具身智能硬件不能“论斤卖”

作者：彭堃方

编辑：吕鑫燚

出品：具身研习社

具身智能对硬件的耐心，似乎正在被提前耗尽。

机器人还没大规模走进现实生活，关于它未来只能挣制造业辛苦钱的判断，已经先一步成了某种常识。身体会越来越便宜，智能会越来越值钱，于是，谁造身体，谁就得不断解释自己为什么值得被投资。

摩根大通近期对机器人板块的评级调整，又把这套逻辑推到了台前。公开报道显示，该行将优必选由增持下调至中性，首次覆盖宇树科技则给予减持评级。但目前看，10 月19 日午后，宇树科技大涨近 17%，市值重回 2000 亿元。

沿着“硬件不值钱”这类不断被强化的判断，值得产业认真反问，整机厂的价值，是否已经被过早地压缩成了一张物料清单？

这几年，本体厂商经常面对一套不断抬高的证明标准。机器人不够聪明，被称为铁疙瘩；卖进科研、教育和展览，又被质疑需求不够真实；开始向生产场景探索，问题转向成本和回本周期。每个问题单独看都有道理，叠在一起，却变成一种“奇怪的要求”：硬件必须立刻兑现通用智能的终局，才有资格解释今天的价值。

我们当然需要审视订单和财报，也需要给过热的预期降温。但硬件价格会下降、部分整机厂会被淘汰，与硬件能力终将不值钱的定论，中间还隔着一整段充满不确定性的产业演化。不能把这段过程省略，再将结论提前发给所有造机器人的公司。

具身智能常被放在手机与汽车之间想象，拥有接近手机的数量，又承载接近汽车的单机价值。市场空间可以这样展开，到了评价产品的时候，我们却很少把手机和汽车的经验一并带过来。

先把问题问得直白一点，暂时拿掉这一轮更强的 AI 功能，iPhone 的购买理由会消失吗？显然不会。消费者仍然会为影像、屏幕、续航、做工，以及软硬件共同塑造的使用体验付钱。

豪华车缺少领先的智驾，舒适性、安全、底盘和品牌就失去意义了吗？即使不购买 FSD，特斯拉的整车体验，也仍然可以构成购买理由。AI 影响竞争力，却没有包办产品的全部价值。

诚然，手机和汽车已经拥有成熟用途，人形机器人仍在寻找更大范围的刚需。这一差别必须承认，不能拿苹果的溢价直接替机器人估值背书。况且，iPhone 的价值也包含操作系统和生态，汽车同样离不开控制软件。两者给具身智能的启发，在于应该评价完整产品满足了什么需求，而非抽出一个最新、最受追捧的技术标签，决定其余能力是否还值得付费

沿着这个标准，科研机器人首先是一种研发工具。研究者购买它，为的是缩短自己搭建平台的时间，获得可重复实验的基础，以及持续的软件接口和维修支持。展演机器人出售的是内容与服务，教育机器人提供的是教学和开发条件。它们的市场天花板、复购逻辑和利润空间各不相同，需要分别计算，却不能因为暂时没有替代工厂工人，就被统一归入假需求。

订单真实性与市场规模，是两道题。有没有真实客户、是否交付验收、能否回款，决定交易是否成立；客户使用频率、持续采购意愿和获客成本，决定生意能做多大。把展演收入包装成工业生产力，当然应该质疑；把所有非工业收入一笔勾销，也会遮住一家企业已经兑现的能力。早期市场的确有限，有限的市场仍然有真实的收入。

更容易被忽略的是，机器人本体本来就很难被切成“铁疙瘩”和“大脑”两半。

让关节按要求输出力量，让机器在受到扰动后稳住身体，让传感器、执行器与控制系统持续配合，都需要软硬件共同工作。把一台已能稳定运动、支持开发的机器人叫作“没有智能的硬件”，已经在概念上删去了相当一部分技术积累。

所谓“最终论斤称”，还暗含了一个更强的假设：各家的性能、可靠性、交付和服务，迟早会变得差不多，客户换谁都一样。这个假设需要证据。零部件能够买齐，与数百台产品拥有一致的表现，之间隔着装配公差、标定、热管理、疲劳寿命和售后经验。样机能做出的动作，批量交付后能否低故障地重复完成，往往比演示视频难回答得多。

理性的看，只有当这些积累让客户少停机、少调试、少维护，并且竞争者难以在相同成本下复制时，才会形成可持续的商业价值。硬件厂需要证明这一点，但证明的题目应该是客户付费的原因，不能一开始就写好“制造业没有壁垒”的答案。

对机器人的质疑，最终总会落到经济性上。这很合理，只是成本讨论有时又走向另一种简化，等模型更聪明，硬件开始铺量投放后自然会便宜。这种“等待”，恰恰跳过了最需要有人投入的部分。

Anthropic 在 9 月 30 日发布的《What work can robots do？》中，沿用机器人价格历史上每年约下降 3%的速度作情景推演，得到约 40 年后机器人可在占美国总工作时间约 10%的任务上具备成本竞争力的结果。它讨论的是任务经济性，涵盖广义机器人，并且也明确承认，新能力和制造工艺可能加快降本速度。

所以，与其只讨论机器人真的短时间内没法降本？我们更应该看这些更低的成本究竟由谁创造。关节能不能在满足寿命要求的前提下重新设计，线束和连接件能不能减少，装配与标定能不能简化，同样的算力和电量能不能支撑更长时间工作，这些都需要具体的硬件厂商做大量工程投入。把降价当作未来一定发生的事，再把推动降价的人视为低价值环节，逻辑上很难自洽

半年前，关于整机成本下降的事儿还在频繁讨论。那时候整机业内的声音是两类：一是必须建立产线，迎接所谓的大规模量产。二是不敢轻易投入巨额资金扩建一条自动化产线，只能把钱花在刀刃上，比如研发模型。

因此，整机厂补齐 AI 能力，是一条或自然而然或为情所迫的发展路径。

从年中宇树披露的募投规划中，约 42.02 亿元项目资金里，约 20.22 亿元用于智能机器人模型研发，占比约 48.1%。与此同时，约 11.10 亿元用于本体研发，约 6.24 亿元用于制造基地建设；到 9 月初，松延动力推出具身智能技术子品牌 Scalabot，并发布首个世界模型；再到 10 月初，波士顿动力宣布任命 Rohit Prasad 为 CEO。他此前在亚马逊推动 Alexa 及 Nova 模型发展，履历同时覆盖 AI 研发和规模化产品。

这些动作有共同的技术诉求：让已有的机电与制造能力跳出“硬件论斤称”进而承担更多任务，扩大产品能服务的市场。从估值与叙事看，也可以读出一层压力，整机企业需要让外界相信，自己有能力参与智能升级及后续价值分配。

尤其是宇树的资金安排，模型、本体与制造投入同时存在，更接近一项完整产品的建设。模型能力提升后，本体则可从事更多新作业；硬件改进后，模型又可能获得更稳定的观测与执行条件。双方的投入存在相互增益。我们没有理由预先把未来增量全部记在模型一侧。

而且从近期动作来看，大模型翘楚 OpenAI 也通过自身的行动回应了硬件公允的价值。据了解，目前 OpenAI 也在持续补充硬件研发与制造人才。其官网公布的机器人岗位，已涵盖电气工程、电机机械设计与原型开发、电机及执行器制造等方向。

当然，我们并不想误导，也不能因此要求所有本体公司都去训练通用大模型。自研、合作、采购，可以有不同组合。厂商必须掌握的是产品定义、系统整合和交付责任，知道自己的机器人为何能做好某项工作，又在哪些条件下会失败。至于每一层技术都由谁研发，应该由能力、成本和客户需求决定。为了摆脱“硬件公司”标签，额外复制一套昂贵且无法验证的模型体系，同样可能损害价值。

硬件公司的处境，还有一个容易被忽视的来源：它们太容易被算清了。

有收入，就能算增速；有交付，就能查回款；有工厂，就会出现折旧、库存和产能利用率。每向现实走一步，都会多暴露一些可以被追问的问题。相比之下，尚未兑现的技术路线往往拥有更宽阔的解释空间，讨论可以一直延伸到通用智能和万亿市场。

前沿研发当然值得为未来融资。但公平的评价应该允许两边同时接受检验。硬件收入要回答质量与持续性，模型预期也要回答能力进步、部署成本和付费意愿。已经做出业务的公司，不能只被拿今天的利润衡量；仍在研发的公司，也不能因为没有足够的经营数据，反而获得更少的约束。否则，越早经营，越早失去想象空间；越晚交卷，越容易保留全部可能性。

这种评价方式还可能反过来改变企业行为。既然制造投入短期增加成本，早期交付又容易被嫌弃场景不够高级，那么延后投入、保留现金、等待智能突破，就会显得更有吸引力。这是一种值得警惕的激励。但可以确定的是，等待不会自动提高良率，产线、工艺和供应商也不会在模型突破的当天突然成熟。

恶性循环于是可能形成，缺少部署，难以积累故障与工艺反馈；缺少稳定订单，供应链难以持续投入；制造成本降不下来，又继续压制部署。到了最后，行业一边把成本视为落地障碍，一边又不愿给解决成本问题的投入足够时间。所谓“等智能涌现”，很容易把产业必须走完的路，误当成可以暂停的支线。

总而言之，要重新算硬件的价值，可以先从三层看。

第一层是已经发生的生意：真实交付、回款、复购，以及扣除安装和售后成本后还能留下多少利润。科研、展演、工业各按自己的需求判断，既不把小市场吹成大市场，也不把小市场当作不存在。收入应当成为观察企业能力的窗口，而非压低其未来价值的原罪

第二层是随着交付积累下来的能力：同样的任务，部署时间有没有缩短，故障和人工介入有没有减少，单位有效作业成本有没有下降。这些指标能区分持续进步的产品公司与单纯放量的组装业务。量产价值也应该如此，卖得更多之后，是否更会制造、更懂客户，而非只换来更多库存和应收账款。

第三层才是未来扩张的可能：已有产品能否通过升级进入更多场景，客户和开发者是否持续围绕它投入，现场经验能否转化为下一代产品优势。这里必须强调，业内一直关注的真机回流数据需认真研判。售出的机器不等于拥有使用数据，拥有数据不等于能够训练，必须具备合法授权、持续回流与可验证的改进效果，才有资格讨论由部署带来的长期价值。

摩根大通的研报可以是一把拿来就用的尺子，产业却不必照着一张评级表理解自己的未来。

对价格、订单和盈利的提醒，该听；由此延伸出的“身体终将廉价、价值只归大脑”，还远没有成为事实。模型要证明自己能把工作做好，硬件也应该有机会证明，自己能让这件事持续、可靠、经济地发生。

具身智能的价值要在现实世界里兑现。让机器少坏一次，让部署少等一周，让同样的预算多完成一批任务，这些进步没有那么适合讲宏大的故事，却决定故事能走多远。一个以进入物理世界为目标的产业，应该学会给这些能力定价。