對話探月計畫黑客松冠軍團隊：五代本體開源、自進化與等待門店驗證的路線

原文標題：《對話探月計劃黑客松冠軍團隊：五代本體開源、自進化與等待門店驗證的路線》
原文作者：動察Beating

1961 年，Unimate 在美國通用汽車的一條裝配線上投入使用。更早的構想裡，操作者可以先帶著機械夾爪走一遍，機器把位置記下來，再照著做。工業機器人最早學會的，不是解釋世界，而是把一個動作重複到足夠可靠。

六十多年後，探月計劃具身智能黑客松的現場，LoopMaster 團隊試著把這件事搬到零售店裡。一台全向輪底盤、升降機構、雙機械臂和前置托盤組成的機器人，被他們想象成一個能在貨架與顧客之間移動的「賣貨機器人」。店長或店員先用遙控、語言指令和少量示教，讓它認識貨櫃、貨架和取貨路徑；機器再去抓取、遞交、補貨，並把一次次互動留下來。

這台機器人尚未在真實門店長期運行，團隊只在比賽現場做過測試，留下數百單記錄。兩年回本、銷售成本降低 40%、先部署後採數據再迭代端到端模型，這些也都還是團隊正在推演的路徑。它們離一張真實的門店帳本還有距離。

不過，這支團隊身上有一種很少見的坦誠。他們會講 Agent Loop，也會承認護城河還沒想清楚；會談機器完全替代人工的想象，也會承認人和人之間的陪伴、溫情和處理例外的能力，暫時還無法交給機器。

團隊在路演匯報現場

一群早已線上相識的人，第一次線下聚齊的思想碰撞

LoopMaster 的四位核心成員，有人在 B 站做具身智能內容，有人讀機器人和人機交互方向的博士，有人從車企產品設計走向獨立設計。

他們說，把他們聚攏在一起的，是近兩年來線上的合作。算法、本體、數據、低成本機械臂、產品外觀，大家各自從一個入口進去，後來才逐漸認識到彼此能把哪些空缺補上。他們之中有人直到黑客松現場才第一次見面，但團隊並不是只認識了那麼短的時間。

動察 Beating：先請介紹一下你們自己，以及目前在做的事。

謝俊：我是謝俊，目前在東北大學讀研二，也在 B 站做具身智能方向的內容。現在主要參與 LoopMaster 的創業孵化。

邹硯文：我叫邹硯文，現在是上海交通大學與創智聯培的博士生。我主要做具身操作，以及面向具身智能的人機交互。

李鵬棟：我是李鵬棟，在太原科技大學讀研二，也在 B 站做具身方向的內容。2024 年底，我是較早復現 ALOHA，並把過程做成開源教程的人之一。之後又做了幾款機器人，最後做出一台雙臂升降機器人，並盡量把它做成完全開源的形態，希望讓預算有限的學生也能復現。

許新豪：我是團隊的設計師。此前在一家車企做產品設計，後來開始做小紅書和自己的品牌，也接一些設計服務。現在是獨立設計師。

動察 Beating：你們是因為這次黑客松才組隊的嗎？現在已經準備一起正式創業，還是仍在兼顧各自的事？

謝俊：我們認識得比這次黑客松早得多，差不多有兩年了。早期有很多線上合作，大家都在做具身智能相關的事。我最早在 B 站發視頻時認識了鵬棟，也一直關注新豪的設計。砚文在美國讀書時，也在做相關內容。

我們之間並不是每個人都早早線下見過。有人是在黑客松現場才第一次見面，但這個團隊不是臨時湊起來的。過去大家一直會交流算法、本體設計和數據，也做過 DIY 套件和早期產品，有過一些銷售。為了處理簡單的對外商務，我們也成立過幾家小公司。

此前的狀態更像極客的實驗室或工作室，還談不上一個完整的創業公司。現在，我、鵬棟和新豪計劃繼續和探月合作，把項目往真正能落地的方向推。砚文還在讀書，暫時不會出來全職做這件事。

動察 Beating：在黑客松之前，你們已經有兩年左右的研發和一些商業化嘗試。這段時間是怎麼磨合過來的？

謝俊：早期認識時，大家都是剛入學或剛讀研的學生。最開始就是一群具身智能愛好者，交流算法、本體設計和數據該怎麼做。後來有了 DIY 套件，也有一些做出來的早期產品賣出去，才逐漸有了對外商務和小公司的形態。

所以黑客松之前，我們還不是一個完整的創業團隊，更像一群一直在做東西、一直線上碰頭的人。比賽只是讓這些積累第一次在同一個現場集中起來。

團隊成員獲獎合影

動察 Beating：LoopMaster 為什麼能在探月計劃具身智能黑客松拿到第一名？這 48 小時究竟考驗了什麼？

謝俊：首先還是過去兩三年在具身智能上的積累。機器人的本體、控制、算法和數據，並不是從比賽開始才有。LoopMaster 的機器人形態和零售場景，是我們在現場提出並實現的，但能在短時間內把它做出來，靠的是此前長期的認知和技術積累。

比賽現場，我們把本體、具身智能的認知、控制機器人的經驗和算法思路放在一起，才有了這次的碰撞和迸發。

鄒硯文：黑客松考驗得很全面。團隊內部要有清楚的分工，每個人做的事情也要扎實。技術上，你得在很短時間裡把一套原本只在腦子裡的東西搭起來。睡得少，強度高，人會進入一種很奇妙的工作狀態。這也是很多人喜歡黑客松的原因。

它又不只是技術。最後必須把東西包裝成一個產品，做出能給商業和落地看的 Demo。你要對呈現效果有判斷，也要對 48 小時內每一個時間節點該完成什麼有感覺。我們這次在分工、項目節奏和最後路演上，配合得比較好。

動察 Beating：硬件黑客松和軟件黑客松最大的區別是什麼？

鄒硯文：軟件黑客松裡，很多人電腦環境配好就可以直接開始幹，做的事基本都朝著最後交付物推進。硬件不一樣，現場會出現很多與項目本身無關、但不解決就無法繼續的意外。

第一天，我們就遇到網絡連不上的問題，花了很多時間處理。有人可能把板子燒掉，有人得臨時換一塊新的；現場的機械臂、機器人平台也可能出故障。我們自己的平台也一樣。處理真實世界的硬件，會不斷碰到原來預計不到的事。它們和項目想解決的問題不一定有關，卻會吃掉你最寶貴的時間。

五代機器人，和被砍掉的腰部關節

比賽現場的 LoopMaster，不是一台在 48 小時裡凭空長出來的機器。李鵬棟說，他們做這類本體已經兩年，最新版本是第五代。前幾代機器遇到了不少問題。舵機的負載、精度、背隙與壽命，一根被扯到的線束，一個功能增加後隨之冒出來的故障，都能讓一台看上去很靈巧的機器停在原地。

其中最有意思的一次取捨，是他們先給機器人做出了「腰」，又在第五代裡把腰部關節砍掉。腰部關節能把桌面工作空間拉大，機器能伸得更遠。可他們也想讓產品更簡單、更穩定、更容易複現，於是接受了機械結構上的退回。

動察 Beating：如果今天有一家店家下單，它拿到的究竟是什麼？機器人能在店裡做什麼？

謝俊：我們設想中的產品，是一台全向輪底盤加升降機構、雙機械臂和前置托盤的機器人。店家買回去後，可以通過相對簡單的遙操作或自然語言指令，讓它熟悉店內貨倉、貨架和物品的位置。

在零售場景裡，它主要完成用戶下單後的抓取、遞交，以及補貨、把商品放上貨架一類工作。前面的托盤可以預先放一部分商品，機器人也可以在取貨和遞交之間用它做中轉。

兩年迭代五個版本的機器人（從右向左）

動察 Beating：它現在已經在真實店家，或者模擬的店家裡測試運行過嗎？

謝俊：還沒有。我們在比賽現場做過測試，留下數百單記錄。

這次黑客松的主題就是 48 小時從零做出一個東西。我們是在現有輪式雙臂底盤的基礎上，現場構思零售場景、應用方式和算法框架。所以後面用戶怎麼用、產品怎麼落地，都還很初步。

動察 Beating：接下來用什麼指標判斷它是否符合預期？

謝俊：要分階段。先把本體穩定下來，包括電機、線束和整機功能。再把 Agent 控制框架跑穩。更往後，才是自進化學習的問題。每一塊都穩定之後，才會談正式商業化。

动态 Beating：這五代本體具體怎麼迭代過來？從最初的想法到今天，你們對產品的理解有哪些變化？

李鵬棟：前四代主要用伺服電機，也就是舵機。它的控制比較靈敏，驅動和結構也相對簡單，但負載能力有限。

後來我們做了一版三輪全向底盤，加升降柱和雙臂。做完發現，它在桌面上的工作範圍很小，大致只有一臺電腦那麼大，稍遠一點就夠不到。我們又做了帶腰部的版本，把桌面上的工作空間擴得更大一些。

接著，我們把原先大量依賴 3D 列印件的結構，改成鈑金件做主體架構，穩定性提高了。但功能越多，問題也越多。比如線束被輕輕扯到，整機可能暫停任務；本體更重，負載又會變小。第五代最後改用關節電機模組，更多金屬件，結構也更簡單。該承重的地方就加強，不必要的部分就拿掉，希望在性能、成本、可量產和可複現之間找一個平衡。

謝俊：我們從 2023 年底開始，用舵機做低成本、高性價比的具身智能系統。實際用下來，舵機在穩定性、背隙、精度和壽命上都有局限。換成關節電機模組以後，綜合看成本和穩定性都有很大提升。

動態 Beating：迭代裡有沒有一個你們特別想保留、最後卻不得不砍掉的功能？

李鵬棟：腰部關節就是最直接的例子。第四代已經有腰，第五代原本也想保留，但為了讓結構更簡單，最後把它砍了。看起來像在機械結構上退了一步，實際是把可靠性放在了更前面。

動態 Beating：這台機器為什麼要做成完全開源？目前成本和售價大概在什麼位置？

李鵬棟：本體完全開源，任何人都能看到 BOM 表。按我們的初步核算，如果用戶自己加工部分零件、採購標準件，再完成組裝調試，成本大約在 3 萬元人民幣。

如果用戶想拿到半成品，或者直接拿到已經調好的機器人，因為是完全開源，我們預計價格會在 5 萬元以內，大約是 4 萬多元。這套價格首先是本體和科研、開發用途的價格。我們想讓社區裡預算有限的學生和開發者也能參與，不至於因為本體太貴而被擋在門外。

动察 Beating：客戶購買機器後，後續會不會有訂閱服務或其他隱性成本？

李鵬棟：目前我們沒有把服務訂閱當成明確的商業模式。這次 48 小時做出的無人售貨機器人，首先只是一個 Demo。

以後如果真正進入無人商超或具體零售場景，會根據對應場景設計收費方式。現在還沒有考慮得那麼遠。

动察 Beating：開源為什麼會成為你們這次獲獎的增益項？

謝俊：這可能也是我們獲獎的一個重要原因。完全開源以後，底層庫、代碼和底層驅動都開放，Agent 可以訪問這些內容，開發會更順。它讓硬件開發在一定程度上更接近純軟體開發，底層可讀、可調用，現場迭代的阻力會小一些。

開源對我們也不只是技術選擇。我們希望更多學生、從業者和其他行業的人，能通過相對低成本的方式參與到具身智能裡來。

少量示教，不是少量訓練

LoopMaster 在訪談中反覆提到「少量示教」。常見的少量示教，是把人的操作軌跡作為監督數據，放進模仿學習或視覺語言動作模型裡訓練，最後由模型推理。團隊現在說的少量示教還不太一樣。

他們要處理的，是一個較結構化的門店空間。貨櫃的位置相對固定，一排商品的抓取動作有相似性。先給機器人錄下一條軌跡，底盤換一個位置，機械臂可能還能複用相近的動作。它先把相似任務封裝成技能，交給 Agent 調度。

這條路線的邏輯也很好理解。沒有部署，就沒有真實數據；沒有真實數據，端到端模型的後續訓練也無從談起。先讓一個不夠聰明但能工作的系統進入現場，再讓數據慢慢長出來。

賽博銷售員，補貨 Demo

动察 Beating：你們說的「少量示教」，和具身智能裡常見的少量示教有什麼不同？

鄒硯文：我們說的少量示教，和基於學習的少量示教是兩回事。傳統模仿學習裡，人會把少量專家軌跡作為監督信號，放到 ACT 或 VLA 一類網路中訓練，最後得到一個神經網路，再拿它去推理。

我們現在錄製軌跡，但這些軌跡不直接拿去訓練。例如，超市裡的貨櫃是相對結構化的。一排貨櫃有一條示教軌跡以後，抓這一排第一個物品時，機器人從這個位置走；抓第二個物品時，底盤稍微挪動，機械臂仍可以沿相近軌跡完成動作。

我們暫時不追求連續空間裡的泛化，而是在離散空間裡，把相對固定的位置組織成結構化程序，再把相似動作封裝成技能，讓 Agent 去調度。

動察 Beating：這樣會不會讓它很難適應不同種類的線下商店？

邹硯文：會有邊界。但我認為，現階段看到的端到端模型也有這個問題。它們同樣需要在特定場景裡取數據，再做後訓練和迭代。光照環境變了，或者把一包樂事薯片換成一瓶百事可樂，都會帶來變化。

我們想做的是先用 Agent 框架把事情跑起來。它看上去可能更笨，但一旦進入部署，用戶與機器人的一次次互動本身就會成為這個場景的數據。這些專家軌跡之後仍可以支持端到端模型的迭代。

動察 Beating：誰來教機器人？為什麼一定要做 Agent 自進化循環？

邹硯文：不可能把工程師部署到每一家門店。只有店長、店員能夠像學會使用一台電風扇那樣，在自己的環境裡學會教機器人做事，才有可能在真實場景裡取到新數據。

自然語言交互和 Agent Loop 就是為此設計的。我們的設想是，盡量減少人必須介入的部分，讓 Agent 在任務中反思、調整，並調度不同技能完成工作。現在這仍是一套正在打磨的框架，不是已經被大規模驗證的答案。

動察 Beating：介紹中寫著「根據銷售指標迭代銷售行為」。這是不是意味著機器人除了做體力勞動，還要承擔推銷任務？

邹硯文：這裡說的銷售指標，不是指它要去推銷。零售連鎖裡，供應鏈管理本來就很重要，後臺也有銷售數據。機器人進入前臺勞動後，門店的銷售數據、早晚高峰客流、貨櫃陳列和補貨日誌，都會成為它理解現場的一部分。

這些數據可以回到後臺，用來優化供應和陳列，減少缺貨或臨期損耗。它做的還是前臺勞動，只是勞動過程中沉澱下來的記錄，可以進入門店經營的閉環。

40% 的帳，和店裡還留給人的事

機器人進入零售場景，最容易被拿出來計算的是工資。LoopMaster 給過「銷售成本降低 40%」的測算，但團隊也承認，這個數字是建立在一台機器人足夠穩定、能長期少人維護運行的預期上的。

更難算的是人。眼下，他們想先把上下貨、取貨、補貨等勞動交給機器；在更遠的將來，他們不排除機器人能替代更多人工。但當問題落到處理人與人的交流時，他們也認為這是人不能被機器取代的地方。

動察 Beating：「降低 40% 銷售成本」的數字是怎麼得出來的？

謝俊：我們的測算，是把一台機器人的購買成本、日常 Token、電費和少量維護成本，同兩名店員的工資進行比較。按兩年回本周期計算，得到相對傳統門店銷售人力成本降低約 40% 的結果。

動察 Beating：機器也需要工程師維護。店長和店員解決不了的問題，維護、返修和人工接管的成本算進去了嗎？

謝俊：這個數字的前提，是最終產品達到預期穩定性。真正商業化前，我們要盡量解決電機、線束、避障、堵轉等問題，先達到較長時間連續運行、無需人為參與的指標，再談這類測算。

維護肯定會存在。嚴重故障時，可能需要工程師現場處理或返修；如果本體足夠模塊化、結構足夠簡單，也可以提供維修教程。以後如果機器人部署足夠多，可能會出現像修手機、修電腦那樣的維修服務。我們希望把維護成本也盡量壓低。

動察 Beating：在理想的零售門店裡，人和機器分別做什麼？

鄒硯文：會一步步來。第一步肯定是上下貨。之後可以擴展到從倉庫取貨、與顧客進行部分交流，或者把不同的機器人和 AI 能力整合起來。再往後，是基於門店已經沉澱下來的上下文和銷售指標，做一些經營管理上的輔助。

動察 Beating：普通顧客走進一家有機器人的門店，心路歷程會是什麼？他們會信任它嗎？

謝俊：一開始可能會覺得新鮮、好玩，也未必立刻信任它。但如果以後每家店都有機器人，人會慢慢習慣。

現在已經有機器人賣冰淇淋的場景。它也可能形成自己的品牌。比如一家全機器人餐廳，飲料和點心都由機器人做，如果產品好吃，而且別處買不到，顧客未必只把它看成替代人力的工具。

從經營者角度看，機器人還可能在衛生、人員成本和庫存管理上有優勢。它可以幫助門店減少不必要的食物過期和損耗。

動察 Beating：你們認同「替代人工」是機器人最直接的商業邏輯嗎？哪些工作仍然只能由人來做？

謝俊：人與人之間的交流、流暢的陪伴和溫馨感，目前的機器人還很難滿足。

從長遠時間線看，如果機器人控制足夠柔順，大腦也足夠聰明，完全替代人工也不是不能期待。但有些敏感場景，推進會慢一些。

動察 Beating：大模型和本體都更新得很快。商家按兩年回本買機器，會不會第二年就面對老硬件折舊和換代？

謝俊：硬件斷代肯定會有，像電腦和手機幾年後也會更新。我們不會承諾一台機器人能健康工作 30 年，比較現實的目標是 5 到 10 年。

短期一兩年內的更新會帶來折舊。因此產品設計時會儘量讓關節電機、結構件等複用到下一代。我們更希望大腦的更新快於本體更新。軟體可以線上升級，可能幾周一個版本，也可能一個月有幾個版本；本體則儘量在較長時間裡保持通用。

謝俊以宇樹 G1 為例，認為一種通用本體形態在一兩年後仍可能有使用價值。對 LoopMaster 來說，他們希望最早賣出的機器，不必因為每一次算法更新就整體更換。

先把本體放進門店，再談護城河

和很多把「宏大敘事」掛在嘴邊的創業團隊不同，LoopMaster 的回答比較真誠。謝俊直接說，他們眼下能夠說清的，是低成本本體、正在打磨的 Agent 自進化框架，以及希望比端到端方案更早進入真實場景、積累數據的路徑。

團隊成員都是 00 後，對複雜的線下供應鏈和 To B 業務都確認經驗不足。比賽可以把一台原型推到台上，真正的零售部署卻要面對採購、售後、客戶決策、可靠性、供應鏈與資金。每件事都比路演慢。

動察 Beating：面對成熟大公司和機器人廠商，你們認為自己的護城河是什麼？

謝俊：現階段的優勢，首先是低成本本體。第二是這套比較新的 Agent 自進化框架。第三是，如果能夠率先進入真實場景，就能更早拿到真機運行、用戶互動和商業化過程裡的數據。

但具體的商業化護城河，我們確實還沒有完全想清楚。我們希望先把這些能力做出來，再在部署中找到真正有價值的東西。

動察 Beating：你們都是 00 後，面對線下門店、供應鏈和消費場景，會不會缺少經驗？踩過哪些坑？

謝俊：會。團隊現階段都是 00 後，商業化和 To B 經驗都比較缺。後面如果要真正商業化，可能需要吸納有經驗的商業化合夥人，也需要向行業裡做過這些事情的人學習。

動察 Beating：未來在線下場景裡跑出來的，會是通用人形機器人，還是針對具體任務設計的專用機器人？

謝俊：我覺得兩種都會有。通用人形機器人適用的場景更多，但能耗、複雜程度和穩定性，未必比專用機器人好。人形在觀賞性上會更強一些。

對於無人商店這類場景，一個有移動能力、上半身能完成操作的半人形系統，可能已經夠用。沒有必要為了像人，把所有複雜度都背上。

動察 Beating：接下來產品落地、融資和擴張有什麼時間規劃？

謝俊：比賽之後，我們和探月有了比較深入的交流與合作。本體作為實驗室、科研用品，推進會相對快一些。我們預計近一個月可能會有一些訂單出去。

但真正面向具體商業場景的部署，周期暫時還無法確定。團隊還在磨合專案，也在找資源、投資和行業建議，繼續迭代商業化路徑。

別把每一家公司都辦成一間新實驗室

當採訪談到泡沫，邹砚文覺得現在的具身智能泡沫比大語言模型泡沫還要嚴重。他說大語言模型至少已經有人在付訂閱費，具身操作裡很多基於學習的機器人，還沒有真正進入落地場景。若按市銷率去算，泡沫反而更大。

在當前階段，具身智能的研究固然重要，但他認為我們確實不需要那麼多 Neo Lab，一家公司總要回答一個更笨的問題，它究竟在哪個場景裡工作，那個場景又能否支撐它走向更強的能力。

團隊最後把話題帶回開源。過去兩年做出的本體，他們願意公開給學生、開發者，也希望有設計、美術、漢語言文學背景的人參與。具身智能不會只在模型論文和融資新聞裡長出來，它還要被安裝、教會、修理，並在某間具體的店裡同具體的人相處。

技能 自進化生長

動察 Beating：你們認為具身智能接下來最可能出現哪些泡沫？

邹砚文：我不覺得它的泡沫比大語言模型小。大語言模型至少已經有人在付訂閱費。具身操作裡，很多基於學習的機器人還沒有真正進入落地場景。如果按市銷率去算，分母很小，泡沫反而可能更大。

接下來一段時間，大家可能都會期待數據量積累後，端到端策略出現更強的能力。但要警惕把所有公司都做成 Neo Lab。每個創業團隊都得想清楚自己的應用場景，以及那個場景能不能支撐它走向最終想要的端到端能力。

動察 Beating：你們為什麼說，現在行業對具身智能的關注點有些太小了？

邹砚文：傳統機器人本來就有感知、決策和控制等複雜模塊，每一塊都是單獨的研究方向。今天大家爭論世界模型、VLA 或低層策略時，常常只盯著一座積木塔裡的幾塊積木。

這些問題當然重要，但如果要讓機器人真的落地，本體與算法都要繼續迭代，量產元器件要選，Agent Loop 要搭，基於學習和不基於學習的方法都要做。低層策略以後可能越來越大，甚至吞掉其他模塊，但眼下更要緊的是先把整棟樓搭起來。

動察 Beating：你們為什麼堅持開源，又希望什麼樣的人進入這個行業？

謝俊：鵬棟和我們花了兩年做本體，還是願意把它開源出來，因為我們希望吸引更多學生、從業者和其他行業的人參與。借助 AI 和 Agent 編程，一些沒有深厚技術背景的人也能更快使用機器人、參與探索。

現在很多具身智能 Demo 有些同質化。行業需要新的想法。做美術、做漢語言文學的人，可能會帶來和純技術背景不同的理解。我們在黑客松路演時說過，希望不會技術的小老闆，也能以較低成本用上機器人，讓它承擔一部分銷售店員的工作。這是我們做開源和降低門檻的初心。

也感謝探月給了團隊展示和合作的機會。我們希望項目能繼續往前走，也希望整個行業能出現更多新觀點、新範式和真正解決問題的場景。

動察 Beating：你怎麼看今天 VC 進入大學、鼓勵學生和教授出來創業，以及所謂 Neo Lab 的趨勢？

鄒硯文：我不確定能不能把它簡單說成一件好事或壞事。一個現實是，高校體制很難吸納深度學習研究所需要的那麼多資金和算力。對一些教授來說，出去創業、和公司合作，或者做類似 Neo Lab 的組織，可能是獲得資源的一種辦法。

但它也會帶來一二級市場估值倒掛、第一輪就融很大金額等問題。也許有些研究確實需要很多錢，可它未必需要那麼多人。研究組織怎樣獲得資源，和一家公司怎樣被市場定價，終究不是同一道題。

先把地板畫出來

2016 年的電影《大創業家》講的是麥當勞如何從一家餐廳變成連鎖公司。影片開頭，奶昔機推銷員雷·克羅克在加州聖貝納迪諾見到麥當勞兄弟。兄弟二人向他解釋自家的「快速服務系統」，隨後在一塊空地上，用粉筆畫出廚房、取餐口、炸鍋和員工轉身的位置，讓店員一遍遍模擬點單、裝袋、交付。直到這個流水線越來越順暢。

《大創業家》電影定幀

先有人記得一間店裡誰總是繞遠路，誰會在拿餐時撞到誰，哪個動作會讓顧客多等半分鐘。然後才有圖紙，把許多人的經驗，壓縮成了後來的人照著也能做的動作。

《大創業家》裡，後來發生的是另一個故事。把一套流程變成可以複製的生意以後，誰擁有標準，誰擁有場地，誰又擁有那個品牌，事情便不再只關乎廚房。

LoopMaster 當然離這一步很遠。它還沒有完成真實門店部署，商業化的護城河也還有待驗證。可這正好讓採訪裡那些不那麼圓滿的回答有了分量。數據怎樣積累，錯誤由誰接管，銷售指標如何不被促銷和客流騙過去，第一家店願意為學習付出多少時間，這些都不是把機器搬進門店以後自然消失的小問題。

LoopMaster 現在有比賽現場的數百單測試記錄，一張公開的 BOM 表，第五代本體上被砍掉的腰部關節，以及一套等待檢驗的 Agent 迴圈。它離真正的門店還差一塊地板。有人得先把那裡的線畫出來。

原文連結

歡迎加入律動 BlockBeats 官方社群：

Telegram 訂閱群：https://t.me/theblockbeats

Telegram 交流群：https://t.me/BlockBeats_App

Twitter 官方帳號：https://twitter.com/BlockBeatsAsia