從全球首屆具身智能真機黑客松，看機器人模型、數據及落地變革之路

3月底， 我們來到深圳，參加了全球首屆線下具身智能基礎模型真機操作黑客松。

在一群00后極客、學術圈大咖及產業核心公司代表中，我們看到了一條清晰的發展路線：機器人開源生態正集中多方力量，從機器人模型，數據集到開發者生態，快速將全行業向前推進。

在一群00后極客、學術圈大咖及產業核心公司代表中，我們看到了一條清晰的發展路線：機器人開源生態正集中多方力量，從機器人模型，數據集到開發者生態，快速將全行業向前推進。

這次由自變量機器人聯合主辦的開發者大會創下了三個“第一次”：

• 第一次全部任務在真實物理場地完成，摒棄仿真環境測評；

• 第一次極低延時全鏈條采訓推平臺：從數據采集、模型訓練到真機部署，全部在三天內完成；

• 第一次全變量控制測評，參賽隊伍無法依賴預設參數，必須具備真正的環境自適應能力。

這對團隊的算法和系統能力來說，是一次非常硬核的極限考驗，簡單來說，主辦方想讓具身模型比賽回歸真實世界。

硅谷101聯合創始人陳茜也在大會的最后一天主持了一場專家論壇，就模型路線，數據和產業落地等核心問題與行業大咖們進行了一場深度分享。

以下是這場論壇的精彩觀點：

01

蓬勃的開源社區

數據、模型及評測

陳茜，硅谷101聯合創始人：

最近開源算法中最重要的一些新變化都有哪些？

蘇治中，地平線機器人實驗室負責人：

機器人相比大語言模型、視頻生成模型，是一個系統工程，包含數據采集到真機部署的多個環節，復雜度和門檻更高。如果沒有開源工作，工業界和學術界的發展會慢很多。工業界層出不窮的面向場景的具身企業可以基于開源工作快速做場景驗證。學術界，高校學生基于開源工作，能夠接觸更前沿的研究并得到更好的訓練，工作后上手也會更快。因此，開源對具身行業的推動比其它行業更為重要。

趨勢方面，除了模型和數據，具身的訓練流程和數據配方正變得越來越復雜，從預訓練到后訓練再到強化學習，每個環節都很重要，因此之后全鏈路的配方會是開源里很重要的一部分。

陳茜，硅谷101聯合創始人：

目前的一些機器人領域的開源，包括數據，都是不開放的，你覺得之后的開源會越來越開放嗎？

蘇治中，地平線機器人實驗室負責人：

過去大家在開源時一方面有所保留，另一方面很多東西不是那么成熟，沒到讓開發者輕松上手的程度。現在隨著Vibe Coding火熱，上手的門檻在下降，大家做的東西也更成熟更適合開源了。此外行業競爭也變得越來越激烈，各家都需要通過更豐富的開源來擴展生態或者建立品牌，所以開源的趨勢會上升。終局怎樣現在不好講，企業要根據其商業化的進展開判斷開源的程度。

甘如飴，自變量合伙人、算法負責人：

開源對不管產業還是企業界都是互利的過程。因為大語言模型（LLM）的數據一開始就是巨量的，但機器人面臨的問題就是你要做真機（數據），但又非常昂貴。那怎樣得到這么多的數據？所以你會看到，這一波具身開源里，數據的開源反而是最開始出現的。

第一個動力有點像ImageNet出現的時候，大家還沒有收斂到非常先進的技術路線上，所以愿意把各種各樣的多模態數據開源出來，讓學界、產業界都能在此之上做探索。

第二個動力就是現在的模型結構，它的訓練方式并不是完全確定的。當然，我覺得端到端這個路線一定是要堅持、而且是正確的路線。但具體怎么去設計模型的結構，設計什么樣的函數壓縮數據，這其實是大家要做的。

第三個動力就是評測，到底誰的模型好用？誰的模型不好用？拿我們自變量的這次比賽來說，大家會去嘗試多種模型，也讓大家更切實地感受，不是停留在某一個榜單，而是停留在線下的真機評測上。

田明，阿里巴巴達摩院具身平臺產品負責人：

一個大的產業革命，一般都會分為三個典型的周期階段，第一個就是生產力的革命，第二個就是生產關系的重塑，第三個就是制度和秩序的形成。

我們現在在第一階段就是生產力這個革命的早期的這樣一個階段，共識非常沒有收斂，這個時候開源意味著什么？我心中的答案是：開源即共識，共識即價值，在未來的這個時代形成共識本身就是價值的體現，主要是對增量市場的變化、對于競爭的變化、對于內部的變化三層。

第一，增量市場的變化，尤其是任何顛覆式創新的早期，都是一個待開拓的階段，我們通過開源可以快速的把我們這個賽道的蛋糕做大，把聲量打出去，然后吸引更多的利益相關者，大家在這個里面形成一個生態。

第二，競爭的價值，首先我們會把我的開源水平以下的中長尾這些能力全部都清場掉，然后提升了市場的集中度，就避免重復造輪子，然后同時開源對于頭部的，比如說閉源的沖擊也是比較大的，因為我整合了更多的利益相關者，然后有更多的開發的思路，然后我要通過更多的市占率，來挑戰（巨頭），就比如說現在蘋果手機可能只市占率10%，但其實開源安卓手機還是更大的規模。

第三，開源對于團隊內部的影響是什么？第一就是我們更快地確認迭代方向，第二是我可以聚合更多的開發者，這也是說開源一定要做生態，在這個階段對具身智能來說是非常重要的，因為在現在數據也不收斂、數據范式也不收斂、模型也不收斂、應用場景也在探索。所以未來趨勢很明確，現在做模型的廠商看上去有很多，接下來一段時間肯定包括像阿里我們自己做的具身大腦的rebrain，還有我們的 VLA 這個系列全部都開源，我會很快的把市場的集中度逐漸的收上來，從而讓像自變量這樣一些非常優秀的明星企業和我們大廠之間，大家快速的形成更多的共識，這個就很幫助。

吳昊天，美團高級總監、無人機硬件研發負責人：

現階段閉源會多一些，永遠閉源嗎？應該不會，人類社會進步本身就是建立在開源知識積累上面的。未來的商業價值創造應該80%都基于開源的，20%是閉源的，但是從價值攫取來講，20%攫取80%的利潤。只有這樣，行業才能站在巨人肩膀上爬一節， 創造增量價值。大家可以參照英偉達CUDA及其開源軟件生態，解決很多應用基礎構建問題，但是開放的軟件生態卻催生5萬億市值的芯片生意。這是從我們現在存量的商業模式和案例中，理解開源和閉源的路徑怎么走及其重要性。

具身智能在商業中應用體量并沒有起來，技術也沒有完全收斂，現在可能還不是討論開源閉源的時候。現在開源、閉源還是從公司投資的角度來思考的，隨著行業的發展，必然會出現巨頭開源，有非常少部分的增量Knowhow將會掌握在少部分公司手里。

02

VLA模型挑戰

算力、數據與泛化性

陳茜，硅谷101聯合創始人：

現在 VLA 模型最大的進步以及面對的挑戰和瓶頸分別是什么？

蘇治中，地平線機器人實驗室負責人：

VLA的主要問題包括算力和帶寬開銷大，空間感知能力弱，單幀的state到action的映射，模態局限等。其它路線目前最流行的是WAM，WAM有更好的視覺編碼器，對未來的想象可以幫助到動作生成，但也存在重建像素代價高，不能很好的理解物理規律等問題。不管是VLA還是WAM，都是在借用當下AI行業中智力和算力投資最大的兩個領域，即多模態大模型和視頻生成模型的產出，是一個搭便車行為。這兩個領域都很受關注，有較大的收入預期因此投入也大。但作為一個具身模型的底座，像前面提到的，它們各有各的問題。我非常期待具身智能領域能夠去構建更好的、真正面向具身的底座，有更好的3D空間理解能力和對物理規律的理解，這樣才有潛力推動具身技術變革。

甘如飴，自變量合伙人、算法負責人：

一個新的方向出來，出現了很多賣鏟子的人。大家首先瞄準的就是數據，怎么樣去解決數據效率和數據成本？這是在落地的過程中比較現實的一個問題。

產業真的應用我們模型的時候，我們希望我們的機器人、模型能夠做多種任務。這需要更多的數據，更好的模型結構設計，更好的loss函數的設計，這也是現在落地面臨的比較大的問題。

最后在路線這一塊，我們覺得可能有幾個方向是可以探索。首先在輸入層面，我們在想如何能把更多的模態的信息能加入到我們模型里面去。因為做很多操作的任務，跟純粹的語言模型不太一樣，比如當我們去捏一個雞蛋的時候，它可能需要一些觸覺的信息，而不是視覺的信息。這時候怎么樣把這些不同的模態、不同的頻率的輸入，能夠跟現在的動作和視覺整合在一起，這是一個比較關鍵的問題。

第二個就是輸出層面，就不管是World Model（世界模型）還是VLA，大家都在探索一個更有效的loss函數。比如是只輸出動作，還是不僅有動作，還有視覺、視頻、3D、觸覺力控。是以離散的方式還是以連續的方式輸出動作？這也是其中非常重要的一個路線的探索。這也是為什么我們辦這個比賽，我覺得所有的路線都需要一個非常好的評測，然后才能決定我們的迭代方向到底是什么，而不是我們只是論文上的一次小的視頻的展示。

田明，阿里巴巴達摩院具身平臺產品負責人：

我首先覺得自變量的模型我個人的評價確實非常高的，在過去6個月，我至少接觸了80家行業中的各個伙伴，我個人還是非常歡迎自變量基于實證主義的很多模型的探索。

我今天思考的問題就在于，我們對于VLA模型有什么樣的期待？它要解決的問題是在一個復雜、連續、高維的真實世界中的立體的操作接觸類問題，不同于自動駕駛是平面移動的避障問題，也不同于數字AI是一個在線閉環做學習的問題。

我們發現供給側它一定是個復雜系統工程問題，而絕對不會是單個模型的問題。如果收斂到用模型去解決這個問題，我認為應該是一個從System 2的慢思考到System 1的快思考，再到System 0的及時反應的大模型的流程。

具體而言，比如說System 2的核心就是要解決機器人任務中，在復雜的時空信息里面的定位、計數的問題，以及這一層跟上面的agent工程層，我們的存儲系統是怎么設計的？

再往下是System 1，現在傳統的范式的好處在于我們希望能夠垂直地打穿一個問題，通過預訓練VLA加RL（強化學習），不僅做到能準，還能做到快。在RL中，我可以把執行效率作為它的一個優化目標。

其中我們現在最關心的是視頻的action model（動作模型），我當然希望視頻生成能夠解決泛化性。有個說法叫莫拉維克的悖論，就是今天我掉了兩個手指頭，我仍然知道用剩下的三個手指頭怎么抓東西，但機器人今天一改它就不行。所以我們現在非常關心的是這部分如何快速規模化。

System 0的引入我認為是非常必要的，就是我們說的一千赫茲的快速的觸覺，最近像Sharpa等其他的公司也在做。因為有時候機器人的攝像頭可能會被遮擋一部分，而觸覺其實不但能提升它的操作的效率，關鍵是在有遮擋的情況下，還是能夠去完成這個任務，并且有一個及時反應能力，所以我認為VTLA (Vision-Tactile-Language-Action，視覺-觸覺-語言-動作模型) 的這個部分一定是我們要在模態這個角度上去考慮的。今年我非常關注的就是如何把Human-centric（以人為本）的數據去做預訓練的scaling（規模化），然后再去垂直的做一些優化。

吳昊天，美團高級總監、無人機硬件研發負責人：

在我們業務當中，主要是在分揀打包的場景會使用，是個具身操作的問題。我們也會用VLA，但是用完了之后會面臨一個重大問題，

比如我們的小象超市，里面有很多SKU互相疊在一塊，首先你看不清，二是每個SKU之間它的材質所需要的抓力也是不同的。我們這個模型，目前現在還達不到這樣的對多種SKU以及多種動態環境的實用性，這是我們現在目前遇到的一些問題。

大家認為WAM（World Action Model，世界動作模型）可能是一個趨勢，但是現在的問題不是沒有數據，而是數據質量和數據規模。而且獲取數據的方法，現在的模態也沒有歸一起來，現在我們的設備也都比較貴，很難在真實的應用場景當中去獲取數據，這是我可能我們面臨的一個重大的問題。

所以我認為模型架構收斂的前提在于，我們未來能夠達到高可靠這樣的一個具身智能的能力，我們到底需要多少模態的信息？這些模態的信息怎么能夠低成本的獲得？這可能是我們第一件事情要去解決的。

03

數據稀缺的解決方案

仿真、遙操與真實部署

陳茜，硅谷101聯合創始人：

你們覺得數據接下來行業的主流解決方案是什么？有沒有什么好的方式快速推動或者解決機器人的數據問題？

蘇治中，地平線機器人實驗室負責人：

數據方案總體是個經濟賬，互聯網數據雖然容易獲取，但是它和機器人的相關性低，需要花非常多額外的存儲和訓練代價才能獲得相對不錯的精度，本體數據雖然采集很貴，但是只要很少的訓練量和迭代輪數就能得到很好的效果。因此不應該把賭注僅放在某一個路線上，而是應該根據需求去衡量最經濟的方式。目前除了頭部具身企業外，大家都很缺數據，同時由于很難通過消融實驗把不同類型數據的價值說清楚，因此都是能用的盡量用。從我的視角，在預訓練時使用低成本的人類數據，在后訓練階段使用高精度的本體數據是比較好的方式。

甘如飴，自變量合伙人、算法負責人：

我們公司從最開始嘗試了各種各樣的素材方式，比如說像本體的遙操，像無本體的夾爪、手套，包括靈巧手等我們都有一些嘗試和布局。

隨著世界模型的出來，后面的數據其實也可能會有兩種處理方式，一種就是通過手部的重建，通過位置的估計，能得到一個厘米級別的軌跡，它相比無本體或者真機遙操數據，它的軌跡數據沒有這么精準，但是它的好處就在于非常大量。

但是你如果通過視頻生成的模型，最終就是大家也會發現現有的模型，當你做了這些操作之后，你想真正地去完成很多實際中的操作任務，還是離不開一些更高精度的，像無本體的數據或者真機的數據去微調的。

另外一個就是怎么樣去控制數據質量，作為模型廠商來說，我們可能比較大的優勢就在于我時時刻刻會有模型的反饋在里面，而且經濟賬要算得過來，這也是我們的優勢。

另外就是我們針對數據本身的軌跡質量，我們其實有非常多的數據相關的模型，在我們的管線里去做一個數據的挑選。另外我們也會有一些數據增強。

第三個我們在數據標注這一側也會投入非常多，我們也會有非常完整的一套產鏈，所有的這些都構成了我們整個的數據管線。

最后我覺得可能除了真機數據之外，我覺得就是真實地部署到家庭，或者說部署到真實的任務里面拿到的這種反饋，拿到的大規模的接管數據是目前為止沒有任何一家公司有做到的。但是我們覺得這個數據非常的重要，所以這個數據在我們的整個系統里有非常大的比例。

田明，阿里巴巴達摩院具身平臺產品負責人：

我們想從數據金字塔和數據質量的角度，和大家聊聊這個話題。整體可以分成三個階段：泛化、精確、靈巧。

泛化是基礎的第一步。走進工廠會發現，凡是需求規模化、流程標準化的環節，大多已經由先進制造設備來完成，之后才會逐步考慮由具身智能機器人來承擔。所以第一步，我們是先在垂直場景里把精度做扎實，這樣才能真正賦能千行百業。

再說到精確，目前硬件整體能力還在發展中，比如在桌面清潔這樣的場景中，機器人會遇到位姿偏差、設計適配等實際問題，只有逐步解決這些流程性問題，讓運行更穩定、更可靠，我們才能在硬件層面采集到更真實的場景數據，為后續發展打下基礎。

關于靈巧性，我對靈巧手的發展方向非常看好，也認為這是更貼近第一性原理的路徑。人類都在依靠雙手完成各類操作，這本身就是很直觀的參考。從數據和技術的演進來看，我們也正是沿著泛化、精確、靈巧這樣的路徑，一步步去探索和提升的。

吳昊天，美團高級總監、無人機硬件研發負責人：

仿真數據一定會占很大的比例，所以現在還是要去研究physical engine（物理引擎）這類基礎問題，把我們的physical engine做得更好，讓我們世界模型具有context reach（上下文覆蓋）的能力，產生足夠多的數據。

我認為compute（計算）本身就是數據，應該是最早的數據基座，后期它可能會出現多場景的真實世界的采集，可能跟我們現在的國內的這個階段很相近，就是建很多的數據采集工廠。后面可能是cherry on top（錦上添花）的事情，隨著我們在某些垂類應用的使用，它聚焦了之后，沒有那么大量地去收集了，成本就會降下來，我們就可以用稍微精度更高的設備，投入更多的人力去收取這種高精度的和我們真實場景更吻合的一些數據，這樣就形成了一個數據金字塔，最終在某一個垂類上把我們具身智能的數據集基座以及模型打造出來。

04

商業化路徑

教育、工業與家庭

陳茜，硅谷101聯合創始人：

今年會看到機器人大規模商業落地嗎？如果是的話，它的具體場景最先在哪些產業發生？

蘇治中，地平線機器人實驗室負責人：

現在具身智能能夠落地有三個關鍵詞，第一個是節拍慢，第二個任務是閉集指令（close set），指令開放是家庭機器人最難的地方，普通家庭用戶什么指令都有可能發出，現在具身模型的能力、算法的發展現狀還很難滿足用戶的開集指令需求。第三個是短程，整個任務時間和位置跨度不能特別大，在家里比如說我要洗衣服，我要在洗衣機旁坐長時間的等待，或者要做飯，這個任務所需要的時間也特別長。

在滿足這三個關鍵詞的情況下，即節拍不能太高，任務是閉集（任務數量有限），以及短程的情況下，以現有的技術在工廠有落地潛力，能夠得到比較高的成功率。指令泛化盡管很重要，但它也是最難的。ChatGPT大家用它來聊天，覺得很有意思，機器人每個事情都能做點，但是什么都做不成，它是完全沒用的，只要有一個事情可以做成，不管賬算不算得過來，它多少是一個有功能的產品，才有可能驅動落地，才有可能真的讓這個量部署上來。

作為一個對照，我們看自動駕駛，自動駕駛之所以相對來說發展的更好，是因為量產的乘用車就可以采集數據，車即便沒有智能，它也是有功能的，它可以開，但是機器人沒有智能，它就完全沒有功能了。你要在少量任務上打穿，使它有功能進入場景，能夠迭代，它才有可能擴展其他能力。

剛剛主持人聊到一個悖論，即機器人如果無法規模化部署的話，無法獲得數據做迭代就永遠無法落地。自動駕駛領域除了特斯拉把大量的車交付到用戶手里之外，國內大部分廠商僅通過自己的測試車隊獲取的數據也可以把方案做得很好，從這個視角來看，這個悖論并不存在。當然最終落地所需要的數據量和設備的數量，與場景和任務是相關的，因此機器人能夠盡早進入場景還是很重要的，能大大加速這個過程。

甘如飴，自變量合伙人、算法負責人：

我們今年發現兩種場景，一種就是工業場景，是一些單任務，但另一種是像家庭這種是一些通用任務。

就算是做單任務也跟泛化并不矛盾。

所以在我看來就是我怎么樣得到一個更好的基礎模型的情況下，然后我逐步地也去在一些真實的場景去落地。

可以先在單任務上面去做一些驗證，比如說預訓練、后訓練、強化、數據閉環等，并且能在這個上面能不斷地把成功率、速度提上來，這個我覺得是非常有機會的。哪怕你只是面對工廠的一些裝配任務，多采了非常多的跟裝配相關的抓取或者相應的任務，你也能得到一個更好的一個效果。

第二，針對多任務來說，我覺得這個就更是基座模型的優勢了，但是它可能要面臨的問題是，在非常多的任務上，能不能有一定的成功率？我覺得可能早期在家庭里面做這個事情的好處在于，很多時候大家對你的節拍、時間要求并不是這么高，萬一出現了一些事故，還能有一些像接管這樣的兜底策略。但是他也不是只是為了做這個產品，他其實也在不斷地幫你迭代，然后采到更多有用的數據。

所以我們覺得這個東西你要真實地先部署出去，你才可能有進步。就跟自動駕駛一樣，有了車它才能夠采集更多的數據，它一定是把集群部署出去，然后它才能有更好的泛化性。

田明，阿里巴巴達摩院具身平臺產品負責人：

我覺得規模化的商業化在今年壓力是比較大的。原因是我們需要有一個足夠合格的產品化，就是從技術孵化到商業化中間一定有個產品化。

技術我可能在某些層面上的SOTA就夠了，但是產品要考慮效果、效率、成本、安全，long regression（長回歸）的穩定性，包括法律法規的制定等等。

我分析這個事情當前的方法論在于先在需求側選擇兩個關鍵的坐標軸：一個就是任務復雜度，另外一個就是這個任務的容錯性。在供給側我要關注的一個是硬件的成熟，一個是智能的成熟，所以有了需求的兩軸跟供給側的兩條線之后，然后我們再匹配上來分析這個問題。

我認為在當下，在對于容錯率比較高、復雜度比較低的一個市場，很明確的首先就是教育市場。這個市場又分為了校內跟校外，校內又分為了高校的、職校的、K12的。1995年個人電腦在中國開始普及的時候，很重要的一個場景是到學校里裝機房，所以我認為教育是非常確定的一個市場。

沿著這個軸往容錯率逐漸要求降低的方向上去發展，我個人的主張是：以硬件為先，先功能，后智能。怎么理解呢？我可以先把硬件的成熟度迭代上來，簡單的應用是做遠程遙操，比如在危重險急的場景，比如說無菌室，或者對人有害的環境，我都可以把硬件的成熟度先拉上來，然后逐漸去增加它智能里面的占比。

沿著另外一個軸，就是任務的復雜度逐漸變高，我們的策略是：以智能為先，先專用，后通用。就比如說酒店是個不錯的場景，今天在酒店里面能夠解決好住的問題，能夠解決好咖啡吧里面的送餐、飲品的調制問題，我覺得這條路線是一個可以逐漸去提升滲透的。

另外一個就是我們要把智能能力逐漸往上加，這里面會涉及到VLA的導航能力，比如說原來的巡檢場景、工業場景等。我個人非常看好裝配這類，需要大量的人工密集型的工作，有標準的SOP的場景。

吳昊天，美團高級總監、無人機硬件研發負責人：

美團是技術的強使用方，豐富應用場景的提供者，我提供一個視角。從產品的角度和應用的兩個角度來看這個問題。從產品的角度來說，一定要思考我們的超級共識是什么，要先看到通用具身智能到底會不會成為超級共識？然后，思考實現路徑的問題？如果從運營企業來說，我認為是非常有可能成為超級共識，我們不希望有各種各樣的專用設備，希望管理部署一群更通用的設備，因為通用智能設備易部署、一機多能。正如我們渴望綜合能力強的復合型人才一樣。

鑒于這個戰略共識的情況下，如果是做具身智能產品的公司，那么無論是定義產品和設計架構，甚至定戰略都應該思考長期，錨定通用性強的場景。 但是，從應用落地的角度來說，一個企業最終要商業閉環，要回血，我們怎么做？肯定先撿著“軟柿子”去揑，這是一個理性的選擇。拿美團做一個案例，我們需要具身智能技術滿足高節拍、高動態、高可靠的應用要求，技術實現比較難。我們開始用具身智能技術來賦能即時零售業務的時候，我們首先思考大概什么場景比較可行。 比如說利用空間尺度劃分即時物流和接駁的問題，從千米、百米、厘米、毫米到亞毫米，我們做了這樣的劃分，后來發現千米級的問題相對好解決，像用無人車、無人機技術。 目前，美團被評為全球第二名的無人機物流企業。但是，我們非常理性地知道，最后100米就比較難解決，比如說上樓的問題，怎么樣打開各種各樣的門，安全對人友好，高峰的時候能夠擠上電梯。另外我們發現打包節拍很快，現在平均外賣履約時長不到27分鐘，面對各種各樣材質的商品例如雞蛋、豆腐、西紅柿等，怎么樣快速、可靠的打包分揀，這是難點，到了毫米級和亞毫米級的抓取問題。作為一個具身智能產品的企業，還得先挑“軟柿子”去捏，早日商業閉環，形成迭代飛輪最重要。

以上就是這場專家論壇的精彩觀點，我們做了適當刪減與編輯。總的來說，這趟論壇也讓我們對機器人的發展充滿期待，不但是因為這些來自頂級高校的年輕人們讓人驚喜的決賽表現，更是因為蓬勃發展的開源社區，還有自變量這樣愿意助力產、學、研整合的機器人企業，相信2026年，機器人賽道會加速前進。

【本期節目不構成任何投資建議】

【視頻播放渠道】

國內：B站｜騰訊｜視頻號｜西瓜｜頭條｜百家號｜36kr｜微博｜虎嗅

海外：Youtube

聯系我們：video@sv101.net