别被 Demo 迷惑：具身智能赚钱与真正通用是两件事

科技论坛上的机器人演示已屡见不鲜：煮关东煮、端水杯、整理桌面，动作行云流水。

这极易催生一个主流判断——只要持续堆叠大模型能力，就能复制大语言模型的成功，边演示边赚钱，商业落地水到渠成。

但反常的现实摆在眼前：同样 50% 的任务成功率，大模型尚可使用，物理机器人却几乎无法交付。这不是优化细节的问题，而是数字世界与物理世界底层逻辑之间的鸿沟。

在 2026 Inclusion・外滩大会，破壳机器人创始人、清华交叉信息研究院助理教授许华哲，把当下具身智能拆成两条截然不同的商业化路线，并明确选边：后训练路线能带来短期现金流，却并非本轮浪潮的真正终点。

第一条是后训练路线，也是眼下多数项目跑通收入的路径。团队与工厂、品牌深度绑定，锁定单一固定场景做闭环适配，例如关东煮机器人可完整完成摊位上全套煮制操作。其考核指标是部署投入多少工时、方案能复制到多少点位，最终落到投资回报率 ROI 上。

优势很实在：场景边界锁死、环境与流程可控，经定向微调后局部成功率可接近 100%，直接产生现金流。代价是每拓展一个新场景都要重新投入大量调试工时，泛化能力有限。它做的是一批批「定制项目」，而非通用机器大脑。

第二条路线是本轮具身智能全新的标尺：走向大模型化，追求接近大语言模型的通用能力。这属于「节约式商业化」，短期几乎无法产生正向经济回报。

一组对比数据极具反差：大语言模型即便只有 50% 成功率，靠多轮纠错、二次修改，用户仍能拿到可用结果；可机器人若通用任务成功率是 50%，就意味着每两次执行就有一次打碎杯子、碰翻物料，实体世界不存在撤回与重新生成，用户会直接判定设备不可用。这正是具身智能体验远落后于大语言模型的原因。

必须厘清一个关键误区：许华哲口中的 50%，不是单一封闭场景，而是面向万物、面向全部物理世界开放任务的成功率。封闭场景调到 99% 并不困难；但开放物理世界要从 50% 一步步爬坡至 60%、70%，直到抵达 99.9% 的临界点，才会迎来真正意义上的通用商业化时刻。

由此得出第一个反主流判断：不要把封闭场景跑通的商业案例，等同于通用具身智能的商业化胜利。当下大量可签单的项目，本质是传统自动化方案的升级版，靠人工后训练换稳定，并不证明通用机器大脑已经成熟。

第二个判断：行业普遍期待「一边做通用大模型，一边赚场景的钱」，但两条路线的资源诉求天然冲突。后训练路线消耗在场景工程与现场调试，大模型化路线则要投向海量物理数据、仿真训练与基础模型迭代。预算与精力有限，过度追逐短期订单会挤占基座迭代，一味死磕通用基座又面临长期没有收入的生存压力。

当然，这并不代表要全盘否定场景化落地。许华哲并不主张放弃现金流：后训练项目是企业活下去的手段，能为团队提供收入、积累部分真实物理数据。但要分清手段与终局——靠定制项目活下来，不等于已经抵达具身智能浪潮的目的地。

真正值得期待的，是基础模型跨过能力临界点后，机器人能够接管物理世界海量、非预设的任务，而不是永远依赖人工为每个场景反复调参。

如今整个赛道处在非常拧巴的阶段：资本既希望看到 Demo 里的通用能力，又急迫要求企业拿出可落地订单。于是不少公司陷入折中陷阱，用大量场景定制的订单包装成通用具身智能的成果，把单点场景的成功当成通用能力的证明。

但物理世界不会妥协。固定摊位煮关东煮的机器人，换到另一个摊位、换一套锅具，就很可能失效。这种现实鸿沟，不会靠发布会的演示视频抹平。

最后没有标准答案。未来行业未必是非黑即白的取舍：一部分企业持续深耕场景后训练，做高性价比的自动化服务商；少数团队持续投入，向着 99.9% 通用任务成功率的目标缓慢爬坡。真正的变数在于：资本的耐心周期，能否撑到基础模型跨过临界点那一天；以及当那一天到来时，今天靠场景订单生存的团队，还能不能完成能力跃迁。