他立志徒步環遊世界。 27年後，他的旅程即將結束。
英國前傘兵卡爾·布希比（Karl Bushby）於1998年從南美智利最南端出發，展開「歌利亞遠征」（Goliath Expedition），目標以不間斷步行方式環繞地球，返回英國家鄉赫爾。規則嚴格：不得使用任何機械交通工具，且未完成前不得回家。
他穿越美洲、穿越冰封白令海峽進入俄羅斯，整個行程中，他只能步行或游泳，不能使用任何交通工具，為了不搭船，他是在冬天從海冰上爬過去的。
後續歷經亞洲多國。過程中遭遇簽證禁入、俄羅斯五年入境禁令、金融危機、疫情等阻礙，遠征延宕至27年。2025年，他游泳橫渡裡海、穿越土耳其進入歐洲，已抵達匈牙利等地，剩約1500公里，預計2026年9月完成這場歷時近30年、超過5萬公里的傳奇之旅。
是什麼力量支撐他堅持走了近30年？他說："你需要看看真實的世界，以及生活在其中的人們，這將是你所能接受的最好的教育之一。"
覺悟「打仗，別再求共識」：從Uber執行長的3大逆襲心法，看企業如何從巨虧變巨賺
長期以來，Uber一直是矽谷「燒錢換市佔」模式的代名詞。然而，這家曾以巨額虧損聞名的公司，最近卻交出了令人驚訝的獲利成績單——近期單季淨利超過新台幣兩千億元（六十六億美元），其中有四十九億美元雖來自一次性稅務利益，但此成績已足夠震撼市場。資本市場的反應也印證了這次轉型的成功：根據投顧公司The Motley Fool數據，自二○二五年以來，Uber股價已成長逾三成。
隨著執行長科斯羅夏希（Dara Khosrowshahi）上任後首度訪台，外界更加好奇：這位被稱為「戰時CEO」的領導者，究竟是如何施展逆轉心法，帶領Uber從紀律崩壞的團隊，蛻變為一間可持續盈利的企業？
1. 告別燒錢迷思：獲利的關鍵不是補貼，而是演算法
科斯羅夏希上任後的第一個重大轉變，便是果斷揚棄矽谷盛行的「先燒錢、後獲利」迷思。策略上，這意味著Uber停止了大規模的補貼與撒幣策略，不再用無止盡的資金換取市佔率，而是將公司的核心轉向其最寶貴的資產：數據與演算法。
Uber開始專注於打磨其演算法模型，將其作為調度供需的核心。這種從現金激勵到演算法效率的轉變，創造了一個自我強化的正向循環：更精準的媒合帶來更高的用戶留存率，進而產生更多數據以優化演算法，最終形成一個補貼永遠買不到的持久競爭優勢。
2. 停止無意義擴張：專注建立「護城河」與高毛利新業務
第二個關鍵策略，是停止過去漫無目的的擴張。科斯羅夏希意識到，一味追求業務廣度並不能帶來長期的成功。因此，他將公司的資源集中於建立穩固的「護城河資產」。
在競爭極度激烈的平台經濟中，一道由網絡效應和卓越營運效率所構成的護城河至關重要。透過優先鞏固核心業務，Uber為高毛利的新創業務打造了一個穩定的發射台，確保新的成長不僅是擴張性的，更是具備獲利能力與防禦性的。
3. 領導的覺悟：「打仗，別再求共識」
科斯羅夏希帶來的第三個、也是最核心的變革，是領導與決策哲學的徹底改造。身為一名「戰時CEO」，他深知要帶領一個紀律崩壞的團隊重回正軌，過往那種凡事「尋求共識」的文化必須被改寫。
這次領導模式的革新，標誌著一種至關重要的覺悟：企業轉型就是一場戰爭，在這種環境下，資源配置和戰略轉向的速度與果斷性，遠比內部所有人的普遍認同更有價值。「戰時CEO」優先考慮的是任務的成功，而非內部的和諧。
覺悟「打仗，別再求共識」
Conclusion: From Turnaround to a New Blueprint
Uber的逆襲故事，為科技產業提供了三個深刻的啟示：首先，告別燒錢補貼的迷思，回歸以演算法為核心的商業本質；其次，停止無意義的擴張，專注建立深厚的護城河；最後，在關鍵時刻，領導者必須具備果斷決策的勇氣，而非一味尋求共識。
Uber的轉型不僅是自身的成功，更可能成為其他仍在虧損泥淖中掙扎的科技企業的新藍圖。
比你想像的更近，也更遠：關於人形機器人，你應該知道的5個驚人真相
在狂熱與冷水之間
如果你常滑社交媒體，大概會覺得人形機器人已經準備好走進你家了。那些影片實在太驚人：機器人學會了走路、跑步，甚至開始做家務。這股熱潮也延燒到資本市場：新創公司 Figure 的估值，在2024年從26億美元一路狂飆至驚人的390億美元——足足增長了15倍，背後站著微軟、OpenAI、NVIDIA 等一眾科技巨頭，彷彿具身智能的未來已近在咫尺。
然而，產業的另一端卻傳來了截然不同的信號。被寄予厚望的特斯拉 Optimus 計畫，在實際組裝約1000台後就按下了暫停鍵，面臨重新設計的窘境。一邊是資本的瘋狂押注，另一邊卻是行業領頭羊的謹慎收縮。
在這種冰火兩重天的景象下，2025年的人形機器人產業究竟走到了哪一步？本文將為你揭示5個最令人意外，甚至有些反直覺的發現，幫助你看清狂熱與冷水之間的真實樣貌。
--------------------------------------------------------------------------------
1. 我們正處於「GPT-2 時刻」：路徑已明，但仍在起點
要理解當前人形機器人的發展階段，最好的比喻是「GPT-2 時刻」。
這意味著什麼？回想大型語言模型（LLM）的發展史，GPT-2 是證明了「規模化定律（Scaling Law）」——即模型越大、數據越多，能力就越強——這條路徑可行的關鍵節點。一旦路徑被驗證，接下來就是瘋狂投入資源、積累數據、搭建基礎設施的漫長過程。
今天的人形機器人或「具身智能」就處於這個階段。行業已經找到了那條可靠的前進路徑，但我們仍處於起點，正在為未來的爆發積蓄能量。正如自變量機器人CTO王浩所言：
「我會覺得現在就在 GPT-2 的這個階段...我們現在基本上已經知道規模化它是唯一的一個可靠路徑了...我的預測會一到兩年的時間，我們完全可以達到 GPT-3 的這個水平。」
這個觀點並非悲觀，而是一種務實的評估。它為我們理解當前的技術突破與挑戰，提供了一個清晰的框架：方向對了，但路還很長。
2. 最大的瓶頸不是硬體，而是「數據饑荒」與「肉身體感鴻溝」
一個反直覺的真相是，儘管硬體成本在 Unitree 等公司的推動下大幅下降，甚至達到了5900美元的驚人低價，但硬體已不再是當前最核心的瓶頸。真正的挑戰來自兩個更深層次的問題：
數據極度稀缺 (Data Scarcity): ChatGPT 的訓練幾乎用上了整個互聯網的文本數據。相比之下，機器人的物理操作數據收集既昂貴又緩慢。一個鮮明的例子是，Google 為了訓練其 RT-2 模型，花了整整17個月在真實廚房裡，也僅僅收集到13萬條數據。這種數據獲取效率，與語言模型相比有天壤之別。
虛實與人機的雙重鴻溝 (Sim-to-Real & Embodiment Gaps): 即使在模擬器中生成大量數據，也存在「虛擬到現實的鴻溝」——模擬器無法完全還原真實世界的物理複雜性。此外，還有更棘手的「肉身體感鴻溝」（Embodiment Gap）：人類靈巧的手與機器人機械手的結構差異巨大，導致我們很難直接用人類的操作影片高效地訓練機器人。這個鴻溝，正是特斯拉試圖用 YouTube 上海量的人類影片來訓練 Optimus 策略所面臨的核心技術挑戰。因為機器人的身體感知世界、操作物體的方式與人類截然不同，導致數據在遷移過程中產生巨大的耗損與低效率。
矽谷機器人大腦領域的明星新創 Physical Intelligence 的一位研究員，給出了一個極具衝擊力的預測，凸顯了數據稀缺的嚴重性：
「我會覺得什麼時候我們能夠收到100萬小時，等同於一個人一生的物理經驗的數據，我覺得可能我們才開始後面的探索。」
總結來說，解鎖機器人通用能力的鑰匙在於數據，而獲取足夠多、足夠好的物理世界數據，其難度遠超外界想像。
3. 機器人的大腦不是越大越好，而是「分工合作」
與大型語言模型「越大越好」的單一模型競賽不同，人形機器人領域正在形成一個令人驚訝的技術共識：採用名為「System 1 + System 2」的混合架構。
這個架構的設計非常像人腦的運作模式，分工明確：
System 1 (快思考): 這是一個參數較小的模型（例如8千萬），負責處理本能的、反射性的動作，如抓取、移動。它的特點是反應速度快，就像你下意識伸手接住一個球。
System 2 (慢思考): 這是一個參數龐大的模型（例如70億），負責處理需要規劃和推理的複雜任務，如「幫我做一份早餐」。它需要深思熟慮，分解步驟，就像你在規劃一頓晚餐。
Figure AI 公司在與 OpenAI 合作終止後，迅速推出的自有 HX 模型，就是這個架構的典型代表。這與 LLM 世界的主流路徑——即打造一個單一、巨大的「System 2」模型並無限擴展它——形成了鮮明對比。充滿即時反饋需求的物理世界，顯然需要一種更細膩、更接近大腦的架構。
4. 先別想著家庭保姆，工廠才是它們的第一個舞台
儘管大眾對「機器人管家」充滿幻想，但一個必須接受的現實是：短期內，人形機器人最現實的落地場景是結構化的工業與商業環境，而不是我們的家庭。
原因很簡單。家庭是典型的「非結構化環境」，光照、物品擺放、成員走動都充滿變數。更致命的是，家庭場景對「容錯率」的要求極高——在工廠裡打碎一個零件是成本問題，在家裡打碎一個碗、傷到人或寵物，則是嚴重的安全事故。
與此相對，許多商業應用已經不再是 Demo，而是真實的商業項目：
- DNA Robotics 的機器人可以在24小時內，以99.4%的成功率疊好700條毛巾。
- Figure 的機器人已經進入寶馬工廠，執行簡單的裝配和物料搬運任務。
- Agility Robotics 的 Digit 機器人正在倉儲物流場景中搬運箱子。
這是否意味著家用機器人遙不可及？也並非如此。正如 DNA Robotics 的代表所解釋的，進入家庭的路徑並非一步到位，而是從單點功能切入：
「並不需要完整的、非常通用的AGI，你可能只需要幾個任務就可以進入到家庭的場景裡...比如說我先以疊衣服的這個功能賣給家庭，然後逐漸去拓展一些其他的功能。」
這個核心洞察表明，行業正採取一種務實的策略：從特定、有商業價值的場景切入，積累數據、迭代模型，而不是等待一個全能管家的誕生。
5. 最重要的進步：從「畫大餅」到「揉麵糰」
2025年，具身智能產業最重大的轉變，其實是一種心態上的成熟——從追求炫酷的 Demo，轉向在真實場景中一步步驗證能力的邊界。
用一個生動的比喻來形容：
「2025年，具身智能行業已經從『畫大餅』進化到了『捲起袖子揉麵糰』。」
當我們用這個視角重新審視那些看似「負面」的新聞時，會得出完全不同的結論：
- 特斯拉暫停生產： 這不是失敗。這是在現實挑戰面前，為了尋找一條更可靠、更可行的路徑而進行的必要重新設計。
- Figure 估值飆升： 這不僅僅是資本炒作。這是市場對其交出了 HX 模型這樣實質性技術成果的認可。
- DNA 從疊毛巾切入： 這不是格局太小。這是在務實地積累數據飛輪，為模型提供最寶貴的真實世界養料。
這種「有分寸的前進」，恰恰是行業走向成熟、真正走向落地的標誌。技術突破固然令人興奮，但商業化的每一步都在冷靜地計算成本與效益。
--------------------------------------------------------------------------------
黎明前的探索
2025年是具身智能從先鋒亮相轉向理性前行的一年。技術路徑已經被驗證可行，但數據、可靠性、成本這些商業化的核心難題依然擺在面前，等待行業去一一攻克。
我們正處於黎明前的探索階段，前方的道路清晰可見，但腳下的每一步都需要走得踏實穩健。這也留下了一個值得我們共同思考的問題：
當機器人真正學會「舉一反三」，而不僅僅是「依樣畫葫蘆」時，第一個被徹底改變的，會是我們的工廠，還是我們的家庭？
人工智慧代理商正在蠶食 SaaS
AI 代理（Agent）正在反噬軟體即服務（SaaS）市場，改變了「自建或購買」的權衡。市場信號顯示，對於較簡單的 SaaS 工具需求正在蒸發，工程師現在可利用代理在幾分鐘內完成內部儀表板、轉碼器編寫或 UI/UX 線框圖等任務。企業開始質疑大型 SaaS 供應商的續約報價，考慮自行構建所需功能，以擁有產品藍圖的完全控制權並消除冗餘功能,。
Agent 本身能大幅降低維護成本（如更新棄用函式庫），並透過內部部署顯著減少組織的攻擊面。對 SaaS 公司而言，這將導致淨收入留存率（NRR）下降,，因客戶會將部分解決方案遷移到自建平臺或利用 API 減少用戶許可證。
核心基礎設施（如支付處理）、高交易量系統、具備網路效應的軟體（如 Slack）、擁有專有資料集或涉及法規遵循的服務，仍保有「護城河」。最危險的是僅提供 CRUD 邏輯或基於客戶自有數據進行簡單分析的後台工具。具備內部技術能力的組織將獲得競爭優勢。SRE （網站可靠性工程）和 DevOps 相關職能的需求預計將大幅增加。
為什麼人類有兩個鼻孔而非一個大孔？
鼻週期(Nasal Cycle)機制
兩個鼻孔會輪流主導呼吸，每隔幾小時就會交替。在任何時刻，兩個鼻孔吸入的空氣量都不相同，一側較開放處理大部分氣流，另一側則能恢復水分。
改善呼吸效能
鼻子負責過濾灰塵和污染物、將空氣加溫至體溫、增加濕度至100%，為肺部做好準備。兩個鼻孔輪流工作可以讓其中一側休息，更有效地完成這項任務。
增強嗅覺能力
👃 較閉塞的鼻孔氣流較慢，更容易偵測到溶解較慢的化學物質
👃 較開放的鼻孔氣流較快，更擅長捕捉快速溶解的氣味分子
👃大腦結合兩側不同的輸入，獲得更豐富的嗅覺資訊
定位氣味來源
儘管兩個鼻孔距離不如眼睛或耳朵那麼遠，但仍能幫助大腦判斷氣味來自何方。實驗證實，當人們的兩個鼻孔接收到相同氣味時，追蹤氣味的能力會變差。
抵抗感冒病毒
當感冒時，一個鼻孔會嚴重堵塞，使鼻腔溫度升高，這可能有助於抵抗病毒，因為病毒在高溫下不易繁殖。
兩個鼻孔並非多餘設計，而是透過協同工作來增強我們的呼吸和嗅覺功能。
