做生意，迟早都有关门的一天；做企业, 也许还能活下来。

在黑暗森林下沉的 1000 天里，他们从被动集成到主动铺陈渠道，从广撒网到砍掉 98％不靠谱业务，从热门场景下沉到传统劳动密集型场景……

采访、撰文 | 微胖

编辑 | 四月

带领机器人创业公司库柏特的第三个年头，李淼不得不接受一场耽搁已久的手术，时值武汉盛夏最为酷热之时。

上半年的工业机器人赛道里好消息不断。几乎每个月都有创业公司的融资消息，身后不乏一些重量级投资人。

不过，外边的热闹似乎并未影响到李淼。摸爬滚打三年之后，最初的无畏早已让位给敬畏。他知道，即便不去理会这些融资背后沉甸甸的泪，该这些公司趟的坑一个都不会少，大家会逐渐明白这个赛道的钱有多难赚。

「有时，就像置身《三体》中的黑暗森林」，李淼说。

每个人都是带枪的猎人，像幽灵般潜行于林间，轻轻拨开树枝探索外界，同时竭力不发出脚步声隐藏行踪，因为，林中到处都有与自己一样潜行的猎人。

「也许什么都对了，最后，你还是挂了。」

1 一面看不见的墙

术后，被迫放了两个月的「长假」的李淼开始复盘刚过去的大半年，预感中有些不对劲。

技术类初创公司最需要的是迅速接触大量场景，打磨技术同时培养技术落地为产品的能力。除非你一出生就是含着金钥匙——一开始就能接触行业头部客户，设备商和自带场景放大器的集成商，自然会成为首选合作对象，否则就是苦孩子的命。

过去一年，库柏特广泛涉猎的领域包括 3C 电子、汽车零部件、食品、物流、医疗、教学科研等。其中，99% 的时间都用在了传说中的「脏活」（dirty work）和极端案例中。

比如香菇分选，在这样极其传统甚至不易察觉的食品加工行业里，过去很长一段时间里都是人工分选，什么数据都没有。李淼只好派人到现场一张张地拍，因为没有经验，没有根据不同工况在拍摄照片时打光，100G 照片直接报废。

香菇分类，需分辨香菇类内的显著变化与类间的细微差异，通过深度学习细粒度识别，识别成功率 90-95%。

重新回到现场打光拍照后，数据质量有了明显提升，模型识别率可以做到 85%，但接下来又变得止步不前。他们这才发现，原来很多数据都标记错了。

非专业人士标记水平比不上香菇分选工人，流水线工人水平比不上车间主任，标注水平最高的其实是厂长。

当他们请来厂长来帮忙标记香菇图片后，算法识别率立刻跃升到一个新高。李淼曾自嘲，「不知道这个算不算行业 Know how。」

香菇分选系统作业实拍

标注数据等脏活儿只是一方面，「广撒网」式地接触大量场景的过程中，那些原以为可能碰不到的极端案例也变得常见起来。

他们曾在现场 2 万多个箱子中「偶遇」一种会透气的箱子，机械抓夹根本吸不起来。只要遇到一次类似情况，团队可能就要花上一、两年时间反复测试，最后还不一定搞得定。

一开始，我们觉得核心壁垒是一套算法，李淼说，后来发现，「数据质量非常关键，真正赚钱的东西是那些别人没见过，但你见过还能做出来的东西。」

经验固然宝贵，然而吊诡的是，随着时间的推进，「广撒网」的套路开始让人焦躁，李淼时常处一种低落状态。

对于创业公司来说，付出极大成本攻克别人没有解决的技术难题固然可喜，他们更希望这些付出和经验是针对足够大的市场需求，可以实现快速复制与规模化。

但事实上，「你费半天劲解决某个复杂技术难题后，可能只卖出去一套。一开始，对方说要一百套。」李淼回忆道。

在与某些集成商和设备商合作过程中，似乎总有一面无形的墙横亘在库伯特与终端客户之间。作为合同丙方，他们很难确切知道这个项目是只能做一单生意，还是在满足实实在在的刚需，可以迅速产品化和规模化。

集成商和设备商犹如一座无形的墙，横亘做操作系统公司与终端客户之间。

对终端客户的把握和对市场真实需求的分析，是非常重要的一个能力。

正如一位机器人本体公司的科研人员向机器之心说道，「一个更加合乎逻辑的做法应该是，先确定真实的市场需求，再根据公司研发实力和投入成本决定是否跟进。」

拿下客户并不是件容易事，拿下大客户更难。

一旦遇到某些集成商凭借在项目中的强势地位，要求签订背靠背合同，对于库柏特这类有着大批士、高成本运行的技术型团队来说，无疑是更大的困扰。因为，在终端客户没有回款给集成商之前，创业公司也拿不到自己那笔钱。

累得要死还拿不到钱，这难道是商业的本质吗？

对于一个想要做大的创业公司来说，当下这种运作模式显然不是长远之计。

2 砍掉98%的业务

几百页的操作系统说明书已经在李淼的硬盘里成型，这背后是 50 人规模的系统支持团队，对于一家在 130 人的中型创业公司（就武汉而言）而言已占到三分之一。三年下来，研发成本已经过亿。

三年前，李淼回国创业做机器人操作系统时就想得很清楚——单纯做本体改变不了这个行业。

尽管工业领域因其扩张成本等问题，不可能出现类似信息行业全球容不下三个以上竞争者的成熟格局，但是，机器人本体四大巨头的局面已经稳定几十年，也是一个经过充分竞争后的成熟阶段，没有留给本体创业者机会。

新华社一组最新数据显示，2018 年中国工业机器人市场累计销售工业机器人 15.6 万台，自主品牌机器人销售 4.36 万台。

这些数字与 2017 年基本持平。2017 年中国购买的机器人大约在 14 万台左右，其中，国外机器人约占 70%。算下来，国产机器人卖出约有 4 万台左右。

然而，刨去三轴、四轴和直角坐标产品这些并非严格意义上 IFR 认定的工业机器人（因为价格更低，技术含量也更低），真正多关节工业机器人的销量会低很多。

所谓规模化，通常是指 1 万台出货量。算下来，哪家本体公司一年能够卖到一万台？谁不是在亏钱？或者靠政府补助？

所以，「你只能从另一个纬度去撬动行业，这个维度恰好又符合整个社会和世界发展趋势」李淼说。这个发展趋势肯定是往着更智能的软件方向去的。

不过，问题在于，虽类似库柏特这样的软件创业公司初衷是让集成商更方便地做开发，让设备商的设备更智能，更好服务终端客户，但是，落地过程中如何摆正自己在四角关系（公司、集成商、设备商和终端客户）中的位置，其难度之高，始料未及。

有一天，李淼将电脑上有几十个 G 的内容全部移到硬盘，电脑空了，世界突然变简单了。答案也逐渐浮出水面：

过去选择的路径错了。没有渠道，怎么做规模？在工业领域，做一个很牛逼的产品，别人都来买，这种情况根本不存在。

比如，海康威视之所以成为不少创业公司敬畏的对象，一个很重要的原因就是自带很强的渠道，能将做出来的东西卖出去。

营销体系的构建非常重要，一位工业智能创业公司的负责人告诉机器之心。2C 公司 CEO 需要是一位好的产品经理，在 2B 公司，好的 CEO 一定也是一个好的销售或者说销售型领导，这是被同行所验证过的。

李淼终于想明白，与渠道合作，直接与终端客户签订合同才能化被动为主动。真正的平台价值是，永远地处在中间这一层面。

更加合理的位置，永远地处在中间这一层面。

既然决定铺渠道和规模化，资源有限，公司必须收缩阵线，聚焦一两个最有「钱景」的点。

于是，库柏特裁掉了 98%「不靠谱」的业务，重心浓缩为「一个平台（操作系统），两个领域（智能检测和柔性抓取）。」

这两个领域，类似于用来说服别人接入操作系统的杀手级应用，「用来证明系统框架的稳定性。我们交付了台这几百台这样的设备，这些设备都能够很好地运行，还能赚钱，」李淼说。

一些因为各种因素短时间无法规模化的 98％「不靠谱」业务，被归入第三个领域（智能机器人系统）。这个领域更像一个孵化器，留待时日，伺机而动。

3 下沉的边界

回答到底哪里才是真正的主战场，该往哪里走？是一个非常艰辛的探索过程。

主战场的选择，首先与公司的商业化模式有着密切关系。赚钱基本只有两条路，要么寻求差异化和高溢价，要么就是追求低成本和规模化。

比如，iOS vs 安卓。

在机器人领域，Franka是比较典型的苹果全栈打法。这是一家位于德国慕尼黑的机械臂公司，可控的成本和优秀的力矩调节性能让其脱颖而出。做自己的机器人本体，核心是机器人力控技术。

全栈非常烧钱，这也意味着业务通常要从高端做起。比如，成本一百万，卖到二百万。但是，一般的工业场景支撑不了这么高的毛利，除非去做医疗手术机器人。

更多创业公司仅从软件切入，比如库柏特，想做工业机器人安卓。安卓关注的是生态，跟很多设备商合作，追求规模化（尽管这个也很难做到），而不是高溢价（操作系统卖不上价钱）。

目前，工业场景大致可以分为两类。

一种是自动化程度高、数据质量好、比较高端的制造业，比如汽车、3C、半导体等。

另一种是传统制造业，比如劳动密集型的制鞋制衣、食品加工等。

选择哪一类工业场景作为主战场，仁者见仁智者见智。

当多数前往第一类制造业寻求主战场时，库柏特最赚钱的业务却下沉到了看起来并那么不高大上的传统劳动密集型企业。

是否刚需、决策链条长短、技术复制性、行业供需等等因素，成为他们下沉的边界。

生老病死，永远是刚需。只要人活着，就离不开食品和生病。香菇分选和智慧药房，正是库柏特最赚钱的业务。

一开始做香菇分选，可以说是误打误撞。但是，在落地的过程中，库柏特发现食品检测的巨大潜力。

手机需求或许需要一年一变，配套的操作系统也需要不断变化去适应客户需求。但食品检测恰好相反，因为食品本身非常稳定。

费德罗巧克力是从 1954 年开始生产，到现在都没变过。配方变了，可口可乐也就不存在了。香菇再怎么长，也就这些「长相」。

食品加工与种植业、农业密切相关，而后者又是一个地域强相关的产业，严重依赖气候和地理位置，以至于几十年来，作为分类器标准的 SOP 指导作业书基本没有什么变动。

一开始要做的脏活累活很多，一旦做出来，就会长期受益，因为系统永远都是识别这些香菇。

而且，香菇分选的「套路」还能推演至大枣、药材等领域，「中国还没有一家食品检测巨头。」李淼提醒说。

和误打误撞进做起香菇分选不同，智慧药房是深思熟虑的结果。

流通环节构成痛点并愿意为之投入大量资金的企业公司，其实很少，电商肯定算一类。还有一类很少被提及的企业——医药流通公司。

由于存在严格的准入制度，制药行业门槛非常高，这就导致少数制药公司必须借助高效的流通环节，让药物抵达散落各地的医院和药房。医药流通公司会在各地兴建仓库，根据需求送货上门。

库柏特曾与武汉九州通合作，在其智能立体仓库落地柔性抓取产品。通过跟踪从仓库出发之后的药品流通轨迹，他们发现了医院药房。

从仓库到药房，貌似换了一个场景，但所涉技术、算法、逻辑并无不同，甚至不需要变更软件架构，仅需变化硬件大小。

药房，宛如缩小版仓库。

不过，与电商和医药公司仓库相比，药房有一个更易于规模化的优点：决策链条短。电商和医药公司仓库的智能化，更多的是诸如新松立体仓库的落地，柔性抓取只是整个场景中很小一部分。

「就像装修房子，客户装修完了才会考虑要不要放张桌子，做抓取的就是做桌子。」李淼打了个比方，「只要是决策链条长的事情，推起来都会很慢」。

这是一个很好的落地场景，但是短期内，他看不到迅速规模化的可能，「真正把物流的技术产品化的，我们是用在医院的药房。」他说。

通常，药房靠发药机补药。系统接到指令后，药物会顺着旋转滑梯，自动滑到药师手边。

药物坐的滑滑梯

补药机的每个巷道放置一种药，比如三九感冒灵，大约可装 30 盒。如果一家三级甲等医院每天的处方量需要 3000 盒三九感冒灵，那么，药房工作人员一天要补药近百次。

而且，药房药物种类可能多达几百种，每个巷道补个几十次，都靠人工来做，景象该是多么壮观。

在深圳蛇口的某医院，库柏特的柔性抓取机器人已经接管了这类枯燥、繁重的工作：

机器人可以从杂乱无章的药品箱子里，拾起药物并扫描识别，放置到相应巷道中，上药速度为 800 盒/小时，识别准确率可达 99.8%。

库柏特智能机器人补药系统

系统还能智能管理药品库存有效期，通过录入批号和效期，做到药品「先进先出」的货期管理和全程跟踪。

药房发药，通过深度学习特征学习，5000 种类别药物，识别成功率 99.8%

现在，这套产品已经在国内十几家医院投入使用，主要集中在诸如深圳、广州、中山等医院财政情况比较好的医院。

在中西部地区，医院一般要求供货方来投放设备，因此，库柏特也在和合作伙伴探索可行的商业模式。比如由库柏特或者与合作伙伴一起投放设备，按照药房药品流量收费。

4 快与慢

2005 年，安迪·鲁宾带着安卓前往三星总部。试图推销操作系统，结果遭到三星高层无情嘲讽：你们是在做梦吗？七个人，怎么征服世界？

安迪·鲁宾后来曾在不同场合讲过这次经历，内心有多受伤，由此可见一斑。

在工业领域推操作系统，难度远胜于手机。「没有想到打地基（做操作系统）同时建大楼（规模化），会这么难。」现在，李淼不得不承认事情难度远超预期。

工业场景非常碎片化，以致于技术型创业公司之间很难构成真正的竞争。至少在智能机器人这个领域，很少会出现足够大的场景，吸引这些公司一窝蜂挤过去。

虽然大家都在做 3D 视觉 智能分选，但走着走着，有人走进了药房，有人迈进了电商物流。就像被放在同一个位置的水滴，沿着充满沟壑的表面流淌，最终会流向完全不同的地方。

不仅没有大水大鱼的市场，也没有毕其功于一役的游戏规则。在每一条沟壑中，公司们以近乎手工作坊、成本极高的方式攻克每一个客户。

一位工业智能创业公司的科学家告诉机器之心，只销售技术解决方案，就像在 19 世纪末向铁匠出售传送带一样，根本行不通。为了期待工业革命的到来，还要围绕传送带建造一座工厂。

传统香菇行业，分选全靠人力，连设备都没有。为了推广自己的操作系统，库柏特不得不从零到一设计一套设备，然后找代工，找渠道，以让利的方式说服他们去推这套产品。

而且，生态系统不同玩家之间话语体系的冲突，更加深了落地复杂性。

「把这个操作系统卖给集成商也好，设备商也好，说让软件能让集成变得更简单，谁都不会理你，他不信你。」李淼说。

为了说服客户掏钱购买自己的软件，一些创业公司不得不在合同中「明码标价」地保证，采用了我的软件方案后，故障率会下降百分之几，能效比会提升百分之几，等等。

终端客户更喜欢实实在在的几组关键数字。比如，香菇识别准确率达 99％。一个工厂安装了 5 条香菇线，取代近 80 人。一条线成本 60 万，5 条线 300 多万块钱，一年不到即可回本。

尽管这几年走得焦虑、艰难甚至被放倒，但是，机器人操作系统，我觉得未来肯定是要有，李淼说。机会一定诞生在所有人都不明白这个东西到底是什么的时候（比如现在），就像安迪·鲁宾的安卓故事。

一旦当火箭垂直上升并逐渐加速到第一宇宙速度，它将冲破地心引力，绕着地球运转，无需动力也不会坠落