许华哲的组织下注

一句话判断

许华哲的组织下注

论文解决什么问题

破壳成立不到半年，资源分配逻辑已经焊死：三件事只做三件——造硬件本体、训AI模型、定义产品，其余全交给生态，连摄像头帧率、电机线圈都不自己碰。

核心方法

↳ 焊死的不只是分工，还有三个"不做"
①不做robotics式的单任务优化——传统机器人学能做出翻跟头，但那是死路，任务永远穷举不完
②不做自动驾驶式的小场景闭环——先跑好一段路再扩展，用在具身上做不出通用
③不做叠加小模型——"永远不要指望叠100个小模型能变成一个大模型，小模型一开始就走错了"

实验结果

最狠的一条下注在训练节奏：拒绝"先把一个任务做到100分再扩展"，坚持所有任务同步从平庸走向优秀——"从多数任务平庸到多数任务不错，不好预测"，这是他明确接受的代价。

组织资源：现有数据量下一年1-2亿人民币，数据量起来后看齐大模型级别投入；里程碑是一年内机器人在家'玩起来'，2028年初有人真在用。判断留给创业公司的窗口是18-24个月，之后大公司会跳进来——大公司离不开主营业务，只能先驻扎小实验室试探。

这篇论文不是什么

· 全部来自单一媒体专访，无第三方验证
· 创始人自己承认路径'不好预测'，模型结构、本体形态均未定
· 7个任务测试900次成功率100%，但尚未整合成一个系统
· 访谈时办公室'还是一片荒芜，只有地板'

对机器人 / 世界模型 / VLA 的启发

这条下注和另外两条已知路线正面撞车。同为'相信scaling必然带来涌现'的阵营，Sunday选的是单点打穿部署线、部署本身启动飞轮再做下一个Solve；他选的恰恰相反，拒绝先做透一件事——两个最坚定的scaling信仰者，具体打法的时序完全对立。而对那些把'渐进落地为主、通用大脑靠边站'(对标Momenta)焊进组织策略的公司，他的三重否定几乎是正面开火：靠垂直场景攒数据商业闭环通向通用具身，恰是他反对的路。

半年后见分晓的，不只是他对不对，更是这两种组织资源分配逻辑谁先撑不住。