这些观察从何而来
四周前，我关闭了自己的第一家公司。当时，我对机器人一无所知。从那以后，我在 San Francisco 与 60 多位机器人领域的人士进行了一对一交流，包括早期机器人公司创始人、研究人员、机械工程师、机器人数据卖家和买家，以及几位投资人。最多的时候，我每周要参加 20 多场电话会议和线下会面。
其中许多交流都是面对面的：我去了创始人的办公室，看看机器人部署的实际情况；在 Founders Inc. 与团队以及在那里创业的创始人共度了一段时间；参加了 Humanoid Hub 会议和 Mission Robotics 的活动；参与了硬件和机器人黑客松；还与机器人公司创始人共进晚餐。我还买了一台机械臂。
以下是我听到的内容、我现在相信的观点，以及我与受访者意见不一致的地方。我不是工程师。我在 Slush 工作了四年，最近的职位是首席产品官（CPO），此前从事金融和销售工作。阅读以下所有内容时，请记住这一背景。在这四周里，我多次改变自己的看法，未来也应该会继续如此。
关于信息来源，需要说明一点：这里的大部分内容来自私人对话，因此我没有透露具体人名。
数据
对数据的需求正处于高峰，但人们渴望获取的数据正在发生变化。
原始第一人称视频已经饱和。 在中国、印度和东南亚以低成本采集的人类日常任务第一人称视频仍然有人购买，但它们对模型的提升已经微乎其微。几乎所有与我交谈过的数据买卖双方，都用不同的方式表达了同一个观点：通用的家庭和工厂视频利润率很低，实验室已经拥有大量这类数据，再增加一些数据带来的收益很小。一位从投资人转为顾问的人称，这是一种生命周期只有几个月的商品化工具。一位正在构建供应链业务的创始人完全避开了这一类别，因为他认为这门生意已经走到头了。
中间商领域已经非常拥挤。 这里有经纪商、采集商、平台和交易市场，而他们大多在出售同一批数据时长。我梳理了一个孟加拉国服装厂数据项目的价格链：采集成本是每小时几美元，第一家供应商售价为 10 美元，清洗后涨到 20 美元，等到一家大型实验室购买时，价格已达到 60 美元。这条链上的每个人都在试图绕过其他人。即使是链条中的参与者，也认为这门生意只剩几个月，最多可能一年。
需求正在向更高质量的数据转移。 实验室开始要求的是经过标注、完成映射、使用已知设备采集，以及在特定机器人本体上采集的数据。遥操作数据是黄金标准，但采集过程繁琐且成本高昂。其次最有价值的，是已经部署在实际场景中的机器人产生的失败数据，因为这些都是人们无法刻意采集到的边缘案例。评测数据的价值往往高于训练数据。一位向实验室出售数据的创始人告诉我，判断数据集的正确方式是看它能在多大程度上改善下游任务，而模型已经吸收过的数据几乎一文不值。我认为，实验室购买的数据类型会在未来 6 到 12 个月内完成这一转变。整个数据阶段则会持续更久。关于这一点，我会在下文“下一个瓶颈在哪里”中进一步讨论。
标注是一个不太显眼的瓶颈。 让十名操作员拿起一把勺子，你会得到十种不同的做法。如果没有标注说明中间发生了什么，更多示范带来的只是噪声，而非技能。两个人分别告诉我，真正需要下功夫的是标注，而不是采集。
触觉和力是下一个前沿。 视频无法告诉模型应该用多大的力握住物体。模型可能知道玻璃杯易碎，却仍然不知道眼前这只手应该施加多大的力。我与研发机器人手、手套和力感知采集装置的人聊过。目前，这类数据的买家是实验室，而不是在实际场景中部署机器人的企业。这说明它仍处于非常早期的阶段。
每个人都在盲目购买数据。 即使是构建 VLA 模型——即把视觉和语言转化为机器人动作的模型——的实验室，也不知道哪类数据能最快地提升模型。这并不是批评。机器人动作领域没有互联网。文本模型可以用人类写过的所有内容进行训练，但对于机械臂和关节来说，并不存在一个规模庞大、获取成本低廉的记录库，告诉我们某个关节运动时发生了什么。因此，实验室只能猜测，诚实的数据卖家也清楚这一点。聪明的卖家已经从出售数据时长转向出售工具、标注、质量控制和评测。
这对考虑创办数据公司的人意味着什么？ 出售通用视频时长是一场价格趋零的竞争。具有防御性的机会很有限：来自难以进入、用人成本高昂的工作场景的数据，与特定机器人本体绑定的数据，评测和质量控制工具，或者深耕某个垂直领域并自行采集数据。一位在巴西从事农业数据业务的创始人说，VC 告诉他，第一人称数据采集的准入门槛接近于零，除非他掌握机器人部署，否则他们不会投资。我认为他们是对的。
模型
VLA 在今天占据优势。我认为通用模型将在未来十年胜出。
现状如何？ 目前最好的实际效果来自这样的 VLA 模型：团队使用自己的数据对其进行微调，并通过 RL 训练。基础模型是开源还是闭源，重要性不如在其上开展的工作。一位经营分拣打包设施的创始人正是这么做的，他完全不涉足前沿研究。这种方法是有效的。但它带来的提升是渐进式的：任务复杂度每上一个台阶，似乎都需要大约十倍的数据；而机器人在单一任务中无人干预地运行，持续时间仍然是几秒，而不是几小时。
一位以部署机器人为业的研究人员告诉我，他在实际场景中使用确定性的经典规划方法，不理会基础模型的炒作，因为学习得到的策略目前还无法保证客户所需的精度。
Astra 改变了讨论的方向。 9 月，OpenAI 的通用模型 Astra 控制两条机械臂，将一个积木放入碗中，20 次尝试成功了 19 次。此后，研究团队让它完成了数十项仿真和真实机器人任务，在其中许多任务上，它的表现与专门为机器人构建的模型持平，甚至更好。
OpenAI 没有透露它使用了什么数据进行训练。有些人认为它完全没有见过机器人数据。我不相信这一点。一项研究发现，Astra 回答有关一款常见实验室机械臂几何结构的问题时，表现得像是记住了这款机械臂，这暗示其训练数据中包含机器人数据。
有意思的地方不在于它用什么数据训练，而在于它如何工作。Astra 不像 VLA 那样输出电机指令。它查看摄像头画面，推理下一步该做什么，编写小程序，向机器人自身的控制器发送目标，检查结果，再进行纠正。它的工作方式更像程序员，而不是反射动作。今年最引人注目的演示并非来自机器人公司。这才是关键。
这是一种处理边缘案例的不同方法，而不是旧方法的加速版。 旧方法是从真实世界中逐条采集每一个边缘案例的示范。这种方式缓慢、昂贵，而且永远没有尽头。新方法则是使用一个已经理解物理世界的模型，再借助仿真以较低成本运行无数边缘案例。
我交谈过的大多数从业者并不认同这一点。他们认为仿真是用来测试模型的，而不是用来教会模型的。仿真无法复现闪烁的灯光或湿滑的地面，而缩小仿真与真实世界之间的差距，仍然需要少量真实数据。未来两年，他们可能是对的。但我不认为他们对未来五年的判断也是对的。我的判断是，仿真并非只负责完成数据采集的最后一公里，而是会取代大部分数据采集工作。
Astra 的可靠性远未达到多个 9。 每次尝试都要花费实打实的成本，还需要较长的数秒时间进行思考。你不能靠它运营一座仓库。因此，VLA 会在短期内占据优势，而且它们正在朝正确的方向发展。但 VLA 只是在一条缓慢的道路上领先了几步，而通用模型走在一条快速发展的道路上。我预计通用模型会在几年内追上来，如果更快，我也不会感到意外。
几位研究人员已经将他们想要的架构描述为：由通用模型负责统筹，调用一组较小的技能库，而不是依赖一个庞大的 VLA。一家机器人公司的产品经理告诉我，一些团队已经认为 VLA 过时了，正在尝试使用语言模型，并在底层搭配传统控制器。
反射层仍会独立存在。 当大脑是通用模型时，仍需要专门化的是快速控制器：比如在玻璃杯开始滑落的瞬间收紧握力的控制器。推理模型无法以足够快的速度思考。飞行控制器以 1000 Hz 运行，而 VLA 的运行频率是 1 Hz。这一层会保持小型、快速，并针对具体硬件设计；它最终甚至可能只是标准接口背后的普通控制软件，而根本不是一个训练出来的模型。
这对机器人模型公司意味着什么？ 通用模型已经逐一进入并占据多个垂直领域。机器人可能是下一个领域之一。独立的机器人模型必须证明自己能做到通用模型做不到的事情，而这份清单正在缩短。
反方论据是编程领域：前沿模型已经是优秀的程序员，但专门的编程产品仍然拥有巨大的市场。也许机器人市场足够大，可以同时容纳两者。但如果我今天要为一个机器人基础模型项目融资，我会希望有一个非常清楚的答案：为什么一家前沿实验室无法在六个月内做到同样的事情？
部署
部署是此前没人提醒过我的部分。它决定了企业在哪里赚钱、在哪里亏钱，而且几乎完全依靠人工。
这是一门运营生意。 我印象最深的一次拜访，是去一家为客户部署机器人的公司。我原本预约了 30 分钟，结果待了两个小时。我看到的不是研究工作，而是工程师让电池在固定电流下运行 15 分钟，以检查它是否稳定；还有人站在摄像头旁边，用手调整角度。
这些工作都很琐碎，但你不能随便找个人来做。必须由机械工程师或创始人亲自处理。而任务本身只占一半，另一半是赢得客户信任，让他们愿意让你再次进入现场。
一根松动的线，就意味着有人得坐飞机赶过去。 假设你在另一个州或国家部署了一条执行简单抓取放置任务的机械臂。一根线脱落了，或者摄像头稍微偏了一点。工厂现场的人员无法修复，他们只知道设备停了。于是你得亲自过去。
一位创始人告诉我，他朋友的公司曾让一名工程师从加利福尼亚飞到西班牙，只为更换一张存储卡，花费了几千美元。这类问题目前很多都无法远程解决。一家销售机器人远程监督工具的公司，在四个月内签下了 16 个试点项目。这说明问题有多普遍。
前提是达到多个 9 的可靠性。 对于任何部署，而不仅仅是抓取放置任务，准确率都必须尽可能接近多个 9，也就是达到 99.9% 及以上。这要求适用于硬件和模型组成的整个系统。
一台几乎每次都能正常工作的机器人，每天仍会失败好几次，而每一次失败都会侵蚀当初采用机器人所带来的成本节省。客户期望的是近乎完美的可靠性，以及超过人类的速度。
那位经营分拣打包设施的创始人说，达到多个 9 就是整个竞争的关键，而识别和梳理边缘案例才是制胜之道。一位曾在知名 Humanoid 项目实习的硬件工程师也说了同样的话：当部署规模超过几百台时，现场问题、边缘案例和可靠性才是真正的挑战。演示很容易，生产很难。
客户不会等着你边做边学。 一家大型实验室的工程师怀疑，是否有客户愿意长期容忍一台“大多数时候能正常工作”的机器人，以便企业采集到有用的失败数据。他预计几年后会出现一个“CFO 时刻”，类似自动驾驶行业的洗牌：有人会问，实际投资回报率（ROI）到底是多少？我认为他说得对，而且大多数部署初创公司尚未把这一点纳入考虑。
信任、准入和保险。 不止一位创始人说，真正的瓶颈不是技术，而是如何迈进客户的大门。一家已经部署了数万台机器人的公司告诉其中一位创始人，他们根本没有余力开展合作。
保险问题也很少被充分讨论：一家部署公司说，一家大型再保险公司完全不知道该如何为机器人定价，于是提出按每台机器人每月收取固定费用。在美国实验室中，实验室机器人仍然很少见。我遇到的一支研发这类机器人的两人团队说，保险是他们最大的成本。
机器人业务呈线性扩张。 正因如此，部署必须一个场地接一个场地地进行，无法像软件一样指数增长。你不能像发布 SaaS 工具、发出 Stripe 链接那样，通过 vibe coding 就把机械臂送进工厂。必须有人建设设施、安装机械臂、改变员工的工作方式，并在设备故障时回来维修。
两年后技术上能够实现的事情会令人震惊，但世界本身看起来不会有那么大的变化。一位从事多年自主系统工作的人说，他预计至少在未来十年内，机器人还无法做到开箱即用，并且无需集成工作就能安全运行。
这也有好处：集成能力和客户关系是真正的护城河，而这恰恰是我上一家公司没有的护城河。
硬件与供应链
软件已经成为商品，模型将是下一个。剩下的就是硬件，而硬件是我现在投入最多注意力的地方。
手是最难的问题。 几乎每位我见过的研究人员都提到，操作能力仍然没有得到解决。许多 Humanoid 演示中根本没有手，或者只有不会动的塑料手。商用灵巧手价格昂贵、结构脆弱，而且经常损坏，这反过来又阻碍了能够改善它们的研究。
目前的感知仍然主要依靠摄像头，而真正的灵巧能力依赖触觉。触觉皮肤、力感知，甚至嗅觉，都被提及为尚待解决的缺口。一位来自汽车行业的机械工程师认为，手和机械臂最终会成为商品，而下一个前沿是在机器人本体上进行物理前向仿真，而不是路径规划。
当今限制大多数机器人的，是执行器和电池，而不是 AI。 一位创始人直言不讳地说：即使让视觉模型的速度提高 50%，机器人整体也只会快大约 10%，因为物理系统才是速度较慢的部分。
电池续航将无人机和仓储机器人的工作时间限制在几个小时，而增加电池又会增加重量。一位独立创始人向美国海军提交了一个氢燃料电池方案，希望将续航延长到一天。现有执行器供应商一端是传统工业企业，另一端是面向爱好者的舵机制造商，都不太适合新兴机器人公司，因此一些初创公司正在从零开始制造执行器。
机器人本体上的算力将成为一个瓶颈。 如果机器人的大脑是前沿规模的模型，那么即使经过大幅压缩，它所需要的内存和算力也超过了目前机器人能够搭载的水平。几十亿参数的模型已经很难在边缘计算板卡上运行，而压缩会损失精度。我遇到的一位创始人正在专门为此研发光学芯片。未来，机器人身上的芯片可能会和数据中心里的芯片同样重要。
中国在硬件方面领先数年，差距来自产业密度。 在深圳，制作一个原型可能只需几个小时，而在西方则需要数周甚至数月。原因并不是某一家工厂，而是数千家专业供应商聚集在一起，相互配合、相互供给。这样的生态系统很难从零建立。
一位朋友上周在深圳时被告知，定制 PCB 一两天就能交付。而我在美国听到的交付周期是数周。
美国正在推动供应链回流，这将影响机器人在哪里制造。 一位向该市场销售产品的创始人估计，如今大多数美国机器人初创公司都在争取国防部合同，这意味着它们要放弃使用中国零部件，而美国制造的替代品只有少数几种。
FCC 已经开始限制某些外国制造的机器人，美国国内生产含量要求也在收紧。认证和采购可能将产品上市时间延长至一到两年。一位创始人正在建立一个符合相关规定的零部件交易平台，目的就是缩短这一时间。
这些都不会改变机器人变得更智能的速度，但会改变哪些企业被允许在哪些地方销售机器人。
硬件也是护城河。 几位创始人在没有被我引导的情况下说了同样的话：不要在机器人领域只做纯软件。机器人公司创始人每周都会收到大约 20 个工具产品的推介；一家大型实验室可能几天就能复制你的软件；而数据领域也已经十分拥挤。
硬件难以复制、构建缓慢，而且具有专有性。再加上客户关系，这是我发现的唯一能够持续成立的护城河。
从更长期来看，我认为打印技术会胜出。 如果中国的领先优势来自供应商密度，那么最终形态就是一座几乎可以打印任何零部件的工厂。到了那时，地理位置的重要性就会大幅降低。已经有不止一个人在设想这件事。当人们开始设想它时，剩下的只是时间问题。
形态与垂直领域
世界是为人类建造的，因此很多人得出结论：机器人也应该具有人类的形态。我认为，这对于未来几年而言是错误的结论。
至少目前，除了娱乐，Humanoid 还只是一个噱头。 在我交谈过的实际部署机器人从业者中，几乎没有人在研发 Humanoid。一家销售机器人操作系统的部署公司不绑定特定硬件，而且公开看空腿式机器人；他们使用四足机器人和搭载机械臂的轮式底盘，并预计投资也会朝这个方向转移。
我听说的一些 Humanoid 初创公司正在做舞蹈和格斗表演，同时悄悄采集遥操作数据，留待日后使用。我还听说，一家获得加速器支持的公司曾销售廉价 Humanoid，结果不到一年就消失了。
娱乐是一门真实存在的生意，我并不是在否定它。但指望 Humanoid 在未来几年内规模化完成其他工作，并不现实。
真正交付的是用途狭窄、高度专用的机器人。 焊接机器人、行李搬运机器人、管道螺栓拆卸机器人、断路器关闭机器人、甜椒采摘机器人、实验室样本处理机器人，还有一种放在桌面上的机械臂，可以支撑显示器并跟随你的脸移动。
这些应用听起来很小，确实也很小，但它们是有客户的机器人。真正得到部署的是单任务机器人，它们通常来自不超过 10 人、融资额为数百万美元的团队。
其模式是：选择一个任务，掌握从硬件到部署的整个技术栈，将可靠性提升至多个 9，然后再扩展到同一栋建筑中的下一个任务。
家用吸尘机器人仍然是机器人行业最好的生意。 它在 20 多年前就出现了，至今没有其他产品超越它。Robotaxi 已经上路，但它最终是否会成为一门好生意仍不清楚。手术机器人很精密，但经过十年发展，仍在为扩大应用而努力。两个人分别告诉我，除了吸尘机器人，家用机器人的价值很有限。对于一个吸引了如此多资金的行业来说，这是一个令人清醒的事实。
国防是资金大量流入的领域。 军方需要能够自主行驶的坦克、卡车、无人机和机器狗，而且预算极为庞大。低产量、高价值的硬件，是在中国以外制造硬件明显具有合理性的领域。两家欧洲国防无人机公司在两年内成为独角兽。
相比之下，民用无人机市场竞争激烈，并被一家中国公司占据主导。由于销售周期缓慢，我自己会避开国防领域；但如果你现在想在美国融资，这是最容易讲通的故事。
危险、肮脏和水下作业的机会尚未得到充分探索。 几个人建议我关注高危行业：化工厂、石油和天然气、矿山、除锈、爬壁机器人、海底电缆维修。逻辑很简单：这些工作成本高、难以招人、没人愿意做，而且相关立法也不多。
一位经验丰富的创始人在数据方面的建议是，瞄准时薪最高的工作，比如水下潜水员，因为即使世界模型吞掉其他一切，这类数据仍会保持价值。我最终选择水下领域，并非偶然。
机器人机群管理是一个真实存在、但仍处于早期的机会。 工厂将使用来自多家供应商、搭载不同模型的机器人，需要有人对它们进行统一调度、追踪故障并预测零部件损坏。两个人分别提出，如果要创业，他们会选择做这件事。问题在于，真正部署的机器人机群规模仍然很小，因此这个机会的时间跨度还很长。
资金
投资人对机器人的兴趣，是我在任何行业中见过的最高水平之一。但其中大量资金正流向那些两年后可能不再重要的事物。
许多投资人仍在用 SaaS 的逻辑评判机器人。 他们会询问年度经常性收入（ARR）。但硬件公司早期的收入形态与此完全不同：收入不稳定，往往与安装和服务绑定，而最早的客户通常只是试点客户。
我与一家大型实验室的工程师就解决办法达成了一致：不要接受那些看不明白这一点的投资人的钱。能够理解这一点的投资人已经足够多。
数据淘金热是一场短期博弈。 有这么多获得 VC 支持的初创公司在押注数据需求会持续增长多年，这让我感到惊讶。我的判断是，需求会增长一段时间，然后随着实验室实现自给自足、仿真不断改善而断崖式下降。
这个市场本身的结构也很奇怪：买家是没有收入的 AI 实验室，他们用融来的钱付款。因此，这是风险投资的钱在支付给另一批风险投资支持的公司。一位顾问说，全世界真正购买机器人数据的人只有几百个。这不是一个市场，而是一份邮件联系名单。
部署本身正在成为产品。 这是最让我惊讶的一点。部署太难了，以至于一些公司和投资人将部署本身视为最终产品。VC 现在会支持一些以部署为目的而部署的公司，目的是采集边缘案例和失败数据，然后要么卖给实验室，要么囤积起来，等待更好的模型出现。
不止一家初创公司已经从自动化完成某项任务，转向单纯部署机器人并出售数据。其中一家公司原本在为云厨房研发机器人手；另一家公司原本研发实验室机器人，现在主要拍摄人类进行实验室工作的过程。
我理解其中的逻辑，但我也认为这是一个陷阱：因为你的客户是一家预算随时可能消失的实验室，而不是一家有实际问题需要解决的企业。
一些投资人不会投资任何与大型实验室方向相冲突的项目。 几个人告诉我，他们遭到拒绝，是因为他们的投资逻辑与 OpenAI、Anthropic 或 Google 下一步可能做的事情存在竞争。相比之下，真实世界部署几乎对所有人都有吸引力，因为没人认为前沿实验室会跑去芬兰的一家鱼类加工厂安装机械臂。
在造机器人之前，先衡量问题的规模。 我得到的关于融资的最佳建议，来自一位创始人。他此前的硬件公司举步维艰，因为要解决的问题虽然真实存在，但市场规模对风险投资来说太小。
市场规模决定了团队规模、所需资源，以及机器人需要有多复杂。类似的专用机器人公司通常拥有约 10 人的团队，融资额从接近 1000 万美元到 1000 多万美元不等。如果你要解决的问题无法支撑这样的规模，那就建立一家小型硬件公司，不要假装它是别的什么。
VC 现在真正想投什么？ 根据我听到的情况，包括机器人手和触觉感知、机器人大脑、国防自主系统，以及掌握客户关系的垂直领域部署。他们不想投的包括通用第一人称数据采集、Humanoid 数据，以及卖给机器人初创公司的“卖铲子”式软件。
下一个瓶颈在哪里
机器人领域的瓶颈会不断转移。以下是我对其顺序的最佳判断，以及每个阶段对当下创业者的意义：
数据，当前阶段。 每个人都在采集和购买数据，而且大多是在盲目进行。当实验室已经从真实世界获得所需数据，其余数据由仿真提供时，这一阶段就会结束。我认为距离那时还有一到两年。
模型。 一旦数据不再是限制因素，问题就变成由通用模型还是专用模型来运行机器人，以及通用模型会以多快的速度缩小差距。我认为它们会在几年内追平。无论如何，反射层都会保持独立。
部署。 即使模型已经足够好，仍然需要有人理解客户的工作流程、安装硬件、构建评测体系、诊断失败，并在电线脱落时回来处理。这将是整个行业在未来五年投入大量精力的领域。这是一门运营生意，呈线性扩张，也是专有数据产生的地方。
硬件。 当仿真和通用模型发挥作用后，硬件就会成为限制因素：手、执行器、电池、触觉传感器，以及机器人身上的芯片和内存。谁能最快地迭代硬件，谁就会胜出。在今天，这意味着靠近深圳，或者建立自己的生态系统。
硬件之后。 当硬件成为一个已经解决、可以直接购买的产品时，我们就生活在乌托邦里了。我不知道这需要多久，我交谈过的人也不知道。
身处当前阶段的人们有两件事容易判断错误。第一，他们认为自己正在解决的瓶颈会永久存在，于是围绕数据采集或专用模型创办公司，仿佛这一限制会一直持续。第二，他们没有看到各个阶段转换得有多快。一年前能够做到的事情，与今天相比已经像是两个不同的世界。一年后也是如此。
一些激进观点
最让我惊讶的一点，并没有出现在上面的任何清单中：同一领域的人生活在完全不同的现实里。一个数据经纪人、一位机器人手研究人员、一位部署公司创始人和一名 VC，会用四种互不相容的方式描述同一个行业，而他们对各自所看到的部分都是正确的。
我做过最有用的事情，就是在同一周内和这四类人交谈，然后留意谁在向我推销他自己所处的位置。
带着这个前提，以下是我相信、但他们大多数人都会反对的观点：
仿真会取代大部分数据采集，而不是只解决最后一公里。 大多数从业者告诉我恰恰相反的观点。我认为他们描述的是未来两年，而我描述的是未来五年。
机器人的大脑将是通用模型，而不是视觉模型。 VLA 在一条缓慢的道路上领先，通用模型则走在一条快速发展的道路上。唯一会保持专门化的是反射层，而它最终可能只是普通控制软件。
与前沿实验室正面竞争是个坏主意。 在它们的基础上构建产品、编排它们，或者避开它们的锋芒。我遇到的几家公司已经从构建单一机器人大脑，转向编排来自多个实验室的多个模型。这是正确的选择。
到了 2028 年，家用吸尘机器人仍将是机器人行业最好的生意。 演示每个月都会变得更好，厨房看起来却仍然一样。
大多数目前正在融资的第一人称数据初创公司，三年后将不复存在。 存活下来的公司将转型为工具、评测或垂直领域部署公司，而且其中几家已经意识到了这一点。
至少目前，你无法在自己完全不接触硬件的情况下建立一家机器人公司。 总有一天，技术栈会足够标准化，让一位商业背景的创始人可以购买并集成这些组件。但今天，你必须亲自学习硬件。我就是为此买了一条机械臂。
中国的硬件领先优势来自产业密度，美国无法仅靠制造业回流来缩小差距。 如果美国最终能够缩小差距，那也要等到打印技术取代供应商生态系统的时候。这还需要十年，而且会改变一切的地理分布。
来源：human five
