吴思扬1. 具身智能行业的现状与挑战
最近和九合创投创始人王啸聊了聊具身智能这个赛道，他直言不讳地指出："目前市场上90%的具身智能公司都没有未来，最终能活下来的可能只有三五家。"这句话在业内引起了不小的震动。作为一个长期关注机器人技术和人工智能交叉领域的从业者，我深有同感。
具身智能（Embodied AI）这个概念最早可以追溯到20世纪90年代，但真正开始受到广泛关注是在2015年后。简单来说，具身智能就是让AI拥有物理身体，能够在真实世界中感知、决策和行动。这和我们熟悉的纯软件AI（比如ChatGPT）有本质区别——具身智能需要处理物理世界的复杂性和不确定性。
1.1 为什么大多数公司难以存活
王啸的判断基于几个关键观察：
- 技术门槛极高：具身智能需要整合机器人学、计算机视觉、自然语言处理、运动控制等多个领域的前沿技术
- 研发周期长：从实验室原型到商业化产品往往需要5-8年时间
- 资金需求大：硬件研发、生产制造、场景落地都需要持续大量投入
- 场景选择关键：选错应用场景可能导致产品永远无法商业化
我见过太多团队在技术路线选择上犯下致命错误。比如有团队想一次性解决通用家庭服务机器人，结果产品既不能打扫卫生也不能照顾老人，最终沦为昂贵的玩具。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 具身智能的核心技术栈
2.1 感知系统的技术难点
具身智能的感知系统远比手机或安防摄像头复杂。一个典型的具身智能感知系统需要：
- 多模态传感器融合（视觉、激光雷达、毫米波雷达等）
- 实时SLAM（同步定位与建图）
- 动态物体识别与跟踪
- 物理环境理解（材质、摩擦力、承重等）
提示：目前最先进的具身智能系统处理100平米环境的3D建图需要约200ms，这对算法和算力都是巨大挑战。
2.2 决策与控制的特殊要求
与纯软件AI不同，具身智能的决策必须考虑：
- 物理约束（机械臂工作空间、关节力矩限制等）
- 动作安全性（避免碰撞、保证稳定性）
- 能量效率（移动机器人的续航问题）
- 实时性要求（延迟超过100ms就可能引发事故）
我们团队在开发服务机器人时，就曾因为没处理好这些约束，导致机械臂在演示时打翻了水杯——这种小事故在实验室可以接受，但在商业场景就是致命伤。
3. 具身智能的商业化路径
3.1 可能存活的几类公司
根据我的观察，以下几类具身智能公司最有可能成为那"三五家"：
- 工业场景专家：专注特定工业场景（如汽车制造、电子装配）的具身智能解决方案
- 核心部件供应商：提供关键传感器、执行器或控制算法的公司
- 平台型玩家：拥有强大AI能力和资金支持的科技巨头
- 垂直场景深耕者：在医疗、农业等特定领域有深厚积累的团队
3.2 典型商业化案例
以仓储物流为例，成功的具身智能应用通常具备以下特征：
- 明确的价值主张（如"降低人工拣选成本30%"）
- 可量化的ROI（投资回报周期在18个月以内）
- 渐进式部署能力（可以先从单个工作站试点）
- 可靠的故障处理机制（出现问题时能安全停机）
我们曾帮助一家电商仓库部署拣选机器人，关键突破点是开发了专门针对纸箱和塑料袋的抓取算法，将抓取成功率从85%提升到98%——这种针对特定场景的优化才是商业化的关键。
4. 创业者的生存策略
4.1 技术路线的选择建议
对于想要进入这个领域的创业者，我的建议是：
- 避免"大而全"的通用机器人路线
- 聚焦特定场景的"小问题"（如医院里的输液配送）
- 采用模块化设计，便于后期扩展
- 建立独特的数据壁垒（如特定场景的抓取数据集）
4.2 资金与人才管理
具身智能创业需要特别注意：
- 保持至少24个月的现金流
- 技术团队要有硬件和软件的复合背景
- 早期就要考虑供应链和量产问题
- 建立严格的里程碑管理（每6个月必须达成一个关键目标）
我们团队在A轮融资后就设立了硬性规定：任何新功能开发前必须先做成本核算，确保单台机器人的BOM成本不超过目标价格的30%。这种纪律性让我们避开了很多"技术很酷但商业上不可行"的陷阱。
5. 具身智能的未来展望
虽然王啸的观点听起来很残酷，但我认为这对行业健康发展其实是好事。经过这轮洗牌，真正有技术实力和商业头脑的团队会脱颖而出。具身智能最终可能会像自动驾驶一样，形成"头部几家吃肉，其他喝汤"的格局。
那些能够活下来的公司，大概率都做到了以下几点：
- 选对了细分场景（市场规模足够但不过度竞争）
- 建立了技术壁垒（有专利保护的独特解决方案）
- 找到了可持续的商业模式（不只是靠政府补贴）
- 组建了互补的团队（懂AI也懂机器人）
在这个领域摸爬滚打多年，我最大的体会是：具身智能不是比谁的技术更炫酷，而是比谁能用技术真正解决实际问题。那些整天谈论通用人工智能却连一个简单的抓取任务都做不好的团队，注定会被市场淘汰。