欢迎大家来到这一期的产业漫谈，我是丰瑞资本的合伙人李峰，正好在北京在开世界机器人大会，就这个WRC，也包括这两天正在进行的机器人体育比赛。那结合这两个事件的热点呢，我们又请回来了我们在两年多以前做过一期，那时候机器人才刚火未火的时候请来的我们一位CEO嘉宾叫连文昭。我们这次做一次返场回顾，因为机器人行业也经历了叫如火如荼的两年，同时这周正好这个宇树机器人也刚刚上市，虽然上市之后表现也是跌宕起伏。
但不管怎么样，也是一个机器人的标志性事件。那所以说，在今天这个特殊的时间点，我们就请这个连文昭连博士重新返场，再来跟我们讨论一下机器人这个行业，从他的视角经历这两年来看到的这些变化，当然也包括元洛科技自己的一些变化。我们还是请连博士先简单介绍一下他自己和他们元洛科技这个公司相关的情况。我们是一家做AI机器人方面的，嗯，创业公司，二三年成立。
我们既做机器人的硬件本体。整个一个类人形的机器人，但是现在呢，也有更多种的硬件的架构。同时呢，我们在大脑算法模型这一侧呢，投入越来越大。现在也在推我们的 Open 以物理为中心的物理原生模型，在这块儿呢，我们也在。持续的把模型的可靠性和泛化性提升。那我们切入的场景呢，是科学智能AI4S选取了这个泛实验室场景的一大类的任务来去做我们的一个练兵场和试金石。
这些行业中呢，现在也跟一些企业还有科研单位，呃，也部署了很多机器人。至少证明，在这个最难的考场上，我们也能实现很多高柔性、高精度的技能。在未来呢，也希望把这些技能泛用到其他的场景，像生产啊、服务啊，甚至生活中。然后关于我自己，我再简要介绍一下。我现在一方面是在负责我们整个元洛这方面的研发运营，同时呢，也在上海交大人工智能学院担任教授一职，然后也带很多同学一起去探索这个具身智能和AI机器人一些技术的边界，尤其是在如何让他们。
安全的那些未知的环境中去运动，以及如何去泛化到一些没有见过的场景中，你在做一些前沿探索。之前从美国回来，之前在美国时候有那么三段工作经历。刚博士毕业呢，是在硅谷一家 A G I 的创业公司，叫 Vicarious，是历史上很上古时代啊，做通用人工智能的一家企业，据传跟 OpenAI 同名的，然后跟 DeepMind 同名的一家公司。
当时我们做类脑神经网络。然后把机器人用到了像物流啊、搬箱子、捡包裹，就是现在大家在机器人大会上很常见的这些应用。我们当时做了极大的探索，也部署了很多机器人在美国的一些客户场地。像美国邮政呀等等，后来去了 Google X 实验室，参与了一个早期的机器人项目，后来公开叫 Intrinsic，然后也很神奇。
这个 Intrinsic 在今年早先又被并回了 Google，然后我们在 Intrinsic 主要做的是机器人操作系统，给各种各样的硬件载体啊做一套同样的软件架构，类比于手机里面的安卓。哦，然后在那边呢，我继续在负责在推进怎么用模仿学习和强化学习来能把这个机器人的通用性，给它做得更好，甚至跨各种的硬件的载体。
二三年也加入了硅谷一家人形机器人企业叫Figure，就是早期有很强很强的硬件团队，然后逐渐的呢，我们对AI方面的投入也越来越大，在那边也搭建了最早的一些数据采集链路和模仿学习框架，然后后来当然随着机器人的这个火热现在，Fir也成了美国那边一个机器人行业的一个标杆企业。对，这个是个涉及到信息量挺多的。
我们回到一个最简单的现实问题，因为你每次也参加了这个WRC叫世界机器人大会，在参加这次的WRC和之前的一届或两届。横向比较而言，你能给大家谈谈现场有什么感受吗？就作为从业者，目睹了这两三年的变化，我觉得今年是特别有意思哈。就是这肯定是展馆是越来越大，然后从数量上是越来越多。像今年可能几百家的企业都在进行不同方向的探索，会在展馆里边，大家会看到有各行各业的场景，像搬箱子的呀、分拣的，然后像工业装配的，还有做饭的，然后以及这个服务端茶倒水的哈，这些各种各样的场景。
因为我们现在做具身智能是给科学智能，就像几百家公司都在做几百个平行的实验，就是这说明整个行业大家还没有一个共识，都在从自己的过去的经验上，嗯，以及自己的一些思考上，在探索一些自己的路。然后方法上也是百花齐放的，嗯，也有是接点到点纯预编程的方式啊，也有是依靠这个视觉语言动作模型的啊，也有依靠这个。生成世界模型就是各种各样方法啊，大家也还没有收敛，所以这是一个很好的事情，证明行业的天花板或者是未来的预期是有共识的，一定很高，一定很好。
但是如何去走到嗯兑现这个预期，大家都还是在努力的去回答这个问题，去如何让机器人真的从一个。Demo走向真正的生产力，这是今年很明显的一个，大家都在强调场景要落地，要实现真正的产业价值。像去年更不用提前年，当时基本上还是机器人只要能够稍微做一个很短的任务，展示一个小的能力就结束了。这个双足是另外一个故事，双足跳舞的依然还是很热闹，还是这个情绪价值是一个。
真正的价值还还是在持续的发展，但是我关注的更多是操作这一层，上肢操作这一层确实逐渐成之前的一个能力走向可靠性，确实还是行业上的目标明显的是在往这个方面去。牵引，因为我没去现场，所以说我能大概猜想一下，说可能是不是去年大家比较偏向新奇特，就比如说机器人能唱歌跳舞，能打拳，能跑步，能干一些这个更多跟行动有关加一部分操作上肢相关的这个事情。
去年也许大家都还在做一些机器人的小demo，就不管它是叠衣服、倒咖啡之类的。然后，因为没去现场，所以按你的说法，我想象是说，今年最少在操作这个相关的能力上，大家想办法做了更复杂和更多样和更场景化的各种各样的任务，比去年而言，大部分是对的，还是要需要把握一下这个预期哦，就是其实展示出来的能力。嗯，是差不多的，叠衣服呀，这个折盒子呀，搬箱子呀，抓东西，比如说这个超市抓水，当然技术肯定在发展，但是今年是明显一个场景化，之前更多的是一个展示性，这个还是稍微有有不太一样。
我们其实比较一致，元洛这边呢，去年第一次参展也是，今年第二次，然后一直是在以。生命科学AI for science科学智能这个行业，我们是以长序列、高柔性、高精度的这些操作来去牵引我们的研发，也去对外也去展示了我们这样的一些能力。包括去年也是展示这种细胞学实验，包括毒细胞毒性检验这种嗯长序列的实验流程。
如何能让机器人处理移液枪啊、液体啊、试管啊、离心机啊各种各样的仪器？所以，我们是这个机器人，肯定又要柔性，又要精度，嗯，既要智能，又要可靠。明白了，对关于咱们做的这块，一会儿再来展开。就是我看新闻报道说，这次的 WRC 里边的有非常多的外国人来参会，我不知道这个在体感上是怎么回事。确实是，我自己也有体感。
昨天还在朋友在说，明显的就是非华人面孔确实会多了起来。有来自欧洲的、日本、韩国也不用说，然后中东的、东南亚很多地方的，有些是做商业方面的，啊，他们希望在当地去引入我们中国产的智能机器人去导入。去推广，然后也有一些呃很神奇的，比如说欧洲这边，他希望自己去做机器人公司，想来学习，哎，我们是怎么做的？哦，然后他们去当地去做，也有这样的。
我觉得确实从海外来讲，确实对中国的机器人的研发和。生产制造能力是绝对认可的，对。所以，当我们真正做这么一个机器人大会，是真正兑现了它叫世界机器人大会。哦，这个比例还是很高的。比如说，到我们这儿展台的就很多这样的，有希望跟我们合作啊，能不能帮你们其实推广到？这个欧洲啊，包括这个中东啊，这个日韩也有，包括像半岛电视台，就中东这块儿，半岛电视台非常著名，特地跑到我们展台，就一直在我们这儿这个取景给我们去聊，也交流一下我们对整个行业，包括整个机器人的发展，如何在他们那边去推广起来，他们对这方面是极其关注，也认可我们现在。
真正的逐渐成为一个事实上的机器人的一个全球的中心。嗯，对，好。那你觉得接待的这些外国友人里边有多少是？带着不是学习，而是商业和需求目的来确定想找解决方案或者讲想找机器人的，有多少是就是看看热闹，说大概是个什么样的？因为毕竟中国现在免签，所以说来变得比以前容易了很多。就是前者希望真的能够有实质的合作，至少是尝试实质的合作。
明白，他们去当地推广。形成一个，比如说他们作为集成商啊，或者重售就是 resale，他们去卖到当地，就是去做这样的事情，这样比例是很高的，而非就是向后者。可能后者我们也没有怎么去交流。如果是前者带着需求来的，就你能够接触到的这个小样本范围里，他们提出的需求有多少是可行的，有多少是还暂时机器人能力上范围之外的？
我觉得其实从能力来讲。绝大多数是都可以做到的，但是前提是说你愿不愿意付出足够的成本。他们提的很多很惯常的诉求，我们那儿有一个什么工厂要上一个机床上料，嗯，我们要做一个装配。甚至有时候我们要装配自行车，我不知道他们为什么当地坐自行车，应该从中国买。对，这就当地还是有一些这样的体力劳动，包括这个超市服务的，包括像找到我们这边有很多做biotech公司，有做制药公司。
他们是实实在在有这样的诉求的。如果这些诉求发生在中国，我们同样肯定也是能做的；但发生在海外，我们也也会能做，但是。一方面是涉及是不是这时候可以去投入大量的人力，嗯，去双方协同起来，因为当地这方面的工程师其实是稀缺，哦，对，数量是低于国内，所以这个可能是一个挑战，所以投入肯定是更大一些的。另外方面，当然这个地缘政治肯定也是一个因素了，哦，对，这个不可控。
你刚才已经隐含了我想好奇的另外一个小问题，就是。听起来，假定需求绝大部分是能力可以解决的话，你觉得在接触到的需求有多少是成本能覆盖的？就是看起来，当时谈的没有谈到价格哈，就是从他们角度讲初期的。我觉得小量肯定都是可以做的，然后如果真的上量的话，这个要看还是回到机器人的本质，是不是能够可靠的去做。比如说给人推一台，这一台是一个特定的一个东西，你不管怎么定价，双方可以谈。
对，但是你总归要形成一个标准，然后规模化。那你这个标准如何形成？你就需要你的机器人证明它是。可靠的为什么叫可靠？推到某一个地方以后，它跑了一天，它第二天它是不是还愿意开机？如果它自己主动都愿意开机，它肯定付费意愿是强的。那它愿意付出的就可以覆盖这个成本。如果他不愿意开机，你说你不来，你们工程师不来，你就不开机，那肯定这个成本是高的。
所以这个确实还是要筛选一下，是一个动态的过程。你这个也涉及我们过去行业传递出来的。信心或者预期就造成市场的预期有点是偏高的，因为如果不偏高，肯定是百分之百需求，我们绝对都可以满足。嗯，但是就是过去几天听起来有一些预期确实是比较高的。嗯，我们经常会举一个很复杂的一个生产流程，一个场场景流程，说哎，这个这个感觉你们应该很容易做呀，就是他们那儿都能做什么什么东西了啊，是吧？
这样的这个预期还是过高，但是我觉得也是一个好事儿，这也造成了我们有很多这样的需求，可以从一个更大的池子里边来去筛选。OK。好，对，那看起来再往下，这个机器人的国际化确实有可能是中国在新出口当中的一个潜在增项了。虽然现在还很小哈，那这个话题我们先放一边。还有另外一个今天比较热点和时髦的话题。就是在两年以前，我们录上一期的时候，那个时候你就提了一个，当时其实不太受关注，当时在创业方向上也没有很多人做的事情。
那个时候你的词汇叫做怎么解决直觉物理的问题，就是人有个直觉物理，就是说白了，你知道怎么拿东西，这个东西用什么姿态或者用什么力道或者用什么状况来这个执行或者。来对这个物体做动作，那当然也包括一些常识性的物理。那这个那时候你把它称之为直觉物理，说这个是当时你们在国外的时候就一直在考虑怎么解决这个问题。那我提这个话题的原因是从去年底、今年年初开始最热的。
跟机器人相关的创业方向叫世界模型或物理模型，啊，反正这个定义有非常多。总而言之，就是解决这个交互啊、物理状态改变呀、怎么让机器人理解这种带物理量的世界啊这些事情。我们也投了几间这样的初创公司，当然他们确实也是很热，因为他们的估值都上涨的非常快，在过去的六个月。好，我的问题是。考虑到你两年以前就一直在思考这样的问题，你觉得今天物理模型和世界模型，因为中国非常热，美国也算比较热，今天这个事情的出现，这个事情的发展阶段和这个事情的解决方案大概是个什么样子？
过去很多年思考这个问题相比较而言，这是挺有意思的一个问题，因为当时确实提了这个直觉物理，然后怎么去。理解世界怎么去跟世界交互，然后后来发生了像丰叔总结的各种各样的路线，都在致力于解决这样的问题。因为机器人本身需要做的事情就是我要知道去动到什么地方。第二个点就是怎么。安全可靠的动脑脑，其实本质上就是在解决这两个问题。
那抽离出来呢，一个我们可以把运动大体的分成两类啊，一类是这种自由空间，我要从任何的A点到B点。以及呢，如果有接触有交互，我怎么接触这东西，还能从A点移动到B点，甚至把这个东西也从A点到B点。这个A点到B点不光是空间上的，也是状态上。另外一个问题就是如何去决定我的B点在哪，我的目标是什么。所以之前行业包括学界也好，还是工业界也好，很多在推的。
不管是视觉语言动作模型，还是这个世界模型，想去理解这个东西，想去理解这个常识。现在的方式是通过数据采集，我们采集大量的数据，呃，视觉语言动作模型。更多的是说，我采完这个数据以后，我要去做一个回归，我从我观测到的量直接去决定我未来往哪动，它其实是一个捷径，绕过了理解，嗯，直接去生成动作。但是后来大家可能发现，哎，这个好像有点。
问题对，有点问题。这个是过拟合的这些，对，是的，确实。那它的泛化性没有大家想象的好。这儿我插一句，就是现在包括我学生也经常说泛化，他们说泛化是这个东西从一个一厘米往左移零点五厘米。还能抓就叫泛化了。我是从来不觉得这个叫泛化，泛化对，就这是很自然的应该有的能力。嗯，所以反而大家往这个视觉语言动作模型去走的时候，反而把这个标准降的低了一点。
对，然后那慢慢的大家意识到了这个问题，又开始做这个世界模型。世界模型其实是。希望能够再去用这些神经网络 transformer这些模型再去提特征，然后用用这些特征去做决策的时候，不希望去丢掉那些理解世界那些信息。对，我不光要生成动作，我需要理解世界，理解客观物体的发展规律。但是过去呢，这些世界模型往往还是一个 pixel to pixel。
对，从像素点到像素点，对，一个像素要我要去预测出来所有的像素要重建，这个好像有点，其实太麻烦，对，还是反直觉的，对，其实不是直觉物理，这是反直觉物理，使得你的模型把大量的这个表达能力都用于去重建了，去去恢复这个，也有一些学术界会提一些方法，比如说我是不是不用关心所有的，那是不是？能够去压缩，我只去预测一些物体的状态，或者去做一些分类、分割，可能会加一些值任务。
然后我们其实很早当时一直在践行着以物体为中心的一个思路去走。不用去过度的去建模，不关心的一些小细节，但是有一些重要的细节，以前的视觉世界模型里面没有的，反而我们是要关心的。比如说力，力的模态就是一个很关键的模态。所以，当我们在做预测能力模型的时候，我们姑且也称之为是这个世界动作模型。当我们做这个模型的时候呢，我们一方面会去建模这个原始的，比如说图像，以及我的动作进来以后，我希望能够预测未来。
我在预测未来图像的同时，我也希望预测未来的力，嗯，因为力的这个模态，它很有意思的一点是视觉，嗯，眼睛可能换个角度，你得到的信息是跟你的本体。跟人是没有那么大关系的，嗯，最多是角度有一个差异，嗯，但是力力这个东西，它是跟你的本体施加到环境中的，完完全全决定于你你自己的。就是说，你施加力大，你反馈的力就大；施加的小，就反馈的小。
所以它是一个跟动作极其绑定耦合的东西。所以我们做的模型。一方面在预测未来的力向，预测未来的力，同时呢，我们又会把这个嗯预测的结果会跟实际的施加的一个动作实测出来一个力，又会去比较，嗯，去做闭环，做反馈，它不能只单做一个前馈，嗯，而是说，当我预测出来感受到多大的力之后，我也预测我的一个动作，那我施加我预测的动作到环境中，又会感觉到一个新的力，那么拿这个新的力跟我预测的力去比较。
来反补回来纠正我的预测能力，所以我们形成了这么一个闭环，就可以把这个理解直觉的一些物体物体交互规律，或者人机器人跟物体的交互规律，就能够逐渐的随着数据增多，能够把这个估计误差，把它的理解能力就是提的越来越好。因为我们也看，我们也投，你们也在实践，而且大家今天。各个机器人企业多多少少在这个行业里都来到了要解决跟整个环境和状态相关的这些操作和改变的问题。
今天这些方向就像我们刚才讲的，肯定是没有收敛的。就像你刚才讲，你已经涉及到了这个模式迁移过程当中的或者叫名词的若干个变化了，VLA、VLM就Word Action就等等等等哈，还有WM。那我们先不管这些所有的名词，也不管它们没有收敛。大家都在积极探索，你觉得从你的角度，当然这肯定只代表个人观点了。最终，大家在接下来的一步或两步或三步。
在探索怎么能够建模世界或者理解世界的这个过程当中，大家可能会向哪一两三个方向进行收敛？我觉得这个呢是需要从最终想要达到的来倒推。最终我们肯定是想达到零样本、小样本的泛化，呃，扔到一个新环境它。一次展示甚至零展示，它就可以动起来，它就可以嗯理解任务去做。第二点呢，它需要是能够去绝对的安全，知道自己的边界，如果有异常，它是能够处理。
这个肯定是我们最终希望达到的，就是可泛化且可靠。那这个倒推回来，那肯定是希望数据最高效的一个方式，是才能到这这种程度。另外一个呢，它是需要能够保证自主的安全性，所以需要能够有一个方式去评估自己输出的不确定性边界。所以倒推回来，应该是沿着这两个路线走。按现在我们正向的。这个世界模型再往前去发展的路径上，大家也逐渐的去对世界模型去做一些各种各样方面的尝试，去提高数据效率。
比如说有去做这个让数据采集的更便宜，对啊，这个 ego-centric，对这这种视频，如果冯叔还记得我们二三年。我们在讲这个公司的技术路线的时候，其实就是已经在采集大量的 egocentric 数据，在这个自我为中心的实验室里，就是这个方面肯定是一个尝试。嗯，如何能够把数据采集变得更便宜？对。第二个呢，是如何能让这些数据榨取出来的信息更密度更高，更能够去贴近直觉物理？
比如说，现在包括我们自己在采取的一些把物体为中心，而非一个一个像素点，以及如何去能够从二 D 或者多视角的二 D 中隐式的推出来三 D，因为三 D 是一个更本质的对环境的一个了解。嗯，所以像这些方法，大家也都逐渐在尝试。然后另外一个维度就是刚才说的如何保证安全这一点，就过去呢，我们采的这些数据集通常都是视觉为主，甚至只有视觉。
然后现在行业里边也在采集力觉，甚至触觉，对，也有做触觉手套，嗯，做这个各种各样。传感器的这样的数据集越来越多，我们自己呢自己在探索怎么把视力、触觉都融合起来，我们也做了自己的数据采集链路。这个也是一个比较显著的一个趋势。那这个话题我们先放一放，回到元洛跟中国的机器人相关的话题，就是你觉得在过去的这两年或者三年的创业里面，从发展过程来看，在整个中国的机器人行业里边，软的，呃，我们讲软的就是算法相关的。
和硬的硬的就是这些具体的硬件，就不管它是电机呀、关节呀等等这些事情控制，就是包括手啊，所有这些软的和硬的，看起来比三年以前就各自进步的状态和呃进展的速度和进展的规模是啥样的？我是觉得硬件上。看起来发展是没有那么快，但是实质上工程上取得的进展是很快。软件上，大家直觉上看的做的事情，这个演示的。漂亮程度是很高很高，对，变得特别特别快。
但是拉长时间维度来看，可能进展没有想象的那么快。OK，就是硬件上呢，很多人会说三星天大R C，哎，展示各种这个协作臂，也有一些人形机器人。那现在还是这些，然后用的关节可能还是谐波行星，然后现在也有一些额外。不同的对对其他的形态，这个背后它的供应链上，包括设计上，包括系统集成上，实质的发展还是比想象的快很多的。
成本上就自自不必说了。然后，另外是它的可靠性上，就是像新一代的机器人，这么一两年已经慢慢能做到，像我们自己做已经重复定位精度、绝对定位度精度已经能逼近以往工业机器人的级别了。哦，就是这个在两年前是不是那么敢想象的？所以硬件的发展程度，我们国内确实有这个优势，它的硬件迭代程度甚至已经到了软件迭代速度这能能够逼近到这种发展的一个曲线了。
啊，而且这些硬件的也是得益于国家在大量的投入，也得益于我们百花齐放，这么多企业，包括高校也都在投入研究，所以造成上游一些不管是机加工的，还是电子的，啊，传感器的这方面确实上游很成熟，愿意去做这行的人也越来越多，能够把这个整个生态做的越来越好了。然后，整个协议呢，整个标准也逐渐在形成。这个是比大家体感的会快一些。
然后模型算法这一侧呢，我们确实是看到了很多新的成果，不管是基于纯端到端像 VLA
这种的，还是基于世界模型这样可能学一个预测模型，然后再做一个模型预测控制这样的，嗯，不同的思路展示出来能力也都越来越强。但是如果透过这些展示能力看本质的话，研发的范式其实是没有特别大的颠覆。嗯，所以还是在按以往的，比如说，你可以讲我们在抄大语言模型的作业，对，是还是在以这种去预测未来，然后去用这样的数据集来去训我们的具身智能模型。
但是我其实更期待的，也包括我们在学校这边研究上所做的，也是希望能找到一个不一样的范式。因为本质上，语言它是一个维度，嗯，就是那么多这个文本的token
space，你是一个离散空间啊。我的观测空间和我的预测空间，而且是一致的。对，它是一个很特殊的问题。但是在机器人行业，我的输入空间是如此之多啊！这个力、触觉、机器人自己的关节，甚至包括环境中一些不是视觉观测到的一些状态，比如说这个水是满的还是这看不见的水是满的还是空的，包括一个电器它是开的还是关的，有些状态就是各种各样的状态都要融合进来。
但是你输出空间啊，就是机器人自己的一些控制。所以它跟大语言模型其实本质是不一样的一个问题，但是我们现在呢还是按照大语言模型的方式再去推，所以这是我为什么说，如果拉长时间维度上看，极有可能我们在这个范式上哈，就是机器人模型的训练推理范式上，可能还需要更多的思考。因为我不是相关技术专业背景的，但是我们也做了不同方向各种类型的投资哈。
从我的角度有一个这样的简单归纳，我不知道从内行的角度来看，这里边多少正确多少错误了。就是我们先把大语言模型的技术和架构问题先放在一边，就比如说它是个多少维，它是个几千维的隐空间在哪？我们把这个预测token形成一个生成式的语文本内容来打比方，那这种因为语言和语言或者叫字和字词和词之间的关系，我把它称之为叫是个逻辑关系啊，相对不是绝对零和一的关系，就是简单来讲，咱们一句话可以有很多个表达方法，也有很多个用很多个词或者用很多不同的词都可以表达同一个意思。
这是所谓逻辑关系，但是它有一些简单约束，比如说通常动词不跟着动词之类的。但是广义上来讲，它是个就是能很多可能性去达到同一个目的或者完成同一个呃生成。在这个机器人上，它不是个逻辑关系，它是个纯物理关系。就比如说，你肯定不能把手穿过桌面，对吧？就是你也不能直接把瓶子捏破。就大概它有一些非常零一零一的问题，就是它不是说什么样都可以，或者哪种执行方法都可以，它受到了一些非常严格的物理和环境条件的约束。
所以我把它称之为，呃，有非常强的物理约束。就它有很多零和一之间没有零点一、零点三这样的这个过程。那所以回到你刚才那个问题，就是假定之前经历过的，不管是 V L A V L M，不管是哪一个，就是从视觉到语言到再往下去预测机器人的这些模型，都是过了一下跟语言类似的。结构演绎，但我刚才讲了这个粗浅外行理解，它是两个逻辑上的事情，一个是相对纯关系和关系，一个是有硬的物理约束的。
我不知道从你的角度来看，因为他们存在这样的我这个这种外行理解的差别，它最终有多大可能性，它会借鉴大语言模型的。一部分能力或者架构或技术，但是有多大一部分比例最终会超过或者叫做最少是差异化和语言模型的发展，这是一个挺难的问题啊。首先，我是完全赞同对大语言模型的抽象，它本质确实是在学一个逻辑关系。对，而且这个。
约束是更简单的，它的解空间是更大大的。以前上课的时候，我们会学些最优化。最优化的时候，你有可能是一个不是全局，就是不是一个单一的最优化问题，有可能很多局部最优解。大元模型有可能很多局部最优都是好的。对，但是在机器人这方面的，就是物理世界方面，它约束更多一些。然后，我认为它不单单不是逻辑问题，而是说它也蕴含了逻辑问题。
当然，当然，在此之上，它还有。物理和几何，对，就是几何呢，是一些运动学相关的尺寸大小啊，包括我这个关节动多少度，相应的我这个关节带着这个杆儿动了多少，这个杆的末端动了多少厘米，动了多少度。然后另外一方面就是物理，也就是这个动力学相关的。我们施加多大的力，那这个东西会被推多远？对，摩擦是多少？它相应的它会转多少度？
所以它是一个更高维、更复杂的问题。当然也包括这个任务层面，就是逻辑问题，就是大象放冰箱分几步那种。对，所以是逻辑、几何和物理。对，所以具身智能，我觉得可以给一个不是那么正式的定义的话，就是在很多约束条件下，如何去改变目标物体的状态？对，那它是一个很多时候是有精确解的，做到就是做到，没做到就是没做到。
但是语言就肯定是可以很模棱两可的说，这个好像是对的，这个。是错的，机器人这块儿确实是它是一个比大语言模型更难的一个问题。所以，如果这个假设对的话，我们肯定是可以借鉴大语言模型很多东西过来的。比如说，我们做这个 masked token prediction 这种方式去学。过去看到的和未来的一些关联，对我们用这个关联来近似因果，那这个关联近似因果的范式，一定是可以借鉴到机器人里边的。
是，但是如果只有这个它是不够的，因为在这个文字上它其实没有时间概念，物理上它是有时间维度的。然后你就涉及了几何，它的约束也有很多。所以在机器人领域，我一方面我们一定可以借鉴大语言模型的这个训练和数据训练以后啊推理的范式，同时我相信如何把因果约束夹进来，时间维度夹进来，这个是一个必须的一个东西。那我们先把这个稍微抽象一点的问题，这个讨论题先越过，我们回到元落本身。
最少两年半以前，在确定应用场景方向的时候，你就选了一些相对与众不同的，因为那个时候大家都还在做各种各样展现技能的方法，就像我们讲的叠衣服、什么倒咖啡之类的，你稍微选了一个比较。不同，而且是相对难做的方向。那你能给大家解释和描述一下当时你是怎么考虑的，以及那个方向最终。它可能会难在什么地方？对于当时的机器人和现在的机器人能力来看，上次我们跟冯叔谈的时候提也提到这个不可能三角，通用性、可靠性和速度。
嗯，当时我们在选场景的时候，其实也是围绕着这这个不可能三角，说我如果同时达到，那我们牺牲哪一个点？我们当时的选择就是在速度上不用那么苛求，只要达到一定的阈值就可以了。然后在通用性上，我们会把它拉下来一些。我们不追求一下能解决一万件事情，我们能解决可能几十件、上百件，就是会多多一些事情就够了。所以，我们基于这个假设，我们会去。
寻找一些场景领域，能够去在可预见的时间内去落地，去能把现在的智能机器人或者点点脚能够得到的一些场景，但是同时呢，也不希望这个场景会把我们的天花板卡死，会把我们牵引到另外一些更短视的一些技术路线上，所以我们希望选一些难的场景。那怀揣着这个，我们是希望找这种，嗯，又有长序列，要严格拷打这个逻辑能力的哦，对，然后它一定要是比较高精度的，对，要要去拷问这个几何和物理，同时要高柔性，嗯，它一定是一个智能的东西。
嗯，区别于以往的机器人或者工业自动化，所以这是我们希望在一个最难的考场里边去。去牵引我们的技术研发，去提升这个能力。如果能把这些事情做好，那一定能够解决所有未来走向家用的一万件事情。他们公司成立之初一直在做这个方向，这个方向从本身来讲，它一方面具备了我们从做具身智能机器人的一些诉求，同时从行业本身，它又是一个真的需求，就是。
整个科学智能、泛实验室、生化环材行业、生物医药行业，他们确实是需要这样的高柔性、高精度、高智能的这些智能体来做这些物理操作。一方面，现在这些科学家、博士生也好，这个企业还是这个研究机构的，大家在做实验的时候，通常很大一个痛点就是实验不可复现。你就是人做这些事情就是不可复现的，即使是实验流程写好，我要把 A B C D 在二十五度去混匀。
那有的人对它的理解就是，我从四度的冰箱里面拿出来，拿到二十五度放一个小时，真正到二十五度了去混匀。有些人的理解就是，哎，我只要在二十五度的环境下做就可以，所以他就把 A 拿出来，他其实还是四度的。然后倒完以后，发现才想起来我要C去冰箱又拿，拿完以后咵一倒，那反应条件自然就是不一样的。就是类似这样的细节很多，更别提他做实验还可能打个喷嚏。
你就是这种小细节，就导致它很难复现，就是所谓的十年十个亿，成功率百分之十，这还是目前一个很大的一个痛点。所以我们是希望能够解决这样的事情，是机器人天然的会比人做得好。那机器人干这件事情，就是我每一个步骤，嗯，都是忠诚的、细粒度的做下来。嗯，今天怎么做，第二天还是怎么做。每个条件参数啊都能记录下来，这样提升它的可靠性。
另外一个点呢，就是现在的这些大量的实验室研发依赖仪器，这些仪器呢是依赖于人去操作的。呃，如果一旦人不工作，人可能就是朝九晚五这样，那一旦不工作，仪器就是闲置的。所以你整个。统计下来，它的仪器利用率可能只有百分之三四十。这些仪器往往都是很贵的，所以就导致它的研发流程就会被无限的拉长。这相比于我们在计算机领域、在AI领域，我们是能够把时间维度缩短。
我们通常会并行的跑一大堆实验。但是在这样的行业里边，它是很难去做这些事情的。所以，如果我们一旦能有机器人去做一个实验助理，嗯，去天然的把这些仪器串联起来、调动起来，那就可以把它研发效率大大的提升。所以，一方面是在质量上我们能够提升，另一方面在这个提高它的吞吐量上，提质又能提量，这这两块我们都能够产生更大的价值。
更不用说有一些是危险的，本身就不适合人去做的事情了。所以我们从行业的需求来讲，也是希望来去做能够真正的赋能，真正的去产生一些产业价值。我们现在AI已经能够让我们快速的走向这个好吃懒惰，至少是现在已经不用怎么思考了，也帮着我们思考。机器人呢，应该能够比较快的帮助我们不用怎么做事情。另外一个理想长生不老，应该也能比较快速的达到。
如果它的科研方式、研发方式是能够有一个比较好的变革的话。对这个跟你这个方向相关，就是生化环材。当然，生化环材在我们念书的时候都是所谓后来被称为“天坑”专业了，就很难找工作。当然，今天他们都变成重要和热门的方向了。那个就跟你讲的这个范式变化里面还有个。多多少少最近的好消息，就是因为就在这周，原来在新冠期间做这个
mRNA 疫苗的这个 Moderna 这个公司，莫德纳这个公司是三期临床得到显著结果，虽然还没有最后披露所有数据，但是它已经 claim 三期有显著结果，里面也包括了药物联用。
但总而言之，大家把它。总结为的就是个性化的某种肿瘤，呃，疫苗算研制成功，然后这算是个大的突破。当然，在新闻里面他们也说了这件事情在筛选的时候用了AI，当然看起来不一定是用了大语言模型，但是用了些AI，那所以它导致的结果就你讲的科研前面的发现范式有了一些变化。然后为什么这事儿跟你有关呢？因为在前天还有一篇文章写的很好，就是说如果AI改变了科学发现，就是跟药物发现有关的前面那部分范式的话，最大的瓶颈就来到了湿实验，因为只有湿实验能提供要需要配套这个发现效率，提供足够多、足够快、足够整齐的。
大量的数据来进行执行和数据循环，就是不管它是证明是对的还是证明是错的，都要回到那个预测过程里去，用AI再来进行学习、预测和循环。那所以说，好处就是大家今天开始慢慢共识到说，AI用在生物医疗里，显著提高了发现效率；AI用在生物医疗和药物发现里。瓶颈接下来就来到了湿实验本身，湿实验怎么能够提高？我不知道是不是就跟刚才你讲的你们的应用方向有关。
但是问题是，虽然人做实验有很多不可复现，这就让我想起了痛苦的我当时在国外念研究生的时候，对吧？就是做个实验。每次和每次都不太一样，在化学实验和化学合成里边，那我不知道在这个过程当中，回到刚才我们那个问题的第二个部分，它可能要迎来春天了。但是到底今天机器人能在这个湿实验环节和范围和流程里？从能力上，它今天到底能解决到哪些程度？
能解决哪些问题？能做到什么情况？能带来哪些好处？有哪些难的技术节点被你们正在克服或克服了？我们过去两年多做的。这些积累的这些能力，至少在常见的一些实验流程里边，比如说如何去处理液体、固体、粉末状或者颗粒状的这些样品，样品是一个很大的要素。然后常见的仪器，离心机、PCR，很多实验室里边常见的一些流程，我们会都拆解出来，对应出来相应的一些技能。
现在已经能覆盖掉常见的一些流程，百分之八十以上都是可以复现的，至少是一些局部已经能做到小闭环了。相当于给一些PI或者甚至一些可以享福的博士生，也可以有这样的研究助理，相当于他可以发一个指令，然后机器人可以调度实验室里边的这些相关的要素去完成一个。局部的闭环，然后把结果导出，它就可以直接根据这个闭环的结果决策它的下一步。
所以我们现在是一个辅助科研人员、研发人员的一个阶段，我们并不会去。剥夺，嗯，或者去替代这样的科学家或者研发人员，我们还是在一个先做局部的，可以类比像自动驾驶，它是一个上高速以后，嗯，开一个L2的这种，我们现在是做这种辅助驾驶的能力，能够去让他们更解脱出来。这样就避免一个人他做实验，比如说下班走之前六点想做一组实验，他不用想半夜两点还要回来再换一次液，那机器人就可以干这个事情，保证他第二天早上九点来的时候结果是读出来的。
就我们现在这种能力已经达到了。刚才方叔也提到了，我完全赞同，现在AI是数字AI已经能把生成的这个问题解决得很好了。可以在一个极大的搜索空间里面去提假设啊，去提一些这个可能的这个流程。但是，那当你提的流程越来越多的时候，我们不可能还是靠人海战术去一个一个去验。嗯，所以现在就存在我们嗯一个很大的gap，一个鸿沟。
嗯，机器人里面经常讲sim to real gap，这个听起来像是一个。生成到验证的一个gap，就是实验的一个缺失。我们一直在努力去提供物理的界面，这个物理界面就可以去把这个鸿沟去闭环掉。那如果数字AI可以去利用这些数据，那我们的物理的一个A P I可以去被调度，然后能够把整个流程就实现了一个闭环，所以这一点是我们过去几年所积累的，而且现在也跟很多客户在逐渐达成证明以及开始规模化的一些事情。
对，好，那这个大概能做什么？大概听懂了。但是今天我们回过头来看，就说在做的这些事情里边，对于今天的机器人或者大部分机器人来讲，哪些是最难的？我们先问一个大家容易直觉化的这个感受一下。比如说你参加这个WRC这个机器人世界机器人大会，你也肯定会到处溜达溜达，看看同行们都搞成啥样了，都做了哪些东西。在你在WRC里满世界溜达的时候，你有看见跟你们做相关方向类似尝试的公司嘛，这是第一个问题。
第二个问题是，就回过头来，假设这样的公司很少的话，这些事情难到底对于今今天的机器人，它难在了哪些地方？首先，我确确实走得很快，会场太大了。我觉得今年一个好处是，视觉上它的负担没有那么大，就是虽然场馆很大，走了很多，但是看到的信息其实用商来衡量的话。其实没有那么大，就是它的就很多是相似的，对，很多是相似的。
哦，然后所以没有发现说跟我们做的很相关的事情，就至少在能看到范围内啊。就是我们还是比较独特的，在死壳这个时光盘材这科学智能这个领域，这些高精度、高柔性的事情。这个我稍微插问一句，就是从解决方案，从你们做到今天已经实现了这个精度的结果来看，就是我们讲智能和硬件各自能对精度的进展到这么精确的级别，各自要起多大作用？
我觉得硬件上。的提升是保的下限，OK，就是它必须要达到某种能力，才能使得我们有可能去解决这些问题。明白。刚刚成立的时候，我们也会外采一些已有的币，但是精度确实没有到这个程度。然后我们自研的最初期也是抖动很厉害，也到不了这个程度。但是现在确实已经能到了。哦，这只有到了这个程度，才能有可能去解决。软件模型这块儿带来的更多是上限，是我用多大的成本来去教会、来去训好一个模型，使得它能快速的去。
不管是做一页还是操作离心机这些操作，所以这个是一个上限的问题。我们现在比较乐观、比较好的一个健康的一个状态是，我们下线是比较稳，然后我们上线也到了一个可部署、可交付的状态。当然，我们会持续的进一步的去。提升这个上限，把它所需要的对于处理新任务所需要的样本量进一步减少，以及是否能够真正零样本去泛化出来，所以这块也是我们在持续提升的地方。
对，所以回到刚才你接着讲，我把它打断了一下，就是在涉及到客服。这个过程当中，以及它能做到的这个精度、难度上，除了精度是一个问题之外，还有别的。在从机器人能力上来看，在过去两年需要克服的困难和挑战吗？另外一个其实是泛化性这部分。泛化性这部分呢，我们自己会讲这个高柔性，嗯，就是如果它的比如说实验流程中，不管是物体的一些物理状态，哈，这个有没有拧紧啊，啊，这个有没有插紧？
这个严丝合缝的对齐，嗯，类似于这种微小的状态估计，以及对于这些状态如何去反馈控制这部分，也都都是要去克服的。就相当于精度解决了，我们知道到哪儿一定能到。嗯，这部分呢，我们必须知道我们下一步应该去什么地方。所以这个就需要靠大量的数据采集以及一些清洗，嗯，包括训练的架构上，我们也调整了很多，所以这块也是客户积累了很多能力。
所以说，回到刚才讲，叫假定软的和硬的，就像你讲的，就像你刚才讲的各在过程当中有不同的阶段性进展，但是他们可能是A一下B一下A一下B一下。从今天来看，我不知道就在应用场景上，你们已经有了应用的证明吗？比较幸运是之前很早就能跟行业中比较不错的合作伙伴去推这些事情，包括华大制造，包括中科院里面也都有比较深入的合作，所以我们也能够。
在研发的过程中，已经把这些能力在真实的流程里面去验证，所以这个反馈是一个最直接的。所以像一些简单的细胞培养啊，包括一些这个一些毒性检测这些实验，我们已经是能够处理这个，那已经能在客户的场地中真实的跑起了。在应用问题上，我们就像刚才最早问外国友人一样，你觉得在今天有多少可能的场景，或者是具体的行业或方向，可能能用得上你们了？
已经乐观的讲，不是说就是不严谨的讲，都是可以做，但是会付出的能力、付出的投入会不一样。我们现在硬件上已经到了可以支撑这些应用的程度了，但是会有些应用就是很特殊的一些要求，有一个不是这个行业的。比如说家里吃完饭，你这个剩菜是扔掉还是存起来？哦，首先假设我们要把它存起来，放冰箱，要撕保鲜膜，然后给它放上。
哦，撕保鲜膜这件事情就是一个我们接到的需求，这个需求确实是。实实在在存在的啊，但是我们现在的技能能做吗？硬做也能做，但是真的特别硬着头皮上。对，嗯，这个对于这个实时的决策能力，包括从感知上，其实也都都有很多的哦。撕保鲜膜对于机器人来讲可太难了，因为它从它从感知上就很难，就是说，因为它是又高透又高反，还薄，还一撕就破，就是对力的要求还高，会有类似这样的。
需求，但是真的有，我们一定也能做，我们可以做一个设设备特有的一个东西来解决这个问题。那现在呢，我们还是在以自己的一个圆心，然后不断的在扩展，类似这样的需求要求，可能是另外一个单点，我们希望慢慢的拓宽，逐渐的有机的拓宽到那个点。所以你最希望今天可能能跟你。合作上的，如果是商业化的话，它大概需要一个什么样的商业环境和条件？
就是它把你用哪儿，它既能用得起，你也能做得出，并且对它来讲也可用和好用。我们现在其实挺积极的，希望和提到的生化环材检验检测，包括分析。嗯，材料学科也好，还是制药学科也好，嗯，它要持续的去闭环这件事情。就是机器人带来的好处，它可以去兼容以往的所有的异构的仪器，老的还是新的。不需要任何接口，最好的一个可以不恰当类比就是人就是一个最好的API，就是人可以调度所有的接口。
对，那我们现在智能机器人是提供了这么一个接口，所以不管过去的实验室什么样，我们可以很容易的嵌入到过去的实验室操作流程中，对它的改造是比较轻量的，甚至是零。零成本去改造，我们能够带来价值的一方面是能够去闭环这个事情，就是避免人去引入不确定性，人引入的一些效率的问题。同时，更好、更大的带来的价值是说，机器人一旦开始去闭环，那这些数据自然是标准化、可信赖的数据，其实形成了一个基座，一个物理基座，类比于之前我们做AI做计算。
GPU它是一个计算平台，有了它，可能不光是说我解矩阵计算我比以前快多少倍，而是说有了GPU以后，我可以做以前不敢想的事情。我们现在可以大规模的去处理图像、视频，现在处理语言，处理更多的，又可以。解锁一些新的方式。那机器人引入这个泛实验室环境、科学智能、石化化学领域之后，它不光是说我去避免了人来操作，而是说它由于它带来的。
环境数字化，由于它带来的标准化和可复现性，它可以解锁过去我们不敢设计的一些事业。哦，我觉得这个是带来的很大的一个优势。所以之前提了很模糊的提到，我们可以改变这个范式。我觉得这个是可以形成一个新的科学智能的基础设施、物理基座，就这个是一个很好的一个点，所以我们很积极的愿意跟像AI for Science的公司、像想做干湿闭环的这些企业或者科研机构、科研单位，嗯，希望能够把。
整个干实验和湿实验做成闭环，并且希望能把湿实验的这些数据留存下来、汇总起来，反哺回干实验的迭代，然后去。进一步的螺旋上升，去设计更新的，不管是量上还是假设上更不一样的一些实验拓扑结，你可以尝试更多不不一样的实验拓扑结构，所以我觉得这个是能带来很大价值的。对你这么说，我想起来了，因为在上一轮这个还不叫
AI for Science，上一轮在还叫 AI 制药的时候，我们有一些公司，比如说不管是金泰、基泰，我们投过的，当然他们都纷纷上市了，还有一些别的没上市或者在路程中的。
回到今天的问题，今天除了世界模型之外，可能今天另外一个上半年，呃，尤其从二季度以来很火的方向是 AI for Science。当然，这可能跟中国的推进了基础研究放到了很重要的位置，同时又推进了AI放在很重要的位置，这两者之间的结合就是AI for Science了。但是今天AI for Science在我们看的项目里边，更多的还是在用AI模型来做Science，这把火还没有烧到。
呃，湿实验怎么能够更AI化这件事儿，我不知道从你的体感上来看，AI for science虽然今天已经开始很火了，这个火烧到你们这儿了吗？会看到一些苗头哦，因为这个基础科学是。持久会投入的，但是它是一个长期投入才能看到产出的一个事情。从本质上来看，包括我们最开始就是当时做机器人，一定要追逐未知的边界，要追逐这个好吃懒做和长生不老，这是亘古不变的梦想。
所以这个一定会投入。那当前这个状态上，原理上来讲，那机器人一定会帮助这个，因为过去数字AI能做的事情是读文章，嗯，读一些文献，读这些实验报告，然后它其实从人类已经知道的东西来学习，对，是的，然后去外插。这个是有边界的，但你肯定需要下一步自然的需要AI能够去做一些人类不知道的东西，它需要去自己去设计我需要得到什么新的信息，然后我从新的信息来源里边得新假设再去迭代，就是赋予它的一个创造力，就或者说不严谨的赋予AI一个好奇心去做这件事情。
就赋予它更多的主动性，嗯，所以这个是必然会发生的就是，不管现在它的起步状况可能要花一些时间和一些希望长期投入，以及有一些前瞻性想尽早尝试的机构，已经在开始推这件事情。对我这个从从商业上好奇一下，我刚才提到了我们投过的金泰和济泰的，有一部分原因是因为金泰不是最早也做了一个比较自动化，当然这主要是工业自动化的这个实验仪器，当然主要的原因也是为了按干湿闭环来这个加快数据循环。
那当然，他们那时候确实要借助一些其他的工业化方法来完成自动化。比如说，尤其我印象深刻，当时有一个称量，它就需要拿一个拿一个东西在那抖，然后底下有一个比较精密的称量仪器。然后如果抖多了，就只好再倒回去，然后再重新抖。这个就算算是一个定量转移过程中对粉末来讲比较难折腾的事儿。他们用了一个比较间接的方法来解决了。
那我提到这个问题，只是想讲说，假定因为迟早这个 AI for Science 要进到干湿闭环，或者就像那篇文章里讲的，湿实验会变得越来越重要，尤其是实验数据。那从这个角度上来，在你接触的今天的现有的潜在可能跟你们合作的这些相应商业用户来讲，如果这个商业用户本身是更多的做 AI for science
的背景的人，和更多的就像我们你讲的传统，像我们原来那样做传统生化环材实验的人，他们这两部分人对你的这个接受度和兴趣是一样的，还是更 AI for science 的那个会更容易理解和接受的这个流程？
我们现在接触的其实这两类人呢，它不是那么割裂，是混着的。传统师范、软件学科也在往AI在，不能说迁移，在融合。对，其实在融合。然后之前做纯做AI的，然后现在来做AI for science呢？它对数据的敏感度可能更高一些，对对，就是第一想的就是，哎，这个数据是否能积累起来，是否能够循环起来？所以我觉得两类人其实都还是比较开放、比较拥抱这个用新的方式来去实现湿实验的推进。
传统做湿实验的人在接受了AI之后，也采纳这个智能机器人作为实验室流程的一部分，和更偏AI for science，就从AI角度来创业的人对AI的认可度来看和。他对今天AI这个智能化理解程度来看，他们是不是在接受？我不知道今天你觉得你你在商业化的过程里边，大家对成本的敏感度是什么样的？或者说你们能解决的场景里边，在成本上大家能承受的程度是什么样的？
最基本的肯定是很容易算的，就是降本增效这一块。对，就是哎，我算一个人工是否能够算得来。另外呢，大家普遍也可以接受的是这些仪器的利用率是否是真的能够被提上来，使得它的时间通量上来了。然后未被广泛接受，但是可能后面会被接受的，就是当我的实验质量提高，是否AI能够去提出更好的假设啊？这些数据是更高质量的，完成更好的闭环，就是这个是一个未知的。
但是显然，它未来可能也是最大的一个价值提供。你看到对于外部环境也好，产业变化也好，你们自身的能力发展也好，再往下的一个阶段，比如说从现在开始，假定到明年参加WRC的时候，你觉得对元洛本身而言，你比较大的期望和你比较大的变化，可能在这一年里会是在哪些事情上，或哪些方向上和哪些结果上？你比如说，划一个节点到明年一年，我们肯定是希望。
我们构建的这么一个物理基座是真正嵌入到了很多合作方。我们现在也有一个原点计划，是希望跟整个科学智能行业里面的这些合作的机构、企业一起去构建这么一个生态。所以，希望明年到这个时候呢，是希望这个生态已经能够形成。是发现我们有一个共享的地方，不管是这些物理技能也好，还是这些这个数据也好，如果在允许的范围内，我们是希望能够形成一个更好的一个方式来推进AI4S这个这个行业它本身的研发，就是机器人的。
能够构建出来类似于GPU于计算来讲啊，我们希望构建一个物理AI与这个科学智能构建这么一个物理平台，来去把生态构建好，使得生态里边的所有的这些企业科研单位能够把研发速率提升，产生新结果的速率提升。像前两年，包括尤其是去年，我们做Lightning Out这这样的。例子越来越多，那我们希望加速这样的进程，而且不单单是在医药行业，也在材料，在其他行业都希望能够发现这样的变化。
那作为结尾，你最希望不管是从团队人才、行业合作伙伴、上下游的建立、硬件合作伙伴各种各样的方向上，你有什么想要去说明这个？大概的范围或者说期望吧。实际上，我们元洛呢一直是一个长期乐观、短期务实的一个公司，所以从成立到现在也积累了自己的呃硬件本体、模型、数据。现在呢，下线已经是很很稳很高，然后同时也在很好的一个节点去提升我们的上限，在保证可靠性前提下去提升通用性和泛化性。
所以由此呢，一方面我们也希望跟行业中其他的合作伙伴，嗯，不管是科学智能领域，还是其他行业，包括我们现在也在跟农业也有精细化工制造业企业呀在合作，把我们的高精度、高柔性能力推出来，推到更多的行业里面，这肯定是希望能够跟大家一起合作。然后另外一个方面呢，也希望。智能机器人，嗯，对科技驱动落地这件事情极其感兴趣，想要死磕机器人在真实场景产生价值的这些研发的小伙伴，有兴趣能够加入我们，我们这个一定是长期欢迎的。
对，好，那感谢连博士的时间，也感谢大家对节目的关注。希望借这个节目，也这个祝机器人行业发展好。希望元洛能借这个节目，也能找到一些合作，或者甚至是小伙伴的加入。谢谢方叔，谢谢大家。