对星海图创始人高继扬的3小时访谈：鲶鱼、曾国藩、Waymo与Momenta的两面、一只狼与许华哲的离开

概览

本期访谈以星海图创始人高继扬的个人经历为线索，串起了物理竞赛、清华、商汤、Waymo、Momenta和具身智能创业几个关键阶段。高继扬反复强调的方法论是“归纳总结、拆解、测量、务实创新”，而不是单纯依赖天赋或技术浪漫主义。

讨论的核心问题是：具身智能公司到底应该先做“脑”还是“身体”，应该依赖仿真数据还是真实数据，应该追求前沿算法还是完整价值链。高继扬的答案很明确：长期壁垒来自物理世界数据闭环，而整机是数据闭环和商业化商品的载体，因此星海图必须同时做整机、数据、基础模型和后训练工具。

访谈后半段聚焦星海图的战略、融资、组织和许华哲离开。高继扬认为机器人行业链条长、周期长、要面对供应链和线下客户，因此天然不太允许纯粹的技术浪漫主义存在；它更像一种“既有理想主义，又每天算投入产出”的状态。

分段落总结

[00:00] 开场：技术浪漫主义的反面

[事实] 主持人提出疑问：中国具身智能产业似乎缺少梁文峰、杨志玲式的技术浪漫主义人物。 [事实] 主持人将高继扬描述为“极致效率、工程拆解与实用主义”的代表。 [事实] 录制时正值星海图联合创始人许华哲即将离职，主持人认为这“也许是某种信号”。

[01:47] 创业让人提前成熟

[事实] 高继扬出生于1992年，主持人认为他看起来比实际年龄更成熟。 [事实] 高继扬认为创业会让人更早进入成熟状态，因为每天要和不同类型的人打交道。 [事实] 他从小在石家庄成长，小学成绩较好但不是最顶尖，六年级为了初中分班考试第一次明显用功。

[05:00] 物理竞赛与清华：勤奋、归纳和运气

[事实] 高继扬高中在石家庄二中省理科实验班学习物理竞赛，并通过竞赛保送清华电子工程系。 [事实] 他认为自己不是最有天赋的人，主要依靠勤奋、归纳总结和反复刷题。 [事实] 他选择电子系，是因为当时认为芯片和集成电路有前途。

[08:30] 大学时确定创业，但判断移动互联网不是自己的机会

[事实] 高继扬在大学大二或大三时已经确定未来想创业。 [事实] 他观察到2011到2015年移动互联网很火，但认为自己当时太年轻、积累不足，那不是自己的机会。 [推测] 他对“代际机会”的判断，后来影响了他选择AI和具身智能作为自己要投入的长期方向。

[11:30] 申请受挫、曾国藩和现实世界做事

[事实] 高继扬大三暑期在斯坦福相关项目实习，之后申请学校不如预期，这成为一次小打击。 [事实] 他在反思时读历史和传记，特别提到曾国藩从“儒家清流”转向能调动资源、训练军队、做成事情的人。 [事实] 他由此更重视在现实世界中拉动资源、带领团队并拿到结果。

[15:00] 商汤实习与深度学习启蒙

[事实] 高继扬在商汤实习时第一次系统接触深度学习，并训练神经网络。 [事实] 他被神经网络能从数据中自动提炼规律这件事打动，认为这比人工写if-else规则更强。 [事实] 他在商汤做过人体姿态估计相关工作，虽然自认成果不大，但这是他进入AI的起点。

[20:00] 清华同侪和对天赋的认知

[事实] 高继扬提到杨志玲是清华同学，并形容其为“高不可攀的大神”。 [事实] 他在清华进一步见识到真正的天赋，认为自己在电子系成绩大约是百分之三四十。 [推测] 这种对天赋差距的认识，强化了他后来依赖勤奋、系统拆解和工程方法的路径。

[25:00] 博士阶段：用目标倒推论文和毕业节奏

[事实] 高继扬在博士阶段做计算机视觉方向，并给自己设定四年毕业的目标。 [事实] 他将顶会论文归纳为三类：提出新问题和benchmark、提升性能、在相近性能下降低数据或监督成本。 [事实] 他通过多投、合作和时间表管理，最终三年半左右完成博士。

[29:00] 为什么选择自动驾驶：寻找AI作为底层变量的行业

[事实] 高继扬找工作时看过自动驾驶、广告、云和泛AI+等方向。 [事实] 他认为广告和搜索没有AI也成立，云模型API不够本质，而自动驾驶更符合“AI是行业底层变量”的标准。 [事实] 他把自动驾驶看作“物理世界AI”的第一个形态，并由此进入Waymo。

[33:00] 自动驾驶技术范式：Robotics到AI Native

[事实] 高继扬认为2008年到2018年前后的自动驾驶大框架仍是感知、定位、地图、规控等Robotics式模块拆分。 [事实] 他认为AI的方法论更强调数据驱动和端到端，而不是逐个corner case用可解释模块解决。 [事实] 他将Waymo早期方法与Tesla的AI Native路线作对比，认为后者更早以AI方式重构系统。

[40:00] Waymo的两面：工程天堂与Founder缺位

[事实] 高继扬认为Waymo工程能力很强，自己也在那里完成了工程师训练。 [事实] 他同时认为Waymo当时有“大公司病”，组织从一千人快速扩张到接近两千人。 [事实] 他认为Waymo的问题不只是大公司病，而是缺少强有力的founder式自上而下力量。

[44:00] 自动驾驶商业模式和Waymo的未来

[事实] 高继扬把自动驾驶商业模式分为Robotaxi、车企软件订阅、Momenta式NRE加License供应商，以及华为式介于车企和供应商之间的模式。 [事实] 他认为Waymo的Robotaxi商业模式本身没问题，但走通周期很长。 [事实] 他在洛杉矶体验Waymo后认为体验已好于大部分Uber，商业模式接近走通边缘。

[47:00] VectorNet、赵航和工程师思维

[事实] 高继扬在Waymo主要做预测和感知，曾与赵航合作VectorNet。 [事实] VectorNet用向量和图神经网络处理地图，而不是把地图渲染成图片再用卷积网络处理。 [事实] 高继扬将工程师思维概括为拆解和测量：把复杂问题拆成子问题，再通过不同层级指标验证系统。

[54:00] 离开Waymo，选择Momenta

[事实] 高继扬在Waymo觉得成长速率逐渐收敛，希望更接近产品和公司经营。 [事实] 他决定回国做量产自动驾驶，因为认为Robotaxi太慢，量产能更快创造用户价值。 [事实] 他选择Momenta，是因为认为其没有大公司病，曹旭东强势、懂技术、相信AI且长期目标坚定。

[59:00] Momenta文化：结果导向、战功文化和量产飞轮

[事实] 高继扬认为Momenta从2018年开始就明确通过量产自动驾驶建立数据和商业飞轮，再走向Robotaxi。 [事实] 他认为这是很有vision和魄力的判断。 [事实] 他描述Momenta文化为结果导向和战功文化，自己也适应并喜欢这种文化。

[63:00] 从Research Lab到产品公司

[事实] 高继扬认为Momenta从研究文化转向量产交付文化，组织一定会发生变化。 [事实] 他提到第一次量产交付同时包含两个第一次：把demo变成产品，把产品交付给B端大客户。 [事实] 他认为组织调整、主动或被动淘汰，在“打仗”中锻炼了团队。

[65:00] “鲶鱼”角色与跨模块解决问题

[事实] 高继扬认为自己在Momenta算是一条“鲶鱼”，先后做过感知、定位、泊车、infra、规控和NOA量产。 [事实] 他认为自己收获的核心能力，是快速进入陌生领域，用固定方法论理解、拆解、匹配人和事并持续调整。 [事实] 他把这种能力视为为创业做准备。

[69:00] 放弃期权创业的触发点

[事实] 高继扬离开Momenta时放弃了全部期权，并估计当时时点价值可能有1000万美元左右。 [事实] 他表示并不心疼，因为更在意自己想做的事。 [事实] 他认为GPT让社会重新相信AI，自动驾驶产业链让端侧传感器和算力成熟，Tesla宣布做人形机器人也让他觉得创业时机到了。

[80:00] 离开Momenta前后的变化：以客户为中心

[事实] 高继扬在2023年5月提出离职，此前完成了高速高阶NOA量产并交付给上汽。 [事实] 他认为自己在Momenta学到的底层变化是“以客户为中心”。 [事实] 他强调以客户为中心不是客户说什么就做什么，而是站在客户角度挖掘需求并提出更好方案。

[83:00] 星海图早期：天使融资和方向纠偏

[事实] 星海图最早由高继扬、赵航和天威三人一起开始。 [事实] 早期曾想做末端配送机器人，并用这个方向融了两轮，天使投资方包括IDG、百度风投和金沙江。 [事实] 高继扬回看当时BP，认为“不堪入目”，并认为天使投资人接受早期团队的不完美。

[89:00] 补硬件课与合伙人机制

[事实] 星海图早期对硬件和供应链几乎不懂，通过拆别人的产品、淘宝拍照搜图等方式学习。 [事实] 高继扬后来遇到杨泽毅，认为他能框架性讲清机器人整机系统，并邀请其加入。 [事实] 高继扬强调星海图持续引入合伙人，并愿意用股权分享吸纳关键人才。

[95:00] 为什么必须先做整机

[事实] 高继扬认为具身智能长期壁垒建立在物理世界数据闭环上，而整机是数据载体。 [事实] 他认为星海图中短期的商品也不是单独算法或“大脑”，而是整机加智能形成的物理实体。 [事实] 因此即使团队不熟悉硬件，也必须从整机和供应链开始补课。

[101:00] 轮式双臂与开发者市场

[事实] 星海图没有先做人形机器人，而是从操作智能出发，选择轮式加躯干和双臂。 [事实] 高继扬认为双足运动控制和双臂操作同时解决会增加算法难度，而很多真实场景轮式已经足够。 [事实] 星海图将早期市场定义为开发者市场，并希望从开发者走向生产力市场。

[106:00] 整机研发流程和24年战略调整

[事实] 高继扬认为整机和AI相同点都是工程问题，都需要拆解和测量。 [事实] 不同点在于AI更强调人才密度，整机更强调研发流程严密性，包括构型、结构、EVT、DVT、一致性和生产。 [事实] 星海图在2024年二三月左右放弃末端配送思路，转向轮式双臂、操作智能和开发者市场。

[109:00] 智能路线：端到端、真实数据和VLA

[事实] 星海图从Day One确定要坚持端到端和数据驱动，尤其是真实数据。 [事实] 2024年高继扬的重心主要是整机和融资，2025年转向数据、智能、商业化和融资。 [事实] 他提到星海图已有150多个客户，并做过数据集和基础模型开源。

[115:00] 真实数据、仿真数据和成本账

[事实] 高继扬认为AI最好用目标domain里的数据训练，传统图形学仿真的sim-to-real gap仍然较大。 [事实] 他把智能总成本拆为数据获取成本、训练成本和工程师团队成本，并认为低质量数据会浪费训练成本。 [事实] 他估算星海图采集一小时真实数据的真实成本约为200到250元。

[122:00] 数据金字塔和Data Recipe

[事实] 高继扬承认真机遥操作、UMI类human-centric数据、POV数据、第三视角视频和仿真数据都有价值。 [事实] 他认为关键不是预设数据金字塔比例，而是通过实验找出最有效的data recipe。 [事实] 他明确表示星海图以真实数据为主，但具体不同数据类型比例需要试出来。

[126:00] 真实数据如何规模化

[事实] 高继扬认为真实数据规模化需要两个条件：进入真实场景，以及用众包方式把采集设备分发出去。 [事实] 他认为政府支持、公司投入和合理商业模式都可能参与其中。 [事实] 他也关注北美无本体数据采集，如UMI和采集手套、假爪等方向。

[128:00] 生产力场景的筛选标准

[事实] 高继扬用速度、精度、泛化性定义供给侧能力，其中当前重点是人类速度的80%到90%、厘米级操作精度和少样本/零样本泛化。 [事实] 他认为好场景不能要求速度太高，犯错失效成本不能太高，还要有全球化和快速上量潜力。 [事实] 他将劳动动作归纳为Carry、Pick、Pack、Fold、Operate，并看好仓储物流bin picking和制造业场内物流。

[136:00] “大脑”架构：VLM加VLA双系统

[事实] 高继扬认为具身智能有两个关键基础模型：负责动作的VLA，以及负责指令拆解和逻辑思考的VLM。 [事实] 星海图采用双系统架构，由VLM把模糊指令拆成任务，再由VLA执行动作。 [事实] 他不赞成所有能力都端到端放到一个大模型里，因为端侧算力和延迟会限制实际落地。

[142:00] 创业公司相对大厂的优势

[事实] 高继扬认为做好VLA需要真实世界操作数据、算法、算力基础设施、资金和人才。 [事实] 他认为大厂在算力、基础设施和人才上有优势，但缺真实机器人操作数据。 [事实] 他认为有整机能力、硬件能力和基础模型know-how的创业公司，更容易定义并获取高质量数据。

[149:00] 客户价值文化与许华哲离开

[事实] 高继扬不愿把星海图从Momenta继承的东西称为“量产文化”，而称为“用技术为客户创造价值”的文化。 [事实] 他确认许华哲即将离职，并称许华哲是有影响力的科学家。 [事实] 他表示星海图支持许华哲去做2C家庭应用方向创业，并会投资其第一轮融资。

[154:00] 算法创新重要，但不能孤立存在

[事实] 高继扬否认许华哲离开意味着算法创新不重要。 [事实] 他认为具身智能价值链包括整机、供应链、数据、AI infra、算法、模型、分销和客户价值。 [事实] 他认为现阶段算法传播周期相对较短，大约2到3个月，因此要用更务实、更有ROI的方式做创新。

[159:00] 星海图的技术愿景

[事实] 高继扬希望机器人能像员工一样被培训：通过几次示范和自我演练，就能在场景里稳定自主完成任务。 [事实] 星海图的产品组合是基础模型、后训练工具和整机。 [事实] 他希望机器人员工提升生产力，并最终进入真实生产力场景，而不仅是开发者市场。

[161:00] 为什么机器人行业不浪漫

[事实] 高继扬认为机器人行业链条长、周期长，要处理供应链、数据和线下客户。 [事实] 他对比大模型和AI应用创业，认为后者更可能只专注模型研发和社媒传播，因此更容易显得浪漫。 [事实] 他认为机器人行业天然要求务实，不能只停留在技术浪漫主义。

[164:00] 融资、估值和组织挑战

[事实] 高继扬表示最近一轮融资已经close，投资方包括产业背景资金、PE和一二级Crossover，并有六家老股东ProRata。 [事实] 他提到公司估值从2024年1月约3亿增长到约100亿，两年左右增长约30倍。 [事实] 他认为组织问题不是估值上涨本身造成，而是组织变复杂、变庞大后需要持续调整。

[170:00] 向同行学习与“狼”的状态

[事实] 高继扬说星海图向宇树学习整机和供应链，向Physical Intelligence学习前沿智能，向智元学习成熟管理、知识产权和组织动作。 [事实] 被问到星海图像什么动物时，他认为最接近的是“狼”，但也说行业前排公司都很狼性。 [事实] 他用发布节点前连续高强度工作来说明团队的进取心和韧性。

[174:00] 个人兴趣、历史书和现实反馈

[事实] 高继扬喜欢看电影，大学时几乎看完豆瓣高分电影；音乐主要听周杰伦、五月天等流行音乐。 [事实] 他推荐吕思勉讲三国的书，认为三国呈现了现实中的挣扎、取舍、运气和步步为营。 [事实] 他认为创业后期待的最大正反馈还没来，真正的正反馈是出货量，而融资更多带来责任。

[180:00] 人生Bet和结尾判断

[事实] 高继扬把做具身智能称为自己人生的Bet，并把生产力场景做到万台出货量作为当下关键Bet。 [事实] 他认为大众对机器人认知主要来自视频，但视频呈现通常比现实状态更好，现实中的机器人还需要耐心。 [事实] 他总结这个行业会把人塑造成“狼”的状态：既有理想主义，也要每天务实计算收益和付出。

播客点评/总结

[推测] 本期最大的价值在于，它不是单纯讲星海图的融资故事，而是把高继扬的方法论、自动驾驶产业经验和具身智能战略放在同一条线上解释。对关注机器人创业的人来说，最有信息量的是“为什么先做整机”“为什么押真实数据”“为什么算法创新要服从价值链节奏”。

[推测] 访谈的亮点是高继扬对Waymo和Momenta的对照：一个是工程师天堂、工程体系极强但自上而下力量不足；另一个是结果导向、客户压力巨大但成长极快。这组对照也解释了星海图为什么同时强调工程拆解、客户价值和组织战斗力。

[推测] 局限在于，星海图很多关键判断仍来自创始人的战略表达，例如真实数据成本、场景选择、技术领先性和融资后的组织健康，还需要未来出货量和真实生产力场景验证。

[推测] 这期适合自动驾驶、机器人、AI创业、硬件供应链和科技投资从业者收听；如果只想听轻松人物故事，三小时的信息密度和行业术语会偏高。