白癜风可以冶的吗 https://m-mip.39.net/nk/mipso_4792664.html
文丨金浓梅硕
图丨1/6图片工作室
城市应如何抓住科学的风口？在本书开篇文章《科学中心城市的崛起》中提到的合肥和苏州，这两座城市都是通过抓住新科技产业背后的科学驱动力，实现了城市经济的强劲发展。
苏州阳澄湖国际科创园
展望远方更广阔的发展机遇，我们可以将目光聚焦在一个前沿科技产业——机器人产业，以此为例，探索“科学中心城市”所具有的产业前景。这是因为，机器人是一个通过抓住科学风口，实现峰回路转的产业。
曾经，传统机器人是人类对于生产效率的极致追求：年，机器人是科幻剧本《罗素姆万能机器人》中人类对于解放生产力的第一次幻想；年，机器人是能够替代人类从事机械性的重复体力劳动的先进机械，是人类从“劳作”到“操作”的跨时代进步；年，机器人是拥有了“视觉”和“力觉”的科技新宠，是传感器技术大放异彩的新潮载体。
依靠着自动化等相关技术提升，机器人产业以每40年一个台阶的速度，从一个人类对未来的美好想象，升级到了2.0时代。而人工智能的出现，则是在短短15年之后，加速开启了机器人行业的3.0时代。
年后，传统机器人附加值越来越低，技术方面几近走到尽头。但人工智能在算法算力的发展，尤其是深度学习算法的突破，让机器人产业提前迎来了又一波发展高峰，迈入了机器人产业的3.0时代——“智能机器人”阶段。
认知功能的加入让机器人与以往大不相同：深度学习让机器人具有分析学习能力，能够识别文字、图像和声音等数据，可以在工业中与人协作，甚至可以自行推理、决策、执行。在某种程度上，人工智能是新一代机器人的大脑，而机器人是人工智能的实体化展现。自此，机器人产业实现了由“生产效率导向”向“场景需求导向”的颠覆性突破。机器人不仅能够在工业生产中做得更快、更好，还可以像人一样思考，从而满足人类的一切需要。
这使机器人应用场景的丰富度极大增加——从家中的机器人管家和智能家居设备，到出行乘坐的无人驾驶汽车；从餐厅里的机器人服务员，到医院里的医用机器人……智能机器人带来的变革正在颠覆人类在商用、消费、生活等几乎全部领域的固有认知。
由此带来的是更多技术学科的交叉发展，来适应各式各样的机器人产业需求。打个形象的比方，原来是只有一个叫“自动化及其相关学科”的人在挑水并耕种“机器人”这块田，如今多了“人工智能”“云计算”“仿生学”“脑科学”等其他人帮忙一起挑水，耕种速度明显提升。因此，原本按照40年一个台阶，应该进入2.0时代的平稳发展期的机器人产业，一下子跨进了3.0时代的技术爆发期。
这就是科学发展产生的新风口——对于2.0时代因技术更新而抢占市场的企业和城市来说，它们还没有确切获得的市场红利，就必须面临来自3.0时代新生技术力量的挑战。或许在不远的将来，人工智能算法还会被其他更新的技术代替，市场还会面临新一轮的洗牌。
那么，面对技术迭代的不确定性，城市应如何发展机器人产业呢？首先，我们需要深刻了解“科学驱动”下的机器人产业究竟是怎样的一个发展逻辑。
一、入局机器人产业，是对城市科学创新能力的最高要求
机器人并非一个“零门槛”的产业，尤其是机器人产业的3.0时代。但是，很多城市并不是这么想，而是将机器人产业当作传统产业转型升级的救命稻草。尤其是以传统制造业为主要基础的城市，更是如此。
机器人
截至年，国内机器人产业园遍地开花，已涌现了大大小小65个。但仔细看下来，这些机器人产业园大多有一个普遍的特点——招商为重，盲目引进国内外的龙头企业，进行处于产业链低端的机器人组装和代加工。
换而言之，秉承着“世界工厂”的模式惯性，中国的各个城市对于机器人产业，依然是以“装配”的逻辑进行切入，显现出“高端产业低端化”的“奇异景象”。
那么3.0时代的机器人产业到底是什么？为什么这是一个距离“科学”更近的产业？
1、被低估的机器人产业3.0时代的技术门槛
我们必须意识到，机器人3.0时代还是一个技术“相当不成熟”的行业。这里的不成熟指的是虽然机器人产业只用了15年，就升级到了3.0时代，但这个3.0时代只是开了个头。无论人工智能、脑科学或仿生学，都还只是在“大机器人领域”中某一个细分单品上取得的一定程度的突破，并没有彻底让机器人脱胎换骨并实现对人类生活的颠覆性改变。
例如，在机器人行业中，公认最具实力的“四大家族”（发那科、库卡、ABB、安川电机）随时面临着被新兴企业挑战的危机。优傲机器人（UniversalRobots）就因为在协作机器人的细分领域取得了突破性的进展，从而无视“四大家族”已有的市场份额，一举奠定了自己在机器人领域的“暂时领先地位”。也就是说，在3.0时代的市场竞争中，决定企业地位的几乎唯一凭证，不是资本、规模、知名度，而是技术本身，并且这个技术仍处在快速迭代的过程中。
安川
ABB
优傲
反观2.0时代，其核心技术的三大零部件——控制器、伺服电机、减速器技术成熟度相当高，几乎所有的硬件可以轻易获得并进行组装——这也是那些蓬勃发展的机器人产业园正在做的事，将2.0时代的机器人产业不断扩大，却根本未曾涉及3.0时代的核心技术突破。因此，机器人产业3.0时代，不再是传统的制造业逻辑，而是处于“以科学创市场”的科学技术创新阶段。只有不断产生新科技，方能做到“入局”机器人3.0时代的大格局——这才是机器人产业3.0时代各个城市入局机器人产业的真正门槛。
2、了解技术“成熟度”是机器人产业3.0时代的正确打开方式
技术成熟度模型指的是每个新兴科学从基础理论到实现产品化和商业化的全部过程。这个模型诞生于美国国家航空航天局，起初是为了把控太空技术的发展过程，如今已被世界各国广泛应用于众多新兴科技领域。因为其包含九个小的创新阶段，所以又被称为“九阶判定”。
机器人产业3.0时代无疑是考量一个城市在“九阶判定”下，各个环节的综合创新能力。
机器人
（1）研发环节：1～4阶段，机器人产业3.0时代的技术爆发源头。
“九阶判定”的前四个阶段是实验室中的研究阶段：第一阶段是基础理论研究，牛顿定律、第二宇宙速度等基本原理的发现就属于这个阶段；第二阶段是提出假设，像当年的登月假想、载人航天，如今最流行的“引力弹弓”，甚至埃隆·马斯克的“定居火星计划”，最初都属于基于基础理论的假设；第三、第四阶段属于应用研究阶段，分别对应在实验室中对方案进行物理验证和对原理样机进行验证。
这四个阶段是通常意义下的“研发环节”。对于机器人产业3.0时代来说，这四个阶段是目前最为活跃的。如果说机器人产业2.0时代，不断提升关键零部件及本体的稳定性、易用性、精度，是从1到的迭代提升；那么，当人工智能、脑科学等更多科学的研究成果开始融入机器人产业3.0时代的研发环节中时，则是真真正正实现了从0到1的突破，从而奠定了整个产业的爆发式增长的基础。
医疗机器人
因此，显而易见，拥有超强的、复合的研发能力，将是一个城市入局机器人产业的先决条件。
（2）转化环节：5～7阶段，机器人产业3.0时代的场景测试革命。
第五到第七阶段是不断进行技术研发和试验测试、验证的阶段：第五阶段是虚拟环境测试，即在数字化仿真平台等模拟环境下验证分析；第六阶段是模拟真实环境测试，即在实验室等模拟真实环境下进行系统原型的演示，如NASA的风洞实验室、极端气候实验室等；第七阶段则是真实环境测试，在本书《大航天时代的科学创富机遇》中提到的美国洛杉矶都会区中的莫哈维小镇，就是典型的真实环境测试，是众多飞行器原型机研制和试验的场地。这里不仅有NASA，更是聚集了美国太空探索技术公司（SpaceX）、XCOR等太空探索的新贵，通过实地发射进行航天器真实环境中的压力测试等。这些对应的都是第七阶段的真实环境测试。
这三个阶段在传统意义下属于科学技术转化环节。而对于机器人产业3.0时代来说，转化测试的能力是万万不能与研发源头剥离开的。
前文提到过，机器人产业3.0时代的一个重要特征就是从“生产效率导向”向“场景需求导向”的转变。而场景需求，尤其是贴近真实生活的场景需求，则是机器人产业3.0时代的“灵感源泉”：扫地机器人的更新换代，来自大量客户的实际反馈数据；送货无人机的产生，则是源于豪宅富人们“懒得取件”的心理本能需求；而无人驾驶操作系统的不断升级，则是由于谷歌总部所在地的山景城，对于无人驾驶测试极度开放的包容程度，使大量软件公司获取到了最宝贵的城市真实道路测试数据。
无人驾驶工业车
酒店自助办理入住的服务机器人
可以说，对于机器人产业3.0时代而言，正是由于这三个阶段不再拘泥于高精度的实验室测试，或者说测试场景越来越多、越来越容易被获得，从而反向刺激了技术的更新。这也说明，只有当一个城市能够产生和获取足够多的测试数据，才有可能让研发的种子落地生根。
（3）商业化环节：8～9阶段，机器人产业3.0时代的持续发展保障。
第八、第九阶段是实现技术商业化，即形成产品并在最终测试中成功运行。而衡量“成功运行”的根本标志就是“赚钱”。赚钱已经成为当代“科学助推产业发展”的一个重要特征——在埃隆·马斯克的火星计划中，很重要的一个商业化指标是要做到每位乘客50万美元，即可实现火星旅行。
事实上，科学与商业化的关系已经从最初的“科学负责理想，商业化负责赚钱”慢慢转向“以商业化反向拉动科学发展”。机器人产业更是如此。随着移动互联网技术的发展，投资者们习惯了通过提前押宝技术从而获得高利润回报。因此，机器人产业3.0时代中大规模的技术研发，就成了投资者们眼中的“璞玉”——每当一个类似优傲机器人的企业在抢占行业中的某个细分领域时，其背后都离不开大规模的资本市场的支持。
因此，构建良好的商业化模式，将成为一个城市能否支撑机器人产业持续产生具有竞争力的新技术的最重要保障。
3、人产业3.0时代，终将是“科学集群”对“制造集群”的碾压式胜利
在“九阶判定”的逻辑下，全球机器人产业的地理格局，正在进行一场“科学集群”与“制造集群”的争夺战。
异军突起的“科学集群”主要以美国硅谷、波士顿、匹兹堡三大机器人高地为代表，它们都是最具科学创新活力的地方，聚集了麻省理工学院、斯坦福大学、加州伯克利、卡内基·梅隆大学等众多名校，同时，也拥有最丰富的应用场景和最活跃的社会资本。权威机器人杂志《机器人商业评论》（RoboticsBusinessReview，RBR）所评选的全球50家机器人行业领导者，大多来自这三个区域。
波士顿-麻省理工学院
旧金山-斯坦福大学
而“制造集群”以从事制造和系统集成的传统机器人厂商为主，通常靠近制造业较强的城市，包括许多上一轮机器人革命中的赢家，如瑞典韦斯特罗斯市机器人谷、法国图卢兹Roboticsplace集群、日本爱知县工业机器人集群等。他们依然沿用“制造业”的经济思维，以劳动密集或成本导向获取更多的市场占有率。
换而言之，“制造集群”依然在用营商环境，对抗“科学集群”中营研环境的强大科学创新能力。这种对抗或许因为产业惯性，依然能在不成熟的3.0时代获取一部分生存空间。但如果不能够跟上科学的步伐，一旦当属于机器人产业3.0的时代完全到来，等待“制造集群”的，或许会是我们极为熟悉的一个前车之鉴——“一夜崩塌的底特律”。我们有理由相信，尽管战争刚刚打响，胜利的天平终将向“科学”倾斜。在机器人产业3.0时代，掌握了“科学”的一方将“赢家通吃”。
因此，在新时代中，机器人产业的发展逻辑，本质在于如何针对“九阶判定”下的三大环节，构建一个能够适应机器人产业科学发展规律的城市创新环境。这个新环境中，并非简单的资本、研发、制造环节的聚集，而是要根据机器人产业的研发、转化、商业化特征，分别量身制定不同的“算法”，以期能够最大限度地应对由于其科学发展的不确定性而带来的产业发展风险。
二、用“科学算法预演”读懂机器人产业的发展秘籍
在以下的内容中，我们将为那些希望引入机器人产业的城市们，逐一“翻译”三个重要的“科学算法语言”。
1、“非”逻辑算法：研发环节的是非判定是城市入局机器人产业的先决条件
一个城市能否入局机器人产业，其核心在于城市对“科学”研发模式的选择。
在“九阶判定”的第一环节——研发环节，由于机器人产业从“制造”向“科学”的迈进，原来“产—学—研”的逻辑转变为了“研—学—产”，即曾经研发与制造可以在地理上分离，甚至可以不需要研发环节，“制造”中的技术创新就已足够。而现在短期内出现的几项技术只能解一时之困，若要真正在机器人革命中立于不败之地，就必须涉足“科学”的原始创新并为此搭建研发环境。
机器人
要想知道一个城市应搭建怎样的研发环境，就要先明确机器人研发模式具有什么特征。
1）研发模式判定——线性研发模式？错！是非线性研发模式
科学创新有两种截然不同的模式——线性研发模式与非线性研发模式。线性研发模式将基础研究和应用研究拆分为上、下游关系，认为只有进行基础研究才能发现新知识，进而才能开展应用研究，并且两个步骤通常在不同的科技实体中进行。在线性研发模式下，基础研究和应用研究环节的突破能够采用集中攻关的方式，如“两弹一星”等重大科研任务就是在核裂变基本原理清晰的条件下，集中进行目标明确的应用研究。在非线性研发模式中，基础研究和应用研究并非线性模式中的严格渐进，通常表现为一个科技创新实体中既有基础研究又有应用研究，两个阶段交叉融合、相互推进。
智能四足机器人
智能机器人作为融合了物理、数学、化学、计算机科学、生物学、心理学、工程学等的交叉学科，无论基础研究还是应用研究领域的成果，都会出现众多方向和无法预料的可能性——源源不断的应用需求刺激新研究成果的产生。即使是同样的应用需求，也会出现不同的技术路径。例如，针对储能这一机器人核心难题，既可以提升能量密度，也可以研发新的柔性电极材料，还能让机器人身体内循环电池液，作为“血液系统”为机器各个组件传递能量。
因此，机器人研究中应选择非线性研发模式，细分方向、松散组织，既开展多样的基础研发，又同时开展应用研发，才能加速机器人这一交叉学科的研究，真正发挥出乘数效应。机器人的研发更倾向于以应用研究作为驱动——从多样化的实际需求出发，研究各种用途和结构的机器人，并在这个过程中反向推进基础研究领域的新突破。
商场里的服务机器人
在智能机器人领域具有绝对优势的美国，选择了非线性研发模式：在柔性机器人和仿生机器人的研发中，实现了液态金属和人造肌肉等新材料领域的突破；自动驾驶汽车作为机器人领域中率先市场化的代表，为解决能量续航问题，成为研发动力电池能量密度提升的核心力量；为清理美国三里岛核泄漏废料而诞生的场地机器人学科（FieldRobots，是指在动态、非结构化环境中运行的非工业移动机器人），在研发过程中开辟了机器人移动技术、导航与路线规划方法、先进的传感系统等基础研究领域，随之，又以基础研究领域的新发现再次推动更多种类机器人的研发。
反观日本，由于在智能机器人研发方向上锚定了人形机器人。就此，出现了明确的目标和技术路径导向，这就导致本来应该是非线性研发模式的机器人展现出线性研发模式的特征。在年日本召开的第一届机器人学术会议上，就对机器人强调了应当仿人的含义，即靠手进行作业，靠脚实现移动，由脑来完成统一指挥。随之，其研究模式展现出按部就班的线性特点——首先通过几个阶段解决基础研究问题，第一是移动问题，第二是赋予视觉与听觉，第三是赋予自主控制与交互能力；再考虑如何融入日常生活。
人形机器人
其实，一些其他以应用为导向的机器人研究中产生的技术突破，可以更快地推动人形机器人的研究，如语音交互及图像识别技术、人工智能算法。但是线性创新模式使日本反而错过了这些研究方向，导致人形机器人并未满足家庭服务和娱乐的需求。
2）研发环境判定——开放式创新生态？错！是非线性研发源头
那么，机器人的研发模式与城市有什么关系，是不是提供了开放式创新生态就可以了？并不是！非线性研发模式并不同于开放式创新生态。
开放式创新生态只需要广泛聚集科研机构、人才、企业、资金，让创新要素无边际地自由流通。而非线性研发所需要的生态不仅要在知识上有较高的流通度，还要在管理上有一定的聚集性，也就是“画在圈内的自选动作”。机器人本身作为一个单独的学科，虽然需要有力学、机械学、生物学、材料学、计算机科学等学科作为研发支撑，但更需要这些研究成果都汇集在一个共享池中，为机器人学科服务，让各个学科研发的劲儿往一处使。这就需要有一个统一的运营机构来管理、组织一个非线性研发源头。
工业机器人
因此，能够作为非线性研发源头或研发锚点的机构，通常是在机器人领域具备顶尖水平的一所大学或一个科研院所——在城市中需要一个体量足够大的学术源头，才能够同时囊括多个支撑学科的基础创新；同时，还需要这一学术源头通过内部管理保证学术的统一性和聚集性，统筹把握各学科的研究方向。
世界上顶尖的机器人集群就是最好的例证：在美国三大机器人聚集区——波士顿、匹兹堡、硅谷中，虽然波士顿和硅谷确实具备开放的创新生态，但是机器人产业其实是由大学主导的，麻省理工学院和斯坦福大学分别是波士顿和硅谷发展机器人产业的创新源头，并采用了非线性的研发模式。
斯坦福大学
特别值得一提的是位于宾夕法尼亚州的匹兹堡——一个只有30万人口的小城市。虽然匹兹堡并没有足够体量的开放创新生态，但是凭借卡内基·梅隆大学在机器人领域的超强实力，在机器人产业上匹兹堡却能够比肩波士顿和硅谷——拥有多家科技与机器人公司。这充分说明了一个聚集的非线性研发源头而非无组织的开放创新生态是发展机器人产业的源头。
匹兹堡
麻省理工学院位于波士顿，加州伯克利和斯坦福大学位于旧金山湾区，都是位于大都市区内、学术规模和综合实力皆为顶尖的学校。大都市资源丰富，对人才的吸引力更强，其学校高水平学科众多，能有强大的计算机和机器人研究实力不足为奇。但是匹兹堡是一个小城市，卡内基·梅隆大学也是一所规模并不大的学校。为什么它能培育出雄厚的科研基础呢？
卡内基·梅隆大学作为匹兹堡机器人技术的“母系”，其计算机学院从规模和质量上都是全美第一，并且是最早创建计算机科学系（年）、开设人工智能课程（年）的大学之一。
卡内基·梅隆大学
卡内基·梅隆大学的计算机和机器人学科本身相对于全美更具比较优势——学校的教职人员中有第一任图灵奖获得者艾伦·佩利斯，也有人工智能的奠基人艾伦·纽厄尔、赫伯特·西蒙。作为美国曾经的“钢都”，20世纪80年代的匹兹堡寻求城市转型，匹兹堡果断放弃钢铁制造，希望利用大学的科研优势作为城市转型的“芯片”。匹兹堡与卡内基·梅隆大学一拍即合。面对城市小、资源有限的现实，城市政府与卡内基·梅隆大学达成共识，集中力量做好本地具有前景的优势学科——计算机与机器人。
卡内基·梅隆大学
为此，城市和学校向机器人学科进行资金和资源上的倾斜。卡内基·梅隆大学计算机学院设立了机器人研究所，由此汇集来自不同背景和专业的专家和学生，如数学、物理学、计算机科学等，力求将机器人研究所打造成为世界上最大的机器人研究与开发组织。直至目前，机器人研究所已经发展出38个不同方向的实验室和小组，人员总数近千名，是世界上最大的机器人研究与开发组织。
另外，机器人研究所重视交叉学科与实用研究，积极鼓励教师之间协作。除军工保密的实验室外都向研究人员开放，研究人员还可以根据自己的爱好加入不同的小组。机器人研究所还开展了众多跨学院研究项目，如与工程学院的“电气与计算机工程系”合作研发机器人智能微型传感器和执行器系统。
卡内基·梅隆大学
如今，卡内基·梅隆大学被誉为“拥有世界上最好的机器人研究设施”和“机器人研究和教育的标兵”，其研究课题的数量每七年就会翻一番，其培养的众多人才使匹兹堡地区拥有比MIT和斯坦福大学加起来更多的机器人专家。这些成就也使匹兹堡成为“锈带城市”中成功转型的典范。
2、“且”逻辑算法：转化环节的本质是“科学”与“制造”的一体两面
在“九阶判定”的第二环节中，要想将科研成果真正变为产业，核心痛点是跨越转化的“死亡谷”。“死亡谷”是指转化环节中，科技人员涉及产品开发相对较少，而企业也不愿承接可能还不成熟的技术成果。“死亡谷”是科技发展过程中的薄弱地带。科学家和工程师的对接不畅是“死亡谷”出现的最根本原因。
对于机器人产业来说，跨越“死亡谷”的方式并不是简单打通科学家与工程师之间的联系，而是需要这两类人变成一类人——一类既是科学家又是工程师的“超级人才”。这是因为，机器人的“科学属性”与“制造属性”有着远超其他行业的紧密关系：机器人学科作为跨越机械工程、电气工程和计算机科学甚至生物系统与认知科学的交叉学科，不仅局限于“科学”上的理论研究，在分析与优化模型的过程中，也要通过机器人样机在实验和测试中调整属性和参数，机器人科研人员要负责创意、设计、开发、制作的全部过程。
机器人
因此，不同于原来的传统线性研发模式，科学家仅仅负责基础研究，应用部分交给工程师——在机器人产业中，“科学家”与“工程师”往往是同一个人的一体两面。从机器人之父约瑟夫·恩格尔伯格开始，机器人专家中就不乏跨界人才：他们既是物理学家、数学家、神经科学家，又擅长机械工程；他们既能够“上穷碧落下黄泉”研究基础算法，能够“动手动脚做东西”制作出机器人原型。
甚至这些“超级人才”会进一步进化成为科学企业家——一个科学研发、机械制造、商业管理都精通的全才。与单纯的管理人员不同，科学企业家们凭借着本身的技术和资源优势，对技术路径判断的眼光更强，招纳人才并获得政府和资本的支持也就更容易。这样的科学企业家已经成为机器人产业中的重要新兴力量，如雷伯特创办的波士顿动力、莫拉维克创办的西格丽德（Seegrid）等都是机器人产业中名副其实的新贵。
值得注意的是，这样的人才并非只存在于硅谷、波士顿这样的大城市中。匹兹堡就因为盛产一体两面甚至一体三面的“超级人才”，而坐稳机器人产业的领跑者。
匹兹堡
1）卡内基·梅隆大学，匹兹堡机器人产业的人才源点
卡内基·梅隆大学的诞生源于一所研究所和一家职业学校的合并。卡内基·梅隆大学由卡内基技术学院和梅隆工业研究所合并而成。卡内基技术学院是匹兹堡“钢铁大王”卡内基开设的培养制造业工人的职业学校。而梅隆工业研究院最开始就是为政府承包工业研究项目而设立的。这样的历史，让卡内基·梅隆大学天然就具有“研发”和“制造”的双重基因。
卡内基·梅隆大学
同时，卡内基·梅隆大学也是一所“商业化”氛围很重的大学——卡内基·梅隆大学的机器人研究所就是由匹兹堡的制造业公司西屋电气投资建设，并在建立之初就以研发用于实业的机器人为目标。在卡内基·梅隆大学的带领下，匹兹堡地区附近的30多所学院和大学，每年都会培养出位左右拥有计算机科学、机器人、机电一体化、AI学位的年轻人才。
2）超配套科学环境，匹兹堡机器人产业的人才乐土
除了人才的产量，匹兹堡最让人惊讶的是“离职不离地”的奇迹。优步（Uber）在卡内基·梅隆的机器人研究所一次性“挖”走了40多个专家。按照美国企业的惯常逻辑，这40人应该直接坐着专机飞往加州的阳光海岸，与硅谷的研究人员汇合。但与常理不符的是，他们并未离开匹兹堡，而是在大学旁就地落成了一个企业科研机构，并进一步吸引了谷歌、苹果等科技巨头进驻匹兹堡设立研发中心。
匹兹堡究竟有什么吸引力，让无往不利的加州的阳光沙滩都黯然失色？答案就是一个针对机器人产业人才的超配套科学环境！
我们知道，顶级的科学家或工程师对于工作环境的要求是极为挑剔的——这也是加州这样的阳光带独具优势的地方。而一个同时兼具了科学家与工程师的人才，对于其工作环境只会更加挑剔。因此，作为一个只有30万人的小城市，匹兹堡可谓倾其所有，才搭建出一个远超其城市能级的机器人产业科学创新环境。
超硬核配套——“国字头”科研设施
为了满足科学家的研究需求，匹兹堡引入了超高级别的科研基础设施——大科学装置超级计算中心（PSC）和国家级研究机构美国国家机器人工程中心（NREC），作为留住人才的重要锚点。
人工智能作为机器人研发的核心，不仅需要先进的算法，还需要超强算力和海量数据。因此，强大的计算中心是机器人专家在研究时离不开的基础设施。卡内基·梅隆大学、匹兹堡大学和西屋电气公司合作建立的匹兹堡超级计算中心（PSC），作为美国国家超级计算机应用中心的四个中心之一，对研究人员免费开放。另外，超算中心根据研究需要不断更新，如今升级为AI超级计算机，以保持最先进的芯片和系统，其强大硬件和巨大的数据量支持了卡内基·梅隆大学的得州扑克AI等机器人的运行。
另外，隶属卡内基·梅隆大学的美国国家机器人工程中心（NREC），多次摘取美国国防部高级研究计划局（DARPA）智能系统竞赛桂冠，堪称全球机器人技术的“执牛耳者”。机器人研究所在“九阶判定”第一环节中的成果，在NREC接棒推至七级水平，这里搭建了涵盖丘陵、森林、矿场等多样地形条件的室外区域，可以将成果进行快速的概念验证演示。
高度包容的环境——开放的城市测试场
在转化环节，城市中还必须有易于获得的测试环境，这包括软、硬两个方面——样机测试和仿真测试。科研的时效性要求验证与测试的及时性，决定了机器人“研测一体”的模式。除却科研机构，对于初创企业来说，原型、测试、维护IT和安全性等基础设施服务的高成本，可能成为发展的最大障碍。面对机器人的测试需求，匹兹堡市政府以高度包容的态度，将整个城市空间变为机器人的实验场。在样机测试环节，只要研究者提出针对城市问题的解决方案，城市就会开放试验所需的许可、数据、特定建筑物或人员的访问权限等，以测试其产品并开发概念验证。
匹兹堡
匹兹堡通过软件测试平台进一步确保机器人技术的可靠性，在先进机器人制造中心（ARM）、EdgeCaseResearch、CorowareTestLabs等平台中都提供了新的分析、仿真和设计工具，初创企业也能申请获得设备的使用权。另外，匹兹堡的本地企业ANSYS是全球最大的工程仿真软件公司之一，也可以提供从概念设计到最终测试产品全过程的统一平台。
超快速反应——2小时半径制造集群
为了满足工程师的需求，匹兹堡利用其制造业的家底，构建了反应灵敏的制造集群。在智能机器人的科研过程和企业开模生产新产品之前，需要制作大量样机。其中，尺寸小、结构简单的机器人需要3D打印制作。高装配精度强度、结构复杂的关节式机器人，则需要种类多样而量少的非标零件。由于科研机器人对加工精度、材料工艺、工期时间有一定的要求，城市中如果有大量非标零件供应商，科研人员能够直接去检测装配并处理问题。这是效率最高的方式。
基于制造优势，不同于硅谷依靠AI、软件和投资者，也不同于波士顿的明星机器人公司的品牌效应，匹兹堡走出了一条完全不同的机器人产业路径——依托其强大的制造业基础，例如，特种钢铁厂和部分钢铁产业的配套服务商，自下而上地配合机器人科学研发。例如，在3D打印领域，匹兹堡拥有完整的增材制造生态系统，所需组件都位于城市2小时半径之内，可以进行快速原型设计和按需制造；在精密机械加工方面，匹兹堡也具备极其完备的产业生态：匹兹堡拥有近家机加工厂，雇用名员工。不仅如此，匹兹堡还在国家机器人工程中心内配备了专业的电子车间和数字车间，为科研人员制作原型提供了最便利的条件。
另外，机器人的研发和制造过程也需要与其相匹配的厂房：不仅要有研发空间，还要有机器人产品测试所需的超长厂房。这是因为较大型机器人生产和实验需要挑高厂房，并且多样化的项目需要极为灵活的模块化的厂房建筑空间。刚好，匹兹堡这类传统制造业城市都遗存大型钢结构厂房，正可以满足这些基本条件。改建后，匹兹堡以每平方英尺15美元的低廉价格用于机器人行业的研发和制造中。
总之，匹兹堡“离职不离地”的背后，是城市为“双面一体”的科研人才量身打造的超配套环境，这也呼应了上文所说的，机器人产业是对城市科学环境的重大挑战——要想留住超高量级的人才，就势必要打造超高级别的科学生态。
3、“或”逻辑算法：商业化环节的核心是研发效率与投资收益的平衡博弈
在“九阶判定”的商业化环节，机器人发展面临着重大的危机——“资本投入”与“科学产出”的失衡。正视现实，机器人是一个高资本投入的产业吗？当然是！如上文所述，在研发环节，机器人非线性研发模式和多学科交叉的需求，意味着它是一种研发团队庞大、研发周期漫长的技术。那机器人是一个高收益的产业吗？当然也是！“四大家族”的工业机器人毛利率在30%上下，而新兴机器人公司如大疆无人机的毛利率更高达50%，这是一块诱人的大蛋糕。因此，机器人产业的本质就是一个“高投入、高收益”的产业。
但是，“高投入、高收益”与风投等商业资本的逻辑形成了一定的冲突——资本更希望的是“低投入、高收益”。因此，投资机器人算不上一笔很划算的交易。说得更透彻一点，风险投资对“科学”确实不感兴趣，它更愿意投资的是短期见效或能被快速“变现”的技术。对于那些基础研发或原始创新，资本的兴趣度从来都不是很大。
明白了这个道理，就能理解为什么成熟度为1级的基础研究通常只能由政府和非营利机构资助，而只有当一项技术成熟度达到5级时，商业投资才会介入进来。对于成熟度很低的基础研究而言，没有了政府的资金支持，就意味着停滞甚至消亡。美国盛极一时的贝尔实验室就是非常典型的例子。
就像在本书的开篇文章所介绍的，贝尔实验室在科学研发方面曾经取得过辉煌成果。从年到年一共有15位在贝尔实验室工作的科学家获得了8次诺贝尔物理学奖和1次诺贝尔生物学或医学奖。贝尔实验室作为一个线性研发模式的企业研究院，有许多中长期的基础与前瞻研究，也有涉及后续的应用研究。但是在科研成果转化为产品并在市场上盈利之前，这些项目都要经历漫长的纯投入过程。
贝尔实验室的经费主要来源于政府研究资金和母公司美国电话电报公司（ATT）的利润。在杜鲁门时代，美国政府给予企业研究院大量研发合同和资金支持，其中ATT获得了万美元的资助。但在20世纪80年代里根执政期间，美国政府将研究资金重新分拨给大学，并投入新的科学领域，如分子生物学、生物化学和生物技术等。这使以物理研究为主的贝尔实验室受到了巨大冲击。另一方面，曾垄断了美国电信行业90%的市场份额的ATT，在反垄断法颁布之后被拆分，利润的下降导致贝尔实验室科研经费急剧收缩。持有大量股票的董事会和华尔街投资者追逐短期利益，不再投资基础研发阶段，最终使研发资金链条断裂，实验室走向衰败。
距离“科学”很近的机器人产业，同样也可能会重蹈贝尔实验室的覆辙。换而言之，解决“钱从哪里来”的问题，特别是1到4级的“科学”研究中钱的问题，是一个城市发展机器人产业最后却最致命的一环。例如，机器人科研中“抓取”这个动作，虽然已经研究了40年，但机器人仍然没有像人类一样灵活的双手。拿取咖啡杯对于机器人来说依然是很难完成的任务。面对这种不尽如人意的研究成果，很少有商业投资者愿意投资这项研发。同时，政府也未见得愿意“慷慨解囊”：自“冷战”结束以来，政府和军方对于机器人的研发需求降低，投入机器人学科的研发资金已经下降了一半。
面对这种两难境地，一个想发展机器人产业但缺乏资金的城市应如何寻求破解之道？即使是一个具有充足财力的城市，如何从漫无边际地“砸钱”变为有技巧、有效率地“花钱”？要回答这个问题，我们可以看看匹兹堡在发展机器人产业时如何找到了“圈钱大法”。
机器人
1）借助城市产业基金，打造助力产业生长的“孵化器”和投资科研的“稳定器”
一个城市要想发展“高投入、高收益”的机器人产业，自然是看中了它的“高收益”，那么城市自身也必然要先付出“高投入”。如果城市自身都没有投资的决心，就更难获得社会资本的跟投。因此，城市应该打好手中已有的一张牌——城市产业基金，它是国家资助和商业投资之外的第三条解决路径。在研发阶段的投入上，与国家研究资金相比，它对投资的产业方向有更大的自主权，与风投相比，它可以不过分追逐短期利益。而且，它同样具备风险投资的属性，可以帮助达到商业化水平的科技成果孵化成公司，实现产业规模的扩张。可以说，与风投基金相比，城市产业基金可以扬长避短，在产业成长和科研突破上实现双赢。
在本书开篇文章中介绍的合肥，就是城市产业基金投资成功的典型案例。同样，在机器人的发展中也可以采用这种模式。但是，并非每个城市在产业的“赌博”中都能大获全胜，也并非每个城市都能承担如此高的投入和风险。那么，是否可以利用城市产业基金，以相对可控的投入实现资金链条的长久维系和产业规模的持续做大？答案是肯定的，匹兹堡就是一个成功的案例。
匹兹堡
与硅谷和波士顿地区相比，匹兹堡作为一个不算大的城市，并不具备大量活跃资本。但是也成功构建了科技商业模式，并不断扩大机器人产业规模。在这个过程中，卡内基·梅隆大学起到了突出的作用。它作为一所私立大学，利用学校的基金投资机器人产业，事实上就扮演了部分城市产业基金的角色。更为重要的是，卡内基·梅隆大学在基金中构建了从“产业投资收益到科研经费”之间的循环机制，搭建起“投资—收益—投资”的资金链条。
卡内基·梅隆大学
具体而言，发明创造并不直接等同于价值增值。城市产业基金必须发挥部分风投的功能——发现最具商业前景的技术并将其市场化，孵化出一个个“小巨头”企业，做大产业规模。在资金有限的情况下，城市产业基金的投资对象势必要与风投有所区别：风投更愿意涉入机器人的A轮及B轮，但城市需要将钱投在种子/天使轮。因为初创企业最易移动，会根据当地产业生态决定是否扎根。一旦它们获得投资、成立工厂并开始雇用员工，几乎没有公司会离开。城市产业基金可以满足初始资本需求，而优秀企业的创新商业模式将吸引更多的外部资本进入，让生态系统中的初创公司发展成可以持续盈利的成熟企业。
正是遵循这种逻辑，机器人产业聚集的城市如波士顿、匹兹堡等，大多会以城市基金搭建创新孵化器——加速器网络，鼓励高校教师和学生创业，发扬“学而优则‘商’”的传统。例如，卡内基·梅隆大学通过学校的基金投资，打造了一批面向初创企业的孵化器，如创新工程（InnovationWorks）、机器人中心加速器、斯沃茨创业中心等。年后，消费和服务及机器人市场打开，卡内基·梅隆大学迅速加入市场化浪潮，仅在年就向学生和校友创办的16家创业公司投资了80万美元，帮助有前途的初创公司更快、更轻松地将其机器从实验室推向市场。BossaNovaRobotics、卡内基机器人公司等都是这样从学校中孵化而来。如今，卡内基·梅隆大学三分之一的机器人领域专家都投入创业的大潮中。
把机器人从孵化器推向市场，并不算城市产业基金的特别之处。产业基金与风投的最大区别在于城市产业基金是保证基础研发资金的“稳定器”和“调节器”。
普通风投基金更注重可以在短期内获利，因此，它收获红利之后会转移资本——“打一枪换一个地方”，极少投资基础研究阶段；但是城市产业基金不仅要孵化企业，还要让这个产业可以在城市中持续生长。因此，它必须持续拿出一部分资金回流进入基础研发阶段，并通过为自己的基础研发投资，不断获得更多可商业化的成果、孵化出更多的企业，从而实现资金的持续循环。
在初步构建了富有活力的生态系统后，匹兹堡形成了机器人的品牌价值，带动了外部资本如亚马逊等公司进驻。卡内基·梅隆大学最初投资的泰坦机器人、HEBI机器人、IAMRobotics、BossaNova已经是可盈利的明星机器人公司，而Aethon等公司也在成长到一定规模后被收购。卡内基·梅隆大学通过基金投资所获得的利润，以投资收益的形式纳入学校的总收入，在下一年会通过学校捐赠和拨款的形式进入机器人研究所的科研经费中，从而实现从发明创造到成果产业化的循环。
匹兹堡
可以说，一个城市要构建机器人的科技商业模式，用好城市产业基金是第一步。
2）以科研委托定制的激励模式，让商业投资先行垫资
机器人“无边际”的学科领域可以产生“无边际”的应用场景，从科学研究到成果商业化的过程中，具有结果的“不确定性”和时间的“不可控性”。
从本质上讲，风险投资抵触的不是科学研究，而是科学研究阶段的低效率。因此，“科研委托定制模式”从根本上提高了科研的效率。不同于从基础到应用的正向研究，“科研委托”是通过确定客户的应用场景和需求，进行反向量身研制，从而保证科研成果短期可见。由于是“定向研制”，因此推动成果的受益者预先为科研垫资成为可能。这种模式既可以在一定程度上解决科研中的资金风险，也大大缩短了从基础研究到商业化成果之间的时间差，保证了客户的利益。
机器人作为面向市场需求的消费产品，就非常适合采用这种“由最终受益者垫资的定向研制”模式：机器人具有多应用场景的延展性。各种行业，如制造、物流、医疗、商业等，都有不同场景机器人应用的潜在需求。因此，让相关企业与科研的合作并提前支付研发经费，来开发适合自身行业领域的机器人，是可行的。卡内基·梅隆大学的机器人研究所就通过这种模式吸引了大量外部商业资本，通过激励客户买单的方式，持久获得后续收益，降低了仅依靠研究经费拨款来维持机器人研究所运营的风险。当然，这种“谁收益，谁买单”在具体操作过程中，充满了“技巧性”。
机器人
首先，这种模式必须有强大的科研能力作为背书，才能获得垫资方的信任。
为什么匹兹堡能够玩转“先收钱，后研发”？这是因为，他们拥有让垫资方“看到实力”的重要机构——美国国家机器人工程中心（NREC）。卡内基·梅隆大学的机器人研究所进行新技术的研发（即1至3、4阶段），之后再由国家机器人工程中心接力，实现机器人技术从概念到商业化，推至第七阶段水平。这里聚集了多位机器人专家和多项个人研发成果，促进了技术之间的整合与应用，并能通过学校科技转化中心（CTTEC）的助力实现技术转让。大量可直接进入商业化阶段的成果储备和巨大的专利池，让客户平添了几分甘愿提前垫付资金的勇气。
其次，并非一家一家地单独对接企业需求，而是通过搭建平台来实现高效合作。
这背后离不开匹兹堡市政府的倾力支持，匹兹堡利用城市基金大举出资1.73亿美元作为启动经费。这样的资金优势，让匹兹堡在众多城市的竞争中成功竞标第14家，也是最后一家美国制造研究院——高级机器人制造（ARM）研究所。你既可以把它看作美国制造业企业转型提供服务的研究院，也可以看成卡内基·梅隆大学搭建的与市场需求对接的平台。
卡内基·梅隆大学
在这里，卡内基·梅隆大学与多家来自各个行业的企业和机构达成了合作关系，为有需求的制造业企业定制工业机器人。而企业想要获得卡内基·梅隆大学的定制服务和成果的知识产权，就必须先缴纳一笔“门槛费”，用于科研经费的预先垫资。不同等级的会员每年需要捐款1万至25万美元不等的会费，来换取研发成果的知识产权。
高级机器人制造（ARM）研究所则可以被看成一个总包商：内部由专人负责市场对接和商务事宜，汇总国防部门、各行业的需求，再将课题分包给以NREC为领导的研究机构，对接相关方向的研究人员。NREC会根据客户不同的需求估算费用和进度，以标准的商业化流程把握科研时间和成果。
另外，卡内基·梅隆大学还搭建了另一平台——协作创新中心，与谷歌、苹果等科技公司合作进行科研项目促进双方交流，从而获得这些大型企业的投资。例如，优步向卡内基·梅隆大学捐赠了万美元。这些公司的到来也使校内科研人员能在企业和学校之间双向流通，这些人才会利用在企业中丰富的人脉和关系为大学研究吸引更多投资。
无论是“城市产业基金先行”还是“借助企业垫资研发”，本质上都是让机器人产业的投资不仅仅局限于“制造”，而是跨入“科学”阶段。无论是否能做到让企业垫资研发，利用好城市的产业基金，弥补风险投资和城市高科技产业培育之间的缝隙，是城市最应该做的“科学”选择。
将目光聚焦到国内，对标世界领先的机器人集群，北京和大湾区最具发展成智能机器人高地的潜力。《机器人商业评论》的RBR50榜单上，连续上榜的中国机器人企业——极智嘉（Geek+）、大疆也是来自这两个地区。
以机器人产业发展的三个逻辑判断来衡量，北京最大的优点在于非线性研发源头，有中科院自动化所、北航机器人研究所等。中科院自动化所与生物物理所在怀柔科学城联合共建的脑认知机理与脑机融合交叉研究平台也将起到重要的推动作用。在《北京市机器人产业创新发展行动方案（-）》颁布后，会进一步在亦庄聚集智能机器人上、下游企业，逐渐形成留住工程师的硬件制造配套。但是，在北京制造业外移的背景下，高校如何针对企业需求搭建合作平台，或通过企业科学家转化科研成果从而兑现科研价值，北京仍需要进一步磨合提升。
大湾区是中国最具发展潜力的地区之一。在区域的机器人产业生态中，已出现了大疆这样的消费级无人机全球领域霸主。大湾区最大的优势是超配套的产业生态——极强的硬件制造、发达的机械加工业提供了丰富的非标零部件。可以说，这里拥有全球最好的科研类机器人制造条件。“天河二号”和广州机械科学研究院则可以提供超算与检测服务。因此，其优越的营商环境和投资环境，也为产生机器人产业的进一步发展提供了条件。
广州
但是，如果将大湾区的机器人科研集群对标波士顿、匹兹堡、硅谷等世界顶尖机器人集群，可以看到目前该区域还没有足够规模，即区域内还缺乏一定数量的“包含5～10名机器人专家”的科研机构作为初始阶段的技术创新源头。好在这种情况正在改变。目前，深圳已经通过设立深圳大学机器人专业及与中国香港高校合作，来弥补科研上的不足。
综上所述，每一个划时代的产业背后都需要付出巨大的代价：非线性研发源头、“双面属性”的人才及配套、科技商业模式的构建，这三个“逻辑运算”，可能算不上推开机器人之门的捷径，但一定是长远发展下绕不开的战略选择。所以，在机器人产业的无限可能面前，无论波士顿、匹兹堡还是大湾区、北京，其实都还在机器人产业的门前摸索最适宜自身的打开方式。
但是，我们有理由相信——科学是读懂未来产业发展秘籍的终极语言！
本文节选自华高莱斯“技术要点”系列丛书《科学中心城市的崛起》
作者简介
金浓，华高莱斯产业咨询事业部项目经理
年加入华高莱斯，在区域发展、全域旅游、产业新城、旧城更新等领域顾问经验丰富，擅长自动驾驶、人工智能等前沿产业在城市中的转化研究。
梅硕，华高莱斯市场营销部营销副总
年加入华高莱斯，主要负责京津冀地区、长三角地区、大中原地区市场拓展工作，擅长国际化战略思路的国内落地方案解决。
参考文献
维基百科.
匹兹堡区域联盟（PRA）.
贝尔实验室
转载请注明地址:http://www.1xbbk.net/jwbzn/2000.html
