從一開始，他們就強調一件事：類大腦啟發的大模型本身就是一件“離譜地成功”的發明。用一個通用的學習演算法，加上大規模資料，就能在機器人、視覺、語言、聲音等各種模態上學出遠超傳統方法的能力，而這一切“真的能跑起來”，本身就非常震撼。來源：AI工業（採用 AI 工具整理）PI 的野心：用“機器人基礎模型”打穿智能瓶頸來源：AI工業（採用 AI 工具整理）Physical Intelligence 的使命，是為機器人建構基礎模型（robotic foundation models）。他們希望做到：原則上讓任何機器人執行任何任務。過去一年半，他們搭起了一整套可擴展的“積木”：證明同一個模型可以控制多種不同形態、不同平台的機器人，也可以在新環境中表現出一定的泛化能力。最新的 Pi-Star 0.6 則開始通過強化學習從經驗中持續學習，讓模型的性能逐漸逼近真實可部署的水準。他們已經在現實中讓機器人連續做了 13 小時咖啡，同一類模型還能遷移到手術機器人、無人機等完全不同任務上，表現出強的跨任務泛化能力。在“為什麼做基礎模型而不是自己造整機”這個問題上，他們的判斷非常明確：機器人行業真正的瓶頸一直在智能，而不是硬體。十多年前的機器人，只要由人類遙操作，就已經能完成打掃整屋這樣的複雜任務，這說明硬體早就足夠強。傳統路線是圍繞單一任務造一台專用機器人，本質上並沒有正面解決“智能層是最短板”這個問題。Physical Intelligence 選擇直接瞄準智能瓶頸本身，相信如果能把這一層打通，垂直產品和商業化場景自然會在各行各業湧現出來。他們承認，近幾年人形機器人硬體和靈巧手的進步非常快，例如 Optimus 的手已經精密到“像藝術品”。但在他們看來，更高階的硬體只是抬高了“理論上限”，而真正限制落地的還是“智能地板”。即使用相對簡單的夾爪，只要智能足夠強，也可以完成切菜、做飯等任務。現在連“達到人類遙操作員水平”這一步都還沒走完，真正的短板是控制層和決策層的智能，而不是手腳是不是又多了幾個自由度。為了系統化地攻克智能問題，他們把難題拆成三個維度：能力、泛化和性能。在能力這一點上，他們的目標是：只要你能為某個任務或某個機器人收集到資料，就應該有一個模型能學會並自動執行該任務。在早期的 Pi Zero 版本裡，他們認為已經驗證了這一點——對於很多不同機器人與任務，只要有資料，模型就能學會模仿並實現自動化。泛化是他們認為目前仍然非常棘手的問題。理想狀態是：機器人可以零樣本泛化，被搬進一個從未去過的新家，也能完成整理廚房這樣的基本任務。挑戰在於，不同家庭的佈局、物品位置、光照條件完全不同，機器人必須形成某種“環境常識”。他們的結論是：在機器學習裡，泛化唯一靠得住的答案就是“資料多樣性”——只有覆蓋足夠多樣的環境，模型才有能力在“相似但未見過”的場景中工作。在 Pi 0.5 中，他們已經看到一些跡象：機器人第一次進入某個新家，也能做簡單的收拾和清潔，雖然遠不完美，但至少表現出了一定程度的常識化行為。從 demo 到生產：部署—資料—再訓練閉環來源：AI工業（採用 AI 工具整理）性能這一維度，則關乎能不能真正“跑在生產上”。他們的目標是：把成功率和穩定性推到可以商業部署的水平。為此，他們非常看重“部署—資料—再訓練”的閉環：最可擴展的高價值資料收集方式，是讓機器人在真實場景中執行有經濟價值的任務，一邊創造業務價值，一邊順便積累訓練資料。長遠來看，這種真實互動資料的規模，有潛力遠遠超過今天網際網路上的靜態資料，成為未來訓練機器人基礎模型的主力來源。時間尺度上，他們原本估計至少要再等五年，技術才適合在商業場景部署一台真正有價值的機器人。但現實情況是，他們在大約兩個月前就已經開始實際部署機器人，比預期早了很多。他們認為現在剛剛跨過了一個關鍵門檻：模型已經“有用到足以開始部署”，能完成一定多樣度的任務，並在實際業務中創造價值。當然，他們也強調，不是所有場景都適合立刻上：失敗成本極高的任務、對泛化和隱私要求極高的家庭場景，短期內都需要謹慎。更現實的路徑是，先從可控、風險可接受的場景開始，隨著部署和資料積累，可部署場景的“光圈”會持續放大。他們也坦誠，基礎模型的真實能力範圍很難在訓練前完全預測，必須依賴大規模應用與測試。正因如此，他們選擇把模型開源，讓更多團隊在自動駕駛、手術機器人、農業等他們原本沒想到的領域測試這套系統。結果顯示，實際“可用光圈”比他們自己想像的要寬得多。但與此同時，要讓每一個具體業務場景都達到“可以每天穩定跑業務”的程度，仍需要長期的性能爬坡和對長尾問題的治理，這是一個持續多年的工程。架構路線：VLM 預訓練 + 機器人資料注入 → VLA來源：AI工業（採用 AI 工具整理）關於“架構是不是已經定型”這個問題，他們的態度是：當前的技術架構已經足夠支撐模型跑起來並開始部署，但絕不是終點形態。未來很可能不僅僅是“多收資料、擴模型”這麼簡單，在架構層面仍然會不斷演化，真正的“終極範式”還沒有被完全寫死。目前他們建構的是一個視覺-語言-動作模型（VLA），整體架構與常見的多模態視覺-語言模型（VLM）類似：底層是一個在網際網路級圖像與文字資料上預訓練的大模型，其上再大規模注入機器人資料進行訓練。現在，資料構成中大部分已經是他們自己採集的機器人資料，網際網路資料只佔少量。模型內部可以理解為：一側是視覺-語言骨幹，另一側接入一個他們稱為“動作模型 / 動作專家（action model / action expert）”的模組，用來根據圖像和指令生成驅動機器人執行任務的控制命令。整體就是一個單一的大型 Transformer 模型，參數規模已經達到幾十億等級，在機器人資料與網際網路資料上共同預訓練，其中很大比例來自人類示教與遙運算元據。在性能擴展上，他們目前主要依賴於機器人資料規模的擴展，也大量借鑑了VLM 領域的模型與訓練方法。他認為，未來架構仍有很多可拓展空間，例如：為模型提供更豐富的上下文資訊、在機器人上接入更多攝影機和視角，以及讓模型對物理世界有更強的理解能力——房間裡都有什麼、什麼容易被損壞、什麼物體容易移動等等。他判斷，未來五六年回頭看，今天使用的、源自 VLM 的骨幹網路很可能已經被新的架構替代，但資料本身，以及如何將資料引入模型的方式，大機率會保持現在的基本思路。從歷史演變看，在“學習”進入機器人之前，主流做法是依靠工程師手寫規則與程式碼，試圖覆蓋機器人在現實世界中遇到的各種情況，結果發現現實世界複雜度遠超預期，這條路行不通。於是問題被拆分為多個子模組：感知（perception）、規劃（planning）和控制（control），並逐漸形成相對獨立的研究社群與會議。隨後，大家開始用學習方法替換各子模組內部的規則：感知可以是學習的，控制可以是學習的，規劃也可以是學習的，這確實比完全手寫規則更好。但實踐表明，真正的問題在於這種預先把問題拆成若干模組，並為它們強行定義介面的流水線式架構——例如感知必須輸出精準的物體位置、規劃輸出軌跡、控制執行軌跡，這些固定介面在真實世界中反而成為最脆弱的環節。端到端的代價：資料鴻溝與“常識推理”難點來源：AI工業（採用 AI 工具整理）在這種反思下，機器人學習進入了端到端（end-to-end）階段：不再事先劃分感知、規劃、控制，而是直接把所有感測器輸入（如像素）送進網路，讓網路直接輸出動作，即所謂“從像素到動作（pixels-to-actions）”的方法，由網路或學習演算法自行決定內部是否、以及如何劃分功能。然而在實踐中，他們發現，要讓端到端方法真正可靠，需要極其龐大的資料量，一旦任務涉及常識推理，模型就很容易失敗；而要僅靠機器人自己以第一人稱視角採集足夠多的經驗資料，幾乎意味著要親身經歷幾乎所有可能情境，這在現實中難以實現。在這種背景下，他們發展出視覺-語言-動作模型（VLA）的路線：先利用在網際網路資料上預訓練好的模型，借助其已經具備的世界常識和語義理解能力，再在其基礎上增加動作相關模組，將這種世界理解與如何在現實世界中執行動作連接起來。通過這種方式，他們既能復用網際網路預訓練帶來的常識，又能通過機器人資料學習在物理世界中把事情真正做成。當前階段，可以概括為：一方面把網際網路預訓練的常識遷移到機器人領域，另一方面利用大規模機器人資料學習具體動作控制，目標是讓模型具備通用性，可以在不同機器人平台上生成合理動作。對於推理（reasoning）能力，他指出，大語言模型在鏈式思維、多步推理等方面的進展，通過共享或相近的骨幹網路，也在一定程度上滲透進了 VLA 模型。現有模型不再只是“看到什麼就做簡單反應”，而是已經在內部進行一定層面的動作規劃和決策。隨著通用大模型推理能力的持續提升，這部分能力預計會進一步發展，並反過來增強具身智能與機器人控制的表現。在他看來，如今的模型不僅要決定下一步動作，還會預測接下來大約 50 個時間步要做什麼（大概一兩秒的短時域），同時還會在語言空間裡自動把任務拆成子任務。比如你讓它“打掃廚房”，它會自己拆成“先開到操作台”“拿起玻璃杯”“把杯子放進水槽”等。也就是說，它已經在做短期動作規劃 + 自我拆解子任務，而且這部分能力未來只會更強。他判斷，未來用於推理的大模型強化學習（RL）進展，一定會遷移到機器人上。不過，這和現在給大模型做數學題、程式碼題的 RL 很不一樣。數學題本質上是純文字推理，人類會在腦子裡用文字想：“如果我這樣改公式，就會得到那樣的結果”。但在物理智能裡，更像你學習一項新運動（比如網球）：你不會在腦中逐字描述“現在抓拍子、然後揮拍”，而是會想像動作本身、身體怎麼動，以及球和球拍的軌跡。所以，未來的模型需要在動作 / 軌跡等連續空間中推理，而不僅僅是文字空間。他認為真正的推理應該發生在一種更抽象的多模態空間：既能在文字裡推理，也能在圖像裡推理，甚至能在軌跡、狀態空間裡推理，然後綜合多種表徵得到答案。機器人在這裡是一個理想的試驗場：一方面，它必須真正落地到物理世界，受現實反饋約束；另一方面，機器人資料遠比網際網路文字稀缺且難採集，逼著我們正面解決資料少、噪聲大、分佈複雜的問題。正因為有這些壓力，機器人場景會逼出新的訓練方法和理解，這些新方法最後反過來還能提升通用 LLM。在資料問題上，他強調：機器人資料的關鍵不只是數量，還有質量和多樣性。但“多樣性”目前沒有嚴格統一的定義——同一任務用 10 種方式完成，和對 10 種不同物體做同一個任務，到底那個更“多樣”，社區還說不清楚。他們的經驗是：如果只是按原有方式不停采同分佈的資料，模型性能很快就會進入平台期，光堆資料量無法繼續帶來明顯提升。要想再往上走，就必須改變資料採集策略，有意識地采“更有價值的資料”，而這正是強化學習可以發揮作用的地方。Pi-Star 0.6：真實世界 RL 讓機器人從經驗裡持續變強來源：AI工業（採用 AI 工具整理）這就引出了他們的工作 Pi-Star 0.6。在此之前，他們做機器人“基礎模型”幾乎都是純模仿學習（IL）：用遙操作演示資料訓練，讓模型去模仿人類示範軌跡。而在 Pi-Star 0.6 中，他們改成了“示教 + 真實世界強化學習”：先用示教資料訓練一個初始策略，再把它部署到真實機器人上執行真實任務。在真實執行過程中，機器人會收到人類給的獎勵訊號，並在必要時接受人工干預和糾正。這些真實互動產生的資料被不斷回流到訓練裡，模型學習那些行為應該被強化、那些應該減少，於是策略就能在真實世界中持續自我改進，從而擺脫單純堆疊示教資料帶來的性能平台期。在 RL 的具體落地方式上，他們選擇了現實世界優先，而不是主要依賴模擬。Pi-Star 0.6 論文中的強化學習，全都在真實機器人系統上完成。原因是：很多真正影響系統表現的，都是真實部署中的長尾故障，在“乾淨的模擬器”里根本不會出現。比如那個摺紙板巧克力盒子的真實任務：一開始系統表現很好，後來新批次紙板由於模切不完全、紙板輕微粘連，機器人一抓就把兩張紙板一起拿起來，放到桌上準備折盒子時，桌面突然多出第二個盒坯。如果你只在模擬器裡訓練，永遠只會拿到“完美分開的單張紙板”，這個故障模式壓根不會暴露；而在真實 RL 中，模型就必須學會識別並分離多餘紙板、移走它，再完成剩下那張的折盒過程。他還對比了行走（locomotion）和操作 / 抓取（manipulation）在模擬中的差異：對行走來說，最大難點往往是精準建模機器人自身體態和動力學；只要把這一台機器人建模得足夠好，模擬 → 現實的遷移相對可行。但對操作 / 抓取來說，難點是建模世界以及無數物體在被操縱時的反應——你不僅要控制“手從 A 移到 B”，還要預估“這個動作對所有接觸物體的影響”。這相當於要把整個世界建模出來，物體、材質、任務一多，規模就會迅速爆炸，這也是為什麼模擬 RL 在操作任務上的效果，遠不如在行走任務上的亮眼。他們在三個實際任務上，將機器人策略的執行吞吐量提升了 2 倍以上：包括搭紙箱任務、使用工業級意式咖啡機製作咖啡以及疊衣服任務。在每個任務中，僅基於人類示教訓練出來的基礎策略，被強化為執行更快、從失敗中恢復能力更強的版本。他們在官網展示了長時間運行的實驗視訊，例如機器人連續製作咖啡 13 小時、連續疊衣服 4 小時。這些長時間、不間斷的真實運行，證明機器人不再只是“拍一次成功畫面的玩具 demo”，而是能夠持續執行真實工作負載的系統，從而改變了人們對這類模型是否“可部署”的看法。他們強調，當前機器人領域真正的瓶頸在於可靠性和可持續部署能力。雖然網路上幾乎“任何你想像機器人能做的事，都能找到一次成功的視訊”，但這些視訊往往可以無限重拍，並不能代表系統在真實環境中的長期表現。對於實際部署而言，關鍵在於：模型在長時間連續運行下的穩定性、執行速度以及在不頻繁失敗的前提下能運行多久。如果系統隔三差五就出錯一次，就很難被認為是可部署的。在他們看來，此次 Pi-Star 0.6 的進展，標誌著這類模型開始逼近“真正可部署”的可靠性水平。在強化學習的角色上，他們認為這既是面向客戶部署的工程創新，也是提升模型能力的關鍵路徑。未來無論是家用機器人（能疊衣服、洗碗、做飯、移動、駕車），還是中小企業場景中解決“傳統自動化改造成本過高”的任務（例如裝巧克力盒），都要求機器人既要可靠高效，又要具備處理訓練階段未覆蓋新任務的能力。單純依賴不斷擴大人類示教資料規模並不現實，人類資料在數量和多樣性上存在硬性上限，基礎策略的性能上限也隨之受限。他們將重點轉向在真實部署中通過機器人自身經驗進行持續學習：先利用大規模人類資料和演示訓練出一個初始策略，然後在部署階段通過自主資料採集和強化學習不斷改進。他們預計，未來幾年會越來越依賴這種線上、在崗的資料收集和更新機制，用部署中產生的經驗資料來反向充實預訓練與微調，從而逐步建構覆蓋目標任務空間的“任務凸包”，讓模型能夠在這一空間內進行插值和泛化。他們將這一進展視為“讓系統從自身經驗中學習”的關鍵起點。他們類比人類學習過程：人類可以通過觀看視訊、觀察他人操作獲得初始能力，但真正成長仍然依賴於在真實任務中親自實踐、試錯、觀察動作對結果的影響並從中總結規律。在他們看來，能夠在規模化部署中真正“從自己的經驗裡學到東西”，是此次工作的一個重要里程碑。在具體案例上，他們提到意式咖啡中的壓粉（tamping）環節：初始模型會壓得過重，甚至出現機器人幾乎把自己頂離桌面的情況，其原因在於最初的人類示教資料更偏向“確保壓實、壓平”，導致模型學成了“用力過猛”。隨後，他們僅收集了大約 30–50 條人類糾正資料，再將這些少量但高價值的糾正樣本回灌給模型，結果模型就學會了更溫和且更接近正確的壓粉力度。這說明：即便模型已經在數百萬條 episode 上完成預訓練，少量高品質的人類糾正資料依然能夠顯著修正具體子技能，這對現實中的持續校準與在崗微調尤為重要。當被問到“在壓粉上學得更好，是否會讓模型在疊箱子等其他任務上也隨之變強”時，他們坦言：在這個具體例子中，壓粉能力的提升並不會直接遷移到疊箱子任務。但他們補充指出，同樣的糾正機制可以平行應用在眾多子任務上：例如為“分開黏在一起的兩個盒子”“修正折得不規整的盒子”等細分環節分別收集幾十條糾正資料。隨著對不同子技能持續做類似增量修正，這些局部改進會累積成整體表現和泛化能力的提升。在“持續學習（continual learning）”這一概念上，他們認為當前仍處於非常早期的階段。現有系統還稱不上是經典意義上的連續學習架構，距離那種“在不斷到來的資料流中持續更新、自動演化至更通用智能”的願景仍有不小差距。但與過去那種“訓練一次、產出一個靜態模型 artefact、後續幾乎不再更新”的範式相比，如今的系統已經更像一個“活的系統”：被部署之後仍然會嘗試新行為，從自身經驗中學習，並持續變好。在他們看來，這只是一個起點，卻是邁向可以在真實世界中一邊幹活一邊進化的機器人系統的關鍵一步。目前整個體系在他看來更像一套“可重複的配方”：不同任務各有一套示教和訓練流程，現在跨任務的“互相啟發”仍然有限，整體更偏向於針對每個任務重複執行成熟配方。隨著規模擴大，如果不同任務之間存在相似的動作模式，他們預期會逐漸出現從任務 A 遷移到任務 B 的效果，但當下的主要現實仍是“重複配方”，而不是強泛化。真正明顯的泛化能力主要來自預訓練。當模型在越來越多的任務和資料上進行預訓練時，新任務的“上手難度”會顯著降低，甚至會出現零樣本任務也能直接完成的情況。他們會定期重啟預訓練，每一次在資料量增加以及預訓練流程持續最佳化的推動下，模型能力都會進一步提升。展望未來，一旦大規模部署真正展開，機器人在真實場景中執行各種任務時產生的資料會不斷回流訓練，形成一個“部署 → 產生資料 → 模型變強 → 能部署得更多”的閉環資料引擎，他們認為真正大的泛化紅利將來自這一閉環過程。在架構設計上，系統大致可以被劃分為兩部分。一部分是策略網路（policy），通過人類糾偏與強化學習（RL）反饋持續提升決策能力。另一部分是獲得高品質 RL 反饋的機制：他們先讓人類對完整的任務嘗試（例如做咖啡、搬箱子）打上“成功/失敗”標籤，再用這些帶標籤的軌跡訓練一個價值函數（value function），使其能夠從任意中間狀態預測“從這裡繼續下去，大機率會成功還是失敗”。在 RL 訓練中，這個價值函數被用作基線：如果當前動作讓成功機率上升，就將對應資料“往上推”；如果軌跡朝失敗方向演化，就“往下壓”，從而間接完成對策略的強化更新。實驗結果顯示，在多工、多資料上預訓練價值函數時，會出現明顯的跨任務泛化。在某些任務中，價值函數甚至能比人類更早察覺失敗：例如，當機器人嘗試將咖啡機手把（portafilter）插入機器時，人類從視訊中往往要到真正卡住那一刻才意識到“要失敗了”；而價值函數通常會在提前三四十步時就開始明顯下跌，相當於在預先標記“這條軌跡不適合拿來學習”。這種“提前預判失敗”的能力，會隨著資料量和任務數量的擴張持續增強。從強化學習的視角來看，他們強調，RL 並不等同於只在終點給一次獎勵的策略梯度方法。通過價值函數、時間差分學習（TD）等技術，可以將原本只在結尾出現的稀疏獎勵，轉化為沿時間序列更稠密的學習訊號，從而支援更長時序、更複雜的任務。由於機器人領域並不存在類似語言那樣的“完美模擬器”，大量行為必須直接在真實世界中執行，這客觀上逼迫他們探索更高效的 RL 方法，尤其是圍繞價值函數的各種實踐。他們認為，這些在機器人場景中被迫打磨出來的 RL 技術，未來有望反哺整個大模型 / AI 社區。在資料與世界模型方面，當前階段被他們視為一個引導啟動（bootstrap）期，在這一階段，幾乎所有能幫助模型盡快跨過“可部署門檻”的資料來源都值得嘗試：包括模擬資料、人類演示視訊、手持拍攝視訊、遙運算元據等。從長期視角看，他們判斷真正佔主導地位的將是大規模部署後產生的真實世界資料，其規模與多樣性都會遠超啟動階段所能人工收集的一切。因此，當前狀態更像是在不斷試錯和堆料：“能想到的有用資料都先往裡加，只要能把模型推到可以開始大規模部署的那條線就行。”關於世界模型 / 視訊模型，他們認為這些路線與他們當前的 RL 技術，本質上都在解決同一個核心問題——反事實（counterfactual）和信用分配（credit assignment）：究竟是那些動作真正決定了成功？如果在關鍵時刻做了不同選擇，世界會如何演化？世界模型的做法偏向於顯式預測整段未來視訊，例如“如果當時換一個手把角度，後續會不會卡住”；而基於價值函數的 RL 則通過更隱式的機制來處理同一問題。他們目前在這些方向上平行探索：從 Pi-Star / Pi-Star-6的結果來看，基於 RL 的方案已經展現出良好前景，但他們同樣認為，未來在世界模型、視訊模型與 RL 的組合上還有大量空間有待挖掘。在商業化與產品形態層面，他們坦言，在跨過啟動期、進入面向客戶的大規模部署階段後，最終是提供端到端垂直一體化的機器人解決方案，還是主要輸出模型與能力，由客戶自己完成業務整合，這一點目前仍在探索之中，尚未形成完全確定的答案。他們首先強調，現在整套技術還非常早期，剛剛到達一個“可以開始考慮真實部署”的門檻，所以當前最重要的是把底層技術打磨到足夠好、足夠易用，而不是急著選一個具體場景變現。他們希望先把系統做成儘可能通用、儘可能容易部署的“平台級能力”，把“可適用任務的光圈”儘可能打開，而不是一上來就把自己鎖進某個窄場景。回顧機器人創業史，很多公司一開始是做“通用機器人”的大願景，技術做了一段時間後，一旦選定一個落地應用，就開始圍繞這個場景不斷做特化和妥協：各種只為這個應用服務的工程 hack 堆上去，最後公司就變成了“只做倉儲揀選”等單一垂直應用的公司。他們非常想避免走上這條路，因為他們認為自己現在有機會，直接對“物理智能（physical intelligence）”這個總問題發起進攻。如果真的能把物理智能做通用，它帶來的長期收益遠遠大於今天緊盯某個單一應用。因此，他們寧願現在就把技術做得足夠通用、足夠易部署，把適用範圍開到最大，至於未來是賣模型、賣一體化解決方案，還是賣機器人整機，可以在技術成熟後再決定，現在過早選路線反而會把自己框死。拿他們的工作和自動駕駛對比，有的地方比自動駕駛容易，有的地方則更難。相對容易的一點在於，很多物理任務並不需要 100% 可靠：比如家裡機器人幫你疊衣服，100 件裡有 1 件疊錯完全可以接受，人類隨手糾正一下就好；但在自動駕駛裡，“每一百次來一次災難性失敗”顯然是完全不可接受的。與此同時，他們明顯受益於今天這個大模型時代：有了視覺–語言模型和更通用的基礎模型，系統本身就自帶一定的“常識”和泛化能力，還能汲取2009 到 2025 這十幾年裡自動駕駛和深度學習踩過的所有坑和經驗教訓，從一開始就採用更通用的範式來建模。難的地方在於，他們試圖建構的，是一個真正通用的物理智能系統：既要能開車，又要能做抓取與操作（manipulation）、行走、飛行，甚至控制手術機器人。但他們的經驗是：如果從第一天起就以“通用”為目標來設計架構和訓練流程，這個問題並沒有想像中那麼難。在“物理智能”裡似乎存在某種我們還沒完全搞清楚的結構，使得同一個模型可以在“駕駛、沖咖啡、飛無人機、操控手術機械臂”這些看似差異巨大的任務之間遷移和抽象。這一點讓他們對前景非常樂觀，覺得通用物理智能未必比自動駕駛更難，甚至在某些維度上可能更容易。談到最近最讓他們震撼的進展，其中一個明確的例子就是視訊模型。幾年前他們還在做早期的視訊生成與建模工作，那時完全沒有預料到：改進曲線會陡峭到今天這種程度——生成視訊幾乎難以與真實區分，而且還能完成複雜的時空變化與場景控制。更驚人的是，這一切竟然是從“下一個 token 預測”這樣看似簡單的預訓練目標裡湧現出來的。他們坦言，至今仍然對這種“從純預測任務裡湧現出通用智能”的現象感到震撼；今年無論是在數學競賽等級的挑戰，還是在科學發現和研究工具上的突破，都在不斷刷新他們對大模型上限的認知，也讓他們相信：大模型預訓練遠沒有見頂，反而像是剛迎來“第二口新鮮空氣”。他們反覆強調，最不可思議的地方，是這整套東西居然真的能穩定地工作。你搭建一個大致受人腦啟發的神經網路結構，配上一個通用的學習演算法，然後往裡灌入足夠多、多樣的真實資料，它就自己學會了我們幾十年工程堆不出來的東西，而且在機器人控制、視覺理解、語言處理、音訊等多個方向上全面超越傳統手工設計系統。現在已經可以讓機器人進入一個從未見過的家庭環境，也大致知道在家裡該做些什麼，或者讓它連續十多個小時重複完成像沖咖啡這樣複雜的操作——而這一切都來自一個端到端訓練出來的統一系統。他們承認，自己至今仍然沒有完全弄明白這個系統內部到底是怎樣組織知識和行為的，但事實證明它“就是能行”。在方法論上，他們認為整個 AI 領域其實也經歷了一個從“拆小問題”到“做大一統”的範式轉移。過去很長一段時間裡，主流做法是：把一個大問題拆成很多細小的子任務，在每個子任務上做極致最佳化，試圖最後通過工程整合把這些子系統拼回一個完整智能。真正的飛躍，出現在我們開始做大規模多工預訓練之後：不再為每個任務單獨設計目標和結構，而是用一個統一的預訓練目標，讓模型在多源海量資料上自己去“總結”，結果發現大量跨任務的能力會自發湧現。在他們眼中，這種從“任務碎片化”到“統一預訓練”的轉變，是過去十多年裡最出人意料、也是最具決定性的變化之一。有人把這兩種範式比喻成“手風琴”：一會兒收攏，把問題拆得越來越細；過一陣覺得不行了，再張開，回到“大一統”的解決方式，然後周而復始。對這個比喻，他們的看法是：現在已經很難想像再完全回到老一套“拆分優先”的範式。確實有很多人嘗試尋找“最佳組合”，例如把牛頓力學等我們已知的顯性規則硬編碼進模型，希望通過“預烤一部分知識”來降低學習難度。但依照他們的經驗，這種做法往往會限制模型發現新模式的能力，反而降低了系統的上限。從目前看到的證據來看，所謂“兼得兩端”的方案並不理想，他們更傾向於認為：應該把籌碼壓在“純學習”這邊——儘可能讓系統從資料和互動中自己學，而不是靠人為規則補丁來約束它。為了說明這一點，他們用了一個生物進化和兒童發展的類比。如果智能真的可以被很好地預烤到基因裡，進化早就會選擇讓你一出生就“知道一切”。現實卻是：像鹿這種動物，出生不久就已經接近一生能力上限，後天學習空間有限；而人類、烏鴉這類高智商物種，反而擁有很長的“笨拙童年期”，需要通過大量的試錯、遊戲和探索去學習複雜行為。換句話說，更高層次的智能往往意味著更少的預烤知識、更多來自經驗的學習。在機器學習中，他們也得出了類似的教訓：我們以為自己理解“智能應該如何被設計”，但現實是我們並不瞭解自己的思維結構，真正有效的做法是讓演算法在足夠豐富的世界經驗中、自主地學出那些我們自己都說不清的結構和規則。最後，他們又把話題繞回到“學習”本身：不管是大模型，還是具身機器人，抑或是人類小孩，核心都是在一個複雜世界裡，通過長期互動去獲取經驗、形成自己的內在模型。父母常常以為自己知道孩子在怎麼想，但實際情況卻是：孩子學習得極快，經常掌握一些父母從來沒顯式教過、甚至不知道是從那兒學來的東西。在他們看來，這恰恰說明了一個事實：真正強大的智能，往往不是預先寫死的規則，而是從持續、豐富、真實的經驗中“長出來”的。 (AI工業)

許多人把咖啡當作提神醒腦、預防睏倦的“利器”除此之外多項研究證實適度喝咖啡還可帶來不少健康益處比如有助延壽、對肝臟和心臟有益還能幫你遠離癌症、心血管等疾病延緩皮膚衰老與從不喝咖啡的人相比到底長期喝咖啡的人身體上會有什麼變化？但要注意！有些人不宜飲用咖啡01經常喝咖啡對身體好處多多1、有助延壽咖啡是植物提取物，來自咖啡豆的咖啡粉含有多種生物活性物質。比如多酚、咖啡因、單寧酸等。這些物質就像身體內的“利劍”，能消滅細胞代謝產生的自由基。自由基對細胞有害，消滅它們後細胞的生物活性提高，壽命延長，皮膚也更好。2、有助預防腸炎和腸癌《自然·微生物學》期刊上發表的一項數萬人研究發現：經常喝咖啡能改變腸道菌群。與從不喝咖啡的人（每月不足三杯）相比，每天喝三杯咖啡的人，其腸道中有益菌（L.asaccharolyticus）的水平高出4.5～8倍！這是一種腸道有益菌，它能幫助腸道產生丁酸，有助於維持腸道屏障功能，幫助預防腸炎和腸癌。3、心臟更健康《現代醫學》上的一篇研究指出，適量飲用咖啡可以降低冠心病、心肌梗死和心力衰竭等心血管疾病的發病風險。資料分析顯示，與不喝或幾乎不喝咖啡的人相比，喝咖啡的人得心血管疾病的風險能降低5%。4、對肝臟有益咖啡能提高肝臟活性。與不喝咖啡的健康人群相比，常喝咖啡的人罹患脂肪肝的風險顯著降低。對已經得了脂肪肝的人來說，常喝咖啡可使肝纖維化發病率降低33%。原因可能在於，咖啡中含有的咖啡因、綠原酸等活性成分，有助調節脂肪代謝，進而預防脂肪肝和肝纖維化。5、降低面部皮膚衰老的風險《美容皮膚病學雜誌》上的一項研究揭示，經常喝咖啡的人，面部皮膚衰老的風險更低，看起來會更年輕。研究人員分析了喝茶、喝咖啡、喝酒精飲料和含糖飲料與面部皮膚老化之間的關係。結果顯示，只有咖啡能明顯降低面部皮膚衰老的風險，資料顯示，咖啡攝入可以降低15%的面部衰老機率。6、心情更美好發表在《中國食物與營養》期刊上的文章指出，單次攝入200毫克的咖啡因有助於改善精神或體力疲勞相關的不良情緒。咖啡因攝入70～400毫克/天，能降低抑鬱症發生風險。溫馨提醒：健康是由內外多種因素共同作用的結果。比如日常飲食營養、適度運動等多方面因素協調配合。咖啡雖然可能在某些特定方面具備一定益處，但不能將全部希望都寄託於咖啡，認為僅靠它可以解決所有健康相關問題。喝咖啡的好處真的不少但是需要注意所有喝咖啡的好處都有一個前提： 適量喝咖啡建議每天別超過5杯，健康成人，每天3～5杯是適宜的（標準咖啡杯容量為120毫升～140毫升），即每天攝入不超過210～400毫克咖啡因。選擇健康的咖啡，比如美式、拿鐵（選低脂奶），儘量減少加入糖和反式脂肪奶精的攝入。02咖啡雖香，但並非人人適合1. 有特殊疾病的人群比如嚴重高血壓、心腦血管疾病患者，咖啡有刺激血管收縮、提高交感神經興奮性的作用，可能導致疾病加重甚至出現心慌、手抖等症狀。2. 胃腸道疾病患者如胃潰瘍、腸潰瘍、潰瘍性結腸炎患者，飲用咖啡可能加重病情。3. 剛做完手術或剛出院需要靜養的人群咖啡因、茶鹼的咖啡會使他們興奮，不適宜飲用。4. 青光眼患者有研究表明，咖啡中所含的咖啡因能導致青光眼患者眼壓異常增高，為青光眼發展危險因素。所以，青光眼患者在日常生活中應避免飲用咖啡這類高含量咖啡因的飲品，避免眼壓升高及波動對眼睛進一步造成傷害。5. 孕婦和哺乳期女性《咖啡與健康的相關科學共識》中提到，不建議孕婦喝咖啡，如果飲用，每天不超過2杯。對於平時就沒有喝咖啡習慣的女性，建議孕期和哺乳期不要飲用咖啡；而對於平時就一直有喝咖啡習慣的女性，最好限量飲用咖啡。 (極目新聞)

▎這可不是一台裝了機械臂的咖啡機，而是一台真正會做精品咖啡的機器人。2026年Las Vegas的CES展會上人潮湧動，當全球科技巨頭們還在討論人形機器人何時可以實現真實場景的商業閉環時，North Hall區一個60平米的展位前卻聚集了近百人圍觀。一台擁有雙靈巧機械臂和生動數字人互動的咖啡機器人成為在場所有人關注的焦點，多位現場觀眾都給出了類似的評價——“這應該是本屆CES裡最落地的具身智能產品”。這台名為XBOT的咖啡機器人來自於一家聚焦消費場景的中國具身智能企業：影智XBOT，而這家公司的創始人正是先後作為騰訊與小米的早期成員，主導了QQ表情、QQ空間、小愛音箱、小米路由器等爆款產品的唐沐。當大部分具身智能企業還在工業場景和家庭場景的紅海中搏殺內卷之時，這位中國頂級產品經理已經用600台機器人部署、400萬杯咖啡的銷售資料，實現了具身智能首次以標準化商業產品形態進入全球最高頻消費場景的突破，這不僅是影智科技交出的第一份商用具身智能的落地答卷，對於整個具身智能行業的商業落地處理程序而言，也具有里程碑的意義。如何讓機器人做出一杯不輸於人類咖啡師的精品咖啡？“這可不是一台裝了機械臂的咖啡機，而是一台真正會做精品咖啡的機器人。”影智XBOT的負責人對鈦媒體表示。XBOT的精品咖啡製作“手藝”的背後，是一套從資料採集、演算法校準到模型迭代的完整技術閉環。在口感標準上，XBOT搭載了進口全自動咖啡機，預設超30種基礎飲品菜單，實現100%還原精品咖啡口味。通過智能研磨、電子布粉、智能萃取技術，確保每次出品的濃縮咖啡和奶基咖啡都達到專業咖啡師的手工水準，口感一致，粉量誤差為±0.3g（人類咖啡師為±2g），另一方面保持了機器人的最大優勢，即高效性（110秒即可完成兩杯咖啡製作，單日輸出超500杯）與品質穩定性。精品咖啡核心情緒價值的顯性符號在“拉花工藝”上，為了讓XBOT能夠完美復刻人類頂級咖啡師的手部動作細節，公司自建了好萊塢級機器人視覺實驗室，部署了11組攝影機與紅外游標記點，全形度捕捉黑杯咖啡大賽冠軍等頂級咖啡師的雙手動作路徑。在積累了上百小時的視訊資料之後，通過數字孿生技術將三維動作資料轉譯為機械臂智能規劃路徑，實現重複精度±0.02毫米的精準復刻。體現在量產XBOT上，它不僅能完美復刻人類咖啡師擅長的愛心、天鵝等經典拉花圖案，也能實現文字、圖片、節日主題等富含打卡屬性的多種創新印花咖啡。甚至能通過上傳自拍照片，通過AI大語言模型生成AI數字形象，製作成為使用者專屬定製的AI印花咖啡。同時，為瞭解決具身行業常見的量產機械臂精度校準誤差難題，影智XBOT自研了一套“自動校準+虛實同步演算法”。實現了在數字孿生偵錯好動作後，真實機械臂可自動校準初始位置與定位精度，無需人工逐台調整，結合AI對動作進行微調最佳化，將單台機器人偵錯時間壓縮至3小時，極大降低了咖啡機器人量產與部署的難度。更值得關注的是，影智XBOT還建構了行業首個“咖啡大模型”，整合飲品知識庫、口味拼配演算法與多模態互動能力。當顧客向生動的數字人咖啡師提出口味要求，比如“要一杯熱帶風情的咖啡”或“更濃/淡”時，大模型會自動解析語義，調整配方參數並生成製作指令碼，實現“千人千面”的近百種個性化口感定製。甚至，即使使用者沒有發出主動要求的情況下，數字人咖啡師也會通過攝影機識別使用者情緒與消費歷史，主動推薦專屬飲品，讓一杯咖啡成為有溫度、有記憶點的社交載體。從動捕學習、自動校準到大模型驅動，影智XBOT用三年400萬杯的咖啡製作資料，將冰冷的機械臂訓練成一位不知疲倦、千杯如一、還能讀懂人心的“賽博咖啡大師”。二元產品基因助力商業具身智能的最快落地XBOT咖啡機器人的產品靈魂，深深烙印著創始人唐沐橫跨騰訊與小米兩大科技巨頭的雙重基因。湊巧，這兩家公司正好代表了國內最強的網際網路產品能力和智能硬體產品能力。兩大最強基因的融合為唐沐構築了一套獨特的產品設計哲學，他自己曾在某次公開採訪中提到一套“天平理論”——“左邊是科技，右邊是美學，正中間是情緒價值，基座是質量、成本與交付。”而正是基於這套產品設計哲學，才成就了XBOT今天順滑的互動體驗與紮實的硬體品質。情緒價值作為唐沐設計哲學的核心要素，體現在XBOT的每一個細節之中。為了弱化機械臂拒人於千里之外的冰冷氣質，唐沐毅然決定要給咖啡機器人加裝43英吋的互動大屏與AI數字人多模態互動系統。不同的數字人咖啡師還被賦予不同的MBTI人格，支援多種語言和方言的即時互動，讓使用者獲得真實“他鄉遇故知”的親近感。當攝影機識別到老使用者，數字咖啡師用親切的鄉音主動喊出使用者的名字並推薦道“還是老樣子？一杯少冰冰美式？”，行業所普遍追求的“有溫度的具身智能”已經呼之慾出。同時，XBOT重金研發的定製拉花能力，又讓每一杯咖啡成為“可飲用的社交貨幣”，這種“裂變”的行銷玩法自然也傳承至騰訊領先全球的社交基因。唐沐在採訪中坦言：“機器人必須突破工具屬性，具備多模態互動與情緒感知能力。”這正是他在騰訊十年打磨億級使用者產品所沉澱的核心認知——技術必須服務於人性的溫度。而另一方面，傳承自小米的硬體供應鏈能力，則讓XBOT實現從概唸到量產的跨越。小米在硬體生態上的快速迭代、性能翻倍和價格減半的極致風格，被唐沐同樣帶到了影智XBOT。從XBOT初代機售價60萬，二代機降至38萬，Lite版直擊18.9萬元，價格降至三分之一的同時各項功能提升50%，這種跨越式迭代的背後正是影智XBOT全鏈條自研能力的硬支撐，正如同小米當年對各類供應鏈的極致整合。當被問到為什麼不做人形，唐沐說道：“十五五規劃建議用的是具身智能而非人形機器人，這個表述讓我特別振奮。”在他看來，人形機器人是具身智能的“子集”而非“全集”，追求形態像人不如追求能力解決問題。“比如養老場景需要的是智能助浴系統而非站立不穩的機器人護工，而咖啡場景需要的是穩定精準的機械臂而非會走路的咖啡師。強行賦予人形，是資源浪費，更是安全隱患。”今年11月，影智XBOT還落地了上海首家XBOT機器人7S服務中心，涵蓋銷售、服務、配件、資訊反饋、金融、資料營運、裝置回購全鏈條服務。閉環了整個裝置的交付和服務過程，也將客戶決策和部署的門檻降到了最低。根據影智XBOT提供資訊，截至發稿，XBOT已部署涵蓋商業地產、文旅、城市圖書館、影院、劇場等落地場景，落地國家和地區15+，覆蓋城市100+，全球落地總量600+，累計為全球使用者提供精品咖啡超400萬杯。預計2026年，XBOT的總部署量將突破3000台。對於整個具身智能行業的商業落地處理程序而言，影智XBOT的快速落地案例無疑非常具有里程碑意義。而在唐沐眼中，這只是其真正想要打造的具身智能消費生態的第一步。以咖啡機器人為切口的消費具身革命當XBOT咖啡機器人憑藉雙臂協同、視覺感知與咖啡大模型在600余個點位完成400萬杯咖啡的交付後，其沉澱的硬體物理能力與AI模型能力已展現出驚人的泛化性。XBOT這套通用身體+AI大腦，如同一個可插拔的USB 隨身碟，讓同一套技術底座得以快速遷移至冰淇淋、牛排、拉麵、調酒、快餐等十余個消費品類。其中，XBOT的冰淇淋機器人已經實現量產，在本次CES上也同步展出，佔地僅1.35㎡，零售價15.9萬元。這種“一機多腦、平台+外掛”的架構，極大縮短了新消費品類機器人的研發周期，均攤了初期的消費場景拓展成本，將XBOT的產品線從單一的消費裝置升級為可規模複製的跨品類解決方案。而唐沐眼中的終局還遠不止如此。當這些機器人高密度部署於文旅景區、商業綜合體、醫院、圖書館、企業總部等高流量場景時，它們共同建構起一個覆蓋大量真實消費行為的資料入口。每台機器人將不止是消費行為的交付工具，更是即時採集使用者消費偏好、消費動線、復購率、情緒反饋的智能終端。機器人不再僅是替代人力服務的“效率工具”，而是成為連接消費者、商戶、供應鏈的“場景智能體”。這些分散在物理空間的消費行為資料將成為引發消費具身革命的基礎，既能進一步為消費者提供更加智能和個性化的服務，更能為商業體等消費場景提供營運最佳化、投資行為的決策意見，這正是物理AI賦能商業場景的深層價值。工業具身智能最佳化的是生產流程與資源配置，家庭具身智能滿足的是個體需求與情感陪伴，而消費具身智能，則需要同時解決消費者的非標服務需求和商業場景的營運最佳化需求，本身就是一件更為複雜的任務。消費生態具身智能或將可以崛起為獨立於工業場景與家庭場景之外的第三大具身智能賦能領域，但相較於工業場景的真實訂單數量優勢和家庭場景的C端故事優勢，消費具身智能還需要更多時間來被資本和客戶認知。XBOT在CES的火熱只是個開始，唐沐也深知他自己選擇這條路線的坎坷，而無論前路如何艱難，影智XBOT正以咖啡機器人為切口，拉開的是一個兆級線下消費生態智能化升級的序幕。 （鈦媒體）

這是改變人生的一泡尿。2021年的一天，李雨軒和同事凌晨四點就起床，五點準時從北京開往保定。他們作為智能座艙的供應商，參加長城汽車的項目對接會。沒開多久，李雨軒眼皮幾乎睜不開，連續喝了三罐紅牛。睏意未卻，尿意湧來，膀胱有決堤之險。下一個高速服務區還有40多公里，以當前時速，還要憋至少28分鐘。李雨軒熬完人生最漫長的28分鐘，解脫之後突然想到：對司機來說，紅牛和咖啡讓大腦興奮，卻讓膀胱遭罪，尤其是長途司機上廁所極不方便。國內咖啡市場規模約6000億，能量飲料約1000億，但其滿足需求的方式很粗放——大量司機、考生、加班開會者甚至遊戲玩家，需要的是免水、即時、不離座的提神方案。李雨軒想，能否將能量飲料中起效的成分咖啡因、牛磺酸等成分做成固體，達到快速提神，但無需總上廁所的目的。2022年1月，李雨軒創辦北京吾友能量健康科技有限公司（吾友能量），推出了專為司機、腦力工作者固體咖啡含片，衝進7000億“提神賽道”。2025年，小含片在滴滴商城上線，受網約車司機追捧，復購率超過12%。今年8月，吾友能量完成天使+輪融資，由水木梧桐創投與聚謙投資聯合投資。正如有人通過菜場青菜豬肉價推測宏觀經濟晴雨，李雨軒是在高速路服務區翻垃圾桶，靠紅牛罐和脈動瓶捕捉到需求和痛點。他是一名消費創業者，也用民間的方式完成了一次有趣的經濟學實踐。聲明：訪談對像已確認文章資訊真實無誤，鉛筆道願為其內容做信任背書。- 01 -憋尿引發的需求很多人不理解，為什麼我放著汽車智駕不做，突然去賣糖？我算是老快消人。畢業就去了高露潔和美贊臣，一直在市場部。後來在清華讀了MBA（清華五道口金融學院與康奈爾大學雙學位）。2015年第一次創業，公司叫“軒轅聯科技”，主攻汽車智能化。2016年，在北汽的車型上裝了一款語音聊天機器人，一個重要初衷，就是解決司機疲勞駕駛問題。然而現實重重捶了我一拳。我們發現，所有科技手段——無論是機器人陪聊、講故事還是唱歌——都改變不了人的生理狀態。系統能知道司機困了，也發出提醒，有用嗎？司機不知道自己困嗎？當然知道。但你讓他停車休息，很多時候根本停不了，比如在高速上離服務區還有幾十公里，或者在北京堵死的環線上。真正能馬上起作用的，還得是紅牛、咖啡。但紅牛和咖啡就完美嗎？這有我親身的經歷，雖然不太體面，卻特別真實。吾友能量創始人李雨軒，曾翻垃圾桶發現司機需求和痛點2021年，為了趕早9點和長城汽車對接疲勞駕駛項目，我和同事凌晨四點就爬起來，五點集合，從北京出發去保定。天還沒亮，車剛啟動睏意就撲了上來，加上車裡的呼嚕聲，我眼皮直打架。作為老司機，我習慣性喝了一罐紅牛。紅牛提神原理是，人體疲勞時會累積“腺苷”，它和大腦中的腺苷受體結合就會發出困覺訊號；紅牛中的咖啡因會競爭性的與腺苷受體結合，阻斷這個訊號。但問題是，紅牛是液體。咖啡因溶解在水裡，主要通過胃腸道吸收，進入血液達到峰值濃度，通常需要30分鐘。那天我喝得太遲了，睏意已經上頭，為了強行提神，我只能一罐接一罐地灌。兩個小時喝掉三罐250毫升的紅牛，咖啡因攝入量直奔150毫克。沒等咖啡因解乏，另一個生理反應先到了——強烈的尿意。看了一眼導航，顯示距離下一個服務區還有40多公里。以平均100公里的時速計算，我得憋至少28分鐘。那種膀胱膨脹的感覺，憋過尿的，都懂。那28分鐘裡，什麼AI提醒、語音聊天機器人全是浮雲，腦子裡只有一個念頭：什麼時候到廁所？等我終於衝進服務區，釋放完的那一刻，膀胱舒坦了，我也徹底明白了：紅牛也許能解決“困”，卻製造了一個更緊急、更痛苦的“憋”。真實世界裡的硬需求，往往就藏在這些上不了檯面的尷尬裡。- 02 -垃圾桶裡找答案我想起在高露潔、美贊臣學到的：那裡有抱怨，那裡就有機會。我自己的“膀胱抱怨”是不是孤例？我決定用最土的辦法去驗證。我開車去了幾個高速服務區，幹了一件挺奇葩的事：翻垃圾桶。我像個偵探，花了兩個小時從六個垃圾桶裡清點出：47個紅牛罐、22個東鵬特飲瓶，以及一個關鍵發現——19個1升裝的脈動空瓶。這種超大包裝在普通超市很少見，為什麼成了服務區“特產”？我又在垃圾桶旁蹲了半小時，有了答案。一位卡車司機從車上下來，順手扔一個同樣的大號脈動瓶子。我趕忙上前與他寒暄，他咧嘴一笑：“這口大，當尿壺方便，我們跑夜車的都懂。”垃圾桶不會說謊：紅牛罐是“提神需求”的鐵證，而脈動瓶則是“如廁痛點”的無奈解決方案。回到辦公室，我立刻查資料。那時，中國能量飲料市場一年大概賣1000億，紅牛佔了半壁江山，年營收約500億。而更關鍵的是，平安證券的研報顯示 ，紅牛這500億里，有三分之二是司機貢獻的。光是紅牛一個品牌，一年就有約330億元的貨，賣給了那些既要提神、又飽受找廁所折磨的司機。這還沒算上每年6000億的咖啡市場裡，有多少是司機、考生、開會族貢獻的。一個等式在我腦中浮現：巨大市場（至少數百億級）+真實痛點（提神vs如廁）+零解決方案=我的機會。這邏輯簡單粗暴：如果把紅牛裡提神的東西（咖啡因、牛磺酸）留下，把水去掉，做成一個固體，不就不用擔心上廁所了嗎？每片含片12克，別看叫咖啡含片，一點都不苦。關鍵是吃了瞬間提神還不用憋尿找廁所我馬上張羅“Energy Gum”（能量口香糖）項目。在跟幾位清華校友還有快銷行業的老炮溝通後，我講了這個“高速炸膀胱”的故事和背後資料。讓我沒想到的是，不僅收穫大家的深深共鳴，還拿到一筆啟動資金。- 03 -苦，實在太苦了我很快被現實教育了。“把紅牛裡的水去掉”，想法看上去很完美：去掉水，保留咖啡因、牛磺酸、維生素B族，做成固體片劑和口香糖，既提神，又減少上廁所。固體片劑和口香糖還有個好處，它通過口腔粘膜吸收，繞過胃腸道，把起效時間從30分鐘壓縮到5分鐘。第一代產品做出來了，咖啡因含量對標一杯美式咖啡。但一入口，所有人都皺緊了眉：苦，難以形容的苦。使用者測試中，滿分5分，它只得了3.2分。產品上市後，復購率不到0.5%。有使用者告訴我們，只有到實在撐不住的份上，才會含它。一秒鐘，我全明白了：為什麼紅牛、東鵬不做固體？不是它們笨，而是咖啡因的苦味在固體形態下被無限放大，太難入口。怎麼辦？一點點試。做了至少300次迭代。第10代：嘗試加更多的甜味劑，失敗，變成了“甜苦”，更噁心。第50代：嘗試改變物理結構，失敗，溶解速度太快，變成了吞嚥，起效變慢。第100代：嘗試微膠囊包埋技術，失敗，要麼包不住苦味，要麼味道特別怪……這期間每批樣品光原料和工時就要花掉上萬元。三年裡，我們為“口感”交的學費，超過了千萬元。差不多每天都在“看到希望”和“絕望崩潰”之間橫跳。最絕望的時刻發生在2023年10月。我們終於做出了第156代配方，實驗室盲測評分達到了4.5分，團隊以為黎明將至。結果送到工廠試產，工程師說，這個配方原料太過蓬鬆，完全無法成型，根本無法量產。要改到能生產，口感評分又會跌回不及格。那一刻，我想要不算了。幾秒鐘後，我深吸一口氣，對團隊說：“重來。”為了收穫樣品的真實反饋，我一年打車花了一兩萬，就為跟網約車司機聊天。有一次晚上十點多，我剛結束工作，打車回家。路上我看司機眼睛都快合上了，遞給他一片我們的樣品，說試試這個。下車時，他抓著我的手：“大哥，你這東西真好，能賣我嗎？”他是河北人，老婆沒工作，兩個還在上學的孩子。他每天跑14到16個小時，午飯兩個饅頭就鹹菜。我問他以前困了怎麼辦。他沉默了一下，從車門邊摸出一根縫衣針：“實在扛不住，就扎一下大腿。疼醒了，就能再開半小時。”我渾身一顫。另一次，一個司機告訴我他靠牙籤扎自己。我問他：“如果這東西好用，你願意花多少錢買一片？”他想都沒想：“20塊。”我很吃驚，一罐紅牛才8塊。他苦笑：“紅牛我得找廁所啊。上次拉個去機場的急單，我繞路找廁所耽誤了時間，乘客一個投訴，我服務分掉下去，好幾天接不到好單子。你這玩意兒不用喝水，20塊，值。”- 04 -12%復購率背後的三條護城河轉機出現在2024年。通過複雜的保密配方，我們終於把咖啡因的苦味釋放曲線給“壓平”了，同時讓它在口腔裡緩緩融化30分鐘，正好滿足黏膜充分吸收所需的時間。2025年，我們把新產品上線了“滴滴車主商城”，第60天，復購率12.3%，而且還在漲。消費品12%的復購率，意味著使用者不是在嘗鮮，而是真的需要。吸取了之前汽車行業帳期長的教訓，我定了一條鐵律：所有經銷商，必須先款後貨，概不賒帳。這讓我們在規模還不算巨大的時候，就已經實現了盈虧平衡。今年8月，在我們完成了新一輪融資，由水木梧桐等機構聯合投資。那時，我們的投資人為了盡調，親自跟著卡車司機從廣州跑到鄭州，全程28小時。回來後，他在投決會上說：“需求真得不能再真，產品也硬得不能再硬。”很多投資人都問過我，如果紅牛、東鵬也來做，你們怎麼辦？我們有三條護城河：1.配方：這2-300次迭代記錄、上千萬試錯成本，就是壁壘。巨頭有錢，但重走一遍這個“盲測踩坑”的過程，也需要時間，而且未必能成功。2.安全：去年，我們產品賣得正火時，一批貨在出廠前檢測出了一項指標波動。雖然未必超標，但我當場決定：全批次封存，一件不許出廠。我們花了5個月時間停產排查、整改供應鏈，損失巨大，管道也抱怨。但食品的安全是“1”，其他所有都是後面的“0”。我要求每一批貨都全檢，這推高了成本，但讓我們睡得著覺。3. 場景：我們已經悄悄把貨鋪進了加油站、網約車平台、高速服務區甚至網咖。這些地方，就是“困”和“憋”矛盾最突出的前線。最近，我們發現有使用者把把含片帶到美國、澳大利亞、韓國去賣——那裡有更龐大的咖啡因消費人群，也同樣有“開車犯困、喝多找廁所”的難題。未來，我們要做的不只是“含著吃的咖啡”，還會嘗試功能性口香糖，並且出海。這些，巨頭都有能力做。但他們要面對一個左右互搏的尷尬：賣一片含片，可能就少賣一罐高利潤飲料。 (鉛筆道)

全球19家連鎖餐飲企業2025年第三季度財報業績彙總註：各大公司財政年度的起始時間不同於自然年，因此會出現財政季度、年度等與自然年不一致的情況。星巴克(Starbucks)公佈截至2025年9月28日的第四財季和財年業績。第四財季總淨營收95.69億美元，上年同期為90.74億美元，同比增長5.5%。營業利潤2.78億美元，上年同期為13.07億美元，同比下降78.7%。歸屬公司的淨利潤1.33億美元，上年同期為9.09億美元，同比下降85.4%。財年總淨營收371.84億美元，上年為361.76億美元，同比增長2.8%。營業利潤29.37億美元，上年為54.09億美元，同比下降45.7%。歸屬公司的淨利潤18.56億美元，上年為37.61億美元，同比下降50.6%。麥當勞(McDonald's)公佈2025年第三季度業績。季度營收70.78億美元，上年同期為68.73億美元。季度營業利潤33.57億美元，上年同期為31.88億美元。季度淨利潤22.78億美元，上年同期為22.55億美元。百勝中國發佈2025年第三季度財務業績報告。總收入同比增長4%至32億美元。經營利潤同比增長8%至4億美元。淨利潤2.82億美元，同比下降5%。同店銷售額同比增長1%。第三季度淨新增門店536家。截至2025年9月30日，門店總數達17514家，其中肯德基門店總數達12640家，必勝客門店總數達4022家。第三季度肯德基總收入24.04億美元，同比增長4%。必勝客總收入6.35億美元，同比增長3%。達登餐廳(Darden Restaurants)公佈截至2025年8月24日的第一財季業績。財季銷售額30.45億美元，上年同期為27.57億美元。季度營業利潤3.39億美元，上年同期為2.69億美元。季度淨利潤2.58億美元，上年同期為2.07億美元。墨西哥卷餅連鎖店Chipotle Mexican Grill公佈2025年第三季度業績。季度總營收30.03億美元，上年同期為27.94億美元。季度營業利潤4.77億美元，上年同期為4.73億美元。季度淨利潤3.82億美元，上年同期為3.87億美元。漢堡王的母公司餐飲品牌國際(RBI)公佈2025年第三季度業績。季度總營收24.49億美元，上年同期為22.91億美元。季度營業利潤6.63億美元，上年同期為5.77億美元。季度持續營運的淨利潤4.4億美元，上年同期為3.57億美元。瑞幸咖啡公佈2025年第三季度財報。季度總淨營收為152.871億元(約21.6億美元)，同比增長50.2%。淨利潤為12.783億元，2024年同期淨虧損13.143億元。不按美國通用會計準則，淨利潤為14.214億元，2024年同期淨虧損14.125億元。第三季度瑞幸咖啡自營門店營收為110.803億元，同比增長47.7%；營運利潤為19.412億元，同比增長10.2%。第三季度聯營店營收為37.989億元，同比增長62.3%；營運利潤為17.766億元，同比增長12.9%。肯德基和必勝客的母公司Yum! Brands公佈2025年第三季度業績。季度總營收19.79億美元，上年同期為18.26億美元，同比增長8%。季度營業利潤6.66億美元，上年同期為6.19億美元，同比增長8%。季度淨利潤3.97億美元，上年同期為3.82億美元。食其家、濱壽司的母公司泉膳控股(Zensho Holdings)公佈截至2025年9月30日上半財年(4月-9月)業績。當期淨銷售額6129.41億日元(約39.23億美元)，上年同期為5577.65億日元，同比增長9.9%。當期營業利潤404.37億日元，上年同期為411.29億日元，同比下降1.7%。當期歸屬母公司所有者的淨利潤232.55億日元，上年同期為248.71億日元，同比下降6.5%。Chili's和Maggiano's連鎖餐廳的營運商Brinker International公佈截至2025年9月24日的第一財季業績。財季總營收13.49億美元，上年同期為11.39億美元。季度營業利潤1.18億美元，上年同期為5640萬美元。季度淨利潤9950萬美元，上年同期為3850萬美元。菲律賓快餐公司快樂蜂(Jollibee Group)公佈2025年第三季度業績。季度營收763.7億菲律賓比索(約13億美元)，上年同期為677.28億比索，同比增長12.8%。季度營業利潤51.6億比索，上年同期為48.1億比索，同比增長7.3%。季度歸屬於母公司股東的淨利潤30.34億比索，上年同期為28.08億比索，同比增長8%。達美樂披薩(Domino’s Pizza, Inc. )公佈2025年第三季度業績。季度總營收11.47億美元，上年同期為10.8億美元。季度營業利潤2.23億美元，上年同期為1.99億美元。季度淨利潤1.39億美元，上年同期為1.47億美元。壽司郎母公司FOOD&LIFE COMPANIES公佈截至2025年9月30日財年(2024年10月-2025年9月)業績。財年營收4295.74億日元(約27.5億美元)，上年同期為3611.29億日元，同比增長19%。營業利潤360.93億日元，上年同期為233.84億日元，同比增長54.4%。當期歸屬母公司所有者的淨利潤229.37億日元，上年同期為146.33億日元，同比增長56.7%。溫迪餐廳(The Wendy's Company)公佈2025年第三季度業績。季度總營收5.5億美元，上年同期為5.67億美元。季度營業利潤9200萬美元，上年同期為9470萬美元。季度淨利潤4430萬美元，上年同期為5020萬美元。披薩連鎖店棒!約翰國際(Papa John's International)公佈2025年第三季度業績。季度總營收5.08億美元，上年同期為5.07億美元。季度營業利潤1617萬美元，上年同期為6523萬美元。季度歸屬公司淨虧損1021萬美元，上年同期淨利潤1250萬美元。霸王茶姬公佈2025年第三季度財報。季度淨收入32.08億元(約4.5億美元)，上年同期為35.4億元。經調整後淨利潤為5.03億元，上年同期為6.46億元。截至9月30日，霸王茶姬全球門店數達到7338家。三季度，公司特許經營茶館的淨收入為28.12億元，2024年同期為32.99億元，銷量下滑的主要原因是內地外賣平台為刺激消費流量加劇了補貼競爭。薩莉亞(Saizeriya)公佈截至2025年8月31日財年(2024年9月-2025年8月)業績。財年淨銷售額2567.14億日元(約16.42億美元)，上年同期為2245.42億日元，同比增長14.3%。營業利潤154.99億日元，上年同期為148.63億日元，同比增長4.3%。當期歸屬母公司所有者的淨利潤111.64億日元，上年同期為81.49億日元，同比增長37%。日本吉野家控股(YOSHINOYA HOLDINGS)公佈截至2025年8月31日上半財年(3月-8月)業績。當期淨銷售額1104.46億日元(約7.07億美元)，上年同期為993.13億日元，同比增長11.2%。當期營業利潤44.38億日元，上年同期為37.13億日元，同比增長19.5%。當期歸屬母公司所有者的淨利潤26.44億日元，上年同期為22.13億日元，同比增長19.5%。漢堡品牌Shake Shack公佈2025年第三季度業績。季度總營收3.17億美元，上年同期為3.67億美元。季度營業虧損1799萬美元，上年同期營業利潤1855萬美元。季度淨利潤471萬美元，上年同期為4181萬美元。 (全球企業動態)

被外界稱作“星巴克殺手”的瑞幸咖啡，近日傳出將正式插旗台灣，通過名為“順昱控股”的本地代理公司在台北市開出全台首店。然而，消息發酵不到幾天，原本出現在順昱控股官網上的展店訊息與菜單卻突然全數撤下，只剩下一句“Coming Soon”，令外界匪夷所思，也對其登台時程更加好奇。對於傳言，台灣經濟部門審投司對媒體回應稱，目前暫未收到瑞幸咖啡來台投資申請；但若瑞幸咖啡通過代理商模式進入台灣市場，屬於一般商業行為，不需要經過審議。瑞幸咖啡2018年創辦迄今僅七年，且從來不只是簡單的“星巴克的逆襲者”，而是一個全新的物種——它把電商思維、演算法推送與供應鏈效率塞進一杯拿鐵裡，成為以科技驅動的飲品平台。2025年第三季，瑞幸單季淨營收達人民幣152.9億元、年增50.2%，全球門市增至29214家，月活躍顧客達1.12億，創下歷史新高。這個規模不只超越星巴克在中國的二十多年努力，更把它推向全球咖啡連鎖之巔。星巴克在中國販賣的是“應得的生活方式”：寬敞門市、皮沙發、社交空間與中產品味。然而瑞幸從創立第一天起就完全反其道而行，把門市縮小到20-60平方米，不設座位、不設收銀台，所有流程皆濃縮在App裡：下單、付款、通知、取餐。星巴克在中中國地的市佔率從2019年的34%跌到2024年僅剩14%，這其中的市場轉移，主要來自瑞幸的顛覆。一般認為，瑞幸在營運初期推出的“新客戶首杯免費再送5折券”促銷活動，加上不定時推出折扣或“買一送一”優惠活動，以及App外送服務，快速帶來顧客和展店，再以大量連鎖店降低成本創造規模經濟，是其快速成功之道。2023年4月，瑞幸出海首站落子新加坡，通過首杯0.99新元（約合5元人民幣）定價和小店模式，繼續驗證本土化模型，之後先後出征馬來西亞、香港、美國等。截至2025年第三季，海外門店數達118家，其中新加坡自營門店68家，美國自營門店5家，馬來西亞加盟門店45家。2023年4月，瑞幸出海首站落子新加坡。在新加坡，瑞幸一杯經典拿鐵的定價約為4新元，而星巴克同類產品的價格則在6-7新元。同時，瑞幸頻繁推出買一送一、滿減優惠等活動。資料顯示，瑞幸新加坡門店的日均客流量可達800人次以上，開業僅半年便實現了單店盈利。和瑞幸一樣，還有不少中國的連鎖品牌帶著極具性價比的產品和高效的營運體系，在異國他鄉的街頭佔據一席之地，這些在中國“內卷式競爭”中淬煉成長的品牌，不少都是以低價、高效和數位化營運為利刃，成為全球商業版圖的“新街景”，但同時也招來不少質疑聲。案例一：蜜雪冰城——奶茶界的“平價王者”橫掃全球蜜雪冰城的海外擴張表現堪稱驚豔。這家發源於河南的本土品牌，憑藉“極致低價+規模效應”的模式，在中國市場站穩腳跟後，迅速開啟了全球佈局。截至2024年，蜜雪冰城的海外門店數量已突破1.5萬家，覆蓋東南亞、中東、拉美等40多個國家和地區，成為全球門店數量最多的茶飲品牌之一。蜜雪冰城的海外擴張，完美複製了其在中國的成功經驗。在供應鏈端，它搭建了全球化的採購和生產體系，在越南、馬來西亞等地建立了原料生產基地和倉儲物流中心，將茶葉、奶精等核心原料的採購成本壓至行業低位。以其招牌產品“珍珠奶茶”為例，在中國的售價僅為8元人民幣，在海外市場的定價也普遍在2-3美元，遠低於當地同類茶飲品牌5-8美元的價格。這種極致的性價比，讓蜜雪冰城在海外市場迅速打開局面，尤其受到年輕學生和普通工薪階層的青睞。數位化營運則為其海外擴張提供了高效支撐。蜜雪冰城自主研發的ERP系統，實現了從門店選址、原料配送、訂單處理到員工管理的全流程數位化管控。在東南亞某國的門店，店員通過系統接收線上訂單後，後台會自動同步原料庫存資料，當庫存不足時，系統會自動向區域倉儲中心傳送補貨請求，整個流程僅需幾分鐘即可完成。這種高效的營運模式，使得蜜雪冰城的海外門店單店日均出杯量可達1000杯以上，人力成本卻僅為當地同類品牌的60%左右。然而，快速擴張背後也暗藏隱憂。在部分海外市場，蜜雪冰城因低價策略引發了當地同行的不滿，曾遭遇過區域性的抵制活動。此外，不同地區的口味偏好差異也給其帶來了挑戰，例如在中東市場，消費者對甜度的接受度遠低於中國，蜜雪冰城不得不針對性地調整配方，推出低糖、無糖產品，這也增加了產品研發和供應鏈調整的成本。案例二：老鄉雞——中式快餐的全球化“突圍者”在奶茶、咖啡品牌征戰全球的同時，中式快餐品牌也不甘示弱，老鄉雞便是其中的佼佼者。憑藉“標準化+本土化”的雙輪驅動模式，老鄉雞於2023年正式開啟海外擴張，首店落戶美國紐約曼哈頓，隨後陸續在洛杉磯、多倫多等城市佈局，截至2024年，海外門店數量已突破30家，成為中式快餐出海的標竿之一。在成本控制方面，老鄉雞通過搭建全球化的供應鏈體系，將核心食材的採購成本壓縮至最低。其在中國建立的大型養殖基地和中央廚房，為海外門店提供了穩定的原料供應，標準化的生產流程不僅保證了產品品質的統一性，還大幅降低了人力成本。在紐約門店，一份招牌土雞湯套餐的定價約為12美元，遠低於當地同類中式快餐18-25美元的價格，甚至低於部分西式快餐套餐的價格，憑藉高性價比迅速吸引了當地消費者。數位化營運同樣是老鄉雞海外擴張的重要支撐。在多倫多門店，消費者可以通過線上APP提前點單，到店即可取餐，大幅節省了等待時間；後台系統則能根據門店的銷售資料，精準預測食材需求，避免浪費，將庫存周轉效率提升30%以上。與奶茶、咖啡品牌相比，中式快餐對食材新鮮度的要求更高，冷鏈物流的難度和成本也更大，尤其是在跨洲運輸過程中，如何保證食材的品質穩定是一大難題。此外，歐美消費者對中式菜餚的接受度和口味偏好與國記憶體在明顯不同。為此，老鄉雞在海外門店推出了一系列本土化改良產品，例如在紐約門店推出了符合西方人口味的低脂雞肉色拉、香草烤雞等，同時保留了土雞湯、梅菜扣肉等經典中式菜品，實現了“中西融合”的產品創新。對於這些新興的中國品牌而言，海外擴張是機遇與挑戰並存的征程。全球市場的廣闊空間為品牌提供了新的增長曲線。相較於中國市場的飽和狀態，海外許多地區的街頭消費市場仍有較大的發展潛力，品牌可以憑藉成熟的商業模式快速搶佔市場份額，提升國際知名度。數位化營運積累的海量使用者資料，也能幫助品牌精準洞察不同地區消費者的偏好，針對性地調整產品和服務，實現本土化創新。到2024年底，已有逾60家中國餐飲與茶飲品牌在東南亞經營超過6100家門店，比2022年翻了約兩番，這種密集湧入在一些城市被視為“街景重寫”。但同時，商業領域的質疑聲也隨之而來：這種以低價換市場的“極致中國模式”，能否在海外市場持續走下去？不可否認，低價策略在出海初期能夠快速打開市場，但長期來看，其可持續性面臨諸多拷問。中國品牌在中國市場能夠通過不計成本的投入搶佔份額，背後有龐大的人口基數和消費潛力作為支撐，即便短期虧損，也能依靠規模效應和資本輸血維持營運。但在海外市場，消費者的品牌忠誠度相對較低，價格敏感度會隨著市場競爭的加劇而變化，一旦有新的低價品牌進入，消費者很容易流失。更為關鍵的是，“不計成本搶佔份額”的打法可能引發一系列負面外溢效應。在部分海外市場，中國品牌的低價擴張已經引起了當地同行的不滿，甚至引發了貿易摩擦和輿論爭議。一些國家和地區開始加強對海外品牌的監管，設定貿易壁壘，增加了中國品牌的擴張成本。同時，過度壓縮成本可能會影響產品品質和服務質量，長期來看會損害品牌的口碑和形象。此外，全球供應鏈的不穩定性、原材料價格的波動、人力成本的上升等因素，都可能打破中國品牌的成本優勢，讓低價策略難以為繼。中國品牌將中國供應鏈的極致效率推向全球，確實為世界市場帶來了新的活力，但也需要警惕“內卷式競爭”的負面傳導。低價、高效和數位化營運是出海的“敲門磚”，但絕非長久之計。只有擺脫對低價策略的依賴，不斷提升品牌價值和創新能力，才能在全球市場的激烈競爭中立於不敗之地，真正實現從“中國品牌”到“全球品牌”的跨越，在世界商業舞台上書寫屬於中國的精彩篇章。 (東方財經雜誌)

更強的瑞幸，更大的暴風。現在的瑞幸，讓人刮目相看。2025年第三季度，瑞幸以152.87億元的總淨收入遙遙領先，同比增長50.2%。作為對比，另一個咖啡巨頭的營收僅為瑞幸的37%左右。過去幾年，瑞幸像是《英雄本色》裡的發哥一樣，拼了命地要把丟掉了東西全都拿回來。四年前從每股退市的時候，瑞幸的市值只剩下3.47億美元，而現在瑞幸在粉單市場的市值超過 100 億美元。只是，花了幾年時間，在中國咖啡市場建立起難以撼動的領先地位的瑞幸，即將要面對的是——更大的暴風。瑞幸的得失從財報來看，瑞幸的高速增長主要得益於：門店加速狂奔。第三季度淨新增門店3008家，其中新加坡5家、馬來西亞21家，美國3家，中國市場2979家，總門店數已超過2.9萬家，穩坐國內連鎖咖啡第一。規模化擴張直接帶動客流增長。瑞幸季度新增交易客戶數超4200萬，月均交易客戶數超1.1億，兩個指標均創歷史新高。更關鍵的是，同店銷售回暖。同店銷售是衡量連鎖餐飲經營的關鍵指標。受價格戰影響，瑞幸自營門店同店銷售額在2024年持續下滑，但降幅在後兩個季度逐步縮小，並在2024年12月單月轉正。今年以來，瑞幸的同店銷售額恢復增長，三季度自營門店同店銷售額同比增長14.4%，比上一季度進一步提升一個百分點，相比於2024年三季度的-13.1%顯著提升。除了這幾個亮眼的指標，外賣平台補貼大戰也是不容忽視的增量。高額補貼帶來巨大的增量流量，幫助瑞幸在外賣平台上的“拉新”成本大幅下降，同時直營店佔比超過 60%，使得補貼導致的新增訂單利潤更多沉澱在瑞幸自身，而非加盟體系。這也是為什麼說，瑞幸接住了潑天的流量，成為今年外賣大戰中的最大受益者之一。即便這個真金白銀的補貼是有代價的：本季度配送成本同比暴漲 211% 至 28.9 億元，佔營收比重從 9.1% 升至 18.9%，成為拖累利潤的最主要因素，最終淨利潤為12.783億元，使淨利潤同比下降 2.7%，形成高營收增速與低利潤增速的明顯差距。儘管利潤短期承壓，但瑞幸的經營效率整體仍在向好。材料成本和租金營運成本的同比增速均低於營收增速，烘焙工廠產能提升和大規模直采的優勢推升毛利率至 63.8% 的同期最高水平，並且未來供應鏈成本端還有進一步壓縮空間。簡單來說，外賣補貼帶來的短期利潤波動並未改變瑞幸的長期競爭力，相反，補貼流量讓瑞幸以更低的獲客成本換來了規模、客流等的同步提升。更強的瑞幸，更大的目標所以說，瑞幸的優勢究竟來自那裡？規模當然是一方面，但正如瑞幸咖啡董事長黎輝所說，真正底氣在於“每個單位的效率最佳化”，涵蓋營運、選址、產品研發、供應鏈、人員等方方面面。2020年退市時，瑞幸有5091家門店，比星巴克稍多，但營收僅為星巴克1/4，每賣一杯虧5.6元。五年後，店數是星巴克的3.6倍，整體營收是2.6倍，每杯利潤達到1.2元。一個是效率優勢。即便咖啡豆價格上漲，瑞幸2025年第三季度毛利率仍達到63.8%，同比提升2.6個百分點，創下同期最高水平。關鍵在於其深度佈局的供應鏈體系。通過深耕雲南本土產區、長期鎖價鎖定大部分採購量、自建烘焙工廠等舉措，瑞幸建構了強大的供應鏈韌性，不僅有效抵禦了原材料價格波動的風險，還形成了難以複製的成本優勢。另一個是，瑞幸的數位化能力形成護城河。2025年第三季度月活躍交易客戶達到1.123億，同比增長40.6%，首次突破1億大關。累計交易客戶數突破4.2億。舉一個很直觀的案例。從三季度開始，瑞幸明顯收緊了外賣平台的優惠，把最大的折扣、咖啡星人勛章、瑞王卡等核心權益全部轉回自家 App，讓 App 成為全管道的“最低價陣地”。同時，在 App 裡上線 Lucky AI 1.0，接入豆包大模型，能根據使用者歷史消費做精準推薦、自動發券，甚至能讓使用者用語音直接點單，交易路徑被壓到最短。目的很明確：把外賣補貼帶來的“潑天流量”收進自己的口袋。公域流量變私域，不只是提升留存，更意味著瑞幸能掌握更多使用者資產；而訂單從平台遷回自家 App，也能減少佣金和流量費，帶來更高的利潤空間。瑞幸憑藉規模、效率、數位化三重優勢，已建立起難以撼動的領先地位，其近3萬家門店的網路效應、1億月活使用者的流量護城河，以及63.8%的毛利率水平，也讓整個現制飲品行業看向了瑞幸，市場也對瑞幸有了更大的期待。需要競爭的地方變多了“咖啡市場和奶茶市場不是絕對分割的，而是互相交融的。” 黎輝在接受採訪時說，“現制飲品市場其實是個統一的市場，咖啡和奶茶的消費者可能是同一撥消費者。”瑞幸賣得最好的仍然是生椰拿鐵。自 2021 年推出以來，這款產品累計銷量已超過 17 億杯，屬於現制飲品裡的“長紅爆款”。它有咖啡基底，但喝起來更像奶茶，是典型的休閒型飲品。去年推出的輕乳茶系列，也成功牽制了依靠單品打法崛起的霸王茶姬。但當對手換成體量更大、滲透更深、供應鏈能力更強的蜜雪冰城時，難度就完全不一樣了。作為擁有5 萬多家門店的現制飲品巨頭，蜜雪冰城通過旗下幸運咖全面推廣 5-7 元的 “雪王咖啡”，依託極致的規模效應、強大的供應鏈能力和低成本控制，將咖啡產品快速滲透到各級市場。對大多數品牌而言，9.9 元咖啡可能意味著虧損，但對蜜雪冰城來說，這卻是下沉市場的 “消費升級”。截至 2025 年 11 月，幸運咖門店規模已達 1 萬家，不僅深耕下沉市場，今年還在北上廣深、長三角、珠三角等重點區域加速佈局。也就是說，瑞幸要面對的競爭是瑞幸要面對的，是一個比自己規模更大、擴張更快、成本更低的對手。與此同時，國際化成為瑞幸的另一重要課題。但和大多數國內茶飲品牌遇到的問題相似，出海是認真的，策略是“穩紮穩打”。截至2025 年 9 月 30 日，海外門店總數達 118 家，分佈在新加坡、馬來西亞、美國三個國家，相當“穩當”。就像黎暉所說，在區域市場的運作上，非常不一樣。像美國市場，不管是營運環境、用工，還是供應鏈，都有很大挑戰。比如厚乳，當地甚至沒有相應的供應商，我們就需要把中國的供應商帶過去。而在國內備受好評的數位化點單模式，在美國卻因強制使用 App 點單勸退了部分消費者，暴露了本地化營運的短板。為了加速國際化處理程序，瑞幸大股東大鉦資本正推動對 Costa 的潛在收購。這一舉措的好處顯而易見：一方面可以補齊瑞幸在高端咖啡市場的佈局，形成 “大眾 + 中高端” 的多品牌矩陣，覆蓋全場景消費需求；另一方面，Costa 擁有成熟的海外供應鏈和品牌營運經驗，能幫助瑞幸降低海外擴張的試錯成本。但挑戰同樣不容忽視，文化差異、法規政策、門店營運整合等問題，都將考驗瑞幸的跨區域管理能力。寫在最後從瀕臨退市到成為中國現制飲品市場的領跑者，瑞幸用五年時間完成了一場“逆襲”。此“瑞幸”非彼“瑞幸”，但接下來將是更大的挑戰：既要應對國內市場蜜雪冰城等對手的全方位擠壓，守住大眾市場的基本盤；也要走向全球，將在中國市場驗證成功的商業模式，轉化為全球範圍內的競爭力。瑞幸要做的不是證明自己能贏，而是證明自己能一直贏。參考來源：1、中國企業家雜誌：專訪瑞幸咖啡董事長黎輝：瑞幸是這樣翻盤的2、海豚研究：瑞幸：利潤“深蹲”？為了更好 “起跳”3、晚點latepost:瑞幸重生：從挑戰星巴克，變成挑戰蜜雪冰城丨晚點小資料4、財新：瑞幸咖啡三季度營收增長50.2% 重回美國主機板沒有明確時間表5、聯商網：星巴克中國與瑞幸咖啡，差距越拉越大？6、獵雲網：瑞幸大股東，又出手了 (伯虎財經)