“落地”是否在被具身智能企业滥用？
你最近有没有这种感觉：具身智能行业每隔几天就有新消息，又有公司融了几亿、又有公司进了工厂、某个机器人又上了某某节目，热闹非凡。
但真正在这个行业里做事情的人，心里其实在打鼓：Demo越来越多，融资越来越容易，真正跑通的商业模式越来越远。
这不是偶然。这是一种系统性的认知偏差，而且是有能力的公司才会犯的那种。那么为什么行业里最聪明的公司，依然在重复最基础的错误？
这些问题，在行业里很少有人愿意公开讲。它们指向一个核心判断：具身智能行业正在集体踩坑，踩的是三个理所当然的幻觉。
PART 01
三个幻觉是什么？
幻觉一：硬件做好了，渠道自然就通了。这个逻辑在汽车行业成立。好的汽车，用户本来就需要。卖出去，持续使用，渠道就建立起来了。
但具身智能不一样。一台没有智能能力的机器人，放在家庭里，大概率的命运是，新鲜两周，然后放在角落里积灰。用户不会因为它是一台机器人就持续打开它。这和AR/VR眼镜没什么区别，卖出去，不等于它成为了一个高频、稳定、可增长的分发渠道。
更直接的问题是，卖出去，也不等于它真的在创造价值。如果一台具身智能设备买回来，每天都在调试，三周才能用上，这个产品本质上还没有Ready。
而当前很多具身智能公司的硬件，在真实场景里的稳定性远没有达到这个标准。
幻觉二：把大模型塞进去，问题就解决了。行业里有一个流行的叙事，只要把Foundation Model做足够大、把预训练数据做到足够多，具身智能就能自然突破。
这个叙事有两个问题。第一，大模型的能力是怎么来的？很多人以为靠的是预训练。但实际上，这几年大语言模型的能力飞跃，来自预训练和后训练之间的循环迭代，而不是把预训练做到底自然产生的。一个真正好用的coding model，是在专有数据上后训练出来的；通用模型在这个具体任务上，永远打不过专用模型。
具身智能领域，现在几乎所有人都在讲预训练。讲后训练的人，少之又少。原因很简单,后训练需要真实场景里的持续数据回流，这比在实验室里跑数据难一百倍。
第二，具身智能不是纯软件。它的增长瓶颈不只来自模型能力，也来自物理本体的可靠性、场景适配的工程能力、以及整个部署渠道的建设。这些是模型公司解决不了的问题。
幻觉三：进了场景，就等于建立了飞轮。具身智能行业目前最喜欢说的一个词是飞轮——进场景、采数据、优化模型、再进更多场景。听起来完美。
但这个飞轮有一个前提，那就是机器人必须在真实场景里持续产生价值。否则，飞轮根本转不起来。
真实的情况是什么？很多公司确实进了工厂、进了一些场景。但背后的真实数据是，有些合作只维持了几个月，就因为达不到ROI要求被客户请了出去。行业里有一个心照不宣的秘密：有些出货量，是靠PR效应换来的，不是靠产品真正创造了价值。
真正可持续的飞轮，需要的是一整套部署能力和基础设施，场景评估、任务边界定义、数据采集与回流、现场调试、远程诊断、持续更新、可靠性维护。这个链条上的每一个环节，都需要大量工程能力的积累，不是几个炫酷的demo能解决的。
PART 02
一个被回避的问题：什么才叫落地？
回到开篇的问题，行业里对落地这个词的使用已经极度随意。只要进了场景、产生了收入、有人在用，都可以声称自己落地了。
但如果仔细追问：每天都在用吗？ROI能算过来吗？客户明年还愿意续约吗？大多数回答就没那么确定了。
一家具身智能公司的创始人说了一句很直接的话：任何demo，如果不能在真实场景里被看到每天持续给客户创造实际价值，我们都不认为它是真正落地。
这话听着有点绝对。但细想一下，确实击中了行业的软肋。一次性收入不是商业模式。如果卖一台设备，赚的是新鲜感的钱，那这笔收入和炒股赚的没什么区别，而且过程累得多。
很多公司选择进工厂，作为一个更容易标准化的方向。逻辑是对的。但难度被低估了。
为什么工业场景比想象中难十倍？工业制造对可靠性、稳定性和速度的要求，是极致严苛的。具身智能和传统工业机械臂最大的区别，应该是有大脑，能做需要判断力的工作，而不是完全固定流程的操作。但问题是：这些需要判断力的工作，往往同时对效率有极高要求。而当前的具身智能，在泛化能力和执行速度之间，还没有找到平衡点。
剩下的那批需要人的工作，恰恰是工业里最难自动化的部分。它们需要判断力，同时对效率要求极高，而且每一个工厂的SOP都不一样。这种复杂程度，不是塞一个大模型进去就能解决的。
所以那些进了工厂、成百上千台出货的数字，需要认真追问，这些机器人，每天真正在干活的时间有多长？它们是客户离不开的生产工具，还是客户愿意保留的试验品？
PART 03
Scaling Law在具身智能为什么不成立
大模型有一个被反复验证的Scaling Law：数据越多、模型越大，能力越强。
这个定律成立，有一个关键前提：预训练和后训练，共享一个相对统一的衡量指标，比如text perplexity。
具身智能没有这个前提。下游任务对速度、成品质量、可靠性都有明确要求，但这些指标在今天的数据集里几乎没有统一的衡量标准。没有统一的度量衡，数据越多越好就是一个无法验证的命题。
这也是为什么行业里用数据这个buzzword忽悠了很多人。大家觉得不管什么数据，只要采集了就有用。但真正做过模型的人知道：Off-purpose data的清洗和适配成本，往往大于它带来的优势。玩具和陪伴场景采集的数据，和真正干活场景需要的数据，是完全不同的两件事。
具身智能行业现在最赚钱的公司是哪类？不是你想的那批人，不是那些Demo最炫酷的，也不是那些融了最多钱的。
是卖铲子的。硬件供应商、数据采集服务商、算力提供商。在任何新兴行业早期，最先赚走钱的往往就是这些基础设施供应商。因为行业高度不确定，很多人买东西不是基于product，而是基于delivery：只要交付了，就给钱。
这个现象本身不一定是坏事。但它说明了一个问题，行业还没有形成对product的真正要求。大家都在买交付，没有人在买价值。
而那些真正在做具身智能整机的公司，花了大价钱买铲子，寄希望于有一天自己的产品能真正创造价值。但铲子公司不会告诉行业：这个铲子用起来到底好不好，能不能真的解决问题。
PART 04
写在最后：少一些叙事，多一些真问题
具身智能行业正在经历一个危险的时刻。因为融入了人形机器人等更多前沿概念，资本在追捧，估值在飙涨，但真正跑通的商业闭环少之又少。
泡沫不是问题本身。泡沫是预期和现实之间的差距。差距大到一定程度，资本会重新定价，行业会出清。
但出清之后，真正留下来的，一定是那些在真实场景里持续创造价值的公司。它们可能没有炫酷的Demo，没有动辄百亿的估值，但它们的客户离不开它们。
这才是具身智能公司应该追求的方向。不是市值，是不可替代性。
行业需要更多愿意说真话的公司。具身智能行业能有多少参考价值，取决于有多少人愿意认真对待里面的问题，而不是急着吹捧与反驳。
如果你读完这篇文章，想的是这些我都知道了，那我建议你去问自己一个问题：你真正进场景的那些项目，有多少是客户主动续约的？如果找到，那你就能活下来。
