具身智能的泡沫论并非新话题。大多数人看到的是融资与估值层面的泡沫,但引发这一切的源头,其实是具身智能行业对概念“造神”的习惯。世界模型、人形机器人、UMI、Human-Centric等名词层出不穷,每个名词都承载着非常宏大的想象画面。
本场圆桌的第一件事,正是戳破概念泡沫。
我们的第一个问题是:让从业者从一线实践和产业落地的角度谈一谈,当前具身智能领域有哪些技术方向或名词概念被过度追捧了?换言之,哪些概念的热度明显超过了其实际成熟度和应用价值。
在以下7位嘉宾的发言中,共提及5个关键词。其中,各有1位选择了“人形” “数据” “元年” “用户距离”,剩下3位选择了“通用”。
黄康尧认为,距离落地最远的、实现前提条件最多的一个关键词是“人形”。
在真实落地场景中,人形形态不一定能发挥最高效率。因为人类进化出来并不是为了承担大量繁重劳作,比如搬箱子,或在物流、工业场景中拧螺丝。人体被设计成面向灵活、多样化的场景,但这些能力在产业落地时并不一定能转化为最高效率。
因此,深诣机器人更坚持 Morphology Intelligence,也就是形态智能,即“形态即智能”。

深诣机器人 联合创始人 黄康尧
黄康尧表示,“在某些领域落地时,机器人自身的形态本身具有很多意义。例如,很多场景并不严格要求使用灵巧手,二指夹爪或三指夹爪可能就足够了。所以站在落地角度看,人形对我来说仍是一个比较遥远的概念。”
仓玉、吴浩、倪起则三人不约而同地提到了“通用”二字,并认为“通用”最大的卡点就在于落地场景。
仓玉坦言,双足通用人形在当前仍是一件比较遥远的事情。退一步来看,双足人形本身没有问题,当前最大的问题在于,行业预期远远超过了实际的能力和状态。
人类接受义务教育和高等教育同理,无论是做大模型还是做本体,只要要进入真正的工作场景、解决实际问题,尤其是工业生产场景,要想实现规模化生产,就一定是一个特化的过程。因此,我认为双足通用人形在很长一段时间内,至少在整个工业领域的应用上,可能是一个伪命题。
吴浩虽然身处上游零部件环节,但同意“通用”这两个字更难实现的说法。其表示,无论是人形、轮式还是其他形态,垂直场景的机会仍然相对更大。
倪起在提到通用之余,还认为泛化是一个较大的问题。
机器人进入工厂后,想要以通用方式取代人。事实上,假设有十道工序,每道工序的良率是90%,十道工序叠加以后,产品良率会大幅下降。这在半导体行业很典型,每道工序的错误率叠加到最后会非常大。
更大的问题是,机器人系统里的记忆容量有限。机器人只能记住十分钟内的事情,学会新任务后再学新任务,可能因记忆容量不足而遗忘旧任务。归根结底,通用与泛化需要非常细分的场景,也就是application-specific,面向特定应用。

新奇机器人 CTO 倪起
于旭则是从数据出发,表示从去年开始,数采中心、采集场成为行业高频词,热度很高。但到目前为止,实际进展与大家的预期之间总存在一定差距。这个差距在于,数采中心本应对应大规模数据采集与量产,市面上的机器人数量也应同步增加。但更关键的是,这些数据要能被有效利用,目前还做不到。
她把数据采集工作划分为4个阶段,起步阶段一定存在大量不确定性,数采中心和采集场是在最初节点上寻找可控性和确定性。再往后发展,再分为3个阶段:第一阶段是场景搭建、人员固定;
第二阶段过渡到真实场景,例如便利店,由指定人员去做采集;
第三阶段是便利店由真实服务员进行采集,这才是真正的真实场景,人也在从事其正常工作,这是最不确定、最不可控的情况,但这类数据对“大脑”而言可能是最好的,也是行业需要探索的方向。

恺望数据 CEO于旭
孙莉丽选择一个让人意外的词汇——“元年”。她指出,“机器人这件事,似乎年年都被称为‘元年’,所以我很好奇,元年到底应该从什么时候算起?比如去年为什么是元年?可能是因为宇树机器人跳秧歌成了一个元年,也可能是去年大家突然意识到行业爆发,于是称之为元年。像我这样做关节模组的,很多同行在五年前、十年前就已经在做模组了,那个时候算不算元年?所以我觉得,‘元年’这个词其实有点难以定义。”
林枫则从用户关系出发,”我认为最遥远的是与用户之间的关系,也就是技术与用户之间的那道墙最遥远。其实技术更新迭代非常快。我经常在各大公司的核心实验室里,看到非常好的AI、Physical AI场景。但真正到老百姓的应用,还需要很长时间。”
人形机器人企业的场景取舍
从上一个问题的答案看下来,“通用人形机器人”本身几乎成了一个伪命题。随着讨论越深入,越指向同一个判断,人形机器人企业真正的机会,更可能藏在垂直场景里。从通用的宏大叙事回到具体场景,并不意味着想象力的收缩,而是判断标准变得更具体。
这引出了本场圆桌要讨论的核心问题:近期真正能够落地的真实应用场景到底是什么?在判断不同场景时,又该依据哪些维度?
针对这一问题,黄康尧从深诣机器人关注的物流场景和泛工业场景出发,给出非常详细的判断维度,焦点在于需求是否存在、技术是否适合、公司自身是否具备解决能力。
第一,需求是否真实存在。必须确认客户是否真正需要这个点,需求是否真实,是否有真实用户愿意用新技术解决该问题。
第二,自身技术是否适合解决该问题,并且能否形成清晰的任务定义。这个定义最好是一个边界清晰的任务;同时,在该任务范围内,所面对的场景、物体种类以及数据多样性要足够丰富,这样才能进入自身技术最擅长的舒适区。
具体来说,首先需要用文本、文字去定义任务,从而发挥大语言模型或多模态大模型在文字推理方面的能力;其次,为拓展泛化能力,还需要更丰富的数据和场景作为支撑。
第三,评估自身技术,包括机器人技术,在部署落地时的综合成本,最终计算ROI。这里不能只看本体的硬件成本,还要计算模型训练成本,以及最终在场景中部署时需要投入几名工程师、花费多长时间,以及与客户磨合的时间成本。
仓玉则给出了另一套颇为详细的判断标准。值得注意的是,仓玉一方面强调CapEx(资本性支出)与ROI,另一方面也透露,银河通用仍在推进一些不计较ROI的落地尝试。
“从我的角度来讲,首先要看这项技能本身的CapEx能否降到很低。如果为了做这件事,成本、时间甚至算力等CapEx很高,那这个方向首先就会被完全排除。其次,从业主方角度,会有一个ROI测算。在理想的ROI测算下,如果超过三年仍没有回报可能,那这件事我们可能暂时判定先不强行推进。”

银河通用 合伙人&副总裁 仓玉
同时,还会关注的是整个劳动力结构性的错配。很多工厂,比如汽车行业的非技术工种,尤其在物流侧,人员流失率达到40%,这不利于稳定生产。
仓玉补充道,“我们现在也在跟一些KA(大客户)做一些更往前一步的事情,能否在一条产线上一个人都不要。这个方向我们没有考虑任何ROI,只是想说能否真正把‘黑灯工厂’的概念做成。
所以我核心关注两个点:一是To B本质上就是算账,以及劳动力结构性错配的问题;二是我们也想推动整个行业再往前走一步。我正在跟几个大KA推进整条产线,不计生产效率,我要的是机器人,包括工业臂、协作臂的组合,能否在完整的一条线上顶替人类。”
站在上游看落地
落地并不只发生在整机厂和场景方之间,上游供应链同样是观察真实需求的重要窗口。
上游供应链并不直接参与落地场景的设计,却处在离客户需求最近的位置。通过与不同客户合作,他们往往能接触到更全面的落地尝试,也更清楚哪些需求真实、哪些需求只是阶段性想象。
于旭从数据交付经验,认为当前人形机器人主要有三个落地方向,一是工业,尤其是精密制造领域;二是物流;三是偏即时零售方向。
孙莉丽从关节模组的交付经验,给出了“细分领域”的答案。她表示,在过去做过的项目里,就明确感受到需求千奇百怪:有的看重扭矩,有的只要求更快的迭代速度。这背后其实是真实需求,即通用功能未必有用,某个特定功能反而特别关键。世界很大,工种也很多。先从小切口、细分领域挖进去,再慢慢往外拓,往往能做出挺大一块市场。

良质关节 联合创始人 孙莉丽
倪起同样来自关节模组企业,他在认可孙莉丽的观点之余,则是提到了“附加值”的概念。同样是从自身交付经验出发,当前服务的客户中,有很多在生物制药、防爆巡检等方面要求很高,需要相关认证。这种附加值与一般所说的工业人形机器人进厂打螺丝完全是两回事。但这个过渡期,先把高附加值的东西做出来,让公司能够持续运营下去,然后再看小批量、通用化(general purpose)方向;之后再逐步谈降本、谈精度损失。
吴浩持有类似的观点,他指出,判断一个场景能否大面积落地,核心标志在于复购,也就是机器人能否创造价值、能否替代人工,或者是否具备合理的投资回报率。如果没有复购,只有demo和样机,并不能说明它能够大面积落地。

鑫精诚 董事长 吴浩
林枫结合机器人6S店的运营经验,分享了与C端、B端客户交往的体会。他指出,机器人发展和需求必然分阶段、分时期,明确满足客户哪方面需求尤为重要。
更重要的是,用户对产品有非常真实的感受,这种感受是双向的:用户在接触和使用产品后,通常会给整机厂商提供很有价值的意见和建议。

未来时代机器人 创始人兼CEO 林枫
小结
眼下,行业再度面对质疑与寒冬。对创业者而言,收益与风险始终并存;所有波动都有周期性,而许多质疑归根结底来自技术尚不成熟、产品尚未真正落地。
所以,我们并不迷茫,因为方向不在热词里,而在真实场景里;判断标准也正变得越来越具体:需求是否真实,复购是否发生,ROI是否成立,数据能否被用起来,机器人形态是否真正匹配任务。
寒冬从来不是叙事的终点,而是一次筛选。它会把靠概念支撑的预期筛掉,也会把真正愿意下场景、算细账、打磨产品的团队留下来。把demo做成产品,把样机做成复购,把通用的宏大叙事拆解成一个个可交付的细分场景,这才是行业走向下一阶段的必经之路。
等到下一届圆桌再聚时,希望讨论的不再只是“元年”何时到来,而是哪些场景已经完成复制、哪些数据已经产生价值、哪些机器人真正替代了重复劳动。
我们记录质疑,也记录解题。
来源:高工机器人