具身智能行业现状 - 具身智能行业目前处于"乱世"阶段，尚未形成稳定格局 [3][45] - 数据成为具身智能军备竞赛的核心资源，被比喻为"石油" [5][23] - 珠三角地区是全球机器人供应链核心，也是数据采集的重要基地 [3][5] Transformer架构的技术突破 - Transformer架构实现了从专用AI向通用AI的转变，使机器人具备环境理解和适应能力 [12][14] - 该架构通过大规模数据训练出现"涌现"效应，实现空间理解能力的质变 [12][13] - 特斯拉率先将Transformer应用于自动驾驶，验证了纯视觉方案的可行性 [15][16] - 架构支持多任务学习和在线学习，使机器人能处理复杂时空序列数据 [13][17] 机器人模型技术路线 - 世界模型路线(如谷歌PaLM)收敛快但泛化能力弱，适合特定场景 [18] - 分层混合架构(如Figure.AI)分工明确，适合复杂环境和高精度操作 [19] - 中美技术路线差异：美国擅长模型开发，中国强于硬件快速迭代 [20] 机器人数据业务模式 - 公司专注真实场景数据采集，已积累十万小时数据，目标百万小时级 [26][29] - 采用"人穿戴设备"方式采集，每小时可获500-1000条高密度数据 [28] - 商业模式类似Scale AI，但增加了数据采集和验证环节 [25] - 数据业务可能成为具身智能领域最快实现商业闭环的环节 [22][23] 创业策略与团队建设 - 创始人采用"第一性原理"思维，借鉴马斯克和黄仁勋的商业逻辑 [47][49] - 团队搭建注重长期信任关系和成员适应能力，耗时半年 [42] - 短期目标以季度为单位迭代，通过细化实现长期愿景 [46] - 创业面临从学术思维向商业思维转变的挑战 [31][39] 行业未来挑战 - 行业进入者增多导致竞争加剧，出现重复造轮子现象 [51] - 客户需求不断变化，需要快速调整业务方向 [51] - 需在"乱世"中找到独特定位，坚持数据核心战略 [45][51]