从iPhone包装到机器人劳动平台：Josh Gruenstein谈Tutor的商业化逻辑

一、嘉宾背景

Josh Gruenstein是Tutor Intelligence联合创始人兼CEO。在本期a16z / The Ben & Marc Show中，Marc Andreessen与Ben Horowitz围绕Tutor的工业机器人技术、业务和商业化展开访谈，关注机器人如何进入工厂并承担日常工作。Josh称，公司成立于2021年，约有160名员工，主要位于波士顿，同时训练模型、制造机器人并直接部署。

据Josh介绍，Tutor的客户从美国小企业延伸至大型企业。他的讨论因此贯穿模型研发、生产制造、销售、现场实施和持续运营，反映的是这些环节共同推进时遇到的问题。作为公司负责人，他提供的是对自身业务和技术路线的解释，相关判断仍需与独立评估区分。例如，谈及超过2.5亿件产品时，他明确是在转述Claude的估算，这一数字不能视为经过核验的部署成绩。

访谈末尾，Josh介绍了团队的招聘范围：研究、工程和机器人制造技术员，以及软件、硬件、材料、电子等领域，也有人员服务美国各地客户。这一人员构成与Tutor同时研发模型、制造整机和负责交付的业务方式相呼应。整场访谈由此呈现了一家机器人企业如何组织跨学科工作，以及它打算如何将技术转化为客户价值。

二、本期主要内容

Josh以iPhone包装说明工业自动化仍未覆盖的工作。他描述，大型制造物流设施中仍有人从事装箱和组装，iPhone包装也有人手参与。这些例子指向同一个商业问题：成熟产业中仍有大量人工劳动，现有专用设备未必能够以合适的成本接手。他估计，Cassie与Sunny可以覆盖制造物流80%至90%的工作。这是他对限定市场的判断，节目没有提供逐项任务清单或测量方法。

两款产品体现了不同的设计取舍。据Josh介绍，Cassie采用单臂和吸盘，以约2亿至4亿参数的模型预测可供性与抓取，围绕托盘、箱件搬运共同设计。Sunny则是一款轮式工业半人形机器人，以在工厂运行3至10年、达到人类工作速度与可靠性为设计目标，并采用工业协作安全标准。这些属于设计目标和产品陈述，不能视为已经完成的寿命或性能验证。Tutor在马萨诸塞州Watertown设计制造整机，并向OEM采购执行器、摄像头等组件；整机制造仍建立在外部零部件供应之上。

交付速度是访谈的另一条主线。Josh称，Tutor多数客户此前没有购买过机器人，公司以每小时16美元的报价切入。他报告，从首次通话到签约平均需要40至60天，从签约到现场作业约40天，设备到场后一天内投产。他另行提出的“两周签约后立即运行”，是理想产品的例子，不能用来替代实际报告的平均周期。他批评围绕少数大客户花两年定制系统的做法，认为服务多样化客户，才能推动平台复用，减少产品长期依附于个别客户需求的风险。

这种产品思路也体现在组织和迭代方式上。Josh称，自制机器人让Tutor能够争取每两周调整制造流程，软件每天部署或每两周发布主要版本；产品、客户成功、实施与研究团队紧密协作。模型架构则持续变化。他认为，CAD和三维建模后训练改善了空间推理，使前沿模型的知识更容易用于机器人。Tutor从卷积神经网络起步，经历多次架构变化后，仍将持续的数据流和部署循环视为长期价值。据他介绍，公司位于波士顿的Data Factory One包含100台机器人，用于真实世界强化学习研究。大规模集群提供了更广的实验空间，但节目没有报告相应的学习收益或成功率。

三、核心观点：推理、例子与边界

Josh的核心判断是，机器人企业需要优化整套业务系统。他提出一个思想实验：即使能把全人类的物理智能连接到机器人上，规模制造、软件运行和客户任务适配仍然有待解决。因此，模型、硬件、软件、供应链、客户需求与产品设计必须放在一起权衡。Cassie就是一个具体例子：预测抓取的模型、单臂吸盘、可制造的结构和箱件搬运需求共同决定了产品形态。智能的进步必须经过机械系统与交付条件的检验，才能转化为客户愿意购买的劳动能力。

纵向整合是否会长期延续，Josh没有给出确定答案。他主要将当前的整合需求归因于市场尚不成熟，并以CPU、GPU和ASIC为例，说明不同通用程度的技术可以共存。他设想，机器人行业会从专用化走向通用化，待市场足够大后，再出现新一轮专用化。这是对产业分工的预测，尚非确定的演进规律；计算产业的类比，也不足以证明类人形态能够成为稳定的通用基础。他同时承认，全球供应链高度互联，采购规模变化后，自制与外包的选择需要重新评估。Tutor计划增加美国本土零部件制造，但整合到什么程度，仍需随业务规模调整。

Tutor的另一项选择，是在完成付费任务的同时积累训练数据。公司通过远程人类tutors操作和教导机器人，将真实工作转化为示教记录。Josh认为，物理活动缺少互联网文本那样自然积累的记录，而客户愿意为某项工作付费，至少直接表明了这项任务的经济价值。预先设定活动、专门采集数据，没有同样的市场保证。不过，任务有价值，并不直接证明由此产生的数据质量足够高、能够跨任务迁移，或确实带来模型收益。Josh也接受用模拟和互联网数据拓宽分布；现场数据是这条路线的重要基础，并非唯一来源。

主持人的追问触及这套数据与部署循环尚待验证的环节：训练中常见的动作，是否覆盖客户真正需要的经济任务？假设已经解决90%，剩余10%是否仍需要人工？这里的90%和10%是讨论中的假设，并非Tutor的自主率。Josh接受在经济上合理时保留人工导师，并以H200的成本、占空比和利用率类比导师资源。他的考虑是，继续提高模型可靠性可能需要大量工程投入，应将这笔投入与保留人工的成本比较。如果人工介入后的系统仍有竞争力，完全自主就不必成为唯一终点。节目没有提供完整自主率、介入频率、人员配置或成本数据，因此还无法据此判断具体部署的盈利能力。

任务覆盖率也有明确的适用范围。Josh估计Cassie与Sunny能够覆盖制造物流80%至90%的工作，这一判断限定于他所讨论的市场。他明确表示，现有机器人无法驶过碎石等户外地面，也不适合当前的家庭环境。家庭任务还面临复杂度、安全和消费者支付意愿等额外困难，工厂里的经济价值无法直接换算成家庭用户愿意支付的价格。室内工业任务之间的复用，距离覆盖整个物理经济仍有相当距离。

成本的小幅变化是否可能打开新市场，Josh用一则住宅工厂的转述作了说明。一名工作人员告诉他，工厂建房的成本贵约5%；如果能在同等质量下便宜1%，开发商的需求就可能转向。这说明成本阈值可能影响生产方式的选择，但其中的数字和需求判断均来自转述，不能作为行业通用参数。Josh进一步预测，灵活的机器人劳动可能像云服务支持数字创业一样，支持更多实体企业和工厂成立。这一愿景仍取决于机器人的能力、成本和交付能否支撑客户业务。包含100台机器人的研究集群可以拓宽实验空间，却尚不能证明这样的产业结果会出现。

四、学习与应用

对准备采购机器人的工厂，Josh所说的“完成工作量除以成本”，可以落实为一份可核对的任务账：先定义合格产出和作业条件，再比较同等质量下的人工作业与机器人服务。按小时报价便于理解，但采购方仍需核查推理、远程操控等持续投入如何计入服务价格。Josh明确表示，当前成本更偏向持续运营。无需预付资本开支改变了付款结构，长期服务成本仍须纳入评估。

Tutor官网的节省额计算器，以及“两个月后每年节省100万美元”的销售示例，可以作为询价的起点。采购方需要进一步确认自身的工作量、运行条件和费用假设，弄清节省来自哪些任务，以及机器人是否提供了等效能力。节目没有给出这一销售示例对应的完整案例假设和验证结果，因此无法直接将该金额用于另一家工厂的预算。Josh将客户采购描述为长期劳动力战略，涉及员工年龄结构、需求增长和履约成本上升。沿着这一思路，评估既要覆盖当前任务，也要考虑未来产能需求。

对产品团队而言，客户多样性可以用来检验复用能力。不同客户能否使用相近的机器人本体与模型，需要多少专门修改，从签约到现场作业又要花多久，这些问题比笼统讨论“平台化”更具体。实际平均交付周期和“两周签约后立即运行”的理想产品例子，也应分别记录。缩短交付周期需要充分掌握现场条件；产品、实施、客户成功与研究团队的紧密协作，应帮助识别反复出现的问题，再判断它们需要通过数据、软件还是制造调整来解决。

对数据团队而言，现场任务与模型进步之间的每一步都需要验证：付费任务能否产生可用记录，记录能否改善目标能力，能力改善又能否减少人工负担或支持更多部署。保留人工导师的方案，则需要跟踪介入时间与人员利用率，并与进一步提高模型可靠性所需的工程投入比较。这些是从访谈推导出的评估方法；节目没有提供可直接套用的自主率和成本参数。

采购与实施还需要考虑一线使用者。Josh区分了COO或总经理等买方与工人用户，并以给机器人命名、复购客户为新增机器人命名，说明关系培养在其中的作用。这提醒团队将日常协作纳入实施，但命名本身不足以证明接受度或安全性。任务选择同样需要遵守产品的环境边界：室内工业应用的承诺不能直接延伸到碎石户外地面或家庭。探索新市场时，住宅工厂的案例可以启发团队研究替代方案之间的成本阈值，但质量和需求条件仍需自行验证，转述中的5%和1%不能作为通用决策线。

来源

• 原始节目：What iPhone Packaging Reveals About the Robotics Opportunity