具身最终还是要发挥价值，说白了是GDP逻辑，单位时间能干多少事。
作者｜周悦
编辑｜王博
“甜蜜的毒药”。丁文超用这个词形容具身智能公司拓场景时最容易踩进去的坑。
一个新场景，表面上意味着新客户、新收入。但真正做进去，硬件要稳，数据要补，模型还要能泛化。场景越多，交付越乱，单点做不透，能力也很难外溢。
这种警惕，来自丁文超在自动驾驶里的教训。2020年，他入选华为“天才少年计划”，进入车BU做智驾。
那几年正是自动驾驶从前沿技术走向规模化产品的关键期，他亲眼见过场景一旦铺开、交付会变得多复杂。“我的经验是，一切东西都要能够规模化。规模化不了，将来卖给用户会很折磨。”
带着这种判断，线束装配很早就进入了它石智航（下称“它石”）的视野。
线束柔软、易变形，并且属于长程、复杂任务，对精度、任务规划能力和成功率要求都很高。它不像搬运、分拣那样容易被外界一眼看懂，也不是传统自动化能轻易覆盖的标准化任务。模型、数据、硬件、部署里任何一环有短板都藏不住。
今年3月，它石A1机器人完成百余次亚毫米级柔性线束装配，拿下吉尼斯世界纪录。一个月后，4.55亿美元Pre-A轮融资落地，刷新中国具身智能最大Pre-A轮和最高单轮融资纪录。
纪录和融资让它石被更多人看见。但线束也不再是冷门选择，越来越多具身企业开始盯上这个场景。它石的先发优势，还能维持多久？
线束之外，它石还有更多“反常识”的选择。行业集中讨论VLA模型路线时，它石提出AI World Engine（AWE）；不少公司还在依赖仿真和遥操作采数据时，它石押注human-centric（以人为中心）的真实数据采集。
丁文超把它们放在同一个三角形里：数据、通用AI模型、核心零部件与终端应用。“我们从第一天开始，就设定了这三个角，而且在每个角上根据第一性原理，都做了比较反常识的选择。”
丁文超是它石智航联合创始人兼首席科学家。离开华为后，他回到复旦大学，担任研究员和博导，搭建了具身智能实验室MagicLab。后来，他与其他几位业界大牛联合创办它石。
有意思的是，这个具有强工程化背景的人，聊起技术与产品爱用武侠语言。回顾创业节奏，他说最深的感受是“天下武功，唯快不破”；聊起技术路线的抉择，他又借《神雕侠侣》里的玄铁重剑作喻：“重剑无锋，大巧不工。”
近期，「甲子光年」专访丁文超，从线束开始，聊到智驾经验、世界模型，以及他的创业之路。
1.盲目拓场景是“甜蜜的毒药”
甲子光年：最近一些具身智能公司也宣布把线束作为重点，你们很早就切入线束场景，怎么看这个场景的壁垒？
丁文超：欢迎他们来做，但这里面确实非常难。
场景没有秘密。我经常说，场景分散对于基础模型不强的公司来说是甜蜜的毒药。看起来有客户、有收入，但做不透，能力不能外溢。当基础模型能力不强时就去扩场景，很可能每个场景的解决方案都长得不一样。
自动驾驶有一个关键的转折点，就是靠端到端实现one model。对所有场景、所有条件，只训练一个模型，背后是一套训练、数据、模型和部署的管线。
具身比自动驾驶更发散。每个场景差异更大，单一场景分布也更散。它石首先找大场景，比如线束，因为单一场景的ROI足够大；第二，我们有自己的通用模型，随着通用模型能力提升，扩新场景的边际成本会下降。
这不是单纯的数据问题、模型问题或者硬件问题。它是一个系统工程，是全栈能力的大考。任何一环薄弱，这个场景都可能变成毒药。你做不透它，硬件不稳定；针对这个场景做出来的东西又泛化不到其他场景；再扩新场景，投入产出比又特别低。
甲子光年：如果把具身任务放在一个光谱里，现在我们能看到的搬运、叠衣服、分拣、线束装配分别处在什么位置？
丁文超：最简单的是pick and place，也就是PP问题。不少仿真企业在PP问题上已经做得比较扎实，但要向更深层次迈进，会面临很多挑战。
PP往后，是泛PP问题，类似分拣。它没有复杂长程任务，都是非常短程的，东西翻一下就可以，但有时需要局部微调。
再往后，任务长程性进一步提高，操作对象逐渐变成柔性物体，难度就更高。线束基本在这个区间：第一，它操作的是柔性东西；第二，它是长程任务；第三，它对成功率和节拍都有很高要求。
越往光谱左边，越接近传统工业自动化已经解决的问题，新创造的价值越低。越往中间甚至右边走，传统工业自动化够不到，门槛越来越高，技术难度也越来越高。
甲子光年：你在最近一次公开论坛上说，这一代具身智能要啃的是“柔性、动态和长程任务交互”。外界也会质疑，它石是不是擅长什么，就把什么定义成最难的赛道，你怎么回应？
丁文超：这不是由它石定义的，而是由市场定义的。反过来看，市场上还剩什么任务？给具身真正存留的是什么任务？
任何一条产线都有这个规律，简单题、选择题已经被传统工业自动化做完了，剩下的难题和复杂题才空在那里。我们讲的柔性、动态、长程任务，本质上就是这些空下来的大题。
当然，光谱中间的任务，将来它石也可能做。但我们的方法是靠模型能力外溢去覆盖。就像海平面上升去淹没小岛，不是主动要淹没它，但水位上来了，它可能顺带就被覆盖了。
甲子光年：线束是观察它石一个入口，你们整体的技术路线是什么时候定下的？
丁文超：2024年那个时间点对我们影响很大。我们发现，行业里很少有人把这件事想清楚，也没有太多可参考的路线。
我们从第一性原理、top-down（从上到下）地去想。做具身核心就是一个三角形——它石的logo也是三角形——分别是数据、通用AI模型、核心零部件和终端应用。我们从第一天开始，就设定了这三个角，而且在每个角上都做了比较反常识的选择。
我们最初觉得遥操作很难scale up，所以提出做human-centric数据；其次是模型。2024年VLA很火，但我们觉得单纯把一个action的头拼进VLM里，不是终极架构，所以提出了AI World Engine(AWE)；然后是应用，模型早期要找到ROI最大、同时适合这一代具身智能的场景，我们去了很多工厂，最后找到了线束。
甲子光年：外界对它石的技术路线有没有误读？
丁文超：外界怎么看待不是我最关注的。它石最终让人信服的，不是我们技术路线多好，或者某一个点怎么样。大家怎么看技术路线只是一方面，最终还是要发挥生产价值。
客户和产品、是否真的实现落地和创造价值才是第一性原理。自动驾驶虽然现在还有人讨论两段式端到端、一段式端到端，但实际上比的还是谁的车开得好。具身可能很快，在2026、2027年也会进入这种状态。
2.智驾团队做具身是降维打击？
甲子光年：最近一年很多自动驾驶团队进入具身行业，有人会说这是降维打击。但机器人毕竟不是车，哪些自动驾驶经验不能直接搬到具身里？
丁文超：这是一个很好的问题，我不觉得自动驾驶在技术路线上给具身多少直接借鉴。真正有价值的，是自动驾驶沉淀下来的一套数据闭环体系。
自动驾驶最后沉淀下来的，不是某个技术栈。对我来说，最大的收获是学会了通过海量数据、用户问题，提高产品力，让一个物理AI产品在物理空间里达到可靠、可信赖。这个方法论和具身是共享的。
但具体技术问题差异很大。自动驾驶是在物理空间里不要接触任何东西，本质上是从A到B，但不要和任何东西发生接触。具身恰恰相反，它一定要和东西发生接触，并且知道接触之后的结果是什么。
所有contact-rich manipulation（丰富接触的操作）对模型特质的要求都和自动驾驶不一样。很多人觉得车开得快，所以智驾对反应要求更高，但在狭小空间里做操作，具身对实时反应的要求反而更高。
甲子光年：具身智能发挥价值可以用什么指标来衡量？
丁文超：我会把具身指标定义成任务吞吐率。具身最终还是要发挥价值，说白了是GDP逻辑：单位时间能干多少事。
如果简化成公式，任务吞吐率=任务成功率*任务完成效率*其他因子。
第一是任务成功率，这是基础；第二是任务完成效率，也就是任务能不能达到人类水平。
甲子光年：你认为什么才是具身真正的“GPT时刻”？
丁文超：我们什么时候被GPT震惊到？是因为它干某件事居然比我还好，接近甚至超过我的水平。对应到机器人，任务完成效率也要非常高。很多demo动作很慢，效率可能只有人的30%。这不会让人觉得GPT时刻到了。
什么时候一个任务叫打穿？就是成功率和效率都上来了，单位时间有效完成任务的吞吐率接近甚至超过人类。
我认为GPT时刻到来，不是一个任务打穿，而是若干任务都打穿，那一刻才真的来了。
甲子光年：同时打穿若干任务，核心听起来不是单点demo，而是泛化。具身模型出现泛化或涌现能力时，会怎么表现？
丁文超：宏观一点看，如果在一个新任务上，模型能打到八九十分，但需要的后训练、特定数据采集或训练被压到最低，比如只需要分钟级、几十分钟，或者小时级数据，这就是很重要的泛化表现。
微观一点看，泛化还会表现为模型涌现出一些不是监督微调教出来的行为。比如它换了一个手，或者夹东西的方式和遥操作示教完全不一样，自己判断出另一条路径完成任务。
3.世界模型怎么进入真实世界
甲子光年：你们一直强调世界模型，在ICRA 2026上，大家看到了VistaBot、TacForeSight这两篇重点论文，以及自研灵巧手DexHand。这与世界模型的关联在哪里？
丁文超：我觉得是顺带的。我们的核心还是前面讲的三环，但在这个过程中会有一些外溢。
去年我们发了视触觉数据集，今年年初也发了一些开源模型，有些研发思路我们会通过论文、数据和模型向外传递。
VistaBot背后我们想提醒大家一个点：室内demo都很好，但一到新的地方、新的场景，就不敢展示复杂任务。
ICRA 2026现场很多展示要么是静态，要么是简单pick and place，展示长程动态任务的很少，背后的原因就是泛化很难。
TacForeSight也是类似。我们很早就关注触觉和力反馈的重要性。接触丰富的操作对反应要求很高，单纯30Hz或60Hz的视觉反馈已经不够，末端会有遮挡，末端差几毫米，最后接触的状态可能完全不对。
这些工作更多是生态和理念共享，也是在告诉大家，世界模型要进入真实任务，不能只停留在抽象预测里，它必须处理空间、接触和反馈。
甲子光年：VistaBot这篇论文里，未见视角的成功率从2%拉到68%。如果放到真实任务里，这意味着什么？它是怎么做到的？
丁文超：这牵扯到一个更系统的问题。论文里展示的是toy example：机械臂视角稍微变化，很多SOTA模型的成功率都会掉得非常多。
如果放到真实世界里，比如一家公司量产机器人时，会发现视觉和标定安装存在一致性波动。机器人量产后，随着使用生命周期延长，很多参数也会动态变化。机器人被推到新场景，和采集场景也会不一样。
VistaBot这篇文章核心说的是，泛化需要找到一些统一的东西，也就是对空间的基础认知能力，它可以极大增强抗扰动的泛化性，极大增加鲁棒性。这个技巧我们内部经常用，现在通过论文展示出来。
甲子光年：68%如果要走向真实部署，离99%还有距离。后面要堆算力、数据继续scaling吗？
丁文超：这是一个非常好的问题，恰好反映了学术研究与工程落地在目标和路径上的不同侧重点。
作为一个学术工作，做到这里就结束了，因为它已经展示了巨大可能性，很多科研派公司也可能停在这里：告诉大家这种可能性存在，而且提升巨大，然后结束。但要把它系统化做成、做到scaling，中间还有巨大差异。你从一个简单概念，到批量化scaling，背后还有很多工作。
作为工业化、批量化的任务和应用，你也不可能直接用一些off-the-shelf（现成的）模型，比如VGGT（一种前馈神经网络）之类，这些模型不可控，没法自己调优。还要解决很多水面下的问题，更大的冰块在水下。
甲子光年：视觉、触觉、力反馈有时会“打架”，视觉判断对准了，触觉觉得异常，力控又触发安全阈值。你们的模型怎么处理这种冲突？有明确的优先级吗？
丁文超：必须靠模型。这是一个非常典型的前融合还是后融合的问题。前融合意思就是说，多种信息都给到模型，让模型判断。后融合的逻辑就是，每个信源独立处理，再加一些优先级的调度或判断。我们内部的共识很显然应该是前融合的方式来做。
甲子光年：你们把TacForeSight称为触觉世界模型。它和其他公司的触觉模型，只是定义不同，还是能力上也有区别？
丁文超：我觉得是两个问题。
第一，我们做得比较多的是视觉和触觉的前融合。机器人毕竟还是以视觉为主，单纯触觉世界模型能发挥的作用有限，触觉更多是提供末端灵活的feedback。
第二，我们对触觉的理解是：触觉也是一种视觉，可以理解成指尖的视觉。如果把触觉当成指尖视觉，就可以用世界模型去学习隐性的接触规律，建立一个以接触为核心的世界模型。它不只限于触觉，将来还会融合视觉、接触和力。
TacForeSight比较重要的一点，是把世界模型映射到动作这一步补上。现在很多人说自己有很强的世界模型，可以一直往前预测，但怎么用在动作、用在policy上，经常是缺失的，而这一步才是最难的。
以前大家用触觉，往往只是编码后扔进policy里。我觉得这不够。我们想说的是，通过学习接触的物理规律，模型不只是reactive的被动响应，而是能提前判断未来动作会产生什么结果。化被动为主动，我觉得这才是世界模型最核心的意义。
甲子光年：业内也有人认为，触觉传感器易损坏、寿命短，真实工业场景里信号会退化，现在加大算法投入未必有收益。你认同吗？
丁文超：客观上说，现在触觉硬件成熟度确实还有缺陷，但硬件稳定性的进步非常快。触觉有点像2023年看人形机器整机，当时关节有很多问题，谐波、行星等路线也不收敛，走也走不好，但很快它就收敛了。我个人判断，触觉将来会成为机器人的标准模态。
甲子光年：工业力控常常要求几百甚至上千赫兹，但模型大脑可能只有几十赫兹。物理接触发生很快，几十赫兹的模型怎么跟得上？
丁文超：这个问题很有意思。理论上policy频率当然越快越好，但有一个收敛趋势。
以前做人形locomotion（运动），大家会希望上层policy跑到100Hz、几百Hz，底层关节控制到500Hz、1000Hz，甚至更高。因为传统控制建模不准，频率越高，越容易补误差。
后来一个转折点是，控制器充分神经网络化之后，很多控制器频率收敛到50Hz左右。网络本身有鲁棒性、冗余性和预判性。网络训练得越鲁棒，对基础频率的要求会降低。
类比到操作，policy到50Hz左右，我觉得已经能建模很多快速微小变化，频率提高只有在拿到的信息也更新时才有价值。
甲子光年：机器人每一次输出都会变成物理动作，可能带来损耗，甚至把东西拍坏。这些物理代价会怎么影响具身的scaling law？
丁文超：它肯定会增加scaling难度。
你想让模型隐性学习到真实世界物理规律，相比纯语言scaling，它有额外要求。这也是为什么我们布局触觉、力反馈等能力，本质上是为了更好地建模真实世界反馈。
我们一直非常看重反馈，但我们又不太相信仿真器，因为仿真器基本要靠人工方式，很难scale。我们的预训练数据是真实的Human-centric的数据。真机数据很少，遥操作数据也非常少。遥操作数据基本上只有真人动作上限的30%。
4.灵巧操作将进入深水区
甲子光年：ICRA 2026来了十几家灵巧手公司，甚至一些灵巧手公司也开始说自己在做世界模型，为什么今年灵巧手和触觉明显变热？这是一个拐点吗？
丁文超：我觉得是一个拐点。
第一，对夹爪来说，虽然还没有完全收敛，但走在最前面的人基本能感觉到，夹爪相关任务在2026年或2027年左右会被打穿。绝大多数靠夹爪单独完成的任务，都会被刷到比较高的水平。
我们从第一天采数据，就在采各个场景的数据，也有手的数据。我们发现手相比夹爪确实有优势。灵巧手这件事，它的第一性原理必要性是存在的。
第二，低自由度灵巧手几乎没有价值。低自由度灵巧手和夹爪没有本质区别。很多时候它需要高自由度，并且最终还是learning from human的问题。你怎么从人类数据里获取最大能量，再用机械本体执行这些动作，把人类数据和模型能力释放出来。
我认为，接下来两年，灵巧手硬件成本会被卷到很低，技术路线收敛也会比预期快，基本会往准直驱方向收敛。我们的定位是，模型、数据，再加一个灵巧的终端，可能就是具身智能的全部。
前期各家看起来差不多，但灵巧操作上限太高，最后一定会进入深水区战斗，必须三者协同。
甲子光年：为什么夹爪还不够？以线束或者其他任务为例，灵巧手要解决的是哪类问题？
丁文超：出发点倒不是这几个已展示任务，而是更多任务。很多任务用夹爪做有难度，你也很难为每一个新任务设计一个特制夹爪。这里就有长尾效应：世界上可能80%的任务都可以靠夹爪完成，但剩下20%任务千奇百怪，你不可能为那20%完全做新的终端。
剩下的长尾任务最后可能就要靠灵巧手完成。比如我们之前用夹爪做刺绣。能不能像人的手一样手工刺绣？我觉得这可能是灵巧手皇冠上的明珠。既能操作非常细的东西，也能完成长程任务，那基本上灵巧手就打穿了。
甲子光年：你提到模型、数据和灵巧终端必须一起协同。这个小闭环里，最难的地方在哪里？
丁文超：我不担心硬件成本，因为硬件成本一定会往下降。这三者协同解决之后，大部分任务可能都会逐步替换夹爪式任务，特别是偏生活化的场景。
难度主要在于，模型到底怎么用好灵巧手。这个小闭环现在有缺位。比如灵巧手数据怎么获取？如果单纯ego-centric，又没有反馈、没有触觉，可能还需要建立成体系的数据采集设备。
再往后，训了模型，还要做人到机器人迁移，这是新的技术点；迁移到灵巧手上之后，还要有稳定可靠的硬件执行。我们一直讲大的具身闭环是系统工程，回到灵巧手这个小闭环也是一样。
甲子光年：灵巧手现在经常卷参数，比如自由度、纹理感知精度等。哪些参数是刚需，哪些可能是过剩？如果不只看这些外显参数，应该比较什么？
丁文超：我觉得可以让子弹再飞一会。
这块核心竞争指标上，它石和其他几家灵巧手公司有差异。很多灵巧手公司还是从硬件本体出发卷硬件，有点像2023年、2024年大家卷关节，卷峰值扭矩、自由度。bottom-up（自下而上）的公司会这样做，但这种方式肯定会遇到问题。
它石更多是自上而下地思考：我的数据分布是什么？模型输出规格大概是什么？所以我的硬件应该怎么设计？
我们设计这个手的时候，分析了大量人类操作数据。这是我们和其他公司很大的差别。我们想做的是尽量缩小这只手和人手之间的差距：它实际能达到什么效果，它的硬件上限离人类上限还有多远，我们是按这个角度来设计手的。
甲子光年：你们用了准直驱路线。和腱绳相比，这条路线最大的工程取舍是什么？发热、损毁这些问题会成为瓶颈吗？
丁文超：腱驱最大的意义，是如果你想让这个手出很大的力，比如让机器人做引体向上，腱驱可能很好，但我觉得这不是当前瓶颈。现在机器人的瓶颈还是灵巧操作的灵活性。不是要出特别大的力，而是能不能可控、标准化、灵活地操作。
从第一性原理讲，我更看好准直驱方向，因为它追求灵活性、可复制性和稳定量产性。腱驱最大的问题还是一致性以及量产难。
直驱确实是一套非常精密的系统，电机设计、减速器设计都很极限。但这两年进步已经非常多了，我不觉得它会成为瓶颈。它有点像2023年到2025年的locomotion硬件问题，早期很多问题，但收敛会很快。
硬件需要时间打磨，但不是不可解决的问题。把时间尺度拉长，看2025、2026年手的进步，还是非常快的，特别是选对大技术路线之后。
甲子光年：最近不少灵巧手公司的宣传重点都是“手、采集、数据甚至模型的整套闭环”，怎么判断是真的闭环？
丁文超：比如数据这件事，扎进去看，每家到底有多少数据？有哪些场景的数据？是不是可用？做到什么量级？这些差异非常大。
首先，数据量级只是一方面，场景丰富度和任务丰富度更关键。它石对丰富度要求非常高，比如单场景单任务采到一定数量后，这个任务、这个场景基本就不再采了，而是尽量往维度上扩，重复采集会影响数据的平衡。很多数采工厂一直抓瓶子，很快能积累非常多数据，但对模型训练未必有帮助，甚至可能有伤害。
从结果来看，要看展示出的任务多样性。灵巧手demo的发布速度现在还很有限，远没有夹爪更新快，但我判断接下来灵巧手任务多样性的上升会很快。
我们内部当然有自己的评价体系，对外部评价体系没有那么关注，最终还是回归真实任务里的价值。
5.从“天才少年”到创业者
甲子光年：从此前的工作中，学到最大的经验是什么？
丁文超：更多是产品化锤炼，所以一直很关心规模化效应，我最大的经验是，一切东西都要能够规模化。规模化不了，将来卖给用户会很折磨。
我的起点一直是规模化。哪怕中间去到学术界，我更多思考的也是将来具身怎么做好规模化。到创业也是这样，你会发现它石从一开始讲的三角形，数据、模型、本体和应用，都是在想怎么规模化。
甲子光年：对你来说，从研究者、工程师变成创业者，最大的变化是什么？
丁文超：我之前智驾的经验，更多是工程化思维。自动驾驶技术也经历了整个收敛过程，我在那里学到的是，怎么把一个前沿技术bridge到可落地、规模化的产品上。每天接收用户问题，思考怎么让最先进的技术落下来。
2023年、2024年的间隙，我更多是从整个行业、新赛道角度给自己充能，跳出自动驾驶这个子场景，去想更通用的物理世界模型应该怎么构建数据、模型和闭环体系。
创业就是躬身入局。你要关心的事情非常多，很多事情不是别人能帮你做的。比如数据，你找不到特别靠谱的数据供应商，那就得自己闭环。很多时候是从0开始。
但我还挺享受这个从0到1的过程。每天处理的问题当然很多。不管采集数据、训练模型，还是闭环评测，机器人都是软硬件协同系统，每个地方都需要提升。
如果从局部微观看，看到的都是问题。但如果把时间尺度拉长一点，看到的都是进展，就会让人兴奋。
甲子光年：过去一年，它石推进得很快。这种速度主要来自哪里？
丁文超：我现在感觉，具身这件事确实需要创始团队稍微大一点。每个人的性格特质、能负责的事情都不一样，刚好形成互补。技术、落地、商业化、组织管理、资本和投融资关系，每个角度都能找到一个创始人覆盖，成为了一支“六边形团队”。
再加上创始人之间互信程度非常好，它石节奏能比较快。我们没有花时间在内耗上。大部分问题不需要讨论很久，凭创始团队的默契，就知道事情该怎么推。我们开会频率也没那么高，大方向会同步，预期会同步，但很多细节上是充分互信的。
甲子光年：往未来12到18个月看，你觉得具身行业最可能被高估的是什么？最可能被低估的是什么？
丁文超：最被高估的，是特定模型架构对整个行业的影响。VLA也好，世界模型也好，某个特定模型架构对行业的影响没有那么大。现在有AI coding，模型架构切换会变得很快。只要有一套成熟的完整迭代体系，模型架构切换是非常快的事情。
最低估的是系统化、全栈能力。这个环节里，只要有一个环节做不好，最终效果就发挥不出来，而且它可能给你导出错误结论。比如你以为问题是某个模型不行，但其实是触觉、数据、硬件或者部署细节的问题。
甲子光年：如果未来要证明这条路线需要纠偏，最可能错在哪里？或者你现在最盯着的风险是什么？
丁文超：从我的角度看，它石的技术路线没有bet（押注）到某一个非常具体的技术细节上。我们讲的更多是模型和数据的第一性原理以及整个商业化逻辑。除非这些第一性原理被推翻，我现在还没有看到大的风险。重剑无锋，大巧不工。
甲子光年：它石（TARS)和《星际穿越》里的机器人同名。那个机器人有一个幽默感参数。如果给你这一年也设置一个参数，哪一个值被调到了最高？
丁文超：我觉得是敏捷，或者说快。过去这一年，我们核心是天下武功，唯快不破。快很重要。因为我们对top-down的思考已经想得比较清楚了，接下来就是快。
*实习作者寇雨然对本文亦有贡献。
注：文/周悦，文章来源：甲子光年(公众号ID：jazzyear)，本文为作者独立观点，不代表亿邦动力立场。
