8个问题，聊透具身智能“真落地”|人机交互|具身|本体|机器人|视觉|触觉|超级智能

机器人什么时候进千家万户？“至少3年起”。

整理 |「定焦One」

作者 | 金玙璠

半个月前的WAIC，最火的展馆是具身智能馆，人山人海，宇树和智元的展台挤都挤不进去。绕馆一圈，机器人好像无所不能：会做饭、会跳舞，还有弹钢琴的、踢足球的、叠衣服的。

但身处一线的人，体感和发布会、和demo不太一样，因为真实世界里的机器人会卡顿、会摔倒、会被客户投诉。具身智能的落地，正在遇到哪些难题、该如何解决？

7月30日，北京前沿国际人工智能研究院“AI月光社·走进百家创新企业系列活动”第9期，来到千诀科技。在圆桌环节，由「定焦One」创始人兼总编辑贺树龙担任主持，与来自具身智能产业链四个环节的嘉宾：做机器人“大脑”的千诀科技COO肖海默，做视触觉传感器的瞬恒智能联合创始人史媛媛，做整机的萌友智能联合创始人、CEO何嘉斌，以及北京前沿国际人工智能研究院理事长、英诺科创基金合伙人王晟，围绕“具身智能‘真落地’最难的是什么？”话题展开讨论。

肖海默认为，具身智能真正落地后，最难的是持续解决真实用户反馈的问题，以人机交互为例，目前机器人的响应速度距离客户预期还有约1秒的差距。史媛媛的答案在工厂，先啃下0.01毫米的硬骨头（指3C精密装配），靠B2B把产业链成本拉下来，再谈进家庭；何嘉斌的答案在“无用”：不做工具、不堆聊天，把生命感和情绪价值做成留存的生意；王晟的答案最冷静：故事已经讲得够多了，接下来拼的是谁能真的落地，谁能赚到钱。

创业者路径不同：有人先攻家庭，有人死磕工厂，有人卖“无用的”情绪价值，有人只在幕后做大脑。但判断是共通的：具身智能已经过了讲故事的阶段，客户和场景开始替行业投票；分工还在演化，但协作比拼命重复造轮子更接近答案。无论路径多不同，活下来的公司都要证明两件事：有人愿意付费，产品能进真实场景。

本文用8个问题梳理本场圆桌的精华内容。

01.从发布会到真实世界，机器人要踩过哪些坑？

被投诉最狠的，是时延。

“最真实的一个案例，来自机器人做人机交互过程中的时延问题。”肖海默说。千诀的机器人大脑接入了约10万台终端，在真实用户手里，这个问题会被放大。“机器人接下来如果要大规模应用，时延是一定要突破的问题。我们目前完成了从技术验证到规模化应用的跨越，但距离更自然、更稳定的人机交互体验，仍有很大的优化空间。”这个问题来自现有的基座模型，也来自客户现有的技术架构。

“对于机器人而言，两三秒内理解需求并开始响应，已经是很大的技术进步；但用户不会按照技术演进的标准来评价产品，而是会拿它和人与人之间的自然交流作比较。哪怕只慢一秒，体验上的差距也会非常明显。

他和团队会去翻看亚马逊、京东、淘宝上的用户差评。偶尔能看到一些调侃，比如“缩写是AI，全称是人工延迟”。

目前距离客户预期还有1秒的Gap，这1秒卡在整条技术链路上：ASR（自动语音识别）要等用户说完话、再等一小会儿，模型才能收到输入；模型跑在云上，又会产生延迟；输出还要再过一道TTS（语音合成）。

千诀科技COO肖海默

另一个挑战是多语言和本地化适配。“不同国家和地区都有各自习惯的表达方式，通用语言模型生成的内容不一定符合当地用户的语言习惯。”肖海默说。为此，千诀科技已经适配20多个语种，通过持续优化本地化表达提升用户体验。

此外，机器人的稳定运行依赖大脑、传感器、电机和本体等多个环节协同。机器人出现卡顿时，表面上看像是大脑没有响应，实际原因可能来自整条软硬件链路。“我们会通过日志和全链路监测定位问题，例如视觉传感器连接异常，或者电机等硬件环节出现异常。”肖海默说。

千诀现在的解法是：做大量的埋点，监测每一个环节。

做整机的何嘉斌踩过的坑，比“背锅”还要具体得多。公司产品Ropet 2025年1月在CES（国际消费电子展）上火了，3月完成众筹，原本准备3月交付，最后拖到了7、8月。拖期的4个月，全花在解决第一个坑上：散热。

“我们最开始想做的，是全球最软的机器人。”他说。产品放在桌面上做陪伴，用户伸手就能摸到，要模拟撸猫的体验，外观的毛绒包裹度就要超过90%。

问题出在产业链上。毛绒是一个非常传统的产业链，很难标准化，很多环节靠手工。Ropet同时要整合三条产业链：毛绒玩具、消费电子、舵机和具身的部分。“三条产业链合到一起，出现了很多耦合的、没有想象到的盲区。散热就是一个：你要解决舵机运转时的异常发热，但毛绒包裹超过90%，材质本身没法物理散热，得在里面加风扇主动散热，还要控制主芯片跑模型时的发热量。”

回头看，他承认当初想简单了：“硬件从0做到1，有很多坑要踩，短则几个月，长可能要两三年，这是第一个吃螃蟹的人要背负的。”

第二个坑是磨损。

这个问题，做具身的人都有感知。何嘉斌拿灵巧手举例：“一只手可能会很贵，但实际上它去工厂抓东西，抓了上百次、上千次之后手就坏了，你要再去维修，整个返修成本非常高，还不如招一个工人，用自己的手去完成这个工作。”

“只要你涉及动作，无论线束、舵机还是物理结构的摩擦，都会造成不可逆的损伤。”他说，最早一批用户已经用了一年，7×24小时开机摆在桌面上，随时都在动，“到第7、8个月，有时候会出现结构异响，说明使用寿命到了一个临界值。”

售后随之而来。Ropet卖到50多个国家，2000块钱左右的产品，一旦涉及售后，成本巨高。

人今天干了力气活，晚上睡一觉，肌肉会重新生长、会修复，但机器人没有自修复能力。”何嘉斌说，这是所有做长时间、全天候工作的家庭机器人都要面对的挑战。

02.0.01毫米的活儿，为什么大模型还干不了？

陪伴机器人的坑，卡在“耐用”上；而工厂里的机器人，卡在精度上。难就难在最后0.01毫米的尺度。

在具身智能“大脑、小脑、本体”的分工里，瞬恒的位置是小脑和触觉的末端。史媛媛自己的说法更谦虚：“我们就是庞大网络里那一点点触角。”瞬恒做的是视触觉传感器，用她的话说，是在“磕工厂里最难的那块死骨头”。“机器人、人形各种形态进这类精密装配，很多企业都试过，但几乎没有做成的。”史媛媛说，“做不成很重要的一个原因，就是对最后那0.01毫米尺度的把握。”

这个活儿有多难？“我自己去试了，我都干不了，插都插不进去，实在太小了。产线上全是眼尖手细的小姑娘才能做。”

瞬恒智能联合创始人史媛媛

进了这个场景，瞬恒先确认了视觉传感器确实有用，只有它才能做到那么高的精度。不过史媛媛特别说明，POC（概念验证，即小范围试点测试）的case做出来，“用的不是大模型”。目前大模型聚焦解决的是“大脑”的复杂规划问题，在目前的POC场景中还用不上；但操作和泛化的问题要靠模型解决，那是“小脑+中脑”——触觉传感器加操作模型——的事，也是瞬恒的努力方向。

她把爬坡路径拆成三步：第一步能做；第二步做稳，每次都能成，这涉及传感器的成本和稳定性；第三步做快。“到目前为止还谈不上良率，我们还处于这样的阶段。”

史媛媛是清华工学博士，在三星做了20多年研发管理，今年初离开三星加入瞬恒。对比在国际巨头和在初创企业做研发的差异，目前体会最深的就是内部研发和利用中国产业链生态的效率差异。

03.落地速度，满足投资人的期待了吗？

创业公司把效率拉到了极致。但整个行业的落地，到底够不够快？这个问题，得交给投资人回答。

王晟坦言，“我之前说2026年下半年行业要拼落地，现在看也有点‘打脸’，投资人似乎还没那么关注落地，而是去关注World Model（世界模型，让机器人理解和预测物理世界的AI模型）的大趋势了。”他说，落地真正被投资人强烈关注，时间可能还要再往后推。而实际落地的进度也没有那么快，“主流的投资，还是对更大的叙事、更豪华的团队、更漂亮的demo比较感兴趣。”

作为千诀的投资人，他的评价是：“千诀赋能了几十种产品，跑的情况我都比较了解，相对还是达到了一定的落地水平。但你让它完全接管家里的保洁、保姆、炒菜做饭，肯定还是有距离的。”

那现在天天有具身项目融资，怎么判断一家公司是真落地还是虚假繁荣？

王晟给了一个参考系：World Model。“如果你去投World Model，它现在肯定落不了地。它等效于大语言模型的什么阶段？我的看法是GPT-2到GPT-3之间。从时间上看，距离它的‘ChatGPT时刻’，差在范式明确上，可能还差个两三年。”

北京前沿国际人工智能研究院理事长、英诺科创基金合伙人王晟

但他指出一个关键差异：GPT-2到ChatGPT，技术范式是统一的，都在同一套Transformer（当前大模型的主流架构）范式上堆数据、做scaling（扩大模型和数据规模），再到指令微调和人类反馈对齐。而机器人的WorldModel，“现在是无数的范式在干仗”：这家讲物理表征，那家讲因果，另一家坚持几何约束，还有人说跑隐空间就够了，每个方向上又细分出很多方向。“技术范式完全不明确，每家都在做每家的，但都不妨碍每家融到很多钱。”

他的应对方式是：对未来哪个范式会赢，要有一个概率上的判断，并且敢下注。

他分享了两个案例。第一个是2024年投千诀。“当时我们有一个非常清晰的判断：大脑、小脑和本体是解耦的。但那时主流的看法是做端到端一体化、不能解耦，甚至到今天这仍是很大的主流意见。不过现在一些最重要的头部科学家和项目，也基本明确提出了要解耦。”

第二个是今年春节，投了一家号称全球第一个做因果自发现的因果World Model的公司，Aether AI（原初之智）。“当时它也谈了一些最头部的机构，但没有人敢投，大家不理解它怎么做因果的发现，也不理解因果AI对未来的AI范式能有多大的颠覆式影响。我们判断未来应该往这个方向走，就投了。”王晟说，“今天你会看到，10个出来做World Model的顶级团队，超过一半都会提到它。它不光在中国，在全球范围内都有很大的标杆作用和影响力。这个范式和当前大语言模型完全不一样，有可能做出来。一旦真的做出来，有可能成为对当前AI模型技术范式的降维打击。”

04.先工厂还是先家庭？各有各的账

既然真落地才是硬通货，那第一步从哪个场景切进去，就成了每家公司最要紧的选择。

行业里的demo、发布会、7×24小时直播，大多发生在工厂。而家庭场景绕不开两件事：理解复杂的物理世界，把人类模糊的需求转化为可执行的多步骤任务。“这些东西可能是对应的厂商不具备的。这种情况下，它肯定会选择最能展现自己能力的场景去展示。”肖海默说。

史媛媛强调，“我们进工厂和出身有关。我们做视触觉，天然和工业更匹配。”她说，但瞬恒团队内部也经常为“要不要做人形、进家庭”争论。接下来这番话，是她得出的一些结论。

第一笔账：C端是残酷竞争。

“我在三星做了25年手机，所有进家庭、让C端用户消费的产品，都是残酷的竞争。家用机器人一旦真做出来，你可以想象，中国会产生100家家用机器人公司。你卖10万，我卖5万，年底他卖3万，明年你卖一万五，3个月以后还有人卖两千。它的功能差异，是否支撑得起那么大的价格溢价？这都是我在手机行业非常真实地体验过的。”

在她看来，真到那一天，决定成本的是两件事：一个是AI、token的成本，一个是零配件的产业链。“这一点上，我认为千诀选了一条非常正确的路：大脑做到最便宜，反正你们都在用我，就像今天的安卓一样。难受的会是硬件企业，到时候PK的就是零配件成本、就是产业链。”而今天，机器人的产业链还远没有成熟。

第二笔账：价格锚定。

“一旦你说我就是进家庭洗衣服、擦桌子、烧饭，用户马上开始价格锚定，他开始跟阿姨锚定，跟洗衣机锚定。而这些东西很便宜，你的成本扛不住。”

第三笔账：产业链降本，要靠B2B拉动。

“历史上，C端产业链的成熟，最初都是由B2B制造业企业拉动起来的。因为B2B进去难、被换掉也难，利润空间能保持得久，才能拉着零部件企业规模生产，有钱去革新Infra、工具、工艺等，把成本降下来。这至少需要三五年才会发生。”

她估算过一笔账：家用机器人，不管是玩偶式、球式还是轮式，人形等等。拆开来，“全部可能涉及成千上万个零部件。成本的降低，需要这些企业拉着一起往下走。”

对瞬恒来说，进工厂是短期更有确定性的路径；千诀做大脑，定的是更长远的愿景。各有各的基因和处境。

05.陪伴机器人不能聊天，是缺陷还是定力？

何嘉斌管萌友叫“未来宠物公司”：低负担输入，高情绪价值输出，“说白了，就是想造一个更好养的宠物”。

他对这个方向有一整套判断：具身的上下游——硬件本体的成本、芯片的成本、云端AI大脑的智能化程度——在这个历史节点刚好成熟到一个位置，特别适合做一个“比人类更弱一点”的产品：模拟宠物的生命感，唤起照顾一个生命的同理心。目前Ropet出货2万多台，90天留存80%以上，是陪伴机器人赛道里产品粘性最好的。

Ropet不能聊天，也不能做大幅度运动。“一旦做工具，你一定会被拿去比价。”他引用了泡泡玛特王宁的两个案例。一个是喷泉：富豪家里的喷泉天天“浪费水”，其实浪费不了多少钱，但他愿意为喷泉花钱。另一个是Labubu：把它做成一个U盘，你不会买很多个U盘，但你会买很多个搪胶公仔。“这就是无用之美，没有用的东西，会更有价值。”

他的判断是：传统消费品在情绪价值上已经很卷了，从日用品到玩具都在做；但电子消费产品——尤其是结合了机器人和AI、能提供“魔法感”体验的新品类——还没有人在情绪价值上深挖心理学和设计的部分。

萌友智能联合创始人、CEO何嘉斌

至于聊天，他觉得，“聊天是今天大众一个非常病态的共识。所有消费者上来都会问，这个机器人能不能聊天，因为他认为聊天代表了智能，但他没有深入思考：聊天能交付的价值是什么？”他举了几个例子：儿童故事机、老人、年轻女性，聊天的目的都不一样，“千人千面，不同的产品，聊天做的东西是不一样的。”

“国内大部分所谓的智能机器人产品，就是无脑先接个豆包进去，先跟用户说我们很智能。用户买回去试一试，7天无理由就退掉了，没有留存，没有粘性。”

他强调，“我们不是不做聊天，是要做符合宠物人设的聊天。它的内容、语义、记忆，都围绕这个产品本身的主体性展开，而不是在我们不成熟的时候，直接丢一个豆包过去，给用户一个不诚实的答案。”

他真正下功夫的是“生命感”。他的观察是：今天做机器人、做具身的公司，都在围绕传感器解决性能问题，但没有人好好研究过机器人和人互动时情感层面的东西：它的眼神应该如何设计？机器做哪些行为表达，更容易获得人的信任？“这些都是设计层面、产品定义层面的东西，是我们团队比较擅长的。”

这条路也不是一步到位的。萌友经过很多代产品迭代、大量真实用户测试，最后收敛到一个形态：桌面上有一点活感，把眼神做好，把触摸体验做好，再叠加一整套养成游戏机制，让机器人“越养越不一样”，唤起人像养活体宠物一样的消费冲动。“先让这个机器人——一个多模态的传感器——在用户桌面上长时间生存下来，它就会收集数据。有了数据，记忆层就能做得越来越垂直，用户会觉得，这个宠物越养越懂我。”

临界点在成本。“硬件成本、token成本降到极致，用户花三四百块钱、抱着尝鲜心态买一个新宠物的时候，这个产品可能就有百万级、千万级的量。”他坦言，现在还在非常早期的阶段，“2万用户只是我们的起点。”

06.投资人押注哪个场景？

站在投资人的角度，哪些场景更有戏？

王晟的回答是：“投资人现在还没有完全的共识，哪个场景更好、更值得投。”但有一个前提是共识的：这一波具身智能未来的空间非常大。机器人在物理世界里替代人做这些工作，产生的价值会大幅超过它只在数字世界里能做的事；它能承载的企业数量和规模，也会大幅多于现在这些大模型公司。

第一个被普遍看好的方向，还是偏消费品、toC、to家庭。“它最容易规模化，它跟车一样，有一个巨大的基数，每个家庭可能都要买一两个。这里面有可能出现新的苹果、三星，或者小米、OV。”

图源 / 萌友智能

但说到“情绪”，他一方面认为，情绪可能是一个非常非常大的价值。“纯功能性的消费，并不一定能赚到比情绪消费更多的钱。”谈恋爱、陪家人度假、养猫养狗，某种意义上全是情绪消费。

但另一方面，他认为情绪的不确定性极高。功能是可以锚定的，但情绪不好说，“同样的供应链，同样的设计水平，同样的销售渠道，泡泡玛特每年研发几百款IP，几年就是几千款，为什么只有拉布布、Molly、星星人火了，剩下的几千个品，到哪去了？”

所以他给不出标准答案，只能case by case：有人喜欢场景清晰、结构清晰、能算出来的市场，比如手机、礼物；有人喜欢风险更大、但市场也更大的，比如做服务；还有人专挑那种看起来难搞、琢磨不定、但一旦搞出来就无比巨大的市场，比如情绪价值。

07.大脑、小脑、触觉、本体：谁的价值最大？

场景各有各的账，但无论切哪个场景，都绕不开同一个问题：这条产业链上，大脑、小脑、本体，谁更值钱？

王晟：大脑毫无疑问价值最大，但不妨碍投全链条。

“今天所有的World Model都是大脑，小脑和操作部分会被定位成policy（策略模型，负责具体动作执行）。大家希望大脑做到通用，所以只有大脑能估出最大的价值，这毫无疑问。”他打了个类比，“就像基座模型之于所有应用，最大的永远是那个基座模型。”

但这不妨碍他投全链条。英诺的全链条布局是：大脑、小脑、运控三个层面的模型公司。用王晟的话说，就是系统2、系统1、系统0（大致对应大脑做规划、小脑做反应、运控做底层执行）；各种本体公司，比如云深处、加速进化、松延动力等；各种零部件公司，比如关节、灵巧手、触觉、视觉、滚柱丝杠等；以及各式各样的数据公司：遥操的、仿真的、动捕的、ego（第一人称视角）的、umi（手持式操作数据采集）的、触觉的、几何物理的。目的是让portfolio（投资组合，指英诺已投的各家公司）形成一个覆盖具身智能核心节点的网络：“大脑公司需要数据、需要本体，本体公司需要供应链、需要手、需要触觉、需要大脑的支持，大家互相支撑。”

史媛媛：80%的场景不需要触觉，但长尾里老有那么一点必须要。

“很多做大脑、做场景的老师都说，80%的场景不需要触觉，这是肯定的。但他们也都承认，最后的长尾里面，老有那么一点，必须要触觉。”她自己拿着触觉传感器在各种场景里试，包括各家的开源模型。她说自己越试越坚定，“是需要触觉的”。

图源 / 瞬恒智能

“机器人要真正用起来，尤其进家庭，要完成很多连续动作，这些连续动作由很多子动作组成，绝大多数不需要触觉，但其中就有某一点需要。比如倒水，手上就是要有力觉、有触觉，没有你就倒不了，或者一倒杯子就掉了。”

至于触觉为什么贵：“从原理上讲，它没有理由那么贵，可能是因为做的人太少。瞬恒也在努力把成本拉下来。”她也坦言问题的关键：“最后这个触觉的传感器，包括怎么采集，怎么表达、包括模型，怎么让它收敛，也是公司在探索的事情。”

肖海默：触觉不可或缺，千诀将持续聚焦机器人大脑。

作为“大脑派”，他的回答是：“触觉是让机器人完全代替人，一定绕不过去的一个环节，可能是下一代模型训练必须纳入的新感知维度。”目前千诀以视觉为主，原因是触觉的成熟度、成本都不够，触觉数据的采集也困难。

他给的类比很形象：“没有触觉，就像手在零下30度的环境里连续冻了一个小时，再回去做家务，很多精细活就做不好了。5到10年之后，机器人要大规模在家里叠衣服这类操作，触觉必不可少。”

“千诀选择专注于机器人大脑，保持平台的开放性，不进入本体制造。”肖海默说。基于这一战略定位，千诀将与芯片、传感器及本体厂商开展深度合作，推动软硬件协同优化，构建开放的具身智能产业生态。

何嘉斌：端侧小模型和记忆体自己做，底层大模型谁好用谁。

整机厂商的分工逻辑更实操。Ropet以感知和微反馈为主，端侧只部署多传感器和端侧小模型，做一件事：全天候、不间断地拿到主人在物理世界里的context。最极端的情况是断网，你带机器人出去玩，它也能记住你的一切。

为什么一定要放端侧？“行业内讲生命感的应激反馈，最理想的时间是400毫秒以内，无论云端语音模型还是端到端模型都比较难做到，所以应激反应的部分一定要放端侧。”

目前端侧做了视觉、听觉、触觉、重力四个部分，未来还可能上嗅觉，模拟宠物完整的多维度感知。这么做还有一个很实际的好处：省token，不需要随时调用大模型。在何嘉斌的定义里，这个机器人“是以宠物视角记录主人生活的、一台非常智能的多模态摄像头”：主人一天七八个小时的陪伴里，情绪怎么变化、做过哪些“高能行为”，端侧小模型都会记下来。

这些记录先在本地处理：每个机器人每天产生10到20兆数据包，本地模型把原始视频、音频“消化”成不含生物信息的文本再传上云。这也顺手解决了隐私问题，“我们会告诉用户，这不是一个监控摄像头。端侧模型的价值之一，就是保护用户隐私。”

再往上，记忆体也是自己做的。服务器把端侧数据“翻译”成机器大脑能长期理解的context文本。底层大模型开放采购：“哪家便宜、哪家稳定、哪家内容质量好，我们就用哪家，但中间会插上我们的记忆内容。”有了记忆，大模型还能生成“记忆衍生品”，比如宠物视角的日记、连环画。他把分工总结得很清楚：“端侧模型自己做，云端记忆自己做，推理和决策交给大模型厂商。”

商业模式上，主机加配件的毛利不错，长期记忆、多模态识别、主动互动、部分语言能力会逐步以充值形式开放。“我们做的是一套养成游戏系统，有自己的货币、道具、荣誉体系。玩游戏的用户非常能理解花钱的地方，我们认为这比订阅制更容易让用户产生消费行为。

08.泡沫什么时候破？什么样的公司能留下来？

分工的账算清了，所有人还好奇一个问题：这轮热潮里，多少是啤酒，多少是泡沫？

王晟此前一直提醒行业要警惕“虚火”，年初还判断2026年下半年可能出现转折点。现在就是下半年了，拐点到了吗？会以什么形式出现，公司估值回调，还是某些链条上的公司出局？

王晟给了判断标准。

“如果一定要说拐点——大家开始靠落地来评估具身智能公司的价值——特别明确的时间点不好给。但我还是延续我的看法：到了明年，大家会看落地的能力。不一定是收入，而是你展示了长程任务落地的能力、相对还不错的效率，而不是拍剪辑。”

他还给了一个更确定的信号：WorldModel的早期投资窗口，基本关闭了。“头部VC大多已经投了几个World Model项目。再出来用World Model融资，已经非常非常困难。”

接下来，这批项目——“几十家算比较醒目的，融了上亿、几个亿，多的可能十几亿、几十亿”，会进入投资的收敛期，钱越来越向头部集中。“关键是你怎么证明你是头部，也许是一个更好的demo，也许是实际落地的实力，也许是科研范式上真的产生了大的突破。VC看漂亮的demo、豪华的团队、讲叙事大把撒钱的阶段，已经过去了。

图源 / pexels