Z Waves｜半年融资三轮，99后工程艺术家在最烧钱的具身智能赛道，先把公司做成了「赚钱机器」

更新时间：2025-12-07 23:30  浏览量：3

在这波被资本和媒体吹到发烫的具身智能热潮里，几乎所有人都在抢人形本体、卷关节模组和关节数量。一个 99 后却偏偏反着来，不造机器人，只给机器人「做小脑」，专门把电机扭矩、行走稳定性和跳舞不摔跤这一整套「全身运动控制能力」做到极致。

两年半时间，「桥介数物」已经给三十多家机器人公司、五十多种机型装过小脑，第一年就实现盈利，如今靠软件方案输出和高效交付能力活得很好。

尚阳星的判断很不“主流”：在人形机器人这件事上，中国最不缺的是硬件，最浪费的是一遍遍重复造壳，真正稀缺、也最可能诞生「机器人世界里的博世」的地方，是那套让机器人站稳、走好、干活的运动控制系统。

这一期节目中，我们和「桥介数物」创始人尚阳星，从他小学拆玩具、19 年写 2D 仿真器讲起，一路聊到人形机器人从 model-based 到 learning-based 的范式切换，大脑 / 小脑的真正分工、为什么他坚持不做人形本体、只押「小脑平台」，以及他对数据路线、国产替代和行业泡沫的种种「逆行」观点，比如：真机疯狂堆数据不一定是未来，人形如果不尽量像人，可能根本吃不到人类视频红利；泡沫不是问题，问题是退潮之后谁还站在沙滩上。

如果你想知道，一个 99 后怎么在这条看上去属于 85、90 后的硬科技赛道里，把理想主义写进电机扭矩，又用极致务实撑起一家盈利的小公司，这期不要错过。

Aaron：欢迎来到ya！ya！。这一期，我们请到了一位把理想主义写进电机扭矩里的 99 后创业者——「桥介数物」创始人尚阳星。

今天我们的主播间特别热闹，一共坐了四位。除了我们常驻主播之外，还有我们的飞行主播——太阳，以及今天最重磅的嘉宾，「桥介数物」的创始人尚阳星，阳星同学。两位先简单介绍一下自己。

太阳：谢谢 Aaron 的邀请。大家好，我是今天的飞行主播金太阳。

其实我和阳星的渊源还蛮深的，从投资到业务，我们都有一些交集。虽然我本身是非技术背景，但我之前的团队一直在做足球游戏和物理引擎，所以多少也懂一点——怎么让一个「机器人摔得更真实」。

如果用一句话来介绍自己，那就是：一个带着点玄学加持的创业老腊肉。今天也算是来帮大家「测一测」这波具身智能的风水，看看是不是够旺。

尚阳星：大家好，我是尚阳星。我是硕士中途休学开始创业的，本科在华中科技大学，21 年去了南方科技大学读硕士。

当时是跟着逐际动力创始人张巍老师，主要做足式机器人的运动控制方向研究。到 22 年 10 月底，我就决定出来创业，公司正式注册是在 23 年 5 月，一路做到现在。

Aaron：那我们先来一个小小的「快问快答」环节。阳星，你的 MBTI 是什么？

尚阳星：好像两年前测的是 INTP。

Aaron：那你最喜欢的创业者是谁？

尚阳星：最早是乔布斯，后来是马斯克，现在我也挺喜欢李想的。

Aaron：你最近最常用的一两个 AI 工具是？

尚阳星：以前写代码多的时候，会经常用 Cursor。现在开会更多了，就主要用飞书，它有很多自动总结的功能，挺好用。

Aaron：这里先声明一下，我们没有接飞书的广告（笑），纯粹是因为它真的好用，才这么说。

成长轨迹：从拆玩具到桥介数物

Jane：接下来我们想先聊聊你个人经历。我看你本科阶段就已经在做一些机器人相关的东西。你现在回头看，从小到大，你大概是从什么时候开始，对「机器人」这件事真正产生兴趣的？

尚阳星：我觉得应该是从小学起就对机器人挺感兴趣的。当时会买一些玩具，然后自己拆了、组装，拼出一些「新的」机器人。但真正意义上开始动手做机器人，还是在大学，大一暑假的时候。

那时候学校会组织一些比赛，让我们有机会自己动手做机器人。

Jane：你本科学的是电子电气工程，研究生做的是足式机器人。当时选专业，算是完全出于兴趣吗？

尚阳星：是的。我刚上大学的时候参加了一个叫「电工基地」的社团，它有入社的考核，当时我就做了一个小机器人来参加选拔。那会儿就觉得自己做这类东西还挺有兴趣的。

Jane：那个「小机器人」是那种桌面机器人吗？因为我看你之前的一些资料里提到过。

尚阳星：那个还不是桌面机器人，是更早的一个小机型。

Jane：当时做的那个机器人主要能干什么？

尚阳星：那个机器人其实也挺有意思的。我们是把超声波雷达装在一个小车上，小车转一圈的时候，雷达会跟着转一圈，边转边采样。

采完之后，这个机器人就能「感知」周围的环境，它会自动选择一个最近的物体，然后朝它走过去。

当时我就在想：怎么让一个机器人理解物理世界，然后做出合理的反应？那种感觉其实跟我现在做的事情，还挺像的。

Jane：某种程度上，你就是在给机器人「加智力」，只不过当时用的是雷达这种比较朴素的技术手段。

尚阳星：对，回头看当时做的东西很简单，但那会儿做起来的时候，真的觉得非常有趣。

Jane：那后来为什么会走到「足式机器人」这条细分方向上？本身机器人还可以有很多分支。

尚阳星：最早真正接触到足式机器人，其实还是通过波士顿动力。那大概是 17、18 年的时候，只是那时候纯粹在网上看视频，没想过有一天跟自己会有什么关系。

真正进入足式机器人这个行业，是在保研需要决定「是留在华科还是去南科大」的时候。南科大当时还是一所比较新的学校，我也在另外一个华科老师和张巍老师之间做选择。那会儿张巍老师还没那么出名，但我看到他在做足式机器人，感觉这个方向挺有意思，而且他写的研究方向里明确写了「强化学习」。我就觉得，这就是我想去试一试的方向。

当然，去了之后才发现，当时实验室真正做强化学习的人还不多，强化学习这块真正做起来，是后面一两年的事情了。

Jane：你本科是 18 级，对吧？其实你读本科的那几年，差不多就是中国足式机器人最早那一波的技术突破期；张巍教授在 22 年左右创立逐际动力，也是那一波浪潮里很关键的节点。

尚阳星：对，我是在保研之后，大四最后一年基本就扎在张老师的实验室里了。大概是 20 年底、21 年左右，我就已经在南科大这边了。

Jane：当时你们的身份还主要是「做学术研究」，真正创业是后面 22 年之后的事情。你后来也加入了逐际动力对吗？

尚阳星：我进入张老师实验室的时候，其实就已经知道他以后想创业了。他在初次面试时就跟我讲过这一点。

我也在自我介绍里说自己未来想创业，他当时就觉得，这可能还挺 match 的。

Jane：你那么早就开始想创业了？本科的时候就有这个想法？

尚阳星：对，我从本科就有这个念头了。我平时挺爱看人物传记，高中的时候特别喜欢乔布斯，17 年左右又很喜欢马斯克。那时候马斯克在国内还没现在这么出圈，但我已经把他的传记看完了，就觉得「这个人太厉害了」。

Jane：你 19 年的时候做过一个 2D 仿真器。因为你们现在也在做很多 sim-to-real 的事情，当时那个项目的背景是什么？那个时候 2D 仿真器算是主流方案吗？

尚阳星：那会儿强化学习刚好「小火」了一波，但肯定没现在这么火。主要是因为那时候 OpenAI 还不是做大模型的，OpenAI 和 DeepMind 都在打游戏——Dota、星际争霸，用 AI 去打游戏。

然后大疆办了一个 AI 挑战赛，它会提供成熟的小车机器人，你要在它上面写智能决策算法，让机器人完成比赛。

传统的 RoboMaster 是人遥控的，而这种 AI 挑战赛，是希望对抗的小车完全依靠自主决策。

你要做强化学习训练，就需要一个仿真器。但当时市面上没有特别好用的仿真器，所以我就自己写了一个 2D 仿真器。

回头看，那时候有点初生牛犊不怕虎，完全没觉得是很难的事情，做完再回看，才意识到：还挺厉害的。

Jane：当时有收到什么正反馈吗？毕竟当时这不算主流方案。

尚阳星：对我个人来说，最大的反馈是——验证了自己工程能力其实还不错。整个过程完全进入一种「心流」状态，没日没夜地写，一个人把仿真器做出来，那种成就感非常强。后来我听说有其他学校的人也在用这个仿真器，我就更开心了。

Jane：这一整条线其实都跟「你喜欢让机器人动起来」是一脉相承的。23 年 1 月的时候，我看你有做一个工作室，还在 B 站发过一些视频，尽管不多，没多久你就正式出来创业了。

尚阳星：我觉得那也算是创业，只是当时还没有注册公司。

AR Soft 这个名字本身也挺有意思的，是「Advanced Robotic Software」的缩写——先进机器人软件。

Jane：跟我们默认理解里的「AR」不太一样（笑）。

尚阳星：对，我知道很多人一开始看到 AR Soft，会以为是做增强现实的。

Jane：我是第一次看到你们公司的中文名字——「桥介数物」的时候，好奇为啥会起这么一个名字？

尚阳星：「桥介数物」这个名字，如果说出来，其实很好理解：它就是数字世界和物理世界之间的一座桥。

我当时想的是，未来的空间大概会有两种：一种是数字世界，另一种是物理世界，而我们要做的是在这两个空间之间建立一个映射。

比如说今天大家盖房子，要先画图纸，再一点点施工把房子搭起来。

但如果你在游戏世界里造房子，可能就是点一下，或者现在用 AI 生成，房子就出来了。

在我想象中的未来世界里，这种自动化和智能化程度会非常高——你在仿真世界里天马行空地「画」一个房子，余下的盖楼过程，机器人就可以自己「哐哐哐」把它盖出来。

所以我觉得，我们在做的，就是数字世界和物理世界之间的那座桥——这也是「桥介数物」这个名字的含义。

Jane：这个视角很有意思——真正能理解数字世界的，反而未必是人，而是机器人。回到 23 年 5 月，你当时选择休学创业，这个决策的「临界点」是什么？

尚阳星：其实不是 23 年 5 月做的休学决定。公司是 23 年 5 月注册成立的，当时课程基本已经上完了。

一直到 24 年，我马上要毕业，需要写毕业论文、准备答辩，但公司事情越来越多，我发现自己根本腾不出时间来做这些学校要求的东西。

所以最后干脆就想：算了，不折腾了，直接休学。

Jane：公司最开始成立的时候一共几个人？

尚阳星：刚成立时就我一个人。后面最早期加入的是一个高中同学，他来帮我。

那时候条件非常差，我们租了一个宿舍，他住在宿舍里，我们也在那办公。

技术篇：足式、人形、小脑、大脑与仿真范式

Jane：你们 AR Soft 工作室最早发的那批视频，是不是就是在宿舍拍的？

尚阳星：对，就是在那个很小的房间里拍的。

Jane：从一开始到把焦点收束到「机器人小脑」这件事上，是一个渐进过程吗？还是其实一开始你心里就很笃定？

尚阳星：其实从一开始就没怎么变过。最早我们做的就是足式机器人的运动控制，到现在也主要是足式和双足机器人的运动控制，本质方向一直没变。

Jane：因为我早期看你的视频时，宇树出现的频率非常高，几乎是你们最常用的一款机型。

尚阳星：对。我刚出来创业的时候，市面上没有现在这么多机器人厂商。一开始我是想把算法卖给宇树的，但人家肯定得先看看我能做出点什么，所以他们借了我一台机器人，我就用宇树的机型做算法验证。

Jane：你后来也真跟他们聊过「卖算法」这件事？

尚阳星：聊过，但最后他们没买。当时宇树还没现在这么有钱，那是 23 年比较早的时候。当然这事也和整个行业技术范式的变化有关。

Jane：对，宇树的王兴兴他们很早就决定从四足做到人形，而且非常高效地做出来了。讲讲你们具体在做的「机器人小脑」。能不能给大家稍微拆一下：小脑主要包含哪些核心环节？

我们在商场、展会看见那些会跳舞、会打拳的人形机器人，小脑在其中扮演一个什么角色？

尚阳星：要讲小脑，其实离不开大脑。整个机器人上所有的软件，粗略可以分成「大脑」和「小脑」两块。

但这也不是行业里已经达成共识的一个标准定义——什么算小脑、什么算大脑，其实并没有非常清晰的边界。

在我们看来，凡是和「运动」相关的那部分，可以叫小脑。

比如运动控制，或者业内常说的 locomotion，就是要控制每一个电机应该输出多大扭矩，才能让机体保持平衡，或者完成各种动作、跳舞等。

如果只是跳舞这种纯动作展示，可以认为小脑就已经够用了；或者一些纯遥控走路，也基本上只需要小脑。但如果你希望机器人有一定的「自主意识」，能自己决策去干什么事情，就必须要有大脑。

Jane：如果类比人本身，大脑和小脑的分工是比较明确的。放到机器人上，「大脑／小脑」这种说法跟人类神经系统相比，主要差异在哪？

尚阳星：其实学术界对人类大脑和小脑的作用，也还没有完全搞清楚。但我猜为啥大家都喜欢用「大脑、小脑」来打比方，很大原因是我们在初中课本里就学过——小脑负责运动、平衡这些内容，所以对这个概念都比较熟，就自然把它借用到机器人上了。

太阳：我可以补充一下。

从人类来看，大脑和小脑是协作的：大脑负责思考和规划，小脑负责动作和精细调节。放到机器人身上，我们现在也沿用这个比喻，但我觉得未来可能会有所变化——机器人未必会严格区分「大脑」和「小脑」，它可能会变成一整套「思考—动作一体」的系统：

它想到什么，就能直接做什么；运动控制和感知之间的边界会越来越模糊，控制算法和策略决策也会互相渗透。

最终还是要看落地效果——哪种架构能让机器人更稳、更灵活、更高效。

Jane：现在之所以还没有完全一体化，是因为——一方面小脑能力还没强到那个程度，另一方面大脑也还不够聪明，还没办法让它们在同一套系统里「完美协同」，对吧？

尚阳星：我觉得是的。

Jane：我观察到，人形机器人发展中有一个很有意思的阶段：

上一代像云深处、宇树这些公司，是从运动控制这块起家，也就是广义上的「小脑」范畴；这一波又有一批公司是从「大脑」出发的。

从你自己选择「小脑」这条路来看，它最难的地方在哪里？最难突破的是哪一环？

尚阳星：如果你在这个行业里，其实大家都有类似的体感：两年前，能让一台双足机器人「走起来」，就已经是一件很难的事了，要让它走得稳定、鲁棒性高，更是非常困难。

过去两年，随着 learning-based 的方法以及强化学习在机器人控制领域的应用，整体难度在降低，性能却在明显提升。现在不仅是能走路，而且走得更像人，还能跳舞，进步速度非常快。

如果把时间倒回两三年前，当时的我也完全没想到，今天能发展到现在这个程度。

Jane：在这个范式变化过程中，有哪些关键的事件或者团队，你觉得是真正推了一把行业往前走的？

尚阳星：从我个人视角看，最关键的还是 ETH——苏黎世联邦理工。他们在足式机器人领域深耕很多年，22 年左右开始从 model-based 方法，转向 learning-based 方法，连续几年在 Science Robotics 上发论文，效果都很好。

工业界则是从 23 年开始，国内最早的一批是在四足上用 learning-based 做出不错效果的，很多是从交大出来的学生。

在那之前，虽然 ETH、美国一些团队也在研究 learning-based 控制，但要么鲁棒性好却不好看、动作发抖、拖地，要么就是 demo 好看但工业可用性一般。

我觉得真正的突破，是在于：在四足机器人上，以 learning-based 的方式，既做出了很好看的动作，又兼顾了非常高的鲁棒性。这种「工程上的创新」一旦被验证，工业界对 learning-based 的接受度就迅速上来了。

Jane：那波士顿动力在这次技术路线的转换中，扮演了怎样一个角色？

尚阳星：我觉得他们在这次转变中，更像是「跟随者」，而不是推动者。他们特别强的是 model-based 的那一套——团队里很多 MIT 博士，对数学和工程的要求都非常高，门槛巨大。

坦白说，learning-based 的出现，某种程度上是降低了行业门槛。对波士顿动力来说，要转向 learning-based 并不难，他们的工程经验和理论积累都很扎实；但他们并没有率先去推动这种技术范式的变化。

Jane：我记得早期看波士顿动力的视频的时候，他们展示的很多炫技动作——包括四足、人形——都把大家的注意力拉到了「形态」上。他们是哪一代产品，开始真正把技术路线切到 learning-based 的？

尚阳星：他们应该是到很后期才真正大规模用 learning-based。比如说电动版 Atlas 刚出来的时候，外界也看不出来他们是用 model-based 还是 learning-based，因为他们的 model-based 能力足够强。很多人转向 learning-based，是因为 model-based 做不到这么好，门槛太高。

波士顿动力并没有明确公开哪一版是路线切换点。但可以肯定的是，他们在 18、19、20 年那几代、那些特别炸裂的后空翻、跑酷视频，主要还是 model-based 的成果。

Jane：这两条技术路线，在天花板上会有很大差别吗？

尚阳星：我觉得理论上两条路线的天花板都可以很高。差别更多在于「难度」：要达到同样的效果，model-based 的难度可能要比 learning-based 大一个量级。

Jane：它更像是一个「技术成本」的问题。回到你们做小脑这件事——你们用仿真训练的路线，在这整条具身智能的技术体系里，处在一个什么样的位置？

尚阳星：在小脑这块，仿真几乎是绝对核心，没有人可以完全绕开仿真。你必须通过仿真来做强化学习训练，然后再做 sim-to-real 迁移。

当然这里也会融合一些真实世界的数据，比如人类参考轨迹。今天大家看到的那些跳舞机器人，本质上都需要先从人类动作数据中录一段轨迹，再让机器人去学。仿真主要解决的是动力学层面「如何跟踪这段轨迹」的问题。

太阳：我记得我们上次聊过，你们之前在用 Isaac Sim 做训练，是吧？未来会考虑走自研仿真器这条路吗？

尚阳星：我们目前暂时没有这个打算。我个人和公司性格上，都不太想去做别人已经做得很好的东西。我更愿意做一些能提供「增量价值」或者「独特价值」的事。仿真器这一块，像英伟达已经做得非常好了。

太阳：但我个人会觉得，仿真这件事其实还有很大的提升空间，特别是在操作类任务上。目前的仿真器还不能很好地满足复杂操作任务对精度、速度和物理真实性的要求，尽管进展很快。

英伟达最近不是推出了他们自研的物理引擎「newton」，也是在适配相关需求。但说实话，从商业路径上看，做仿真这件事确实挺难跑通。

尚阳星：现在的仿真肯定还没有「完全完善」，确实还有很多工作要做。但是从我们角度来看，只能指望英伟达这一类玩家。

其实足式机器人里，从 model-based 转向 learning-based，本身就是英伟达推起来的：最早把这条路走通的工作，就是 ETH 的实习生在英伟达做的，因为瓶颈完全在并行计算能力上。如果没有大规模并行仿真，learning-based 在复杂机体上的训练根本跑不起来，而要做并行仿真，就得用英伟达的 GPU。

我估计未来一段时间里，还是得靠英伟达在前面引领。每家公司精力有限，不可能什么都自己做。

Jane：那这里面还存在什么样的创业公司机会？还是说，注定只能依赖英伟达这样的巨头，去做这种重资本投入？

尚阳星：坦白讲，我觉得国内是有机会做「国产替代英伟达」的。毕竟现在的政治环境不算特别稳定——万一哪天美国不让你用了，那就很难受，大家自然会去找替代品。

但在海外市场，我觉得就比较难。因为英伟达肯定会持续在这条线上重点投入，他们会做到非常好，对于其他公司来说，要在这个领域跟英伟达竞争，很难想象。

太阳：是的，走国产化路线并不容易：一方面，难以绕开英伟达现有生态；另一方面，英伟达的软件采取免费策略，这极大地挤压了其他仿真厂商的商业化空间。

另外，从用户角度看，如果产品不够好用，用户很难有动力去迁移到新的平台上。

Jane：回到「桥介数物」本身，你们是怎么解决 sim-to-real 迁移这个行业难题的？

尚阳星：我觉得 sim-to-real 难，首先要分机器人本体——比如说宇树今天之所以卖得好，很多人想用宇树的机器人，就是因为它的本体做得好。

「好」体现在哪里？

除了稳定性好，它的 sim-to-real gap 也非常小。你在宇树上做某个动作——哪怕只是走路或者跳一段舞——可能是一件很简单的事；但换到别的机器人上，哪怕是成熟厂商的产品，用同样的方法，效果就差很多。如果是刚做出来的自研机器人，本体细节更多问题，sim-to-real 就更难。

所以 sim-to-real 的难点，很大程度在于「非宇树机器人的那一边」。

怎么解决呢？

最简单直观的方法，是让仿真和实物尽量接近，这样 sim-to-real gap 就小了。问题又变成——怎么让仿真尽量接近实物？这时会用到参数随机化，比如说你不会精确知道摩擦力是多少，但你可以给一个范围，在这个范围内让机器人都能学会。这样到真实世界时，它面对某个具体摩擦系数，也能适应。

这就是业界常见的一种 sim-to-real 手段。

但新问题又来了：那这个参数范围到底怎么定？这就需要花大量时间去试，需要大量调参，非常耗精力。

当然也有更系统性的解决方法，比如：通过采集真实数据做参数辨识，大致把各项参数估出来，再去做 sim-to-real。如果从系统性角度讲，本质上还是要回到「参数辨识」。

Jane：那你觉得宇树为什么能把 gap 做得这么小？它本体上有哪些核心能力，是支撑这个结果的？

尚阳星：大概有几个方面做得比较好。第一是构型设计尽量接近人，包括尺寸、质量分布等等。

今天很多机器人都是要「学习人的动作」的——如果你脚上穿了一个特别重的鞋或者绑了沙袋，你的走路方式就不一样了。

从这个角度说，把机器人设计得尽量像人、质量分布接近人，对未来「以人类动作为范本」的控制范式，是有巨大优势的。

第二是电机本身的指标。

比如摩擦力能不能做得非常小、转子惯量能不能做到足够小，再加上整体加工工艺、量产的一致性。

这些方面，宇树都是自己做系统方案的。

Jane：我突然想到一个前提——我们现在很多设计都是「以人形为参照」的。如果未来发现：人形机器人不一定非得长得像人，那这套假设是不是会动摇？

尚阳星：这是个很好的问题。我自己的看法是，人形有一个很大的优势：它可以直接从人类数据里学习。

就像今天的大语言模型之所以这么成功，是因为它们学的是「人类语言」。如果没有人类几百上千年的语言积累，就不可能训练出今天这种大模型。

机器人也是类似的——你让一个非人形的机器人凭空去学所有动作、所有操作方式，会极其困难。哪怕未来真的有「完全从头发明知识」的 AI，那也需要很长时间。

现在 AI 大致有两种范式：一种是从人类数据、从前人经验里学习；另一种是像 AlphaZero 那样，从零开始自博弈、自我进化。

今天的大语言模型，主要智能还是来自人类数据；我相信未来的机器人也会经历一个先从人类数据学习的阶段。

在这个阶段，把机器人设计得更接近人，能直接用到人类的视频和动作数据，会是非常大的优势。

Jane：还有一个小细节我很好奇——宇树的 G1，好像是按 1 米 3 左右的人形比例设计的，它本身就是以真人为样本定义产品的。

尚阳星：对，有朋友做过研究，它的质量分布和人确实挺接近的。

Jane：我今年去机器人大会最大的一个感受是：每家公司展台上几乎都会放一台人形本体，但对非业内的人来说，其实很难分辨「这些人形构型是否合理」「技术能力到底怎么样」。但你们在做 sim-to-real 的时候，就能立刻看出差异。

比如你之前提到，24 年 8 月的时候，在 20 多家参展的人形机器人公司里，有 11 家用的是你们的运动控制方案。到 2025 年，这个数字是不是又涨了不少？

尚阳星：桥介已经给三十多家机器人公司、五十多种机型装过小脑。

Jane：这些公司不自研小脑，是因为技术不够，还是一个纯成本考量？

尚阳星：我觉得这里有一个常见误解——他们不是「不想自研」，而是「自研没做出来」。

现在这个行业，小脑这么关键，哪有不想掌握在自己手里的？大家肯定都想自研，只不过在实际推进中会遇到很多问题。

很多公司本身也是初创团队，要组建一支强小脑团队本来就不容易。创始人也未必是这个背景出身，如果招来的人就是搞不定，创始人往往也没太多办法。

我们公司这边，一方面我自己可以下场做，另一方面对这块理解更深一点，突破可能多一点；在资源也很有限的情况下，有时候我们能做得更好、给出结果更快，确定性更高，帮助他们更顺利拿到下一轮融资。所以他们会来采购我们的小脑方案。

Jane：那如果有一天，随着他们技术能力提升、团队逐步补齐，这些客户决定自己做小脑，你们的空间是不是会被挤压？

尚阳星：这个问题不仅是我们要担心的，做本体的公司其实也一样要担心。

今天很多做本体的公司，原本是把机器人卖给下游，比如汽车厂。汽车厂会觉得：我自己本来就很擅长生产制造，既然如此，我要不要也自己做人形机器人本体？

在他们看来，硬件的门槛好像没那么高——车都能造，机器人为什么造不了？他们还有量产优势，自然会有这种想法。所以不只是我们软件公司会面对「客户自研」的压力，人形本体厂、零部件厂都面临类似处境。

我一直觉得，最终还是一个商业选择问题——对于整机厂商来说，第一看能不能满足需求，第二看外采是不是比自研更便宜。

软件这块，边际成本相对低，我们有机会在成本和效果之间做到更优。但前提是：这个东西本身研发难度要大到「不是每家公司都能轻松搞定」。

我认为未来机器人里和运动控制相关的整套系统，会越来越复杂。今天看起来还比较简单，我们刚创业的时候十来个人就能搞定，是因为现在市场还不成熟，机器人能做的事情有限。

可以想象五年、十年之后的机型，自由度更高、场景更复杂，运动控制系统会变得像自动驾驶一样复杂，甚至更难。在那种复杂度下，不是所有公司都有能力完全自己做好。

Jane：像逐际动力，我看他们现在也会和一些集成商合作，单独提供小脑解决方案。

尚阳星：我认为目前市面上，除了我们，几乎没有哪家公司是「专门对外」提供小脑方案、而且做到一定规模和体系化的。很多公司确实做小脑，但只给自己用。

以「供应商」身份，为别人提供小脑方案，而且是专门干这个的，现在大概就我们一家。

Jane：他们更多是把自家本体和自己的小脑打包在一起，做一个整机方案。

尚阳星：对，他们只会调自己本体上的小脑。

太阳：你们后面会考虑把本体也做了吗？

尚阳星：我们肯定不会去做本体。这跟性格和哲学有关——我觉得今天中国擅长做硬件的人太多了，不差我们这一家。很多人已经做得很好了。

当然也有很多投资人劝我们做，他们会说：「你赶紧做本体，现在本体很火，你只要把本体做出来我就投你。」

但我不是那种「市场哪里火，就为了融资去跟着做什么」的人。我们更希望发挥自己真正的优势，给市场提供独特价值。

所以我们选择聚焦，把所有资源都砸在「把软件、小脑做到极致」这件事上。

Jane：只做自己能力范围内、真正擅长的事情，把边界定义清楚——在这么热的赛道上，这个选择其实挺难的。

尚阳星：我不觉得这是退缩。这么看好像是「我们不愿意往能力边界外拓展」，但事实不是这样。

软件开发难道就不难吗？我们完全掌控了所有软件技术了吗？当然没有。

我们依然在不断进步，只是我们选择把全部精力都放在软件上，相信未来软件和算法本身也会非常复杂。

Jane：你们现在的小脑技术，主要精力已经全部放在人形机器人上了吗？之前四足、轮式以及机械臂这些，你们还做吗？

尚阳星：主要精力确实在人形上，四足相对投入少一点，但也还有一些项目。纯机械臂这块也有，不过不算主线。

Jane：是不是也跟「谁更有钱」有关系（笑）？人形公司现在整体融资能力更强。

尚阳星：多少有一点。且单纯做运动控制这一层相对简单一些，VLA（视觉-语言-动作一体化）就是另一个层级的问题。

Jane：那你怎么看「大脑和小脑真正打通」这件事？要想成为我们想象中的那种智能机器人，大脑和小脑要怎么融合？

尚阳星：这个问题现在还没有一个标准答案，我也只能谈谈自己的想法。

我认为未来一定是「分层」的结构，但这个分层不是人为写规则，而是不同层次都由神经网络模型构成。可能每一块都会先做预训练，最后在某个阶段把大脑和小脑合在一起，做一次整体端到端的微调。

之所以这么想，是因为效率问题。人在走路的时候，大脑里也有不同模块：视觉皮层、语言皮层……你不可能每走一步都要「全脑动员」去思考，这样功耗太高也没必要。

今天的大模型也在走类似的路，比如 GPT 自己会把请求路由到不同的子模型上，为了提高效率。所以未来的大脑和小脑，一定会有分工，而不是完全融成一团。

Jane：如果未来真的出现一个「智能中枢系统」，类似人的中枢神经——在最小动作单元上，谁来负责执行？这会是你们要做的东西，还是会交给「大脑公司」去做？

尚阳星：我觉得这肯定是我们会去做的东西。我们不做硬件，就是希望极大丰富软件——所有和动作、运动相关的中枢能力，我们都会往前推进。

Jane：从整体看，现在具身机器人这条非共识路线，还是偏「大脑」叙事更多。在数据路线上，有人用互联网视频，有人坚持真机采集，还有仿真和合成数据。你自己之前的经验里，你更认同哪条路？

尚阳星：我自己更看好从视频里学习——前提还是那句话：机器人设计要足够接近人，这样才更好利用人类数据。

对于真机遥操作采集的那种数据，我是有点担心的。你可以堆人力，采很多数据，但一旦你机型构型一发生迭代，这些数据就很难复用，会有巨大浪费。

如果你投入很大成本采了特别多数据，结果因为机型一代升级就全部失效，那听起来就不太划算。所以一定要有一种「通用数据」，能跨不同机型使用，而这类数据大概率就是人类视频里的数据。

所以我还是会认为：一个是要把机器人做得更像人；另一个是要从人类的数据——比如视频——里去学习。

太阳：英伟达最近发布的Sonic不知道你们有没有关注？

尚阳星：我觉得非常好，业内人士应该都这么看。按照我的理解，他们也是从人类数据里学习，然后用人类遥操作机器人。因为机型设计得足够类似人，所以可以做比较好的「重定向」。

太阳：关于数据的技术路线，刚才提到了真机、合成、仿真。感觉现在大家有点像是在“押赛道”：真机党会说我们数据更真实；仿真党会强调其效率高，合成党更侧重于拓展性。

从当前技术发展来看，目前确实还是真机采集的操作数据或高精度的动捕数据，效果更稳定些。但问题也很明显，这类高质量数据不仅稀缺，而且采集成本高。

为了解决这个问题，大家开始尝试仿真合成数据，或者从视频里提取数据。但又需要对应的技术去支撑，补足精度和质量的问题。是不是短期内还是真机采集的数据更容易落地？

尚阳星：我觉得这是有可能的。在一些非常具体、封闭的应用场景里，如果你能采到足够多的真机数据，构型也不怎么变，那完全有可能先做到很落地的产品。

比如某个固定工厂里，机器人只做某一类重复操作，构型也不会频繁更新，那真机数据路线是有机会先走通的。

Aaron：很多人听到你们公司的时候，最惊讶的是：你们成立大概一年就实现了盈利——在这一波具身公司里，这很罕见。

你能不能讲讲，你们第一个实现盈利的项目是怎么来的？客户是谁，你们又是如何找到第一个客户的？

尚阳星：我们赚的其实也是投资人的钱（笑）。本质上是一种「二次分配」——投资人先把钱投给机器人公司，当这些机器人公司进展不顺利或者需要外部帮助时，再「用脚投票」把部分钱转给我们，采购我们的解决方案。

我们第一个有规模收入的客户，是一家现在已经很明星的人形机器人公司，它本身是整机厂商。这个客户是怎么来的？其实就是他们看到我们发的一些 demo。当时如果你稍微关注这个行业，就能看出来，我们在技术上确实有一点领先，所以他们就自然找上门来。

Aaron：那我理解的是：客户自己没办法交付一个好用的小脑解决方案，自己的人形机器人走不稳，或者各种问题，他们就需要一个外部供应商帮他解决非常核心的痛点。可以这么理解吗？

尚阳星：是的。

Aaron：你之前在别的访谈里也说过，现在真正「卖小脑方案」的可能就你们一家。那当时客户在找供应商的时候，我理解他们也会对市场「扫一圈」，看看有没有其他同类厂商？

尚阳星：对，我们经常遇到这种情况。客户会问很多业内朋友，结果大家最后都把线索转到我们这里来。久而久之，行业内就形成了一种「你要找小脑供应商，就去找桥介数物」的路径。

Aaron：所以现在可以理解为，你们在这个细分赛道已经形成了一种「行业共识级」的口碑了？

尚阳星：我不太好说是不是「共识级」，但有一点我觉得挺关键：如果我们的技术达到现在这个水准，却选择去做硬件、做本体，可能早就拿到更多钱了。

但是因为我们坚持不做硬件，专注做小脑，所以现在市面上才只有我们这一家走这条路。

Aaron：我看到你们最近刚完成新一轮融资。这一轮你们在跟投资人沟通时，传达的行业定位大概是什么？

尚阳星：早期我们融资其实不算顺利。我们一开始盈利，说白了也是「被迫」的——因为没人投。

除了最早期的奇绩创坛支持我们以外，其他投资人都挺犹豫：一方面是学生创业，一方面又只做软件，很多人对「只做软件的小脑公司」不太看好。所以早期基本没什么人敢投，只能靠自己赚钱，不然公司就活不下去。

现在情况在改变，越来越多投资人开始意识到：一开始他们觉得「这么核心的技术，整机厂商肯定会自己做」，但随着我们一个一个服务客户，且客户越来越头部，他们慢慢发现：这件事确实有难度，不是所有公司都能在大脑、小脑两端都做得很好。

整机厂商要操心的事情太多，渠道、产品、量产、供应链……即便钱不少，精力也有限，要在运动控制这种新算法研发上持续投入非常难。

所以现在开始出现一些公司：他们干脆不在运动控制上卷，只关注应用，只把小脑外包给我们。投资人也开始意识到「有一个专业运动控制供应商」其实是好事。

我们现在的融资逻辑很简单：第一，我们的模式比较独特；第二，哪怕这个方向成功的概率没那么大，但目前市面上就我们这一家做到了规模化交付和盈利，已经有了可观的收入。

Aaron：但只做运动控制的话，说直白一点，它的「市场空间想象力」在现有阶段是有限的。如果要往下一轮走，肯定得讲一个更大的故事。你们现在在思考的下一步方向是什么？

尚阳星：我们估值现在并不算特别高。最近披露的深创投那一轮，其实是一个加轮，金额不大。

你说得没错，如果我们一直停留在项目制的小脑交付上，业务天花板是有限的。

项目制最大的问题就是不好规模化：每一个新项目都要配一拨人，交付周期长，对交付人员的能力要求极高；我们的交付团队本质上就是「别人家的算法团队」，压力非常大。

所以我们现在在做一件新事——做一个「机器人动作开发平台」。本质上，我们过去做的所有项目背后，需求都是「定制动作开发」。每个客户的机器人构型不一样、尺寸不一样，所以动作也得是定制化的。

我们判断这个需求在未来会更大——不仅整机厂商有，买整机的下游客户也有。比如现在很多做租赁表演的公司，他们买了宇树的机器人，不可能永远只用宇树默认的那几个动作。观众总有看腻的一天，他们需要不断做新的动作和表演形式。

但今天要满足这个需求非常难：整机厂商得花很多钱来找我们做，租赁公司或者个人用户更不可能付得起。他们只能自己硬啃，搞不好又浪费大量时间。

所以我们就想，能不能把「定制动作开发」这件事情产品化？把过去项目制积累的经验抽象出来，把开发流程标准化、封装成平台，让更多人用得起、用得起来。

简单说，就是：我们做一个动作开发平台，让用户可以在上面设计他们想要的打拳方式、跳舞动作，快速做出属于自己的机器人行为。

太阳：那你们有想过这个平台的商业模式吗？

尚阳星：本质上还是 License + 按台计费。比如你用我们的平台开发了一套拳击应用，那我们就按照部署的机器人数量来收费——部署一台收一笔，部署两台收两笔。

太阳：我前段时间看到智元的机器人团队发布了一个叫「灵创」的平台，感觉和你们做的事有点像。这个是你们之前想做的东西吗？我记得你们是不是在上半年已经在做这件事了？

尚阳星：我们在今年年初就开始做。智元发布的东西我也看了，有相似之处，但也有很大不同。

最大的区别有两个：第一，智元的平台只服务他们自己的机器人，不对外兼容其他本体；而我们是独立第三方，会兼容尽可能多的机器人。第二，他们的目标用户更多是「小白」，支持的是上传视频、加一点自然语言描述；而我们希望同时服务专业用户，支持更高阶、更深度的动作定制。

Aaron：我们再回到你们惊人的交付能力上。你们现在最快可以在 3.5 天内，完成一个新机型的算法适配，实现稳定行走。能不能给我们拆一下，这 3.5 天背后到底发生了什么？

尚阳星：这个速度首先是建立在「客户硬件比较好」的前提上的。如果客户本体做得很扎实，我们把算法跑一遍，sim-to-real gap 可能就很小，训练相对顺利。

能做到 3.5 天，其实是被交付压力倒逼出来的。很多人做训练，是「一次开一个任务，跑一天，第二天看结果，再改参数，再跑一天」，流程很慢。

我们没这么多时间可以浪费——客户的交付周期都很紧。所以我们会一次性开十几个甚至几十个训练任务，并行去跑。我们也自己开发了一套系统，可以快速启动新任务、自动化调参、快速查看结果。

最早的动作开发平台雏形，其实就是从这套内部工具演化出来的。

Jane：我补一个八卦问题——有没有遇到过那种本体做得特别差，以至于你觉得「小脑再怎么写也救不回来的」机器人？

尚阳星：这种确实有。但硬件做得差本身不怕，就怕他「不肯改」。

我们遇到过一些四足客户，本体做得挺糙，但他们愿意配合改——那问题总是能一点点被修掉。人形这边基本都很重视，因为要跟投资人交代，所以他们会非常配合我们改。

但有些四足客户，硬件做得差，又没有预算改，那我们也没办法。

Aaron：我比较好奇，为什么这些客户的交付周期都这么短，要压到 3.5 天、一周这种极限？

尚阳星：他们通常给我们的合同周期最短是一周，如果我们能提前完成，他们也愿意出更高价格。

本质原因有两个：

第一，这个赛道本来就是拼速度。大模型训练可能就几个月的领先期，你晚几个月，别人也能做出来。

第二，他们来找我们时，往往已经「拖了很久」——比如整个项目预留了半年时间，但内部团队自己搞了四五个月，发现搞不定，交付节点已经在眼前了，只好把时间压力全部转给我们。

Aaron：所以某种程度上，你们的「敏捷交付能力」，已经成了你们的核心壁垒之一？

尚阳星：我觉得是的。光有算法不够，真正难的是：

你怎么搭一个团队和组织结构，既能持续迭代新算法，又能保证交付速度和质量。

这绝对不是一两个人能完成的，需要很强的团队协作。

Aaron：那你们做小脑算法的人，会同时参与客户交付吗？

尚阳星：我们现在是两条线：一条是只做「新算法研发」，他们不参与具体交付；另一条是专门负责交付，会和算法组一起合作，快速学习新算法，并把它部署到客户机器人上，解决 sim-to-real 的问题。

这两条线的分工也是磨合了很久才成型的。

行业篇：应用场景、周期泡沫与供应链分工

Aaron：人形机器人的终端市场，现在整体还比较「萌芽」。你们的客户要把整机卖到 ToB、ToC 背后，现在需求最多的场景集中在哪里？这个市场大概有多大？

尚阳星：去年基本上就是拍 Demo，没有太多真实落地；今年也没有大家想象得那么乐观，目前真正能提供稳定价值的，主要还是教育和表演这两块。

但我还是挺看好的，因为技术进步太快了。我觉得再过一两年，会冒出来一些新的场景。

Aaron：你觉得具身机器人最有可能率先规模化的垂直场景会是哪些？

尚阳星：教育已经有一定规模了，表演、娱乐也在形成一个规模。再往后排，很难说，我现在也不敢下判断。

Aaron：那你怎么看，比如在物流、生产制造这些场景里，要到什么程度机器人才能真正大规模替代人工？大概要多长时间？

尚阳星：在一些场景相对不那么复杂的工厂里，做灵活产线搭建，我觉得很有可能先落地。它甚至不一定非得是人形，用轮式底盘也能做很多事。

核心还是「操作能力」技术成熟度的问题，我会觉得还需要两到三年时间。

Aaron：你刚提到，定制项目很难规模化。但你们已经服务了这么多客户，怎么把这些项目经验沉淀成公司能力？包括新人培养，你们是怎么做的？

尚阳星：新人培养确实挺麻烦。一方面我们靠老带新，经验口口相传；另一方面，会定期组织经验分享，把各自项目里的问题拿出来讨论，看能不能互相启发。

我们内部整体是鼓励开放交流的。我知道有些公司，算法团队之间是相互「防守」的，大家都不想把经验说出来。但我们是反过来的，鼓励大家多讨论、多 cross review。

Aaron：现在公司已经实现盈利了，你怎么看待资本的介入？它会影响你们未来的战略节奏吗？

尚阳星：至少目前来说还好。现在这些投资人整体比较有耐心，不是那种特别着急、天天 push KPI 的。

当然也有股东提醒我：现在公司发展快，大家都愿意听你的；但如果哪天市场冷了，或者遇到一些困难，可能就会出现某些投资人或股东给你制造阻力的情况。

Aaron：如果让你用三个关键词，概括一下桥介数物相对于其他具身公司的优势，你会选哪三个？

尚阳星：第一个我会选「务实」。很多人跟我们接触之后，都会觉得我们特别务实：我们不会过度承诺，不会跟投资人画那种「一定能做成什么什么」的大饼，而是把过去做成的事情讲清楚——你看了觉得值得，就可以投一点。

第二个是「独特」。市面上找不到第二家像我们这样，专门、成规模、成体系提供运动控制解决方案的软件公司。

第三个应该是「开放」。无论是内部的学习交流，还是对外的分享，我们都比较开放，有啥就说啥，不太会藏着掖着。

Aaron：你觉得未来机器人行业会不会像汽车工业一样，形成非常清晰的供应链分工？

尚阳星：我觉得完全有可能。

Aaron：那在这种分工里，你觉得谁有机会成为「机器人世界里的博世」？还有哪些环节最有可能出现类似英伟达、特斯拉那样的巨头？

尚阳星：现在一些专门做零部件的供应商——比如关节模组、减速器、电机系统、控制系统的厂商——都有机会。

至于谁能成为「机器人里的博世」，现在很难说，我们自己当然也想成为这样的公司，但最后能不能成，谁也说不准。

太阳：用汽车行业来类比机器人是挺合适的——随着规模效应的出现，机器人也一定会催生出明确的供应链分工，也会出现类似博世这样的核心零部件供应商，甚至会有「机器人时代的英伟达和特斯拉」。

但就现在来看，这个行业还更像是「汽车刚刚出现的时候」，连马车都还没完全被取代。大家都在尝试让机器人真正走进应用场景——走得稳、用得上、被市场接受。只有当这件事真正落地之后，才有可能去定义未来的市场格局。

Aaron：那两位怎么看，中外在运动控制领域的差距？从未来具身智能趋势的角度看，你们觉得最有可能爆发的是哪些环节？

尚阳星：大家各有优势。运动控制最早的学术创新，主要还是来源于国外。国内则是在工程落地上做得更多、更快。

美国有波士顿动力、特斯拉这种非常强的玩家；国内则有数量众多的机器人公司，也做得很好，我们也服务了不少。

我觉得未来最有可能爆发的，还是在「操作能力」的突破上。一旦操作能力真正上一个台阶，会打开很多新的应用空间。

太阳：我就稍微补充一点。

国外在底层算法和基础研究上是领先的，但对中国企业而言，我们的优势在于落地速度。

我相信未来我们是有机会在某些环节实现「弯道超车」的。

Aaron：阳星，刚刚你提到「操作能力」，可以帮听众再解释一下吗？

尚阳星：我说的「操作能力」，指的是一种「泛化的通用操作能力」。不是说今天抓个水杯、明天转个魔方这种玩具式 demo，而是那种真正能干活的能力：比如叠衣服、决定叠完放哪、怎么优化路径、如何根据环境变化调整行为。

这类泛化的操作能力，我觉得是现在制约机器人应用落地的瓶颈之一。

Aaron：现在有一种挺流行的观点——觉得中国的具身行业有很大的泡沫。这么多创业公司，这么多钱涌进来，你们觉得这种热潮会持续吗？

尚阳星：我觉得一定会有冷的时候。

互联网在 2000 年那波也有泡沫，后来也经历寒冬；具身这条线发展很快，同样有可能过热，出现泡沫。但泡沫有它的好处，它会促进整个行业加速发展。

太阳：我最近跟业内朋友也经常聊到「泡沫」这两个字。凡事都有两面性，我觉得泡沫本身不一定是件坏事。某种角度来说，它更像是产业启动时的「催化剂」，能帮助资源快速集中、吸引人才、资金和资本市场的注意力。

真正的问题是：等潮水退去，谁还能站在沙滩上。每个产业真正的机会，往往藏在泡沫之后，而不是泡沫本身。

Aaron：那你们觉得，什么样的公司有机会在退潮之后，还能站在沙滩上？

尚阳星：这个问题很难回答。

太阳：我可以说说我的看法。第一，公司本身要有过硬的技术和一个相对清晰的战略。第二，在泡沫破裂之前，得积累到足够的资金，能挺过寒冬，穿越周期。

Aaron：你觉得桥介数物短期内的下一个发展目标是什么？

尚阳星：还是刚刚提到的，希望从项目制逐步转到「平台化、标准化」的产品形态，用平台去满足客户需求，获得更可持续、更规模化的收入。

Aaron：那如果把时间再拉长一点，比如五年之后，你希望公司处在一个什么样的位置？假设那时人形机器人已经发展很快，进入家庭，真正开始承担大量工作。

尚阳星：五年后我最期待看到的，是因为我们的产品存在，使用机器人的门槛大幅降低。你买一台机器人，不需要写代码，只需要用自然语言，就能让它做很多事。

未来的「新一代编程语言」可能就是自然语言。你跟机器人说「先干什么，再干什么」，它就能把一个完整任务链条执行出来。

我希望我们能大幅降低机器人使用门槛，让更多人用得上、用得好，让机器人真正变得有用。

个人篇：99 后工程艺术家、团队文化与理想主义

Aaron：你是 99 年出生的，对吗？在 AI 应用里，00 后创业者已经不少了，但在具身这种更复杂的硬科技赛道里，基本还是 85、90 后居多。你可能是这一代里最年轻的一批「硬科技创始人」。你怎么看「年龄和经验」这件事？

尚阳星：做硬件的话，经验确实很重要。量产、供应链、加工工艺，这些东西很多都得一点一点摸出来。

但我们做的是软件和算法，这块年轻人确实更有优势。现在算法研发的主力，其实也都是年轻人。

Aaron：你之前提过，最早只是你和一个高中同学，在宿舍里开始创业。后来公司慢慢成型，你在组建团队时，会更看重候选人的什么特质？

尚阳星：我们跟很多公司不太一样。有些公司是融了很多钱之后，急着「买进度」，就去挖很多资深工程师。

我们一开始条件比较困难，没有那么多钱，就只能走差异化路线。我们不强调「经验」，反而更看重他能不能深入思考。

做算法研发，最重要的是不能只停留在表面，要愿意往深处挖，有真正「探寻真理」的冲动和好奇心。学习能力也很重要，这跟前面说的其实一脉相承。

Aaron：现在团队一共有多少人？这两年大概经历了怎样的变化？

尚阳星：现在有四十多人。从 23 年 5 月公司成立，到 23 年底，大概有三四个全职；24 年底的时候，大概十个左右全职；到现在差不多是四十个全职。

太阳：我想问阳星，从你正式开始创业，到拿到第一笔钱，大概用了多久？

尚阳星：如果把奇绩创坛也算上，从真正开始创业——不算注册公司，只算开始全职做——到拿到第一笔钱，大概接近十个月。

太阳：你们是先拿到融资，还是先拿到订单？

尚阳星：肯定是先有订单。

太阳：领工资吗？

尚阳星：那时候我还在上学，南科大的好处是——硕士每个月有 4000 块补贴。我会把其中 3000 块给那位同学，他负责租宿舍和生活。剩下 1000 块是我自己的生活费。

Aaron：很多技术型创始人在公司从十几人到几十人这个阶段，其实会对「管理」这件事很不适应。你自己从工程师走到 CEO，这个过程中有遇到类似挑战吗？你是怎么适应的？

尚阳星：肯定是有的。

我大概感觉到，从十几个人到四十几个人，是一个明显的转折点。在十几个人的时候，我还经常自己写代码；到了四十几个人，就真的没有时间再亲自写了。

当然，我还是会非常关注产品和技术的细节，只是从「亲手做」变成了「多和团队聊」。有时候你每天跟大家聊一聊想法、理一理方向，一天就过去了，很多事情没办法再自己动手。

所以要学会「用人」——有些人要给他一个非常清晰的目标；有些人则可以给一个大方向，让他自己探索。不能什么事都自己上。

Aaron：桥介数物现在有一套明确的「企业文化」吗？你希望它是一家什么样文化气质的公司？

尚阳星：我觉得企业文化是慢慢长出来的，不是写几条 slogan 就有了。

我们现在比较强调几点：鼓励直接交流，不要太委婉；鼓励大家在做事前想清楚「这件事的目的是什么」，而不是盲目去做；鼓励自驱，不要等着别人推着走。

这些东西也许未来会沉淀成更明确的文化。

Aaron：你的资料里有一句话让我印象很深：「我的理想是成为一名机器人领域的工程艺术家，在工具、产品、问题上，利用创造力、美感和人文关怀，提出优雅、高效、可持续的方案。」为什么「美感」和「人文关怀」对你来说这么重要？

尚阳星：在工程领域，「Art（艺术）」这个词其实经常出现。如果一个问题有非常成熟、标准的解法，那它就不太算 Art；真正没有标准答案、需要大量创造力的地方，才是 Art 的部分。

作为一个「工程艺术家」，你解决的往往是那些还没有被标准化的难题。在这种问题上，「美」对我来说其实是一种指引——很多时候「美」和「正确」是相辅相成的。而人文关怀，则是提醒自己：工程不是为了炫技，而是为了让人用起来舒服、有温度。

你很难接受自己做出来一个很丑的东西。

Aaron：如果我现在让你随口说一个你觉得「真正美」的作品，不管是电影、音乐、还是某个产品，你脑子里最先蹦出来的是什么？

尚阳星：电影的话，我会想到《沙丘》。还有一个感受很深的是，当我长大以后再回头看《阿凡达》《指环王》这种老片子，会突然意识到——原来在那个年代，他们就已经做到这种视觉效果了，还是会被震撼到。

产品方面，苹果手机算是一个典型，尽管现在安卓和 iOS 差距没那么大了，但在某个阶段，苹果确实在体验细节上非常突出。还有像任天堂 Switch，第一次上手时也会觉得「好多细节都做得很到位」。

Aaron：在技术和公司经营上，你身上有很强的理想主义特质，但你又要管理公司、给客户交付方案，承担 CEO 的那一面。这两种角色之间会有冲突吗？你是怎么调和它们的？

尚阳星：我觉得自己是「谨慎的理想主义者」。

我确实有比较大的理想，也相信某些事情是有可能做成的；但我从不假设这件事很容易实现，我会非常清醒地看到中间有多少挑战，然后用一个相对务实的方式一步步去接近它。

所以我会觉得自己既理想，又务实。

Aaron：好，那今天非常感谢阳星，也谢谢太阳。我们这期节目就先到这里，我们下期再见。