熊伟铭：  

· 我们这个行业有一个原理：虽然很多创新是偶然爆发出来的，但之前其实经历了很长很长时间的蛰伏。

· 在我们所关注的领域里面，如果已经有二级市场分析师开始写报告，有 Top-down 的非常完整的方法论了，那这个行业就已经不适合我们了。

· 确定性创新非常适合大体量的资本加速放大规模，而不确定性的创新，就像我们投资的机器人、自动驾驶、火箭，在还没有形成一个行业时，VC 的价值就比较重要。

· 我们和创始人其实都是创业者，VC 能从不同方面帮助企业业务起飞。

· 把一件事情做专做透，绝对是这个世界上最重要的能力。     

· 大模型其实有点像一个 API，它熨平了很多上游和下游垂直领域间技术沟壑的褶皱。  

· AI 本身是一种横向能力、基础设施，是一个 β 的提升，它就像一个大潮，能把所有行业都往上提。  

· 我觉得大模型的影响会非常深远，我特别看好大模型，它比互联网的影响力要大多了，所有行业会在大模型的前提下重新搞一遍。

邵天兰：

· 工业机器人过去十年在中国的销量增长了 10 倍，可能对于互联网或者消费品来说还好，但作为一个工业品类，销量能从每年 2 万多台增长到 30 多万台已经很夸张了。         

· 一个东西做交付所需要的专业能力越高，那么它的市场就越窄。 

· 制造业远看是个万亿市场，近看是一堆一亿的市场。

· 机器人最大的挑战不在火星上，不在太空里，而是在你家的厨房里。

· 公司做技术一定要走极端，要么把这个技术做到世界领先，要么就躺平，直接用市场上 state of the art 的东西。

· 未来 1000 天的时间里，不是说所有人都一定要去做大模型，而是如果不拥抱这种新技术的个人、公司或者投资机构，都很可能被边缘化。

· 制造业真的太复杂，越看越觉得自己不懂，越看就会越谦卑。

· 垂类企业一定要拥抱大模型，拥抱这种技术，双向奔赴，当然这个技术也不是一通百通。

以下为直播对话实录，经CGCVC编辑整理：

熊伟铭：华创专注于科技领域的早期投资，试图做创业者第一个或第二个机构投资人，这件事我们大概从2015、2016年开始做，当时市场的主要风口还是 O2O 、共享经济，互联网还是主流，但那时我们就已经决定“放弃”互联网了，因为像我们这样资金体量不大的VC，如果去做一些上规模的事情其实比较困难。但做行业的发现、产业的发掘、创新的孵化，就比较适合。

我们大概从2016年左右从 TMT 行业“出来”，基本上把所有精力搁在科技创业这个赛道上了。那时 AI 也同时在发生，很多同行兄弟们觉得这事比较容易理解。最早我们搞互联网、搞流量的也是计算机系毕业，只不过原来  AI 可能比较偏学术，尤其在2012年之前，今天的很多大神当时可能都还在坐冷板凳。

2015、2016 年时，ImageNet 、AlexNet 出来了，各种各样的指标也都上来了，CV 整个在起飞，我们也是在那时开始关注到 AI 领域的投资机会，投了自动驾驶、CV、driven 这些新的行业机会。

自然语言处理（NLP）历史就更遥远了，我记得有一家老公司叫 Nuance（NASDAQ: NUAN），咱们最早用的诺基亚、飞利浦里的输入法都是 Nuance 搞的，后来被微软收购了。但 NLP 一直到2022年年底才有了突破性飞跃，在2015、2016年时，我们反复看 NLP ，但它的准确度就是上不来。Computer Vision 的准确度很快上到了 95%、97% ，意味着一个摄像头识别人脸的准确度超过一个自然人，但 NLP 在 2019 年疫情之前的准确度还都达不到90%。

我们经常关注斯坦福的一个评分系统叫SQuAD（Stanford Question Answering Dataset），NLP 那条评分线永远就超不过90%，所以作为从业者我们有的时候有点“疲”，看了好几年还没看到起色。结果2022年下半年整个 NLP 有了大规模提升，这也说明了一个原理：很多的创新，虽然你看到它是偶然爆发出来的，但其实之前已经经历了很长很长时间的蛰伏。

回到华创资本本身，我们更关注交叉生产力的领域：硬件、软件、医疗、消费，其中有大量创新型的投资都是“四不管”地带。比如手术机器人，当时的同行，有一些 IT 团队说这是医疗，医疗的团队说这是 IT ，所以谁也不管。

我们投手术机器人，也得益于和梅卡曼德合作的灵感。既然 Robotics 在(二零)一几年开始有了突飞猛进的进展，那是不是各行各业都会有各自类型的垂直领域的机器人？工业有工业的，医疗有医疗的，我们把注意力搁在1994年成立的达芬奇上，再看中国有没有类似的技术。

在我们所关注的领域里，如果已经有二级市场分析师开始写报告，有 Top-down 非常完整的方法论，那这个行业就不适合我们了，是一个 Venture Growth 或者二级市场非常擅长的领域。

确定性创新比如这几年风风火火的国产替代、新能源，是非常适合上市公司和大企业的机会，这些确定性创新非常适合大体量的资本加速放大规模。而不确定性的创新，像我们从(二零）一几年开始投资的机器人、自动驾驶、火箭，在还没有形成一个行业时，VC 的价值就比较重要。

VC 和创始人其实都是创业者，我们能从不同方面帮助一个业务起飞。2017年我们和天兰携手，是因为我们非常看好智能机器人或者 Computer Vision 和 Robotics 的结合。如果按清华的系来划分，可能一个是计算机系，一个是机械工程系，不同专业的组合造就了今天智能产业、机器人的格局。

邵天兰：华创是我们最早的投资人之一，那时是2017年， 公司成立也就半年多，还没有收入、大客户，产品也非常原始，他们当时（投资梅卡曼德）非常有魄力。

到今天，我们的产品迭代了很多年，实现了把人工智能、3D 视觉机器人的规划和技术规模化应用。而大模型特别是 ChatGPT 这样的技术，又带来了很多新的可能性，我们也很荣幸能参与到机器人非常火热的一个时代。

工业机器人过去十年在中国的销量增长了 10 倍，这个倍数对互联网或者消费品来说可能不大，但作为一个工业品类，销量能从每年 2 万多台增长到 30 多万台，是很夸张的，我2012年去德国读机器人时完全不可能预见得到。

2016年，中国哪家工业机器人公司如果能卖 1000 台，绝对是头部公司了，但今天这个门槛已经到1万台，中国机器人行业这几年经历了非常快速地发展。有些机器人离大家更近一些，比如无人机、扫地机器人、送餐机器人等。而在工业领域，特别是制造和物流，自动化、人工智能、先进的视觉技术、机器人规划等，实实在在改变了这些行业。很多以前做不了或者非常复杂、需要很多人工去设计的事情，用新的技术就变得可行了。

以我们为例，过去四、五年之内，我们每年都能做到一年的销量顶之前历史之和。我们今天一周的销量，可能顶三、四年前的一年。不只是在自动驾驶，在整个制造、物流里，因为有了人工智能、视觉规划等技术，工业机器人有了非常快速地发展，也正发生很深刻的变革。

熊伟铭：从工业机器人的角度，天兰能否介绍一下大模型和多模态的 AI 能力，对梅卡曼德的助力体现在哪些方面？

邵天兰：大模型对我们整个行业来说，像是一块非常重要的拼图，它不是单个而是一大串的能力，比如自动驾驶，有传感的部分，激光雷达有200米甚至300米的射程，还有毫米波雷达传感器，这些是 Sensor 的部分；另外还要对环境进行很好的感知，克服灰尘、阳光等各种干扰。语音、视觉的识别，从2015年开始经历了一波暴涨。2015年时像科幻一样的事，今天大家已经习以为常了。比如人脸识别，10万级别在今天看来都不是事，但当时（2015年）是一个非常重大的挑战。光有识别，只是一个更低级的理解，还需要知道它的意图，比如前面车辆在减速、试图左转，这些还需要更高级的感知。后面还有规划决策，比如如果要超过前面那辆车，该怎么去做。

对于机器人来说也类似，比如如何识别、抓放、运动等。而一直以来还面临一个很大的 Missing Block，机器人还不知道怎么去做一个重大拼图，这些基础能力怎么用一个更智能的方式统筹起来。像是打篮球，会投篮、运球、传球，但不知道什么时候去做。一个好的球员他不但要有这些很好的基础能力，他还要知道怎么去运用。

这方面，在过去几十年间有很多尝试，但是一直没有特别成功。以前的尝试像 Learning by Demonstration ，是人工给它做一些示范。这个示范可能是人用手指挥机器人做一些动作，或者让机器人看视频。

熊伟铭：或者也教学。

邵天兰：对。现在大模型给了一个非常好的思路，它有千亿级别参数量，通过跨模态的各种各样的训练数据，能涌现出若干个常识，我可以告诉它帮我收拾好房间、擦地、洗碗。以前，不管是 Rule-Based，或者早期 AI 的书，都是用符号推理，写很多的 rule，然后做逻辑推理。但那些东西 never works ，一直没有一个很好的解决方案。

但今天我们看到了一个非常有潜力的方向，就是当把基础能力做好之后，上面有一个大模型，就能够产生一个更高级的能力，这种能力可以代替很多工程师完成的工作，把这种能力组合起来，我们认为有机会把机器人的技术再推上一个量级，这也是我们现在看到的一个巨大机会。有了大模型之后，市场将可能是现有的 10 倍甚至 100 倍大，这是我们现在非常兴奋的一件事情。

熊伟铭：我觉得挺有意思的一点，一个是你们产品是基于 Computer Vision 的，现在又增加了自然语言处理的多模态的部分，是少有的、我能看到的，能同时把 CV 和 NLP 做到多模态融合以及提升效率的案例。不是所有的CV公司都可以直接用大模型，在你的应用里面，有哪些具体的部分，能用到大模型？

邵天兰：我个人觉得有一个很重要的门槛，就是这个任务到底能不能出错，或者人们对它的期待是什么？如果 1/ 10000 的错误率，就非常可靠，人不用监管运行，说实话今天的大模型技术还差得很远。

这也是过去整个 AI 面临的一个很大挑战，比如自动驾驶，大街上的车和人是无法控制的，是极端复杂同时可靠性要求极高的场景。但也有一些领域可能很复杂但对精确度要求不高，比如ChatGPT，全世界好几亿人每天问它各种稀奇古怪的问题，但回答正确也好，错误也罢，是完全不 critical 的。不能要求出来的东西马上就能用，或者不经过任何修改就能用，但是它是很好的一个中间产品。

再举个例子，我们公司内部很多文档，让大模型读完了所有文档后告诉它需求，它就可以代替销售和售前的一部分工作，我们现在已经在做这种事情了。大模型不是替代这些基础能力，而是有机会用非常智能的方式来代替人、帮助人完成部分基础工作。一个技术能不能得到广泛应用？很重要的地方在于以技术做交付时，所需要的团队里人才的专业知识能力的多寡。所需专业知识能力越少，就能提高越大。

为什么 ChatGPT 两个月之内就有1亿用户？因为它不需要任何专业能力。只要会打字、会说话，就可以用。但今天我们看到一些很专业的产品，需要博士、硕士才会使用，一个东西做交付所需要的专业能力越高，它的市场就越窄，这是必然的。

我觉得全世界的教育会面临一个极大的挑战。跨专业技能非常难以习得，比如我们为了用 AI 和机器人的方式解决客户的一个需求，就需要懂一些机械、电器知识。如果我们整个团队有1万人，不可能每个人都是10个领域的专家，所以一方面我们要降低软硬件使用的门槛，另一方面像大模型能起到一个很好的补充，这是非常值得兴奋的一件事情。

熊伟铭：这是很好的例子。直到今天，PC、笔记本使用率其实都不高，因为用 26 个字母的键盘打字就能拦住很多，但智能手机的普及率就高很多。更不用说成千上万各种各样的垂直领域。大模型其实有点像一个 API，它熨平了很多上游和下游垂直领域间技术沟壑的褶皱。就像你说的，有了大模型，我们立刻就可以投入到某个垂直领域，而不需要先变成专家，就可以先理解至少半个客户的需求，然后 speak the same languages with my client，再调一个能够卖给他的产品。

邵天兰：我刚才说的可能有点抽象，再举两个例子，一个是 Excel ，一个是 Photoshop 。绝大部分人都用过 Excel ，但使用的功能其实还不到它的 1/ 1000；Photoshop 是很专业的工具 ，使用起来还有些复杂，而有了大模型，不需要再学习使用这些工具，直接和它说把眼睛 P 大一点就行了。它集成了这种大模型后，就有可能挤压掉一些小软件，如果能用一个极端简化的方式进行操作，未来人人都会用 Photoshop 了。

对我们机器人来说也一样。为什么我们现在主要服务汽车、物流、锂电池、家电、3C、重工程机械这些行业？最主要是因为这些行业的人自己懂一些自动化。我们作为一家以 AI、3D 传感器和规划技术建成的公司，并不是什么都懂，比如服务餐馆，我们暂时还做不了。但如果这个事被熨平，那就了不得，哪怕一个小餐馆，也可以上机器人。我们现在工厂的产能利用已经超过120% 了，现在扩产，就得找专业设计师、建筑师，但沟通起来很困难，因为他们不懂生产，以后有大模型就容易多了。

熊伟铭：大模型推动了所有行业的市场扩大，有了这个工具的帮助，相当于原来不会用 C++ 编程，但后来有了 Python ，就容易了。

邵天兰：很多人说大模型出来后会不会替代今天的某些工种，或者机器人使用的某些行业会不会多卖三五台？我觉得他们的想象力太有限了，在我看来应该是会打开很多全新的领域。当时华创投我们时，有句话说，市场上有 100 个需求，机器人能满足一个，经过梅卡曼德努力之后，也许能满足三五个。但今天大模型出来后，我觉得也许能满足20个。当然还任重道远，但利用这些技术已经能解锁很多新的行业。机器人也会因为大模型继续摩尔定律，机器人能干的事情每 18 个月翻一倍，这已经是很保守的一个估计了。

熊伟铭：我完全跟你站在一起。像我们这个行业，很多投资人最早都是投互联网的，但当大家从互联网代表的第三产业回到以制造业为代表的第二产业时，忽然发现自己的想象力不太够了，一方面是对技术的理解，另一方面是对应用的理解。就像刚才咱们提到的，不会编程语言就是不行，但这个东西就只有那么点人会，所以市场非常非常小。

但有了大模型、多模态，以后都不需要学编程了，有自然语言就可以了，就像 OpenAI 做的 demo 一样，说要做一个网站，直接就编出来。就像有了科学计算器，九九乘法表可能就变成一个文化行为，而不是一个必须要掌握的技能，因为有太多工具更容易去实现，更关键的是怎么整合这些工具。

邵天兰：这对人和公司都会带来很大变化，比如要做网站，我是学 Java 的，可能还要学 Spring 以及相关的数据库，学习量会很大，以后都不需要了。

我们最近也在思考，以后整个机器人行业的形态会是什么样？专业技术型的公司、解决方案型公司和终端的客户，可能都还会有，他们各有擅长。但产品型公司能够覆盖的行业就会变多。以前一个公司覆盖三五个行业，就累死了。但今天边界被打开，行业上下游整合，在同一层里面，原来是做汽车、焊接、物流的公司，边界很有可能被打开，公司的能力更加全面。就像个人，我懂一点财务，也懂一点机械，比如邵天兰加上 ChatGPT ，可能比一个普通财务更加专业，那对整个商业的影响是很大的，我们也在观察，未来几年会发生什么。

熊伟铭：我也有类似的观察。随着这些工具慢慢产生，最小的生产力单元在变得越来越小。原来比如一两千人能做一个收入多少亿的基建公司。有了大模型的帮助，也许500 人、200 人甚至十个人就够了，像 Midjourney 做到现在这个规模可能才 11 个人。当年我们觉得 Instagram 已经很牛了，团队才十个人。理论上 AI 大模型可以覆盖到所有专业领域，更关键的是这个 architecture ，专才的个人在消失，专才公司不会消失但会整合。把一件事情做专做透，绝对是这个世界上最重要的能力。但一个公司，以前擅长一个领域就累死了，现在可以擅长多个。

邵天兰：这是完全看得到的未来。这几年有所谓“逆全球化”的趋势，但在我看来，大模型是一个高度全球化的事情，它在不断抹平国家之间的差异。比如语言，以前有 AI 翻译，但更多是上下游能力的 transfer 。我们今天在南美、中美是有业务的，但必须要借助一些在当地开拓的合作伙伴才能过去。因为要把能力 transfer 到地球另一端的一个地方，需要有相关的语言材料，需要找到相应的人，全球范围内能力的 transfer ，现在仍然是很难的。

以前有所谓  Copy To China，现在是 Copy From China ，但中国的消费、电商发展是有国情的，不能简单 Copy 。就像 Copy Amazon，需要借助、吸收它的底层能力，在中国建立一个中国的 Amazon ，这个过程是很痛苦的。回到制造业，我们不断吸收改进新的技术，一个很大的门槛就是碎，制造业真的非常碎，比互联网碎太多了。

Wayne，你看互联网有没有这种感觉？比如看一段时间之后就感觉这个方向已经都看过了。但制造业不一样，看一年感觉还在一个很细的方向上，一大堆公司、需求和环节。互联网赛道比较平，但制造业需求非常碎。我学计算机的，这些年去了不止三四百个工厂，到处看各种工艺，每天都在学新的东西，真的特别碎，冲压、焊接、涂装、钣金、打孔、拧螺丝，各种精密装配，各种检测、量测。远看是个万亿市场，近看是一堆一亿的市场，甚至连 10 亿都不是，一点不夸张。

制造业里面真正的大企业，像西门子，每年千亿欧元的订单；像 Festo、基恩士、海克斯康等公司，都是围绕一个品类做非常多的产品线，产品册都是以斤为单位，可以“砸死人”的，只有这种公司才能做特别大。制造业环节特别多，不得不有一大堆产品组合，这本身也会形成一个非常高的壁垒。在大模型时代，我第一次看到了希望：怎么把这1万个甚至 10 万个1亿的市场，有效率地整合出其中的100 个，那就是 100 亿了。

我们今天看到过去这些年硬件、特别是传感器的能力和通用化产生了很多进展，包括成本降低做得非常好。比如像我们这种传感器，就那么几个型号，但能够 cover 很大的范围。还有像协作臂、机器臂，都是标准产品。我记得在德国时，一个臂卖3万美元、20万人民币很正常，今天国内很多成本才不到两三万，用的也还可以，这种就是硬件的标准化。另外就是基础能力，比如识别率达到99%，已经不再是一个问题。

再往后，我们看到的就是大模型带来进一步的标准化，这是非线性的，比如说一个东西做到 90%、99%和 99.9%的标准化，市场不是线性发展的，过了一个点之后会爆。制造业是这样，问题解决一半跟没解决其实区别不大。

熊伟铭：这就是“行百里者半九十”。你刚才提到一个很有意思的点：一个万亿级的市场和一万个一亿级的市场完全是两回事，这特别经典。你觉得大模型能为这些1亿规模的制造业工厂们做些什么呢？它们会变成什么？

邵天兰：第一，能够提升专业人士的效率，就是减少了专业人士的工作量，比如原来 100 个专业人士服务 100 家客户，现在能服务 1000 家客户。

第二，能够更好解决变化快、需求多、杂，非常非标的客户。还是刚才那个逻辑，如果它变化很快，每一次都需要有专业能力的人进行服务，那是无论如何不能 Skill Up 的。今天整个制造业的更新换代非常快，也得益于这个“卷”。比如我小时候，捷达、桑塔纳一款车能卖好多年，今天如果一个车企一年没有新型号，就会被质疑，这车企是不是不行。而且不是简单地改款，是真的全新的型号。一款车背后的生产线，是我们这些企业吭哧吭哧提供的，当然我们只是做很小的一个环节，我们主要是提供视觉 AI 的部分，企业提供一个产线需要干半年。但现在车一年一改款，从时间上就不 match ，我们就得跟上这种变化快、需求杂，比较非标的行业。

第三，能够往服务业做扩展，有句话特别经典：“机器人最大的挑战不在火星上，不在太空里，而是在你家的厨房里。”在火星上做一个机器人，它的复杂性比在厨房要简单很多，把常识注入到机器人里面是很重要的。

很多生物其实没有大家想象的这么智能，比如屎壳郎推粪球是一个很经典的实验，它推到一半时，把粪球拿走，屎壳郎会继续假装推到家，然后返回来再继续推，这个程序必须要走完，它就是一个“双状态机”。咱们也别瞧不起屎壳郎，今天制造业、工业里面大量程序其实都是这样的，还没有办法处理意外的情况，包括自动驾驶，有个段子说1000 个“  if else ”，还得看 Corner Case ，这种东西在厨房的场景里是写不完的。

这个世界非常复杂，以前有一个经典例子说人是一个生物，是由非机械组成，不包含机械。人拿起来一个物体，就会推理出一个人在剃须时就不再是一个人，因为他剃胡子的时候，他的手上就有了一个电动剃须刀，这个剃须刀是机械，听着很搞笑。如果你换了一个人工心脏，就会被认为不是“人了”。每一条单拿出来听上去都很有道理，但是它有无数的 Exception 和 Corner Case ，当把这么多的 rule ，比如 1000 条 knowledge 放到一个 base 里，总能找到很多奇怪的漏洞。大模型通过海量训练、千亿级参数，现在表现出来的能力是远超以前的。

熊伟铭：现在我们所经历的 AI 这波变革大概能起到什么样的助力？梅卡曼德在这样一个变化的市场里是什么样的角色？

邵天兰：这是非常好、非常重要的一个问题，也是我们最近在思考的。大模型现在仍然处于早期，技术在快速迭代，几乎每天都在发生重大事情，我们认为还需要相当长一段时间，比如可能一两年才能够逐步地收敛，今天有很多事情还看不清。我个人的判断不一定对，这仍然是一个少数巨头的游戏，对我们来说，参与投入产出比是非常低的。

我个人一直有一个观点——公司做技术一定要走极端，要么把这个技术做到世界领先，要么就躺平，直接用市场上 state of the art 的东西。中间态是非常“蠢”的，既做了很大投入，但又不是市场上最好的，那还不如直接躺平，但这个选择对每个公司是不一样的。比如我们没必要非得自己研发一个财务软件，直接用 SaaS 就可以，大模型最底层技术也是如此。

熊伟铭：同意。我想追一个问题，你从什么时候开始关注到大模型对业务有帮助的？

邵天兰：大模型这个事本身没有那么新，两三年前我们会看业内包括学术界，但那时感觉离业务还比较远，因为成本非常高，说句得罪人的话，效果也就那么回事，还没有产生一个质变，没有任何一个公司靠这个东西真正能够产生非常 convincing 的效果。在 ChatGPT 出来之后，我们才觉得这个事居然这么快就能够在业务上达成可预见性了。对我们来说，更好的一个方式还是自己能提供这些 API ，利用技术去解锁新场景，这只是我今天的看法，再过半年、一年，这个行业可能还会发生更多新变化。

熊伟铭：你们员工有百分之多少目前在用 ChatGPT 或者大模型来辅助自己的工作？

邵天兰：我没有统计过，我们现在一共是将近 700 位同学，海外公司使用率可能接近百分之百了，国内保守估计可能 1/ 4。        

熊伟铭：海外的同学百分之百都在用 ChatGPT ，你能从他们交付的工作中感受到质量提升或者是速度加快吗？你感受到效率体现在哪些方面？       

邵天兰：比如我刚提到读文档，蛮有帮助的，更多还是一种知识的 transfer 。还有一些翻译，我就不做广告了，效果确实是比以前要好。以前比如百度翻译出来的内容我还能说翻译的不好，我来改一改，现在新的工具翻译出来的东西我改不了了。

熊伟铭：直接可以用，而且非常优雅。

邵天兰：肯定还是有问题，但是我的水平改不了了，类似这种，就是很好的一个进展。

熊伟铭：虽然我们现在没法做特别量化的效能提升，但大模型已经大大加速了整个组织内部的学习和知识转化。

邵天兰：在公司内部，我非常鼓励大家用大模型。我有个感觉，未来 1000 天的时间里，不是所有人都一定要去做大模型，而是如果不拥抱这种新技术的个人、公司或者投资机构，都很可能被边缘化。

熊伟铭：沿着你说的这 1000 天，对于梅卡曼德而言，商业模式上的提升会体现在哪些方面？它会影响 P&L 还是 balance sheet ？在商业上会体现在哪里？    

邵天兰：这些点都很重要，但我觉得更大的可能是会有一些新的场景出来。比如2018年，整个行业一年才卖几百台，基本上都是展示性的、demo 性的东西。但像去年，我们售出的 3000 多台绝大部分都是实用的项目，今年前四个月我们销售又 double ，产能已经被拉到 120%，最近正在搞扩产。我们原来做的事情效率被提升，这是显然的。但是有没有哪个场景新打开了？整个行业在某个点上爆掉了？我现在还没法给出答案，但我隐约感觉不一定是今年能出来。

我从2016年底回国，这些年跑了几百家工厂，公司现在有上千个客户，经过这几年的学习，我现在得出的结论就是我不懂制造业。它真的太复杂，越看越觉得自己不懂，越看就会越谦卑。几十个门类，细分下来还有更多。类似无人机，大疆把无人机变成了一个小白用户的消费品，以前无人机属于航模赛道，但后面卖的本质上是个相机，所以大疆把航空拍照的市场打开之后，以前的航模市场就没有那么重要了。这个事的未来我们现在还没有看清楚，还在看。

熊伟铭：那我反着问一个问题，大模型熨平了很多垂直领域的理解力，使得成千上万个新机会出现，有没有机会从大模型出发，反向做一个能够跟你竞争的公司？

邵天兰：当然有机会，但就是我刚才说的那个点，我认为做一个事，要么做到非常领先，要么就躺平直接用 state of the art 。如果有一家公司比如大模型做得非常好，能够领先 state of the art 很多，那当然可以（反向竞争），但也许它也可以选择做其他的事情。

熊伟铭：为什么要选你这个行业，对吧？

邵天兰：比如能做出核聚变，是不是能把牛耕地给替代了？当然这是一个小例子，我认为在每一个领域里面，把基础的 API 做好，仍然是非常重要的事情。

熊伟铭：所以对垂直领域的玩家而言，AI 本身是一种横向能力、基础设施，是一个 β 的提升。它就像一个大潮，AI或者大模型这个潮能把所有的行业都往上提。

邵天兰：AI 非常像互联网，传统行业里不拥抱互联网的人会死。但如果从互联网出来，试图颠覆传统行业，也没那么容易。像苏宁、国美，他们原来都是最大的线下渠道，但就是因为怕跟线下渠道冲突，不拥抱互联网，后来掉队了。

但互联网思维也不是百战百胜。所谓的互联网洗狗、洗车，最后也就这么回事。我觉得是双向奔赴，就是垂类一定要拥抱大模型，一定要拥抱这种技术。当然这个技术也不是一通百通，但有些传统公司看不上这种新技术，觉得都是瞎扯，肯定也不对。

前两年有一些公司特别狂，觉得——我懂AI，我懂互联网，我了不得，你们这些传统行业，我见一个“灭”一个。最近这种感觉的公司少多了，大量惨痛的事实让大家意识到必须得非常尊重传统行业。

熊伟铭：今天我们讨论了很多，从最早的大模型，回到了做业务、做生意的本质。大家总是担心大模型、 AI 来了，会不会替代现有的工作？但我们看到了大量的案例，比如原来做餐饮的，互联网来了之后接入了美团，并不会因为一个新技术来了，就取代了餐饮店原来的角色。

大模型在 AI 这个层面上，其实提升了所有人的 β 值。在一个水涨船高的大行业里面，能释放更多产能。一个人原来只能服务 5 个人，现在能服务 500 个人，也可能有更多客户，也可能更快地交付。这都体现了 AI 对于整个产业生产力提升的价值上，包括我们谈到的，工作的最小单元越来越小，能力越来越强，使得每个人作为一个生产力的最终输出者，能力因为有了大模型帮助而提升。

回到天兰说的，未来 1000 天，我们双向奔赴看看，在智能制造、在工业数字化这个领域里，是不是所有行业的参与者都能享受到大模型带来的好处。

提问：智能机器人未来的产品形态中，可以从哪些方向加深 AIGC 大模型的应用？

邵天兰：机器人里面用大模型的一个很重要的能力，就是理解抽象任务、高层任务，比如收拾家、做饭等，这对大模型来说是一个非常好的应用方式。另外，像注入常识之后可以处理更多的异常情况，包括减少对专业知识的需求，比如很多新技术或者前沿技术，使用的门槛比较高。今天看到的，还只是一些比较显而易见的方向，后面还会有更多非常好的方向出来。

提问：现在我们这个工业机器人和国外的差距大概有多大？借助这一次 AIGC 大模型的升级，未来这种差距有可能缩小吗？     

邵天兰：制造业非常复杂，我也只能懂其中非常小一个部分，99% 我是不懂的。但我可以分享一些数据，比如现在整个机器臂的销量，工业机器人的销量里面 2/ 3 仍然是日本和德国为主的海外品牌，剩下的 1/ 3 是国内的品牌。但是像 AGV ，国内的品牌销量就占到绝大部分。

客观来讲，比如精密制造、电机控制等等，包括焊接等工艺，与国外比仍然有差距。这些与大模型我一时没有想到有什么太大关系，属于相对比较传统的行业。

大模型它能够解锁很多新的场景，在相当多场景里面，刚才我提到的这些东西它不是绝对的瓶颈。就比如机器人，今天比如说能不能帮咱们来干家务，可能硬件是一部分，但它占的问题比例比软件要小得多。如果按一个非常邪恶的想法，比如想办法把一个人的大脑安装在机械手臂上，用一个人的代码来控制，能够干非常多活，几乎所有事情都能干。所以传统的材料、机械控制各种工业设备仍然需要追赶，但是一些新的场景里，大模型会带来很多新的机会。

提问：能不能谈一下未来的监管？或者我们可以借鉴哪些国家的方案？        

邵天兰：我们行业一般不叫监管，叫标准。标准化监管，就是东西不能随便卖，必须得符合一个行业标准才能卖，最重要的是有安全的标准，确保你的东西不要伤到人。还有比如这个行业的可靠性，包括像性能的一些基础标准，还有环保，不能够含有太多有害物质，10 年之后，你产品废弃后不能造成环境污染。我们这个行业一般监管很少，但是标准很多，其中一个非常重要方面叫做测试方法。       

举个例子，比如工业品精度，它有一个行业里面公认的测试方法，你得符合它的标准。我们产品在网站上都会标一些精度，以后对于 AI 来说，我认为也需要有这样的东西，比如AI能达到什么水平？能满足什么样的需求？现在是没有标准的。成熟的工业品一定是有标准的，标准越细致、越复杂，就说明这个品类越成熟。AI现在很显然还不成熟，所以还没有标准。

我觉得未来可能先跑几年，一般根据工业的规律，前面几年粗放，后面等整个行业相对收敛了之后，就开始有标准出来，这个过程可能会持续 10 年甚至 20 年。协作机器人从 2005 年左右开始提这个概念，到 2012 年左右产品开始有一定的量，相关的标准也差不多从 2014 、2015年往后慢慢出来，就是会有这么一个过程。

提问：除了智能机器人以外，在工业数字化领域，还有什么细分赛道比较适合布局 AIGC 大模型？市场规模大概有多大？

熊伟铭：凡是能算出 Time 的基本都不是我们的菜，大模型的影响会非常深远，我特别看好大模型，它比互联网的影响力要大多了。互联网能解决的可能更多还是连接，以及 IT 的提升。大模型直接把 IT 提到了智能水平上，所以所有的行业会在大模型的前提下重新搞一遍。

从顺序上来讲，可能先是中国软件业，这一直是一个比较小的行业，有些软件还是不错的，但大部分都规模受限，因为中国是直接先上了互联网，而不像其他的市场，是一点点开始有软件，然后软件拼成了 IT 系统、互联网系统。咱们是直接上了互联网，所以很多功能或者软件市场还没有来得及发育，就被互联网吃进去了，内部化了。中国没有 Stripe 这种收单公司，直接就是美团点评买单，点评不会向用户收刷单费。在全球市场，尤其是美国这类比较发达的软件市场里，软件是没有被内部化的，都是外部化的。这也造成了中国软件行业没法收费，但如果有了 AI ，我觉得中国人特别愿意为服务付费的。

比如我们需要个软件，可能都需要定制开发，中国人特别喜欢定制开发，各行各业都喜欢，其实不需要。AI 出来后，各行各业可能会有自己的、适合各自业务特征的软件服务，到最后也许它长得像 SaaS ，但实际可能交付的是按照服务付费。在这个领域，一旦大模型开始靠谱了，未来速度会越来越快，规模也会越来越大。从这个角度，整个 AI 的软件化，在国内会是一个很大的机会。

很多行业没有大模型，没有 Computer Vision ，没有多模态，就不存在了。比如自动驾驶，如果没有 AI ，大家根本不会考虑。因为 AI 存在才出现的新行业，会因为大模型的出现或者多模态的熟练，变得更加易用和商业。就像自动驾驶，有了大模型，它对于 Corner Case ，对于路况，左舵、右舵，是在印度开车还是在广州开车，它能有更好的理解。这辆车原来可能是计算机系统试图复制人的行为，但有了大模型，它的驾驶能力可能很快就超过人类。

谈到 AI 驱动哪些新行业的发展，我觉得会是硬件或者智能制造。无论是机械臂还是造船，或者中国原来根本没有，和 AI 、互联网不沾边但已独立存在几十年甚至上百年的垂直行业，也许是钟表。因为 AI 最强的是一旦了解了规则，就能够创造出人花很长时间才能创造出的方案。比如从 MidJourney 的艺术创作就看出来，毕加索的画作没出现之前，AI 自己是画不出来的，所以，人的价值永远在。压根没有印象派，AI 就也画不出印象派的东西。

一旦规则成立，我们想画出一幅莫奈和毕加索综合风格的画，那它有可能创造出和人类同一水平甚至超过人类水平的作品。所以从这个角度，很多原来压根和 AI 、互联网、IT 毫无关系的行业，很可能因为大模型，产生出更多创造力或需求。

所以从最软、最数据的行业，到 AI-specific ，再到一些和 AI 没关系、原来全是人在干的行业。但现在因为有大模型的存在，真正能够实现的价值会爆发出来，机会会大量爆发。

现在就有点像移动互联网出来之前。每过几年都会有干涸期，好像没创意了，也见不到什么有趣的项目，创业干什么呢？以后大模型可能就是一堆接口，我们就调接口，付接口的成本，就像每个月要付宽带费用一样。以后大模型就是这样，machine learning is service ，每个月付一个什么样的模型，加上 vertical 。比如我那天见一个珠宝设计师，我说你可能要小心喂它的东西，如果拿比较“ low” 的东西喂它，最后出来的产品也不见得高大上，喂它最好的“饲料”数据，它就能够产出很不错的设计。这些领域不叫被大模型颠覆，而是提供了更高质量的产品。

提问：大模型对制药企业会带来什么样的赋能？在质量管理、工艺验证、设备验证上会不会出现大模型预训练 transformer 到公司级的业务上？

熊伟铭：制药行业本身已经非常成熟，有美国 FDA 、中国 NMPA 这样的监管 ，各种各样的规范也非常多。AI 制药其实是基于 1990 年出来的薛定谔公司 Schrodinger(NASDAQ:SDGR)，当然后来又出来 Relay Therapeutics 、Nimbus ，国内的晶泰科技、剂泰医药也都在搞AI制药，但我们只摸到了AI和制药交叉的一个非常边缘的领域。比如改改剂型，原来可能是注射，现在改成了涂抹；原来是服用，现在改成局部用药，避免了很多全身的代谢问题，还有很多疾病机理其实还不知道。Watson 当年为什么失败？我觉得就是因为没有大模型，包括诊断等各方面还不是完全能够拎得清。

现在有了大模型，也许能对创新药或者 Biotech 的新药研发起到很重要的作用。尤其是早期临床前的新药发现，比如过去很多大药厂也这么做，失败过的化合物就拿过来一个个再重新调、重新试，把大模型训练完后可以让它试，它能很快而且昼夜不休息，不断再模拟，就像我们前几年说用 AlphaFold 做蛋白质结构预测一样。当然它最早只能做静态的蛋白质，很多动态也做不了。但在化合物领域里，大模型既然能读过去所有实验的数据、化合物的方法论，那它就可以是最好的化学家和药物化学家。能很快读完过去所有的实战，know-how 也会非常垂直。从这个角度，我特别期待大模型在新药研发，尤其是在早期化合物形成阶段的贡献。