硅谷大佬聚会：关于“人与机器人”的真话职场Bonus

中国两家明星机器人的表演同时出现在了美国硅谷的学术腹地。

7月12日，斯坦福大学教职员俱乐部（Stanford Faculty Club）。一场科技峰会的中场时间，国际二胡演奏艺术家Hina Zhang拉起了《赛马》，台上配合演出的正是宇树机器人；伴随一首《Levitating》的曲终，智元机器人也完成了它的互动表演。

视觉观赏之外，与会者愈发对机器人的真实处境感到好奇。在被机器人公司们的营销所裹挟的时代热度里，人们想要多听真话。

AMINO Capital创始人、人称“硅谷李师傅”的Larry Li在下午的投资论坛上说：“我看了很多demo，它们在舞台上跳舞跳得很好……但一下台，需要三四个人把它抬下去。”

这场名为 Humanity & AGI Summit 2026 的峰会由AIRA（美国AI机器人联盟）联合多家机构主办，从早上9点开到晚上6点。以《人类简史》作者尤瓦尔·诺亚·赫拉利的独家视频演讲开场，登台的有Skild AI创始人Deepak Pathak、猎豹移动董事长傅盛、斯坦福医学教授John Ioannidis，以及来自CMU、英伟达、甲骨文、沃顿商学院的学者和硅谷投资人。

在这场活动中，关于“机器人”的讨论一半有关祛魅。而关于“人”的讨论，则关乎人的工作、人的信任、人的组织……它们也是中美产业和职场办公室里被所有人共同关心的话题。

峰会从主办方AIRA主席Yong Wang的开幕致辞开始：过去几十年，AI主要存在于数字世界；如今，它正跟着机器人一起进入现实世界。“AGI的未来不能只由技术本身推动”，科学家、企业家、政策制定者和整个社会都要在场，信任、责任和治理体系，需要和技术一起长出来。

全球畅销书《人类简史》三部曲作者 Yuval Noah Harari （赫拉利）带来开幕主旨视频演讲《迈向 AGI 临界点》

而赫拉利的出现，更大的意义是在活动开篇为众人设下“技术自省”的提醒与基调——

人类被科幻作品训练得习惯担心“机器人叛乱”，但真正的风险却是安静发生的。AI正从“工具”变成“代理”（Agent），社会越来越依赖无法理解、也无法完全监督的算法系统，一种“数字官僚体系”正在形成。历史上，印刷术没有直接带来启蒙时代，先释放的是信息噪音、谣言和极端思想，直到人类逐步建立起编辑体系、事实核查、图书馆和学校，海量信息才被转化为知识。

以下是《职场Bonus》的现场笔记。

[一盆冷水：机器人还没准备好]

CMU教授、Skild AI联合创始人兼CEO Deepak Pathak的主题演讲，核心是给行业“祛魅”。

他搬出了莫拉维克悖论（Moravec's Paradox）：对机器来说，“困难的事情很容易，容易的事情很困难”。原因在于，人类做感知和运动类的事情不假思索，靠的是长期积累的经验与常识，机器却要从零学起。后空翻、跳跃、舞蹈这些看似高难的动作，只需要精确控制自己的身体，不依赖对外部环境的理解，对机器反而容易；走一段楼梯反而难——楼梯在哪、多高、如何避开障碍，每一步都要感知和理解外部世界。

“网上那些机器人突破的视频很容易让人误解。机器人会跳舞，不代表它理解世界。”

Skild AI 联合创始人 Deepak Pathak 教授，其演讲主题为《为机器人打造通用大脑》

机器人的进化速度为什么比大语言模型慢？他的答案是“数据”。大模型有整个互联网可以学习，机器人的数据必须来自真实运行，而真实运行又依赖智能系统支持——这是一个“鸡生蛋”问题。解法，或许是做一个“通用机器人大脑”：Any robot, any task, one brain（任何机器人、任何任务、同一个大脑）。模拟数据提供规模，人类视频提供多样性，真实操作数据提供真实性。据Deepak介绍，这套系统已进入NVIDIA工厂的GPU装配环节，并在台湾Foxconn产线探索应用。

那么，“机器人的GPT时刻”离我们还有多远？我们在全场听到的最诚实的回答，来自英伟达通用具身智能体研究实验室高级研究科学家罗正宜：“每次有人问我还需要几年，我都会说三到五年——而‘三到五年’通常意味着我不知道。”

猎豹移动董事长兼CEO、猎户星空创始人傅盛在演讲中给出了更直接的判断：“人形机器人5年内不会规模商业化。”要知道，他可是正在做机器人生意。

今天，约七成的人形机器人被卖给科研机构。“科研和商业化是两回事，这说明市场还没有准备好为它买单”。这其中的理由有三：软件上，机器人缺乏物理世界数据，“机器人的ChatGPT时刻还没有真正到来”；硬件上，核心零部件没有形成成熟产业链，“一个关节出问题，可能要修一个月”；形态上，轮式机器人可以降低约90%成本、覆盖95%实际应用场景，而人形机器人的价格是轮式的十几倍，干的常常是同样的活。“客户需要的是解决问题，而不是一个长得像人的机器人。”

资本总是跑得比产业快。资本论坛主持人、机器人之家联合创始人郑梦雯援引Dealroom数据称，今年内全球机器人公司已融资55.8亿美元，创历史新高；而2025年全球人形机器人出货量，估计仅约3万台。她同时提到，特斯拉Optimus V3的年度产能目标已提升至7万台，宇树科技2025年全尺寸人形机器人收入达8.21亿元人民币——订单故事很热闹，尽管商业化模式尚未被验证。

Larry Li给出的投资方向也与此呼应。他说AMINO Capital不重点投人形，只关注两件事：一是数据，如何为其他公司生成可用的机器人数据；二是通用机器人，“不是‘类人’，而是‘通用’，能完成很多事情，但不一定要能完成所有事情。”

[活下来的公司，都不追求“像人”]

什么样的机器人公司在真实世界里活下来了？下午的论坛给出了一些参考样本。

九号公司副总裁Tony Ho说，公司过去尝试过酒店配送机器人等多个方向，最终在割草机器人上找到突破，相关产品已服务全球约百万家庭。总结来说，“不要拿着锤子找钉子，先搞懂客户真正的问题是什么。”

傅盛的答案则是“刚需、重复、可控”。今年春节，他因滑雪受伤坐了几个月轮椅，发现老人使用轮椅最大的痛点是经常撞门、撞家具，于是把机器人的导航避障技术装进了轮椅。如今，他的第一批产品已经卖到欧洲。

如果说上半场的制胜点是找到真实需求，那么下半场的关键，则是要把交付成本打下来——过去部署一台机器人要派工程师到现场调试一两天，现在通过Agent可以在30分钟内完成自我配置。

要知道对To B机器人公司来说，部署成本可谓是决定规模化的生死线。

UCLA副教授、Coco Robotics首席AI科学家周博磊提醒，机器人公司要像做科研一样找到自己的benchmark（衡量标准）和niche（细分领域）。

他举的反面教材是iRobot：这家靠Roomba取得巨大成功的公司，长期困于单一家庭清洁场景，在中国企业的成本与性能冲击下陷入被动。2025年12月，iRobot申请破产保护，被其中国代工厂、深圳杉川机器人收购。

Fusion Fund合伙人Ryan JB Taylor每年要看近1000家机器人公司，他把典型死法称为“慢死”：靠演示和营销内容融到钱，却始终无法商业化。他把自己的投资口味定义为“4D”场景——危险（Dangerous）、肮脏（Dirty）、枯燥（Dull）、昂贵（Dear），“我们组合里跑得最快的公司，大多在危险和肮脏的场景里”。

[信任危机：一个Deepfake受害者的反击]

“我成了Deepfake色情内容的受害者。”情绪浓度最高的一段分享，倒是与机器人无关。

Alecto AI创始人Breeze Liu毕业于UC Berkeley，从事风险投资。有一天，她在全网找到至少800条关于自己的伪造内容链接，其中142条托管在微软的服务器上。

她向这家巨头求助，得到的回复是：“我们没有这个技术。”

她只能一条条申诉。

这段经历，也促使她参与推动《Take It Down Act》——这是美国首部打击此类内容的联邦法案，已于2025年5月签署生效。

在论坛现场，Breeze Liu回忆了自己曾祖母的故事。作为出生在旧时代的中国女性，她的曾祖母一生没读过书、没离开过家乡，幼年曾经历缠足。“缠足或许已经成了过去，但新的伤害形式出现了。在我看来，Deepfake虐待，就是数字形式的缠足。”

“98%的Deepfake是色情内容，99%的受害者是女性。”Breeze Liu说道。她创办的Alecto AI不仅会做Deepfake检测与删除，还对个人用户完全免费。“对幸存者收费，我不认为那是对的。”

关于技术带来的信任危机，斯坦福医学教授、循证医学领域的重要学者John Ioannidis则从科研侧补了一刀：他统计了317家AI独角兽的论文发表记录，发现它们只占全球AI科学文献的0.1%。也就是说，估值与科学产出之间，几乎不存在相关性。“如今每7篇论文中大约有1篇存在造假，规模约合每年100万篇。”

[资本买什么？公司怎么活？]

人类的工作正在被重写。

Metix AI创始人兼CEO傅立科（Kin Fu）讲了两个故事。一位顶尖高校毕业、有大厂实习背景的年轻工程师，一周内投出1082份求职申请，几乎没有任何回音；一位机器人公司创始人三个月内面试了22位候选人，只找到1个真正合适的人，而这个人最后还因为更好的待遇去了别家。

如今，机器人行业一些核心研发岗位的基础年薪已达30万至50万美元。“这个产业当前最大的瓶颈，不是资金、算力或模型，而是人才。真正能推动技术落地的人极度稀缺。”

“看学历、看公司背景、看职位名称和关键词……企业还在用这些过去的方法找未来的人才。”他认为这是问题核心。未来优秀的员工，是能熟练运用AI模型、智能体、自动化工具和工作流、与AI协同创造价值的人；未来最优秀的组织，拼的是高价值人才的密度而非数量——“30位真正优秀的人才，完全可能创造超过300位普通员工的价值。”