机器人先挣钱，还是先追求AGI？具身智能路线之争摆上台面

过去两年，如果说中国具身智能行业有一个最大共识，那就是“人形机器人得先进工厂”。

这个逻辑很朴素：工厂是一个有明确任务导向、有精准ROI可算的场所，也是商业价值最容易得到验证的地方。对于一个尚在襁褓中的新产业来说，工厂几乎是一条必走的路径。

不过，最近几个月，这个共识开始松动了。越来越多的从业者开始回过头来追问一个问题：工厂，真的是性价比最高的起点吗？

中国人形机器人行业的路线分歧，正在浮出水面。

一边是主张先进工厂、先进物流、先进商业场景的务实派，先完成商业闭环，再一步步走向通用智能。另一边则认为，机器人终究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、模型和泛化能力来构建整个体系。

今年2月，离开星海图、创立破壳机器人的许华哲，成了这场讨论中观点最鲜明的人物之一。

他接连抛出了几个颇有争议的观点：“卖数据是在把弹药卖给对手”；“无脑量产的同时，更应该看机器人的日活”；“机器人跳舞和智能没有关系”。这些观点看似分散，但都指向同一个核心问题：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，人形机器人成了行业里最受关注的方向。教授、科学家、95后的创业者纷纷入场，资本四处寻找可能的超级公司，连普通消费者也开始担心自己会不会被机器人抢了饭碗。

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。这是最稳妥、最容易被理解的路线。

工厂、物流、巡检被反复提及，原因很简单：它们最容易被解释，也因此最容易拿钱。

智元的精灵G2在龙旗工厂做上下料，龙旗直接采购了价值数亿元的机器人；星动纪元的M7进入中国邮政、顺丰做包裹分拣，顺丰也领投了星动纪元2亿美元融资。越来越多的公司，开始把进工厂当成一个确定性极高的生意。

但这个过程中，很容易产生一种幻觉：把“能干活”误认为是“有智能”。一个机器人可以在一个工位上把一个动作练到炉火纯青，但它能不能自然迁移到另一个场景？能不能从一百件事里举一反三，领悟出做一千件事的能力？这才是通用智能真正要回答的问题。

自动驾驶曾经形成过一条成熟路径：先解决一段路，再解决一座城。很多具身智能公司也在借鉴这套逻辑——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，但它本质上仍然是一个有限系统。随着数据不断积累，效果会越来越好。但机器人面对的真实物理世界呢？那是混乱的客厅、随时窜出来的小狗、千差万别的人类生活习惯——这些变量几乎无法穷举。

进家庭，找到最有价值的数据场

用户期待机器人进入家庭，但放眼全球，真正敢这么做的公司并不多。海外的1X、国内的乐享智能和自变量，属于少数探索者。

原因不难理解。家庭机器人面临的挑战不只是技术，还有商业化。工厂里的客户可以用ROI来衡量回报，家庭用户对价格却要敏感得多。

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149元/3个小时；1X尝试每月499美元的订阅模式。不管哪种方案，核心都在回答同一个问题：机器人除了能干活，用户是否愿意长期为它付费？

另一方面，家庭是一条比工厂更极端的技术路线。它足够混乱，却又足够丰富。混乱，意味着非结构化、充满随机性；丰富，则意味着每一个动作背后都藏着近乎无限的变化。对人是生活，对机器人却是高价值的训练场。

如果目标是开发专用机器人，许华哲或许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。

这背后是两种截然不同的机器人逻辑：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。

家庭机器人的最终形态，不是更高级的家电，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，完成一个连续的任务。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的综合体现。

工厂提供的是重复数据，家庭提供的则是多样性数据。前者适合训练执行，后者更接近训练理解。同样是拿杯子，在工厂里杯子的位置和角度几乎固定；在家庭里，它可能出现在茶几、餐桌、书房甚至床头。对机器人来说，这些差异正是泛化能力成长所需要的养分。

这也是这条路线最激进的所在：它把具身智能重新放回了AI的底层逻辑里。过去几年，大模型依靠Scaling Law获得了惊人的泛化能力；现在的问题是，类似的事情能不能在物理世界再发生一次。

在这个路径中，视频数据提供了低成本、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中建立起数据与模型的飞轮，谁就可能在下一阶段竞争中占据更高的位置。

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，其实不是烧钱。机器人公司没有不烧钱的，工厂路线也不例外。真正的风险在于，验证周期太长，而且很难被阶段性的成果充分证明。

破壳机器人有一张时间表：今年9月推出第一代机器人；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，但也说明，家庭路线必须在商业结果真正到来之前，先让外界相信它的技术方向是对的。

如果是传统的机器人公司，胜负手是供应链、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，谁能把机器人从执行器变成学习者，谁才可能抵达那个更大的终局。

今天的具身智能行业看起来热闹非凡，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，去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，恐怕既要懂工厂，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，行业必须首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。