Sharpa李一帆：通用机器人要么全能，要么无能

具身智能行业声音嘈杂，但在上海静安区一家 DQ 门店里，一台机器人正在学习制作暴风雪。这是 Sharpa 联合创始人李一帆口中的一次“真诚”测试：不改造店面、不改流程、不迁就机器人，让它在真实运营中从头到尾完成一份工作。

8月29日，吴江路169号 DQ 重新开门，柜台后多了一名机器人店员。它制作的是一杯熟悉的DQ暴风雪：取杯、出料、加料、搅拌，全部按照DQ原有步骤完成，包括拉开为人手设计的柜门、用小勺打开小料盖盛料，以及根据视觉和触觉反馈搅拌。最后还要通过招牌的倒杯检验——杯子倒过来，冰淇淋不能掉。这个项目很快要在这里进行每天12小时稳定运营，直接接受顾客检验。

对机器人来说，真正的难点不是某个动作，而是把所有步骤连起来。DQ设备与工具天然为人手设计：纸杯要拿稳又不能捏坏，柜门把手很窄，要精确抓取，勺子放在大杯子里，要从里面挑出一个。搅拌时，杯子里是黏度很高的冰淇淋混合物，拉力和扭矩一直在变，机器人要实时调整握力和杯子位置。55步里任何一步失败，都交付不了一杯完整冰淇淋。

这台机器人来自Sharpa。Sharpa成立于2024年，过去常被视作灵巧手公司——Sharpa Wave有22个自由度和触觉感知，太抢眼，以至于整机和AI被藏在后面。李一帆说，Sharpa从第一天起就不只做灵巧手，目标是到2050年用机器人技术解放人类20%的时间。今年CES发布整机North后，公司开始寻找真实场景，DQ项目随之启动。

李一帆把这次试运营分成两层。第一层是到底能不能做：不改造环境、不降低难度，直接交给真实运营，看能否可靠跑完55步、连续工作12小时。如果每天都“鸡飞狗跳”，就是没有跑通，只能承认“真诚地失败”。第二层才是能不能更快更便宜。他相信只要越过“能做”这条线，提速和降本是“100%确定会做、100%会成功的事”——上次创业做禾赛，激光雷达从几十万元降到千元级，这条曲线他走过一遍。

这种“真诚”在当下显得扎眼。行业里不少“落地”项目，环境、设备和流程都经过了专门改造，机器人完成的只是整套自动化流程中的最后一个动作。李一帆管这叫“修电话亭”：因为手机不够好用，就在每个地方修固定电话亭。电话亭当然能用，甚至是一门好生意，但修再多电话亭，手机本身也不会变得更好。他在DQ项目里最强调的就是“不改”：不改设备、不改流程、不改原料，连勺子都不能换。“你造了一辆无人车，却要去改人家的路——那早就实现了，你搞火车不就完了？”

Sharpa近期宣布完成超45亿人民币融资，投资方包括阿里巴巴、美团、腾讯、京东、传音，以及红杉中国、启明创投、美团龙珠、光合创投等。

机器人没有中间形态

李一帆最警惕的陷阱，是“做到90%”。一个100%真实的场景和一个90%真实的场景，差别在于：只要那10%还得交给人，人就不能离开；而那10%往往正是最难的部分。“你把好做的都做了，剩下的全是你解决不了的问题。”一个人原来做五件事，机器人替他做一件，不等于创造五分之一价值——剩下四件事还由他做，对付款方而言账本上没有发生任何事。甚至因为机器人接的那一件嵌在原有流程里，他还要等机器人做完。

他由此提出“斩杀线”：如果只做一个环节，客户看到的不是通用机器人，而是一台干这个活儿的设备。他不会因为你有两条胳膊、一双手就多付钱，只会拿你与专用设备比价。“人家一共三个自由度，结构简单，节拍稳定，成本压到极低；你有几十个自由度，还有触觉和算力，怎么可能比它便宜？”自动化成本线过去二十年没有大变，这就是斩杀线：你做的事，专用设备能不能做？能做，你就一定比它贵。

如果干脆承认自己是专用设备，放弃通用硬件、把成本做低，这条路也成立，但那是另一门生意，“没有大家以为的那么值钱”。就像一台切洋葱器替掉切洋葱的人，老板不会把省下的工资打给你，只会在几台便宜的切洋葱器里挑一个买。供应商能拿走利润，前提是事情本质复杂、独特、难做。

所以李一帆的判断很直接：通用人形机器人只有两个状态，要么全能，要么无能，没有中间形态。“跟人比，你比赢了也没用，因为那个人还得留在那儿；跟设备比价格，你比不过。不做全能，斩杀线就把你斩到无能了。”

数据密度决定数据价值

行业里另一种主流路线是先找一个场景铺出去，边跑边拿数据和收入。李一帆认为这可能是今天最大的分歧：“你拿一台通用人形去做一个极其专用的重复场景，本质上拿到的还是专用智能。”

以DQ为例，假设在这里学到10个重要操作；另一家公司在工厂分拣场景也学到10个同样复杂的操作，第一步没有本质区别。第二步的区别在于：做冰淇淋的技能可以拆开，将来做汉堡，60步里可能40步已经学过，只需示教20步；另一边的技能能不能不断找到下一个复用场景？如果工厂里永远只是把东西从这里拿到那里，“铺一百个厂和铺一个厂的区别只是数量”，数据无非是二十种不同形状的东西怎么抓。很难想象这些数据会自然长出操作其他工具的能力。

“铺出去本身不产生价值，产生价值的是你铺出去的那个东西够不够复杂。”他进一步追问：如果相信智能是数据驱动的，那么什么样的数据能长出通用智能？同一个场景跑到一亿次，得到的只是那件事的极致——一条很好的产品曲线，但不会自己长出第二件事。用专用硬件完成专用任务，采到的是专用数据，训练出来的模型大概率还是专用的。

而Sharpa在DQ场景采集的，是五根手指怎么分工、怎么根据触觉调整握力——这些是人的手在做的事，因此能迁移到人的工具和环境上。“人的工具和环境，本来就是按这只手设计的。”

他透露，下一代会增加不同小料和定制饮品，再争取做汉堡等更多食品。速度方面，李一帆承认目前机器人比人慢，提速要同时看机械能力和模型稳定性。下一代硬件会更快，但真正的限制是模型动作一快还能不能做对。“模型现在有点‘艺不够高’，所以‘胆’也不能太大。”就像刚学开车，慢不是因为车跑不快，而是不熟练。只有训练数据增加、模型更稳，才能在不牺牲成功率的前提下加速。成本他反而不太担心，禾赛的经历让他确信：先把AI和任务跑通，量起来后中国供应链会把价格拉下来。“一个场景做穿以后，得到的不只是一堆数据，还有可组合的子任务技能。学新任务会越来越快，这就是泛化最朴素的定义。”