高继扬的土里路线：星海图为什么先做整机，再做大脑 (2026)

这一期最值得抓住的，不是「机器人公司要不要做大脑」这个热门问题，而是高继扬给出的顺序：先把手伸进硬件、供应链、客户现场和真实数据里，再谈大脑。星海图的故事听起来很热，但它的底色很冷：算账、拆解、补课、交付。第 132 集于北京时间 2026 年 2 月 13 日 18:00 发布，原节目约 3 小时 05 分。1

本期速读

线索	高继扬的答案	为什么有信息增量
机器人公司先做什么	星海图从第一天判断，中短期商品不是单一算法，而是「整机加智能」；长期壁垒来自物理世界的数据闭环。1	这解释了为什么一个自动驾驶出身的 AI 团队，2024 年的主线反而是整机和供应链。
数据路线怎么选	他坚持真实数据为主，但不把 Data Recipe 拍脑袋定死；机器人数据配比要靠实验试出来。1	这把「真实数据 vs 仿真数据」从立场之争，拉回到成本、训练效率和场景适配。
大脑是什么	他把机器人大脑拆成双系统：VLM 负责指令拆解和逻辑，VLA 负责产生动作并驱动本体执行。1	「大脑」不再是一个泛词，而是有端侧算力、延迟和商业场景约束的系统设计。
许华哲离开意味着什么	高继扬否认「算法不重要」，但认为算法创新不能脱离整机、数据、基础设施和客户价值链单独存在。1	这揭示了星海图内部取舍：务实创新优先于超前研究。
机器人为什么不浪漫	高继扬说机器人链条太长，团队天然要到「土里面」做很多事。1	这是本期最底层的性格判断：具身智能不是只靠模型曲线讲故事的行业。

核心观点拆解

1. 高继扬不是天才叙事，他更像「冲刺型」解题者

高继扬讲自己的成长，反复落到一个词：归纳。他不是从小一路碾压的天才。小学、初中、高中，他多次处在「平时普通，关键节点突击」的节奏里。高中物理竞赛让他保送清华，但他的解释不是天赋，而是「别人刷一遍题，我刷两遍；别人刷两遍，我刷四遍」。1

这条线后来延续到读博。他给自己定了四年毕业的目标，然后倒推出顶会论文数量、投稿节奏和协作方式。他把顶会论文归纳成三类：挖坑型、性能提升型、低成本或少监督型。这个说法未必适用于所有学科，但它很能说明他的工作方式：先把复杂系统拆成可判别的类别，再提高命中率。

曾国藩在这一期里不是一个装饰性典故。高继扬在申请海外博士受挫后读历史，看到曾国藩从儒家清流转向带兵做事。他真正吸收的是一句很现实的东西：一个人要做成事，关键不是自我评价多高，而是能拉动多少资源、多少人，最后把事情做成。1

2. Waymo 给他的第一课：工程很强，不等于方向调得够快

高继扬 2018 年前后进入 Waymo。他回看自动驾驶技术史时认为，2008 年到 2018 年的主流架构变化并不大：感知、定位、离线高精地图、决策、规划、控制，底层还是 Robotics 式的模块拆分。AI 先是替换了感知等模块里的算法，后来才出现 AI Native 的重新设计。1

他对 Waymo 的批评不是工程能力。恰恰相反，他承认 Waymo 的工程训练、同事质量、基础设施都很强，甚至称它是「工程师的天堂」。问题在于，它太早进入大公司状态，且缺少一个真正把方向拉齐的创始人力量。按他的说法，在自动驾驶这种长周期行业里，错并不可怕，怕的是力量不集中、不统一。

这里有一个微妙的判断：高继扬并没有简单说 Waymo 路线错了。他后来在洛杉矶体验 Waymo，认为服务体验已经明显好于大多数 Uber，商业模式也走到「曙光」边缘。也就是说，他同时承认两件事：Waymo 慢，但它能把长期战略执行到底；Waymo 缺少创始人式强驱动，但它的工程耐力足够强。

3. Momenta 给他的第二课：量产不是交付动作，而是组织洗礼

从 Waymo 到 Momenta，高继扬进入了另一种极端。Waymo 是温暖、宽厚、基础设施完备的工程师天堂；Momenta 是结果导向、客户压力、组织快速调整。高继扬更认同 Momenta 这条路，因为它把数据、商业和产品绑定在了一起。

他复盘 Momenta 时特别看重一个判断：2018 年就明确从量产自动驾驶切入，通过量产形成数据飞轮，再走向 Robotaxi。高继扬认为，这在当时很有魄力，因为那时很多公司仍在直接讲 Robotaxi 故事。Momenta 选择先把自动驾驶装进量产车，给车企和用户提供价值，再把数据获取变成商业驱动行为。1

他在 Momenta 像一条「鲶鱼」：做过感知、定位、泊车、基础设施、规控，最后参与高速 NOA 量产并交付上汽。真正的收获不是掌握某个模块，而是练出一套快速进入陌生领域的方式：拆解问题，做人事匹配，测量反馈，放大有效动作，收缩无效动作。

最重要的变化，是他学会了「以客户为中心」。他特别强调，这不是客户让做什么就做什么，而是站在客户角度理解需求，甚至帮客户挖掘需求。对星海图后来的路线来说，这比技术路线本身更关键。

4. 星海图从一份「糟糕 BP」开始，但方向很早就定了

2023 年，高继扬从 Momenta 离开。他说自己放弃了不少期权，按当时时间点估算可能有约 1000 万美元，但并不心疼。因为 GPT-3、InstructGPT 和特斯拉人形机器人等信号，让他判断两个条件正在成熟：社会重新相信 AI，端侧算力和传感器产业链也在自动驾驶推动下变得可用。1

星海图最早的 BP，他自己回看觉得「不堪入目」。团队一开始想过末端配送，后来很快否定。真正留下来的，是两条底层判断：

做具身智能，不能只做智能，必须做整机加智能；
不想做纯研究，要落地、要商业化、要产生客户价值。

第一轮融资来自 IDG、百度风投、金沙江等，金额约 3000 万元人民币，估值大约在 2 亿元人民币量级。这个数字放到今天显得便宜，但在 2023 年机器人尚未成为共识时，它更像是投资人对团队的「天使」判断：现在不完美，但人可能对。1

5. 为什么先做整机：没有本体，就没有数据闭环

这一期最清晰的战略判断，是星海图为什么不先做一个「机器人大脑」。高继扬的推理很直接：长期壁垒来自物理世界数据闭环；要有数据闭环，就要有数据载体；这个载体就是整机。中短期看，客户买的也不是一段算法，而是在物理世界有执行能力的实体。

这让星海图在 2024 年选择补硬件和供应链的课。早期他们从拆别人的产品开始，甚至用淘宝以图搜图找供应商。后来遇到负责机电系统的杨则易，才把机器人整机系统的框架慢慢搭起来。高继扬把这段说得很土，但它恰好说明了机器人创业的难点：你不能只站在模型侧看世界，螺丝、关节模组、线束、来料质量和老化测试都会改变产品命运。1

星海图没有选择双足人形，而是从轮式、躯干、双臂的构型切入。高继扬的说法是「智能定义本体」：如果目标是操作智能，双臂是重点；双足行走会把问题复杂度拉高，而很多真实场景并不需要双足过坎。2024 年 3 月左右，他们定下第一代 R1 方向，先服务开发者市场，再逐步走向生产力市场。

6. Data Recipe 不是口号，是真实成本和训练效率的账

机器人行业最容易吵成口号的是数据：真实数据、仿真数据、人类第一视角数据、互联网视频数据，到底谁更重要？高继扬没有给一个绝对比例。他认为 Data Recipe 是具身智能公司的关键秘密，比例关系必须从智能需求出发，由实验决定。

但他的底牌很明确：真实数据为主。理由有三层。

第一，AI 要解决哪个 domain 的问题，训练数据最好就在那个 domain 里。传统图形学渲染的仿真体系和真实世界之间仍有明显 gap。第二，数据成本不能只看采集成本，还要看训练成本。他给出的粗略比例是，花 1 块钱拿到的数据，可能还要花 5 到 10 块钱训练才能「训明白」；低质量数据会把钱浪费在训练阶段。第三，真实数据没他想象中那么贵。按星海图自己的粗略运营成本，一小时真实机器人数据约 200 到 250 元，包含 3 到 4 小时人力和机器人折旧；一万小时约 250 万元，十万小时约两千多万元量级。1

所以，他不是说仿真没用，而是说不能先预设一个漂亮金字塔。真机遥操作数据、human-centric data、POV 数据、互联网视频、仿真数据，哪些占多少，得试出来。他有一句话很适合收藏：

「AI 归根结底还是实验科学，得试出来。」1

7. 机器人大脑是双系统：VLM 拆任务，VLA 出动作

当张小珺问「大脑怎么做」时，高继扬先把「大脑」这个词拆开。他认为，具身智能至少有两个基础模型：一个是动作基础模型，也就是 VLA，输入视觉和语言，输出动作；另一个是上层的 VLM，负责指令拆解、逻辑和思考。两者组合，才构成今天星海图所谓的「大脑」。1

为什么不直接一个端到端模型管到底？他的答案很工程化：端侧算力有限，几十 B、上百 B 参数的推理模型不可能都放在机器人端侧；执行动作的 VLA 如果放云端，延迟也难解决。很多工商业场景只有二三十个动作，直接调用语言接口和端侧动作模型就够了。更通用的家庭场景，才更依赖 VLM 推理。

这也解释了为什么星海图认为自己相对大厂仍有机会。大厂有算力、基础设施和人才，但缺真实世界机器人数据；有整机、有硬件、有基础模型 know-how 的创业公司，反而更可能定义数据体系和质量标准。

8. 许华哲离开：不是算法不重要，而是算法不能单独成神

这一期最敏感的部分，是星海图联合创始人许华哲的离开。高继扬的表述比较克制：许华哲是有影响力的科学家，在前沿问题上理解很深；星海图支持他去做 2C 和家庭应用方向的创业，星海图也会投资。1

但这背后确实有价值排序。高继扬强调，算法创新不能独立于整套基础设施存在。具身智能的价值链包括整机、供应链、数据、AI 基础设施、算法、模型、分销、终端客户价值。算法很重要，但在当下，算法的传播周期相对短，优秀团队两三个月就能跟进；整机和供应链的传播周期是 12 到 18 个月，数据体系还要在整机基础上再加 6 到 12 个月。

这句话很狠：算法投入大，但防止被抄的壁垒小。星海图的取舍不是不创新，而是把创新放在「务实创新」下面。高继扬说，理想主义不能变成空想，创业公司要先生存，再用更高 ROI 的方式创新。

9. 场景选择：先找速度不高、容错可控、能快速铺量的生产力场景

到 2026 年，高继扬说星海图的重心从整机、数据和智能，转向场景和应用。他用三个指标定义供给侧能力：速度、精度、泛化性。速度大概率先达到人类 80%到 90%；精度先解决厘米级，毫米级是下一步；泛化性看新增多少数据能解决一个新问题。1

需求侧也有筛选条件：速度要求不能太高；AI 犯错后的损失不能太大；市场最好全球化，不只在单一国家成立；同类场景在不同国家还要足够统一。

他把很多劳动动作归成五类：carry、pick、pack、fold、operate。看起来很普通，但这个归纳很有用。大量岗位不是每天做几百种动作，而是少量动作组合反复出现。仓储物流里的 bin picking、智能制造里的场内物流，是他明确看好的方向。传统自动化能解决标准化搬运和码垛，却很难处理成千上万种 SKU、形状不一的物体和泛化抓取问题。

高密度金句

「以客户为中心不是生硬地说客户让我们做什么我们就做什么，而是真的站在客户的角度去看他的需求是什么。」1

「AI 归根结底还是实验科学，得试出来。」1

「理想主义不能变成空想。」1

「这个世界是靠相信去驱动的。」1

「通过一个问题解决一类问题。」1

「机器人这个事儿链条非常长，周期也很长。」1

时间线：高继扬和星海图的几次转向

时间	节点	这一节点改变了什么
2010 年前后	高继扬通过物理竞赛保送清华电子系。1	他确认了自己的方法不是天赋碾压，而是归纳、刷题和关键节点冲刺。
大四前后	在商汤实习，第一次系统接触深度学习。1	他被「机器从数据中总结规律」击中，从芯片方向转向 AI。
2018 年前后	进入 Waymo，做预测和感知相关工作。1	他看到顶级工程体系，也看到大公司状态下方向调整较慢的问题。
2020 年底至 2023 年	加入 Momenta，参与量产自动驾驶交付，最后做高速 NOA 量产并交付上汽。1	他把「数据飞轮」「客户价值」「组织打仗」变成自己的创业底层方法。
2023 年	离开 Momenta，和团队创立星海图，早期 BP 和方向经历摇摆。1	团队最终确定「整机加智能」和「开发者市场」两条主线。
2024 年	主攻整机和供应链，定义轮式、躯干、双臂构型。1	星海图把最不擅长的硬件补课，变成后续数据闭环的入口。
2025 年	重心转向数据和智能，开源约 500 小时高质量遥操作数据及基础模型。1	它开始用真实数据和 VLA 能力证明自己不只是硬件公司。
2026 年	重心转向场景和应用，目标从开发者市场走向生产力市场。1	公司要从 demo 和开发者客户，进入能规模化出货的真实场景。

读完带走

第一，星海图的战略不是「先硬件后软件」，而是「为了模型，必须拥有整机；为了数据闭环，必须进入真实物理世界」。这和自动驾驶公司只做软件供应商不同，机器人行业没有现成的汽车产业可以托底，载体本身要自己造。

第二，高继扬的技术观很不浪漫。他相信基础模型，也相信 VLA，但他更在意数据怎么来、客户怎么买、供应链怎么稳、错误怎么被一类一类解决。机器人公司的估值可以很热，日常工作却很冷。

第三，许华哲离开不是本期的八卦，而是一个组织分水岭。星海图选择把资源压在「务实创新」上，算法要服务整机、数据、商业化和客户价值。这个选择会牺牲一部分技术浪漫，但也让公司更像一家要交付产品的公司。

第四，本期最能解释中国具身智能创业气质的一句话，是高继扬说机器人团队天然要到土里去。土里有供应商、客户现场、线下渠道、老化测试、真实数据和一堆不好看的问题。谁能长期待在那里，谁才可能把机器人大脑做成一门生意。

参考ソース

1小宇宙：132. 对星海图创始人高继扬的3小时访谈