文 | 具身商业前哨

过去两年，中国具身智能行业最大的共识，是人形机器人先进工厂。

因为工厂有明确任务、可计算的ROI，也有最容易被验证的商业价值。对于一个尚未成熟的新产业来说，先进工厂几乎是一条必选项。

但最近几个月，这个共识开始出现松动。越来越多从业者开始重新讨论一个问题：工厂，一定是性价比最高的起点吗？

中国人形机器人行业的路线分歧开始显现。

一条路线主张先进工厂、先进物流、先进商业场景，先完成商业验证，再逐步走向通用智能。

另一条路线则认为，机器人最终要面对的是开放的物理世界。如果目标是Physical AGI，那么从一开始就应该围绕数据、模型和泛化能力构建体系。

今年2月离开星海图创立破壳机器人的许华哲，成为这场讨论里最鲜明的代表之一。

近期，许华哲连续提出多个颇具争议的观点：卖数据是在把弹药卖给对手；无脑量产的同时应该看机器人日活；机器人跳舞与智能无关。

这些观点看似分散，实际上都指向同一个问题：机器人公司到底是在训练一个更高效的生产力工具，还是在培养一个面向未来的通用智能体？

进工厂，是为了先活下来

从去年开始，人形机器人成为行业中最受关注的方向。很多教授、科学家和95后年轻人开始下场创业，资本开始寻找机器人领域中的超级公司，普通消费者也担心机器人会不会抢饭碗。

行业早期有一个朴素共识：受限于“大脑”能力、成本和ROI，人形机器人会先从实验室走向舞台，再进入工厂，最终进入家庭。这是最稳健的路线。

其中，工厂、物流、巡检被反复提及，因为它们最容易被解释。

智元的精灵G2在龙旗工厂进行上下料，龙旗也采购了价值数亿元的机器人；星动纪元的M7进入到中国邮政、顺丰进行包裹分拣，顺丰也领投星动纪元2亿美元融资。越来越多公司都开始把进工厂当成一个确定性的生意。

但在这个过程中会产生一种幻觉：把“能干活”误认为“有智能”。一个机器人可以在某个工位上把一个动作练到很熟，但它能不能自然迁移到另一个场景，能不能从一百件事里领悟出一千件事，才是通用智能真正要回答的问题。

自动驾驶曾经形成过一套成熟路径：先解决一段路，再解决一座城。很多具身智能公司也在借用这套逻辑：先做一个工位，拿到数据，形成闭环，再扩展到更多工位、更多工厂、更多任务。

问题是，道路虽然开放，仍然是有限系统，随着数据量不断扩大，效果会越来越好；但机器人面对的物理世界，却是混乱的客厅、随时窜出来的小狗和人类不同的生活习惯，这些变量几乎无法穷举。

进家庭，找到最有价值的数据场

虽然很多用户期待机器人进入家庭，但纵观全球，选择进入家庭场景的机器人公司并不多。海外的1X、国内的乐享智能和自变量，都属于探索者。

一方面是家庭机器人的挑战不只是技术，还有商业化。相比工厂客户可以用ROI计算回报，家庭用户对价格更加敏感。

比如自变量在北京和深圳推出的机器人家庭清洁服务定价为149元/3个小时，1X则尝试每月499美元的订阅模式。无论哪种方案，本质上都在回答同一个问题：机器人除了能干活之外，用户是否愿意长期为它付费。

另一方面，跟工厂相比，家庭是一条更极端的技术路线。它足够混乱却又足够丰富。对人来说，这是生活；对机器人来说，这是高价值训练场。

如果开发一个专用机器人，许华哲或许在一年之内就能吃到由机器人制作的“松鼠鳜鱼”；但他选择多等几年，让通用的人形机器人真正学会这道菜。

这背后是两种机器人逻辑的差别：专用机器人解决的是一个任务，通用机器人要学的是整个世界。

家庭机器人最终不是一个更高级的家电，而是一个“像真人一样”的存在。因为只有人，才会主动把洗衣机、冰箱、微波炉这些工具串联起来，完成一个连续任务。

比如，真正困难的不是拿一瓶可乐，而是理解可乐在哪里、冰箱怎么开、拿完以后怎么关门、喝剩的东西是否还要放回去。家庭里的每一个小动作，背后都是空间理解、物体识别、任务规划和人类习惯。

工厂提供重复数据，家庭提供多样性数据。前者更适合训练执行，后者更接近训练理解。

比如同样是拿杯子，在工厂里杯子的位置和角度几乎固定；但在家庭里，它可能出现在茶几、餐桌、书房甚至床头。对于机器人来说，这些差异恰恰是泛化能力成长所需要的数据。

这也是这条路线最激进的地方。它把具身智能重新放回AI的逻辑里：过去几年，大模型依靠Scaling Law获得泛化能力；现在的问题是，类似的事情能否在物理世界再发生一次。

在这个过程中，视频数据提供低成本、大规模的人类行为样本；强化学习让机器人不只是模仿，而是在反馈中持续优化；谁能更早在真实环境里建立数据和模型飞轮，谁就可能在下一阶段竞争中占据更高位置。

奔向AGI，最难的是证明自己

通用人形机器人路线最大的风险，并不是烧钱。机器人公司本来都烧钱，工厂路线也不轻。真正的风险在于，验证周期太长，也很难被阶段性成果充分证明。

破壳有一个时间表：今年9月会推出第一代机器人；在公司成立一年时，发布一个足够震撼的demo；2028年实现内测，并开始小规模商业化。

这个节奏并不保守。但它也说明，家庭路线必须在商业结果出现之前，先让外界相信它的技术方向。

如果是传统的机器人公司，胜负手就是供应链、成本、交付和客户。如果目标是AGI，胜负手才会变成数据、模型、算力、算法和长期学习能力。谁能更早建立物理世界的数据飞轮，谁能让机器人从执行器变成学习者，谁才可能抵达更大的终局。

今天的具身智能行业看起来热闹，但真正决定未来的，可能不是谁先卖出一万台机器人，而是谁先证明机器人能够像大模型一样理解和学习物理世界。

工厂路线更现实，它决定谁能先活下来；家庭路线更冒险，它决定谁有机会重新定义机器人。

这不是一道非黑即白的选择题。未来的赢家，可能既要懂工厂，也要懂模型；既要有交付能力，也要有数据和学习能力。只是眼下，行业必须先承认这场分歧的存在。

如果中国具身智能最终只擅长制造“铁疙瘩”，却没有掌握通用智能的大脑，那么我们赢下的可能只是制造能力，失去的却是定义下一代机器人的机会。