文｜周梓健

访谈、编辑｜沈筱

“2015 年左右自动驾驶行业进入繁荣期，Uber 为了组建 ATG，直接挖走了 CMU 整个实验室，教授带学生一起跳槽。结果因为工资太高，好多教授第二年就退休了。”卢鹰翔回忆起自动驾驶行业兴起时的轶事，在当时的时间点，进入该领域，尤其是研发 Robotaxi，几乎是机器人、EE、CS 等专业学生都认为很酷的工作。

而卢鹰翔也身在这场浪潮的前线。在 Robotaxi 领域磨练多年后，2020 年，他与联合创始人龙禹含带领的团队和 Waymo 同一批获得加州 DMV 全无人牌照。

然而，他们很快做出一个不寻常的决定：不继续做 Robotaxi，而是转向探索“非结构化环境自动驾驶”——解决开放物理世界中机器人与环境交互的问题。

转向的背后，是推行科技创业初期对三件事的冷静判断：技术与产品匹配（TPF）、场景容错性与商业化路径。面对 Robotaxi 领域“场景不容错”“难以规模化”等现实，他们提出了“三选二”原则，选择了一条与行业主流不同的发展路线：牺牲动能，保留自动化和开放场景。

这样的理性思考逻辑和决策定力，同样支撑团队在端到端模型尚未形成行业共识的阶段，坚定选择数据驱动的技术路径，也是团队挺过长达 24 个月融资空窗期的关键。

从智能轮椅、末端配送机器人，到为机器人装上单臂，“挪”到水中，推行科技在不断试错中逐步建立起自己的产品研发与演进节奏。他们并未试图一开始就构建“能炒菜的机器人”，而是基于“数据驱动机器人能力渐进式进化”的逻辑思考，推动机器人从具备基础移动能力，逐步走向具备环境交互与操作能力。

以下为奇绩与卢鹰翔的对话，经编辑：

手握全无人牌照，为何放弃 Robotaxi：

转向背后的判断依据

奇绩：你们团队是和 Waymo 同一批拿到加州 DMV 全无人牌照的，为什么创业不做 Robotaxi？

卢鹰翔：自动驾驶本质上是一类技术创新，创业需要实现 PMF （Product Market Fit），但对一些更前瞻的技术领域，在追求 PMF 之前，更重要的是先实现 Technology Product Fit 。以 Robotaxi 为例，它的 PMF 很明确，出租车的 PMF 已经被验证了几十年甚至上百年，因此对于 Robotaxi 来说，现在要讨论的就是没有司机它能不能自己开。所以就成了一个单纯的技术问题，关键挑战在于技术能否真正实现无人驾驶的完美产品体验。

我们团队是 2020 年组建创业的，那时候 Robotaxi 的资本热度还在，团队也做出了一些阶段性成绩。在自动驾驶领域，大家公认的一个关键里程碑是实现“去安全员”，俗称“全无人牌照”。我们团队在 2020 年就迭代出了一套整体方案，包括车辆本身、运维体系、故障处理协议、人员培训等，最终拿到了加州 DMV 颁发的全无人 L4 牌照。当时整个业内只有 Waymo 拿到了同类牌照，我们是第二个。这对我们自己来说，是很有自我实现感的事情。

但就在拿到这个牌照后，我们自己的想法和市场看法开始分歧了。市场觉得这是行业重大突破，资本也友好。但我们站在这个台阶上，看到了问题。

奇绩：在当时（2020 年）看到了什么 Robotaxi 或自动驾驶领域的非共识？

卢鹰翔：首先，我们的全无人牌照审批流程走了一年多，过程中发现它很难 Scale Up。即便论证了一平方公里，甚至一条路，但每当要论证下一公里时所需的工作量几乎是线性增长的。按这个逻辑，如果想覆盖上百万公里的运行范围，将会有很大问题。当然行业也在发展，情况肯定会变，但当时我们清晰地看到了这个挑战。

还有一个我们自己总结的最大的问题，也是我们为什么要出来创业、换方向的原因，就是“场景不容错”。从物理空间复杂度看，汽车在机动车道运行的环境相对简单，路面是人造的，标准化的；像我们现在要应对的末端路况，随机程度更高。从这个角度来说，末端环境似乎难度更高。但其实在公路上有个根本问题，就是虽然他的物理环境相对单纯，但场景不容错，简单说就是不能把人撞坏，这并不是一个仅靠工程技术就能完全解决的问题。所以与其在一个“简单但不容错”的环境中死磕，不如寻找一个“复杂但可容错”的应用场景或产品形态。

奇绩：具体而言，你们是如何找到这个场景或者产品形态的？

卢鹰翔：我们当时总结了“三选二”原则。如果类似技术（自动驾驶或泛机器人）想在可控投入范围内研发到可大规模推广状态，那么在 L4、ODD （Operational Design Domain，运行设计域）和车辆动能这三个维度最多只能选两个。

L4 也就是完全脱离人，完全无人驾驶； ODD 是接受有限区域还是完全开放； 车辆动能，要正常机动车动能（会把人撞坏）还是限制动能（即便出问题也不会出大问题）。

如果三个都选，就是我们做的 Robotaxi。想象空间巨大，但问题在于这类产品必须追求完美，而工程理论上只能无限接近完美，这就会让整个落地过程变得极其艰难。

三选二有三种选法。从实践看，商业进展较快的一种是牺牲 L4，做辅助驾驶/智能驾驶，这对应很多量产车功能。另一种是牺牲 ODD，不追求不受限环境，转向比如港口、矿区等特定场景，通过控制环境实现容错。我们走的是第三条路，牺牲动能，做更小、更慢的东西，但要 L4，要开放场景。

这样选也有原因。我们当时总结，L4 还是需要的，因为本质上还是在于它具备重塑人力依赖型产业的能力，市场潜在价值巨大。其次，运行范围越大市场空间越大，所以开放 ODD 也很重要。那么能牺牲的就是车辆动能了，开不快，质量小，出问题影响小。

奇绩：有了上述思考后，怎么进一步选择细分领域切入？

卢鹰翔：三选二是在我们创业之前就基于经验总结出来的理论，它指导了我们的宏观方向选择。但还有一些其他考量，比如技术栈的选择。

2020 年发生了一个比较重要的事是，特斯拉第一次 OTA 推送了靠端到端实现的 FSD 功能。虽然效果可能并不惊艳，很快还出了一些事故，因此在市场上的反响远没有后来 V12.3 推出时强烈。但站在开发者的角度，这次更新很重要，因为这表明端到端不再只是纯理论设想，它真能行得通。受这个启发，我们觉得端到端肯定是行业未来，所以其实最开始就很笃定这件事。当然 2021 年创业时，这个技术还是个非共识，我们因此吃了很多亏。

比如和投资人聊，首先当时一部分投资人没有听过这个词，自然也就无从理解，他们可能主要关心的是高端轮椅卖出去多少了，或者什么时候能做出来，多少钱。这些当然非常重要，但我们还有更长远的技术路径和战略考量，这在当时并不容易被市场上的很多投资人理解。包括有一部分投资人在那个时间点尽管了解，但因为市场并没有形成共识，所以那时候，无论融资还是找地方政府支持项目时做专家评审，我们都坐了很多次冷板凳。对方要么没有听过，要么持怀疑态度。

转机出现在 23 年，其实还是靠像特斯拉这样的头部公司，拿出了一些亮眼的成绩，整个市场的认知就迅速发生了变化，行业共识也开始迅速收敛。

奇绩：具体怎么收敛到轮椅这个具体场景的？

卢鹰翔：首先，在创业之前我们就结合过去的很多经验明确了宏观思路，用端到端技术，找有容错的场景，不参与红海竞争。所以我们很早就收敛到了一个核心问题——解决非结构化环境的自动驾驶问题，现在也有更时兴的说法，叫开放物理世界中机器人与环境交互的问题。

这个确定后，我们后续的选择就相对清晰了。当时行业内已经达成共识，像特斯拉采用的这种技术架构，必须依赖数据闭环才能不断迭代优化。特斯拉依靠大量用户的日常驾驶行为获取数据，那我们就找一个能在自己运行的物理环境中能持续获取数据的产品。要满足这个需求，它不能是纯数据采集工具，这样商业上不可行，同时要是一个能以众包方式自然地采集到大量与人类行为相关数据的平台。

所以当时我们很快看到了轮椅。它恰好满足所有所需指标——老龄化趋势有需求、恰好是在最末端环境、可以人为操作的东西。

奇绩：但后来为什么转向了末端配送机器人？

卢鹰翔：问题出在创业初期，理论和实践有差距。

第一，卖轮椅，或做一个好轮椅，没那么容易，尤其是智能化、具备自动驾驶能力的。当时我们测算，第一批产品售价可能得 10 万以上；第二，智能化能力方面，模型是有迭代过程的，脑子得从蠢逐渐成长到聪明。在早期阶段，产品往往呈现一种“又贵又蠢”的状态，像是智商税。所以一开始在这碰了一些壁，感兴趣的多，但真愿意买单的得很少。

另外，从数据角度，理论和现实差距更大。特斯拉之所以能跑通“数据飞轮”，是因为先卖了很多车。也就是说，我们如果想跑通这套技术思路，得先把轮椅成功卖出去，还得卖很多，并且被频繁使用，这个反馈周期太长了。

所以 22 年我们做了一次关键调整。一方面，我们接受到了市场信号，有人开始下单要做“门到门”的送货服务。另一方面，我们借这个契机接触到了中国骑手群体，发现他们其实是个数据宝库。首先这个群体非常庞大，他们每天去的地点非常丰富，涵盖很多不同、复杂、有挑战的物理场景，而且他们非常勤奋，每位骑手平均每天能跑 100-200 公里。我们当时就在想，怎么去挖掘这个宝库。

这是我们在创业的过程中，跟市场打交道、互动时逐渐收敛的一个方向。

智能轮椅到末端配送：

实践中调整产品形态与场景选择

奇绩：22 年无人配送也有很多海内外公司在做了，但末端配送还不多。你们当时怎么看这件事？

卢鹰翔：国内公路无人配送车的早期产品形态很大程度上模仿了美国产品，但问题是，美国地广人稀，很多地方外卖本来就是用汽车送，所以这种模式成立。但中国人口密集，城市配送主要靠外卖骑手穿街走巷完成，这就导致这些公路无人配送车的早期产品在中国有些水土不服。

到了现在，很多做公路无人配送的本土公司也逐渐向城市配送场景聚焦，但这还不是最末端的配送。他们的产品形态也在根据场景需求不断调整，通常车会做得比较大。我们在做产品设计时，力求各个维度都更贴近骑手的递送任务。其实从现在看，我们和这类产品形成了高低搭配关系——公路车辆解决货仓到货仓、城市之间的中段配送，我们完成从最末端货仓到用户手里的最后一公里配送。实际上，这两种场景背后涉及到的技术栈其实非常不一样。

奇绩：从技术层面看，外卖机器人和公路无人配送车，有什么不同？

卢鹰翔：虽然现在具身智能受到广泛关注，相关技术原理也更广为人知，但在之前，我们确实遇到过很多质疑，说“公路无人配送车已有了，你们做外卖机器人，把大车做小不就行了？”

是不是每个车做大了就能拉更多货，做小就更灵活？从硬件角度看可能确实是这样，但从软件、算法模型的角度看，其实完全不是。因为两种产品运行的物理空间之间存在巨大差异，这时候，原来大车那一套感知、规划、控制的算法模型，在小车上根本就行不通了——不是“缩小”，而是“重构”。

拿我们过去做 Robotaxi 的经验说，公路的运行环境相对简单得多，因为它是纯人造的，有明确的交通规则和红绿灯信号，还有交警维护秩序。但一旦离开公路，进入真正末端场景，复杂度就会显著提升。

道路参与者（包括行人、非机动车甚至小动物）的行为随机性更高，物理空间本身的规律性也相对较差。例如，北京的公路与上海的公路大致相似，但你走到某个街区或楼下，地面铺设的材料、种植的树木、维护程度等都各不相同。甚至连物业管理的差异都会影响通行：这边可能很整洁，那边可能井盖坏了没人修，这些因素都会导致环境随机性大大增加，也对算法、模型提出了更高的要求。

奇绩：具体而言，末端配送对算法、模型提出了什么差异化要求？

卢鹰翔：整个行业的技术栈，至少在宏观技术逻辑层面，也经历了好几轮标志性迭代。例如，早期基于规则的算法应用较多，随后逐渐融入深度学习算法，然后又发展到端到端模型，未来可能进一步演进到 VLA 模型。这种技术演进背后的根本原因是，纯粹基于规则的算法已经很难应对末端这种复杂又多变的环境。本质上，基于规则的算法是一种描述性算法，它或许能够应对那些可以被明确描述、且变化不大的场景，比如公路，像红灯停车这种情况，公路环境，参与者也大多遵守规则，出错的可能性较低。

但到了我们关注的末端环境，早期基于规则的算法基本上失去了应用的可能性。这也是为什么一些做公路无人车的公司，包括一些大厂虽然有技术积累，也尝试或考虑过进入末端场景，但最后都发现单纯将车辆本体做小是解决不了问题的。

奇绩：在有较大挑战和不确定性的情况下，尽管客户找上门，你们是怎么验证需求是真实的或普遍的？

卢鹰翔：只能说是值得一试，但当初肯定就已经足够让我们下定决心了。说实话，创业感觉就像你游泳水平还不太行，就直接把你丢水里了，这个时候看到哪里有一口气，赶紧往那去，怎么能浮起来赶紧就怎么做。

所以在当时我们对轮椅方向有点迷茫的时侯，刚好来了一个我们认为很靠谱的市场信号。因为首先对方是行业大佬，在自己的领域做得非常成功，所以他肯定对自己的场景非常了解，同时他对我们提出了需求，也付出了行动，不辞辛苦来苏州和我们交流。

我们至少闻到了 PMF 的味，那就赶紧行动起来，先抓住再说。同时那段时间两个递送行业龙头先后来找我们，时间只隔了一个星期。现在回头看，如果他们没有主动找上门，我们最终可能还是会收敛到末端递送上，但会花更长的时间。

奇绩：在落地过程中，真实场景里有没有遇到意想不到的挑战？

卢鹰翔：我们经历了很多次“觉得做到 90% 了”，然后发现又要打回原点，得重新再试另外一个方向的状况。就拿我们做带有上肢操作能力的机器人为例，一开始我们试的第一个场景就是让它按电梯按钮，但后来在推进技术产品适配、产品和市场匹配的过程中，还是经历了一些挫折。

最开始我们发现用机械臂操作电梯按钮这件事，尤其在海外市场，有非常强烈的需求。这个很好理解，首先国内很多酒店机器人早就能熟练上下电梯了，但都是通过改装电梯实现的。而国外通常不允许改造，即使可以改造，门槛也极高，再加上我们觉得按按钮这件事情好像属于比较容易实现的一个功能点。所以我们往这个方向走了一段时间，毕竟开发所有东西都是要靠市场和真实需求驱动的。

所以我们一开始认为好像找到了方向，只要这个能力能实现，那这个产品形态就有价值了，可以落地了。但最后发现其实又只能用来展示。为什么？

因为虽然“按按钮”这件事本身不难，但这个环节中有很多其他的事情非常难解决：比如机器人怎么判断电梯门开了是给它开的？这对人来说都有可能搞错，更别说机器人了，尤其在写字楼这种场景，可能有十多部电梯在同时运行，它要判断哪一部是自己的，方向是不是对的，是上行还是下行。所以我们当时觉得很灰心，因为一看就知道，想完全靠模型能力来解决，短时间内几乎不可能，我们这只胳膊可能一时半会儿用不起来了。

奇绩：在发现最初的预设失误之后，做了什么调整？

卢鹰翔：最终我们收敛到了一个场景上，让具有单臂操作能力的机器人去和外卖柜进行交互，让它自己用机械臂把肚子里的东西放到外卖柜里或从外卖柜里取出来。同时，我们也跟外卖柜厂家合作，把外卖柜和外卖平台系统打通，这样机器人就不用操心扫码这些事，到了地点它可以直接自己通信开柜，这个还是很好做到的。柜门打开之后，它可以做三个动作，一是如果柜门弹开的角度太小，空间不够，它能把柜门推开；第二个动作是从肚子里取出东西放进去，最后把柜门关上。这三个动作，我们自己首先要确定自身技术是不是能支持，再下一步就是去验证它对客户有没有价值。简单看是有的，因为这个能力确实让机器人在外卖柜交互这个场景完成了一整套流程，是具备实际落地价值的。

从能动到能操作：

数据驱动的机器人产品演进思考

奇绩：从你的角度，为什么给最初的末端配送机器人加了机械臂，包括后来做了水上机器人。产品形态演化背后的思考是什么？

卢鹰翔：其实这背后是我们对机器人形态演化的一个关键逻辑思考。我们认为，在当前市场或认知环境之下，机器人的能力不可能一下子就完全具备，也是需要逐步“进化”上去的。怎么进化？就像碳基生物一样。

背后的核心逻辑在于，至少以目前的各种人工智能算法来看，不管是具身智能还是其他方向，都是靠数据驱动的。这一点在今年英伟达 GTC 上也被明确提出，比如他们讲到的 “数据金字塔”理论，现在很多做具身智能的公司也都引用了。

这个金字塔分三层，分别代表三层用来训练模型的数据——塔尖是真实数据，主要来自产品落地过程中和真实世界交互的产生各种数据；中间是合成数据，现在多用在模型强化学习环节；底层是互联网存量数据，用来训练基础模型，尤其是让模型掌握一些通用的知识和常识。基于该理论，我们认为，机器人能力应该是一步一步进化上去的。

奇绩：如果机器人能力遵循这样的进化过程，你们怎么去推动这样的过程，或者参与其中？

卢鹰翔：一开始，我们是靠现有的、能获得的训练数据，加上当前模型的能力，先训练出一个具备一定水平的基础模型，使它可以支撑某个特定形态的机器人产品。然后作为创业者，我们去找这个产品的 PMF，也就是去看现在的这个模型能支持什么样的本体，这个本体以后可以完成一个什么有价值的生产力任务。创业者负责把这个对齐，换句话说，我们要做的是三件事的对齐：技术和产品要匹配，产品和场景要匹配，最终形成一个闭环。

当把技术、本体和场景真正拉通之后，理论上这个产品就可以开始产生实际的生产力了。而在它落地应用的过程中，会不断产生金字塔顶端的真实数据，这部分数据不仅能直接用于模型优化，还能提升我们合成数据质量。最终，这套流程会反哺我们去训练能支持更复杂本体、完成更复杂任务的机器人。

这其实就是一个依次类推，循序渐进的过程。所以说为什么基本上是研发一代，成熟一代，再研发下一代。就是因为成熟的这一代不只是为了当下，更是为下一代提供成长所需的更强大的数据基础，这其中最主要就是能源源不断产生金字塔顶端数据。我们现在相对比较成熟的是机器人的移动能力，但相比于常规的移动，我们其实是更进阶一点的，那就是我们的机器人可以在一些非结构化的环境中完成任务，不再局限于马路或者那些高度规则化的空间。

这个能力相对成熟后，我们开始推动它真正落地，不管是去送货还是喂鱼，我们都在找它的应用场景。同时我们也进行了一些模型迁移的尝试，有些客户希望不要用四轮形态，需要四条腿来适配场景，比如不平整的路面，甚至可能要部署到船上。所以我们就把模型转到四足机器人上，让它能胜任这些新场景。简单来说，我们在移动能力这个方向上，已经开始扩大它的落地面了。同时，我们开始逐渐把更多精力投入到了更具挑战性的方向：具备单臂上肢操作能力的机器人。

奇绩：对应到你们具体的商业化实践中，是怎么做的？

卢鹰翔：我们目前商业化进展最快的肯定还是移动能力部分。在落地过程中，我们也开始采集机器人的上肢操作数据，只是现在收集回来的数据不管是数量还是质量都还有限，模型能力也有限。所以我们不期待一步到位，指望机器人今天就去炒菜做饭，而是先聚焦在一个更现实可控的目标上——先实现机器人的单臂操作能力。

现在我们基本已经收敛到了一个具体场景，下一步就要确认 Technology Product Fit——我今天训练出来的模型，到底能支持什么程度的单臂操作能力？这个能力够不够稳定、够不够实用，能不能真正匹配到一个现在有价值的生产力场景？

如果这条线能拉通，那我们的具备单臂操作能力的机器人就又可以开始落地，一但开始落地，它就会在真实物理世界中产生新的交互数据并反馈回来，有了这些数据，我们的模型能力又能进一步提升，过段时间机器人可能可以再“长出”第二只胳膊。这是我们理解的进化和迭代逻辑。

创业的现实考量：

资源配置与“摸着石头过河”

奇绩：回溯来看，从最开始坚持端到端，坐冷板凳的时候到现在，你最大的感悟是什么？

卢鹰翔：其实就像奇绩说的，创业是从 A 点到 B 点，你知道 A 点在哪里，也知道想去的 B 点是一个非常美好的愿景，值得实现，但怎么过去没有人知道。只能摸着石头过河。

这个比喻其实非常贴切。我们最早在 2021 年从奇绩出来开始做轮椅产品时，一直围绕轮椅去收集数据。当时完全想不到 22 年会发生什么，也想不到会跟递送场景深度打交道，甚至构建起一套将数据采集体系和场景深度融合的方式。可以说，这就是我们在 21 年摸出的第一步。

而这段做轮椅的经历积累，对我们现在的推进其实非常重要。比如后来能和两大递送行业龙头建立联系，也不是单向的机会，是一个双向奔赴的过程。他们愿意找我们聊，是因为他们看到了我们早期的积累——我们到底在做什么，有哪些底层能力，这些东西提供了一个基础来发挥他们的想象力。

同时我们到现在都还在按照轮椅的国家标准设计递送机器人，无论是尺寸还是安全性，都是对标轮椅的。比如要进入建筑物，第一个问题就是“进不进得来？”。23 年中国就出台了《无障碍环境建设法》，楼房如果连轮椅都进不去，那肯定需要整改，所以我们按照轮椅标准做，其实是为了最大限度地通用，走得更稳、更远。

“创业最难的，或者最重要的，就是 Get Started”。不是你坐在会议室里，把方向讨论透了、方案规划好了，再按部就班地执行就能成的。

奇绩：提到有一段“迷茫”期，你觉得走出迷茫，做得最正确或最关键的一件事是什么？

卢鹰翔：我们在 21 年春季项目刚启动的时候，整体氛围还是挺不错的。但 22 年开始，受宏观因素的影响，情况也开始严峻起来了。22 年 10 月份的时候，我们小步快跑融了一些钱，之后一直到去年 10 月份才融到下一轮，中间整整间隔了 24 个月。

当时我们账上其实是有钱的，但问题在于，谁也不能确定下一笔钱什么时候能到。按理说，有钱我们是可以给自己发点工资，但正因为对 Runway 不确定，我们选择了更保守的做法。现在回头看，这个决策非常明智。因为我们这个行业最大的支出项（大概70%） 是人力成本，减少这部分支出至少把我们 Runway 延长了一倍，刚好让我们熬到了去年年底的融资。

当然雇员的工资我们都是正常发放的，省下来的钱也主要花在造机器人和研发设备这些必须的开销上。好在到今年，整体市场环境对我们行业就比较友好了。

奇绩：对新进入行业的创业者，从 0 到 1 起步，你认为最重要的有哪些方面？

卢鹰翔：当公司产品做到一定阶段，倒推所需的条件其实会发现，可能就是资金、人才、供应链、客户这几个关键要素，每一个都很重要。但说到底，我觉得创业确实不可能在所有条件都完备的情况往前推进。

比如招人，我也跟一些创业者前辈交流过，他们给了我一些启发。要尽量找到好的人，招人不用自我设限，觉得“我们这么小的公司，厉害的人怎么可能看得上，我们又给不起多少钱”。当你真的去找 100 个人聊过后，会发现每个人的想法都不同，有的人在意钱，有的人在意团队氛围，有的人就是想和有冲劲的人一起做点事。所以后来我发现，招聘这件事其实跟融资很像，只要有一个人相信你，愿意加入，就足够了。

（全文完）

加入 #奇绩创业社区# 

扫描创业营二维码，提交奇绩创业营申请表，即可【免费】加入社区，【滑动】查看并免费领取创业社区独家资源：

左右滑动查看更多资源