具身智能会重复自动驾驶的剧本吗?

那几年自动驾驶是资本市场唯一的答案。创业公司拿着PPT融资，天使轮几个亿，半年长成独角兽。厂商之间打demo军备赛，今天谁跑了一段没有安全员的路测，明天谁喊出”三到五年实现完全自动驾驶”。

2026年，把”自动驾驶”四个字换成”具身智能”，没有什么区别。

今天的具身智能圈，账上没有几个亿现金储备，都不好意思说自己在搞具身。

天使轮融资数十亿元、半年成为独角兽是常态，公司之间比demo，各自找差异化叙事，把估值往上抬，争抢第一的虚位。

资本涌入、demo军备竞赛、估值泡沫，剧本的前三拍和十年前一模一样，连口号都没换：以前是三到五年实现自动驾驶，现在是三到五年迎来具身智能的奇点时刻。

然而，这个剧本还有后两拍，叫落地检验和批量出清。

自动驾驶已经把结局预演过了：完全自动驾驶的叙事被证伪，行业彻底出清，只留下少数几家头部方案商，实际上它们现在的处境也算不上好。更多的创业公司，泯灭在上一个资本周期里。

出清是客观规律，真正值得思考的是：这一轮具身智能公司会怎么死，以及凭什么活。

站在风口上的公司不是一次死掉，而是依次死三次。

第一次死于demo不能落地。

demo里的场景是精挑细选的，真实世界全是长尾。demo证明的是”能做到”，客户要的是”天天做到”，这完全是两回事。

很多团队到这一步才发现，自己从没回答过最基本的问题：哪些场景是真需求，哪些是伪需求？技术的不确定性没有被收敛进一个确定的场景里，于是技术验证过了，商业验证还没开始，钱先烧完了。

第二次死于落地不能盈利。

真扎进场景，才发现交付是一场硬仗。真实场景的环境条件千差万别，小至传感器性能，大到产品设计，都会被场景反过来改造。

工程师要驻场，长尾问题要一个个磨，一台设备背后往往站着半个人。收入盖不住交付成本，做的是生意，亏的是结构。不少公司走到这一步，其实已经不是机器人公司了，是顶着高科技估值的外包公司，赚的全是辛苦钱。

第三次死于项目不能规模化。

单点好不容易盈利，换个城市、换个客户、换个形态，一切重来。每个项目都是定制，定制化吃掉毛利，规模越大亏得越多。这些公司不是倒在从0到1，而是倒在从1到100的路上。

自动驾驶把这三幕完整演过一遍：高举高打做L4的，融资可观，如今悄无声息；从L2往上做、第一天就跟主机厂绑定的，艰难活到了今天。

每一次风口，创业公司其实只有两条路。

一条是以资源换时间和空间。

靠创始团队的背景履历疯狂拿钱，把粮仓建满，不考虑短期商业化，打持久战拖垮对手。这条路养出来的是研发型组织，技术可以做得很深，但不进场景、没有客户，更像一个研究院。

它最大的风险在于，AI技术迭代太快了，以前模型以年为单位更新，现在以月计，没有哪家公司能建立绝对的技术壁垒。一旦保持不了每年两三轮的大额融资，就会被高昂的研发成本直接锁死。

另一条是循序渐进，稳扎稳打。

扎进场景做交付，靠产品和案例融资，资本运作和业务回血齐头并进。这条路养出来的是业务型组织，韧性强、活得久，但陷阱也不少：行业早期需求没收敛，落地难做；困在项目交付里，容易做成项目制；而且对一级市场来说，它的定价方式不太一样——收入、交付、复购都摆在桌面上，故事讲得再漂亮，最后都要回到报表，估值弹性天然小一些。

两条路没有高下，都是资源配置策略，真正的差别在定价方式：一个为可能性定价，一个为交付定价。水多的时候，前者的故事动听；水退的时候，定价锚会切到后者身上。

自动驾驶验证过：高举高打的死掉，贴着场景的活了。原因也不复杂，技术要改变世界，终究得以物理的形式，落到具体场景里去解决问题。

还有一层差距更容易被忽略。

从场景入手的公司，在交付中积累的knowhow——怎么甄别真需求、怎么跟客户打交道、怎么在预算内把活干完——会和研发型组织形成巨大的认知差。

技术差距可以靠挖人、靠开源追平，认知差追不平。这是业务型组织在下半场领先的底牌。当然光有认知不够，下半场要赢，靠的是基于这套认知建立起来的产品、技术、交付一体化的综合能力。

出清之后回头看，活下来的公司几乎都是六边形战士，以场景为核心，构筑从技术到交付的完整业务闭环，偏科很难赢。

它们首先都见过冬天。组织被现金流检验过，知道没钱的时候怎么活。打过硬仗、踩过坑的公司更克制，懂得轻重缓急，知道什么是持久战。爬雪山过草地，锻炼的是组织意志，也是一种生存方法论。

其次，扎在真实场景里。扎根场景不是做demo、做技术验证，而是在各种约束条件下寻找最优解：客户要什么，用什么产品解决，部署和运营成本多少，回本周期多长。这些问题研究院不回答，活下来的公司每天回答。

然后，都有交付能力。

交付不是卖货，也不是卖解决方案，本质上是卖一家公司解决问题的能力。这种能力只能靠时间和踩坑喂出来，知道和实践是两回事，能做和做好也是两回事。它可以复用到新场景、新业务里，是比技术更底层的基础设施。

再而，软硬一体形成闭环。物理世界的交付从来不是纯软件问题，部署产生数据，数据喂养模型，模型改善交付，交付带来更多部署。回路转起来，经验才不复零。

最后但同样重要的一点，是克制。知道自己不做什么，比知道自己做什么更难，也更值钱。

这份清单看着朴素，真正难的地方在于它没法被抄走。事不经历不知难，上一轮公司以身入局蹚出的经验就摆在那里，可每个新创业者都觉得自己是特殊的那个。

经验可以被阅读，很难被继承；坑可以被描述，只有踩进去才有切身的体会。所以每一轮周期，公司都要用真金白银把同一门课重学一遍。

如果把时间轴拉长一点，类似于自动驾驶的剧本，四十年里已经演了四遍。

1985年，专家系统。“机器要有知识了”，知识工程是当时最热的赛道，做Lisp机器、做专家系统的公司估值疯涨，投资人相信每个行业都会被AI重做一遍。

结局是1987年市场崩盘，AI进入长达十年的冬天。这一轮只留下一句教训：实验室里的推理，不等于真实世界的常识。

2000年，互联网。纳斯达克从顶点跌去78%，.com公司成批死亡。但泡沫留下的遗产，铺下去的光纤、建起来的数据中心、一整代被训练过的工程师，成了后来Google和Amazon的地基。

2013年，CV。深度学习点燃视觉，“刷脸时代”开启，AI四小龙融资以百亿计，军备竞赛的形式是刷榜，今天你把识别率刷到99.2%，明天我刷到99.3%。结局是主战场缩进安防，集体困在项目制里，也就是前面说的第三次死亡。但它留下的深度学习工程体系和成建制的视觉人才，转身成了2016年自动驾驶创业潮的主力。

2023年，大模型。百模大战，军备赛还是刷榜，只是榜单换了名字。第二年价格战打响，API价格一路打到地板，两年之内行业出清，留下的公司分化的分化、转型的转型。

但它留下了很多有用的东西：算力集群、推理基础设施，和一颗被万亿token训练过的大脑。今天具身智能火热的世界模型，站的就是大模型周期留下的地基。

泡沫杀死公司，留下基础设施。CV的人才喂给了自动驾驶，自动驾驶的供应链和工程师喂给了具身智能，大模型的大脑直接装进了机器人。每一轮周期死掉的公司进了历史，留下的遗产成了下一轮周期的主角。

2026年的具身智能，是第五遍。

泡沫本身不可怕，它是行业为基础设施预付的账。真正的问题只有一个：出清时，谁被留下，谁被杀死。

这一轮的剧本里，有一家公司完整经历了整个周期。

酷哇科技2015年成立，亲眼看过AI四小龙的起落、自动驾驶的出清、大模型的狂飙。三场风口它都没站上舞台中央，它在干另一件事：把机器人放进真实城市，一台一台地跑，一年一年地活。

十年下来，攒下的东西很扎实：全球50多座城市的万台级真机部署、约50PB真实物理数据、一套从部署到交付的完整闭环，以及一个被现金流、交付和长尾问题反复检验过的组织。拿前面那份幸存者清单去对，它每一项都打得上钩。

当然，市场对这类上个周期活下来的公司有一个标准质疑：业务型组织，资源都压在交付上，对前沿技术还有敏感度吗？老树能发新芽吗？

这个质疑本身，就戴着旧周期的眼镜——它默认商业和技术是先后关系。

酷哇十年里做的事情，是让两个飞轮一起转：场景产生收入，也产生数据；收入养活组织、沉淀客户，数据喂养模型、迭代产品；模型变强了，又能把能力铺进新的场景和应用；新场景再带回新的收入和数据。商业飞轮和技术飞轮，互为燃料，互相反哺。

所以引入上海交大杨学教授出任首席科学家、持续招募具身智能人才，不是“补大脑”——飞轮里没有先后，只有加速。

COOWAM世界模型底座和”一脑多态”架构做的事，也是让轮子转得更快：不同形态的机器人共享同一套智能底座，靠底层泛化降低定制化，每进入一个新场景，边际成本都在下降。

这恰好解的是前面说的第三次死亡——项目制和定制化。

酷哇对世界模型的理解，同样带着双飞轮的印记：机器人不只需要理解物理规律，还需要懂“人情事故”，前者管”世界如何运行”，后者管”怎样行动才真正创造生产力价值”。一个来自数据飞轮，一个来自商业飞轮。

在新一轮周期里，这家”老公司”并不落后。双飞轮转了十多年，现在到了咬合最紧的时刻：把机器人带进更多场景，让机器人从特定岗位的工具，变成城市里的新生产力。

回到最初的问题：具身智能会重复自动驾驶的剧本吗？

会。前三拍已经重演，后两拍正在路上。惨痛的出清是必然，最终留下的大概率也是少数几家全栈公司。

能在大浪淘沙里活下来，有运气的成分，酷哇无疑是幸运儿。但换个角度看，坚持以场景为原则、在交付里沉淀、把经验熬成实力，成为多数中的少数，又是一种必然。幸运解释它为什么活过昨天，实力解释它为什么能赌明天。

风口会死三次，周期只来一次。穿越周期没有秘诀，无非是别人讲故事的时候默默干活，别人退场的时候还留在场上。

酷哇的故事，准确说不是”追上了风口”，而是等了十年，风口终于追上了它。

这个案例值得被借鉴。

 往期精彩