留给具身智能的时间不多了

发布会上的高光动作，换不来客户的复购工单

具身智能赛道正在经历一场残酷的标尺切换。过去几年，一个抓取动作、一段行走视频、一次避障演示，就能撑起一轮融资；如今，这些“单点场景下的里程碑”正在失去说服力。产业端、科研端和投资方开始被迫达成共识：实验室里的一次成功，不等于工程化可行；发布会上的高光动作，不能直接换算成商业化价值。

真正的评价指标正在落到一连串冰冷而现实的数字上：连续作业时长、故障复现率、环境泛化能力、单位运维成本。大量团队在埋头调参、打磨demo数月甚至数年后，走出发布会才发现，自己的方案昂贵、故障率高、客户难买单。一边是制造业急需低成本、高可靠的智能装备，硬核机器人人才严重短缺；一边是大量人形项目融资耗尽、产品落地困难、商业化窗口正在收窄。留给具身智能转型的时间，确实已经不多。

演示式叙事正在扼杀工程师的质疑精神

比起内卷和脱节，更致命的内伤是：当下的具身智能叙事，本质是一场演示式技术竞赛。它不鼓励质疑既定路线，只要求服从；不包容慢迭代，只追求亮眼成果；不推崇稳健工程，只推崇炫酷视频。工程师对成本的思考、对长期可靠性的打磨，在日复一日的demo冲刺中被彻底磨平。

行业调研数据已经摆得很清楚：超长周期研发、无效demo迭代、展厅样机泛滥成灾，已然成为常态化现象。实验室产品化、样机商业化、人形科幻化——层层超前、步步加压。一个普通具身项目，从立项开始，数年研发周期被调参、改演示、打磨宣传片填满。没有深耕产业场景的时间，没有打磨稳定工程化方案的机会，没有长期迭代可靠性的空间，甚至没有充足的算力和预算去做海量真实场景数据采集。

这套体系最残酷之处在于：它不孵化产品，却已经成为项目的“称重机”——只负责筛选故事，不负责成全落地。

资本需要放弃幻想，别再把demo当估值

具身智能不是纯软件AI，它绑定精密硬件、供应链、现场运维，天然是长周期、重投入的赛道。但大量资本仍抱着短周期爆发式回报的幻想，把钱撒向只做demo、没有客户的团队。产业要走出泡沫，第一步就是主动拆穿叙事滤镜，把评价标准从“演示效果”切换到“稳定可用”。

融资的标尺，也必须从模型参数、视频效果，转向客户复购、工单数据、降本验证。资本应当倾斜给可落地的垂直场景，优先在工厂、仓储、巡检这类边界清晰、需求明确的场景打磨闭环，用真实业务现金流反哺技术，而不是持续供养PPT赛道里的优胜者。行业需要建立分层落地的节奏，拒绝一步到位追求通用人形机器人——先做专用具身设备，把单一任务做稳、做便宜，积累海量真实世界交互数据，再循序渐进提升通用能力。

真实数据成为新战场，普通人和小店都成了采集员

值得注意的新动向是：为了突破数据短缺的壁垒，具身智能公司正在把数据采集从实验室搬进日常生活。上海已经出现“众包模式”——普通人戴上轻量化采集终端，在家里做家务、做辅食、洗衣服，一举一动都被记录为具身操作数据。一位市民表示，自己每天做六到八个小时的家务，所有任务都成为训练素材。

与此同时，商汤等公司开始在线下投用机器人小店，每个门店营业十小时左右，一天积累数百小时门店数据、上千个订单及交互数据。这些真实场景数据被用来加速模型训练，从而让机器人不仅能看清人、看清商品，还能完成交互、拿取、补货等执行操作。越来越多的公司意识到：模型要突破实用壁垒，必须依赖海量真实数据，而垂直化数据生产正在成为下一个万亿市场的入场券。

从“能做”走向“做得有价值”，只剩一两年的窗口

具身智能的评价标尺，正在从“考核能完成多少预设动作”转向“考核如何在未知环境持续创造价值”。新一代具身基座模型已在训练数据规模扩展实验中展现出潜力：20类技能100个任务上的Zero-Shot平均成功率由13.4%提升至56.4%；模型规模扩展实验中，成功率进一步从56.2%提升至73.2%。但技术指标的进步，并不能掩盖产业化的紧迫。

多位从业者给出的商业化时间表高度一致：大规模商业化可能仍需两到三年，但至少要在明年实现商业场景的大规模部署。具体到家庭场景，一些玩家计划先卖出叠衣服等单一功能，逐步拓展；硬件成本也必须降到普通家庭可承受的水平。这个时间线“大概一到两年”。无论是软件侧“大脑”的进化，还是硬件侧成本的压缩，抑或数据侧真实场景的争夺——所有动作都在指向同一个事实：具身智能必须尽快从“能做”走向“做得有价值”。窗口期不会太长，谁先跑通真实闭环，谁才能活到下一个阶段。