方式，去让你体会到这个机器人是有自己的意识和性格的。

可爱不是终点，生命力才是目标

所以你希望大家看到它之后的第一个评价是，你好可爱吗？

其实并不是。可爱它代表的只是外观层面。

我们希望大家给的反馈是：哇，这个机器人好有生命力。

因为只有这样，它才能够真正地成为你的家庭一员，而不是一个大玩具。

你希望它的用户群体是谁？

其实当前的第一款产品，我们希望的用户群体，一方面是中年女性群体。她可能现在没有男朋友，还没有成家，但是到了这样一个年龄段，可能想体验一下养孩子。因为本身小伴它就是一个养成系的，它有性格的养成和变化，有长期记忆。

另外一方面是有孩子的家庭，像爸爸买给自己的孩子。

其次，可能就是像我这样的科技尝鲜群体。

所以你们做的时候是有三种不同的目标用户的画像在脑子里的？

它是一个情绪健康、情感陪伴产品，没有强功能属性。

我们在打造两个基座能力：家庭机器人的基座、情感交互模型的基座。

我们把这两者加在一起，叫做机器人的"生命力"。

所以在做小伴的过程中，有什么好玩的事吗？

在它还没实现自主交互前，我们带着遥控器和小伴出去不停地跑，我们在后面一直追。

情感大脑，当说到它的时候，是一个什么样的概念？

小伴的情感大脑是一个面向高阶决策的 VLA 模型。

它决定"下一个阶段我要干什么"，比如"我要把这杯水拿起来"。而操作的 VLA 决定"要怎么干"，即具体生成每个关节的 action。

因为小伴不需要干活，所以我们把精力集中在解决人机情感交互的高阶决策上。动作和语言，我们有专门的专家模型。

你怎么看最近大家都说 VLA 已死的这个论调？

我觉得说的很对。为什么大家说 VLA 已死？基本上能够预测得到它的上限。

那你怎么看 WAM 它的天花板在哪里？

WAM 是目前看比较靠谱的技术路线，但它把 VLA 隐式预测状态变成了显式训练，在技术原理上有没有本质差异？我觉得存疑。

世界模型是合理的。我们做的"家庭世界模拟器"也是一个世界模型，可以根据当前的 low level action 预测下一秒的画面、交互变化，也可以预测人的情绪交互变化。

我们用微调后的快慢脑，在问"想不想出去玩"时，它已经能够涌现出"看你（OV）"这样的模糊中立回答，它理解了主被动交互的超长程上下文。

好神奇，你觉得这是怎么涌现出来的？

这个家庭模拟器它会模拟这种非常长时间的主被动式的情感交互。

它可能就理解到了，你现在问这个问题，有可能就是想让我出去，也有可能不想让我出去，那这种情况下我要回答一个什么话呢？

那你们 25 人的团队大概是一个什么构成？

我们实际上只有 15 个全职，实习生有 10 个人。我们的节奏确实是非常快的一个状态。

我也在想，为什么我节奏那么快呢？我把它归结成了这几点：极致的热情，极致的效率，加上我们之前几乎没有犯过错。

包括在技术路线的选择上，但凡选错了一条，可能在这个时间点你就体验不到这样完整交互的小伴了。

这听起来挺难的？

对，包括我们做家庭模拟器，做的这一套三层的——行业里面一般用两层的端侧快慢脑。

做这个机器人对你来说还是挺轻车熟路的？

我觉得是这样的，之前做过太多的机器人了。对技术路线、技术细节，甚至说技术边界非常的了解。

我记得很多年以前，有一次在日本东京的 Sony Park。

Sony Park，那个小狗？

对，无意中撞见了那些小狗的主人们的聚会。

那一幕还是挺超现实的。大家很像一群养宠物狗的人，带着自己的宠物狗狗出来，坐在公园里面。

聊一聊你的狗狗怎么样，我的狗狗怎么样，然后互相逗逗对方的狗狗。

其实 LOVOT 也有这样的活动。之前我们在上海的门店买了之后，到后面它会邀请付费的用户参加他们在上海的活动。当时我也参加了。

他们的用户都是些什么人啊？

我觉得还是比较精致，更偏女性的这样一个群体。

那个活动上大家聊什么呀？

大家会给这个 LOVOT 穿各种各样的衣服，讲一些 LOVOT 在家里给我的一些惊喜瞬间，还有怎么按照喜好去给这个 LOVOT 穿衣服，还有一些他印象深刻的一些细节，类似于这种。

对你们有什么启发吗？

当时比较大的一个启发，就是我们发现，真的会有人天然接受、希望有这样一个陪伴机器人在家庭里面。

他们为什么不养猫猫狗狗，愿意养机器人？

我觉得一方面就是，他们真的觉得这个小机器人是有一定的活人感的。另外一部分，我觉得更多的是他们生活方式的一种选择。

想养只小猫或养个机器人，都是你生活方式的选择。

我第一次看到 LOVOT 的时候，我觉得我当时有一个反应。我对它说"来抱抱"，然后做完之后我自己都震惊了。就是我潜意识里做出了和对待一个小生命一样的动作。

我觉得小伴也有点这种感觉？

下一步还是要把这个机器人做得更轻一些， 10 公斤以内。

前段时间带着自己的小猫去医院检查，发现它有点多囊肾。

我当时就难受坏了，好一段时间缓不过来。发现后面它会不会就陪了我很长时间，突然就不在了。

我觉得很多养猫猫狗狗，最后这种告别都让人很难受。

所以可能这也是大家想要一个陪伴机器人， 可能是一个原因。

"No excuse for engineer"

我们现在来到了这个怀柔的、就像一个秘境一样的咖啡馆。

我看到你的朋友圈签名叫 No Excuse For Engineer。为什么是这个签名啊？

这个是来源于我大一的一个工图老师。那个老师非常严格，有学生迟到了，进来解释原因，No Excuse For Engineer。

大作业老师给扣分了，去找老师扯，"为什么我这个会扣分呢？"老师不给你解释，No Excuse For Engineer。

我觉得这个是很好的一个精神。你碰到问题你就不要找借口，分析原因，下次不要再出现类似的这种问题。

这句话对我来说挺关键的，我做机器人大概做了 8 年，这句话陪伴了我 8 年。

感觉这一句话对自己很狠？

这不是狠，我觉得这是态度。做机器人的一种态度。

但会不会遇到解决不了的问题？

遇到解决不了的问题，而不是去找 excuse 找借口，而是去分析它的原因。

虽然它只有四个单词，但是你后面越想，越随着自己做的东西越来越多，经历的项目越来越多，越会发现之前这个老师说的非常合理。

有什么你在小时候或者少年时期，陪你一起长大的物品、玩具、或者宠物？

小时候家里做鱼，袋子里混进了一只泥鳅，我养在巴掌大的鱼缸里。我没怎么操心，就定期换水，喂点饼干渣。养了几年，它长到了大拇指粗。

当说到陪伴你长大的东西的时候，你为什么会想到它？

我其实对它有后悔和愧疚。

后来我在街上买了一只漂亮的金鱼，因为没有多余的缸，我就把这只养了好几年的泥鳅，倒进了家旁边的水沟。它从缸里滑落的一瞬间，我非常后悔，一直记到现在。

那一瞬间，它就跑掉了是吗？

是的是的。虽然当时很小，但是印象很深刻。

它和你现在在做的事情有什么关联吗？

那个泥鳅实际上长得并不好看，黑溜溜的。我只是觉得当时把它倒在水沟里面，是不太应该发生的一件事情。

有意义的瞬间

我们刚才在车上聊很多，都是在聊怎么做这个机器人，背后的设计思路、工程思路。

如果问一个更私人的问题，你做这一切是想要实现什么？有这样一个愿景，或者这样一个目标吗？

谁不想让哆啦A梦走到现实里呢？谁说拥有哆啦A梦的只有童年的大雄呢？

我想造一个真正能够陪伴我自己的机器人，它也是满足用户需求的，我也能把它推出去，让大家用到。

今天最后一个问题。这也是真格基金的佳奇，也是 lead 投你这个项目的投资人想问的：有哪些瞬间，在创业的过程中，是让你觉得自己现在做的事情是特别有意义的？

前段时间拍摄，两个小朋友和小伴在草地上玩。我们没有给小朋友任何脚本，但他们和机器人玩了一个小时你追我赶，直到机器人没电。

还有一次，当这个机器人以非常完整的形态真正站到我面前时。虽然平时测试了无数次，那一瞬间，我的眼泪还是不自觉地出来了。

为什么会流眼泪？

感动、惊喜、满足和骄傲。

你自己流眼泪？

对，是的。

我上次看我女儿大班的表演，她跳街舞。

街舞一开始灯光突然打到她的身上，她做了一个很有力量的动作，我当时一下子就哭了。

她不再是一个小动物了，她不是一个小 baby 了，她好像一下子有力量了。

我非常理解你看到女儿在大班表演街舞时，那种"她长大了，有力量了"的感受。对我来说，机器人就像孩子。它在成长，后面会成为陪伴我的、真正的伙伴。

好呀，那我们今天谢谢世博同学，非常开心。

感谢。

十字路口正在寻找独立撰稿人，撰写 AI 产品和模型评测。

如果你写过类似文章：《实测 PixVerse C1[1]》、《实测 LibTV[2]》，请联系 zeo0811@gmail.com ，邮件内容请包括：① 个人介绍、② 你写过的 AI 评测文章。

我们会提供有竞争力的稿酬。期待与你一起观察与记录 AI 时代