高繼揚與星海圖：具身智能的壁壘不在演算法，在供應鏈與資料

本文整理自《張小珺Xiaojùn Podcast》2026 年 2 月播出的單集。

{{< youtube c-ZVu-Cr1FQ >}}

{{< spotify "episode/6T1c1ruXCHKhoSA0fIU58N" >}}

{{< apple-podcast "tw/podcast/132-%E5%AF%B9%E6%98%9F%E6%B5%B7%E5%9B%BE%E5%88%9B%E5%A7%8B%E4%BA%BA%E9%AB%98%E7%BB%A7%E6%89%AC%E7%9A%843%E5%B0%8F%E6%97%B6%E8%AE%BF%E8%B0%88-%E9%B2%B6%E9%B1%BC-%E6%9B%BE%E5%9B%BD%E8%97%A9-waymo%E4%B8%8Emomenta%E7%9A%84%E4%B8%A4%E9%9D%A2-%E4%B8%80%E5%8F%AA%E7%8B%BC%E4%B8%8E%E8%AE%B8%E5%8D%8E%E5%93%B2%E7%9A%84%E7%A6%BB%E5%BC%80/id1634356920?i=1000749574835" >}}

---

在中國具身智能創業圈裡，多數創辦人習慣用技術願景開場，談基礎模型、談泛化能力、談通用機器人。星海圖（GALAXEA）創辦人高繼揚（Gao Jiyang）的開場方式不太一樣。他對主持人張小珺說的第一句話是：做機器人行業就是一個鏈條極長的行業，有時候你就是要把你的頭伸到土裡去。

這位 1992 年出生的創業者，清華電子系物理競賽保送、南加大博士三年半畢業、Waymo 兩年、Momenta 兩年，2023 年放棄約一千萬美元期權創辦星海圖。他的整段經歷都指向一個核心信念：具身智能的長期壁壘，不在算法，在整機、在數據、在那些需要把頭埋進土裡才能做好的事情。

---

從自動駕駛十年歷史看到的規律

高繼揚在加入 Waymo 之後做的第一件事，不是寫程式，而是把自動駕駛從 2008 年以來的論文全部讀了一遍，再把 Waymo 內部的程式碼庫從歷史紀錄一路讀到最新版本。他發現一個讓他不安的事實：2018 年整個自動駕駛的技術架構，跟 2008 年的論文描述幾乎沒有變化。感知、定位、離線建圖、規劃控制，大的流程十年如一日。

差別只在於，隨著深度學習成熟，一些原本用傳統規則處理的感知模組被換成了神經網路。但整個系統的底層邏輯還是 Robotics 驅動的模組化拆分：把系統切成一個個可解釋的小模組，在每個模組內部解決具體的邊角案例。Waymo 的感知系統裡有幾十個獨立的小模型，偵測、追蹤、分類、場景理解，各自獨立運作。

這跟 AI 的方法論完全相反。AI 不擅長解決一個兩個具體案例，但它擅長在整體的基準測試上把 80 分推到 90 分再推到 95 分。AI 追求的是端到端、是數據驅動，而不是模組化拆分。特斯拉正是從這個邏輯出發，用 AI Native 的方式重新設計了自動駕駛框架。高繼揚認為，同樣的規律在具身智能領域會再上演一次：傳統 Robotics 路線做到一定程度就會撞牆，最終勝出的一定是 AI Native 加真實數據的路線。

---

為什麼非做整機不可

很多具身智能新創選擇只做「大腦」，把算法做好，讓別人的機器人裝上去用。高繼揚的判斷剛好相反：不做整機，就不可能贏。

他的邏輯分兩層。第一層是長期壁壘。具身智能最核心的競爭優勢建立在物理世界的數據閉環之上：用自己的機器人在真實場景中採集操作數據，拿這些數據訓練模型，訓練完的模型部署回機器人，再產生更多真實數據。這個正向循環的起點，必須是你自己的整機硬體。沒有整機，就沒有數據閉環的載體，就只能依賴別人的數據或仿真環境，永遠被卡在最關鍵的環節上。

第二層是中短期的商品形態。客戶買的不是一個演算法，是一台能工作的機器人。高繼揚把這比作特斯拉模式：整車加數據採集加端到端模型。具身智能目前的狀態，他說，類似汽車產業一百年前的狀態，沒有現成的產業鏈，必須從零開始做整機。這很痛苦，但也意味著沒有既有的業務協同壁壘擋在前面，新創公司反而有機會。

星海圖 2024 年的主線就是整機和供應鏈的系統補課。從拆解競品、尋找供應商，到完成 EVT、DVT 和量產的硬體研發流程，花了整整一年。

---

真實數據的成本算術

在數據路線的爭論上，高繼揚站得非常堅定：真實數據為主，仿真數據為輔。他不信仿真，核心原因是 Sim-to-Real Gap（從模擬到真實的差距）難以克服。AI 訓練數據必須跟部署環境一致，你在虛擬環境裡訓練的模型，放到真實世界裡就是會出問題。

但真實數據不是很貴嗎？高繼揚算了一筆帳。採集一個小時的真實操作數據，大概需要三到四個小時的人工，加上機器人的折舊，總成本約 200 到 250 元人民幣。10 萬小時的數據量，大概就是一個人從出生到 18 歲跟物理世界互動的總時長，總費用約 2,500 萬元人民幣。這個數字對一家拿到融資的新創來說，並非不可負擔。

更重要的是他提出的「智能總成本」算法：數據品質和訓練成本的比例大約是 1 比 5 到 1 比 10。也就是說，你在數據上省了 1 塊錢，可能會在訓練上多花 5 到 10 塊錢。低品質數據不是省錢，是浪費錢。反過來，投資高品質真實數據，從整體成本來看其實更經濟。2025 年，星海圖開源了 500 小時操作數據集和 G0 基礎模型，成為中國第一家完整開源的具身智能企業。

---

傳播週期：一個反直覺的壁壘框架

高繼揚自創了一個分析競爭壁壘的框架，叫做「傳播週期」。他的觀察是：不同的競爭要素，被對手追上所需要的時間差異極大。

整機和供應鏈的傳播週期最長，需要 12 到 18 個月。你從零開始做一台機器人，從結構設計、模具開發、供應商篩選到小批量生產，至少要一年以上。客戶渠道大概需要 6 個月起跳。數據體系在整機基礎上再加 6 到 12 個月。而算法呢？在當前的開源時代，傳播週期只有 2 到 3 個月。

這個結論反直覺，但邏輯清楚。一篇頂會論文發出來，兩三個月後全世界的團隊都能復現。一個開源模型推出來，幾週之內就有人跑通。算法投入大，但壁壘最低。所以星海圖不追求純算法領先，而是把資源優先投入那些傳播週期更長的環節：整機、數據、渠道。

這也直接解釋了高繼揚對具身智能大廠競爭的判斷。大廠在算法上可能很快，但在數據獲取和整機整合上速度反而更慢。數據品質需要懂模型的團隊才能定義，而整機需要從供應鏈到結構設計的全鏈路能力。這些正是星海圖押注的方向。

---

許華哲離開：務實創新與超前研究的張力

訪談錄製的時間點，正好是星海圖聯合創始人許華哲（Xu Huazhe）即將離職創業。高繼揚沒有迴避這個話題，坦承雙方分歧的本質是「務實創新」和「超前創新」之間的價值觀不同。

星海圖的路線是以客戶價值為中心，一步一步累積戰功。每一項技術創新都要能回答一個問題：這對客戶有什麼用？高繼揚從 Momenta 帶來的「戰功文化」在這裡體現得很明確。許華哲則更傾向探索前沿研究方向，想做 To C 的家庭應用場景，這在高繼揚看來是一條資源有限的新創公司目前無法負擔的路。

高繼揚把這個分歧放在他的傳播週期框架裡解讀：算法創新的壁壘只有 2-3 個月，獨立於整機和數據基礎設施的純算法研究，對創業階段的公司來說 ROI 太低。這不是否定研究的價值，而是創業階段的戰略紀律。

內部的組織調整其實早在 2024 年 8 月就已完成，由另一位聯合創始人趙行統一管理基礎模型團隊，之後團隊產出的 G0 Plus 取得了顯著進展。星海圖承諾會參與許華哲第一輪融資，以新的方式支持他獨立創業。高繼揚認為這對雙方長期都是最好的選擇。

---

務實的理想主義者

高繼揚在訪談結尾說了一句話，我覺得精準地概括了他這個人的矛盾：理想主義是對的，我覺得我是個理想主義的人。但是理想主義不能變成空想，理想主義能夠實現的基礎是我們每天都要去算 ROI。

這種組合在具身智能創業者裡不常見。多數人要嘛全力衝技術理想，要嘛完全埋頭做工程。高繼揚兩邊都要：他相信機器人能改變世界，但他每天盯著的是數據成本、供應鏈週期、客戶回購率這些極其具體的數字。他的技術願景是讓訓練機器人像培訓員工一樣簡單，但他實現這個願景的方式是先把整機做好、先把數據閉環跑通、先讓 150 個客戶用起來。

在一個充滿技術浪漫主義的行業裡，高繼揚選擇了一條不浪漫的路。但也許，願意把頭埋進土裡的人，才是最有可能把機器人從實驗室帶到真實世界的人。