「一手判断」栏目，是虎嗅访谈AI从业者，给出的一线独家见解，首发于小程序“虎嗅嗅”的“AI 100”
本期受访者：朱亚娟｜腾讯 Robotics X 实验室生态负责人
年收入在 2000 万元以上的工厂，中国有超过 50 万家。
背后，是至少 10 万亿元量级的底盘。
它说明了一件事：机器人一旦真正进入工业，面对的不会是一个小市场。
问题恰恰是，哪些场景真的值得进？
大量工位，传统自动化已经解决得足够便宜、稳定。机器即使“能做”，客户也未必有理由买。
所以朱亚娟（腾讯 Robotics X 实验室生态负责人）真正进入工厂以后，反而更习惯先问一个看起来不那么“AI”的问题：
为什么这里一定要用机器人？
这篇访谈提供的，就是一套判断：哪些场景值得做，哪些账算得过来，什么才算真正的生意。
把一个瓶子插进一个固定位置，听起来不像一道需要“具身智能”的题。
传统自动化早就能做。
真正麻烦的是，这周是这个瓶子，下周，它可能就换了一个形状。瓶型一变，原来的工装可能要改，程序重新调，产线还可能为此停下来。
如果是一家日化工厂，变化甚至更快。一款口红可能有20种颜色，包装也会随节日发生变化。一个批次可能只有几千件，今天生产完，明天就换另一款产品。
到这里，技术问题，变成了另一道题：当现实不断发生变化，重新适应它，到底要花多少钱？
这也是朱亚娟现在看具身智能落地时，经常先问的问题。
不是机器人又学会了什么新动作。而是：这件事情，为什么不能继续用传统自动化？
这个问题听上去不够“前沿”。但真正进过工厂以后会发现，它是最先应该回答的问题。
去年，朱亚娟仍觉得很多操作类任务离真正落地很远。
到了今年6月，她和团队进厂测试，一些现场效果开始让工厂愿意继续往产线方向讨论，像是看到了“曙光”，开始逐渐摸到：
今天这代技术，到底适合先解决哪些现实问题。
点击下方小卡片👇🏻，阅读朱亚娟的完整访谈内容:
01
传统自动化能做的，为什么还要机器人？
今天看机器人展会，很容易产生一种错觉：只要某个动作机器人能做，就意味着这里存在一个机器人市场。
但朱亚娟在筛场景时，反而先排除“太适合自动化”的任务。
如果一个动作十年不变，机器只需固定位置上重复相同动作——传统自动化更便宜，也更稳定。
这时候，“具身智能”介入，没有意义。真正值得往下看的，是另一类任务：
小批量、高混合、频繁换型。
产品在换，包装在换，工具在换，订单也在换。
传统自动化能做，但每发生一次变化，都需要重新付出改造成本。
所以具身智能在工厂里最值得解决的是：变化本身已经成为主要成本的任务。
这也是“柔性”被反复讨论的原因。
对于按订单数生产、品类快速变化的工厂来说，柔性本身就是经营效率。
朱亚娟还会继续追问：
这种任务到底有多普遍？在全国有多大的需求？
如果一个动作只存在于极小的行业角落，即便技术可以做出来，也很难摊薄研发、适配和交付成本。
所以，一个真正值得投入的场景，至少满足两个条件：变化足够贵，需求也足够大。
但这也只是过了第一关。
因为——技术可以做，不等于客户值得买。
02
机器人可以做了，客户为什么还是不付钱？
工业客户和机器人团队看同一个项目，算的不是同一本账。
研发人员看到的是：成功率多少？节拍多少秒？连续成功了多少次？这些当然重要。
但朱亚娟分享了“20%和80%”的经验性说法：
模型的节拍、成功率即使已经不错，可能也只解决了客户真正付款前20%的问题。
剩下80%，都在工厂的经营系统里。
比如一个新单品上线，机器人需要重新适配多久？
产线需要为它停几个小时？需要几个工程师长期维护？
一旦一个零件掉进设备缝隙里，会不会把整条线卡停？
同样一块厂房面积，它是不是比原来的方案占地更多？
算上机器人、本体、维护、工程师、停线损失和生命周期成本以后，到底有没有比传统方案更便宜？
这里的“20%和80%”不是行业统计，而是一个提醒：
实验室最容易优化的指标，只占客户决策的一部分。
工厂不是为模型成功率付钱，更不为“它的形态像不像人”。
它最终买的是更低的综合成本、更短的换型时间，或者“柔性”能力。
甚至连“机器人应该长什么样”，最后也是这本账决定的。
在很多工厂场景里，一条固定的机械臂已经能解决问题。
但到了导览、导购、养老等需要直接和人交流的场景，形态的意义又会发生变化。
朱亚娟举过一个例子：人会对机器人说“谢谢”，却很少会对冰箱说“谢谢”。
在这些场景里，拟人化不只是外观问题，它还会影响用户愿不愿意交流。
换句话说，工业场景首先为效率买单，服务场景有时还会为“角色感”买单。
这也意味着，一次抓取失败，在算法团队眼里可能只是成功率从99%变成98%。到了产线上，却可能完全是另一回事。
一个产品掉错位置，卡住下一道工序，整条线都可能停下来。
所以从Demo到生产力，中间最难跨过去的，是：它失败一次以后，真实世界要为这次失败付多少钱。
但当换到商业服务，账反而变简单了。
朱亚娟曾经做过一个很朴素的粗算。
假设一套门店机器人方案一年成本10万元，按一年折算，每天新增成本大约300元。那么店长只需要回答一个问题：
它每天能不能帮我多赚300元？
这笔账比重新核算一条工业产线直观。
所以她相对看好专业服务类机器人更早跑出收入闭环。
但这里也存在一个矛盾：商业服务可以30分落地，但从30分走到90分，距离依然很远。
一个30分的导览机器人已经可以工作。
提前设好地图，走到固定点位，播放提前准备好的内容，甚至不需要特别强的大模型。
但游客可能走到一半突然问：“洗手间在哪儿？”，也可能告诉你：“我们后面赶飞机，剩下两个点别去了。”
到了导购，这套能力还得再上一层。
“会说话”和“会服务”，不是同一件事。
所以朱亚娟说商业服务“30分可以落地，90分也可以落地”。
30分解决的是“有没有”。
90分解决的是“替代一个专业角色”。
这条路的好处，是可以先让一个并不完美的系统进入现场，再逐渐提高能力。
而工业操作没有这么宽松。工厂里的98分，仍然不够。
朱亚娟把寻找落地场景比作从一棵树上摘果子。
专业服务更像位置较低的果子。
工业操作则更像一场“万里长征”——每一道关都要过。
但市场潜力巨大。
朱亚娟说：
“万里长征总要有人去走。”
03
换一种机器人，为什么又要从头来？
如果找到场景、算清账，还有另一个现实问题：
同一种能力，为什么换一种机器人以后，又得重新做一次？
互联网软件里，App换一台手机，大部分能力还在。
机器人不是。
“身体”长得不一样，甚至面对同一个任务，执行的动作路径都可能不同。
所以“跨本体”听起来很美好，但它不是：一套模型放进去，所有机器人从此都会同一件事。
更现实的目标是：换一种机器人以后，有多少能力能不要再从头做？
这里要区分任务。
在人机交互里，上层能力更容易迁移。
机器人只要具备基本的定位、视觉、计算和表达能力，理解问题、对话、任务管理等能力，都有一定复用空间。
一旦进入操作，情况就复杂了。
机械臂长度、自由度、末端执行器、传感器、工艺、安全边界都会直接改变动作本身。
所以今天真正能跨本体复用的，只是能力链条中的一部分。
跨本体不是消灭差异，而是减少重复劳动。
数据也是同一个问题。
今天行业喜欢谈数据规模：几万小时、几十万小时、上百万小时。
但她给数据的排序非常明确：质量大于规模，规模大于失败样本。
100万小时，如果都在重复同一种动作，并不天然比更少、但覆盖更多任务变化的数据更有价值。
机器人真正需要学习的，是世界在不断变化以后，该怎么继续完成任务。
具身智能的难点不是一个单纯的“模型问题”。
它是一个系统问题。
04
最后缺的，不是更大的模型，而是有人把它接进现场
今天很多机器人团队都面临一个局面：明明想做平台、模型或者本体，最后却发现自己还得亲自进工厂。
因为模型要想真正工作，需要有真实工作的数据，得有人懂产线；硬件要进产线，得有人懂算法；
客户说一句“这里效率不够”，中间需要有人把它翻译成：到底该改模型、改末端执行器、改流程，还是干脆别用机器人。
传统工业里其实有这个角色：集成商。但具身智能缺了这一环。
于是今天许多模型公司和机器人公司不得不自己“扎”进现场。
但如果每一家模型、本体公司都要养一支完整的工程团队——这个行业很难真正规模化。
朱亚娟对ToB具身智能长期形态的判断，更像一张逐渐分工的产业网络：
基础模型能力提供者，把尽可能通用的能力做好；
机器人本体公司，把硬件可靠性和底层接口做好；
有人真正理解场景工艺，把不同能力接进客户现场；
客户则负责给出真实的问题，以及真正的验收标准。
一个产业真正开始成熟的标志，是越来越多过去只能靠专家现场解决的问题，被变成了标准接口、工具、流程和经验。
机器人行业最终也会遇到这一步。
模型继续变强，本体继续变便宜、更稳定，都重要。
但真正决定这些能力能不能形成产业规模的，是中间那些不那么“性感”的工作：
怎么适配、怎么验收、怎么维护、怎么重新部署，以及一次项目里积累下来的东西，能不能进入下一次交付。
05
尾声
回头再看文章开头的那个瓶子。
让机器人把它插进去不难。
真正难的是：下周瓶子换了以后呢？
机器人能完成一次任务，只证明能力存在。
能让客户愿意为这项能力持续付钱，证明的是产品成立。
而真正走向规模化，还要再多证明一件事：
换一个场景，一切不必再从头来一遍。
点击下方小卡片👇🏻，阅读朱亚娟的完整访谈内容:
-END-
如果这篇对你有启发，随手一个 点赞、在看、转发三连， 就是最好的支持。
别忘了星标 「AGI接口」， 第一时间收到推送。
授权 · 合作 · 爆料，请联系 hezuo@huxiu.com
