45 亿融资、一只手和一家冰淇淋店

上海吴江路的一家 DQ 门店里，站着一个白色的机器人，它很高，身体覆盖着大面积白色外壳，两条很长的机械臂垂在身体两侧，末端是一双几乎和人手一样大小的五指灵巧手，为了做冰淇淋，两只手外面还套了一层透明的食品级手套。

它的面前还是 DQ 店员原来使用的操作区，纸杯、金属杯圈、冰淇淋机和配料都按照门店原来的方式放在操作台和收纳架上。它要伸开两条长手臂，在这些设备之间取杯、安装杯圈、接冰淇淋、加配料、搅拌，最后完成交付。

我们在现场看完了一次冰淇淋的完整的制作流程，机器人的动作很流畅，没有人在旁边遥控，也没有工程师中途接手。从取杯到最后交付，机器人用了六分多钟，如果是人类店员完成同样的工作，大约需要三分多钟。

这个白色机器人叫 North，来自一家叫 Sharpa 的公司。吴江路这家店，是 Sharpa 和 DQ 首次把 North 放进一家真实营业的餐饮门店。

现在的 North 只会做一种冰淇淋：奥利奥暴风雪。如果不是 DQ 的消费者，“暴风雪”这个名字未必熟悉。DQ 的全名是 Dairy Queen，一家以冰淇淋起家的连锁餐饮品牌，暴风雪是它最有代表性的产品之一。软冰淇淋加入奥利奥、巧克力等配料充分搅拌，成品足够浓稠，制作完成后店员会把整杯倒过来展示，冰淇淋不会掉下来，“倒杯不洒”因此成了这个产品最有辨识度的动作。

North 在现场成功完成了这个招牌动作，引起一阵欢呼。

我们到店采访是在正式开业的前一天，当时查看预约小程序的时候，第二天开放给消费者的预约名额就已经满了。门店正式开业后，很快，未来两周的线上预约也已订满。

目前门店 24 小时营业，North 现阶段每天运行大约 12 个小时。如果按照六分多钟一杯计算，即使中间完全不停，North 一天的理论产能也只有百杯左右，实际运行还要考虑换电、换机和异常处理。这个产量对于一家门店来说当然是不够的，所以人工柜台依然可以点单，无需线上预约。

Sharpa 成立于 2024 年底，由李一帆、向少卿和孙恺共同创办，三个人也是禾赛科技的三位联合创始人。Sharpa 独立运营，三位联合创始人主要负责战略指导、规划和大方向，没有担任具体的日常管理职务。禾赛又通过激光雷达、机器人执行器等零部件成为 Sharpa 的供应商之一。

就在 DQ 开业前夕，Sharpa 第一次对外披露累计融资已经超过 45 亿元。投资方里有阿里巴巴、美团、腾讯、京东、传音，也有红杉中国、启明创投、美团龙珠和光合创投。

看完 North 的工作，我们上楼和 Sharpa 团队交流。十几分钟后，李一帆走进房间。他是 Sharpa 联合创始人，同时仍然担任禾赛科技 CEO。

李一帆开场先纠正了一个外界很容易形成的印象：

“只有你们觉得 Sharpa 是灵巧手公司，我没这么觉得。”

在他的定义里，Sharpa 从成立时想做的就是“终端产品和 AI”，最终要进入家庭。它想做的也不是一台主要负责聊天和陪伴的机器人，而是真的替人洗衣服、收拾桌子、取快递，甚至刷厕所。

“唱歌跳舞不解决这些问题。”

然而 Sharpa 最早被行业记住的产品不是 North，也不是一台家庭机器人，正是一只手。

而且是一只很贵的手。

一、为什么先做一只很贵的手

2025 年，Sharpa 推出 Wave。它接近人手尺寸，五根手指拥有 22 个主动自由度，指尖加入高分辨率触觉。后来人们陆续看过它发扑克牌、折纸、用拍立得拍照、打乒乓球，Wave 也进入 NVIDIA、Google DeepMind 等机构的机器人研究和公开展示。

Wave 在行业里一直有“单只约 5 万美元”的说法。Sharpa 没有公布统一零售价，只表示采用定制报价。

然而这个价格放在今天的国产灵巧手里已经算很高了。过去一年，随着人形机器人开始从样机走向小批量交付，一批灵巧手公司正在增加自由度和触觉，同时把价格从几万元、十几万元往万元甚至几千元压。对一家准备批量造机器人的本体公司来说，两只手最终都要进入整机成本的考虑重点。

而 Sharpa 没有把价格当成第一优先级，它给 Wave 的产品优先级是性能、可靠性、成本。官方公布的参数包括 22 个主动自由度、1.3 千克重量、最高每秒 180 帧的触觉数据；可靠性测试里还有 250 万次按压、超过 4000 米摩擦行程、3200 次 30g 机械冲击和 1000 小时以上温度循环。

性能自然很重要，而灵巧手的可靠性更是行业痛点。我们和多家机器人公司交流时，都听到过灵巧手寿命的抱怨。高强度研发和数据采集下，一只手使用几天或者一周开始出现故障，并不罕见。接近人手大小的空间里塞进越来越多的电机、传动、传感器和线缆以后，磨损、散热、碰撞和线缆寿命都会进入长期运行。

关于 Wave，我们听到的反馈相对好一些。有从业者告诉我们，他们手里的 Wave 可以连续使用两三周；也有人认为实际没有这么久。不同团队的负载、动作频率和测试方式差别很大，很难把这些反馈换算成一个统一寿命数字，但在我们接触的用户里，Wave 相对耐用，是比较一致的评价。

一位机器人公司创始人告诉我们，他们选灵巧手时很重要的一项标准，是“售后能不能跟得上”。一只手坏掉，停下来的可能是一整台机器人，以及后面的数据采集、模型训练和测试。如果返厂维修期间没有另一只手马上换上，整个研发节奏都会受到影响。真正进入采购环节以后，自由度、触觉和负载之外，交期、备用件和返修速度也会一起进入采购决策。

Wave 的性能和可靠性获得了不少认可，价格和供货却限制了它作为标准零部件大规模进入本体公司。即使客户愿意接受价格，下单以后也未必马上能够拿到货。

但 Sharpa 本来也没有把成为一家灵巧手 Tier 1 当作最终生意。

李一帆最近接受《晚点》采访时说，物理人工智能时代“没有纯做 OpenAI 的机会，只有做苹果的机会”。在他的判断里，机器人不是只把模型做好就够了，硬件本体、数据、模型和最终产品需要放在一起。

第一代 Wave 因此没有同时承担两件互相牵制的事情：把操作性能推到很高，又马上做到大规模本体公司能够接受的成本。Sharpa 先选了前者，与这种产品更匹配的早期用户，也更多是预算充足、追求操作上限的科技公司和机器人实验室。

在今天的具身行业里，出货量还不是唯一的行业坐标。量产能够验证制造和供应链，但技术路线尚未收敛，一件硬件进入哪些实验室、被用来验证哪些新的数据和模型方法，同样会影响它在行业里的位置。

Wave 很快获得的是后一种影响力。

NVIDIA、加州大学伯克利分校、马里兰大学参与的 EgoScale 使用 20,854 小时第一视角人类视频训练 22 自由度 Wave，研究人类视频能不能为高自由度灵巧操作提供规模化数据；Berkeley 的另一项工作则尝试把普通第三视角人类视频重新映射成机器人可以执行的数据。

这些研究未必直接带来很大的硬件销量，却让 Wave 逐渐成为这一轮灵巧操作研究里辨识度很高的一套硬件平台。人们还没有看清 Sharpa 最终想造出一台什么样的机器人，它的手已经先有了名字。

如果机器人最终要替人洗衣、做饭和清洁，它首先得会使用一个已经为人手设计好的世界。柜门、厨房工具、家电按钮都是现成的。传统自动化可以围绕机器增加治具、固定物料；通用机器人如果每换一个地方都要先改环境，能够迁移的范围很快就会受到限制。

DQ 把这个要求放到了现实里。作为一家成熟的连锁餐饮品牌，DQ 的冰淇淋机、纸杯、配料、食品安全和制作流程都已经嵌进一套标准化经营体系。对机器人公司来说，换一种更容易抓的杯子、把勺子固定起来、换一台机器，都可以降低技术难度；对 DQ 来说，这些东西却不是现场工程师想改就能改。

李一帆举过一个很小的例子：想把奥利奥换成另一种配料都没有那么容易，更不用说换掉一台厨房设备。

“他不改，就得我改。”

North 使用的因此还是 DQ 原来的纸杯、金属杯圈、勺子、配料和冰淇淋设备。门店为了展示、运营和机器人进驻做过空间、外立面和基础设施适配，但 DQ 没有为机器人重新造一套厨房。

一只接近人手尺寸、高自由度、带触觉的手，在这里有了比发牌和打乒乓球更具体的用途：让机器人继续使用为人准备的工具。

手做到这里，North 面对的已经不只是抓得稳不稳。

它可以拿起勺子，可以感觉纸杯正在滑，但它还需要知道为什么此刻要拿勺子，这杯奥利奥已经加到了第二勺还是第三勺，以及接下来应该去哪里。

二、把 55 个步骤接起来

在 DQ，一杯奥利奥暴风雪就足以把整台机器人的问题同时调动起来。

North 首先要知道整条制作流程进行到了哪里。一杯暴风雪需要连续加入三勺奥利奥，每一次舀完以后，眼前的画面可能差别不大，但系统必须记住刚刚完成了第几次；两只手要在杯架、配料和冰淇淋设备之间移动，又不能撞到设备和彼此；真正握住纸杯以后，杯子有没有变形、是不是开始滑动、搅拌时阻力有没有变化，又需要更快的反馈。

Sharpa 没有让一个模型用同样的频率处理所有事情。它现在把整套系统分成三层：较慢的一层负责理解和任务规划，中间一层负责运动，最底层以更高频率处理触觉、力和接触后的动作修正。其中负责运动和高频接触控制的两层，被 Sharpa 称为 CraftNet。

李一帆拿人开车做过类比。人在路上看到前方要转弯，决定去哪里，是一个相对慢的过程；方向盘已经打到一半，车辆受到路面变化，手和身体会在更快的时间尺度上连续调整。机器人也是如此。上层可以告诉它“拿起杯子”，但杯子正在滑的时候，手指不能等上层模型重新思考一遍，才决定是不是应该增加握力。

这种分层并不是 Sharpa 独有的做法。Figure 今年发布的 Helix 02 也采用了相似的三级结构：System 2 负责场景理解、语言和任务目标，System 1 以 200Hz 输出全身动作，最底层的 System 0 再以 1kHz 处理执行控制。NVIDIA 的 GR00T 也把高层 VLA 和更快的全身运动控制分开。

机器人可以花相对长一点的时间理解“下一步做什么”，真正碰到物体以后却等不了这么久。Figure 的 Helix 最早就把较慢的语义推理和 200Hz 的视觉运动策略拆开；到了 Helix 02，又在下面增加了 1kHz 的执行层。

Sharpa 在这套分层里尤其强调接触以后发生的事情。视觉和任务规划可以告诉 North 去拿纸杯，真正握住以后，触觉和力反馈还要继续决定手指怎么调整。

在 DQ，一个很不起眼的变量就会进入这一层：冰淇淋的温度。

李一帆说，不同冰淇淋机的实际温度不完全一样。冰淇淋软一点，搅拌时的阻力就会变化；阻力变了，机器人握杯子的位置和力量也跟着改变。

“你在仿真中去仿做冰淇淋这件事，能够仿出由于冰淇淋不够冷，导致于手感不一样，是不可能的。”

为了把这套流程跑起来，Sharpa 在办公室里搭了一整套 DQ 操作环境。冰淇淋机、纸杯、杯圈、配料和工作台都尽量按照真实门店准备，李一帆把它叫作一家“不收钱的冰淇淋店”。团队在那里反复测试，也吃掉了不少产品。

真正搬到吴江路以后，办公室里没有的变量还是出现了。

门店靠着大面积玻璃，外面又一直有人经过，机器人的摄像头里会出现不断变化的自然光和街景；食品安全要求双手外面再套上一层食品级手套；设备状态、原料状态每天也不会完全相同。

工作人员告诉我们，过去测试时，North 抽纸杯偶尔会一次带出两个。它能发现结果不对，把多出的杯子放回去，再重新取一个；面对一筐红色小勺，第一次没有抓稳，也会重新调整。我们现场看的这次完整制作没有出现这些情况。

更大的异常还需要人。杯子真的掉到地上，它现在不会自己捡；奥利奥撒在台面上，也不会顺手把桌子擦干净。

如何定义工作流的边界，在商业场景里很重要。

李一帆把他们想做的事情叫作“把一个场景里的完整工作流做穿”。他举过一个算法：一份工作有 55 步，机器人可以长期完成其中 54 步，最后一步仍然需要一个人等在那里处理。按照动作数量计算，自动化率已经超过 98%；按照人的工作时间计算，这个人却还没有真正离开。

叠毛巾也是他在采访中提到的例子。机器人把毛巾叠得再好，现实里也很少存在一个全天只负责叠毛巾的岗位；全自动咖啡机已经把咖啡做好以后，机器人只负责把杯子递给顾客，也不是一个咖啡师的全部工作。

机器人研究习惯把能力拆成抓取、开门、叠衣服、插线、工具使用等一个个技能；企业真正购买自动化时，计算的却是一份工作最后还需要多少人。

过去几十年，简单、重复、环境稳定的部分已经被传统自动化拿走了很多。李一帆拿停车场保安举例：一个保安可能 99% 的时间只是在看车、抬杆，真正需要人的却是剩下那 1%——设备坏了、有人闹事、现场出现异常。如果机器人只接走前面的重复动作，最后还是要留一个人处理那 1%，这个岗位并没有真正消失。

做过汽车供应链以后，李一帆对“99%”还有另一种算法。一套系统 99% 的时候运行正常，剩下 1% 如果造成停线、清洁、产品报废或者大量人工善后，最后的投入产出完全可能变成负数。

“那 1% 搞砸以后，它创造的一坨 mess（烂摊子），你要清理它的成本，可能比那 99% 创造的价值更难受。”

North 现在完成的是奥利奥暴风雪这一段制作工作流。

补杯子、补配料、清洁台面、处理掉落物、换电、换食品级手套和更大的异常仍然需要人。机器人每三四个小时左右要轮换一次，为了减少维护占用的时间，门店准备了一台工作、两台备用；店里虽然 24 小时营业，North 现阶段每天运行约 12 个小时，现场研发人员也还没有撤掉。

速度也还没有追上人。North 做一杯六分多钟，熟练店员大约三分多钟。李一帆没有避讳这件事，形容它是 DQ “历史上没见过这么慢的店员”。

现阶段双方先要求机器人把制作流程完整、稳定地走完，再继续压缩时间。李一帆说，如果现在为了追求速度让失败率上升，结果可能是“每天地上都是冰淇淋”。

North 这一代硬件最初面向机器人公司、开发者和实验室，并不是按照餐饮大规模部署的成本设计。现在的工作，仍然是先把这条流程跑得更稳定、更快，再逐渐增加机器人能够承担的内容。

对外，Sharpa 要把这些步骤重新组成一份真正能够交付的工作；对内，它又在把整条流程继续往下拆解。

李一帆列过一些他们希望留下来的原子技能：拉开温箱、把托盘抽出来、拿出东西再合上；操作搅拌设备；拿住大勺连续加料；从一筐小勺里找到合适的一把并稳定拿起来。

对客户来说，交付的单位是一份完整工作；对 Sharpa 来说，这 55 步还要变成一批可以继续使用的机器人能力。

三、从一条工作流开始

过去一年，机器人公司的展示已经明显从单个动作往完整工作流移动。WAIC 上，蚂蚁灵波把接单、找药、取药和交付串成了一套药房流程；到了 WRC，咖啡、零售、物流和工业里的连续任务又更多了。把抓取、移动、工具使用这些原本分开的能力重新放回一份完整工作，正在成为越来越常见的产品验证方式。

Sharpa 的 DQ 项目发生在一家每天继续营业的连锁门店里。展会里的演示结束以后可以停机，门店第二天还要照常开门。奥利奥暴风雪跑通以后，Sharpa 面前有两个方向：把现在这套能力复制到更多 DQ，或者先让 North 在同一套餐饮体系里承担更多工作。

从现在的产品状态看，大规模复制门店还比较早。North 这一代硬件原本按照高性能开发者和实验室产品设计，一家店需要三台机器人轮换，工程师也还在现场。李一帆说，现在还没到按照餐饮投资回报大规模铺开的阶段。

我们注意到 DQ 小程序里的一个小细节：宣传图上的 North，一只手拿着暴风雪，另一只手拿着汉堡。DQ 本身就经营汉堡等热食，李一帆在采访里也提到后面会继续扩 SKU 和餐饮品类。这张图很像提前放进去的一个彩蛋，我们猜测汉堡大概率会成为 North 接下来的任务之一。

如果下一项真的是汉堡，前面做冰淇淋时拆出来的能力就会被重新调用。制作顺序、原料和工具都会变化，但开柜、取物、双手协同、工具使用和接触控制不需要全部重来。从冰淇淋做到汉堡，和从一家 DQ 复制到十家 DQ，是两种不同的增长：一个增加机器人能够承担的工作，一个增加已经做成的能力被部署的数量。

李一帆谈“泛化”时，关心的也是第二份工作还能留下多少旧东西。同一套模型到了新的场景，开发时间能不能缩短；原料、温度和环境变化以后，原来的能力还能不能继续使用。Sharpa 给 DQ 准备的材料里，也把新增一个 SKU 需要多少数据、新门店需要多少工程调整、跨场景可以复用多少技能列成了后续指标。

但 Sharpa 最终想去的是家庭，而家庭机器人不是把这样的工作流不断往菜单上增加就能得到的产品。

连锁餐厅已经把设备、原料和员工工作定义好了。机器人在 DQ 可以提前知道纸杯在哪里、冰淇淋机在哪里，一杯产品从哪一步开始、到哪一步结束。家庭没有统一设备和统一流程，房间布局、使用的家电、东西摆放的位置，甚至每个人对“收拾干净”的理解都不一样。

家用机器人还有一个很现实的冷启动。能力不够，消费者没有理由长期使用；没有足够多的机器人真正进入家庭，又很难得到真实家庭里不断变化的数据。

第一代家用机器人公司正在从不同位置开始解这道题。

1X 选择尽早进入家庭。NEO 在复杂任务上仍然可以由远程专家协助，先让机器人接触真实家庭和最终用户。Physical Intelligence、Skild 更集中地从通用模型和不同来源的数据开始，希望机器人不需要在每一项新任务上重新学习。

Sharpa 选择先让机器人在家庭之外工作起来。餐饮的流程比家庭固定，但物料、设备、人和环境又不会像实验室一样完全受控。机器人可以先在这里运行，碰到真实世界里的变化，再继续增加能够承担的工作。

这条路线还有一个很现实的问题：今天的 Wave 太贵了。

按照行业长期流传的约 5 万美元单只价格，一双 Wave 已经达到 10 万美元量级。作为对比，1X 面向家庭推出的 NEO Early Access 整机售价是 2 万美元。两种产品定位和价格口径不能直接比较，但数量级已经足够说明，第一代 Wave 并不是按照家庭消费产品的成本结构设计的。

1X 同样没有放弃复杂的手。NEO 的手也有很高的主动自由度，采用绳驱、触觉和面向家庭使用的防水设计。不同的是，1X 从一开始就把这双手放进一台 2 万美元的家庭机器人里，整机售价反过来约束手、执行器、制造和维修应该怎么做。

宇树走的又是另一条路。它很早就在四足和人形机器人上围绕整机成本做结构设计，通过自研电机、减速器、驱动器和高度集成，在远没有达到汽车出货规模的时候，已经把机器人价格压了下来。产品最初采用什么结构、使用多少零部件、哪些东西自己做，本身就能决定很大一部分成本。

Sharpa 的做法和别人都不同。第一代 Wave 先接受高成本，把性能和可靠性放在前面，再处理后面的降本。

李一帆对这件事并不特别担心。他在采访里谈到成本时，直接提到了过去做汽车供应链的经历。他认为持续降本是汽车供应链很擅长的事情，也是禾赛已经经历过一次的过程。

公开数据能看到这段变化。禾赛激光雷达的平均售价从 2019 年约 1.74 万美元一路降到 2025 年约 260 美元；2025 年确认收入的激光雷达达到约 162 万台。需要注意的是，这组平均售价的变化也包含产品结构向更低价的 ADAS 激光雷达转移，并不意味着同一款产品六年直接从 1.74 万美元降到了 260 美元。

但禾赛过去几年的降本也不只是换成更便宜的产品。芯片化、产品架构变化、自建制造、自动化生产和出货规模同时发生。到 2025 年，禾赛在激光雷达平均售价继续下降的情况下，全年综合毛利率仍然达到 41.8%，年出货量则从 2024 年约 50 万台增加到 162 万台。

三位创始人因此已经经历过一次高性能硬件从昂贵、小规模走向重新设计和大规模制造的过程。这也是 Sharpa 今天敢把 Wave 的产品顺序排成性能、可靠性、成本的一个背景。

不过，禾赛当年的成本曲线还有一个重要条件：汽车市场给了它足够大的量。

Sharpa 的量从哪里来，现在已经能看到几股来源。Wave 本身可以卖给科技公司、实验室和其他外部客户，North 会消耗自己的硬件，禾赛也已经开始向 Sharpa 提供机器人执行器和制造服务。

今年 7 月，禾赛把 2026 年与 Sharpa 之间相关交易的年度上限从 1 亿元提高到 3 亿元。禾赛在公告里给出的原因是，Sharpa 灵巧手的商业化进展快于此前预期，已经获得来自全球领先科技企业的商业合同。按照禾赛当时的预计，2026 年下半年向 Sharpa 提供的机器人执行器及相关制造服务规模，将比 3 月底至 6 月底的实际规模增加约 9 倍。

这意味着 Sharpa 的硬件制造不必等到 North 自己大规模铺开以后才开始获得规模。外部客户、自己的整机和上游执行器制造可以同时往前走。至于未来家庭产品需要多大的量、灵巧手最终会采用什么样的结构，则可能和今天的 Wave 已经不是完全相同的一代产品。

如果把这些公司放在一起，第一代家用机器人的分岔已经很明显了。1X 直接进入家庭，Physical Intelligence 和 Skild 从模型开始，Figure 先把完整机器人放进工厂；国内，自变量从具身基础模型切入，银河通用把整机、模型和商业场景一起推进。Sharpa 则从操作能力和商业工作流往前走。

李一帆最近接受《晚点 LatePost》采访时给过一个很明确的判断：汽车全球可以容纳一百多个玩家，手机还有几十个，但通用机器人最终“不会超过 5 个玩家”。

如果按照他的判断，Sharpa 给自己选择的竞争对手早已经不是其他灵巧手公司。今天这批公司已经被资本推到了非常高的估值：Figure 2025 年完成超过 10 亿美元融资后估值达到 390 亿美元；Skild AI 最新一轮融资 14 亿美元，估值超过 140 亿美元；Physical Intelligence 最新一轮融资 10 亿美元，估值约 110 亿美元。国内，自变量、星海图等头部具身公司也已经进入 200 亿元人民币以上的估值区间。

Sharpa 刚刚披露的是累计融资超过 45 亿元人民币，没有公布估值。除此之外，这张名单里还有特斯拉、小鹏这样可以依靠汽车业务长期投入机器人的公司。

五家最后是谁，现在没人知道。

更有意思的是，今天这些可能进入最后竞争的公司，第一步几乎没有走在同一条路上。1X 已经把机器人送进家庭，Figure 先去了工厂，Physical Intelligence 和 Skild 从模型开始，Sharpa 最早出名的则是一只很贵的手，现在又把它放进 DQ 做冰淇淋。

它们想去的地方却越来越接近。

几年以后再回头看，今天这些完全不同的第一步，可能才会告诉我们，家用机器人究竟应该从哪里开始。