机器人的泡沫到底在哪？
今天我想和大家聊聊当前机器人行业的 hype，也想坦诚地分享一下：作为一家从第一天起就带着务实基因的机器人公司，DYNA 过去一段时间到底看到了什么。
DYNA 可能有一段时间没有出现在公众视野里了，甚至有不少人问我：“DYNA 是不是已经挂了？”坦白说，过去一段时间，我们确实把大量精力放在真实部署上，没有花太多时间做 public recognition，也没有持续对外发布看起来很炫的科研 demo。这可能让外界产生了一些错觉，以为 DYNA 没有什么进展。但正因为我们花了这么多时间在部署上，我今天反而特别想分享一些我们真正看到的东西。
先谈市场：机器人到底要落到哪里？
既然聊落地，就不得不先谈市场。我之前的文章里分享过对几类大市场的判断。简单来说，机器人主要面对三类市场：
工业制造
商业服务
家庭服务
从去年开始，又出现了一些更垂直的方向，比如主打玩具、情感陪伴，顺带做一点非常简单工作的机器人；也有专门做养老场景的；还有纯粹做跳舞、导览、展示的。这些方向我后面都会聊一聊，也会讲清楚我们怎么看。
所以，行业的泡沫到底在哪里？
但反过来想，做机器人的很多人都是世界上最聪明的一群人，他们真的不知道这些东西不等于商业落地吗？这也不合理。所以很多时候，商业世界的本质就是：揣着明白装糊涂，但先把钱赚了。
如果这个 gap 只需要一年就能补上，那它未必是泡沫；但如果这个 gap 长达十年，那至少在前五年，它就是泡沫。因为资本有时间价值。今天给你 100 块，和十年后给你 100 块，即便撇开通胀，本身价值也不一样。对投资高科技的人来说，一年后获得收益和十年后获得收益，哪怕绝对收益一样，也不是等价的。
机器人不是大模型，也不是无人驾驶
我们认为，机器人行业的发展一定是一个非线性过程。参考无人驾驶和大模型，其实都可以看到：技术往往要发展到某个临界点之后，才会出现大规模、可增长的可能性。但这里面又有几种完全不同的模式。
大模型过去几年大家都看到了，它是指数型增长。核心原因在于，它本质上是一个纯软件产品。它的传播渠道只需要浏览器或者 App，就可以把最顶尖的模型分发到世界每一个角落。这是互联网逻辑的延续。在互联网普及之前，很少有业务能经历这种爆发式增长，因为物理世界里没有一个像互联网这样、毫秒级延迟、全球可触达的分发渠道。
从这个角度看，机器人反而和无人驾驶更像，但又比无人驾驶更难。无人驾驶也需要“车”作为载体，所以它的增长瓶颈不只来自模型能力，也来自于拥有模型能力的车企自己的渠道入口。但车和机器人还有一个非常大的不同：从宏观上看，车本身已经是高度普及的产品。即使没有自动驾驶，车依然是有明确价值、长期被用户使用的商品。当前限制无人驾驶爆发的，主要是“靠谱模型 + 靠谱车 + 靠谱渠道”的组合还不够成熟。
而机器人不一样。今天，即便是不具备智能能力的机器人，本身也远远没有普及。机器人更多还是出现在工业制造、扫地机等高度单一化的场景里。所以，机器人要真正实现类似大模型的爆发式增长，短期可能性非常低。这会直接影响一家机器人公司的战略布局。短期来看，做 demo 早已经不是行业瓶颈；但从长期看，即便放眼全球，包括 Tesla 在内，也还没有一条真正清晰、可验证、可复制的机器人增长路径。
三类公司路径
正因为增长路径不清晰，行业里也逐渐形成了几种不同的公司路线。
-
模型派：核心逻辑是，既然现在没有成熟渠道，也没有成熟模型，那不如先做模型。至于渠道问题，未来自然会有人解决。比如，会有大量纯硬件公司去解决硬件和渠道问题。
-
硬件派：核心逻辑是，既然模型还不成熟，那就先把硬件做好。最终，任何机器人能力都需要硬件作为分发载体。模型虽然可能会有几个闭源玩家，但开源模型总会出现，到最后大家用起来也大差不差。
-
整合派：这一派相信，模型和硬件都必须做，而且关键能力必须牢牢掌握在自己手里，最后才有可能突围。但问题是：资源到底够不够？同时做模型和硬件，真的能把两边都做好吗？还是说，像前两类公司那样，把资源集中在一侧，反而更有机会做到极致？
这里有几个关键认知误区
1. 硬件 ≠ 渠道
很多人会觉得，机器人硬件做好了，就等于掌握了渠道。这是一个非常大的误区。汽车作为渠道之所以成立，核心原因是：即使没有智能能力，汽车本身也是一个非常有用的商品。人们本来就需要车。所以只要你做出一款好车，先卖出去，让用户长期使用，你的渠道就会逐渐积累起来。
但机器人不是这样。当前真正有用的机器人渠道，主要还是工业机器人。民用领域当然可以临时搞一些场景试一试，但如果最终任务做不好，用户很可能只是买来新鲜一下，之后就放在角落里积灰。长期也不会产生多大的渠道效应。这和当年的元宇宙、AR/VR 有些类似：硬件卖出去，不等于它真的成为了一个高频、稳定、可增长的分发渠道。
所以，硬件做得好，并不等于渠道打得通。卖得出去，也不等于产品会在客户和用户场景里被长期稳定使用。想象一下，如果互联网产品的分发渠道，是一个用户一个月甚至一年才打开一次的东西，这些互联网产品还会有爆发式增长吗？
2. 模型 ≠ foundation model ≠ 大规模 pre-training
很多时候，大家一聊机器人模型，就开始聊 foundation model 和大规模预训练。但模型不等于 foundation model，foundation model 也不等于只做大规模 pre-training。没错，基座模型和大规模预训练非常重要，但它们不是全部。后训练本身也是不可或缺的一环。
很多人寄希望于未来机器人能像今天的大语言模型一样足够通用：你问它什么，它就能回答什么；你让它做什么，它就能做什么。但问题是，即便是大语言模型，今天也并没有真正达到所谓完全通用。比如，为什么最近大家都在拼 coding model？因为这件事有明确商业价值，而且在专有数据集上 train 出来的模型，永远会比完全通用的模型在这个领域更强。
当然，这个过程是迭代的。基础模型能力可以拉高 baseline，后训练可以拉高最终落地效果。两边循环迭代，才会产生更好的模型。但在机器人领域，现在很多人几乎只关注预训练。大家觉得，只要预训练做大了，机器人自然就能达到今天大语言模型的能力，然后就可以考虑落地。事实是，今天大语言模型的能力，很大程度上来自这几年大家在预训练和后训练之间疯狂循环迭代，而不是简单地“把预训练做到底”后自然产生的。
3. 渠道构建被严重低估
前面两个误区，最终会导致一个更严重的问题：大家忽略了渠道构建。而渠道构建，其实是机器人飞轮能不能转起来的关键。真正的渠道不只是销售，而是一整套部署系统和基础设施：场景评估、任务边界定义、数据采集和回流、现场调试、远程诊断、持续更新、可靠性维护，以及把一次部署沉淀成下一次可复用的工程工具和流程。这个飞轮的前提，是机器人必须先在真实场景里持续产生价值，否则所谓渠道就只是一次性的试点，无法变成可复用、可扩展的部署能力。
缺乏系统化渠道构建能力，产品就进不了真实场景；产品进不了真实场景，模型就拿不到最真实的后训练问题；没有这些问题，预训练和后训练之间的循环迭代也很难成立。模型、硬件、渠道，这三者缺任何一块，在机器人行业里都很难跑通真正的增长路径。
所以说到底，机器人就是机器人。它不是无人驾驶，也不是大模型。照搬任何一个领域的经验，都没有直接可复制的成功路径。如果一家机器人公司不认真思考机器人自己的路径到底是什么，那最终很难做到大规模落地。
DYNA 过去一年到底做了什么？
很多人可能会纳闷：为什么 DYNA-1 之后，好像就没有什么成果了？坦白说，公司过去一段时间确实经历了很多挣扎。这个过程很痛苦，但回头看，不是坏事。我们挣扎的核心在于：DYNA 是一家相信商业本质和第一性原理的公司，所以我们也必须反复问自己——去年那种强力推动部署的方式，到底是不是对的？
为什么会有这个疑问？从传统硬件产品的部署来看，大多数时候，部署团队和科研团队是相对分离的。部署团队应该可以独立利用技术工具完成产品部署，而不需要过度依赖科研团队的持续突破。而且部署本身应该是逐步提升的。也就是说，随着每一次部署，我们应该看到部署速度越来越快、部署流程越来越标准化、整体越来越可扩展。但实际情况是，这件事并没有自然发生。
我们不避讳讨论这个问题。有人可能会说：“你怎么什么都往外说？那你还怎么融资？投资人不是会没信心吗？”但我们觉得，事实就是事实。行业里的 hype 不完全是我们可控的，但我们至少希望行业更清楚真实环境到底是什么样。我们希望大家能更理性地看待机器人行业的发展，这对行业长期进步是有帮助的。
DYNA 当前确实有几家客户，已经逐步通过可靠性验证，并且正在往扩展性方向推进。但老实说，数量暂时还不多。目前时间最长的一家客户，在 daily usage 的情况下，我们已经在客户店内运行了大约 10 个月。系统依然在持续帮助客户产生价值。但我们也非常清楚，这个模式现在还不够可复制。
在当前技术能力下，我们可以在某些任务上做得很好，但部署渠道这一环节依然很慢。这个周期经常以周，甚至月来计算。想象一下，如果你买了一个产品，收到之后还要花几个星期配置才能用上，你还会觉得这是一个好产品吗？如果硬件渠道构建需要这么长时间，那我们前面讨论的机器人增长性就不可能发生。
很多人会疑惑：为什么我看有些机器人已经进工厂、进家庭、进各种场景了，你们还要这么久？是不是你们不行？或者有人会问：我看有些团队 post-train 一下开源模型就 launch 了，你们怎么这么慢？
首先，我不想直接点名部分友商。但作为一家实事求是的公司，我们从来不认为一个 demo 能证明任何实际落地的长期性。是，你可以进工厂、进家庭、进商业场景。但如果只是因为 PR 效应被短暂接受，几个月后因为达不到 ROI 标准而被踢出来，这算商业落地吗？如果你买一台 iPhone，第二天就坏了，或者核心功能达不到你的预期，比如不能打电话、不能上网，你会持续使用它吗？坦白说，DYNA 自己也有过类似的案例——部分客户最初因对新技术的好奇和 PR 效应接受了我们，最终因达不到 ROI 预期而结束合作。所以我们深刻的知道这些都意味着什么。
从我们的行业判断来看，任何 demo，如果不能在真实场景里被看到每天持续给客户创造实际价值，我们都不认为它是真正落地。你当然可以说它产生了收入。但如果只是一次性收入，这样的钱我炒股也能赚。做机器人赚这个钱，其实挺累的。更重要的是，从盈利角度看，投入产出的 ROI 到底是什么？最终能不能赚钱？这个问题我觉得实际在做的人应该心里也清楚。
我们真正讨论过的问题
那 DYNA 过去这一年到底在干什么？我们花了几个月时间，反复讨论可扩展性、数据、预训练、硬件本体等问题。这些问题里，没有一个在行业里已经有绝对明确的正确解法。虽然我们看到了一些非常有趣的结果，但还没有看到任何一个 effort 真正把模型、部署渠道、硬件落地这整条链路完全打通。
但机器人现在的问题是，全链路没有一个环节的 metrics 是真正明确的。模型层面，我们真的 care 预训练了多少小时数据吗？还是 care action MSE loss 有多低？是数据越多越好、loss 越低越好吗？渠道层面，我们真的 care 有多少 system integrator 签约吗？还是 care 有多少工厂愿意陪你试一下？硬件层面，我们 care 的是跑步多快、跳舞多好看吗？还是控制延迟、精度、可靠性和可维护性？
因为终端落地场景本身还不清晰，所以你很难清楚定义终端指标；而终端指标不清晰，也就导致每个中间环节的指标很难被定义清楚。但这里还有另一层矛盾：如果你完全不看终端指标，研发就会失去方向；可如果你极致优化某一个终端指标，又很容易把系统 overfit 到单个场景或单个 case 上，最后变成每个客户、每个任务都要重新定制，模型和系统都缺乏泛化性，导致未来缺乏扩展性。
你当然可以专注在某一个环节上，美其名曰“用最小资源做最重要的事”。但大概率的问题是：你在这个环节里，可能并不知道真正最重要的事是什么；即使找到了一个局部指标，也未必知道它到底是在推动通用能力，还是只是在优化一个不可复制的单点案例。
DYNA 在把从 pre-training 到真实落地所需要的整套东西拆解之后，发现了几个特别重要的问题：
1. 机器人系统的基础能力到底需要什么？
很多时候，下游看起来没有进度，并不是因为团队不行，也不是因为大家做不出东西，而是很多机器人系统的基础能力本身就是缺失的。这些能力缺失来自各个方面：
2. 部署系统到底需要什么能力？
部署只是科研问题吗？还是它也需要大量工程能力？是不是只要后训练所需数据小时数低到某个程度，就可以理所当然认为部署系统已经达到了大规模部署的临界点？后训练数据小时数，和实际部署 effort，真的直接等价吗？
如果没有一套支持你在生产场景里快速迭代、自动化迭代的系统，很多 know-how 最终都会停留在少数现场部署人员的脑子里。这是完全不可扩展的 know-how。全世界顶级运动员、顶级科学家本来就很少；同样，全世界既理解当前机器人技术缺陷、又能把系统在现场完美部署出来的人，也寥寥无几。
3. 数据 scale，或者所谓 scaling law，到底是什么？
行业里最喜欢讲“多少小时数据”，但这些数据能否明确转化为下游生产力，目前没有标准答案。大模型的 scaling law 之所以成立，核心原因之一是预训练和后训练共享相对统一的 metrics 机制——比如 text perplexity——使两个阶段可以围绕一致目标持续优化。
机器人数据的 scaling law 缺乏同等清晰的定义。下游任务对速度、成品质量、可靠性都有明确要求，但这些指标在今天的数据集里几乎没有统一的衡量和 eval 标准。没有这个基础，“数据越多越好”本身就是一个难以验证的命题。
因为商业竞争的关系，我无法把我们内部已经思考出来的所有答案都公开。但我希望这篇文章至少能抛砖引玉，让行业一起思考。有些问题，你可能现在依然不认为是问题，直到你真的遇到它。
但 DYNA 这一年绝对不是什么都没做。没错，我们在科研上没有持续给大家展示很炫酷的东西（但我们有很多基于实际问题展开的科研成果，暂时都还在过程中），让外界一度以为我们已经挂了。但我们用过去一年非常仔细地摸索了整个行业在真正大规模落地这件事儿上会遇到的问题，也做了非常深入的思考。当前，DYNA 已经在模型、硬件、部署系统、数据体系等多个方向上形成了非常明确的路径，并且正在我们认为正确的方向上全力推进。
Q&A：一些更具体的问题
上面的讨论可能对不熟悉行业的人来说有点抽象。我经常被朋友问到一些关于机器人泡沫的具体问题——这些问题很直接，也很有代表性。下面用 Q&A 的方式来回答，希望能把前面聊的那些判断，用更具体的场景串联起来。这些问题要分中国和美国，因为两个市场的关注点很不一样。
中国市场
问：我看很多机器人跳舞、跑步、做导览，这靠谱吗？
客观来说，这些公司对行业的贡献是非常大的。它们提供了很多科研团队可用的工具，也把底层硬件和系统可靠性提高了一个级别，这一点毋庸置疑。
但问题在于，如果把跳舞、跑步、导览本身作为长期商业模式，它是否能支撑公司过渡到真正技术成熟的那一天？前面提到，泡沫来自预期和现实的不一致。一旦大家不再相信泡沫，剩下的就必须依靠技术能力和商业变现能力的线性发展。
假设有一天，真正能干活的模型逐渐成熟，大规模落地渠道和设施（infra）也逐渐成熟，那么机器人很可能会优先被部署到真正需要它们的工作场景，而不是今天跳舞、跑步、导览的渠道里。这里面就有一个两难：如果这些公司现在不提前进入未来真正有大规模增长机会的“干活市场”，未来怎么保证能够一步登天追上去？但如果它们今天就去部署，而核心能力主要还是本体硬件和控制，暂时还无法为有干活需求的客户持续创造价值，那部署体系的飞轮又怎么转起来？
这里说的渠道，和前面讲过的一样——不只是销售，而是整套部署系统和基础设施。机器人必须先在真实场景里持续产生价值，这个飞轮才能转起来。
所以这类公司的挑战不是简单地“现在要不要进场景”，而是需要同时补上能干活的技术能力和可复用的部署基础设施。前者不够，飞轮转不起来；后者不够，未来即使有了更好的模型或硬件，也很难突然大规模进入这些场景。这也是我对这条路径始终有一个很大问号的原因。
问：国内很多机器人已经进工厂，出货量成百上千了。为什么你们还觉得工业生产很难？
工业为什么难，任何真正做过制造的人都知道。工业制造是一个极致严苛、高度定制化的场景。要稳定输出，需要极高的可靠性、稳定性和速度。而这些恰恰是当前具身智能并不擅长的东西。
具身智能和传统工业臂、协作臂最大的区别，不是外形是不是人形，而是它应该有一个“大脑”。它能做的，应该是需要判断力、而不是完全固定流程的工作。但在工业场景里，那些高度固定的工作，很多已经被自动化产线定制化解决了。剩下仍然需要人类完成的工作，往往是需要判断力的，同时对效率要求也非常高。所以工厂工人本身也需要被训练。
这里当然有市场机会，但讲实话，这是一个非常难的问题。直到今天，大模型也没有真正解决泛化能力和速度之间的权衡。哪怕在语言模型层面，你要它很聪明，它速度就会慢；你要它快，它就没那么聪明。解决这个问题不是一朝一夕的事。
那这些成百上千的出货量怎么看？前面说过的标准在这里同样适用——能不能长期留在场景里持续产生真实价值，ROI 能不能达到甚至超过人工？真正干过工厂的人，看一下现在这些机器人的效率，心里应该都有数。至于出货量，我建议大家去问问这些友商。有些不太上得了台面的手段，我就不展开了。这是个人价值观选择的问题。
问：卖铲子的公司能行吗？比如做数据或硬件的公司。
很多人看公司的角度很简单：有没有营收？稍微深入一点的，会问能不能盈利。但在任何新兴行业早期，最先赚钱的往往就是卖铲子的公司。我经常和朋友开玩笑说，我们这种公司融来的钱，很多都流向了这些卖铲子的公司，不管是做硬件的，还是卖数据的。
因为行业高度不确定，很多买卖其实不是基于 product，而是基于 delivery。delivery 的意思是：只要交付了，就给钱。product 的意思是：不仅要交付，还要真的好用。
我们现在买硬件或买数据，当然也会看交付结果。确实有些东西太差了，根本没法用。但说实话，因为行业没有标准，很多时候也只能试。先筛选一批肉眼看起来还不错的供应商，合作一波。成了就继续用、继续买；不成，这笔钱就打水漂。
你可能觉得这个模式好像挺合理。但如果类比成熟行业，比如你买手机、电脑、车，你通常会先看到真机、试用体验，确定满足需求之后才下单。手机、电脑这种单价没那么高的商品，甚至还允许 30 天退款。这才是成熟 product 市场里的正常预期。
但机器人行业现在还没有这个预期。因为没有标准，供应商只要干活了，哪怕最后是无用功，很多时候我们也得给钱。可是从我们的角度，终端客户不会因为我们“做了很多努力”就付钱。他们只看机器人到底能做什么、能做成什么样。说难听一点，很多钱都被铲子公司赚走了，所以从赚钱角度看，铲子公司确实是有钱赚的。
那卖铲子是不是好业务？不得不承认，英伟达也是卖铲子的。你把铲子做到极致，全世界只有你家的铲子最好用，那这个业务当然是合理的。英伟达现在也赚了很多行业不确定性的钱。我们训练模型不 work，也不能让 GPU 供应商退钱。
但你要问这些卖铲子的公司有多大概率能成，我觉得概率并没有那么高，而且需要多年持续积累。同时，铲子公司一旦产业成熟之后，会受到下游公司的强烈影响。比如国内果链公司，Apple 只要有一点风吹草动，上下游都会受影响。英伟达其实也是，下游大客户一有动静，比如之前 DeepSeek 带来的市场波动，也会影响它。
问：OpenClaw 这么强，为什么不能用它解决所有机器人问题？
语言 agentic model 是一种高度压缩信息的模型，但它不能解决所有物理世界问题。比如今天的 coding agent，在观察动态图、基于动态图给出判断、再决定下一步行动这类问题上，其实依然比较弱。
语言是人类对世界的高度压缩，但语言无法完整表征整个世界。比如衣服要叠成什么样、家具要怎么组装、产线上某个步骤要怎么做，你仔细想想，这些事情几乎没有一个可以用语言准确、完整地描述。所以，语言模型和 action model 的联动，才是机器人里真正核心的问题。
美国市场
问：你们怎么和几家顶尖科研公司比科研实力？
我们不认为科研决定一切。前面已经分析过，科研只是机器人能否真正大规模落地的一个必要条件，而不是充分条件。我们认为，做科研的核心在于全链路闭环反馈。
我们不排斥 foundational research，但 foundational research 不能闭着眼睛瞎做，也不能每个方向都赌一下。它应该来自下游 know-how：你必须知道真实部署到底需要上游模型具备什么能力，以及这些能力要达到什么级别，才有资格做科研方向上的决策。
而且，硬件本身也是科研的重要组成部分。我们不仅在中国有硬件设计、制造和生产团队，在美国也有硬件 R&D 团队，主要配合做前沿软硬一体化验证。因为如果硬件能力本身缺失，大脑再强也做不到。
就像人没有翅膀，再聪明也不会突然靠本体飞起来；真正可行的路径，是发明飞机这样的工具来弥补本体能力的缺失。不同硬件会带来完全不同的科研方案。所以从这个角度讲，我们并不觉得 DYNA 的科研能力弱。关键问题不是“科研强不强”，而是“科研到底要解决什么问题”。
问：美国有几家人形机器人公司，包括 Tesla 这种巨无霸，它们离落地还有多远？
反正我是还没有看到它们真正落地。我看到的只有 demo。我也还没有看到任何让我觉得眼前一亮、能够证明商业落地的 signal。
问：教授大佬开的公司怎么看？是泡沫吗？
这是另一套逻辑。教授大佬可以依靠自己的学术地位和行业影响力，在不那么焦虑短期生存的情况下，去做他们真正想做的科研。即便最后公司没有特别好的商业结果，大厂为了招人，也可能会 acq-hire。所以我不会简单质疑这些公司最后会不会有好的出路。但我非常 respect 很多教授公司对第一性原理的坚持，并且他们也是再推进行业往前的孤勇者。可是一般人做一家公司是需要考虑生存的。如果你问我这个问题，我猜你应该是一个“一般人”（我自己也是一般人）。所以我会说：他们当然有价值，但不代表你这么做也一定能产生价值。它们是不是泡沫，很难说。OpenAI 在 2016 年的时候，可能也有很多人觉得是泡沫。有些AR/VR公司到今天有出货的情况下，大家可能都觉得是泡沫。
我只能说，最强大的组合，是顶级科研教授配上绝对强大的商业化 leader。so far，我还没有看到这样的组合。
问：国内外很多公司已经进家庭干活了，这可靠吗？
如果真的可靠，为什么今天不直接开卖？它们是在给我们这些竞争对手留下什么机会吗？
当前进入家庭的公司，确实可以采集到一些数据。但 again，我没有看到行业里任何公司已经建立了成熟的数据质量标准。采集出来的数据也是五花八门。离真正落地可用到底还有多远，我现在不太确定。
问：能不能先落地玩具、教育、陪伴？
首先，玩具、教育、陪伴不是同一个领域。其次，我觉得这些方向当然可以做。但第三，它们对最终的大市场——也就是“干活市场”——帮助未必大。
有些公司的说法是：我先进入家庭，积累数据，到时候我数据最多，所以我就能赢。但你仔细想想这个 claim：玩具、陪伴、教育积累出来的数据，和真正干活的数据，是同一种数据吗？它们真的有用吗？
again，回到数据缺乏统一指标的问题。行业用“数据”这个 buzzword 忽悠了很多人，让大家觉得不管什么数据，只要是数据就有用。但真正做过模型的人都知道，这是伪命题。
这些数据可能从非常宏观的角度来说“总有一点用”，但如果它们是 off-purpose data，你需要做的数据 cleaning、模型结构适配和训练策略调整，成本可能远远大于这些数据带来的优势。
总结
写这些，主要是想把我们自己真实走过的路分享出来。我们自己也还在摸索，很多问题没有标准答案。只希望对同样在认真做这件事的人有一点参考价值，也希望大家一起共勉，让行业真的能少一些泡沫，多一些进展。感谢大家。