从科学家到具身创业者：重新定义通用机器人
许华哲在离开星海图后，于2026年3月创立了破壳机器人，开启新一轮创业。他强调自己并非单纯的技术理想主义者，而是希望推动物理通用人工智能（physical AGI）的实现。在他看来，当前行业对具身智能存在误解——很多人仍将其等同于“人形机器人”或“工业机械臂的升级版”，而忽略了其本质是通用智能体。他指出，真正关键的不是外形，而是智能的通用性：机器人应能适应不同场景，如在酒吧跳舞、在农田劳作、在课堂授课，且始终是同一个系统。这种通用性决定了其经济可行性与社会价值。
“我想象的，甚至不是渗透。我觉得就是因为我们其实最终我们要做的事情就是造一个人嘛……他下班以后，他出去以后，他可以是一个在酒吧里跳舞的人……但是都是同一个机器人，因为它是通用的，我觉得这样就可以算得过来了。”
“如果他是那个专门在那儿干那件事的人，我觉得人形机器人很难算得过来。”
技术路径之争：量产优先 vs 智能优先
许华哲反思了中国具身智能行业的现状：2023–2024年成立的多数公司更侧重量产与工业落地，如物流、产线等场景，但这些场景往往对智能的要求有限，更多依赖结构化动作与机械重复。他认为，这类路径虽能快速实现降本增效，却与终极目标——物理AGI——存在巨大夹角。他用大模型作类比：如果一个AI只能回答数学题，它就无法成为全民争夺的“战略高地”；同理，只有当机器人具备跨场景通用能力，才能真正重构生产力结构。
他进一步指出，大模型的爆发路径提供了重要启示：智能提升是渐进过程，但公众体感上的“突变”往往在18–24个月内即可发生。他预测，未来一两年内将出现首台真正走进家庭、可连续工作、完成多项任务的机器人，虽未必是成熟产品，但足以让大众产生“未来已来”的体感。这一判断源于他对数据、算力、资本与政策多重因素的综合评估。
“大模型的到来，我们体感上其实是一个渐变的过程……到现在的这个 Open Cloud……大家发现 OK，这个事情好像突变了啊，突然变得特别好使。”
“具身智能也不会太晚到来……也许过一年以后它就变成哎，好像突然可用了，家里只需要一个机器人，别的都不需要了。”
场景调研后的战略转向：从毛细血管到通用核心
在创业前，许华哲广泛调研了多个落地场景：从厨房备菜、车厂产线到物流分拣、食品加工等。他发现，企业确实需要机器人，但真正关心的是“能否完成任务”，而非是否“人形”。多数场景所需的并非高拟人度机器人，而是稍具智能、高精度、高节拍的机械臂；而这些任务的经济价值，主要由人工成本决定——往往并不高。这引出一个关键洞察：高价值任务早已被自动化覆盖，而低价值但高难度任务则被遗留下来。
基于此，他得出结论：不应为特定场景定制专用机器人，而应先构建一个通用平台，再通过规模效应与能力泛化实现跨场景渗透。他比喻道，就像人类社会中个体可切换多重角色一样，一个通用机器人也应能“下班后去跳舞、种地、教书”，而非为每项工作单独设计。这种“通用降维解决低价值难题”的路径，既避免资源错配，也更符合长期经济模型。
“那些非常高价值的事情其实已经都被自动化了。其实那些特别困难啊，但是价值不高的事儿都留给我们了啊。”
“因为它足够困难，但是价值又没有那么高，所以我觉得应该是一个通用的东西降维去做的啊，而不是专门去去解决它。”
从家庭机器人到造人：通用智能的终极想象
尽管当前产品聚焦于家庭机器人，但团队的终极目标是造出一个人——一个具备通用能力、能适应多种生活场景的智能体。它可以在酒吧跳舞、在田间劳作、在课堂授课，同一个物理实体承载无限角色，这正是通用人工智能（AGI）落地的合理路径。相比之下，若为单一任务定制专用机器人（如仅种地、仅教书），则难以实现经济性与可扩展性的平衡。这种“一人多能”的构想，本质上是将机器人从工具升维为类人社会成员，其价值在于复用通用能力，而非重复堆砌专用模块。
“他可以是一个在酒吧里跳舞的人啊，他可以是一个在田里种地的人，他可以是一个在课上教书的人啊，但是都是同一个机器人，因为它是通用的。” “如果他是那个专门在那儿干那件事的人，我觉得人形机器人很难算得过来。”
时代在召唤：AI浪潮下的创业决断
在等待宝宝降生的2025年下半年，许华哲面临“新手奶爸”与“二次创业”的双重压力。但他最终选择拥抱这一挑战，理由是：时代在召唤。他将此比作儿时广播体操名称，强调AI时代已为创业者搭好舞台——作为深耕AI的从业者，拒绝这一机遇“没道理”。技术进展提供了多重确定性信号：强化学习在具体任务上已实现接近100%的成功率；大模型验证了scaling law的高上限，通用性已被证明；智能体（agent）展现出主动性与跨任务缝合能力，例如自动操作电脑完成日程管理、上传内容等，这与家庭中串联家电（如冰箱→微波炉）的物理协同逻辑同构。
“我把所有的一切都藏在那个 One Piece 了……拉夫德鲁，只不过你找很费劲儿，但是反正就在那儿啊！” “它就不再是一个什么什么机，而是一个人啊，而是一个人。”
破壳而出：原始创新的起点与命名深意
公司命名为“破壳”，既含幽默自嘲（“贱民好养活”），更承载深层愿景：新生命、新想法、新个体的诞生；同时象征原始创新的起点——外壳代表旧范式，而内部精华正从零到一破壳而出。针对外界将其定位为“技术理想主义者的创业”，许华哲认为科学家创业已成时代主流：早期被质疑“重技术轻商业”“缺乏韧性”，但如今以伊利亚、哈萨比斯、辛顿、乐坤为代表的科学家创业者，正以技术信仰驱动远见，彻底改变世界线。OpenAI的故事印证：对长期目标的坚定信仰，比短期商业能力更稀缺、更关键。他强调，AI创业不是“卖杯子”，而是“造出一个像人一样聪明的东西”——这正是破壳的长期使命。
“我们要追求的不是卖杯子……我们要追求的是造出一个人，造出一个像人一样聪明的东西。”
从DeepMind看AI创业的长期主义
许华哲以DeepMind为例，阐述了AI创业中长期主义与独立运营的重要性。他指出，DeepMind早期也面临“如何活下去”的质疑，就像古人说要造手机一样不被理解；但谷歌的收购并未改变其独立性，反而使其成为谷歌AI战略的核心支柱。他强调，哈萨比斯（Demis Hassabis）的领导让谷歌在与OpenAI的竞争中避免了被“团灭”的风险，凸显了技术远见与组织自主性的双重价值。
‘如果没有哈萨比斯，谷歌的AI是就就就被 OpenAI 这些给给快要团灭了啊。’
‘你现在做破壳的长期目标是什么？你想让这个公司长期独立运营……’
他进一步澄清，自己虽以科学家身份为人熟知，但并不想只做“科学家的创业”，而是希望打造一个To C的消费级品牌公司——这与DeepMind的路径不同，却更接近苹果式的品类定义者角色。
定义新品类：以苹果为镜，以小米为鉴
许华哲将家庭机器人视为一个尚未被定义的新品类，而他的终极目标是像iPhone那样，确立行业标准框架：iPhone之后所有智能手机几乎都遵循“黑块+大屏”的统一范式，而机器人是否也能从破壳出发，重构这一范式？他强调，真正的创新不在于优化现有形态，而在于重新定义用户对“该是什么”的认知。
他同时推崇小米的“参与感”理念，尤其认同《参与感》书中提到的与用户共建产品的模式——早期亲近用户、倾听反馈、让社区参与设计决策。但他也指出，乔布斯“背对用户”的理念同样重要：在产品未诞生前，用户无法清晰表达需求；只有产品出现后，真实反馈才有价值。因此，他主张在框架内让用户满意，而非无边界收集碎片化意见。
‘iPhone 其实 iPhone 之后所有的手机都长得差不多……就是一个黑块儿，然后一个大屏幕……几乎没有跳出这个框架的。’
‘我们取到全世界人类的最大公约数……定义出来的一个东西。’
无产业经验的双刃剑：自由与盲区
尽管缺乏传统企业从业经历，许华哲认为这反而是优势——思维不受既有流程束缚。他在教学中率先允许AI辅助作业，体现其对“未来工作方式”的预判；办公室设计也打破常规：客厅可开会、训练机器人、录播客，甚至预留厨房，营造“家”的工作场景。这种创造性组织形态源于“没上过班”的自由。
但他也坦承短板：标准化流程与工业经验的缺失需靠团队补足。目前团队虽小（多为前实验室成员与同学），但正快速扩张，并明确招募三类人才：有To C硬件落地经验的工程师、顶尖AI研究者、强产品思维者——后者尤其关键，因“产品是定义人类生活方式的核心环节”。
‘没上过班这件事儿……不受限制的去想事情这件事儿，很容易就回不来了。所以对我来说是利大于弊。’
‘我们希望是让大家让所有人参与进来这个产品的定义……因为毕竟这件事情实在太大了。’
AI本质是归纳器：多样性与初始数据决定上限
许华哲指出，AI本质上是一个归纳器——它从所见的案例中总结规律。例如，若AI只见过人类使用水杯，便会归纳出“人都要用水杯”，但现实中婴儿可能从不使用水杯，只喝奶。当AI未见过此类反例时，其归纳结论天然存在偏差；而一旦形成错误归纳，后续补充数据极难修正已有结论。因此，多样性数据必须在预训练阶段就完整纳入，而非事后修补。他强调，这种“事后补救”的路径会带来巨大痛苦：若初始未纳入婴儿行为数据，后期需大量补采，成本高昂且效果难控。
“他看到的案例越多，他归纳的那个结论越好。”
“你说不能后来补的意思，就是说这个不能在预训练之后的流程和环节里再补，是这个意思对吧？对啊，对啊，就至少会那可能会带来巨大的这个痛苦。”
拒绝‘小模型堆叠’：通用智能需从一开始就走对路
他批判了当前行业中的两种误区：一是将具身智能等同于“人形机械臂”，低估了物理世界AGI（physical AGI）的可能性；二是误以为“scaling law = 数据量堆叠”，忽视了数据类型多样性比数量更重要——在封闭环境中采集再多数据，也无法弥补样本类型的缺失。他进一步指出，小模型叠加百个也无法等效于一个大模型：若仅完成单一重复任务（如每天搬一块砖），小模型可行；但若追求通用智能，起点就必须是统一、端到端的大模型。
“你永远不要指望一个小模型叠加一个小模型叠加一个小模型叠加一百个以后，它等于一个大模型啊！”
“很多人做具身智能，但我觉得相当一部分人还是觉得它是一个机器人，然后它就跟工厂里的机械臂一样，只不过它是人的样子。啊，他不相信那个 physical AGI 会诞生。”
产品设计原则：用‘不做什么’规避风险，让经验建立信任
面对大模型“锯齿型智能”（即在复杂任务上表现优异，却可能在简单任务上失误）的现实，他主张通过产品设计主动规避高风险场景：例如，明确排除所有与人体直接接触的服务（如擦拭、翻身、喂饭、按摩等），因一旦出错，后果严重且政策与心理门槛极高。他以自动驾驶类比：正如我们信任老司机并非因其承诺无事故，而是基于长期无事故的经验；同理，对具身AI的信任应建立在长期稳定运行的实践基础上。
“就像小朋友一样，他也会犯很多低级错误。但你只要告诉他别玩火柴，别玩煤气罐儿，别玩尖锐的东西……你只要把这些东西规定好了，他大不了就是把你家遥控器给摔了，也问题不大。”
“凯明那个回答很好，他说，哦，这个，那你做一个老司机的车的时候，他也没有给你保证说他一定不会撞车。但是你还是相信他，因为他可能之前开了那么久的车也都没有撞过。”
第一阶段聚焦：轮式双臂为切入点，统一模型是核心
团队第一阶段将聚焦三件事：自研硬件本体、训练AI模型、定义产品方向。产品形态上，以轮式双臂机器人作为首发切入点，同步推进足式研发；续航目标约2小时（可回充），兼顾实用性与轻便性（便于搬运、进电梯、过安检等）。针对全球家庭场景差异（如楼梯、独栋、公寓），他们坚持模型通用性优先——初期用英语等主流语料训练，后期仅需少量本地数据即可适配新语言/环境，正如大模型的跨语言迁移能力。
在模型架构上，坚持统一端到端模型：拒绝任务拆分式训练，因“做一百件事无法领悟一千件事”。技术路径上，以强化学习为核心，强调三点：① 机器人需主动探索并生成数据；② 对数据质量进行自主评估（区分优劣、失败样本）；③ 高效利用数据优化策略。他们计划通过规模化后训练，在保持模型泛化能力的同时适配具体任务，这与当前多数仅做任务微调的实践形成鲜明差异。
端到端预训练与规模化后训练的差异
当前主流的具身机器人模型在预训练阶段确实追求统一的大模型架构，目标是通用性与泛化能力；但进入后训练阶段，多数团队仅针对单一任务做微调，导致模型能力被“收缩”至特定场景，丧失了泛化潜力。我们希望打破这一路径依赖，推动规模化后训练——即在完成具体任务训练的同时，保持模型的泛化性，使其能持续适应多种任务。这种方式在强化学习后训练中尚属前沿探索。
“不要担心它在所有任务上都比较平庸，因为它会在再过一年，变得在所有上面都很完美。”
“从它在所有上面都变得很平庸，到它在所有上面都表现出一个比较好的能力，这个确切的时间……不好预测。”
长期主义与投资预期的博弈
尽管技术路径上“先泛化再优化”更具合理性，但现实中团队常面临内部与外部的反馈压力：投资人、市场乃至团队自身，都期待阶段性成果。因此，许多项目选择“单点突破”策略——先在一个任务上做到极致，再横向扩展。然而，这种策略可能牺牲长期的系统性能力构建。
我们更倾向一种双向筛选机制：找到真正认同愿景的同行者。正如OpenAI早期所经历的那样，不被理解是伟大探索的常态。在中国市场，我们也在积极与投资人沟通，并非完全隐藏进展，而是有策略地展示中间里程碑。有趣的是，部分投资人明确表示：“我不在乎短期有没有东西，我在乎你最后做的这个东西是不是最大的那个东西。”这说明资本对未来的想象力正在升级。
“不要小瞧投资人对未来的梦想哦……他们也是想要追求那件事儿的。”
技术路径、资源投入与全球竞争格局
我们预计在18–24个月内实现机器人进入家庭场景的初步落地；办公室环境则有望在一年内完成可交互的原型演示。技术上，数据量增长、模型规模扩大、社会接受度提升是三大确定性趋势；而最大不确定性在于：如何构建一个能高效吸收多模态数据的模型架构。
我们倾向将世界模型作为骨干网络，结合物理先验（如物体运动规律、碰撞反馈）与动作先验（如抓取、移动策略），再通过预训练与后训练分层优化。硬件方面，虽是卡点，但属于“可攻克型”——如电机、材料等，尚无根本性障碍。
资源上，初期预训练与后训练投入约1–2亿人民币（取决于数据规模），未来随数据量扩大，将趋近大模型训练成本。全球来看，我们高度关注Sunday、Generalist、Figger等团队的进展，尤其其智能能力与产品设计的融合度。国内如富立业、方纳、小鹏等也在产品形态上展现出独特优势。
“我觉得最好的东西最终会在中国出现。”
同辈压力与氛围塑造
许华哲将当前中国具身智能创业生态的差异，类比为不同班级的课堂氛围：当老师强调“坐姿端正”，全班便自发追求挺直腰背；若强调“发言积极”，大家便争相表达观点。这种同辈压力（peer pressure）在企业间同样存在——行业氛围会显著影响个体行为选择。他坦言自己愿意公开分享思考，正是希望主动塑造一种更本质、更聚焦于“智能”的行业氛围，而非陷入硬件堆砌或短期融资节奏。
“你害怕，你是指中国的具身智能从业者错过了最大的西瓜？” “智能是最后的决胜点，如果不去做一个很好的通用的智能，那你的那些铁架子里面最后装的大脑就不是不由你来控制。”
窗口期与三大隐忧
他判断，通用人工智能（AGI）的奇点（singularity）可能在五年左右到来——届时大模型可自我迭代、机器人可自主制造机器人，竞争格局将彻底固化。因此，当下是定义未来的关键窗口期。但当前行业存在三类值得警惕的现象：
其一，数据外流：大量国内企业采集数据后对外出售，实为向潜在竞争对手输送“弹药”，只为短期账面好看或融资便利，属于“今日割三城，明日割五城”的短视行为；
其二，无脑量产：许多机器人被制造出来却缺乏真实使用反馈。他提出应关注“机器人日活”——即五千台设备中，每日活跃使用的数量是十、百、千还是五千？这一指标远比出货量更能反映真实价值，但因硬件的物理属性，数据极难追踪；
其三，表演内卷：如机器人高难度体操式跳跃，虽技术上可实现（通过提升电机性能），但与智能无关，且物理极限远高于人类，若仅追求“跳得更高”，就偏离了具身智能的核心使命——应聚焦于翻山越岭、极端环境作业等真实场景需求。
“无脑量产”其实是一语双关：既指缺乏智能的躯壳式量产，也指缺乏场景思考的盲目铺量。
东北基因与长期主义起点
他幽默回应了“东北人与机器人”的观察：东北三省人口基数大，且文化中更强调物理世界的参与感（如搓澡、年俗、动手解决问题），这种“physical”特质可能与机器人行业所需的实操精神产生某种共振。但他也提醒，这未必是统计意义上的真实关联，更多是一种有趣联想。
真正驱动他长期投入机器人方向的，是高中时期对神经网络的空想，以及博士阶段在自动驾驶项目中亲历AI对物理世界的决策能力。他早期用强化学习攻克星际争霸AI，虽成功，但很快意识到：游戏AI已趋近“可解”，而机器人是更复杂、更具社会价值的挑战——“游戏只服务一小群人，机器人却是所有人都需要的”。这一认知在2018–2019年（博士中后期）最终确立了他的长期方向。
从好学生到意义追寻者
博士三四年级（约2018–2019年），许华哲经历了一次深刻的思想转折。彼时他已顺利完成博士阶段的科研任务——论文发表、课题推进、导师满意，“好学生”的路径走到终点。但随之而来的不是满足，而是强烈的迷茫：“我做这件事儿有意义吗？啊，我就是为了找工作吗？” 他开始反思科研本身的价值，逐渐形成一个尖锐判断：“大多数的科研没有价值，它最后变成了人类进步路上的一点噪音”；而真正值得投入的，是那“少部分真正往前走了一步”的科研。
与此同时，他对人生意义的追问也愈发清晰：不再追求金钱、地位或世俗意义上的成功，而是更关注“如何帮到更多人”以及“自己能否在这条路上有非常极致的体验”。这种转变并非突兀——早年他热衷于音乐、越野、游戏等多元尝试，追求“当下最爽的事”；而博士中后期，他开始有意识地收敛发散，转向更具结构性、可持续性的投入，如钢琴、网球与机器人研究。这些活动的共性在于：表面是重复，内核是螺旋式上升。“生活本身，就是一种重复，但每次重复它是一个Spiral”，他说。
“大多数的科研没有价值。他最后变成了，呃，人类进步路上的一点儿噪音。” “我更感兴趣的是如何帮到更多人，以及我自己能不能在这条路上有非常极致的体验。”
挑战与影响力：选择更难的那条路
在许华哲的决策框架中，“挑战更大”与“更有影响力”是两个核心筛选标准。他坦言自己有个本能倾向：“当有得选的时候，我一般会选那个更难的事儿”——哪怕风险更高、成功率更低。他以保送经历为例：本可稳进上海某高校，却选择再战清华保送考试，“几乎不需要长时间思考，就选了那个更难的事儿”，因为“如果做简单的事儿，这个好玩程度大大降低了”。
这种对“难”的偏好，本质上源于他对极致体验的追求。无论是游戏选“最困难模式”，还是从游戏AI转向具身机器人研究，他都在主动靠近高复杂度、高不确定性的领域。机器人之所以成为他的新方向，正因其“挑战更大”且“影响力更大”：游戏吸引的是小众群体，而机器人将触及“所有的人都会需要的”基础设施级问题。
他进一步阐释“影响力”的深层含义：不是名利驱动，而是impact-driven——以善为目标的广泛正向改变。他引用显微镜与抗生素的故事：当初看似“无用”的基础探索，最终却深刻改善人类生存状态；即便技术具有双面性（如核能、抗生素滥用），只要“往善的那一侧去努力”，就值得倾注全力。
“机器人是所有的人都会需要的。” “我肯定是希望做那件有影响力的事情，它像显微镜一样，它像那个造火箭一样，它可以长久的造福人类啊！”
技术之美的底层逻辑：简单即真理
许华哲对“美”的感知贯穿于音乐、网球、科研与技术本身。对他而言，音乐、文字与科学理论都是对世界的精确描述，而“描述的精确性，其实就是它美的这个部分”。舒伯特带来神性的天堂感，巴赫的《恰空》则让他联想到宇宙的折叠与展开——这种体验并非情绪宣泄，而是认知共鸣。
这种审美同样延伸至技术领域。他推崇“简单”作为技术之美的第一性原则，并引用爱因斯坦名言：“Everything should be made as simple as possible, but not simpler”。在他看来，当前AI的突破看似复杂，实则本质可解构为“transformer 加上数据”；真正的进步不在于堆砌新概念，而在于把每个模块做到极致——“把每个地方都做到极致，然后这个事情就会变得正确，变得变变好啊”。
这种“聚焦的好奇心”也定义了他的创业观：好奇心不等于散点探索，而是围绕既定使命，持续深挖、反复打磨。“好奇心大于成就感的人不适合创业”这一观点，他并不完全认同——他追求的是“好奇心与成就感并存，但以使命为锚点”的状态。
“简单，一直是我认为每一个技术人员或者是看技术的人都应该公认的，一个美的第一性的东西。”
技术之美的第一性原理：简单与一致
许华哲将“简单”视为技术审美中的第一性原则，援引爱因斯坦名言：“Everything should be made as simple as possible, but not simpler.” 他强调，真正优美的技术方案应以小方法解决大问题——方法本身要简洁，而所应对的问题要足够复杂；反之，若方法冗长繁复却仅解决微小问题（如仅能倒一杯水），则显得“丑陋”。这一理念贯穿于他课题组的日常讨论中，也成为判断技术作品是否具备美感的核心标尺。
此外，他极为看重理念的一致性。他举例说明：若在端到端模型之上强行拼接知识图谱，实则构成一种内在矛盾——若真相信图谱式结构的普适性，就应将底层模型彻底重构为一个统一、细碎却自相似的网络，如同“海岸线放大后仍保持形态美感”。他形容理想中的技术系统应具备“远看是整体、近看是细节”的协调感，反对将不同理念拼凑成临时方案的做法。这种对内在逻辑统一性的追求，远比功能实现本身更接近他心中“美”的本质。
“你自己的……对什么是技术的美，你的技术的审美和偏好和品味是什么？……简单，一直是我认为是每一个技术人员或者是看技术的人都应该都应该共公认的，一个美的。第一性的东西，简单。”
“如果你相信这种知识图谱式的这样的方式，那你不应该底下底下有这些深度学习的这个模型，你应该这些东西再拆，最后拆成一个巨大无比的网络，我觉得那也是会非常美的东西。”
具身智能的进展与评价困境
谈及2025年具身智能领域的关键进展，他指出：Embodied VRM（具身视觉-语言-动作模型）系列工作显著拓展了机器人对空间、语义与交互的理解边界；而强化学习方面，其团队在单一任务上实现了100%成功率（900次实验零失败），虽尚未扩展至多任务联合训练，却为高可靠性操作提供了新范式。他特别提到，这些成果虽未诞生如2017年Transformer般的“现象级突破”，但已构成系统性推进的“一批”基础性进展。
他进一步反思了学术评价体系的局限性：“当年的最佳论文”与“时间检验奖”几乎无重合，印证了顶尖专家在即时评估中亦难辨真正深远的价值。他类比创业逻辑——“最后跑出来的论文，往往不是被叫得最响的那篇”，因真实影响力需经时间筛选与社区复现验证。这引申至AI辅助科研的困境：评估论文是否“合格”尚可量化，但判断其能否成为“推动人类前进的砖”，则高度依赖随机性与集体共识的长期演化。
“你说二零二五年有没有呢？我觉得很有可能会有，但是你说是哪一个呢？我就我觉得没有人能点出来。”
“最后哪篇论文会跑出来？啊，一般往往不是那个大家叫的叫的最最看好的那个。”
从包饺子到火星触诊：系统级探索的骄傲
谈及个人最自豪的成果，他未选近期热门项目，而是回溯至Robot Cook（包饺子机器人）——一个从擀面皮、备馅到成型的全链路系统级挑战，被他称为“长城任务”。他认为其价值在于以直接方式整合世界模型与工具使用能力，在系统复杂性与工程可行性间取得平衡。其他重要工作还包括：将三维视觉与扩散模型结合的DP3，以及前述100%成功率的强化学习项目RL100。
最令他兴奋的近期探索是远程触觉系统：通过触觉传感器与反向触觉显示设备（Tactile Display），他与团队实现了“人在北京，触摸上海机械臂所触物体”的实时触感传递，并以乳腺癌模型触诊为实验场景。尽管当前技术尚难复现质感与温度等高维触觉，但他视其为“语言尚未充分语义化的领域”——触觉词汇远少于视觉，却蕴含巨大表达潜力。他展望未来：“也许机器人上了火星，我仍可在地球‘触摸’它感知的火星岩石。”这种探索既呼应其“通用物理智能”的终极目标，也体现对跨尺度感知的执着。
“它也不是说我买一些现成的饺子皮这样去包……它是从擀面开始的……对，那个我觉得在系统层面，我觉得是是挺有挑战的。”
“未来也许机器人会上火星。我想在地球上摸摸火星上的东西，是不是也可以这样摸一摸？”
真实反馈：To C 产品的试金石
许华哲认为，做 To C 产品最珍贵的资源之一，是能获得真实、不加修饰的用户反馈。他以费德勒在小红书上被评价为“2.5 级水平”为例，指出网络环境让所有人回归平等——无论身份如何，都会被公众基于内容本身评判。这种“众生平等”的反馈机制，对产品打磨极具价值。即便在新公司筹备期，他仍坚持持续输出内容，核心目的之一就是主动获取真实反馈，而非仅依赖内部视角。
网上其实一旦你到网上了……所有人到了网上众生平等啊，大家会说哎你这个哪哪哪做的不好，哪哪哪做的好啊？
我觉得获得这样的真实反馈是非常难得的，尤其对于一个to c的产品，所以我。即使在有新公司，我们也会持续做这件事儿。一个核心的点就是拿真实反馈。
内外兼修：外向表达与内观思考的共生
许华哲坦言自己是外向型人格，却也极度享受独处。他能活跃于社交平台，也能静坐数小时阅读《荒原狼》或听《静静的顿河》，这种看似矛盾的状态在他看来实则天然统一。他比喻道：“就像很多喜剧演员，私下里都没那么开心。” 他进一步解释，深度思考反而能带来更稳定的愉悦感——当看清许多事的“不重要性”，情绪阈值升高，外在得失不再轻易扰动内心。他坦言，如今的“乐呵”更多源于通透，而非婴儿般对微小事物的敏感快乐。
我觉得我我也一样。
我觉得这这两件事本身是不矛盾的，啊。或者说，有的时候是因为你想清楚了这些很多事儿，所以你才乐呵，所以你才对人友善，因为你知道很多事情不重要了，所以你也就没有什么可以生气的、可以发脾气的，或者是可以。呃，觉得觉得委屈，觉得不开心的点，因为我觉得都挺开心的，就无论这个得或者失，对我来说都挺开心的。
破壳而出：找回高中时的创业初心
许华哲回顾自己的成长轨迹：从高中起就萌生创业念头，梦想当高中老师（受母亲影响），却因成绩优异、投身 AI 学术而走上研究道路。直到此次具身创业，他才真正“找回了曾经的自己”——那个充满 ownership 和 agency 的少年。他形容当前工作节奏“从早上八点半到十二点，高负荷却很快乐”，这种主动创造的体验远超被动执行。他强调，创业不是对过往的背离，而是对初心的回归；而新公司中，他期待联创不仅是参与者，更是拥有决策权的共建者。
我一直很想创业，一直想创业。对我从高中开始就很想创业……所以找回了曾，所以一个是你找回了曾经的自己啊，嗯，而且是很小时候的版本。
我觉得已经很久没有这么爽过了……这个过程应该是充满你说的那种 ownership，对吧？ Agency，就是很主动性的去做的。
摇操的局限与行业巨变
回看早期机器人开发实践，许多看似流畅的动作其实依赖遥操（即远程操控）实现；但这种方式本质上无法解决机器人的自主行动与任务完成能力问题。更关键的是，遥操作为数据采集手段，因其高昂成本，已逐渐退出主流技术路径。短短不到两年间，整个具身智能行业已发生显著变化——技术路线尚未收敛，巨头尚未大规模入场，创业公司仍保有宝贵的探索窗口期。
技术拐点的期待与不确定性
若未来两到三年内，具身智能实现质的飞跃，我们将见证一场技术与商业交织的精彩大戏。然而，前沿科技的魅力与挑战正在于其不可精确预测性：我们无法断言拐点何时到来。正如许华哲在本期中所言，他期待两年后能再录一期节目，验证其预言——家庭机器人将在十八至二十四个月后真正落地应用。这一判断能否兑现，既令人期待，也充满悬念。