但两者在基于科学方法提出假设方面有很多相似之处。我们想要测试一个假设，这个假设可能来自早期的客户反馈或其他类型的输入。然后我们着手构建，看它最终是否可行，并在此基础上持续迭代。

应用挑战与市场焦点

Brett Adcock：

现在的问题是时间线非常长，项目也非常昂贵。你现在必须实实在在地购买硬件，不像以前只是编写软件。硬件很难推向市场，一旦开始做，要让事情真正运作起来非常困难。因为你得制造更多实体产品，而在数字领域，你可以无限扩展软件，比如在软件即服务（SaaS）或其他领域实现扩展。所以，这就像是软件创业者的死亡陷阱，好比是打了兴奋剂的软件创业，真的相当困难。

但这真的很有成就感。在我做软件的那些日子里，我从来没有真正感受到过这种成就感。对于软件，我无法切实地感受和触摸它。如果要展示产品，只需登录浏览器展示一下就行。在现实世界中亲手建造东西有一种特别之处。我们在现实世界中花费了大量时间，但这一点在某种程度上并没有得到太多关注。

我是在一个热衷于建造东西的农场和硬件团队的环境中长大的。在我的软件生涯之后，我真的很想涉足硬件领域，并全力以赴。我和阿彻（Archer）现在的这种形象和影响力也延伸到了我其他的公司，而且一直很棒。

没错，这个领域更难，一切都更艰难了。所以，这就像是把软件的挑战和难度调到了11级。不过，我内心总是非常焦虑，担心自己是否在为正确的事情进行设计，是否朝着正确的方向前进。在软件领域，你真的不太清楚这一点，你需要构建一个东西，然后走出去，尽早从用户那里获取反馈和进行测试。但在硬件上，你很清楚它是否能运行。比如，如果我们有这样的信念：我们应该开飞机而不是开车，因为那样肯定行得通，能为大家节省时间。或者在地下建造隧道，如果能以低成本建造出来，那也肯定行得通。如果你能研发出合适的产品，那么从确保可行性的角度来看，工程方面是相对直接的。这是优秀的一阶工程。我们必须从零开始完成这项工作，但这涉及物理学，而且有相关规则。

所以在某种程度上，这对我来说是作为创业者从事硬件开发的职业生涯中，压力最小的几年。因为我们有一本物理规则手册，基本上可以作为依据。实际上我真的很喜欢这种感觉。我作为一名努力奋斗的创业者，生活既充满挑战又令人愉悦。而且我喜欢这两个领域。

机器人技术的学习与改进

Nolan Fortman：

快速跟进一下，关于采用方面，作为一个团队，你们如何评估谁可能是最合适的人选，无论是在哪个行业？我知道你们现在在制造业和物流方面投入很大，在继续推进的过程中是怎么设想的呢？是等着听人们说“嘿，我们觉得可以在这里融入某种人机协作”，还是说你们有一份包含10个行业、10个人物角色的清单，并打算向他们推介？我很好奇，想听听你是如何设想这一切的。

Brett Adcock：

是的，我们有两个重点。一是专注于家庭场景下的送货机器人，家庭环境是一种非常非结构化、高度多变的环境，（里面的情况）真的很难处理。二是将重点放在劳动力方面，比如让机器人进入物流、制造、医疗保健、建筑等领域。

这有点反直觉，因为家庭领域的难度要远大于劳动力市场。你可能会想，如果攻克了家庭市场，它的规模会比职场市场大1000倍，但实际上情况正好相反。劳动力市场占了GDP的一半，其环境的变异性要低得多。工程挑战与可变性成正比，所以，可变性越低，就越容易将自主系统融入其中。在大多数情况下，劳动力市场与家庭场景相比就具有这种低变异性的特点。

再看商业模式，对于家用设备，你制造出一个机器人，每月的费用可能也就几百美元。但在劳动力市场中，你的盈利潜力是巨大的，毕竟这相当于一半的GDP。所以，我们基本上专注于这两条轨道。

当然，现实情况是我们正在努力打造一个通用机器人。我们希望能够与客户签约，并理论上让机器人在他们的设施内完成人类所能做的大部分事情。只要机器人有一定的运动范围、负载能力和速度，就应该能够完成所有这些工作。

我们与上一家物流公司的签约过程就很有趣。我们当时并不是看着物流业然后说：“哦，我们觉得机器人在处理包裹方面会很棒，我们就去搞定包裹吧。”我们的想法是寻找一个真正有发展空间的领域，并认为物流业属于这一类。我们签下客户时，其实完全不知道接下来要做什么。通过一系列的工厂参观，我们发现小包裹处理在运营中占据很大一部分，他们甚至会把招聘旺季、用工困难的时期称为“艰难时期”。

当我们看到这个问题时就意识到，天哪，每个包裹都不一样，有的像塑料袋，一抓就变形，而且每次的堆放情况都各不相同。这根本不可能通过预先编程来解决，但这是可以通过学习来解决的。于是我们就走上了机器学习的道路，并全身心投入其中。我们很快就让机器人在实际工作中运行起来，这非常有帮助。

毫不夸张地说，现在的情况真的是一天比一天好。我刚刚才发出一个视频，视频里我们每四秒就能处理一个包裹。上周五我看到，我们每3.5秒就能完成一个。我昨天在现场时没有计时，但我敢说它的速度更快了，处理各种不同类型包裹的能力也更强了，还会做一些非常聪明的事情，比如把一个包裹移开，以便能把另一个包裹推到传送线上，接着处理条形码，然后翻转包装。这是机器人在执行任务时所经历的一连串深思熟虑的思考和推理过程。