大卫·平恩，Brain Corp 首席执行官 – 访谈系列

David Pinn 是 Brain Corp 的首席执行官，他在该公司近九年时间里帮助塑造公司的战略、财务运营，并推动向软件驱动的机器人业务转型。他于 2017 年加入 Brain Corp，担任战略副总裁，随后在高级战略和财务岗位晋升，2022 年成为首席执行官。在任期间，Pinn 主导了多轮重大融资，公司从硬件为中心的模式转向经常性软件收入，扩展至机器人数据采集与分析，并与全球原始设备制造商（OEM）建立战略合作伙伴关系。早期职业生涯中，他曾在 Qualcomm 担任财务和战略职务，为风险投资支持的科技初创公司提供咨询，参与 L Catterton 投资组合公司工作，并在 Teradyne 的工程和技术销售岗位开启职业生涯，拥有机器人、半导体、金融、企业发展和技术商业化等跨领域背景。

Brain Corp 是一家机器人与实体 AI 公司，开发了 BrainOS®——面向企业的自主平台，帮助制造商和企业大规模部署与管理自主移动机器人。BrainOS 为遍布六大洲的 5 万多台机器人提供动力，累计超过 2500 万小时的真实运行时间，支持包括自主地面清洁、库存与货架数据采集、以及在零售店、仓库、机场、医疗设施和商业建筑等环境中的物料搬运等应用。该平台融合了 AI 驱动的导航、语义 3D 建图、安全系统、基于云的车队管理、分析以及与企业系统的集成，部署车队收集的数据还能随时间提升导航与可靠性。近期的进展包括 BrainOS Clean 2.0 与 SelfPath™ AI，使清洁机器人能够自动生成并适应路线，而无需手动训练路径。

您的职业从射频与无线系统的工程工作转向战略金融、SaaS 转型，如今在 Brain Corp 担任首席执行官。这种技术与金融纪律的组合如何塑造了您认为企业购买的不是“机器人”，而是可衡量的运营成果的观点？

我的早期职业始于技术销售，为 Teradyne 销售半导体制造设备。经过大量试错，我很早就领悟到一个重要教训：我认为重要的——通常是技术规格——与买家真正关心的之间存在巨大鸿沟。我发现买家真正关心的是业务结果，以及他们是否信任我和我的团队能够交付这些结果。

后来转入机器人领域，这一教训被进一步放大。每一项技术投资都在争夺资本，而仅凭技术炫酷并不能获得认可。在机器人领域，人们很容易被机器本身吸引。但零售商并不是想要一台机器人，他们想要更干净的地面、更高精度的库存以及让员工有更多时间提供客户服务。机器人只是实现这些结果的载体。

在 Brain Corp，我们从客户的问题出发，定义业务结果，然后倒推到所需的自主层和数据。我拥有工程背景，能够体会到底层技术问题的复杂程度，但我的销售和金融经验让我始终关注解决方案是否能够形成可扩展、商业可行的业务。两者缺一不可。能够工作却无法产生经济回报的机器人是科学项目，而非产品；围绕不可靠技术构建的财务模型也不是生意。

在大家都关注类人机器人和通用机器人时，您认为市场对企业真正需要的机器人有什么误解？

热点观点：业界对类人机器人在商业和工业环境中的执念是一种干扰。

类人机器人爱好者常说的标准论点是：“世界是为人类而建的，因此机器人也必须像人类一样”。这在住宅环境中或许成立，但在企业环境中根本不成立。

看看仓库。它不是为人类建造的，而是为叉车、托盘搬运车和重型机械而设计的。再看看零售店、学校、酒店、医院和机场。无障碍轮椅的要求意味着这些空间拥有平坦的地面、坡道、宽阔的走道和电梯。商业和工业建筑都是为轮式移动而设计的。

当你意识到这一点，就会立刻看到在商业机器人上装上腿是一种不必要的负担，也是巨大的资金浪费。为什么要为已经适合轮式行进的空间去研发昂贵且脆弱的双足系统？轮子更便宜、更可靠，且更能承载负荷。

正如我之前提到的，缺乏经济回报的机器人只是科学项目。构建一个高度复杂的类人机器人，仅仅是为了在平坦、无障碍的地面上行走，这本身就是终极的科学实验——在解决一个根本不存在的行走问题。企业不需要模仿人类的机器，他们需要能够可靠交付特定业务成果的工具。对于商业使用场景，轮式永远占优。

Brain Corp 在商店、机场、仓库、医院和校园等嘈杂的公共高流量环境中运营。哪些真实世界的问题在机器人演示中看不到？

自动驾驶汽车行业已经深刻体会到演示的欺骗性。十多年前我们已经看到自动驾驶汽车的演示，但真正推出商业无人出租车又花了十到十五年的密集工程。原因是什么？因为业界所谓的“九的法则”。

让系统达到 90% 的可靠性可以做出很好的演示，达到 99% 则是巨大的工程成就。但当你在成千上万的公共地点运营数万台机器人时，99% 的可靠性仍然不够。

在真实的商业环境中，人们会毫无预警地改变方向。购物车会被遗留在走道。展示柜会在夜间移动。托盘会阻塞通道。地面可能会有反光、潮湿、不平或杂物。门会开关，灯光会变化，员工会自行形成与机器交互的方式。机器人还可能遇到儿童、使用行动辅助设备的人、分心的购物者、叉车，甚至有人直接站在它的路径上。

最难的问题不是在一切如预期时进行导航，而是当出现意外时能够优雅地适应。机器人能否理解为何路径被阻塞，找到安全的替代路线并完成任务？它能否在不增加员工工作量的前提下，在数百万小时的规模上实现这一点？

演示往往忽视了社会维度。人们需要理解机器人的意图。它的动作应当可预测，信号应当清晰，并且应当融入现有的人类工作流程，而不是迫使周围的每个人去适应它。

对我们而言，真实世界的 AI 就是“它就是能用”。边缘案例并不在边缘，它们就是环境本身。为这些条件构建系统需要多年运营学习、深思熟虑的安全架构以及对在模拟视频中看不见的细节的持续关注。

企业在评估机器人 ROI 时，哪些指标最重要：节省的工时、任务一致性、正常运行时间、数据采集、安全性、客户体验，还是其他？

以上全部都重要。

节省的工时是有价值的，但它并不能完整呈现全貌。在许多行业，根本问题并非单纯的人工成本高，而是合格人员招聘困难、离职率高、以及团队被拉伸导致关键任务完成不一致。在这种情况下，任务完成率、频率和一致性可能比理论上的人头削减更有价值。

下一层是运营绩效：正常运行时间、自治利用率、任务成功完成率、覆盖率以及所需监督程度。一台技术上可以长时间运行却经常需要人工救援的机器人并未提供有意义的自治。

安全与合规的提升也不应在 ROI 模型中被忽视。清洁机器人可以降低工作场所的劳损和受伤，为员工争取更多时间去关注客户和更高价值的工作。库存机器人提升了货架可用性、价格准确性和执行一致性。机器人还通过持续捕获物理环境中发生的情况，提供了一层全新的运营可视化。

关键在于在部署前建立真实基线，并在整个生命周期内衡量绩效，包括实施、支持、维护、培训和系统集成。

Brain Corp 在机器人领域的独特之处在于它作为一个经常性 SaaS 机器人平台运营。为什么软件、数据和车队编排比机器人本身的外形更重要？

硬件决定了机器人在物理上能够做什么。软件决定了它能多可靠地完成这些工作、部署的难易程度、与企业系统的安全集成程度以及是否能够随时间变得更有价值。

如果没有统一的软件和云层，机器人基本上就是孤立的机器。它可能在某个设施完成单一任务，但难以进行监控、更新、与企业系统集成或与更大车队协同。这会导致公司在添加不同机器人类型时出现碎片化，每种机器人都有自己的接口、支持模型、数据和操作流程。

平台改变了这一格局。凭借我们的自主平台 BrainOS®，我们为不同机器和应用提供统一的自主、安全、数据和车队管理基础。合作伙伴可以专注于自身的硬件专长和深度理解的客户问题，而无需为每款新产品重新构建完整的自主和云基础设施。

软件还让机器的价值能够叠加。我们可以通过 OTA 更新部署新功能，从整个车队的行为中学习，提升性能，并在不更换硬件的情况下应对新的边缘案例。传统的工业设备从部署的那一刻起就开始折旧，而连接的自主系统则在整个生命周期内不断提升能力。

外形因素仍然重要，因为物理设计必须适配任务。但外形会随需求演进。更持久的价值在于智能、运营基础设施和数据层，这些可以跨任何应用延伸。这也是我们将 BrainOS® 描述为面向真实世界的自主平台，而不是针对某一特定机器人而设计的操作系统的原因。

BrainOS 驱动的机器人如今不仅用于清洁，还用于货架分析、库存可视化和物料搬运。您如何看待机器人从任务自动化工具演进为移动数据平台？

我们的 BrainOS® 平台为企业提供了在企业规模上构建、部署和支持自主解决方案所需的基础设施。我们提供底层的自主与智能层，使合作伙伴能够专注于他们最擅长的——解决具体的真实业务问题。这种独特的方法让我们能够快速扩展，并帮助企业不仅构建机器人，更打造机器人业务。

机器人地面护理是最早实现规模化的商业应用之一，因为它满足了明确且重复的运营需求；每个商业环境都有脏地板，并且普遍面临劳动力挑战。我们与拥有 150 年历史的地面护理领军企业 Tennant Company 合作，实现了这一规模化。

随后，通过与零售和物流大型企业的合作，我们认识到一个基本事实：这些运营虽然清楚进出设施的库存，却往往缺乏对店面或仓库实际情况的可视化。移动机器人是少数能够反复穿梭于物理环境的系统，因而能够以规模化方式捕获真实现场信息。为了解决这一挑战，我们与领先的陈列商 Driveline Retail 以及仓储设备领袖 Dane Technologies 合作，将库存追踪和货架智能以企业规模推向市场。

当你扩展到库存可视化等应用时，数据采集只是方程式的一部分。大多数仓库和零售商需要的不仅是数以百万计的原始图像，他们需要明确知道哪种商品缺货、哪个价格错误、哪个托盘丢失以及员工下一步应采取的具体行动。Brain Corp 提供的先进计算机视觉和 AI 能将这些原始观察转化为准确、优先级明确的业务决策。

不论机器人外形如何，这些系统也在帮助企业持续更新设施的数字孪生。因为我们的机器人能够安全可靠地遍历整个场地，它们充当移动数据平台，捕获高度详细的设施情报。例如，这可以用于验证灭火器位置、识别故障冷冻柜，或绘制 Wi‑Fi 信号弱的区域。

是什么让一个在单一试点地点成功的机器人部署能够在数千个企业站点实现规模化？

试点奖励可能性，规模奖励可靠性。

试点之所以能成功，是因为最佳工程师就在现场，环境经过精心准备，且有人在幕后悄悄处理异常。这些在数百甚至数千个站点的大规模部署中根本行不通。此时，每一个人工步骤都会成为成本和故障的来源。

可扩展的部署必须从一开始就具备可复制性。机器人应当易于配置、前线员工易于上手、能够远程观察，并且能够在无需现场人员访问的情况下接收软件更新。组织还需要成熟的网络安全、安全认证、支持、培训、维护、分析以及与客户现有技术的集成体系。

变更管理同样重要。与机器人共事的人员需要了解它的功能、局限以及它在其职责中的定位。当技术本身可靠但运营所有权不明确时，部署往往会失败。

最后，经济性必须对客户和机器人供应商双方都有利。这需要一个随着每次部署而变得更经济、更可靠的机器人基础设施。

我们把这些挑战统称为“自治鸿沟”。构建可用原型只是创建机器人业务的第一步，更艰巨的工作是将原型转化为安全、受支持、可复制的产品，使其在专家离开现场后仍能持续运行。

Brain Corp 最近在上下文落地和语义建图方面的工作指向了更智能的实体 AI 层。为什么“理解环境”是自主机器人下一个重要前沿？

传统导航主要是几何问题：我在哪里，我能去哪里，我该避开什么？上下文落地则提出更丰富的问题：我周围发生了什么？这些对象是什么？人们可能如何与之交互？在特定情境下应当采取何种行为？

基础的导航系统可能只会识别出某物占据空间，而具备上下文感知的系统应当准确了解该对象是什么、为何存在、在做什么，最终决定如何围绕它行动。这些区别至关重要，因为不同情境下的正确响应各不相同。

随着机器人开始融合生成式 AI、视觉语言模型以及其他概率系统，这一点尤为重要。这些模型可以带来巨大的智能和灵活性，但仅有看似合理的答案在控制实体机器时是不够的。行动必须基于实际的几何、环境条件、安全要求以及社会上下文。

我们的观点是，将先进 AI 与对物理世界的持久上下文表示以及确定性安全控制相结合。这使机器人能够受益于日益强大的 AI 模型，同时避免概率智能在没有边界的情况下运行。

企业在将机器人部署到员工、客户和公众周围时，应如何思考信任？

首先，我们必须承认一个基本事实：机器人不同于其他企业技术。软件错误可能导致笔记本崩溃，但一台重达千磅、在拥挤零售通道中行驶的机器人的错误后果截然不同。企业不能仅把机器人当作另一件联网的 IT 设备来对待。

机器人信任是每天都在建立的。当前 FCC 因安全顾虑限制外国生产机器人批准，这让信任门槛前所未有地提高。随着实体 AI 在医院、机场、仓库和超市的规模化，企业需要在以下几个层面评估信任：物理安全、数据隐私以及人与机器的融合。

先进的 AI 能让机器人“足够聪明”以在复杂环境中导航，但智能与安全并非同义。值得信赖的机器人会将两者区分开来。它必须具备专用的、冗余的硬件安全控制，能够在必要时覆盖系统。安全必须是硬编码的，而非通过学习实现。

此外，在公共空间行驶的机器人本质上是流动的数据平台。它们使用摄像头和传感器感知世界。企业必须向供应商提出极其明确的要求：机器人在看什么？这些数据流向何处？谁有权限访问？隐私和网络安全不能在部署后作为公关手段再行补上，而必须从第一天起就嵌入系统架构。

公司最大的错误是把机器人直接投放到设施中而不考虑变更管理。不能指望员工或客户盲目信任机器人。必须在早期让员工参与、提供充分培训，并清晰展示机器如何让他们的日常工作更轻松、更安全。员工需要知道如果出现问题由谁负责，以及在必要时如何介入。

最终，认证、审计和安全控制只是基础证据。真正的信任来源于反复的使用体验。当机器人表现安全、始终如一地尊重客户的个人空间，并日复一日地替员工承担枯燥、脏活时，它便自然成为团队的一员。

展望未来，您认为在未来五年内，商业机器人将在零售、物流、医疗、制造、机场或其他领域创造最大价值？

最大价值往往来源于规模大、分布广且劳动力受限的环境。这些场景拥有难以一致完成的重复性任务。

供应链——从制造到物流再到零售——集合了所有这些条件。商店是复杂的公共空间，劳动力供应始终是挑战，微小的运营问题（如货架空缺、价格错误、清洁延迟）会直接影响客户体验和财务表现。物流和制造同样会通过库存可视化、物料搬运以及日益自动化的设施间协同创造巨大的价值。

但最大价值并不会被单一行业定义，而是企业采购机器人方式的转变。具体而言，未来五年将见证孤立机器人项目的终结。

目前，企业的机器人项目高度碎片化。他们从公司 A 购买一台清洁机器人，从公司 B 购买一台库存扫描机器人，又从公司 C 购买一台物料搬运机器人。每个机器人都有自己本地的世界认知，彼此之间不共享信息。这是一种无法规模化的运营噩梦。

在未来五年，价值创造将来源于共享的上下文与执行。企业将停止购买碎片化的机器人，转而投资统一的实体 AI 基础设施。他们需要一个软件平台、一套自主层和一条数据管道，来管理多样化的机器车队、共享环境上下文，并通过中心编排实现整个设施的自动化，而非单一任务。

这正是 AI 超越雄心、让真实世界运转得更好的方式。

感谢这次精彩的访谈，想了解更多的读者请访问 Brain Corp。