特斯拉、英伟达机器人背后的“卖水人”

出品｜虎嗅科技组

作者｜陈伊凡

编辑｜苗正卿

头图｜AI生成

“具身智能，还处于乱世。”

这是与CyberOrigin（下称：赛源）创始人殷鹏见面时，他对我说的第一句话。赛源是特斯拉、英伟达等公司在人形机器人领域的合作商之一。而其所在的珠三角，是世界机器人供应链的核心，那是殷鹏真正的“战场”——全球任何一家机器人相关的公司，都必须到珠三角寻找硬件供应链，如今，还包括数据。在机器人圈，这些为特斯拉、英伟达人形机器人提供关键训练数据的公司，往往被视为巨头背后的“卖水人”。

和此前十余年“卖水人”多为生产制造环节相关公司不同，AI纪元下，数据类“卖水人”正在异军突起。一批诸如赛源，开始聚焦于提供机器人与真实物理交互的数据。以殷鹏的公司为例，它的客户名单中，包括英伟达、特斯拉、OpenAI的人形机器人；也包括谷歌和斯坦福李飞飞的机器人模型训练实验室，也是赛源能够与其他机器人数据公司拉开差距的地方。

但对于这些“卖水人”而言，2025年以来警报声不时响起。

近期，据媒体报道，特斯拉被曝暂停人形机器人的研发，调整设计。殷鹏在四月份已知道这个消息，暂停的主要原因，仍然在数据问题——特斯拉需要更多机器人数据以训练模型。这对于赛源这样的数据提供商而言，是个好消息，真实物理交互数据，而非本体，正在成为这场具身智能军备竞赛中的核心弹药——“机器人是引擎，数据是石油。没油，发动机运不了。” 殷鹏说，“我们需要成长为特斯拉最大的数据端供应商。”

当虎嗅于六月在上海见到殷鹏时，他穿了一身运动打扮，黑色迪桑特polo衫和运动鞋，倔强的刘海，时不时在说话间甩到前额，他再利落地把它撇开。见面时，他正经历一场短期出差，还带有一丝风尘仆仆，他需要在晚上飞回深圳，也是大量“卖水人”的基地所在。

作为赛源的CEO，殷鹏的另一个身份是香港城市大学助理教授，他曾师从SLAM和规划界传奇人物，JiZhang教授，他开创了实时 3D 激光雷达 SLAM 的先河，并将其商业化。这一技术，是机器人、自动驾驶车辆的“导航大脑”，如果没有它，扫地机器人、车辆自动驾驶将无法存在。而殷鹏在此后曾深度参与NASA（美国国家航空航天局）、DARPA（美国国防部高级研究计划局）和英伟达的课题，其第一篇国际顶刊文章，成为NASA火星降落的参考方案之一，殷鹏也是NASA火星登陆项目的高级顾问；在DARPA的地下机器人挑战赛上，殷鹏和团队开发出了首个超大规模多机协作定位建模系统，这个成果也发了第二篇国际顶刊论文。

图为殷鹏在实验室 图片由殷鹏提供

在与虎嗅的交流中，殷鹏不断提及马斯克——特斯拉的创立者，他强调“第一性原理”的方法论，他读马斯克的自传，拆解这位硅谷“钢铁侠”的创业逻辑、商业故事，他称马斯克为“老马”，“第一性原理非常可怕，他能把一件在旁人看来不可能实现的事情变成可能。”殷鹏说。

2024年，殷鹏选择创立赛源。在创业之初，殷鹏请教过不少前辈，其中包括香港科技大学教授李泽湘与高秉强，前者建议充分利用大湾区的资源。后者则建议做海外市场，以及思考C端的生意。高秉强不仅是导师，也是殷鹏最早的天使投资人，这位在硬科技领域投资了不少上市企业的前辈告诉他，当下时点，找一个切口去创业，再层层迭代。

面对虎嗅，殷鹏分享了自己对具身智能的看法和创业的想法，从学者转化为企业CEO，殷鹏很坚决，因为学术已经很难满足他需要的资源，他需要到业界、到一线去获得更快更真实的数据反馈。这也是为什么他没有选择做CTO，而直接选择做CEO的原因。

“如果认准了身位，那就义无反顾。”殷鹏说。

机器人的ChatGPT时刻

虎嗅：很明显的行业趋势是，ChatGPT出现之后，出现了Emboied AI的概念，随即特斯拉、英伟达、亚马逊等大公司开始发布其各自的通用人形机器人计划。这个飞跃在过去机器人历史中极为少见。Transformer架构究竟做了什么，让这个行业出现这样质的飞跃？

殷鹏：Transformer架构最大的提升在于发明了一种可以Scaling Law的模式。过去我们强调强化学习的效果能达到多少，训练数据集和测试数据集相差不大，因为场景很多，一定无法涵盖所有场景，那么模型要不断重新训练。但这种基于监督学习的方式，在未知领域发展很慢。Transformer架构可以输入足够多的数据，在足够多的数据下再进行微调和提升。

这个策略架构最早是谷歌提出来，但真正用起来的是特斯拉的那群人，将Transformer架构运用在自动驾驶上。因为研究人员发现，Transformer的核心是当数据量到一定数量级时，会出现涌现。这让具身智能在空间理解方面有了很大进步。

首先，它实现了空间理解能力的质变：传统强化学习在有限场景中只能进行局部探索，而借助Transformer的自注意力机制，机器人能够对整个三维空间进行全局感知，并通过同时处理视觉、语言与动作等多模态信息，形成统一的空间认知模型；其次，它在泛化能力上取得了突破，传统方法在训练集和测试集场景相似时表现尚可，但一旦场景变化就需重新训练，而Transformer模型通过大规模数据训练后，能够在未见过的场景中自主推理与适应；第三，这一架构推动了从规则驱动到数据驱动的范式转变，彻底告别了基于IF-ELSE的人工规则系统，实现了从感知到动作的端到端学习，极大地减少了中间环节的信息损失。

此外，Transformer擅长时序建模，其注意力机制让机器人不仅理解动作间的先后关系，还能进行复杂动作序列的长期规划；更重要的是，它支持多任务学习：在世界模型中，视觉、语言与操作被整合于同一模型；在分层架构中，上层负责高层推理与决策，下层则承担精确执行，两者兼顾；在数据效率方面，尽管依然需要大量数据，但与传统方法相比，Transformer能用更少的任务特定示教数据完成复杂任务，并将学到的知识迁移到相关任务；同时，其在线学习能力使机器人在执行过程中不断学习与调整，并对光照、物体位置等环境变化具有更高的鲁棒性；最后，它实现了语言理解与执行的统一，不仅能理解复杂的自然语言指令，还能结合视觉信息进行多模态推理并转化为具体动作。

这种从“专用AI”向“通用AI”的转变，让机器人从只能执行预设任务的工具，进化为具备环境理解、技能学习与新场景适应能力的智能体，这一技术进展正是“通用机器人成为可能”的根本驱动力，也是当前人形机器人热潮的核心所在。

虎嗅：你刚才说最早将Transformer发扬光大的是特斯拉的无人车，让大家看到一个重要的实现路径，可以展开说说吗？

殷鹏：特斯拉无人车将Transformer”发扬光大”的关键在于他们率先将Transformer架构应用于自动驾驶的视觉感知系统，实现了从多个摄像头输入到驾驶决策输出的端到端学习。

这打破了传统自动驾驶依赖激光雷达和复杂传感器融合的技术路线，证明了纯视觉方案的可行性。特斯拉拥有全球最大的自动驾驶数据收集网络，每天有数百万辆车在路上收集数据，他们率先验证了Transformer架构在大规模真实世界数据下的”涌现”效应，当数据量达到一定规模时，模型性能会出现质的飞跃。

特斯拉的Transformer模型能够同时处理8个摄像头的实时画面、车辆运动轨迹和历史状态、以及3D环境理解和路径规划，这种统一的多模态处理能力为后来的具身智能提供了重要借鉴。

更重要的是，特斯拉证明了Transformer不仅能做感知理解环境，还能做决策规划路径和控制车辆，实现了完整的感知-决策-执行闭环，这为机器人的”大脑”设计提供了重要范式。通过车辆在真实道路上的行驶数据，特斯拉实现了大规模的自监督学习，让模型能够从未标注的数据中学习驾驶技能，这种方法后来被广泛应用于机器人的动作学习中。

另外，还将其工程化，实现了在车载硬件上的实时推理，这为具身智能的实际部署提供了重要经验。

所以特斯拉的成功让整个AI界看到了一条重要路径：通过大规模真实世界数据训练Transformer模型，可以实现从感知到行动的端到端智能。这直接启发了谷歌的机器人项目开始大规模收集机器人操作数据，OpenAI将类似架构应用于机器人控制，各大科技公司开始重视具身智能的数据收集。

所以，特斯拉实际上开创了”用数据驱动的AI来解决物理世界交互问题”的先河，这正是当前具身智能热潮的技术根源。他们证明了Transformer不仅能处理语言，更能处理复杂的时空序列数据，为机器人的”ChatGPT时刻”奠定了基础。

虎嗅：目前全球机器人模型主要来自几家实验室，包括谷歌和斯坦福李飞飞实验室，这些不同的模型技术路线有什么不同以及优劣之分？

殷鹏：目前，模型体系大致分为两类，很难简单评判优劣。第一类是“世界模型”，将视觉、语言与操作等多种能力整合进一个统一模型中进行训练。例如，李飞飞实验室的世界模型、Pi的 OpenVLA 和谷歌的 PaLM。这类模型的优点是收敛速度快，适用于在厨房、浴室、卧室等特定场景中采集数据并优化机器人性能。但其缺陷在于泛化能力弱。一旦超出训练场景（如机器人从一个房间移动到另一个），就需重新采集数十小时的数据进行训练，否则性能会大幅下降。例如 SLAM（同步定位与地图构建）对光照和场景元素极为敏感，细微变化就可能导致如抓取等操作失败。因此，该类模型更适合简单场景的演示，难以应对如工厂等复杂、动态环境。

第二类是分层混合架构模型，代表如 Figure.AI。该模型结构类似于人脑与小脑的分工：大脑部分负责文本和视觉推理，解决“去哪里”“拿什么”的逻辑问题，如根据卧室或厨房的图像定位目标与制定抓取策略；小脑部分控制机器人本体的具体动作，如行走、开冰箱门、抓取鸡蛋等，需靠大量数据训练实现高精度控制，例如调整机械手的力度和手指分布。

这类模型的优势在于分工明确：上层负责空间逻辑与决策，下层执行精细动作，尤其在完成“最后一厘米”的操作时，能精准控制执行细节。

以特斯拉等公司的机械手为例，通常具备19至20个自由度，因搜索空间庞大，必须通过大量数据学习来优化动作路径。这种架构更适用于环境复杂、频繁变化、泛化要求高，且对操作精度极高的场景，如精细抓取。Figure 和特斯拉走的是这条路线。

虎嗅：刚刚说到美国，中国这两年也跑出了不错的人形机器人公司，比如宇树，中国的机器人技术水平和美国有差异吗？有一个观察，如果从两国具身智能公司所展示的Demo侧重点来看，似乎中国机器人公司习惯于先做硬件、再做模型，国外似乎是反过来。

殷鹏：我认为这与两国国情有关。中国大陆有很强的智能制造供应链，可以让我们将所有元器件以很低成本进行快速落地和迭代，在中国做灵巧手，可能只需要在1-2个月的时间，用有限的资源就做成，这在美国是根本不可能的事。但美国更擅长的是大脑模型的开发，其实双方可以形成良好的互补。美国擅长从0到1的突破，中国很擅长从1到100。

机器人数据可能是具身智能中最快完成商业闭环的

虎嗅：为何选择在这样一个时间点创立一家创业公司？虽然大模型涌现许多机会，但具身智能的商业化还有很长的路要走，遑论人形机器人的大规模商业化，而作为这些机器人厂商的上游-数据提供商，商业链条更长。

殷鹏：首先是时间点。当下是一个关键节点，全球都能看到大模型在空间理解、推理能力上的突破，这让通用机器人成为可能。从硬件层面看，也出现了实际落地的迹象，这与上一波主要聚焦特种机器人的机器人浪潮不同。

未来的发展周期到底是10年还是20年，难以下定论。但对我们这群做机器人的人来说，更看重的是它最终能否实现。就像老马说的，“能像人一样上工位干活”，这是我们真正想看到的。这也是我选择在这个时间点创业的核心原因。

如果一味等待，就无法真正感受到时代脉搏。我也希望能亲自下场，挖掘行业中的核心难题。很多问题只有真正进入行业、面对真实场景，才能体会到，线下纯思考往往显得太简单。

你刚才提到周期可能很长，确实如此，数据链路也很长，但对于机器人本体来说，数据反而可能是最快能形成商业闭环的。

没有大量真实数据，本体和大脑都难以进化。就像训练大语言模型需要庞大的语料，无人车需要日采数以百万计的车辆数据，机器人也是一样。如果不解决数据问题，就会长期被卡住。

模型只是引擎，数据才是石油。只有源源不断的数据供给，整个“车”才能真正跑起来。具身智能也是如此，若无法突破数据瓶颈，整个行业就会停滞。而构建数据闭环虽然最具挑战，却也是最直接、最快和风险最高的一环。

虎嗅：往往这类商业链条长，对技术要求高，并且是“石油”属性的事情，往往是大公司在做，例如英伟达、特斯拉、谷歌，或者就是例如斯坦福实验室这样的学术机构。初创公司来做这件事，一面是钱无法和大公司抗衡，一面是有商业化压力，如何竞争？

殷鹏：全世界所有机器人公司、做大脑的公司、做本体的公司，都是我们的友商。我们会给他们提供数据。目前我们已经给很多头部大型AI公司提供大批量机器人数据。起码未来5到10年，我们和这些头部机器人公司都是友好关系。

我知道这个赛道未来会很卷，人也会非常多，很多公司也会转去做数据，不过我认为这个并不影响事情本身。因为对于最深层的数据，很难通过一家或两家公司做成。

虎嗅：我理解，相当于是做一个具身智能界的Scale AI吗？

殷鹏：是的，都是数据供应商。但我们和ScaleAI不同的点是，Scale AI更加注重数据标注，大厂会直接给Scale AI提供数据。但我们在做数据标注之外，还需要做数据采集和验证的工作。

首先我们有训练模型的能力，会和大量大型客户建立大批量采集数据基地，做几百万小时的海量数据采集。拿到这些数据之后，我们还要做标注、清洗、模型初期验证，再把数据转给大厂，做更精细化的处理和训练。

虎嗅：我们现在主要有两部分数据，一部分是在真实场景中收集的数据，另一部分是仿真3D数据？

殷鹏：我们主要聚焦真实场景的数据。

一方面，我们有一个开源社区，设备供应商都可以参与数据采集，这是一个共享的平台。另一方面，我们在拿到数据后会先在内部进行训练和验证，确保可运行后才发布。目前我们收集的数据主要是上百万小时的真实数据，没有涉及合成或仿真数据。

这在业内其实算是比较“反常识”的选择。现在很多公司在做合成或仿真数据，我们当然认可不同类型数据各有价值，但从我们的角度来看，真实、丰富的数据最能提升模型训练效果。

虽然我们也有能力基于真实数据做大规模合成，比如一条生成十条，但这个技术门槛并不高，大厂也完全可以做。所以我们更专注在他们不方便做、或者不愿意做的事——也就是收集真实世界的数据。

至于仿真数据，虽然它在强化学习里的确是个不错的验证平台，但效果很难直接迁移到现实中。比如我们用几十张显卡训练一个抓取动作，在仿真里成功率可能有95%，但一旦部署到真实机器人上就可能掉到60%；像系鞋带这种更复杂的动作，成功率甚至可能降到45%。也就是说，仿真数据很难在真实环境中泛化。

因此我们最终决定专注于真实数据的构建，既来自人，也来自机器人自主采集。

虎嗅：真实场景数据的采集，很考验效率和采集效果，怎么保证质量和数量？

殷鹏：例如工厂的一条包装产线，有很多操作细节，如何抓取、如何吸收、如何剖析这些动作，可以创造非常丰富和高浓度的机器人数据。我们会让操作员穿戴设备，在真实生产流程中采集数据。一小时内，就能采集出约500到1000条高密度的数据，每条数据都包含具体动作、文字描述、图像抓取等信息。

相较之下，真人采集效果比遥控机器人要好很多。遥操作是用机器人实机在现场完成任务，但以现在机器人的能力来看，哪怕是简单操作，也可能执行得很复杂，效率低下，一小时只能采集几十条真正有价值的数据。

虎嗅：从数据收集的角度，需要找一个合作生态非常关键？你从什么时候开始做这件事，做了多久？