造得出，卖不动：具身智能创业机会筛选的七个判断

🧠 文中涉及公司的完整档案见 RobotScope 公司档案——每条事实标注来源时间。

美联社 6 月 6 日发了一篇标题很扎心的报道：“China can build humanoids at scale. The hard part is finding enough buyers.”——中国能规模化造人形机器人，但难在找到足够买家。

这句话不是对中国的嘲讽，而是整个赛道当前最诚实的诊断。

打开 RobotScope 的公司档案看一眼：Physical Intelligence 估值 $5.6B、账面零收入；Skild AI 估值 $14B、仅有 $30M 收入。与此同时，估值最低的 Agility Robotics（$2.1B）反而是部署最深的——5 家 Fortune 500 客户在真实商业运营中累计移动了 10 万个 tote。

这意味着创业者面对一个被估值泡沫遮蔽的核心问题：什么场景的客户真的愿意持续付费？

这篇文章给出一套从需求端筛选创业机会的实用框架——不是理论推演，而是用 RobotScope 档案中 8 家公司的真实数据做验证。

一、先问对问题

具身智能融资热的时候，最容易犯的误判是：既然资本都在投，说明大家已经找到了真实场景。

更准确的说法是：具身智能的长期方向很真，但短期融资热度明显领先于商业成熟度。 资本买的是未来十年”物理世界入口”的期权，创业者面对的是未来三年真实交付、现金流和单位经济模型的压力。

所以，创业者不该问”哪个方向最热”，而该问：

• 哪个场景即使融资热度下降，客户仍然愿意买单？
• 哪个任务即使没有宏大叙事，也能靠 ROI 成立？
• 哪个工作流可以从第一个客户复制到第一百个？

具身智能创业的核心不是证明”机器人能动”，而是证明机器人在某个具体场景里，能以更稳定、更低总成本、更可追踪的方式接管一段真实工作流。

二、三类需求的优先级

我们可以把机器人需求粗分为三类：

拓展能力类——人类在成本、安全、精度或环境适应性上明显不适合做的任务，如高危巡检、极端环境作业。这类需求通常很强，但往往同时伴随高安全责任、长销售周期和强定制化。它适合做高壁垒公司，但未必适合早期团队快速验证 PMF。

解放劳动力类——把高频、重复、低创造力、可度量、可流程化的体力劳动转化为机器工作流。仓储搬运、分拣拣选、工厂上下料、药房自动取药、冷链仓库搬运都属于此类。ROI 容易计算：节省多少人力、减少多少错误、提高多少吞吐。

情感与趣味类——陪伴、互动、导览、娱乐。除非团队有强消费品牌能力或明确复购机制，否则容易陷入”买一次新鲜感，长期复购弱”的问题。

对早期创业团队，解放劳动力类应该是最优先的切入方向。不是因为它最有想象力，而是因为它的 ROI 最容易算清楚。

三、四象限：机器优势 × 任务熵

比”人能不能做”更有用的是两个轴：

轴一：机器相对人类是否有明显优势。 包括成本优势、安全优势、精度优势、耐久优势、稳定性优势、可规模化优势。

轴二：任务熵高不高。 环境是否结构化？物体是否标准化？流程是否稳定？动作是否可重复？结果是否容易验收？失败是否容易恢复？

用这两个轴划出四个象限：

象限一：机器优势强 + 任务熵低——创业黄金区。 高频、重复、低创造力、环境可控、物体相对标准。典型场景：仓储搬运、tote handling、药房自动取药、工厂上下料、电商仓拣选。关键不是讲”具身智能”，而是讲”工作流自动化”——客户不会因为你用了 VLA 或大模型买单，会因为降低成本、提升效率买单。

象限二：机器优势强 + 任务熵高——长期大机会，但早期高风险。 家庭服务、养老护理、灾害救援、建筑工地。需求真实但任务长尾极多、用户容错低、价格敏感。更现实的打法是先限定任务边界、先从 B 端切入、先用远程操控 + 半自主建立数据闭环，再逐步提高自主率。

象限三：机器优势弱 + 任务熵低——低价值替代区。 低工资地区的简单搬运、已被传统自动化充分解决的简单工序。任务简单只说明技术上容易做，不说明客户愿意付费。

象限四：机器优势弱 + 任务熵高——应该避开。 泛陪伴、泛导购、泛教育、泛家庭助理。新鲜感强但刚需弱、复购弱、产品边界模糊。

四、用真实数据验证框架

把这四个象限和 RobotScope 档案里的公司对照，结论很有说服力。

部署最深的都在象限一。 Agility 的 Digit 在 GXO、Amazon、Toyota 等 5 家 Fortune 500 客户的现场运营，累计移动 10 万+ tote，RaaS 定价 $30/小时直接对标人类全职人工成本。Schaeffler 承诺到 2030 年在全球 100 家工厂部署。Brightpick 在 Superior Communications 部署 50 台 Autopicker，实现 3,500 picks/小时，73% 自主拣选率，RaaS 月费 $1,900。Amazon Robotics 内部已部署超 100 万台机器人。Covariant 专注于 warehouse pick-and-place 的 AI 平台（非人形路线），任务覆盖 goods-to-person picking、depalletization、kiting、order sortation。

这些公司有一个共同点：它们卖的不是”机器人”，而是”可量化的效率提升”。 客户付的钱可以跟节省的人力、减少的错误、提高的吞吐直接挂钩。

估值最高的反而不在象限一。 Figure AI 估值 $39B，累计融资 $1.9B，但其商业部署仍以试点为主——BMW 工厂 11 个月部署参与生产 30,000 台车，200 小时分拣 249,560 个包裹零故障（自报/未经第三方验证）。CEO Brett Adcock 放出的 Figure 04 家庭租赁远期目标 $400-600/月，家庭场景的”象限二”属性（任务熵极高）让这个目标充满不确定性。

UBTECH 是另一个典型案例：2025 年出货 1,079 台全尺寸人形，订单覆盖 BYD、Geely、Airbus，但 Walker S2 效率仅达人类工人的 45%（MERICS 2026-01 报道）。从 45% 到能真正替代人工，中间还有很长的路。

五、拆解需求的五个变量

“这个需求强不强”太粗了。应该拆成五个变量：

痛点强度——客户是不是每天都痛？真正好的场景，客户已经在用人工、外包或传统设备解决问题，只是现有方案成本高、错误率高或扩张困难。

任务频次——机器人非常适合高频任务。硬件、部署和维护成本需要靠足够高的任务频次摊薄。

支付意愿——痛点有没有对应预算？谁付钱、谁使用、谁维护、谁承担失败责任？没有预算的痛点不是商业机会。

失败代价——机器人失败一次，可以人工接管还是会造成安全事故？失败代价高的场景必须采用辅助型、半自主型产品形态。

替代对象——你替代的到底是谁？是昂贵技师、危险岗位、外包服务，还是客户”不做任何改变”的习惯？很多机器人创业者的真正竞争对手不是人，而是输送线、AGV、机械臂，甚至是客户的不作为。

Brightpick 的案例几乎完美命中了这五个变量：仓储拣选每天高频发生，客户有明确预算（人力成本可量化），RaaS 模式规避了 CapEx 投入风险，失败可人工接管，替代的是日益昂贵且不稳定的仓库拣选员。

六、泡沫期最应该警惕的十个信号

融资热的时候，以下信号非常危险：

1. 只讲”通用具身大脑”，不讲第一个付费工作流。
2. 只展示视频，不披露连续运行时长、故障率、人工介入率。
3. 只讲订单金额，不讲交付状态、复购、毛利和运维成本。
4. 只讲本体参数，不讲任务完成成本。
5. 只讲”替代劳动力”，不讲客户组织流程怎么改。
6. 只讲”未来家庭”，不讲眼前谁愿意为硬件和服务买单。
7. 只讲数据飞轮，但没有真实部署的数据入口。
8. 只讲估值上涨，不讲收入质量。
9. 只讲国产替代或产业链，不讲客户 ROI。
10. 试点很多，但每个项目都高度定制。

第 10 条最危险。具身智能公司很容易变成”高科技外包公司”——每个客户都要调场景、调动作、调流程。收入看起来有，但毛利和复制性很差。Agility 的做法值得参考：不要求客户改造场地来适配机器人，而是让机器人适配现有的人工工作环境。

七、一个实用的筛选公式

可以用一个粗略公式来评估机会优先级：

优先级 = 痛点强度 × 任务频次 × 支付能力 × 可复制性 × 数据闭环价值 ÷ 环境复杂度 × 硬件复杂度 × 安全责任 × 集成成本 × 运维成本 × 销售周期

这个公式不追求数学精确，而是帮助创业者避免被单一变量误导。一个场景看起来很性感，但如果分母过大，早期公司会被交付复杂度拖死。

结论

具身智能创业者最应该避免的，不是选择一个”不够宏大”的场景，而是选择一个”宏大但无法交付”的场景。

在泡沫期，真正的问题不是”行业是不是有泡沫”，而是哪个切口即使泡沫破了也能活。

AP 的报道给了一个很好的注脚：中国能造出足够多的人形机器人。但机器人造出来了，能找到愿意持续付费的客户，才是创业公司的真战场。

高质量的场景可以概括为一句话：人类长期不适合做，任务边界可工程化，客户有持续预算，机器人能稳定交付，部署后数据能持续积累。 用 RobotScope 的数据验证——这正是 Agility、Brightpick、Amazon Robotics 这些”不性感但赚钱”的公司在做的事。

具身智能创业的本质，不是让机器人像人，而是让机器在某段真实工作流里，比”人 + 工具 + 流程”的组合更稳定、更便宜、更可追踪、更可复制。