Overview

Shownote

Highlights

Transcript

Chapters

Pins

独家实测机器人上门保洁：149 元 3 小时背后，数据与能力的天花板 - Vol96

脑放电波

May 11

独家实测机器人上门保洁：149 元 3 小时背后，数据与能力的天花板 - Vol96

脑放电波

May 11

Overview Shownote

Highlights

Transcript

Chapters

Pins

Unprocessed episode, you can be the first!

在 58 同城约了个机器人上门做保洁，来的不只一台机器，还自带工程师、保洁阿姨和货拉拉司机。这一期不只有自变量的保洁机器人。去年在北美花 60 美金 30 分钟体验了一次机器人按摩，回头一查，那家叫 Aescape 的公司今年 4 月破产了。维他动力的 Vbot 机器狗也开始大规模交付了 ——4000 台，占去年行业产能的五分之一。三段亲历，同一个问题：消费级机器人离 "有用" 到底还有多远？

后半段我们扎进了行业数据策略的争论。Jim Fan 在红杉闭门会上说 VLA 已死，世界模型才是出路。我们还扒了最近 Figure、Generalist、Genesis AI 三家放出的 demo—— 这些视频看起来一个比一个强，但在真实场景里的表现，我们存疑。

02:00 自变量机器人上门：149 块 3 小时，谁在干活？

一台机器人进门要三个人伺候：工程师、阿姨、货拉拉司机。

58 同城 APP 预约，目前只开放深圳。149 元含一位保洁阿姨 + 一台双臂机器人 + 一位随行工程师。阿姨收拾厨房厕所卧室，机器人只负责客厅 —— 过不了门槛、挤不进卧室。
机器人是轮式底盘，宽 50cm 长 80cm 高约 1.5m，重几百公斤。两个夹爪能从地面夹到 1.5m 高，工程师得用货拉拉运、用斜坡推下车，"抱是抱不下来的"。
它在客厅干了这些活：把倒地书包拎起、拉上拉链（夹了 3 次）、三个书包摞一摞、叠了五六件衣服（每件 5 到 10 分钟）、茶几杂物归类后丢垃圾、餐桌杂物叠成半桌、临走把门口鞋摆好。中间死机一次，停了 20 分钟。
机器人完全静默 —— 没有音响，零交互。托马斯白没法给它派活，"他进来就直奔沙发开始干，我没有做任何表达"。背部 USB 口插着一个 4K HDMI 发射器（用来回传画面和遥操指令），工程师自带了华为 5G 路由器组网。

10:00 拉拉链那一幕：惊艳是真的，推测有人在遥操

我给遥操的大哥点个赞了，手法真好。

书包拉链是拉上了。从地面拎包→放沙发→夹拉链（失败两次）→换到侧面夹→成功，整个过程 2 分多钟。动作精细程度远超目前任何全自主模型的公开水平。
托马斯白中间说了一句 "这个可以放在旁边的箱子上"，机器人大约 2 秒后转头找到那个箱子放下，感觉 "后台有人在听"。
中间停住过一次，工程师查网络、联系公司，约 20 分钟恢复。
行业惯例：1X 的人形机器人进家 100% 遥操，智元 2025 年展示的做三明治也是遥操，Tesla Optimus 那次倒啤酒后来也被爆是遥操。Nixon："凡是看起来太完美的家用机器人现场，默认它有遥操背景是更合理的判断。"
叠衣服的表现倒像自主尝试 —— 不是人类叠法，不甩不抖，左抓右抓，叠得 "比我儿子还差点"。托马斯白的猜测：拉拉链这类精细活是遥操，叠衣服这种标准化任务可能切到了世界模型在跑。皮沙发脚托很滑，衣服下半截接触台面后还会被拉移位。烘干后带皱的不同面料，跟实验室里轻薄垂顺的 T 恤完全是两码事。机器人没有 "甩" 这个动作能力 —— 而叠好衣服恰恰需要抖和甩。最后那叠衣服只能说变成了方形，里面的皱褶全在。

33:00按摩机器人为什么死了？Aescape 的 1.57 亿美金教训

像在工厂里被按摩。节奏、节拍、运行声都像车间设备。

Aescape，2017 年成立，Equinox 健身房和四季酒店有部署，30 分钟 60 美元。上个月申请破产，累计亏了 1.57 亿美元，融了 1.2 亿，资不抵债。
Nixon 去年 10 月体验：先上网填衣服尺码，到店换上紧身瑜伽服，摘掉项链摘项链、Body Scan，塞好衣角。躺在床上，左右两个 "螃蟹钳子" 机械臂开始从上到下、从轻到重地滚。咔特咔特的充放气声 + 散热风扇嗡嗡响，背景放着冥想音乐也盖不住。
力控粗糙。机械臂无法像人手一样一会儿用手掌一会儿用骨节调节压强，力道偏大时 Nixon 只能自己往下滑来躲。触觉也没精细到能感知衣服材质 —— 所以才必须让客人穿统一面料，"用流程兜底感知能力不足"。
一周只能约三天，剩下四天机器在维护。"一台机器 7 天只干 3 天活，单店利用率直接腰斩。" 商业模型里回本周期、维护成本、场地分成三项一算，根基本来就是裂的。

41:00 Vbot 机器狗量产

5 月 8 号首批 500 台下线，5-6 月产能冲到 2500 台 / 月，四千台进家庭。Pre-A 轮近 5 亿元，目前消费级具身赛道单笔最大。CEO 已明确下一站在做全尺寸人形机器人。
Nixon 在上海长宁来福士探店，商场草地和教堂广场上牵着遛了 15 分钟。四种跟随模式：稳态（要使点劲拽）、省力（手腕一转就跟）、户外探路（机器在前）、跟随（机器在后）。UWB 信标 = 远程牵引绳 + 跟随定位锚，内置麦克风能语音查询 "来福士到长宁区政府怎么走"。
新配件包括静音组、防夹手设计、家庭守护（本地 48 小时存储），后续 Openclaw SDK 路线是 "模糊指令→自动编程→完成任务"。
4000 台 = 去年行业机器狗总产能的 1 / 5。Nixon："量产是数据滚轮的入场券。硬件趋同后，操作系统和生态才是真正的护城河。"

45:00 数据游戏变了：从人手把手教，到 iPhone 绑头上拍

过去两年，行业靠 VR 遥操攒数据起家 —— 让操作员戴着 VR 头盔用手柄控制机器人做动作，录下来当训练样本。这条路走到头了：单工位年运营 50 万 + 人民币，建 1000 个工位也凑不到 100 万小时；遥操员没触觉反馈，成功率只有 1 / 3；动作慢、动作僵，抖衣服这种依赖速度的任务永远学不会。
2025 年出现拐点。单目人体姿态估计成熟，iPhone 第一人称视频能精准提取 21 个手部关节 —— 戴着手机正常干活就能产训练数据。英伟达 EgoScale 的配方：2.1 万小时 ego 视频做预训练（主食），加 50 小时数据手套（精细对齐），加 4 小时遥操（校准锚定，不到 0.1%），就训出了符合 scaling law 的模型。
Build AI，一家 18 岁哥大辍学生创办的公司，把 iPhone 和头戴相机绑在亚洲数千名工厂工人头上。去年 10 月开源 1 万小时，年底扩到 10 万小时，今年目标 100 万小时。这本质上是把 "采人类视频" 做成了流水线生意。
三条线都在跑，只是权重在变：遥操→黄金数据（微调锚定用），ego 视频→基础数据（预训练主粮），Human Data 多模态→核心数据（力觉触觉全身动力学）。Jim Fan 给的金字塔很直白：塔尖遥操最难扩展，塔基第一视角视频千万小时级别起步，"饭在塔基"。

01:00:00 Jim Fan 的 “暴论”：VLA 已死，WAM 当道

可乐罐放在 Taylor Swift 照片旁边 —— 这是 VLA 最高光的 demo，也是天花板。

VLA（Vision Language Action）的根子是让语言模型理解物理任务。Jim Fan 在红杉闭门会上直接给 VLA 画了个墓碑 RIP。原因很简单："绝大部分参数给了语言"，而语言在物理世界里是有损压缩 ——"把可乐罐放在 Taylor Swift 照片旁边" 这种任务靠语义指代能行，"把这件衣服叠成刚好能塞进抽屉的样子"" 绕着这盆花的形状擦桌子 "—— 全是" 差不多 ""刚好"" 大概 "，文字编码不了。
WAM（World Action Model）替代思路：预测世界下一帧画面，让动作微调把预测兑现成执行。"如果模型预测的下一帧是对的，动作通常就是对的。" 作品 Dream Zero，Jim Fan 说这是 "机器人的 GPT-2 时刻"。

01:11:00 实验室里的 Demo：精修画面和真实世界之间隔了多少次摆拍？

我们不知道是不是遥操摆拍了十多次，最终给你剪一段出来。

Generalist（GEN-1）放出 6 个特定任务 99% 成功率，背后是 50 万小时人类动捕数据。仔细看：只有 T 恤折叠、吸尘器维护这 6 个任务到了 99%。其他任务泛化能力未知。全程没有语言参与 ——"没有语言就没有目标，机器人其实不知道自己在干什么。"
Genesis AI（GENE-26.5）打蛋、切番茄、做奶昔，多数子任务 90-95%。打蛋和刀转移番茄两项最难的只到 50-60%—— 打蛋刚好是 "特别讲究触觉和手感" 的动作，这两项做不好，离真实厨房还很远。公司自己说的是 "30 秒复杂技能 = 几小时人类数据 + 不到半小时机器人执行数据"，路径是人类预训练 + 少量机器人适配 + 仿真闭环（他们原本就是仿真平台出身）。
Figure（Helix-02，5 月 8 号放出）双机协同卧室整理：开关门、挂衣服、收耳机、倒垃圾、推椅子、盖被子，不到 2 分钟。画面精美，布景专业，打光讲究，像一个广告片。"考虑到今天机器人的遥操如此普及，我们不知道它真实的能力边界在哪里。"
这三个 Demo 都是在实验室条件下精挑细选的展示。播客前半段聊的那三台机器 —— 自变量保洁干 3 小时死机、Aescape 一周坏四天、Vbot 机器狗遛狗体验 —— 是任何普通人都能上手体验、看到所有失败和局限的真实产品。精选画面和完整工作日之间，差的不是技术参数，是 "能不能在全天候、无人值守的条件下持续工作" 这道最硬的门槛。