NE时代

◎ 55步做完一杯暴风雪，Sharpa把机器人送进真实门店。

△ 撰文：董志洋

一家冰淇淋店保留原有设备、工具和工作流程，机器人还能把一份订单从头做到尾吗？

在上海一家DQ门店，机器人从叠放的纸杯中单独抽出一只，再取出金属杯环，将两者准确对齐。接取冰淇淋、连续加入三勺奥利奥碎料后，机器人还要在搅拌机高速运转时稳住纸杯，根据受力调整手指，最后把成品倒置过来，完成DQ标志性的“倒杯不洒”。

整份订单包含55个连续步骤，前一步留下的偏差，会直接改变下一步的操作条件。

更难的部分发生在门店开门以后，光照、顾客、设备状态和冰淇淋温度都在变化，机器人还要在每天12小时的营业时间里反复处理订单。

8月29日，Sharpa与DQ联手打造的“零改造、全自主、全年无休”机器人餐厅，在上海吴江路正式营业。NE时代智能体进行了提前“探店”，下面请跟随我的视角，一镜到底，看机器人的“真”落地！

Sharpa机器人直接使用店内原有的设备、原料和工具，自主完成奥利奥暴风雪从点单、制作到交付的完整流程。门店每日营业时间为10:00至22:00，机器人将在这段时间内持续处理真实订单。

餐饮自动化早已进入门店，但常见方案大多围绕专用设备和固定工位展开。Sharpa此次把机器人送进一家正常营业的DQ门店，设备和工作流程都没有围绕机器人重新设计，后者也不能只挑几项容易展示的动作来做。

DQ原有的纸杯、金属杯环、料勺、消毒柜、冰淇淋机和搅拌设备继续使用，原料和操作规范同样保持不变。机器人要适应为人设计的工作空间，把55个步骤从头到尾做完。

顾客进入门店以后，Sharpa机器人面对的便不再是一段演示，而是接连到来的订单。

01.

55步，才算接下一份工作

在媒体交流中，Sharpa联合创始人李一帆把机器人商业化归纳为三个条件：适应现有环境和工作流程，完整跑通一项工作，并且处理足够复杂、确实需要人来完成的任务。

谈到55步制作流程时，他说得很直接：“如果有55步，只做54步，其实也不太行。剩下的那一步谁做？”

只要流程中还留着一个必须由人补上的步骤，门店就需要安排工作人员守在旁边。机器人即使完成大部分动作，也没有独立接下这项工作。

一杯奥利奥暴风雪的制作被拆成五个模块，包括拿取纸杯和杯环、接取冰淇淋、添加配料、搅拌和交付，每个模块又包含观察、接近、抓取、操作和确认等动作。

Sharpa机器人先打开原有设备，从杯筒中取出一只纸杯，相邻纸杯可能互相黏连，机器人需要把它们分开，避免一次拿出两只。随后，机器人从受遮挡的位置取出金属杯环，将其套在杯口，并调整到正确位置。

加入奥利奥碎料时，机器人使用DQ店员平时使用的料勺，连续完成三次舀取和投放。三次操作后的画面相近，机器人需要记住已经加了几勺，还要确认碎料是否落入杯中。

搅拌结束后，机器人取出成品、调整握姿，再翻转纸杯完成“倒杯不洒”，最后把冰淇淋交到顾客手中。

55个步骤前后相连。纸杯没有取稳，杯环就难以对齐；杯环发生位移，搅拌时可能出现滑动；加料次数出错，后面的动作再顺利，也无法得到符合要求的产品。

机器人每完成一个阶段，都要检查当前状态，结果偏离预期时，系统会重试或者修正后续动作，它需要知道流程进行到哪一步，也要判断上一个动作是否真正完成。

Sharpa机器人承担奥利奥暴风雪的制作与交付，门店员工继续负责顾客服务、品质管理、物料补充、清洁消毒和异常处理。

机器人接手的是一条完整生产流程，人则处理门店运营和现场服务。

02.

一杯“暴风雪”里的操作难题

纸杯是Sharpa机器人首先要处理的难题。

它质量轻、容易黏连，也会在受力时变形。取杯时力量不足，杯子可能滑落；手指收得太紧，杯壁又会被压坏。取杯、搅拌和倒杯期间，机器人需要采用不同的握姿和力度。

金属杯环的状态完全不同，它结构较硬，放置位置又容易受到遮挡。机器人先寻找可以下手的位置，再将杯环套到纸杯上。进入搅拌环节后，拇指与食指还要持续固定杯环，同时给搅拌设备留出运动空间。

搅拌机启动后，纸杯、杯环和手指之间一直存在振动和反作用力。机器人必须根据摩擦、滑移和受力变化调整手指，既不能让杯环移位，也不能挤压纸杯。

冰淇淋本身也会改变操作条件。

温度不同，冰淇淋的黏稠度和搅拌阻力随之变化，机器人握住纸杯时感受到的力量也不一样。同一套动作放到不同杯冰淇淋上，未必产生相同结果。

Sharpa曾在公司内部搭建接近门店的设备环境进行训练和联调，机器人进入吴江路店后，还要面对临街玻璃带来的光照变化和反射，顾客在店内移动，也会不断改变相机看到的画面。

这些因素在一段提前准备好的演示中很容易被控制，门店营业后却会反复出现，机器人必须在环境变化时继续工作。

此外，奥利奥也不是为了降低任务难度而选择的配料。

李一帆把暴风雪与奥利奥碎料视为较难处理的组合。暴风雪需要倒杯不洒，奥利奥碎片的大小和形状又不规则。碎片在杯中的分布、搅拌后的状态以及倒置时的受力都会发生变化。

如果机器人能够处理这一组合，取杯、开柜、使用勺子、加料、搅拌和倒置等操作，还可以继续用在其他产品中。

Sharpa此前展示过削苹果、电脑组装、制作纸风车和打牌等精细操作。进入DQ以后，这些分散的操作能力被接进一份真实订单，并开始接受营业环境的持续检验。

03.

触觉跟着机器人进店

Sharpa North机器人是一款70自由度全身机器人，轮式底盘负责在门店内移动，上身、双臂和灵巧手配合完成取物、设备操作与交付。

机器人搭载的Sharpa Wave仿人灵巧手拥有22个主动自由度，每个指尖设置超过1000个触觉感知单元。暴风雪制作的55个步骤中，触觉直接参与98%。

相机能够识别纸杯、杯环和料勺的位置，却无法直接告诉机器人手指是否已经握稳，纸杯是否开始滑动，杯环承受的力量是否合适。

取纸杯时，机器人通过触觉判断手指是否建立了稳定接触；固定杯环时，触觉帮助它维持压力；搅拌过程中，手指持续感知振动和滑移；纸杯被倒置以后，机器人再根据受力变化修正抓握。

触觉没有被单独拿出来做一个演示，它跟着机器人进入取杯、加料、搅拌和倒杯等实际步骤，负责处理手指碰到物体之后发生的变化。

CraftNet把任务要求和环境观察转化为机器人的动作，手指接触物体后，系统继续读取触觉、受力和机器人自身状态，调整手指的位置与力度。

全模态世界模型同时处理视觉、语言、触觉、关节状态和操作历史，机器人完成一个动作后，模型判断环境发生了什么变化，再决定继续执行、修正动作或者重试。

分层记忆负责保存操作次数和流程进度，连续加入三勺奥利奥时，机器人必须记住前两次动作，达到规定数量后才能进入下一环节。单靠当前画面，很难分辨机器人已经加了一勺还是两勺。

视觉帮助机器人找到物体，触觉负责接触后的控制，任务记忆则维持55步流程的顺序。三类信息共同进入模型，机器人才能完成一份从点单到交付的订单。

Sharpa使用真机遥操作、第一视角人类操作视频和仿真数据训练机器人。门店开始营业以后，纸杯黏连、抓握偏差、设备变化和错误恢复等情况，还会提供更多真实操作记录。

标准动作可以提前采集，现场出现的异常却无法全部预设。机器人持续工作后，哪些纸杯容易滑动、什么温度下搅拌阻力更大、哪种握姿更适合倒杯，都会变成模型继续迭代的依据。

04.

45亿元融资之后，Sharpa要复制什么

DQ门店开业前夕，Sharpa首次披露融资情况。

公司成立以来已完成超过45亿元融资，投资方包括阿里巴巴、美团、腾讯、京东、传音等产业资本，以及红杉中国、启明创投、美团龙珠和光合创投等投资机构。

根据《晚点LatePost》报道，Sharpa投后估值约为220亿元。这家公司成立于2024年底，团队已经超过200人，研发人员占比约80%。

Sharpa的三位联合创始人李一帆、向少卿和孙恺，同时也是禾赛科技的三位联合创始人，分别担任禾赛CEO、CTO和首席科学家。

禾赛与Sharpa独立运营，不存在公司层面的股权从属或业务管控关系，但双方已经形成直接的产品供应关系。

2026年3月，禾赛与Sharpa签订产品供应框架协议。禾赛向Sharpa供应激光雷达和动力模组，并提供动力模组集成至灵巧手及其他具身智能产品所需的制造与支持服务，包括生产组装、测试和交付。

禾赛将激光雷达转镜电机积累的精密控制和制造能力用于机器人动力模组，Sharpa则是这项业务的重要客户。

截至2026年第二季度末，禾赛动力模组专用产线累计交付超过1万套，产品主要用于灵巧手关节，并开始向全身关节扩展。随着Sharpa需求增长，双方供应协议的年度交易上限也从1亿元提高至3亿元。

这层关系补上了Sharpa全栈能力的制造端。

李一帆在交流中表示，市场上已有的成熟能力可以采购，Sharpa把自研资源集中在灵巧手、运动控制、触觉、世界模型等关键环节；禾赛则提供动力模组、激光雷达和相关制造支持。

正如我们所看到的，Sharpa没有把业务停在灵巧手上，其产品和技术已经覆盖Wave灵巧手、North机器人、CraftNet操作模型、世界模型及数据系统。

李一帆在交流中将物理智能的发展比作一套尚未建成的基础设施。

在他看来，数字世界已经拥有相对成熟的计算平台和数据体系，机器人所需的本体、数据和模型能力仍在搭建。

本体决定机器人能够接触和使用哪些工具，数据决定模型见过多少真实状态，操作模型则负责把这些经验转化为动作。

Sharpa的45亿元融资，最终要落到这些环节。公司既要继续研发机器人硬件，也要训练操作模型，并让Sharpa机器人进入能够长期产生订单和操作数据的真实场景。

李一帆也没有回避当前的速度和成本。

Sharpa机器人制作暴风雪的速度约为人工的一半，这一代产品原本主要面向开发者和实验室，硬件配置追求性能，尚未按照餐饮门店的批量部署重新设计成本。

Sharpa目前先保证55步能够完整、稳定地运行，再提高动作速度。

李一帆认为，汽车供应链积累的制造和降本经验，可以继续用于机器人硬件。

成本下降之外，Sharpa还要验证能力能否复用。

李一帆对“泛化”的解释很实际：进入下一个场景时，同一套模型和基础操作可以继续使用，团队不必重新训练所有动作。

制作暴风雪时形成的开柜、取物、单杯分离、对齐、舀取、搅拌和交付能力，可以重新组合。换一款配料时，机器人补充新物体和新流程的数据；进入另一家标准化门店时，已经学会的动作继续保留。

首个场景可以投入几个月训练，下一次部署所需时间必须明显缩短。否则，机器人仍然停留在一个项目对应一套工程方案的阶段。

真实门店还有另一层作用。安排人员反复采集标准动作，可以得到整齐的数据，却很难覆盖营业中出现的各种偏差。Sharpa机器人开始处理订单后，失败、重试和恢复过程会把模型带到训练环境没有预设的位置。

这些数据只有在机器人真正工作时才会出现。

李一帆表示：“机器人商业化的关键，不是完成一次任务，而是在零改造的真实环境中，长期、全能地完成复杂工作。”

上海吴江路的DQ门店，把这个目标落到了一只纸杯、三勺奥利奥和55个连续步骤上。

一杯“暴风雪”并不能代表服务机器人已经解决了商业化，但它把落地要求再次明确。机器人要使用现有工具，完成整份工作，并在真实营业环境中反复执行。

通用能力将体现在下一家店的部署时间里。Sharpa机器人进入更多产品和门店时，55步流程中积累的操作、数据和模型能够留下多少，决定了这家机器人餐厅能否从一个项目变成可复制的业务。

-END-