具身智能,会重复自动驾驶的剧本吗?

摘要

具身智能会不会重复自动驾驶的产业剧本，关键不在于大型企业是否具备自研能力，而在于两者面对的是完全不同的客户结构和任务空间。自动驾驶的客户高度集中于少数整车企业，单一客户内部市场足够大，可以摊销庞大的研发成本，因此必然走向垂直一体化。具身智能则可能服务制造、物流、医疗、养老、商业和家庭等几乎所有存在物理劳动的场景，绝大多数终端客户没有自研完整技术栈的经济基础，跨行业、跨任务、跨本体复用的高级智能具有更强的横向规模经济。也许具身智能会在部分环节重复自动驾驶的剧本，但不会产生相同的产业结局。

更重要的是，通用具身智能的终局可能远远超出“机器人产业”本身。随着高级认知、任务规划、Skill和底层控制逐渐分层，机器人有可能演化为Personal AI进入物理世界的通用执行终端，形成“Personal AI是大脑、机器人是身体、Skill是软件”的新型计算体系。家庭机器人也未必需要降到普通家电的价格才有市场，只要其能力、可靠性和全生命周期价值足够高，汽车级价格同样可能被消费者接受。真正决定产业爆发的是它能否在极低人工介入率下长期独立工作。一旦这一门槛被跨过，具身智能所规模复制的将不只是机器设备，而是人的物理行动能力和专业技能，其产业意义也将从自动化工具进一步上升为继PC、智能手机和大模型之后的新一代智能平台。

过去两年，具身智能迅速成为人工智能产业最热门的方向之一。从人形机器人到VLA，从机器人基础模型到世界模型，从工厂搬运、分拣到家庭做饭、收拾房间，资本、技术和产业资源正在快速向这个方向集中。

与此同时，一个很自然的质疑也越来越频繁地出现：具身智能会不会重复自动驾驶过去十年的剧本？

这个问题并不只是针对技术成熟度的质疑。真正值得讨论的是它背后的产业逻辑。

自动驾驶曾经同样被视为一个巨大的独立赛道。大量创业公司融资数十亿甚至上百亿元，希望成为汽车行业的“自动驾驶技术供应商”。但随着产业逐渐成熟，情况发生了变化。越来越多头部车企开始建立自己的自动驾驶团队，自研算法、自建数据闭环，甚至自己开发芯片和基础模型。对于很多整车厂而言，自动驾驶最终不再是一项适合长期外包的外部技术，而越来越接近整车竞争力的一部分。

如果具身智能也沿着这条路径发展，那么今天大量所谓“机器人基础模型公司”“具身智能平台公司”，最终可能面对同样的问题：当机器人厂商规模足够大以后，为什么还要把自己的核心智能长期交给第三方？

表面上看，这个类比很有说服力。但如果把两个产业真正拆开来看，会发现它们虽然有相似之处，底层经济结构却存在一个非常大的差异。

自动驾驶面对的是一个高度集中的产业客户群，而具身智能最终面对的可能是几乎整个社会。

这个差别，很可能决定两个产业走向完全不同的终局。

一、自动驾驶为什么天然容易走向“客户自研”

要理解这个问题，首先要看清自动驾驶真正的客户是谁。

从最终使用者看，自动驾驶服务的是亿万汽车消费者。但从技术采购关系看，自动驾驶公司的客户其实主要是汽车厂商，以及少量Robotaxi运营商。真正决定一套自动驾驶技术能否大规模装车的，并不是数百万司机，而是数量有限的整车企业。

这使自动驾驶形成了一个非常特殊的产业结构：客户数量不多，但单个客户极大。

一家大型汽车企业每年可能销售100万辆、200万辆甚至更多汽车。如果一套自动驾驶系统的软硬件价值为每辆车几千元到上万元，那么单一车企对应的采购规模就可能达到几十亿元甚至上百亿元。

到了这个规模，车企自然会开始重新计算经济账。

假设一家车企每年需要向外部供应商支付数十亿元自动驾驶相关费用，那么即使建立一个几千人的研发团队，每年投入几十亿元进行算法、数据、芯片和软件平台开发，也未必不划算。更重要的是，这笔研发费用可以被每年数百万辆汽车持续摊销，而且随着销量增加，平均成本还会进一步下降。

所以自动驾驶存在非常明显的自研规模临界点。

企业规模小时，采购外部技术更经济；企业规模大到一定程度以后，自研的平均成本不断下降，而向供应商支付的采购费用却随着销量同步增加。最终，两条成本曲线会出现交叉。

一旦越过这个临界点，头部车企就拥有越来越强的动力把自动驾驶能力内部化。

这里还有第二个因素。自动驾驶并不是一个普通零部件。

它直接决定车辆安全、用户体验、品牌差异化，同时产生海量道路数据。随着汽车产业逐渐智能化，自动驾驶系统越来越接近整车产品的“核心能力”。对于大型车企而言，把这样一项战略能力长期交给外部供应商，本身就存在较高的产业风险。

于是，自研不只是一个成本问题，也逐渐变成一个产品控制权问题。

这就解释了为什么自动驾驶行业最终没有简单形成“几个通用自动驾驶公司向所有汽车厂商供货”的格局。

技术客户高度集中、单一客户规模巨大、产品战略重要性极高，这三个因素共同推动了自动驾驶的垂直一体化。

而具身智能从第一天开始面对的产业结构就不同。

二、具身智能真正特殊的地方，是它面对的并不是一个行业

如果通用具身智能最终成熟，它不会只服务汽车工厂，也不会只服务制造业。

汽车制造、电子装配、仓储物流、商场、酒店、餐饮、医院、养老院、实验室、建筑、矿山、农业、核工业、家庭服务……几乎所有存在人类物理劳动的地方，都可能成为具身智能的应用场景。

这里最关键的并不是“市场很大”，而是客户结构发生了根本变化。

一家汽车厂可能需要几千台机器人，一家医院可能需要数百台，一家酒店可能需要几十台，一家实验室可能只需要十几台，一家中小企业甚至只需要几台。到了家庭市场，购买者更是直接变成个人。

这些客户绝大多数都没有任何动力，也没有任何经济基础去自研一套完整的具身智能技术。

让一家医院自己训练VLA、建立机器人仿真环境、采集操作数据、开发运动控制算法、建立具身基础模型团队，显然不现实。酒店不会这么做，养老机构不会这么做，中小制造企业也不会这么做。

即使是大型制造企业，情况也未必像自动驾驶那么简单。

这里可以观察一个已经存在几十年的行业：工业机器人。

汽车厂是全球工业机器人的最大用户之一。一座大型汽车制造基地可能拥有数千台焊接、喷涂、搬运和装配机器人。汽车企业使用机器人数量如此巨大，而且持续使用几十年，但绝大多数汽车厂商并没有因此选择自己从零开始研发整套工业机器人。

原因并不复杂。

一家车企即使一年采购一万台机器人，它的需求仍然只是供应商全球市场的一部分。ABB、发那科、安川、库卡等专业企业可以把执行器、控制器、运动算法、工程经验和研发投入摊到汽车、电子、金属加工、物流等大量行业中。

换句话说，大型客户虽然拥有内部规模经济，专业供应商却拥有更强的跨客户规模经济和跨行业范围经济。

只要后者足够强，“客户很大”本身并不会自动导致自研。

具身智能很可能进一步强化这种逻辑。

因为未来的通用机器人供应商并不是只把一种机器人卖给一家汽车厂，而可能把同一套智能技术、控制技术和基础能力销售给制造业、服务业、医疗、养老和家庭市场。

研发成本由整个社会共同摊销，而不是由一家企业内部摊销。

这和自动驾驶存在本质区别。

三、个人消费者的出现，会进一步改变整个产业经济学

如果具身智能只停留在工业领域，那么“机器人整机厂是否会自己做AI”仍然是一个需要重点讨论的问题。但一旦通用机器人真正进入家庭，产业结构会发生更加深刻的变化。

因为此时技术的最终客户不再只是企业，而是亿万个人。

养老机器人、家庭保姆机器人、儿童照护机器人、家庭管理机器人，如果其中任何一种真正跨过实用门槛，机器人就会从工业装备逐渐变成一种大众耐用消费品。

到了这一步，自动驾驶的“客户自研逻辑”几乎失去了意义。

没有哪个家庭会因为买了一台20万元的机器人，就自己训练一个具身基础模型；也不会因为使用量比较大，就自己开发控制器。

消费者需要的是一个完整产品。

这意味着具身智能最终可能同时拥有两种市场：

一端是面向工厂、医院、仓储等专业用户的B2B市场，另一端是面向家庭和个人的B2C市场。

这种结构其实更接近汽车和智能手机，而不是自动驾驶技术供应。

因此，具身智能产业真正的问题可能不应该是“客户会不会自研”，而应该进一步变成：

未来谁负责提供标准化的具身智能产品，谁负责提供其中的通用智能，谁又掌握最终用户关系？

这才是更深层次的产业分工问题。

四、真正可能重复自动驾驶剧本的，是机器人整机厂这一层

虽然终端用户高度分散，但具身智能产业中间仍然可能存在一个相对集中的环节——机器人OEM。

假设未来全球最终形成十几家甚至几家大型通用机器人企业，每家公司每年销售几十万、上百万台机器人，那么这些企业本身同样可能达到自研核心AI的规模临界点。

这也是为什么不能简单得出“具身智能一定会形成独立模型公司”的结论。

Figure正在走一条非常典型的垂直整合路线：机器人本体自己设计，执行器、传感器、控制系统深度参与，高层智能也自己研发。Tesla如果长期推进Optimus，大概率也不会轻易把最核心的机器人智能完全外包。

这部分逻辑确实和自动驾驶非常相似。

机器人本体厂商会认为，高性能控制、动作策略、数据回流乃至部分高级认知能力，直接决定产品体验。谁掌握这些能力，谁就掌握产品差异化。

因此，未来很可能出现一部分“Figure式”或者“Tesla式”公司，从硬件一直做到AI。

但这里仍然存在一个关键区别。

机器人智能并不是一个不可分割的整体。

随着技术逐渐成熟，它很可能被拆分成不同层级，而不同层级与本体的耦合程度并不一样。

这恰恰可能成为具身智能和自动驾驶最终走向不同产业结构的技术基础。

五、机器人的“大脑”和“身体”，很可能只在一部分层级深度绑定

机器人需要完成一个现实任务，通常要经历一条很长的决策链。

比如用户说：“把客厅收拾一下，晚上有人来吃饭。”

机器人首先要理解“收拾客厅”意味着什么。它需要识别地面和桌面上的物品，判断什么属于垃圾，什么应该放回原位，哪些东西不能碰，还要理解“晚上有人来吃饭”意味着客厅可能需要更整洁，餐桌可能需要腾出来。

这一层属于高级语义理解、世界知识和任务规划。

随后，机器人需要把抽象任务拆成一系列具体动作，比如把杯子放回厨房，把书整理到书架，把地上的衣服拿到洗衣区，再把桌面擦干净。

到了这一层，开始涉及Skill和操作策略。

再往下，机器人需要决定手从什么轨迹接近杯子，手指如何闭合，身体重心怎么变化，关节如何运动，电机应该输出多少力矩。

这些就越来越接近具体本体。

显然，高级认知与硬件的耦合程度远低于底层控制。

“杯子应该放回橱柜”这个判断不应该因为机器人从Figure换成另一种本体就重新学习。相比之下，怎样握住杯子、如何保持身体平衡，却与手型、自由度、执行器和传感器密切相关。

所以长期来看，机器人技术栈很可能逐渐形成一种清晰的分层：

高级认知与世界模型——任务规划——Skill——动作策略——全身控制——执行器。

越向上，技术越通用；越向下，技术越依赖具体硬件。

这种结构一旦稳定，就会带来非常重要的产业后果。

机器人公司当然可能自研自己的底层控制系统和运动模型，但并不意味着每家机器人公司都需要从头训练自己的最高级认知模型。

就像今天汽车厂商可以拥有自己的底盘控制、动力系统和整车软件，但没有必要自己从头训练一个通用语言模型。

因此，未来真正可能形成横向平台公司的，未必是整套机器人技术栈，而很可能是其中那些跨本体、跨行业、跨任务复用率最高的层级。

六、高等智能不会绑定具体硬件，但必须知道自己“拥有什么身体”

这里还有一个需要澄清的问题。

说高级认知模型能够与机器人本体解耦，并不等于它完全不需要了解硬件。

一个机器人计划搬动一张桌子，必须知道自己的最大负载是多少；如果准备上楼，必须知道自己是否具有足够的平衡和爬楼能力；如果准备拿一个很薄的玻璃杯，也需要知道自己有没有触觉、夹持精度和力控能力。

所以更准确的说法应该是：

高级智能可以与具体的硬件实现解耦，但仍然需要通过标准接口理解身体能力。

未来完全可能出现一种类似计算机“硬件抽象层”的机制。

机器人向高级AI声明：

自己有几只手、多少自由度、最大负载、最大移动速度、视觉和触觉能力、工作空间、电池状态、已经具备哪些基础技能，以及哪些动作受到安全限制。

高级AI不需要知道第17号关节应该输出多少牛米，它只需要知道：

“这个身体可以安全搬起15公斤重物。”

这类机制可以暂时称为 Body API 或者 Embodiment Abstraction Layer。

如果这种身体能力接口未来能够标准化，高级智能就能够像软件调用计算资源一样调用不同的机器人身体，也就是我们所说的——大脑与小脑分离。

这件事的意义远远超过技术接口本身。

因为一旦身体被抽象，机器人智能第一次真正具备形成平台生态的基础。

七、通用机器人的终极目标当然是“像人一样”，但市场爆发并不需要等到终局

关于具身智能到底应该有多“通用”，其实可以把两个问题分开。

从技术终局看，一个真正的通用机器人，最终当然应该能够覆盖正常成年人单人可以完成的绝大多数物理任务。

人可以做饭、打扫、搬东西、操作工具、照顾老人、整理物品、维修简单设备，机器人最终也应该具备这些能力。

如果未来所谓“通用机器人”只能在仓库里搬箱子，那么它本质上仍然只是一种更灵活的专用自动化设备。

但商业化不需要等到100%达到人的能力。

真正决定市场什么时候打开的，是机器人什么时候达到一种经济意义上的通用性。

例如一台家庭机器人还不会维修汽车，也不会理发，更不会解决复杂的医疗护理问题，但如果它已经能够稳定完成做饭、洗衣、清洁、收纳、购物搬运、取快递、简单照护等一系列高频任务，那么对普通家庭来说，它可能已经非常有价值。

这和智能手机的发展非常类似。

第一代iPhone远远没有覆盖今天智能手机的全部功能，但它已经跨过了一个产品临界点：用户开始愿意围绕它重构自己的生活。

因此，判断家庭机器人商业化，不应该只盯着“它离完整人类能力还差多少”，而应该看：

它什么时候能够覆盖足够多高频任务，使消费者第一次觉得“买一台是划算的”。

这个时点很可能远早于真正意义上的Human-level generality。

八、家庭机器人的价格锚点，很可能从一开始就被想错了

今天讨论家庭机器人时，经常有一种直觉：机器人一定要降到两三万元，甚至更低，才能进入家庭。

这个判断往往来自对扫地机器人和家电市场的类比。

但如果未来机器人真正具有相当程度的通用性，它根本不是传统意义上的家电。

一台冰箱只承担一个非常有限的功能，一台洗衣机也只负责洗衣服。通用机器人可能同时承担清洁、做饭、收纳、搬运、看护、跑腿、巡视等大量工作。

消费者购买的其实不再是一件家电，而是一种家庭劳动力资本品。

这样一来，价格比较对象也会发生变化。

20万元的汽车为什么能成为普通中产家庭的大额消费品？并不是因为汽车便宜，而是因为汽车提供了巨大的移动效用，而且可以使用很多年。

对于一台真正具有相当通用性的家庭机器人，消费者很可能采用类似的计算方式。

如果一台20万元的机器人可以使用五到八年，每天稳定承担几个小时的家庭劳动，那么它创造的时间价值、照护价值和便利性可能相当可观。

尤其对有老人、有儿童、工作繁忙或者收入水平较高的家庭而言，一辆汽车级别的购买价格并不一定不可接受。

所以真正应该讨论的并不是：

“机器人什么时候能降到2万元？”

而是：

“一台20万元或者30万元的机器人，需要达到什么能力、可靠性和寿命，用户才会认为物有所值？”

一旦问题这样提出，家庭机器人的商业化路径就会完全不同。

它不需要首先成为一个廉价家电，而可能先成为一种类似汽车的高价值耐用消费品，再随着规模制造逐步降低价格。

九、但决定家庭机器人真正跨过产品门槛的，可能不是能力数量，而是可靠性

现在人们经常通过Demo判断机器人发展速度。

机器人会叠衣服了，会做饭了，会收拾桌子了，会使用洗碗机了，于是看起来距离家庭应用越来越近。

但从Demo到真正消费产品之间，还有一道非常大的鸿沟。

用户真正需要的不是“机器人偶尔能把一件事情做对”，而是“机器人能够长期稳定地独立工作”。

这两者的技术要求完全不同。

现实家庭任务往往是一个长链条。

一次做饭可能包含取食材、清洗、切配、开火、控制温度、装盘、清洁等几十甚至上百个步骤。一个步骤发生错误，后面的任务就可能全部中断。

假设一个任务包含100个关键步骤，每一步成功率都已经达到99.9%，看起来非常高，但完整任务一次无错误完成的概率仍然只有约90%。

这意味着，如果用户每天让机器人做很多事情，它几乎必然频繁遇到失败。

而消费者真正愿意把机器人当成家庭劳动力使用的条件，很可能是：

可以放心把它一个人留在家里。

早上主人出门上班，机器人在家里洗衣、收拾、准备晚饭。晚上回来以后，这些事情已经完成，而不是机器人因为掉了一只袜子卡在洗衣房门口等了六个小时。

这时一个非常重要的指标可能会超过“任务数量”：

Human Intervention Rate——人工介入率。

一个机器人会做200种任务，但一天需要主人救援三次，仍然不是一个成熟产品。

另一台机器人只会做50种高频任务，但可以连续几周几乎不需要人工干预，商业价值反而可能更高。

所以家庭机器人真正的“iPhone时刻”未必是某一天机器人突然学会了所有家务，而可能是一个更加不起眼的节点：

人第一次敢真正不管它了。

十、一旦跨过这个门槛，机器人就会从“设备”开始向“平台”演化

假设机器人真正进入家庭，并且每天和一个家庭共同生活。

它会逐渐知道这个家庭大量非常细节的信息。

谁几点起床，早餐喜欢吃什么，孩子每天几点回家，老人每天什么时候需要吃药，哪件衣服应该放在哪里，什么东西不能碰，主人喜欢怎样整理房间，哪些采购可以自己决定，哪些事情必须提前询问。

使用时间越长，这些信息越丰富。

最终，真正产生用户黏性的可能已经不只是那台机器，而是机器人背后形成的长期个人模型。

这时候就会出现一个非常重要的问题：

如果我用了五年以后准备换一台机器人，为什么这些记忆也要跟着旧机器人一起消失？

从长期逻辑看，显然不合理。

用户真正拥有的应该是一套独立于具体硬件存在的Personal AI。

这个Personal AI保存着用户的身份、长期记忆、偏好、权限、家庭关系、工作资料、历史任务和行为习惯。手机可以调用它，电脑可以调用它，汽车可以调用它，家庭机器人同样可以调用它。

这样一来，机器人自身的定位就发生了变化。

它不再需要拥有一个完全独立的“人格”和“大脑”，而更像是Personal AI进入物理世界的一副身体。

用户换一台机器人，就像今天换一部手机。

硬件发生变化，但账号、照片、联系人、历史数据和个人数字生活仍然能够迁移。

这会产生一种非常有意思的长期形态：

一人一脑，一脑多身。

同一个Personal AI可以同时存在于家里的机器人、父母家的机器人、办公室机器人甚至汽车中。

用户对它说：“晚上七点以前准备好晚饭，顺便看看我父母家里的暖气有没有问题，办公室桌上的文件帮我整理一下。”

背后实际上是同一个AI在调用三个不同物理终端完成任务。

到了这一步，今天所谓的“人形机器人市场”就开始显得过于狭窄。

真正形成的可能是一个更大的体系：

Personal AI负责认知和决策，各种机器人承担物理执行。

十一、从这个角度看，机器人真正可能成为的是下一代计算终端

PC、智能手机和具身智能之间，其实存在一条非常清晰的能力扩展链条。

PC主要把计算、文档处理和一部分知识工作数字化。

互联网和智能手机进一步把通信、信息获取、支付、娱乐、导航和大量服务带到了个人身边。

大模型开始处理过去需要人完成的部分语言和认知任务，可以理解意图、写作、分析、规划，甚至作为Agent自主操作数字系统。

但到目前为止，人工智能的大部分能力仍然被限制在数字世界中。

它可以帮你制定晚餐菜单，却不能真的去厨房做饭；可以帮你列出房间整理计划，却不能真的把地上的衣服捡起来；可以提醒老人吃药，却不能真的把药和水送到老人手边。

具身智能补上的正是这一块：

Physical Action，物理行动能力。

如果从计算平台发展史来看，可以把它理解为：

PC把人的部分计算能力外置，智能手机把人的信息和通信能力外置，大模型正在把部分认知能力外置，而具身智能开始尝试把人的行动能力外置。

这也是为什么具身智能的理论任务空间远远大于自动驾驶。

自动驾驶虽然技术极其复杂，但最终解决的任务仍然相对明确：让车辆在道路系统中安全地从A点移动到B点。

而通用机器人的任务集合理论上接近：

一个成年人利用身体可以完成的全部现实任务。

制造、烹饪、清洁、护理、维修、实验、搬运、操作设备、农业生产，这些都属于同一个广义任务空间。

因此具身智能最终对应的市场，很可能根本不应该简单理解为“机器人市场”。

它对应的是人类物理行动能力和劳动能力的市场。

这也是它与自动驾驶最大的尺度差异。

十二、真正具有巨大想象空间的，还可能是“人类技能的软件化”

如果高级认知逐渐与机器人本体解耦，同时机器人之间又能够通过标准接口共享一部分动作能力，那么未来很自然会出现一种新的软件产品。

它不再叫App，更可能叫Skill。

例如，一台家庭机器人出厂时具备基础的抓取、移动、清洁和简单烹饪能力。但用户可以进一步购买专业中餐烹饪Skill、养老护理Skill、宠物照护Skill、园艺Skill。

工业机器人也可以加载汽车维修Skill、焊接Skill、实验室操作Skill、某型号机床操作Skill。

这里最值得关注的不是软件商店本身，而是它背后的经济学变化。

过去，人类大量物理技能无法进行接近零边际成本的复制。

一个非常优秀的厨师，即使技术再好，每天能制作的菜品数量仍然有限。一个经验丰富的实验技术员，只能亲自完成有限数量的操作。一个顶尖维修工程师每天也只能跑几个现场。

人的技能传播，需要培训另一个人，而培训本身又需要时间和成本。

如果未来这些操作能力能够以Skill形式训练、封装，再部署到大量机器人上，情况会发生根本变化。

一个优秀厨师的部分操作经验，理论上可以一次开发，部署到100万台家庭机器人；一套成熟的养老护理流程，可以复制到成千上万个家庭和养老机构；某种专业实验操作也可以在大量实验室机器人之间迁移。

物理技能第一次获得了类似软件的复制能力。

这是具身智能非常容易被低估的一层价值。

互联网极大降低了信息复制成本，传统软件降低了流程复制成本，大模型开始降低认知能力复制成本，而具身智能有可能进一步降低物理技能复制成本。

如果这条路线真正跑通，具身智能创造的将不只是机器人制造业，而是一个庞大的“机器技能软件产业”。

十三、但机器人Skill不会简单重复手机App Store

这里同样不能简单照搬智能手机时代的经验。

手机App出了问题，最坏的结果通常是软件崩溃或者数据异常。

机器人Skill如果出了问题，可能产生真实的物理后果。

一个烹饪Skill失控，可能造成火灾；一个护理Skill判断错误，可能伤害老人；一个维修Skill动作错误，可能损坏设备。

所以未来Skill生态很可能同时包含一套复杂的安全和权限体系。

某个Skill需要声明，它适用于哪些机器人本体，需要多少自由度，是否需要触觉传感器，最大负载要求是多少，能够在哪些环境运行，通过了什么安全认证。

更重要的是，机器人操作系统必须管理现实世界的行动权限。

今天手机权限主要是：

能不能读取通讯录，能不能访问照片，能不能调用摄像头。

未来机器人的权限可能是：

是否允许打开家门，是否允许使用刀具，是否允许使用燃气灶，是否允许接触老人，是否允许带孩子外出，是否允许独立支付500元以内的采购费用。

这些已经不再只是信息访问权限。

它们是现实世界行动权的授权。

从这个角度看，未来机器人操作系统真正重要的功能之一，很可能是建立一套“AI能够替人做什么”的授权体系。

这会进一步加强平台层的价值。

谁控制用户身份、长期记忆、权限体系和Skill分发，谁就可能拥有非常强的生态控制力。

十四、所以未来最大的公司，未必只是一家“机器人制造商”

把前面的逻辑串起来以后，具身智能最终可能形成至少三种不同的产业终局。

第一种是高度垂直一体化模式。

一家企业同时掌握机器人本体、控制系统、高级AI、用户账号、长期记忆、Skill生态和服务体系。

这很像Apple。

消费者购买的不只是一个硬件，而是完整封闭的产品和生态。软硬件高度协同，可以获得最好的体验，同时也形成很强的用户锁定。

Figure以及未来可能的Tesla Optimus，都有可能朝这个方向发展。

第二种是横向平台模式。

高级智能、机器人基础模型、仿真系统、开发工具和操作平台由少数大型AI公司提供，大量机器人OEM负责制造不同价格、不同形态和不同应用场景的本体。

这种结构更像Windows PC或者Android手机。

Google DeepMind和NVIDIA现在大量强调cross-embodiment，本质上就在探索这样的可能性：智能能力不必永久绑定某一个机器人身体。

第三种模式更加激进。

Personal AI本身成为真正的平台。

用户的身份、长期记忆、Agent、偏好和权限属于一个独立的AI账号。机器人公司只负责提供不同性能和价格的“身体”。

此时用户购买一台新机器人，就像今天更换一台电脑或者手机终端。

如果这种结构形成，那么机器人OEM仍然可能是巨大的产业，但产业最高层的控制权可能上移到Personal AI平台。

这也是为什么未来最大的具身智能公司究竟是机器人公司，还是AI平台公司，现在远没有答案。

真正决定这件事情的核心技术变量是：

高级智能究竟能够在多大程度上跨本体迁移。

如果最强的AI只有和某家公司自己设计的手、执行器、传感器、控制器深度结合才能发挥性能，那么垂直一体化公司会占据优势。

如果未来高级认知、Skill和一部分动作能力能够通过标准接口快速迁移到不同本体，那么机器人产业就会越来越像计算机产业。

这个问题比单纯讨论哪家公司机器人走路更稳、手更灵活重要得多。

十五、重新回到最初的问题：具身智能会不会重复自动驾驶的剧本？

讨论到这里，答案其实已经比较清楚。

它会重复自动驾驶的一部分，但很难完整重复。

在机器人底层控制、高性能运动策略、本体设计以及直接决定产品体验的部分技术上，大型机器人OEM很可能选择自研。软硬件深度一体化也会长期存在。

这一部分，与汽车企业自己开发自动驾驶确实非常相似。

但具身智能同时又具备几个自动驾驶没有那么强的特征。

它的终端客户高度分散，最终可能覆盖几乎所有行业和大量家庭；其任务空间横跨几乎整个人类物理劳动体系；高级认知能力有可能跨行业、跨任务乃至跨机器人本体复用；而一旦Personal AI、Skill和身体接口逐渐形成，整个产业还会出现非常强的平台化倾向。

所以自动驾驶给具身智能最大的启示，并不是“第三方技术公司最终一定会被客户做掉”。

真正应该借鉴的是：

必须认真寻找产业链中哪些能力会被垂直整合，哪些能力拥有足够强的横向规模经济。

自动驾驶的大部分核心能力最终与汽车产品深度绑定。

具身智能则很可能出现一个更加复杂的结构：

底层身体和控制高度垂直化，高级智能和基础能力逐渐平台化，行业Skill形成独立生态，Personal AI进一步掌握用户关系和长期数据。

这种产业结构既像汽车，又像智能手机，也像今天正在形成的AI平台。

因此，用自动驾驶的经验去简单推演具身智能，很可能会低估这个产业真正的变化。

自动驾驶最终很可能成为汽车的一项核心功能。

通用具身智能如果真正达到成熟阶段，它所承担的角色却完全不同。

它有可能成为AI进入物理世界的一套通用执行系统。

Personal AI负责理解人、理解世界和做决策；机器人提供身体；Skill把专业能力软件化；控制模型负责把抽象意图转化为现实动作。

最终形成的甚至可能不是“每个人有一台机器人”，而是：

一人一脑，一脑多身。

一个属于个人的AI，同时调用家庭、办公室、汽车乃至其他环境中的不同机器人终端，替人处理数字世界和物理世界的大量事务。

如果这种未来真的出现，那么今天所谓“人形机器人产业”的定义反而显得太小了。

它对应的不只是一个新的机械设备市场，也不仅是一场自动化升级。

它真正试图商品化和规模复制的，是过去始终难以规模复制的东西——人的物理行动能力。

所以，具身智能当然值得警惕自动驾驶曾经走过的弯路，但它最终要回答的也许并不是“能不能成为另一个自动驾驶产业”。

真正的问题是：

继PC把计算能力交给机器、智能手机把信息能力交给机器、大模型开始承接认知能力之后，人类会不会进一步把现实世界中的行动能力，也大规模交给机器？

如果答案是肯定的，那么具身智能最终复制的恐怕从来都不是自动驾驶的剧本。

它可能开启的是另一条完全不同的产业路径。