Sharpa李一帆：通用机器人若不能100%闭环，便是“无能”的中间态

事件概述

具身智能公司 Sharpa 近期在上海 DQ 门店启动了机器人店员试运营项目。该机器人需在完全不改造原有设备、工具和操作流程的前提下，独立连续完成制作一杯 DQ 暴风雪所需的 55 个步骤，并经受每日 12 小时真实运营的检验。此次实践旨在验证通用机器人在非结构化环境中的真实落地能力，而非依赖特定环境优化的专用自动化方案。

核心信息

1. “不改”是测试通用性的唯一标准

• 拒绝“修电话亭”式妥协： Sharpa 反对为了降低机器人操作难度而改造现场环境（如固定勺子、重设计把手等）。这种做法虽能短期运行，但导致机器人无法习得通用技能，且学到的能力难以迁移至其他场景。
• 真实场景约束： 选择 DQ 是因为其品牌标准严格、设备规范统一且大众认知度高。只有在如此严格的约束下跑通，才具备行业说服力。机器人需像人一样使用原有工具（如拉开窄把手柜门、从大杯中挑出勺子），并处理高黏度混合物的物理反馈。

2. “能做90%”是行业最危险的幻觉

• 斩杀线理论： 李一帆指出，如果机器人只能完成 90% 的任务，剩余 10% 仍需人工介入，则人类员工无法离开岗位，实际并未创造显著经济价值。更关键的是，对于单一环节，通用机器人将面临专用设备的竞争——专用设备结构简单、成本低廉，通用机器人在价格上毫无优势。
• 中间态即无能： 通用机器人不存在“比人快一点”的中间形态。如果不能做到全能（100%闭环），就会因无法摆脱对人类的依赖以及无法在成本上与专用设备抗衡，最终陷入“无能”的商业困境。

3. 数据质量优于数量，泛化源于复杂任务

• 技能拆解与重组： 真正的泛化不是简单重复同一动作，而是将复杂任务拆解为子技能。例如，做完冰淇淋后，其中的抓取、搅拌等技能可被复用于汉堡或披萨制作，大幅缩短新任务的学习时间。
• 高密度数据驱动： 只有在一个场景中彻底做穿（100%完成），才能获得包含触觉、力控等多模态的高密度数据，这些数据才能支撑模型向其他工具和环境迁移。仅在简单场景（如 Pick and Place）铺量，无法训练出通用智能。

4. 商业化路径：先跑通，再降本

• 提速逻辑： 当前机器人速度慢并非主要受限于推理速度，而是模型稳定性不足。提高节拍需同步提升机械硬件速度与模型容错能力，确保在高速下不牺牲成功率。
• 成本预期： 基于创始人此前在激光雷达领域经历的成本下降曲线，Sharpa 认为一旦 AI 和任务跑通并实现规模化部署，硬件成本将自然大幅下降。关键在于先证明技术可行性，再通过规模效应解决经济性。

值得关注

• 融资背景： Sharpa 近期宣布超 45 亿人民币融资，投资方包括阿里巴巴、美团、腾讯、京东及红杉中国等顶级机构，显示资本对具身智能长期路线的认可。
• 技术路线分歧： 行业内存在“先落地专用场景”与“坚持通用硬件+软件”两种路线之争。Sharpa 坚持后者，认为妥协于专用场景会导致数据孤岛，无法通向通用人工智能（AGI）在物理世界的终极目标。