"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科技大学助理教授，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 Open VRA1.0 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？
殷鹏：去年八月份开始，持续半年多，大概有几十家合作公司，包括工厂、小作坊等。我们现在大概有十万小时的数据，后面会把量级扩大到10倍，达到100万小时量级。我认为这个量级，才会让机器人达到比较客观的效果。
只有成为一号位，才能获取业界最快最真实的反馈
虎嗅：一般科学家创业，成功率往往不高，或者说很多行业的共识是科学家创业，其更适合做CTO，而不是CEO。在创业之初是否有面对这样的质疑？在创业过程中对于自己的定位，你是怎么看的？
殷鹏：这种质疑对我来说经常出现。我想创业的真实原因是，具身智能这件事，学术的资源已经不能满足我，只有真正到业界，才能拿到足够多的企业资源，但如果我只是个二号位或者三号位，我没办法得到最快最真实的反馈。
虎嗅：决定下场创业时，有跟行业前辈聊过吗？
殷鹏：和很多前辈聊过，比如李泽湘老师（虎嗅注：香港科技大学教授，固高科技董事长，松山湖国际机器人产业基地发起人）和高秉强老师（虎嗅注：香港科技大学荣休教授、工学院原院长，全球知名微电子专家，投资了思特威、博通集成、澜起科技等公司）。
虎嗅：他们有没有给一些不错的建议？
殷鹏：李老师的想法是，机器人的生意，还是非常吃硬件的，需要充分利用好大湾区的资源。高秉强老师的建议是一旦这个商业模式跑通，一定要做海外市场。因为海外在具身智能上走得更早，会有更深的Know-how。另外，具身智能这件事还是偏早期，B端的应用最终还是会落到C端，因此也需要思考这个过程中，B端和C端的边界，除了给各大厂来用，还需要考虑如何让普通民众也用起来。
虎嗅：第一笔投资是怎么拿到的？
殷鹏：第一笔投资其实是高秉强老师投的，他是我们的天使投资人，高老师很了解我，当时我们常一起交流，高老师建议在当下时间点，找一个非常好的切入口可以去创业，再层层迭代。
虎嗅：很多科学家在与工业界交流沟通的时候往往存在一些语言体系的不同和由此带来的挑战，科学往往希望在单点突破，但工业界对技术的领先性反而没那么重视，更重视是否解决问题，是否稳定，你如何适应这样的身份转变，适应不同的沟通方式？
殷鹏：确实如此。学者转换到CEO，之前关注一个点，可以挖得很深，可以调动这个点周围相关的资源，其他所有的链路都不用考虑。但变成公司就不一样了，更多要考虑的是公司的管理、文化、这个业务本身的商业模式是否闭环，是不是赚钱。这里会出现很多不同的难点，需要各个击破。另外，作为一家创业公司，任何一个新的模式都有人质疑。所以就需要用最小的成本，完成产品的可行性验证，这些都是创业需要回答的事情。
虎嗅：这两个路径是相反的，一个往纵向里扎，一个做横向。
殷鹏：是的，一个点的突破不代表整个系统就被解决了。创业需要对整条链路的每个环节都足够了解，即使自己不懂，也要找到懂的人一起做。而且要有对时间周期的把控，毕竟创业公司的资源不是无限的，没人能等你10年、20年才考虑商业化。
同时，还需要一个优秀、细致的团队来承担核心任务。这其实至关重要。硅谷有个说法叫"创始人模式"——公司价值观往往反映的是创始人对行业的理解。如果我们理解足够深，就能抓住行业的核心问题，不会过于激进也不会太保守，战略方向会更清晰，团队也会知道自己的定位。
殷鹏实验室团队，右一为殷鹏
只有具备这样创始人导向的文化，才能吸引真正志同道合的人。哪怕像老马这样的创业者，在他的每个公司也都有一群忠实的追随者。
虎嗅：在这个过程当中比较大的挑战，或者压力挺大的时候是什么？
殷鹏：因为首先是作为老师要去转型，非常痛苦。要从一个钉子变成一个类似于像梳子这样的模块。
在正式创业之前，我们往往专注于一个单点问题的深入突破，个人只需思考得足够深入即可。但作为创始人，就要从"钉子"思维转变为"梳子"思维，不仅要深挖某一点，还要兼顾全局多个维度。
创始人关注的面非常广，但面广不等于"大而空"，否则团队会不知道具体该做什么。在此基础上，既要全面布局，也要在每个关键点深入推进，明确每个人的任务、节奏和具体内容。这对时间管理和综合能力提出了极高要求，也是每一位创业者都必须经历的一关。
第二点是商业模式的不确定性。在发展的某个阶段，一种模式可能完成闭环，实现真正的突破，但我们无法准确预测这一刻何时到来。以数据行业为例，外界对其构成存在争议——有人强调课程数据，有人依赖仿真数据，也有人重视真实数据。我们相对开放，认为多种模式都有机会成功，但难以完全把控这种趋势在长期周期内的演进规律，因此要依靠直觉判断。
虎嗅：直觉主要来自哪里？
殷鹏：这种直觉，来源于第一性原理的分析、快速获取行业和用户的反馈。我们站在前线，能第一时间获得大厂在性能优化等方面的经验和信息，这使得"即时响应、快速沟通和反馈"变得极其关键。因为一旦信息误判，就可能导致决策失误，进而影响整体战略。
所以，在创新过程中，创业者常会经历两个挑战：一是从个人高深度突破转向全面统筹，二是在不确定中寻找方向，并始终保持对信息的敏锐感知和快速反应。这也是"黎明前的黑暗"阶段，虽然痛苦，但唯有冲到一线，深入思考和建设，才有可能迎来真正的突破。
虎嗅：在深入业界之后，你发现了哪些是过去没有意识到的行业痛点或者问题？
殷鹏：比如我们之前做遥操，操纵这个领域我们做了两年，我们会做例如抓取苹果、杯子，这样简单的事情，也会做拧螺丝这样很难的研究。但真的和工业界交流时发现，这些事往往无法落地。比如说他们不需要训练一个多Fancy的模型，只需要百分百做成一件事，一个可以落地的策略解决方案。
虎嗅：其实创业公司的初创团队是很重要的，很多时候如果找的都是能力很强的人，反而不能成功。搭团队的时候你看中的是什么？花了多长时间搭团队？
殷鹏：找人对创业公司而言至关重要，我们大概花了半年时间。我还是更借鉴黄仁勋的机制，一开始两三个人一定要有情感基础和长期合作伙伴的关系，对彼此有长期信任感，能够共同承担风险。比如我们早期和美国大型公司谈订单，拿下第一个客户，这种事情形成的革命友谊在创业中尤为难得。我们并不介意这个人是否一定是名校，更在乎的是在进入公司后是否能够快速适应公司文化和氛围，把自己的能力进行快速提升。所以我更看重的是加速度，如果加速度很强，说明他有很强的内驱力，能够在一个公司找到自己很好的身位，把能力做极大的发挥。
虎嗅：话说回来，在"画饼"这件事上，您如何让大家愿意相信这个愿景并坚定往这个方向努力？
殷鹏：当年老马做 SpaceX 时，业界普遍认为火箭回收不可能。但他凭借个人魅力，做了初步验证，拿到融资，从 NASA 招来一批相信他的团队，最终把这件事做成了。
我也是从第一性原理出发，思考什么样的数据真正能起量，拆解整个过程，预判可能遇到的问题，与团队逐步攻坚，一旦突破，可以达到怎样的规模和影响力。
现在看 Scale AI 的市值就能明白，一家"卖水"的公司也能做到行业头部。这个愿景是大家可以一起实现的。我们要做的是搞定大客户，与他们建立深度绑定，让外界更愿意相信这个故事。
具身智能尚处乱世，认可了就义无反顾去做
虎嗅：你其实是一个习惯于将长目标拆分成一个个短目标的人？
殷鹏：是的。我觉得任何复杂的事情都耐不住细化，短期可以是一个季度为计或者半年可实现的目标，层层往上迭代，总会实现。黄仁勋也是这个策略，他最早就All in算力，只是在当时的时间点没有人提。所以他开始做游戏，然后挖矿，之后遇到AI。
虎嗅：你一直在提到"第一性原理"，马斯克是把"第一性原理"发扬光大的人。什么时候开始意识到"第一性原理"这件事并认可它？
殷鹏：我是去美国之后第一次真正了解Elon Musk，他背后的创业逻辑、故事路线，了解特斯拉、SpaceX。我在美国的那几年，正好见证了特斯拉如何冲出低谷，再往上爬升的过程。见证马斯克如何一层层把大家对他的质疑划破，去兑现。包括他承诺了将近十年的Robotaxi。所以我研究了他的商业历史，我发现第一性原理真的非常可怕，能把一件在旁人看来不可能实现的事情变成可能。
虎嗅：现在在看什么书？
殷鹏：最近的新书就是马斯克的自传。
虎嗅：看起来你很喜欢马斯克。
殷鹏：对，可以说我的整个的商业逻辑，商业模式，很多都是来自老马的启发。他如何在早期就思考这件事，如何设计、如何在某个时间点顶住压力，做别人看起来不可能的事情。
虎嗅：现在还会坚持冥想吗？每天会花多长时间？
殷鹏：我现在每天早上五点起床，会花半小时冥想然后开始每天的日程工作。因为事情会越来越多，如果没有一个合理的放空机会，人会在一些杂事情上迷失。如果每天没办法得到自己内心深处的反馈，在路径选择上还是会出现一些问题。
虎嗅：创业至今，有没有发生一些反常识的事？
殷鹏：我觉得是有的。泡泡玛特的王宁曾总结过一个经验：创业时我们常以为A很重要，离了它不行，但实际做下去才发现，真正关键的是B，而B在最初甚至看不出来有多重要。到面对客户时，又可能是C才对，因为客户需求会不断变化。最终是通过B的调整，才演化出C的形态，不断优化这个过程。
一开始设想的路径，在不断试错和收敛中，可能会自然找到最优解，但这个最优解很难一开始就预料到。正如那句话："伟大的事情无法被计划。"
虎嗅：对于你和公司而言，未来的挑战会在哪里？
殷鹏：现在可见的是，进入具身智能行业的"用户"越来越多，而不是专注做数据的公司。我们去年刚创业，还需要向投资人解释机器人数据的重要性，但如今这几乎已成共识。
这当然是好事，但也是一把双刃剑。大家认同数据的价值，意味着越来越多的公司开始涌入这个赛道，不论大厂还是中小团队，生态变得越来越"卷"，也开始出现不少重复造轮子的现象。
整个行业仍处于"乱世"阶段，关键在于如何找到自己的独特位置。对我们来说，数据是最核心、也是最擅长的部分。既然如此，就没有犹豫的理由，只能义无反顾地往前走。
可靠配资开户最新提示：文章来自网络，不代表本站观点。
