对话小米具身游洋威：具身智能距离「GPT-3.5 时刻」，还差千万小时数据

“具身智能还在「L2早期」，工厂会先于家庭落地。”

作者丨赵翔国

编辑丨马广宇

本周末的 WAIC，具身智能毫无疑问是最热闹的一个展区。

近 200 台机器人在场馆里行走、跳舞、格斗、递送物品，甚至泡茶、炒菜，各家公司都在努力证明自家机器人的灵活性和智能程度。

过去几年，人形机器人首先要证明自己能够站起来、走起来，或者完成奔跑、翻滚等高难度动作。到了今年，展台上的机器人开始承担搬运、分拣、接待、制作饮品等具体工作，市场关注的重点也逐渐从动作能力转向实际用途。

具身智能的竞争随之延伸到更多环节。除了机器人本体，数据、模型、灵巧手、触觉传感器、执行器和控制系统也成为厂商投入的重点。随着资本、人才和技术资源持续进入，行业正从概念展示转向更密集的产品开发和工程验证。

不过，展台上的短时演示，与机器人在真实环境中长时间连续工作之间，仍然隔着稳定性、可靠性、成本和数据等一系列工程问题。

因此，具身智能很难依靠单一环节取胜。机器人本体决定它能否完成动作，模型和数据影响它学习新任务的速度，供应链与制造能力则关系到成本控制和规模化交付。接下来，行业比拼的将是综合能力。

从业务布局看，小米可能是国内少数能够在集团内部同时调动模型、机器人本体、供应链、工厂和消费场景资源的企业之一。

持续在大模型领域投入的小米，也在具身智能领域陆续取得了一些进展。

今年 5 月，小米机器人团队参加了两项国际机器人赛事。

首先，小米在 CVPR 2026 Workshops 旗下的 RoboChallenge 中，匿名模型 my16 以 40.89% 的任务成功率排名第一，也是榜单中唯一成功率超过 40% 的参赛模型。第二名和第三名的成功率均为 21.33%。

随后在 ICRA 2026 期间的 AGIBOT WORLD CHALLENGE 全身控制（WBC）赛道中，小米团队的方案以 99.2 分和 94% 的成功率位列第一。

上周，小米具身业务更是对外连续三天披露进展。

7 月 14 日，小米宣布，经过 4 个月的不断迭代，小米机器人在自攻螺母上件工站的双侧作业成功率从 90.2% 提升至 98%，距离人工作业合格率仅差1个百分点。与此同时，还解锁了两项全新“实习”岗位——中控台侧盖板排序和料箱折叠回收，两项任务成功率均已达到 90%。

7 月 15 日，小米机器人团队发布并开源 Xiaomi-Robotics-U0，将文生图、图像编辑、具身场景生成、具身迁移和机器人交互视频生成纳入同一个框架。小米试图借此建立一套效率更高、成本更低、可控性更强的具身数据生产机制，让生成模型持续为机器人提供训练数据。

紧接着 7 月 16 日，小米再次官宣具身基座模型 Xiaomi-Robotics-1，用超过 10 万小时真实操作轨迹预训练、再叠加跨本体数据后训练，主打“开箱即用”——给一句指令就能直接干活。该模型在 RoboCasa365 和 RoboDojo 两个权威具身榜单拿下综合排名全球第一。

几年前，小米进入新能源汽车行业时，同样面对一个参与者众多、资金投入巨大、供应链复杂的新市场。汽车业务证明了小米调动集团资源、整合软硬件能力和完成复杂产品交付的能力。

但这些经验能不能再次用于具身机器人？机器人会不会成为小米汽车之后的下一条增长线？目前小米机器人在工厂的运行情况如何？

带着上述问题，在 WAIC 期间，雷峰网与小米机器人仿生操控负责人游洋威进行了一次对谈。

游洋威本科、硕士毕业于哈尔滨工业大学，博士毕业于意大利理工学院，多年深耕机器人运动控制算法研发。

游洋威介绍到，小米目前还没有急于推出面向普通消费者的人形机器人。相比展台表演和家庭陪伴，小米现阶段更关注工厂场景，希望让机器人参与制造中的搬运、装配和柔性操作等环节。

小米选择从工厂场景切入，与它现有的业务基础有关。

对大多数具身智能初创公司来说，进入真实产线并不容易，既需要制造企业开放工站，也要长期驻场采集数据、调试设备和验证模型。

但小米拥有自己的制造工厂，可以让机器人直接进入生产环节，在持续运行中面对光照变化、物料移动、设备异常和节拍波动等现实问题，这些反馈也会反向影响机器人的产品设计，从而推动迭代。

而对于国内机器人在全球竞争中所处的位置，游洋威则表示，整个行业还都处于探索阶段，但在智能制造中的应用能力，小米代表了中国的领先水平。

正在工厂内作业的小米机器人

以下为游洋威与雷峰网等媒体的对话内容，内容经不改变原意的编辑：

Q：目前机器人似乎有“运动员”和“服务员”两种类型，这两类机器人的差别，具体体现在哪里？

如果要做“运动员型”机器人，对整体肌肉爆发力，也就是电机、关节和运动控制能力的要求都会很高。它需要针对高动态动作做专门训练。

但如果目标是做“服务员型”机器人，比如进入工厂完成搬运、装配等作业，对爆发力的要求没有那么高。这样一来，硬件成本、负载和能耗都能得到更好的平衡。

这有点像汽车。越野车当然也能在城市里开，但油耗会比较高。同样，在工厂里干活，运动能力很强的机器人也能完成任务，但它的电耗、续航和成本，未必比服务型机器人更合适。

Q：所以这不只是软件和算法路线不同，连硬件选型也会变化？

对，电机选型、身体尺寸、负载设计都会有差别。

比如做跳舞、高动态动作的机器人，通常会相对矮小一些。体操运动员往往个子也不会特别高，因为较小的身体更适合完成高动态动作。

但工厂作业面对的是另一套要求。不同工位对机器人的高度、臂展、负载和操作空间都有具体限制。机器人要真正进入工厂，就必须围绕这些实际任务进行技术取舍。

至少从目前的技术阶段看，“运动员”和“服务员”还很难在一台机器人上实现非常好的融合。

Q：小米未来也可能去做更高动态、更接近“运动员”的机器人，只是现阶段优先级没有那么高？

未来并没有完全排除这种可能。

但按照小米目前的规划，我们首先希望解决工厂落地的问题。接下来五年，能不能让机器人在工厂里实现大规模应用，是我们更优先考虑的事情。

等这件事做好以后，如果还有余力，或者相关技术逐渐成熟，向更高动态的方向发展，也可能是一件水到渠成的事。

Q：小米机器人已经开始在工厂“上班”了，现在具体运行到了什么程度？

我们已经在很多工站做试点。目前相对稳定的是螺柱上件工站，团队每周都会安排时间，让机器人进入真实工厂测试。

这个工站的任务成功率已经从最初的 90% 左右提升到了 98%。不过，距离熟练工人以及工厂对正式产品的要求，可能还差一个百分点左右。后面还要继续打磨，争取让它真正进入稳定落地的状态。

与此同时，我们也在不断尝试新的工站。此前披露过一些机器人在组装车间里的工作，但人形机器人最终不能只会干一件事。具身智能的目标还是希望机器人具备一定的通用性和泛化能力，过去在一个工站积累的经验和数据，能够迁移到新的工站。

Q：已经训练好的工站经验，现在能够直接复用吗？

新工站目前的成功率可能还没有那么高，但按照已有经验，用类似的方法可以比较快地提升到可用阶段。随着工站数量增加，数据和经验不断积累，后面再进入新的工站，适配速度应该还会继续提高。

目前整体是在稳步推进。

Q：今年在 WAIC 上能明显感觉到，机器人行业正在从跑步、跳舞等展示，转向真正进入现场干活。小米也开始做工厂作业了。机器人从“能表演”走到“能干活”，最大的难点是什么？

难点很多。工厂首先看的是成功率、稳定性和可靠性，这也是我们一直打磨螺柱上件工站的原因。

它并不只是算法或者模型的问题，而是对整个软硬件体系都有很高要求。机器首先不能频繁故障，这是最基础的。在这个基础上，算法才能解决任务本身。模型还要具备足够的泛化性和鲁棒性，能够处理现场出现的各种异常情况。

机器人能把活干完还不够，还必须干得足够快，满足工厂的生产节拍，机器人要进入流水线，就必须在限定时间内完成全部动作。机器人的动作规划、电机响应和整体执行效率，都要跟得上产线节奏。

Q：但人类工人的一些动作看起来很简单，机器人做起来似乎仍然很困难。

对，真正进入工厂之后，会发现有很多非常细节的问题。

有些任务用普通夹爪也能完成，但效率比较低。以螺柱上件工站为例，现在可能需要两台机器人共同作业，但原来一个工人就能够完成这个工站的工作。

工人在操作时，可以一只手抓取两个螺柱，连续放置，再转身处理另一边。机器人现在更像是用夹爪逐个操作，抓一个、放一个，再抓一个、再放一个，整体效率自然会低很多。

Q：这是不是意味着，机器人的手仍然是一个很大的瓶颈？

是。机器人能不能干是一层问题，能不能像人一样高效地干，又是另一层问题。

要突破这些精细操作，对灵巧手的硬件要求很高。它需要较高的自由度，还需要更好的触觉和力觉感知，知道自己是否抓住了物体、用了多大的力、物体有没有滑动。

行业里很多人都提到，灵巧手在硬件层面的复杂度可能远高于机器人整机。真正想让机器人像人一样完成工厂任务，手部能力仍然有很多细节需要解决。

Q：具身智能目前最大的瓶颈是数据量不够。等行业积累到千万小时级别的数据，可能在今年年底到明年年初迎来类似 GPT-3.5 的突破。您怎么看？

我觉得这是一个相对乐观的估计，但我个人也愿意相信这个方向。

但在数据真正达到那个规模之前，很难准确判断具身智能的“GPT-3.5 时刻”究竟什么时候出现。自动驾驶积累到千万量级的数据后，确实已经形成了比较好的能力，这对机器人有一定参考价值。

不过，机器人的任务复杂度和多样性比汽车更高。汽车大部分时间仍然是在道路环境中行驶，机器人的任务可能涉及不同空间、不同物体、不同操作方式和不同接触关系。因此，行业才会把目标提高到千万 Clips。

但拥有了千万 Clips 数据，是否就能解决所有问题，现在还很难下结论。这个判断可能偏乐观。不过在现阶段，先努力把数据积累到这个量级，到达这个阶段以后，我们再看能力会发生什么变化。

Q：相比实验室或者理想的仿真环境，真实工厂给团队带来了哪些更棘手的挑战？

最直接的区别还是数据需求。

在仿真环境里，场景变化相对有限。完成一个任务，可能只需要少量数据就可以验证方法是否有效，这也是很多团队使用仿真的原因。

但在真实工厂里，会出现各种能够想到和想不到的变化。今天对面的料架可能被推走了，明天旁边可能多了一名工人。机器人的站位也不能完全按照实验室里的理想条件来安排。

现场还会出现各种异常情况，比如设备故障、物料掉落、螺丝掉在地上。机器人不能因为环境出现一点变化，就停止工作。

工厂又要求非常高的成功率、稳定性和可靠性。这意味着现场可能发生的情况，最终都要进入机器人的数据覆盖范围，数据需求自然会大幅增加。

Q：从一线研发和工厂落地的经验看，现阶段制约机器人在工业场景普及的核心障碍是什么？

如果先看相对简单的任务，我认为最大的制约之一仍然是高质量数据从哪里来。

工厂不可能为了机器人采集数据，长期停止正常生产。重新建设几条专门用于采集数据的产线，成本又太高。这决定了工业场景中的真实数据很难大规模获得。

我们的设想是，能不能先从其他场景以及一些容易复刻的工站入手，让机器人获得基础能力。等它真正进入新的产线时，只需要少量现场数据进行微调，就可以适应新的任务。

这也是行业希望发展基础模型的原因。人类进入工厂工作，并不需要先针对每一个工位学习很多年。一个人拥有基本认知和操作能力以后，很多工作经过半天培训就能够上手。

机器人也应该先拥有这样的基础能力，再通过少量数据快速学会具体工单。

Q：除了数据，硬件可靠性会不会成为更难跨越的障碍？

硬件当然也是制约因素，但我更倾向于把它看作一个需要持续解决的工程问题，并非不可跨越。

灵巧手确实有较高的工程难度，整机的稳定性、寿命和维修效率也需要继续提升。但随着时间推移和行业资源投入，这些问题都会逐步改善。

现在具身智能行业受到高度关注，资金、人才和产业资源都在持续进入，硬件进展其实很快，一些机器人企业已经开始推进较大规模的生产。

这和汽车产业的发展过程有一定相似性。当产业真正形成规模，供应链、制造工艺、可靠性验证和维修体系会逐渐成熟。很多硬件问题都可以通过规模化和工程积累解决，只是需要时间持续打磨。

Q：大模型进入具身智能之后，从本质上解决了机器人哪些问题？

大模型首先提高了机器人的通识能力。

比如桌面上有哪些物体，它能够理解；你和它对话，它也能比较好地回应。面对一个复杂任务，它还可以做高层拆解。比如把大象放进冰箱，它知道可以拆成打开冰箱、把大象放进去、关上冰箱这几个步骤。

但真正困难的是，冰箱门具体怎么打开，大象怎么放进去，最后怎么把门关上。这些涉及真实世界中的动作执行、接触控制和环境反馈，仍然有大量问题需要解决。

大模型对机器人行业的推动非常大，这也是这一轮具身智能兴起的重要原因。但大模型这个“大脑”，和负责运动控制的“小脑”如何结合，并没有最初想象得那么顺利。

Q：行业早期是不是低估了“小脑”的难度？

对。最开始很多人会觉得，大脑既然已经取得突破，小脑应该很快就能解决。毕竟从名字上看，小脑似乎只是一个相对小的问题。

但真正开始结合以后会发现，大脑和小脑之间还有很多技术难点。机器人知道要做什么，不代表它能够稳定、精准地把动作执行出来。

Q：做一款具身智能机器人，有没有必要所有部件都自己研发？整机企业能不能直接整合这些供应商？

如果一家企业希望解决完整的机器人问题，最终可能需要把整个产业链打通。供应链当然可以提供很多能力，但把不同公司的产品组合在一起，通常会存在一些不完全匹配的地方。

如果目标是打磨一款高度一体化、性能最好的产品，企业往往需要对软硬件做深度整合。

但有些公司只关注基础模型或者机器人大脑，它们可以选择一个比较好用的本体，集中力量持续提升模型能力。这条路线同样成立。关键还是看企业最终想解决哪一部分问题。

Q：现在越来越多企业开始推动机器人数据集开源。站在小米或者整个行业的角度看，开源数据的帮助有多大？

帮助非常大。

机器人数据的采集成本很高。如果没有机构愿意开源数据，大量研究者实际上会被排除在这个领域之外。算力也存在类似问题。

具身智能还有很多基础问题没有解决，行业需要更多聪明的人参与进来。有时候一个新的方法或者思路，就可能推动技术向前走。因此，开源可以降低参与门槛，让更多团队共同解决问题。

单靠一家公司承担全部数据和研发成本，压力会非常大。小米也在做类似的事情。我们最近开源了 U0 生成模型，希望通过生成和增强数据，降低数据扩展的成本。这也是小米推动行业开源的一步。

Q：您一直把机器人进入工厂称为“进场实习”。它需要达到什么指标，才能从实习转为正式上产线？

工厂会有明确的硬指标来判断能否正式上产线。

针对一个具体工站，机器人需要达到规定的成功率、产品合格率和生产节拍。只有这些指标全部达标，才具备进入正式生产的条件。

但工厂里的任务差异很大，并非所有工站都位于严格的流水线上。我们现在也在尝试一些节拍要求相对低的场景，比如物流区域的分拣、排序和料箱折叠。

这些任务对速度的压力没有那么大，只要机器人能够稳定把工作完成，进入应用的门槛就会相对低一些。因此，机器人能否正式进场，需要根据具体工站判断，很难设定一个统一标准。

Q：小米有没有更明确的落地目标？比如什么时间进入哪个工段，什么时候正式进入流水线？

现在有两条路线在同步推进。

一条是流水线上的任务，这类工站对节拍、稳定性和成功率要求非常高。另一条是节拍要求相对低，但操作难度更高的任务，比如柔性物体处理、抠取、折叠，以及对力控制要求较高的作业。

如果这两类任务都能做好，其他很多工段的核心问题可能也就基本覆盖了。

Q：机器人真正进入工厂以后，有没有因为现场需求，推翻团队过去的一些设想？

从最初确定技术路线开始，我们就很明确要做真实应用，要让机器人进入工厂。机器人本体设计和技术路线一直围绕这个目标推进，整体比较稳定。

过程中肯定会遇到暂时解决不了的问题，有时需要增加一些工程补丁，但整个方向没有发生大的动摇，团队、管理层和业务需求都在推动这条路线继续向前。

Q：刚才一直在讲流水线和具体工段，但对不了解制造业的人来说还是比较抽象。能不能用一个已经披露的场景，具体解释机器人到底在工厂里做什么？

比较典型的一个场景是螺柱上件工站。

机器人需要从送钉机上取出螺柱，再把它放到一个自动旋拧台架上。一个部件有四个角，每个位置都要放入一个螺柱。螺柱放置完成后，后面的旋拧设备会把它们固定到汽车后底板上。

这个工站目前仍然主要由工人完成，因为不同车型对应的固定位置可能不同，任务经常会发生变化。

传统机械臂理论上也能完成，但每次换车型或者调整位置，都需要重新调试，部署成本比较高。我们希望人形机器人能够像人一样支持柔性生产。出现新任务以后，重新采集少量数据，就可以微调到新的场景。

目前这个工站的效果已经比较不错，机器人仍然在真实工厂中持续测试，我们内部把这个阶段称为“实习”。

Q：传统机械臂的部署成本很高，大概高在什么地方？人形机器人什么时候能够追平，甚至低于机械臂的成本？

只看设备采购价格，人形机器人目前肯定比简单工业机械臂更贵，因为它还没有进入真正的规模化量产阶段。

但如果未来实现大规模生产，人形机器人的成本有可能进一步下降。工业机械臂对精度和定制化的要求通常很高，本身也并不便宜。

此外，设备价格只是成本的一部分。传统机械臂还有很多隐藏的部署成本，包括产线改造、编程调试、换线适配和后期维护。

Q：故障停线也属于隐藏成本？

对。工厂里的设备一旦故障，可能导致整条产线停线，这个风险非常高。

大型机械臂固定在工位上，坏了以后很难立即替换，还需要等待维修人员处理。人形机器人如果能够标准化，就可以直接从工位退出，再换一台相同型号的机器人继续工作。

这种快速替换和柔性部署能力，也是我们希望人形机器人能够提供的价值。

Q：那小米为什么还要优先挑战完整的双足人形？

完整人形具备更强的技术先进性，也更接近长期终局。

如果双足人形机器人能够真正做好，它不仅可以进入工厂，也可能进入户外、山地和其他复杂环境，适用范围会更广。

当我们把最复杂的形态做出来，再针对具体场景做减法，会相对容易。比如工厂不一定需要双腿。如果一个工站更看重稳定性、续航和负载，就可以将下半身改成轮式底盘，提高效率。

从完整人形迁移到轮式形态，通常比从专用轮式机器人再向完整人形发展更容易。如果完整人形能够完成一个新工单，轮式机器人通常也能完成。真正部署时，再根据工站需要选择更合适的形态。

Q：小米判断人形机器人的最大市场就在工业领域吗？

很多公司都选择先进入工厂，一个重要原因是工厂相对结构化和可控。

机器人如果能在工厂把一个任务真正做完，并长期稳定运行，就能产生实际价值。家庭和其他开放场景还有更多约束，包括法规、安全和责任问题。即使技术上能够演示，也未必能够马上落地。我们希望先在一个场景中把整个闭环走通。只有真正深入工厂工作，才能发现很多隐藏问题。

比如双足机器人在工厂里行走。实验室地面看起来和工厂地面都很平整，但真实工厂地面可能存在细小灰尘或油污。肉眼不一定明显，却会影响机器人的摩擦力和行走稳定性。如果机器人从未进入真实工厂，团队可能根本意识不到这个问题。真正落地以后，运动控制和机械结构都要针对这些细节调整。

Q：小米此前还展示过机器人叠衣服。未来真正量产以后，会先进入工厂，还是先进入家庭？

如果讨论真实、大规模落地，工厂可能更早。

这不完全是技术能力的问题。家庭和普通消费场景还会受到安全、法规、责任和用户接受度等因素影响。

自动驾驶已经发展很多年，道路场景的复杂程度在某些方面可能还低于通用机器人，但至今仍然存在大量长尾问题，无法轻易从 L2 直接进入 L3。

机器人进入家庭也会面临类似问题，而且可能更加复杂。扫地机器人已经使用很多年，但遇到线头、障碍物或者复杂地面时，仍然需要持续优化。通用机器人还要面对电视、家具、宠物、儿童和昂贵物品。家里可能有古董花瓶，机器人一次失误就会造成损失。

工厂虽然要求严格，但环境更容易标准化，也可以设置安全区域和操作规范。因此，工厂通常更适合作为早期规模化落地场景。

Q：这几年具身智能玩家越来越多。有人认为今年是量产元年，也有人判断80%的厂商可能会死在量产这条线上。您怎么看？

具身智能要真正落地，量产肯定是必须面对的一关。今年不做，明年也要做；明年不做，后年还是要做。

但“量产元年”这个词，我已经连续听了好几年了，几乎每年都是元年。这说明大家对行业的期待很高，也都在努力推动量产。

机器人只有真正进入生产和使用环节，才能持续产生价值。如果长期停留在表演和展示阶段，能够创造的价值仍然有限。

Q：现在国内人形机器人和工业具身智能，在全球范围内究竟处于什么水平？现在能不能直接说，中国的人形机器人已经全球领先？

整个行业目前仍然处于探索阶段。刚才提到的很多难点，都不可能在短时间内完全突破。

现在确实已经有一些试点工站，也取得了不错的效果。但基础模型建设、基础数据积累都还需要时间。如果要谈大规模应用，可能还要继续等待。

我觉得很难对整个行业做一个笼统判断。不同公司可能在不同方向上具备领先性。

全球范围内，特斯拉等公司也在做相似的工业场景。从目前能够看到的信息看，大家整体水平比较接近。有些海外公司甚至没有自有工厂，因此在真实工厂里的长期打磨可能相对少一些。

特斯拉有自己的工厂，但至少从官方公开信息看，它披露的智能制造应用还不算特别多。单从公开进展看，我们在行业内应该还是处于领先位置。

Q：现在外界也在频繁讨论具身智能泡沫。这个泡沫会不会有一天突然破掉？

我觉得行业可能会出现阶段性的低潮，但长期方向不会改变。

机器人的愿景足够大，未来可能改变的事情很多。只要这个空间仍然足够宽广，就会不断有资金、人才和资源进入。

回顾机器人行业的发展历史，每隔一段时间都会出现一轮高潮。千禧年前后，大家看到机器人可以行走、说话，产生过一次很高的预期。再往前看，上世纪八九十年代，机器人已经能够识别多人说话，也曾经让人觉得通用机器人很快就要来了。

机器人行业一直是在希望、高潮和低谷之间向前发展。每个时代的新技术，都会给它带来新的能力和想象空间。有些公司可能会离开，也会有新的公司进入。

自动驾驶已经发展了很多年，中间经历过不少起伏，现在依然有大量公司继续投入。机器人的故事比自动驾驶还要庞大，发展周期也可能更长。

所以我认为它会有低潮，但不会因为一次低潮失去长期价值。至少我个人会一直做下去。

Q：未来两三年，一些异形或者专用机器人可能会更早落地。小米会不会推出这类非人形产品，先填补人形机器人量产前的窗口期？

目前管理层的方向比较坚定，还是希望奔着长期终局去。

针对一些具体场景，我们可能会在人形机器人基础上做减法和变形，比如改为轮式底盘，或者调整部分结构。但不会投入大量资源，单独开发一套只针对某个狭窄场景的异形机器人。

Q：与长期专注机器人领域的厂商相比，小米的优势和差异在哪里？

小米最大的优势之一，是集团平台和资源整合能力。

小米常被称为最有硬件基因的互联网公司。集团拥有手机、汽车和大量智能硬件供应链，这些资源都可以支撑机器人本体的设计和制造。从供应链覆盖范围看，小米可以调用的资源可能比很多单一机器人公司更广。

同时，小米也有 MiMo 大模型、小爱同学等AI能力积累，可以帮助机器人构建大脑。硬件、模型、产品和场景可以在集团内部形成更完整的协同。小米自己经营工厂，团队能够直接进入工厂工作，知道产线真正的痛点在哪里，也知道机器人应该提供什么能力。

集团内部人员背景也比较多元，有来自手机、汽车、AI、影像和制造领域的同事。不同团队会把各自积累的经验和认识带进机器人项目。

所以集团提供的不只是资金和供应链，还包括对产品、制造和真实世界的理解。

海外机器人公司为什么要和宝马等车企合作？因为它们需要真实汽车工厂验证产品。对于普通初创公司来说，说服一家汽车工厂开放产线、允许机器人长期测试，成本和风险都非常高。

小米拥有自己的汽车工厂，可以让团队长期驻场，持续采集数据和发现问题。真实场景积累的经验会反哺产品，让机器人的进化速度更快，也更贴近实际需求。比如工厂光线会随着阴天、雨天、季节和昼夜发生变化。初创公司很难长期留在第三方工厂，完整获得这些数据。对小米来说，这种持续测试相对更容易实现。

Q：机器人现在大概相当于自动驾驶发展的哪个阶段？

如果一定要类比，可能相当于 L2 早期。

在有人看护和必要时干预的情况下，机器人已经可以自主完成一些任务。但要完全脱离人的监管，还存在明显距离。

从技术形式看，可以类比 L2；从普及规模、任务效率和成熟度看，机器人甚至比今天的汽车 L2 更早期。

Q：未来会推出面向消费者的机器人产品吗？

现在讨论卖给消费者之前，需要先回答一个问题，用户买回去以后，希望它做什么。

情感陪伴是一种可能的方向，但真实需求还需要继续验证。大家是否会长期与虚拟人格交流，交流频率有多高，现在并没有完全清晰的答案。一些游戏和大模型产品已经证明，部分用户确实存在情感交流需求。但拟人化产品也会涉及监管、道德和合规问题。

机器人行业有很多不同方向。我们不会简单判断哪条路线一定错误，更希望不同团队分别探索，最终形成更多能够服务用户和社会的产品。