当机器人开始做实验，AI for Science的效率拐点到了 | 对话源络科技连文昭

刚刚过去的这个 8 月，机器人行业非常热闹：世界机器人大会（WRC）与人形机器人运动会先后在北京举行，宇树科技登陆科创板。热闹尚未散尽，发改委的表态来了，"防止盲目跟风、一哄而上"。热闹与冷静之间，一个追问变得迫切：这个行业，究竟走到了哪一步？

我们请回了一位分享嘉宾：源络科技创始人连文昭。两年前他和丰叔对话时，机器人赛道还没火起来，他提出的 "直觉物理" 还是个冷门词；如今，它以 "世界模型" 之名成了最热的创业方向。当时他用 "不可能三角" 来形容机器人落地之难并表达自己的偏好：在可靠性、泛化性和速度这三者之间，他选择不苛求速度，优先保证前两者。如今，源络开始在这个方向上交出应用上的证明。 连文昭有一份少见的履历：杜克大学博士毕业后，他从硅谷通用人工智能公司 Vicarious，到 Google X 的机器人项目 Intrinsic，再到人形机器人公司 Figure。2023 年，他回国创办源络科技，不做叠衣服、倒咖啡的 demo，而是扎进泛实验室场景，把长序列、高柔性、高精度的科学实验任务作为机器人的练兵场。他同时在上海交大人工智能学院担任教授。 这场对话从今年 WRC 的现场体感谈起，谈到机器人出海的真实需求、世界模型的收敛方向、具身智能软硬件两年来各自的真实进展，最后落到一个正在升温的判断：当 AI 改变了科学发现的范式，瓶颈来到湿实验——机器人，可能是打通"干湿闭环"的物理接口。 以下为对话正文，希望能给大家带来不一样的角度和启发。欢迎移步小宇宙 APP 或 Apple Podcasts，搜索并订阅「高能量」收听完整的访谈实录。

李丰： 机器人行业火热了两年，这周宇树机器人也刚刚上市，虽然之后表现跌宕起伏，但不管怎样是个标志性事件。结合正在北京举行的世界机器人大会（WRC），我们请回了两年多以前来录过播客的 CEO 嘉宾连文昭。请连博士先简单介绍一下自己和源络科技。 连文昭： 我们是一家做 AI 机器人的创业公司，既做硬件本体——类人形机器人，现在也有更多种硬件架构；同时我们在大脑算法模型这侧的投入越来越大，在推以物体为中心的物理原生模型，持续提升机器人的可靠性和泛化性。 我们切入的场景是科学智能（AI for Science），选了泛实验室场景的一大类任务，作为练兵场和试金石，跟一些企业（如华大智造）和科研单位（如中科院）合作部署了机器人，证明在这个最难的考场上机器人能实现很多高柔性、高精度的技能。

我自己一方面负责源络的研发运营，同时在上海交大人工智能学院担任教授，带学生探索具身智能的技术边界。回国前我有三段工作经历：先在硅谷 AGI 创业公司 Vicarious 做类脑神经网络，把机器人部署到美国邮政等客户的物流场景；后来在 Google X 参与早期机器人项目、也就是后来的 Intrinsic ——很神奇，今年初它又被并回了 Google——做机器人操作系统，就像手机里的安卓系统；2023 年加入 Figure，搭建了最早的一些数据采集链路和模仿学习框架。

李丰： 信息量挺大。回到最简单的现实问题：横向比较，今年 WRC 现场是什么感受？

连文昭： 展馆越来越大，探索各行各业场景的都有：搬箱子的、分拣的、工业装配的、做饭的、端茶倒水的。几百家公司像在做几百个平行实验——说明行业还没有共识，方法上也百花齐放：有点到点纯预编程的，有靠视觉语言动作模型的，也有靠生成世界模型的……这是好事，证明行业的天花板是高的，人们对于机器人未来的预期是高的。

但如何兑现预期，是值得思考的问题——让机器人真正从 demo 走向可用的生产力。跟去年比，不同公司展示出来的能力其实差不多——叠衣服、折盒子、搬箱子、抓东西——但今年明显是 "场景化" ，都在强调场景、落地标准、产业价值，之前更多的是 "展示性" ：机器人做一个很短的任务、展示一个小能力就结束了。

今年双足跳舞还是很热闹，情绪价值也是一种真正的价值；但我更关注操作这一层：它明显在从能力展示，往可靠性这个行业目标迁移。

源络今年是第二次参展。我们还是以生命科学领域里长序列、高柔性、高精度的操作牵引研发，展示了细胞学实验，包括细胞毒性检验这种长序列流程——要处理移液枪、液体、试管、离心机等各种仪器——又要柔性又要精度，既要智能又要可靠。

李丰： 有报道说这次 WRC 有非常多外国人参会，你的体感是什么样？

连文昭： 确实，非华人面孔明显多了：欧洲的，日韩的，还有中东、东南亚的。有些是做商业的，希望把中国产的智能机器人引入当地；也有的想自己做机器人公司，来看看和学习。海外对中国的机器人研发和生产制造能力是绝对认可的。我们正在成为事实上的机器人全球中心。

李丰： 这些外国友人里，多少是带着商业和需求目的想找解决方案的，多少只是看看热闹？

连文昭： 更多是前者，至少是尝试实质合作——比如作为集成商或分销商卖到当地，这个意愿很高。

李丰： 在你接触的小样本里，需求有多少是可行的，有多少还在机器人能力之外？

连文昭： 从能力讲，绝大多数都可以做到，前提是付出足够的成本。他们提的多是很惯常的诉求：机床上下料、装配自行车（不知道他们为什么要在当地做自行车，应该从中国买），也有做超市服务的、制药公司的，大家实实在在有诉求。这些需求发生在中国，我们肯定能做，但在海外难一些：当地工程师数量低于国内，人员协同的投入会更大，地缘政治因素也需要考虑。

李丰： 假定能力上大都能解决，有多少是成本能覆盖住的？

连文昭： 初期小量肯定都可以做；真要上量，还是回到是不是能可靠地做。如果只是推一台特定的机器，定价都可以谈，但最终总要形成标准、然后规模化，这时就需要机器人证明它是可靠的。

什么叫可靠？机器人在一个地方跑了一天，第二天客户是不是还主动愿意开机？愿意开机，就可以覆盖成本，付费意愿就强；如果第二天没开机，比如"工程师不来就不开机"，成本肯定高。所以要筛选，这是个动态过程。

另外，行业过去传递的信心也让市场预期偏高——经常有人拿一个很复杂的流程说，这个你们应该很容易做。但预期高也是好事，需求池子更大，可以筛选。

李丰： 看起来机器人的国际化，可能成为中国新出口中的一个潜在增项，虽然现在量还小。

李丰： 两年多以前录上一期时，你提了一个当时不受关注的词，叫 "直觉物理" ——说白了，人知道怎么拿东西，用什么姿态、力道对物体做动作，也包括常识性的物理。而从去年年底开始，最热的机器人创业方向叫世界模型、物理模型。虽然定义非常多，总之是让机器人理解这个带物理量的世界，并与物理世界交互。我们也投了几家这样的公司，估值涨得非常快。因为你两年前就在思考 "直觉物理" 这个话题，你怎么看待今天世界模型的发展阶段和解决方案？

连文昭： 机器人要做的事情，本质上是两个问题：一是知道要动到什么地方，二是怎么安全可靠地动到那。运动大体分两类：自由空间里从 A 点到 B 点；以及有接触、有交互——把这个东西也从 A 挪到 B，这个 A 到 B 不光是空间上的，也是状态上的。另一个问题是：如何决定我的 B 点在哪、目标是什么。

之前行业在推的视觉语言动作模型（VLA）也好、世界模型也好，都是想理解常识，方式是采集大量数据。VLA 是采完数据做一个回归：从观测到的量直接决定往哪动。它其实是一条捷径，绕过了理解，直接生成动作。但后来大家发现有点问题——它是过拟合的，泛化性没有想象的好。

插一句，现在我的学生也经常说泛化，说一个东西往左移 0.5 厘米还能抓，就叫泛化了。我从来不觉得这叫泛化——大家往 VLA 走的时候，反而把标准降低了。

慢慢大家意识到这个问题，又开始做世界模型：用神经网络、Transformer提特征，做决策时不丢掉理解世界的信息——不光生成动作，还要理解客观物体的发展规律。但过去这些世界模型往往还是 pixel to pixel。

李丰： 从像素点到像素点。

连文昭： 每一个像素都要预测、重建出来。这其实是反直觉物理的——模型把大量表达能力都用在重建和恢复上。我们一直在践行"以物体为中心"的思路：不过度建模不用去关心的小细节；但有一些重要的细节，以前的视觉世界模型里没有的，我们反而要关心——比如力，力的模态是很关键的模态。

力这个模态很有意思：视觉上，你换个角度，得到的信息跟你的本体可能没有太大关系；但力是你的本体施加到环境中的，完完全全取决于你自己。你施力大，反馈就大，是跟动作极其绑定耦合的东西。我们在做的世界动力学模型先建模原始的图像和动作输入，然后一边预测未来的图像和力，一边把预测结果跟实际施加动作后实测到的力做比较。

李丰： 做闭环，做反馈。

连文昭： 不能只做前馈。我预测会感受到多大的力，也预测我的动作；动作施加到环境中，又感觉到一个新的力；新的力跟预测的力比较，反哺回来纠正预测能力。形成这么一个闭环之后，随着数据增多，机器人跟物体交互的直觉规律，就能被理解得越来越好，估计误差越来越小。

李丰： 今天这些方向肯定没有收敛，概念也变了好几个，包括 VLA、VLM、世界模型等等。从你的角度看，当然只代表你个人观点：接下来一两三步，大家在建模世界、理解世界上可能向哪几个方向收敛？

连文昭： 需要从最终目标倒推：一是零样本、小样本的泛化——扔到新环境，一次演示甚至零演示，它就能动起来、理解任务并去执行；二是绝对安全，知道自己的边界，有异常也能处理。就是可泛化且可靠。倒推回来：需要数据效率最高的方式，也要能评估自己输出的不确定性边界，保证自主的安全性。应该沿这两条路线走。

关于提高数据效率，大家在做各种尝试。一是让数据采集更便宜，比如egocentric（第一人称视角）的视频数据，丰叔应该还记得 2023 年我们讲公司的具身路线时，就已经在大量采集。

二是让数据里能榨出的信息密度更高、更贴近直觉物理，比如以物体为中心而非一个个像素点，以及从 2D 或多视角 2D 中隐式推出 3D，因为 3D 是对环境更本质的理解。

另一个维度是安全性：过去的数据集通常以视觉为主甚至只有视觉，现在行业也在采集力觉甚至触觉，有做触觉手套、做各种传感器的。我们自己也在探索把视、力、触觉融合起来，也做了自己的数据采集链路。这也是个比较显著的趋势。

李丰： 回到中国机器人行业。过去两三年，软的——算法，和硬的——电机、关节这些硬件和手的控制，各自进步的状态和速度是什么样的？

连文昭： 硬件看起来发展没那么快，但工程上实质取得的进展很快；软件上大家看到的演示很漂亮、变得特别快，但拉长时间维度看，进展可能没有想象的那么快。

硬件上很多人会说，两三年前 WRC 展示的就是这些协作臂、人形机器人，现在还是这些，关节可能还是谐波或者行星减速器。但背后的供应链、设计、系统集成，实质发展比想象快很多，成本自不必说。

另外是可靠性：像我们自己做的，绝对定位精度已经能逼近以往工业机器人，这在两年前不太敢想象。硬件的迭代速度甚至已经逼近软件迭代的曲线。这得益于国家的大量投入和行业的百花齐放，使得上游机加工、电子、传感器产业很成熟，生态越来越好，协议和标准也逐渐形成。进展比大家的体感快一些。

模型算法这一侧，新成果很多，不管是纯端到端的 VLA，还是基于世界模型，展示出的能力越来越强。但透过展示看本质，研发范式没有特别大的颠覆。可以讲我们还在 "抄大语言模型的作业"。

李丰： 对。

连文昭： 我更期待找到一个不一样的范式：语言本质上是一个维度，token 空间是离散的，观测空间和预测空间一致，语言是个很特殊的问题；但机器人的输入空间如此之多——力、触觉、自己的关节，甚至环境中视觉观测不到的状态，水是满的还是空的、电器是开的还是关的，都要融合进来，而输出空间只是机器人自己的控制。它跟大语言模型本质上不是同一个问题，但我们还在按大语言模型的方式在推。拉长时间看，机器人模型的训练推理范式，还需要更多思考。

李丰： 我不是技术背景，试着简单归纳一下。语言预测 token，字词之间是"逻辑关系"，不是绝对零和一，换句话说一句话可以有很多种表达，虽然也有一些简单约束。但机器人涉及到物理关系：比如你不能把手穿过桌面，它受非常严格的物理和环境约束，很多是零和一、中间没有 0.1、0.3 的过程。既然机器人和语言存在这个差别，它最终有多大可能借鉴大语言模型的能力和架构，又有多大比例会不同于语言模型？

连文昭： 挺难的问题。我完全赞同这个归纳：大语言模型本质在学逻辑关系，约束更简单、解空间更大。但物理世界约束更多，它蕴含了逻辑问题，之上还有物理和几何问题。几何是运动学相关的：关节动多少度，杆子末端相应动多少厘米；物理是动力学相关的：施加多大的力，东西被推多远，摩擦力是多少；逻辑也包括任务层面的，比如大象放冰箱分几步。所以有逻辑、物理、几何，机器人是一个更高维、更复杂的问题。

给具身智能一个不那么正式的定义：在很多约束条件下，如何改变目标物体的状态。它很多时候有精确解，做到就是做到，没做到就是没做到；语言则可以模棱两可。

如果我们同意具身智能是个更难的问题，我们肯定可以借鉴大语言模型很多东西，比如 next token prediction 这种学过去与未来关联、用关联近似因果的范式。但只有这些不够，因为文字没有时间概念，物理有时间维度，几何还有很多约束。把因果、约束、时间维度加进来，是必须的。

李丰： 回到源络本身。两年半以前确定应用场景时，大家还在做叠衣服、倒咖啡之类的 demo，你选了一个比较不同、相对难做的方向。你是怎么考虑的？

连文昭： 上次谈到 "不可能三角"：通用性、可靠性和速度，不能同时达到，牺牲哪一个？我们的选择是：速度不苛求，达到阈值就行；通用性则不是一开始解决一万件事情，而是在一个真实场景里先解决几十件事情。

基于这个假设，我们找现在的机器人"踮踮脚够得着"、能在可预见时间内落地的场景，但又不希望这个场景把我们的天花板锁死、把我们牵引到短视的技术路线上。

所以要选难的场景：长序列，拷打逻辑能力；高精度，考验对几何和物理的理解；同时高柔性，区别于以往的工业自动化。我希望在最难的考场里去牵引我们的技术研发，如果这些能做好，未来走向家用的一万件事一定能解决。

同时，从行业本身讲，它得是真的需求：生化环材、生物医药行业，确实需要这样的智能体做物理操作。科学家、博士生做实验，很大的痛点是不可复现。

即使流程写好了，"把 A、B、C、D 在 25 度下混匀"，有人的理解是从 4 度冰箱拿出来放一小时、真到了25度再混匀；有人理解为在 25 度的环境下，拿出来直接混就行，哪怕 A 其实还是 4 度的；倒完 A 才想起要拿 C，又去冰箱跑一趟，反应条件自然就不一样了。类似的细节很多，更别提做实验时还可能打个喷嚏。

所谓新药研发"十年十个亿、成功率 10%"，这还是很大的痛点。机器人干这件事天然比人好：每个步骤都忠实地按细粒度做下来，今天怎么做，第二天还怎么做，每个条件参数都记录下来，可靠性就提升了。

另一个点，实验室研发依赖仪器，仪器依赖人操作。人朝九晚五，人不工作，仪器就闲置，利用率可能只有百分之三四十，而仪器往往很贵，研发流程就被无限拉长。在计算机和 AI 领域，我们能并行跑一大堆实验；如果机器人做实验助理，把仪器串联、调动起来，质量和吞吐量都能提升，更不用说有些危险实验本身就不适合人做。

AI 已经让我们人类快速走向"好吃懒做"，它已经在帮助我们思考，机器人应该能比较快地帮我们"不用怎么做事情"；如果科研的研发方式能有一个比较好的变革，人类追求的另一个目标"长生不老"，应该也能比较快地实现。

李丰： 在我念书时，生化环材是"天坑专业"，今天都变成热门方向了。最近的好消息是：前些天，当年做 mRNA 疫苗的莫德纳，个性化肿瘤疫苗三期临床拿到显著结果，算是个大突破，新闻里说筛选时用了 AI。还有一篇文章说：如果 AI 改变了科学发现的范式，最大的瓶颈就来到湿实验，因为只有湿实验和发现效率配套，提供足够多、足够快、足够整齐的数据来验证和循环。这让我想起自己念研究生时做化学实验的痛苦——每次和每次都不太一样。那今天机器人在实验环节里，能力上到底能解决到什么程度？哪些难的技术节点被你们克服了？

连文昭： 过去两年多积累的能力，至少覆盖常见的实验流程，包括处理液体、固体、粉末或颗粒状的样品，操作离心机、PCR 这些常见仪器。我们把实验流程拆解成相应的技能，现在 80% 以上的常见流程都可以复现，一些局部已经能做到小闭环。

相当于 PI、甚至博士生也可以享福，有了研究助理：发一个指令，机器人调度实验室里的相关要素来完成局部闭环，导出结果，他根据结果决策下一步。

所以我们现在是辅助科研人员的阶段，不会去替代科学家，类比自动驾驶上高速开 L2。一个人下班前六点想做一组实验，不用半夜两点回来换液，机器人干这个事，保证他第二天早上九点来时结果是读出来的。这种能力我们的机器人已经达到了。

数字 AI 已经能把"生成"解决得很好，在极大的搜索空间里提假设、提可能的流程。但当流程提得越来越多，不可能靠人海战术一个一个去验。这里存在一个很大的鸿沟，大家经常提机器人的 sim to real 鸿沟，这个更像"生成到验证"的鸿沟，即实验的缺失。

我们一直在提供一个物理的界面把这个鸿沟闭环掉：数字 AI 利用这些数据，我们的物理 API 可以被调度，整个流程就闭环了。现在也在跟很多客户逐渐验证，开始规模化。

李丰： 能做什么大概听懂了。你在 WRC 里溜达时，有看见跟你们方向类似的公司吗？如果很少，你们做的事难在哪儿？

连文昭： 场馆太大，我走得很快，我感觉信息量不太大，很多是相似的。至少在能看到的范围内，在科学智能领域做高精度、高柔性的事情，我们还是比较独特的。

李丰： 插一句：从你们已实现的精度来看，智能和硬件各起多大作用？

连文昭： 硬件的提升是下限的保障——必须达到某种能力，才可能去解决这些问题。刚成立时我们外采过机械臂，精度到不了；自研最初期也抖动很厉害，但现在能到了。到了这个程度，才有可能达到软件模型带来的上限，也就是用多大的成本训好一个模型，让它快速学会移液、操作离心机。

我们现在的状态是比较健康的：下限比较稳，上限也做到了可部署、可交付；当然我们会持续提升上限，让处理新任务所需的样本量减少，甚至真正零样本泛化出来。

李丰： 除了精度，过去两年还有别的在克服的挑战吗？

连文昭： 另一个是泛化性，我们自己叫高柔性。实验流程中物体的物理状态，例如有没有拧紧、有没有插紧、颜色是否对齐，对于这种微小的状态估计，以及针对状态的反馈控制，都要克服。精度解决"知道到哪就一定能到"，这部分指导"下一步应该去什么地方"，这个需要大量数据采集和清洗，训练架构上我们也调整了很多。

李丰： 你们已经有应用上的证明了吗？

连文昭： 很早就在跟华大智造、中科院深入合作，在研发过程中就能把能力放到真实流程里验证。比如简单的细胞培养、毒性检测，已经能在客户的场地中真实跑起来。

李丰： 今天有多少可能的场景、行业方向，用得上你们？

连文昭： 不严谨地讲都可以做，但需要的投入不一样。硬件已经到了可以支撑这些应用的程度，但有些应用有很特殊的要求。举个例子：家里吃完饭，剩菜放进冰箱前要撕保鲜膜封上，这就是我们实实在在接到过的需求。硬做也能做，但真的是硬着头皮上，对实时决策、感知都有很多挑战。

李丰： 撕保鲜膜对机器人可能太难了，从感知上就难，又高透又高反，还薄，一撕就破，对力的要求还高。

连文昭： 真的有需要，我们也一定能做，可以做特定设备来解决。但现在我们还是以自己的能力为圆心向外扩展，类似这样的需求是一个单点，我们希望逐渐拓宽过去。

李丰： 今天你最希望能合作上的商业化对象，大概是什么样的？他们需要有什么样的商业环境和条件，把你用在哪儿，他既用得起，也可用、好用，然后你也接得住？

连文昭： 我们积极地希望跟生化环材、检验检测，包括分析、材料、制药学科合作。机器人的好处是可以兼容以往所有异构的仪器，老的、新的，不需要任何接口。

打个不恰当的类比：人就是最好的 API，可以调度所有接口，我们的智能机器人提供的就是这么一个接口。不管过去的实验室什么样，都能很容易地嵌入原有流程，改造是很轻量的，甚至零成本。

我们带来的价值，一方面是闭环科研实验流程，避免人的参与所带来的不确定性和效率问题；更大的价值是，机器人一旦开始闭环，这些数据自然是标准化的、可信赖的，形成一个新的科学智能的物理基座。

类比 GPU：有了它，不光是解矩阵计算比之前快多少倍，而是可以做以前不敢想的事，比如大规模处理图像、视频、语言。当机器人进入泛实验室之后，不光是替人操作，它带来的环境数字化、标准化和可复现性，可以解锁过去不敢设计的实验。所以，我们很愿意跟想做干湿闭环的企业和科研单位合作，把湿实验数据留存、汇总，反哺干实验的迭代，螺旋上升，设计不管量上还是假设上更不一样的实验拓扑结构。

李丰： 今年除了世界模型，另一个从二季度以来很火的方向就是 AI for Science。但我们看的项目里，更多还是在用 AI 模型来解决科学问题，这把火好像还没烧到"湿实验怎么更 AI 化"。从你的体感看，火到你们这儿了吗？

连文昭： 会看到一些苗头。基础科学需要长期投入才能看到产出，机器人一定能发挥作用。过去数字 AI 做的是读文章、读文献、读实验报告，从人类已知的东西中学习，这是有边界的。

下一步自然需要 AI 去探索未知的边界，做人类不知道的东西：自己设计需要得到什么新信息，从新信息里得出新假设，再去迭代。相当于赋予 AI 创造力，或者不严谨地说，赋予 AI 好奇心。这是必然会发生的，需要花一些时间和投入，已经有一些有前瞻性的机构在开始推进了。

李丰： 你接触的潜在用户里，做 AI for Science 背景的人，和传统做生化环材实验的人，对你们的接受度是一样的吗？

连文昭： 这两类人其实不那么割裂，是混着的。传统生化环材学科在往 AI 融合；纯做 AI 转来做 AI4S 的，对数据的敏感度更高，第一反应就是数据能否积累、循环起来。两类人都比较开放，拥抱用新的方式推进湿实验。

李丰： 大家对成本的敏感度是什么样的？

连文昭： 最基本的账很容易算，也就是降本增效：一个人工是否算得过来。大家普遍也接受仪器利用率、实验通量是不是真的提上来了。还未被广泛接受、但后面可能会被接受的是，实验质量提高后，AI 能否提出更好的假设、完成更好的闭环。这是未知的，但未来可能是价值最大的。

李丰： 到明年参加 WRC 的时候，对源络而言，你比较大的预期是什么，到时你们可能会有哪些变化？

连文昭： 划一个节点到明年，我们肯定希望物理 AI 和科学智能的基座真正嵌入到很多合作方。我们现在有一个"原点计划"，希望跟科学智能行业里的机构和企业一起构建生态，大家有一个共享物理技能和数据的地方，在允许的范围内，使生态里的企业和科研单位产生新结果的速率得到提升。

前两年尤其去年，中国生物医药 license out 的例子越来越多，我们希望加速这个进程——不单在医药领域，在材料和其他行业，我都希望看到变化。

李丰： 作为结尾，从团队人才到行业合作伙伴、再到产业链上下游，各个方向上你有什么期望？

连文昭： 源络一直是长期乐观、短期务实的公司。从成立到现在，我们积累了自己的硬件本体、模型和数据，下限已经很稳很高，同时在提升上限，也就是在保证可靠性的前提下，提升通用性和泛化性。

一方面，我们希望跟行业中的伙伴合作，不管是科学智能还是其他行业，我们现在也在跟农业、精细化工、制造业的企业合作，把高精度、高柔性的能力应用到更多行业里。

另一方面，如果有对科技驱动落地感兴趣、想死磕机器人在真实场景产生价值的研发小伙伴，欢迎联系我们加入源络。