最近听到具身智能圈子里两则被调侃最多的事情：

一是，只要产品一出来就有人买，哪怕寿命只有100个小时，那又怎样呢？

二是，某家原本和国际汽车零部件巨头B公司达成合作、估值超一百亿人民币的具身智能Y公司因为交付未达预期，被赶出工厂了。

不禁感叹，现在的具身智能赛道热闹得像过年，热钱涌动、概念齐飞，很多公司忙得火热朝天，满大街找BP的投资机构更是不容忽视的存在。而创业者们，满嘴蹦出的词儿不是Scaling Law就是通用人工智能。

但冷暖，或许只有深扎其中的圈内人自己门儿清。

虽然这阵具身智能的风刮了很久，但一位投资人告诉我：绝大多数具身智能的创业者，至今都没摸着PMF的门。毕竟真把东西拉出实验室摆在货架上卖，大家就歇菜了。

所谓PMF，是Product Market Fit的简写，是指产品和市场达到最佳的契合点，一家公司所提供的产品正好满足市场的需求，令客户方满意，这是创业成功的第一步。

PMF虽然在不同领域有不同含义，但根据我个人浅薄的理解，在机器人市场，应该是至少要有真实用户用过一段时间，才知道这个产品到底fit还是不fit。而且这个fit，既不等于订单，也不等于好奇心。

虽然现在人形机器人满地走，融资消息一个比一个响，但不少公司其实都在用自动驾驶的旧地图，寻找具身智能的新大陆。这也是行业内心知肚明的做法。

比如很多公司还在纠结于如何让机器人走得更美观、更拟人，想着数据堆满、模型越大越能通用，却忽视了让它具备真正在三维世界里，应具备的生活常识和物理直觉的能力。

定价

在商业闭环里，定价就是最好的照妖镜。它不仅是一个数字，也代表了一家企业对产品价值的底层认知。

前不久最近听到的一个段子是，有团队把一台面向C端消费级的设备定价 1.5 万美元，拿去给硅谷的 VC 看，合伙人不买账，甚至连最愿意尝鲜的钱也不愿意掏。

这是否说明目前具身智能市场，被硬生生撕成了两个极端的价格带？

这就是当下具身智能怪状的冰山一角：一边是几百到几千块的情绪消费，相比较功能，用户更多买的是快乐和陪伴，就像那些小型桌面机器人或编程教具，买错了也不至于倾家荡产，尝鲜容错率较高。而另一边是十万、甚至几十万起的生产力工具，在这个价格带，老板们买的不是高科技，而是ROI。只要机器人能24小时不间断地拧螺丝，能替掉两个倒班的工人，一年就能回本，那么几十万的价格便是真香。

而最尴尬的，就是那一万多美元，约合十万人民币上下处于中间地带的产品。这个中间带既不足以便宜到去打动大众消费，也不足以替代人工创造明确的 ROI。

理论上，买个一两万块的顶级无人机，能拍出上帝视角，还能算作社交货币；但买个一万多美金的机器人回家，如果它连端个茶水都晃晃悠悠，那它实际上，就是一个占用客厅空间、漂亮且没用的工业废物。

为此有投资人感叹，很多创业者把价格按硬件成本加个利润率就往市场上推，以为这就是公允的市场价格，但这和 PMF丝毫不挂钩，这只是成本会计该干的事情。

订单

再说起来那些所谓光鲜亮丽的订单，其实多半也是人情世故。

不少明星初创公司，为了让BP里的营收曲线好看点儿，好在下一轮融资时拿个高估值，都有个心照不宣的潜规则：把机器人卖给自己的上游供应商。

这事儿听起来虽然挺黑色幽默，但已经被公认当成了一种资源置换的可持续商业模式。举个例子，供应商为了维持跟这些未来准独角兽的关系，或者为了配合资方完成PR动作，象征性地咬牙买几台摆在展厅里。

于是，左口袋的钱成功换到了右口袋。

但这完全不是长在工厂、仓库这些真实作业里而衍生出的需求，所以这种模式注定难以为继。

在写稿的这些年职业生涯里，接触过多位制造业的老板后，发现他们其实是最现实的一群人，因为他们眼里只有ROI。“我花20万买个人形机器人，如果它干活的效率和稳定性还不如我花2万块搞个非标自动化支架或者一个机械臂，我凭什么买它？”

现在的现状是，很多场景最缺的其实就是一只能够精准抓取、甚至能剥鸡蛋的灵巧手，但创业者为了融大钱、讲大故事，偏偏爱卖那个看上去高大上、实则冗余且笨重的本体外壳。

这种为了人形而人形的执念，其实是还没看透产业效率的本质。

你可能会问了，为什么这帮顶级聪明的创业者明知道人形外壳笨重、PMF模糊，却依然要前赴后继地往里跳？

正如《史记》所言：天下皆知其不可为，而莫之敢言。正因缺乏长线的产品定义能力，大家把共识藏在心里默不作声，只能靠技术投机。

定义一个有真实ROI的细分工具是极难的，那需要你对工厂、对车间、对复杂的物理世界有真正的敬畏，而相比之下，套上一个人形的外壳，用皇帝的新衣方法讲一个通用人工智能载体的宏大故事，反而是最容易让投资人从兜里掏钱的捷径。

因为看不清真正的靶心在哪里，所以干脆把场面搞大，试图用规模的幻觉来掩盖战略的懒惰。

运气

关于投机，这两年还从其他前辈那听到的一个比喻：大多数具身智能公司，其实都在玩“手枪模式”。

什么意思？就是手里就那么几颗子弹，走一步看一步，瞄准全靠感觉看运气，甚至不知道靶子在哪儿。

判断一个公司是不是在碰运气可以这么评判：看他的研发计划，如果他觉得这事儿一鼓作气、一次就能成，中间压根儿没预留失败和迭代的空间，那基本就是在盲目射击。这些公司普遍爱对外讲这叫快速迭代，但关起门来谁都清楚，实则是赌一把寄希望于某次迭代能开窍，或某个场景恰好走通。

但这不是长久之计，这和赌博实际没什么两样。

如果是大厂，还可以吃几次把卡当人用、拼命整数据的亏，毕竟血条厚嘛，有资本去堆算力、堆人力，在一次次时灵时不灵的盲盒中寻找所谓的涌现，大不了推倒重来，到时候再对外口径说，要换个背景更好的实验室负责人继续重来。

但初创团队要做到这个并不容易，如果也跟着学这套，稍不留神就可能把现金流烧光。

特别是那些学术背景浓厚的leader们，往往太迷信理论上的美感。大模型团队天天盯着Scaling Law，觉得堆算力、堆数据就能出奇迹，硬件团队守着oooooldschool的PID控制理论，研究怎么把电机做得更精细。

最可笑的是，两拨人平时聊不到一块儿去，最后打磨出来的产品就像个缝合怪，一个空有强壮、昂贵的肌肉，却长了个反应迟钝、没发育成熟的大脑。

这产品能在复杂的现实环境中跑通就离了大谱了。

惯性

这些具身智能创业团队不少有着自动驾驶或者头部消费级电子公司的烙印。

当然，这既是优势，也是陷阱。这帮人工程化能力确实强，但在机器人赛道，他们手里的锤子太沉，导致看什么都像钉子。

自动驾驶的基本逻辑是，在二维（或准三维）的结构化道路上，通过海量路测数据实现算法的闭环迭代。

但机器人面对的是非结构化、强交互的三维环境，哪怕只是在家里走两步，遇到的障碍物复杂度也比高速公路高出几个量级。车撞了有保险，机器人摔了、坏了，那可能就是整个研发周期的停滞。

很多创业者总想复刻自动驾驶的数据飞轮，但现实是——飞轮还没转起来，花重金购置的硬件可能就先折腾散架了。

一些知名大厂极其擅长卷细节，甚至细节到每一个关节的阻尼、每一根排线的走位都十分考究精美，但这种极致的工匠精神，用在企业向AI战略转型时明显就失了效。

根儿上的基因在于，他们永远用硬件思维去做事，然后再让算法适配。但在具身智能时代，这个逻辑明显行不通，应该是算法即大脑先搞定，然后再去配那个最精简、最适配的身体。

“你应该先让算法在虚拟环境里练出来，搞清楚它需要什么样的感知、什么样的反馈，再去反向定制那个最精简、最听使唤的身体。如果还执着于打磨本体外壳，那无异于是在给一个还没成型的灵魂强行定做一套沉重的铠甲。”一位民营企业主说道。

“如果还是抱着老一套惯性思维做事，那就真的成了用旧地图找新大陆。”

说到最后： 一点不成熟的观察

说到底，具身智能现在的瓶颈，不在于算力够不够，也不完全在于算法灵不灵，而在于行业分工的理解缺失。

想不通的时候就看看历史好了，现在的状态有点像早年的微机时代：每个公司都得被迫头自研关节、电机、减速器、传感器。这种高度垂直的一体化路径，看似掌控住了一切，但创业团队的大部分精力都耗在了造零件上，根本没工夫去琢磨用户到底要什么。

发布会上能后空翻、能侧空翻的机器人，确实吸睛，但在真实的商业环境里一文不值。商用客户关心的从来不是它还能不能再翻一个，而是：它能不能稳定工作、能不能替代一段明确的人力、能不能把边际成本压到足够低。

有权威的报告明确指出：

2025 年全球商用服务机器人市场规模约 80 亿美元，预计到 2034 年增长到约 308 亿美元，年复合增长率约 21.3%。高部署成本和适应性问题是阻碍快速采用的重要障碍，许多中小企业难以证明经济性（ROI）。因高门槛许多中小企业而迟迟不部署，市场增长更多来自效率提升和劳动力替代的实际价值，而不是技术炫技本身。

自动驾驶发展到今天，还在牌桌上的玩家，也不是最会做 demo 的公司，而机器人产业同样地，搞明白社会化分工和边际成本曲线的企业会最先胜出。

因为他们能率先摆脱什么都自己造的工程泥潭，把非差异化部分交给成熟供应链，把有限资源集中在真正创造价值的能力上，只有这样，才会更接近 PMF。

如果不能清晰地回答为什么这个活儿非机器人不可，或者不能把成本压低到让企业主们觉得不买就是亏，那这种所谓的PMF，不过是一场昂贵的、在实验室里自给自足的游戏罢了。

脑力活干多了可以去干干体力活，去工厂车间蹲三个月，去养老院连续观察三天，看看那里的痛点到底在哪里，最没人愿意干的工作是什么，可能比对着大模型调参数要管用得多。毕竟PPT从不是赌出来的，是实践一点点拧出来的。

看得透的投资人们也在经历完闹哄哄一整年的具身智能赛道后，发现去年朱啸虎投资日本那个Lovot反而最接近PMF真相，因为就专注解决一个抱抱的需求，结果市场反而买账。回过头看，朱啸虎的含金量还在上升，不投其他的就投Lovot也有他的道理吧。

总之，别把注意力都给技术光环，先弄清楚谁（who）会真正为它掏钱、为什么（why）要掏——就和搞清楚真正愿意为自动驾驶额外付费买单有多少人一样。