你以为技术底座相通就能平趟？现实给了所有转行者一记闷棍。
近日，猎头圈悄悄传开了一个信号：机器人公司开始优先看有机器人行业经历的人，跨行业候选人的面试概率肉眼可见地下降了。
一位曾在某头部自动驾驶公司做到端到端算法负责人的朋友告诉我，他投了六家具身智能公司，收到面试通知的只有两家。一家还是因为他认识创始人。
"他们看我的眼神，像看一个懂很多但用不上的人。"他说。
这听起来很反直觉。具身智能和自动驾驶，用的不是同一套技术黑话吗？VLA、世界模型、端到端、数据闭环——概念高度重叠，甚至论文互相引用。自动驾驶培养出来的工程师，懂量产、懂工程、懂系统架构，按理说应该是香饽饽。
但事实是：经验的价值正在衰减，新世界在筛选新的能力。
01 为什么"底座相通"是个伪命题
很多人以为，自动驾驶和具身智能共享同一套AI技术栈，所以转行应该是平移。但这是把"懂原理"和"能干活"混为一谈。
第一层差异：数据形态天壤之别。
自动驾驶的数据，是车队回传的海量真实路况视频。数据规模大、结构化、采集成本相对可控。你可以在一个标准化的仿真环境里训练模型，部署到量产车队，然后靠影子模式不断回流数据迭代。
具身智能的数据呢？是机械臂在物理世界里抓取物体的成功与失败。是人形机器人在楼梯上摔跤的每一个瞬间。是触觉传感器传来的微弱信号，和视觉一样需要被理解，但远比视觉更难标注。
两种数据，诞生了两套截然不同的数据闭环逻辑。你在自动驾驶里积累的"数据飞轮"经验，拿到具身领域，需要从零重建。
第二层差异：安全边界完全不同。
自动驾驶的安全逻辑是：我尽量避免事故，但如果事故发生，责任认定相对清晰，有交通法规、保险体系、OTA召回机制兜底。
具身机器人呢？一个在家庭环境里工作的双臂机器人，如果夹伤了小孩，锅甩给谁？这种安全要求的颗粒度，不是靠算法优化能解决的，需要从硬件设计阶段就嵌入冗余、引入物理约束、甚至重新定义"机器人能做什么、不能做什么"。
在自动驾驶待久了的工程师，习惯的是"用算法提升安全上限"；具身智能要求的，却是"用工程手段确保安全下限"。这不是技术路线问题，是整个思维范式的迁移。
第三层差异：场景泛化的难度不在一个量级。
自动驾驶的泛化，是在"道路"这个相对封闭的场景里发生的。所有的道路，虽然形态各异，但都遵循交通规则这个底层约束。车辆行为的可能性空间，被规则、地图、传感器配置约束在一个可管理的范围内。
具身机器人的泛化，是在"人类生活空间"里发生的。厨房、卧室、客厅、办公室——每一个场景都有独特的物体分布、光照条件、人机交互模式。你没法用高精地图给每个家庭建模，也没法要求用户按机器人能理解的方式整理房间。
一个在自动驾驶里能把corner case收敛到5%以内的工程师，到了具身场景，可能发现自己的经验连10%的场景都覆盖不了。
02 世界模型研究员为什么成了重灾区
文章开头提到，有具身公司在招聘世界模型研究员时，跨行业候选人的面试通过概率显著下降。这件事值得单独拎出来说。
因为世界模型，恰恰是自动驾驶和具身智能在技术路线上分歧最尖锐的领域。
自动驾驶的世界模型，主要用于预测其他交通参与者的行为——前车会不会加塞、行人会不会闯红灯、骑行者会不会突然变道。核心是对"智能体行为"的预测，服务于驾驶决策。
具身智能的世界模型，要求的是对"物理世界因果关系"的理解——这个杯子推到这个位置会不会掉下桌面、这块布披在物体上会形成什么褶皱、这个门把手转动的角度和门的开启幅度之间是什么力学关系。核心是对"物理规律"的建模，服务于操作规划。
两个方向都需要大模型，都叫"世界模型"，但训练目标、数据工程、评测指标几乎没有任何重叠。
一个在自动驾驶领域训练了三年世界模型的博士，投奔具身公司后发现自己连数据清洗 pipeline 都搭不起来——不是能力问题，是经验直接作废。
这也是为什么猎头们发现，具身公司现在更愿意直接招物理系、力学系、机器人学的PhD，而不是从自动驾驶公司平移。
03 那批顶级的具身创业者，为什么还是来自自动驾驶？
说到这里，可能有人要反驳：具身智能领域最顶尖的创业者，掰开看，绝大多数还是自动驾驶背景。何小鹏带着小鹏汽车做飞行汽车和人形机器人，王唯在某个具身项目里担任联创，李飞飞团队的核心成员曾在Waymo工作——这个名单可以列很长。
这不矛盾。
这批人的厉害之处，不在于他们把自动驾驶经验带到了具身，而在于他们完成了能力的重新构建。
他们到具身之后，做的一件事是：忘掉自动驾驶。
不是技术作废，而是归零心态。他们愿意蹲在工厂里看工人装配，愿意和供应链上的老师傅泡在一起，愿意从机械臂的每一个关节参数开始重新学习物理世界。
真正的壁垒从来不是技术本身，而是对新世界的敬畏心和适应力。
那些转行失败的自动驾驶工程师，问题往往不在于技术，而在于心态。他们带着"我懂AI、我懂算法、我懂量产"的优越感进场，发现具身公司根本不买账——因为具身公司需要的是能蹲下来、从第一性原理出发解决物理世界问题的人，而不是带着PPT思维的技术专家。
04 这件事对行业意味着什么
自动驾驶人才向具身智能的流动受阻，对行业的影响是结构性的。
短期看，具身公司不得不放慢扩张速度。一家做人形双臂机器人的创业公司，去年团队规模从50人扩到120人，其中超过60%是有自动驾驶背景的算法工程师。今年他们暂停了社招，原因是"融合成本太高，进来的人需要12到18个月才能真正产出"。
中期看，具身行业会加速建立自己的人才培养体系。高校的机器人专业、具身智能实验室，会比以往更受资本青睐。行业会从"挖自动驾驶墙角"转向"自己造血"。
长期看，这其实是好事。
一个行业如果只能靠跨行业输血才能存活，说明它的技术积累还不够深厚。具身智能正在经历一个痛苦的"断奶期"——它需要独立生长出自己的技术栈、人才梯队和行业规范。
这个过程会很疼，但这是走向成熟的必经之路。
05 对想转行的你说几句真心话
如果你是一个在自动驾驶领域做了三到五年、想转具身智能的工程师，在投简历之前，先问自己三个问题：
第一，你愿不愿意从"管数据"变成"收数据"？
自动驾驶的数据是现成的，你的工作是优化模型。具身的数据需要自己收，你可能要去工厂、去家庭、去各种物理场景里采集失败案例。这个转变不是技术层面的，是工作模式的。
第二，你能不能接受"降级"？
在自动驾驶公司，你可能是某个模块的负责人，有团队、有资源、有明确的KPI。转到具身公司，很多岗位是从工程师做起，你需要重新证明自己。这种心理落差，比你想象的更难消化。
第三，你是不是真的对物理世界感兴趣？
这句话听起来像废话，但很多人转具身是因为"具身是风口"，而不是真的对机器人、对物理交互有兴趣。风口会变，但兴趣不会。真正能撑过这段转型期的人，一定是对物理世界有好奇心的人。
最后
自动驾驶和具身智能，技术底座确实有重叠。但这重叠的部分，最多只占具身智能需要能力的40%。剩下60%，是物理世界的复杂性、是数据采集的艰辛、是硬件和算法必须协同进化的工程能力。
这不是泼冷水。这是事实。
认清事实的人，才能做出更好的选择。
要么，留在自动驾驶，用你的能力继续推动这个行业的进化；要么，下定决心归零，带着敬畏心重新学习物理世界。
两条路，都能走通。最怕的是高估了重叠、低估了差异，带着半吊子的"技术平移"思维冲进具身，然后被现实教训一顿。
你身边有从自动驾驶转具身的朋友吗？他们现在怎么样了？
大家如果有问题请留言，我会及时回复!
欢迎大家关注知识星球（新用户可私信优惠券），获取更专业的具身智能机器人行业资讯和技术研究报告!
