赵越： 不羡慕，我们上市后也会有很多钱，这没什么好羡慕的。
钱多钱少这件事，本身跟他本身承担的风险和代价也是相匹配的。事实上你知道今天很多时候大家在融债，不是在融资。你可能融了 50 亿，那意味着你可能背了 50 亿的潜在回购。这两件事情其实是对等的。
这个钱只是让你代为保管的。那你现在需要的其实是让它发挥价值。所以最终还是要回到你用这些钱创造了什么价值。如果你创造不出这个价值，可能这个东西就是一笔债。
卫诗婕： 你觉得他们未来会羡慕你吗？
赵越： 会羡慕我？我不去（预测），我不知道诶，我觉得应该也不会吧。我们这个路也比较苦，哈哈哈。各有各的难，各有各的苦吧。
卫诗婕： 我本来也是你的这种看法，但我也听到一个也蛮有道理的声音：行业资源（相对）无限的时候，试错的周期会极速缩短，共识会很强的形成。原本三年做成的事情或许只要半年。
赵越： 对，更多的钱进来，帮助大家快速试错。这不是对一家公司的帮助，是对全行业的帮助。在这样一个人才快速流动的行业，其实一个公司很难有秘密。
两年前，所有人都在讲 VLA。到今年你会发现，哇，全部变成世界模型。最开始大家一定要实物数据，会争论是仿真数据、合成数据还是真实数据。到今年，大家又会趋向于搞无本体采集。你会发现都在快速分化、快速共识，又快速分化、快速共识。对于我们来说，虽然我们没有那么激进的投入，但是事实上我们也能分享里面的红利。
卫诗婕： 这个时候行业里面就会有一些坏小孩，觉得「你们拿吧，多拿点，多试错，给我们提供一些共识」。
赵越： 哎，好吧，我…嗯，好的。
卫诗婕： 快速分裂，又快速形成共识，你觉得这共识是真共识吗？
赵越： 不一定，如果是一个真正有价值的东西，其实是有明确判断标准的，这个标准就在于落地。在某个共识下，我们能发现它有这种价值产生了，那这就是个真共识。
卫诗婕： 你觉得去年的 VLA 和今年的世界模型，这两个共识，现在看到价值了吗？
赵越： 我觉得我看到一些可能性。但是现在还没有。
「我们为什么不立刻训一个通用大脑」：未来，模型约等于数据
卫诗婕： 仙工一直以来是做机器人控制器的，你们会训具身的大脑吗？
赵越： 我们会训，刚刚说的垂类的模型我们会在做，而且也有一定效果了。但我们不会说。
卫诗婕： 假设你现在手里有 10 亿美金，你会立刻去训一个通用大脑吗？
赵越： 可能还是不会。假如真有 10 亿美金的话，我还是选择先把我们控制器的量铺上去。铺量，去拿数据。
我们现在已经在推数据的商业化采集的一些方式了。至少未来 3 到 5 年内，我们最重要的战略目标还是把机器人（控制器）的装机量提上去，在这个过程中，我们也不是要求每台机器人都回收数据，确实在工业场景有的客户是不愿意给你。但是他会被动给数据——比如机器人出问题了，他就一定会把 problem case 给你——这反而是更高质量的好数据。
卫诗婕： 什么是好数据？
赵越：我觉得好的数据有几个标准：
这些数据是在真实场景下获得的。我坚定相信真机数据一定会有 scaling law，只是那个范式还没有被找到而已。
好的数据一定是多样性的，要在多场景下能采集。
好的数据，格式是统一和对齐的。现在大家去买一堆数据，但实际上你要花大量成本去把这些数据变成自己的模型能吃进去的数据。
好的数据是能可持续、低成本地产生的。如果这个数据很贵。它天然就没有商业化基础。像 OpenAI 一年花几亿美金甚至 10 亿美金买数据，大量公司其实是买不起的。
满足这些条件的好数据，再等到一个好的范式出现后，才可能获得最终那个全知全能的通用模型。
卫诗婕： 这样的好数据，你们拥有吗？
赵越： 这是我们现在最大的一个优势。回到这三个定义：第一是多样性，仙工的控制器目前大概支持 2000 多种机型，而且我们支持适配 400 多种传感器， 400 多种传感器，意味着什么？意味着其实我在各种机器人场景下，我都有数据。
卫诗婕： 控制器它所能拿到的数据是什么样的数据？
赵越： 环境的，比如激光雷达的数据、相机的数据，包括机器人执行轨迹的数据，而且我们的机型的丰富度够，你可以理解成至少 B 端场景下，各种机型我能拿到数据，我的多样性大概是 2000 多种 SKU。
第二，因为本身所有的传感器都是接到我控制器上的，而且我们控制器会有整套的外参标定的工具。客户造好这个机器人后，在我们的软件上还可以做自动化标注。所以你不管是 A 家的激光雷达， B 家的相机， C 家伺服驱动，到我的控制器最终采下的数据都是我的格式。所以，它是天然对齐的。
第三，因为我有场景化落地，所以这个数据几乎是免费的而且质量很高，为什么？因为往往当这个机器人出异常的时候，客户就会把数据主动给你，这有点像自动驾驶的监管数据。
满足这三个条件，你看我在大量铺场景，大量铺机型，我在大量地采数据，但是这个东西我没有很急地说，一定现在要拿它去做什么，但是这件事情的本身的存在，是我们信心的一个来源。
卫诗婕： 没有急着先要去做什么，指的是什么？
赵越： 没有急着把所有数据放一起去训一个通用模型，但是我们会训很多垂类的小模型——比如我先把数据做隔离，在叉车的场景下，我能不能训出一个叉车师傅的模型？在清洁场景下，我训出一个清洁大妈的模型。
