文｜沈嵩男

"人类对人形机器人的热情，多少出于一种自恋：人们更愿意相信，长得像人的机器，也能像人一样进入工厂、商场和家庭，完成各种工作。"

有鹿机器人创始人陈俊波这样解释人类对于人形机器人的偏好，但在他看来，人形不是机器人走向智能的唯一答案。机器人或许会像自然界一样，经历"物种进化"——面向清洁、运输、巡检、农业和工业生产等各行各业中的不同任务，出现成千上万种形态。

有鹿机器人（以下简称"有鹿"）选择的是这条路线——它不试图先造出一个无所不能的身体，而是希望研发一套能够支持不同身体的通用大脑。陈俊波将其概括为"一脑多形"：如果人形机器人追求的是用一种通用形态适应尽可能多的任务，有鹿想做的，则是让不同形态的机器共享理解物理世界、判断环境并作出决策的能力。

一脑多形

2009年，陈俊波从浙江大学博士毕业后加入阿里，是阿里云早期核心成员之一，先后在阿里云和淘宝搜索业务中负责算法工作：让机器从用户的查询、商品信息与行为数据中学习，判断用户究竟在找什么、哪些结果更相关，以及哪些异常信息需要被识别和过滤。

进入2010年代，深度学习（Deep Learning，指基于深层神经网络模型和方法的机器学习）取得一系列标志性突破，并逐渐进入搜索、推荐等工业场景。陈俊波亲历了新模型在搜索相关性和推广效果上的显著提升，也由此建立起对AI价值的第一层认识——机器能够从海量数据中学习规律，不只是执行预先写好的规则，还能更准确地理解需求、组织信息，并直接改善业务效率。

到2015年前后，他开始感受到这轮技术红利在互联网业务中的边际收益正在收窄。搜索、推荐和广告仍在进步，但陈俊波更关心的问题变成了："除了让信息匹配得更准确，AI还能否直接进入生产和生活，真正改变物理世界中的劳动效率？"

他判断，AI更深远的生产力价值，可能不只存在于网页、文字和软件构成的"比特世界"，还存在于道路、机器与劳动构成的"原子世界"。那一年，他曾认真考虑离开阿里创办机器人公司，不过最终选择留在阿里内部创业，组建机器人团队。此后的八年，他和团队尝试过多种机器人形态，也经历了从算法、产品到真实业务的完整试错。

这其中，公众最熟悉的产品，大概是末端配送机器人"小蛮驴"。疫情期间，它曾频繁出现在高校、社区和配送站点，成为普通人在日常生活中少数能遇到的机器人产品之一。但对陈俊波而言，小蛮驴更重要的意义，不是完成了一次技术展示，而是进入了可以被衡量的规模化业务。

据陈俊波回忆，2021年，小蛮驴车队全年无人配送的包裹还不到100万件；到2022年，这一数字增长至2000万件。接近20倍的增长让他看到，模型和算法的进步不仅能够改善技术指标，也可以转化成真实的使用量和业务增长。

这段经历也奠定了陈俊波后来独立创业的思路：机器人公司可以拥有长期的技术理想，但技术需要尽早进入真实环境，接受产品、客户和运营的检验。它不能只依靠融资等待一个遥远的技术终局，也不能为了短期收入放弃底层能力的积累。资本为研发、产品和组织提供资源，市场则不断回答一项技术究竟解决了什么问题。

2022年末，陈俊波离开工作了13年的阿里，次年创办有鹿机器人。2024年，有鹿开始量产AI130商用巡扫机器人——可以理解为一辆取消了驾驶舱的驾驶式清扫车：成熟的清扫结构被保留下来，环境感知、路线判断和作业决策，则交给车身所搭载的有鹿核心产品——"Master2000通用具身大脑"。

AI130需要完成的工作并不科幻：识别垃圾、避让行人、贴着路沿清扫，在住宅、园区、学校或工厂不断变化的道路中自主运行。这款产品也延续了陈俊波此前形成的产品思路：不从最宏大的技术终局开始，而是先找到一个高频、刚需、可以进入规模化业务的任务。人类早已发明成熟的驾驶式清扫设备，证明了清扫机构和市场需求本身成立；有鹿要解决的，是如何让机器在没有驾驶员持续操控的情况下，感知环境、理解任务，并安全、稳定地完成作业。

有鹿AI130

不过，一台机器人真正进入物理世界后，需要理解的远不止哪里有墙、哪里有人、哪里有垃圾。

有一次，AI130在四川一处物业场景中巡扫时，发现地面铺着一大片红色物体，便将其清理掉。后来工作人员才发现，那是一户业主特意铺在地上晾晒的辣椒，有鹿为此向业主赔偿了300元。

这个失误看起来并不复杂，却揭示了具身智能面对的真实难题——不只在于识别"这是什么"，还在于判断它为什么出现在这里，以及机器人究竟应不应该采取行动。整齐铺开的辣椒可能是人有意晾晒的，不能清扫，而零散掉落在道路上的辣椒又可能需要处理。机器人需要结合任务、场景和人的行为作出判断。

现实世界里存在无数这样的低频细节。一处不起眼的坑洼、一次临时施工、一件被人有意放在道路上的物品，都可能成为机器人此前没有遇到的问题。工程师无法预先写完所有规则，模型只能在持续运行中遇见这些例外，收集实验室难以穷举的数据，再逐步完善对物理世界的理解。

这也是有鹿机器人坚持让产品尽早进入市场的重要原因。在获得客户授权、遵循最小必要原则并完成必要的脱敏和数据治理后，真实商业场景也可以为模型迭代提供数据。机器人运行时间越长、覆盖场景越多，遇到的道路、天气、人群和异常情况越丰富；这些数据回到后台，成为下一轮训练的材料；模型更新后，已有设备的表现也会继续改善。

陈俊波将这一循环称为"数据飞轮"。用户看到的是一台台功能不同的机器，公司希望后台运行的始终是同一套模型和数据体系。在天下网商看来，有鹿机器人迄今取得的阶段性进展，主要来自三种方法：

第一，从真实需求出发，让技术研发与商业验证同步发生。物业清扫需求明确、任务边界清楚，投入产出也容易衡量。在这个过程中，融资为长期研发提供支持，客户的购买、使用和反馈持续校准技术方向。技术进步不只体现在模型指标上，更转化为交付效率和客户价值。据《2025—2026年中国低速无人驾驶产业发展研究报告》统计，有鹿机器人推出的商用巡扫机器人出货量，位居2025年中国室外清扫机器人市场TOP 1。

第二，把真实使用变成模型进步的来源。陈俊波向我们回忆了一个细节：他在向物业公司高管推荐AI130时，对方把他带到一处地下室，里面停着不少不同品牌、正在"吃灰"的扫地机器人——卖出产品不等于创造价值；被误扫的辣椒则说明，物理世界的智能只能在无数具体细节中逐步完善。产品进入现场越早，模型越早面对真实问题。

第三，借助成熟产业能力拓展产品边界。有鹿将资源集中在模型、数据和产品定义上，借助制造与服务伙伴，加快产品落地，避免重复建设已经成熟的供应链和售后网络。

这三种方法帮助有鹿完成了第一款产品的验证。接下来，它需要回答的是：巡检、物流等后续产品能否更快进入市场，不同形态的机器人是否真的能够共享同一套智能与经验。

围绕机器人的形态之争、具身智能如何理解真实世界，以及一家机器人公司如何从单一产品走向多品类平台，天下网商与陈俊波进行了一次对话。

对话创始人

不是通用的身体，而是通用的大脑

天下网商：为什么您认为机器人的通用性不一定要建立在人形本体上？

陈俊波：关于具身智能未来该怎么发展，我觉得现在有两个截然不同的思路。

第一个思路，是研发一种通用、无所不能的人形机器人，让它去完成各种各样的任务。坦白讲，现在行业里绝大多数公司走的是这条路。

但我们更相信第二种思路。未来机器人的物种数量会非常丰富，可能跟生物的物种一样，经历一场机器人的"物种进化"。人类为什么对人形机器人有那么大的热情？我觉得很大程度上是因为人类太自恋了，因为人形机器人长得像我们。但不同的物种有它们各自的优势，比如蝙蝠主要靠回声定位感知环境，通过发射超声波并接收回音来"看"世界。人类的感知方式和行为方式都不是最优的。

机器人未来要在成千上万个场景里，完成成千上万种不同的任务。在具体场景、具体任务的约束下，人形很可能不是最优解，不同场景会逐渐筛选出更适合任务的机器形态。有鹿真正想做的，是面对这些不同形态的"机器物种"，用一个通用大脑去支持它们，而不是用一种通用形态去支持完全不同的任务。

天下网商：这是否意味着有鹿不认同人形机器人？

陈俊波：不是。人形也是"一脑多形"里的一种形态。从架构设计上，我们希望同一套模型体系能够逐步支持轮式机器人、轮加臂和人形机器人。

只是不同形态所处的成熟阶段不一样——轮式机器人，我觉得现在已经成熟，可以快速、广泛地进入客户场景。轮加臂需要完成的任务相对可控，比如取一个外卖、开门、按电梯，几件事情完成以后，业务链路基本就能跑通。

我们今年（2026年）会先让这类机器人在有限场景里为自己的员工提供服务，明年（2027年）可能小批量推向客户。当然，那个时候成本可能还比较贵。但我觉得，轮加臂这种形态在三年以内应该可以比较成熟地商用。

人形机器人的不确定性更强。技术如果超预期，可能五年左右有比较大的进展；但也有可能十年仍然没有达到大家想象的状态。这个事情风险和不确定性都很大。

天下网商：您今天对机器人的判断是从怎样的经历中形成的？

陈俊波：我的职业生涯基本可以分成两段。第一段是2009年到2015年。我博士毕业后加入阿里，第一年也是阿里云创业的第一年。我当时主要做搜索相关性、推广排序，以及跟人工智能模型有关的工作，后来去了淘宝，也还是在淘宝搜索体系里做AI。

那几年，机器学习模型正处于快速演进阶段。后来随着深度学习取得突破，我们非常明确地感受到，不管是搜索相关性还是推广模型，效果都出现了爆发式增长。

所以我对AI最早的理解，是机器可以通过学习大量数据，更准确地判断用户在找什么，以及什么信息应该被排在前面。那一轮技术进步，确实改变了整个信息被理解和分发的方式。

天下网商：2015年之后呢，发生了什么？

陈俊波：从2009年到2015年，大概六年左右，那一波技术红利慢慢到了瓶颈。模型还在进步，但边际收益越来越低，这是可以非常明显感受到的。

2015年有一本书叫《从0到1》，作者是彼得·蒂尔，里面有一个观点，我记得大意是说，人类期待科技进步带来会飞的汽车，但互联网发展了这么多年，我们得到的还只是140个字符（推特早期单条推文的字数限制，原文为"We wanted flying cars, instead we got 140 characters"）。

它对我的触动是，我们是不是只在比特世界里得到了很多小工具？人工智能和模型的技术进步，真正能够带来的生产力爆发，可能在原子世界，而不是只在比特世界。所以2015年，我本来想离开阿里，成立一家机器人公司，把AI更好地应用到物理世界。后来阿里提出与其去外面创业，不如在内部创业——我也看到阿里有很浓厚的内部创业氛围，也有赛马机制，回头看，我觉得这是一个正确的选择。

那一年，我在阿里内部成立了机器人团队。从2015年到2022年，我们做过各种不同形态的机器人，不仅仅是物流机器人。这个过程里，有很多行业积累，也有很多试错。公众最熟悉的当然是小蛮驴。2021年，我们一年配送的包裹不到100万单；到2022年，一年的无人配送量达到了2000万单，接近20倍的增长。（编者注：上述数据来自陈俊波对其所参与小蛮驴业务年度运营情况的口述，统计口径为无人配送包裹量。）

这个增长对我的启示很大。它说明新技术带来的不只是某个算法指标提高了，也不只是演示时机器人表现得更聪明，而是它可以带来业务上的爆发式增长。所以我后来越来越相信，机器人技术不能一直在实验室里等，你得让它进入产品，进入运营，进入真实业务。技术有没有价值，最终还是要看它有没有被使用，能不能真正解决问题。

天下网商：2023年独立创办有鹿机器人，与ChatGPT问世的时间几乎重合。这是一次追随大模型趋势的创业吗？

陈俊波：如果说创业冲动，2023年不是第一次，2015年才是。

ChatGPT是在2022年末第一次让大众看到非常惊艳的效果，但在行业内部，怎么用Transformer（一种神经网络架构，通过"注意力机制"同时处理输入数据的所有部分）、怎么用多模态大模型进入不同领域，其实已经尝试了很久，有很多试错和沉淀。

到2022年左右，我们已经在机器人上看到，全新的技术不仅可以带来技术进步，也可以带来产品和业务进步。我们觉得这条路已经被"趟"出了一部分。

这里面最关键的一点，是模型训练范式发生了变化。以前你可能针对每个任务训练一个模型。现在的基础模型，智能性很大程度上来自多任务学习和极其丰富的训练数据。基础模型先通过大规模、多样化的数据训练获得通用能力，然后进入一个行业时，再用相对少量的行业数据做后训练，让它成为那个行业的专家。

我们认为，物理世界也会经历类似的过程：先用极其多样、多任务的数据训练一个通用大脑，再通过行业数据让它进入清扫、物流、巡检等具体领域。这是我们成立有鹿真正想做的事情。

如何用具身智能，把已有的"机器人本体"重做一遍

天下网商："一脑多形"最终可以进入很多行业，但一家创业公司总要从一款具体产品开始。为什么有鹿首先选择物业服务和室外清扫？

陈俊波：我们第一天给自己定的是一种"控制变量"的思路。

我们认为，世界上最聪明的机器人其实就是人类自己。但即便全球有80多亿个这样最智能的"人形机器人"，人类还是发明了大量专业设备，帮助自己在不同场景里更好地完成任务。所以我们的想法不是把所有本体重新发明一遍，而是先看人类最高频使用哪些设备，这些设备在帮助人完成什么工作，然后让它们获得智能。

当然，从0到1时，总要先落在某一款产品上。但严格来说，我们第一天选择的并不是清扫，而是物业服务。住宅、写字楼、工业园区、商业物业，包括工厂、酒店、学校和医院，都属于不同形态的物业。这里不只有保洁，也有保安、维修、绿化和物流，是一个很大的服务市场，也需要各种不同形态的机器人。AI130只是我们在这个市场里落下来的第一款产品。

天下网商：如果让普通人理解，AI130究竟是什么？它与传统驾驶式清扫设备有什么区别？

陈俊波：你可以把它理解为一台重新定义过的驾驶式清扫设备。

传统产品有驾驶座、方向盘和驾驶舱，由人来观察环境、决定往哪里开、哪里需要清扫。我们在与合作伙伴重新定义产品时，把不再需要的驾驶组件拿掉，重新布置传感器、算力和控制系统，再把具身智能大脑放进去。AI130搭载的核心产品叫Master2000。它不是一个单纯的软件模型，也不是随便找一台现成设备，把盒子插上去就能工作。

如果只是软件，硬件端的不确定性会非常大：放在什么算力平台上，用哪些传感器，传感器装在什么位置，控制接口是什么，怎样防水、防尘，怎样保证耐久性，都是问题。

所以我们把能够标准化的部分，包括算力、传感器和控制接口，整合到Master2000这样一个软硬一体的产品里。但产品仍然需要前装共创，需要与制造伙伴重新定义，而不是现场后装改造。

天下网商：您说市场需求一直存在，为什么过去很多商用机器人最后还是被闲置了？

陈俊波：我觉得，机器人行业是一个被供给端制约的巨大市场。我们去找一个头部物业公司谈合作，对方负责人见到我的第一句话是："你们又来骗人了。"

我当时也很奇怪，为什么第一次见面就说"又来骗人"？他说，你去我们的地下车库看一下，那里闲置着不少不同品牌的机器人。

但这件事情反过来说明，物业公司非常想用机器人。它们不是没有需求，也不是没有付费意愿，否则不会一次次采购不同品牌的产品。问题是，过去很多产品的智能性、稳定性或者部署能力没有达到要求，买回来以后用不起来。所以这个市场不是需求不足，而是优秀供给不足。真正能够长期运行、持续解决问题的产品还太少。

天下网商：商用机器人不只是卖出去，还要部署、维修和提供售后。有鹿怎样把这些环节做得可复制？

陈俊波：我们在全国有合作伙伴，他们主要完成几个动作：销售、部署，以及后续维修、保养、换件和客户咨询。

合作伙伴首先要理解客户需求，也要理解机器人和AI产品有哪些事情能做到、哪些暂时做不到。比如我们的服务承诺是，客户出现问题，要在48小时以内完成响应或给出处理方案，那么合作伙伴要有能力完成这个响应。

按我们目前的项目经验，AI130通常可以在一天以内完成基础部署。部署的基本工作，就是由一个人领着机器人在工作区域走一圈，让它了解环境。过去部分机器人方案需要工程师现场描图、调参数，可能要花几天甚至一两个星期。今天如果每一台设备仍然需要总部工程师长期驻场，这个商业模式是无法规模化的。所以我们自己的服务团队更多是服务合作伙伴，再由合作伙伴服务终端客户。我们希望逐渐让整个交付和服务体系标准化。

天下网商：您提到AI130曾在四川误扫了业主晾晒的辣椒。这个错误暴露了机器人怎样的问题？

陈俊波：我们当时赔了300块钱。客户对机器人有一个要求，叫按需清扫。室外空间在多数时段其实是干净的，不需要一直扫。机器人发现哪里有垃圾，再过去清理。那天它看到地上铺着一片红色的东西，就非常"勤劳"地把它扫掉了。后来发现，那是当地一户业主晒在地上的辣椒。

这件事说明，模式识别只是智能最基础的要求。即使机器人能够识别出那是辣椒，它还要回答另一个问题：有辣椒，我到底要不要扫？整齐铺在地上的辣椒，可能是业主有意晾晒的；零散掉在路上的辣椒，又可能确实需要清理。所以它不仅要知道"这是什么"，还要理解场景、人的意图，以及自己该不该采取行动。现实世界里有大量这样的低频问题。工程师不可能事先写完所有规则，只能让机器人不断遇到这些情况，再逐渐完善对物理世界的理解。

天下网商：这种能力，也就是你们所说的具身智能大脑——它具体由哪些部分组成？哪些是自主研发的？

陈俊波：我们把整套具身智能模型体系统称为LPLM。为了方便理解，可以把它分成左脑、右脑和小脑，但它们最终是一个有机整体：

左脑主要负责语言推理、任务拆解和比较长程的思考。我们现在使用通义千问，当然也可以使用其他开源模型。选择通义，一方面是开源，另一方面是效率和效果比较平衡。但一个"裸"的通义千问拿过来仍然不好用。它还要用有鹿在客户场景里积累的数据进行后训练，才会越来越适合机器人的任务；

右脑是我们重点自主研发的部分。它要对物理世界中的空间、时间和对象关系进行编码，理解哪里是地面、哪里是墙、哪里有人和车辆，再根据对世界的理解作出决策。左脑和右脑之间还要对齐。物理世界里提取出的特征，要能够进入语言模态里进行推理，推理完成后，再回到物理特征空间，转化成机器人的行为；

小脑负责具体的运动控制。这里我们不会为了端到端而端到端。轮式底盘的运动控制，如果用传统优化控制方法就能很好解决，传统方法可能反而是成本更低、更稳定的选择；在部分复杂本体和任务上，强化学习或端到端方法可能更具优势，但具体路线仍取决于任务、数据和安全要求。

这一整套系统最后被整合进Master2000这样的软硬一体通用具身大脑产品里。（编者注："左脑、右脑和小脑"是有鹿为便于理解其模型分工所作的功能比喻，并非机器人行业统一的标准分类。）

天下网商：为什么不等模型足够完善，再把机器人推向客户？

陈俊波：因为你不可能只靠实验室把模型训练到真正完善。模型训练大概会经历几个阶段：

第一个阶段是在仿真环境里。仿真可以较低成本地生成大量训练数据，但模型能否收敛、收敛速度如何，仍取决于任务和训练条件。

第二个阶段是把仿真里表现不错的模型放到真实机器人上。受"仿真—现实差距"影响，模型在真实环境中的性能往往会出现不同程度的下降。于是公司会准备几十台车，由人驾驶或操作，在有限场景里采集数据。但即使在几十个场景里表现不错，进入一个新客户现场，还是会遇到没见过的问题。所以我们选择的是，在满足基本安全要求和可用性标准的前提下，即使产品还不可能覆盖所有长尾情况，也会较快进入商业化阶段。我们非常感谢第一批客户，因为坦白讲，早期在新场景中的表现没有现在这么好，但客户给了我们很大的包容。

进入客户场景以后，真实的数据飞轮才能跑起来。机器人不断遇到新问题，数据回到后台，模型再更新。这个过程本身就是产品越来越智能的过程。在取得必要授权、遵循最小必要原则并完成脱敏等数据治理的前提下，真实客户场景不只是收入来源，也是真实世界数据的重要来源。

从一款产品到一个平台

天下网商：清扫车、巡检机器人、物流机器人面对的任务不同。一套大脑真的可以跨产品复用吗？

陈俊波：不能把这件事理解为，可以在两个完全独立的数据分布之间直接从A跳到B。这个显然不现实。我们的选择是不断拓展一个同心圆。

第一款是室外清扫机器人，第二款是物业巡检机器人。巡检机器人与清扫机器人工作的物业空间高度重合，因为都在同一个小区、园区或物业空间里运行。它当然会进入一些清扫机器人不去的地方，所以数据分布会慢慢扩大。

第三款可能是物流机器人。它进入楼栋、电梯和更多室内空间，又会看到新的环境。这样一步一步扩展，数据分布会越来越大。

所以"一脑多形"不是说一套模型今天做清扫，明天不经过训练就能直接去做拖拉机。它仍然需要行业数据和本体适配，但每一步都建立在上一步的模型和数据基础上。

天下网商：Master2000强调可适配不同设备，但实际接入时仍需要和硬件厂商联合重新开发。它与传统项目制有什么区别？

陈俊波：我们的目标肯定是产品化，而不是项目制。但坦白讲，进入一款新产品时，仍然需要深度共建。

我们主要做前装市场，不做简单后装。后装意味着设备已经做好了，再到现场一台一台改，那必然会变成高度定制化的项目。前装是与合作伙伴重新定义一款产品。哪些驾驶组件可以拿掉，传感器放在哪里不会遮挡，算力平台怎么安装，控制接口怎么设计，怎样实现防水、防尘和耐久，这些都需要一起打磨。我们希望，一款产品定义完成后，可以标准化应用到很多客户场景，而不是每到一个客户那里重新做一遍。

AI130有点像一个样板房。我们自己花了接近三年时间，把模型、硬件、量产和市场都跑通。现在与合作伙伴共同开发的新产品，大概半年到一年可以推出。如果第二款、第三款产品的周期越来越短，说明前面的模型、接口和工程能力确实在复用。

天下网商：这种模式有点像机器人领域的生态链。有鹿未来主要卖大脑，还是卖机器人整机？

陈俊波：我觉得不能简单二选一。

如果我第一天只拿着一个大脑去找合作伙伴，说这个大脑非常好，对方当然可以相信，但为什么要投入？合作伙伴需要看到实际产品能不能卖出去，能不能创造新的价值。

AI130就是我们的样板房。它证明有鹿的模型可以进入一个已经存在十多年的行业，而且在2025年的首个较为完整销售年度取得了很好的销售结果。同时我们也在铺自己的渠道，物业服务这个场景里，无论是保洁、保安、维修还是物流，面对的都是同一批客户。生产一款产品，需要铺这些渠道；生产十款产品，还是这些渠道。不同产品可以卖给同一批客户，这就是渠道复用。

所以我们不仅是在探索卖大脑。我们已经与部分合作伙伴推进联合开发，完成了初步产品定义和客户需求调研，也获得了一些客户意向。最终它可能既不是一家纯软件模型公司，也不是一家所有东西都自己制造的整机公司，而是围绕AI能力、品牌、产品定义和渠道形成一个产品生态。

天下网商：什么时候，您会认为"一脑多形"真正成立了？

陈俊波：AI130证明的是第一款产品能够量产、销售，能够达到PMF（Product-Market Fit，产品市场契合度，指产品在目标市场中满足需求并达到可持续盈利状态，被视为初创企业成功的关键分界点），也能够产生利润。下一步要看的是，我们和合作伙伴开发第二款、第三款产品时，周期是不是越来越短；不同产品是不是可以共享数据、模型、渠道和客户；前台虽然出现不同的机器，后台是不是仍然是一套统一的数据飞轮。

所以AI130卖得好当然重要，但也没有那么重要。它更像第一个入口。真正能够证明"一脑多形"的，是有鹿能不能持续推出不同形态的产品，而且每一款都不是重新从零开始。

记录互联网商业的人物和故事