具身智能路线之争：先进工厂变现还是直奔AGI

背景

过去两年，中国具身智能（Embodied AI）行业存在一个广泛共识：人形机器人应优先从“先进工厂”场景切入。这一路线的逻辑基础在于工厂环境具备明确的任务定义、可计算的投入产出比（ROI），以及最容易被验证的商业价值。对于尚处于早期阶段的新兴产业而言，进入工厂被视为一条稳健且近乎必选的生存路径。

然而，近期这一共识开始出现松动。随着行业深入发展，越来越多的从业者开始质疑：工厂是否真的是性价比最高的起点？中国人形机器人行业内部的分歧逐渐显现，形成了两条截然不同的技术与发展路线之争。

核心内容

文章深入剖析了具身智能行业的两种核心路线分歧，并以新创公司“破壳机器人”创始人许华哲的观点为例，探讨了机器人发展的终极目标。

1. 两条路线的对立

• 路线一：先商业验证，后通用智能（工厂/物流路线） 主张机器人先从先进工厂、先进物流及特定商业场景入手。其核心逻辑是借用自动驾驶的成熟路径：先解决一段路，再解决一座城。通过封闭或半封闭环境中的重复任务（如上下料、包裹分拣），获取数据并形成闭环，逐步扩展任务范围。智元的精灵G2在龙旗工厂的应用、星动纪元M7进入顺丰和邮政的分拣场景，均是此路线的代表。该路线强调“能干活”，旨在通过确定性生意让公司先活下来。

• 路线二：面向物理世界通用智能（家庭/AGI路线） 认为机器人的最终目标是Physical AGI（物理通用人工智能），因此应从一开始就围绕数据、模型和泛化能力构建体系。该路线主张直接进入开放、混乱但数据价值极高的家庭场景。虽然面临商业化挑战（如用户对价格敏感、订阅模式探索），但家庭环境提供了工厂无法比拟的多样性数据。例如，自变量和海外的1X正在探索家庭清洁服务。此路线认为，家庭不仅是生活空间，更是训练机器人空间理解、物体识别、任务规划及人类习惯适应的高价值训练场。

2. 核心争议点：执行 vs. 理解

文章指出，工厂路线容易产生一种幻觉，即把“能干活”误认为“有智能”。在工厂中，机器人只需将特定动作练熟；但在通用智能的视角下，关键在于机器人能否将技能自然迁移到新场景，能否从一百件事中领悟出一千件事。

许华哲提出的观点极具代表性：

• 数据归属： 卖数据等于把弹药卖给竞争对手。
• 评估指标： 无脑量产的同时应关注机器人日活（DAU），而非单纯出货量。
• 智能本质： 机器人跳舞与智能无关，真正的智能体现在对物理世界的理解和泛化能力上。

3. 技术逻辑的转变

• 数据飞轮： 工厂提供重复、标准化的执行数据；家庭提供多样、非结构化的理解数据。后者更接近大模型通过Scaling Law获得泛化能力的逻辑。
• 技术栈升级： 视频数据提供低成本、大规模的人类行为样本；强化学习让机器人从单纯模仿转向在反馈中持续优化。
• 胜负手变化： 传统机器人公司的胜负手在于供应链、成本和交付；而面向AGI的机器人公司，胜负手在于数据、模型、算力、算法和长期学习能力。

4. 破壳机器人的时间表与策略

破壳机器人采取了激进的家庭/AGI路线。其计划在今年9月推出第一代机器人，成立一年时发布震撼Demo，2028年实现内测并小规模商业化。这一节奏表明，该路线必须在商业结果出现前，通过技术Demo证明其方向的正确性，以建立外界信心。

关键要点

• 行业共识松动： 人形机器人“先进工厂优先”的共识正在瓦解，行业出现路线分歧。
• 工厂路线的优势与局限：
  • 优势：ROI清晰，商业闭环快，适合生存。
  • 局限：环境封闭，数据重复，易陷入“能干活不等于有智能”的误区，难以训练泛化能力。
• 家庭/AGI路线的挑战与价值：
  • 挑战：商业化难度大，用户付费意愿待验证，技术验证周期长，缺乏阶段性成果证明。
  • 价值：环境开放且丰富，提供高多样性数据，是训练机器人理解物理世界、实现泛化能力的最佳场景。
• 通用智能的核心差异： 专用机器人解决单一任务，通用机器人学习整个世界。家庭场景中的连续任务（如开冰箱、放物品）涉及复杂的空间理解和习惯适应，是工厂场景无法提供的。
• 未来竞争的关键： 决定未来的不是谁先卖出万台机器人，而是谁先证明机器人能像大模型一样理解和学习物理世界。
• 长期主义视角： 如果只擅长制造“铁疙瘩”而缺乏通用智能大脑，中国具身智能行业可能赢得制造能力，但会失去定义下一代机器人的机会。

意义与影响

这场路线之争标志着具身智能行业从“工程化落地”向“智能化跃迁”的关键转折。

首先，它重新定义了机器人公司的核心竞争力。传统制造业思维下的供应链和成本控制，正在让位于AI思维下的数据飞轮、模型迭代和算法能力。谁能更早建立物理世界的数据闭环，谁就能在下一代竞争中占据高地。

其次，家庭场景的战略地位被重新评估。尽管短期商业化困难，但家庭被视为通向Physical AGI的必经之路。它不仅是消费级市场，更是训练机器人通用能力的“圣杯”。这种认知转变将引导资本和技术资源向数据积累和基础模型研发倾斜。

最后，文章警示了行业发展的潜在陷阱。如果中国具身智能行业仅满足于在工厂中替代重复劳动，而忽视了通用智能大脑的研发，那么最终可能沦为全球机器人产业链中的“代工厂”，丧失在下一代智能终端定义权上的话语权。因此，承认分歧、平衡“生存”与“未来”，成为行业参与者必须面对的课题。未来的赢家，大概率是那些既懂工厂交付，又懂模型泛化的混合型公司。