贾浩楠 发自 副驾寺
智能车参考 | 公众号 AI4Auto
智能汽车业务转向具身智能的玩家中，这可能是今年最To C的进展之一：
在一个真实具体的地址：上海市静安区南京西路街道吴江路169号——
这是中国首家DQ冰淇淋汉堡店（DQ Blizzard & Burgers），也是亚洲唯一一家同时供应热食和冰淇淋的DQ餐厅。
2024年就开张了，之前与其他DQ门店比唯一不同之处，可能就是地处南京西路这个老上海滩最热闹繁华地段之一。
直到今年9月，这家DQ门店有了新变化：
一台白色双臂、双灵巧手的机器人正在为顾客制作DQ最著名的暴风雪冰淇淋：取杯、套杯圈、打冰淇淋、加料、搅拌、倒杯不洒——55步连续操作，全程无人遥控，门店未做任何改造，设备是店员日常用的设备，动线是人走惯的动线，顾客照常进出。
唯一不同的是，站在吧台后面的是机器人——Sharpa的机器人，是禾赛科技创始团队的新创业项目。
所有人都在问具身智能的“螃蟹”是什么——第一个真正有价值能落地商业化场景长什么样。有人说是工厂，有人说是物流，有人说是家庭。
李一帆的答案是一杯DQ暴风雪。
他力图证明的是通用操作能力可以在真实商业场景中无改造、全流程、全自主地跑通——
如果这个模式能复制到下一个门店、下一个品类，那么Sharpa卖的就不是冰淇淋机器人，而是一套可上岗的通用操作能力。
第一杯机器人手打DQ暴风雪，线下可点
DQ是全球连锁品牌，门店设备、原料、操作流程执行全球统一标准。
Sharpa机器人进入的不是定制化“机器人友好”环境，而是普通店员日常工作的真实吧台：纸杯、杯圈、冰淇淋机、料勺、消毒柜，全是为人类操作设计的标准设施：
没有为机器人降低吧台高度，没有为机器人调整设备位置，没有清场，没有遥控。机器人被要求做到一件事：以人的环境、人的流程、人的工具，去干人干的事。
再看任务有多复杂。
一杯暴风雪冰淇淋的制作包含55个连续步骤，环环相扣。
比如取纸杯时，纸杯会粘连，可能一次带出两三个，需要灵巧手精密的感知、操作：
整个过程，机器人要完全凭借和人类一样的“手感”去调整力度、角度，纸杯带出多了，会主动把杯子推回去，通过力度、角度等等细微调整，重新取杯子。
灵巧手的“触觉”模态，正好是让SHARPA受到关注的核心特长，我们也曾经在技术层面详细解析过。
接下来随着冰淇淋不断落入杯中，杯子重量不断变化，Sharpa机器人也会实时调整自己的抓握力。
这其中还有一项动态的精密操作的步骤：打掉出料口融化的奶浆，视机器状况而定，如果说前面两步还能靠感知和规划控制完成，那这一步涉及到的，就是模型对复杂环境的理解认知能力了。
冰淇淋打完，接下来要加奥利奥饼干碎了，这一步在另外一个工作台完成：
然后是用机器充分搅拌混合，这个过程机器人会上下移动纸杯，保证搅拌均匀，同时还要在机器高速震动的情况下拿稳纸杯：
然后，机器人要取勺子，这里有很有趣的一幕：
杯子里的塑料勺是零散随机摆放的，每次情况都不一样，而机器人要是没有发现容易直接拿出来的，还会自己用手指“拨”一下，进行挑选，具有一定的拟人化特征。
另一处细节：
机器人还会把之前拌料的金属杯上粘的冰淇淋来回转杯、用勺子刮下来，一点不浪费。
最后，是DQ标志性动作：
55步中约98%的环节有触觉直接参与——相机看得到杯子的位置，但判断不了握力是否合适、纸杯是否被捏变形、搅拌时力矩是否偏移。抓杯偏一点，后面套杯圈、搅拌、倒杯的误差会逐级放大。
这跟具身赛道里常见的“落地”形成了对比。
第一种是改造门店、定制工位。把吧台改成机器人专用高度，把设备换成机器人专用接口，把动线重新设计一遍。
这等于承认“为人设计的环境我进不去”，但对于真实的商业用户来说，直接就不需要人形了，搞自动化更划算。
第二种是只做端盘送餐等低自由度工作，不进入操作台，不碰触觉闭环。
第三种是展会或快闪Demo，靠遥控或预编程完成表演，视频拍完就收工。
但Sharpa做的是第四种：零改造、全自主、全流程。
这三件事必须同时成立，缺一个都不行。
零改造意味着机器人必须适应人的环境，而不是让人适应机器人。全自主意味着不能有人在背后遥控，不能靠预编程硬编码。
全流程意味着不是只做其中几步，而是从头做到尾——甚至还要受到制约条件：为符合卫生条件，Sharpa的触觉灵巧手还必须戴上手套。
那为什么全流程这么重要？
DQ门店里的这套动作，表面上是一杯冰淇淋，实际上是一连串与触觉、硬件、数据相关的工程决策。
要理解这些决策为什么长成这样，需要回到Sharpa的起点——以及李一帆对禾赛那段经历的复盘。
SHARPA是谁？从何而起？技术上为什么不一样？
李一帆主动谈起禾赛时，没有太多成功者的自得，尽管禾赛已经是激光雷达领域的重要供应商，产品成为自动驾驶、智能汽车标配件。
禾赛把激光雷达从几万美元做到几百美元，年出货量百万台级，全球都用上了。但他自己给这件事的定性是：在汽车供应链这个框架里，能做的事情“没有我们以为的那么多”。
禾赛今天仍被看作“物美价廉”，品牌溢价始终没做起来。这不是禾赛独有的问题，是整个汽车供应链的宿命。
这直接决定了Sharpa的方向选择。
如果机器人的产品形态还没有被定义，那就不该只做一个高价值供应商，而应该进入定义产品的位置——也就是整个供应链的“链主”。
李一帆用“想做、可做、能做”框架来解释这个判断：
首先是语言模型带来了通用智能的机会；其次中国智能汽车供应链提供了硬件底座；
最后，全栈软硬一体的复杂程度恰好构成了大公司尚未全力投入的窗口。
这三件事的交集，就是他眼中Sharpa的机会、生存空间。
但这个空间里有一个关键取舍。
Sharpa没有把双足运动作为优先方向，李一帆说得很直接：解决生产力问题靠上半身，操作的大脑、胳膊和手才是优先级。
“不是讨厌双足，最终进家庭的可能真的是双足”，只是在那之前，得先把“手”这件事做明白。
这个取舍决定了Sharpa的技术体系从一开始就不是围绕“机器人怎么走”来建的，而是围绕“机器人怎么用手去操作真实世界里的东西”来建的。
“用手操作”这几个字听起来简单，做起来却有一个被行业长期低估的难点。
当前主流VLA模型，核心能力都在视觉-语言-动作这条链路上。机器人看到杯子、理解指令、规划轨迹，这些环节视觉足够用。
但当你真正伸手去拿一个纸杯的时候，视觉能告诉你的信息在接触发生的那一刻就急剧衰减了。
纸杯捏没捏变形、握力够不够、杯壁有没有打滑，这些判断靠的不是“看”，是“摸”。
行业里有一个被反复引用的数据：带触觉的机器手在展会上成功率超过90%，失去触觉后直接跌到20%以下。触觉不是锦上添花，它决定了灵巧操作的下限。
Sharpa的解法，是把触觉做成了一个独立的计算层。
CraftNet是Sharpa的VTLA模型——视觉、触觉、语言、动作四模态融合——它在架构上做了一个行业内很少见的切分。最上层System 2是一个约1Hz运行的视觉语言模型，负责理解指令、拆解任务。
中间层System 1是一个约10Hz运行的基础模型，负责上半身的粗运动和接触前的手部位姿。这两层和行业里大多数分层VLA的做法没有本质区别。
真正不一样的是最下面那层：System 0，一个约0.1B参数、以100Hz运行的触觉反馈模型，专门负责手指在接触物体之后的实时微调。
这层模型解决的是“最后一毫米”的问题。视觉驱动的运动规划可以把手指送到纸杯附近，但从“靠近”到“握住”之间的那一段，视觉帮不上什么忙。System 0在接触发生的瞬间接管控制，用指尖触觉信号判断力的分布和物体的形变，以100Hz的频率持续调整握力和指位。
Sharpa官方把CraftNet定义为“System 0和 System 1的组合”，System 2反而被当作可替换的上游组件。
这个定义本身就在说一件事：Sharpa认为自己真正的产品不是“能看懂指令的机器人”，而是“能把手上的活干好的机器人”。
有意思的是，Figure在Helix 02里也引入了一个叫System 0的层，但定义完全不同。Figure的System 0是一个1kHz运行的全身控制器，负责平衡、接触处理和全身协调，训练数据是超过1000小时的人类运动数据。它管的是“站得稳”。
Sharpa的System 0是100Hz的指尖触觉微调回路，管的是“拿得住”。
而NVIDIA的GR00T系列至今没有System 0这一层，它把底层控制留给了本体厂商。
Sharpa在这件事上做了一次主动的架构选择：在视觉-语言-动作的标准链路下面，硬生生插进去一个高频触觉闭环。
当然，这个选择需要硬件层面的配合。
Sharpa Wave灵巧手用的是1:1人手比例设计，每只手22个主动自由度，指尖内置超过1000个触觉感知点，力感知精度达到0.005牛顿。
更关键的是驱动方案：Wave用的是直驱而非腱绳。直驱的优势在于力反馈路径更短、控制精度更高，这对需要实时闭环的触觉操作来说不是可选项，而是前提条件。
硬件有了，架构有了，剩下的是数据。
Sharpa联合清华、UC Berkeley、上海交大、ETH Zurich等机构提出的FTP-1，是触觉操作领域一个重要的尝试。
它基于约3000小时、来自26个数据源和21种触觉传感器的数据预训练，核心创新是设计了一套“形态感知token空间”，把不同物理形态的触觉输入——GelSight的图像、Contactile的阵列、力/力矩传感器的标量——映射到24个语义一致的手部功能区域上。
这意味着模型学到的不是“某个传感器的读数意味着什么”，而是“拇指指尖感受到压力”这件事本身。在预训练中从未见过的传感器上，FTP-1的成功率提升超过31个百分点。
这些技术细节放在一起，指向一个比“Sharpa的技术好不好”更本质的问题：
李一帆为什么要在行业普遍追逐运动能力、追逐通用大脑、追逐榜单排名的时候，选择去做触觉、做操作、做一家冰淇淋店？
李一帆的具身创业思考：商业泛化、具身智能“斩杀线”、吃螃蟹
从触觉闭环到全栈闭环，Sharpa的技术选择透着一个前提：
它不打算先造一个通用大脑再找场景，而是先锁定一个必须干成的商业场景，再倒推技术该长成什么样。
这个前提，就是李一帆在交流中反复强调的“商业泛化”。
他说得很不客气：
不考虑商业泛化条件的技术泛化，都是盲目的。
他解释自己不是否定技术泛化本身，而是要指出一个行业里普遍存在的“偷懒”：技术泛化没有定义，所以谁都可以说自己做到了。
你在一个场景里把模型训到90%成功率，换一个场景掉到30%，你可以说“我正在泛化”；
你在一个门店跑通了，换个门店跑不通，你也可以说“泛化有挑战”。
但商业泛化不一样，商业泛化是可以被定义、被检验的：你在一个门店跑通了，换个门店能不能跑？加一个新品类能不能做？人撤下来之后，这件事还能不能持续运转？
这个定义直接决定了Sharpa为什么选择DQ，以及为什么必须做到“55步全做完”。
比如在DQ门店，如果55步里能做53步，或者每一步成功率做到99%，其实都不能够算真正的商业泛化。
改造环境，就回到了伪落地；让人来补位，那就像L2自动驾驶——到底你干了还是没干？
人撤不下来，成本就降不下来，商业模式就不成立。53步听起来只差2步，实际上差的是整个商业逻辑。
所以SHARPA必须55步全做完，必须全自主，必须无改造。
并且也只有人真正撤下来，数据飞轮才能转起来——机器人工作创造收入，同时把真实交互数据带回训练。数据采集从研发支出变成产品运行的副产品。
这就引出了李一帆的第二个判断：具身智能的“自动化斩杀线”。
意思是，具身智能机器人最大的敌人不是人，是传统工业自动化。
简单重复的事，自动化又快又稳，就比如叠纸盒这种事，自动化机械臂，可能一秒能叠10个盒子，让具身智能去做这种岗位，没有道理。
所以人形机器人必须找到自动化干不了的事：工种复杂、边界条件不固定、需要灵巧手和触觉反馈的任务。
DQ的55步流程恰好卡在这条线之上：纸杯会粘连形变，抓取位置每次不同，冰淇淋状态会变化，三次加料视觉相似——这些恰好是自动化干不了、而人形机器人有优势的地方。
李一帆的看法同样直接：数据是最大瓶颈，但不是唯一瓶颈。
他用健身打比方：教练像模型，训练方法不对不行，但训练量跟不上也不行。
之所以这么快的选择商业落地环境，也是因为在具身这个领域，李一帆是坚定的“真机数据”主义：
你能买100万小时数据，别人也能买，甚至供应商卖给你回头就卖给他。同一个老师傅调模型，你不可能明显比别人好，他永远追不上你。
所以一定要有独特方法、独特场景，把场景做穿，形成正向飞轮。
所以DQ就是SHARPA的第一个数据飞轮驱动器。机器人工作创造收入，同时把真实交互数据带回训练。
把这些判断串起来，能看到SHARPA的不同之处：它不追求技术泛化的虚名，而是用商业泛化的条件倒逼技术体系。
不做“自动化斩杀线”以下的事，而是选择工种复杂、边界不定、需要触觉灵巧手的场景。
该图片疑似使用了AI生成技术，请谨慎甄别
不想依靠买数据kick start，而是用真实商业场景形成独立数据飞轮。
它不愿意去刷榜、不遥控、不改造，而是选择真实运营证明通用操作能力可以上岗。
眼下快速发展的具身智能浪潮中，李一帆在SHARPA的实践，已经总结出了几个独特的认知思考：
第一，具身智能不会像自动驾驶那样一刀切。
自动驾驶是单一场景，撞车就死人，标准极高，不行就是不行，所以很长一段时间内行业无法大幅推进。
具身不是这样，绝大多数场景不会太危险，它会按场景陆续落地，大大小小的场景会有人陆续做出来。
第二，估值不该只看榜单，而该看商业泛化速度。
第二个场景、第二个门店、第二个品类还要训练多久？如果新增场景的训练成本持续下降，飞轮就真正转起来了。
如果每个新场景都要从头训一遍，那还是项目制，不是产品。
第三，护城河也许不是单点模型，而是场景选择、无改造约束、独立数据飞轮、全栈闭环的组合。
模型可以开源，硬件可以采购，但“在一个必须干成的场景里把数据做穿”这件事，买不来。
第四，具身智能的iPhone时刻，可能不是机器人像人一样走路，而是机器人像员工一样上班。
回到DQ门店，暴风雪冰淇淋目前约6分钟一杯，人类店员约3分钟——但它是在真实营业、无改造、无人遥控的条件下做出来的。
通用操作能力如果可以先在商业场景里自己养活自己，就可以一步步走向家庭。
这条路径一旦跑通，行业的分水岭就不再是“谁的技术更炫”，而是“谁先让机器人开始上班”。
这大概就是李一帆说的“螃蟹，就是冰淇淋”的真正含义。
One more thing
SHARPA机器人手打冰淇淋的门店，现在已经开业，任何人都能去点单。
除了机器人全程自主工作，还有一件有意思的事：
吴江路169号门店同时也有人类员工服务的窗口，他们制作的暴风雪，一杯32元。
而SHARPA机器人手打，一杯31元。
