具身智能，进入“对轰”时代？丨VC Weekly

本周四，《大北窑14F》更新了一期谈具身智能的播客。那期播客录制于8月28日，也就是宇树IPO的一周后，标题叫《我当年也否了宇树的BP》——这其实是投资圈里的一个经典段子，主要功能是用来自嘲自己没那个富贵命，或者用来感叹科技周期的变化之快。两位对谈嘉宾“有幸”也成为了其中的一个亲历者，也因此非常具体地还原了当时的感受。

首先可以明确的一点是，他们都没有感到后悔，原因很现实。把时间拨回2024年，一家规模不大的基金，面对估值已经很高、产品仍在快速变化的宇树，需要考虑自己的基金规模、回报要求和风险承受能力。按照当时能够看到的信息，放弃并没有违背投资纪律。即使重新选择一次，他们很可能还是会作出相同的决定。

可当宇树完成IPO，问题就变得很微妙了。

过去，一家公司通常要先做出产品，找到客户，形成稳定收入，投资人才有足够的信息判断它值多少钱。宇树却在产品、技术和应用仍未完全收敛时进入了公开市场，早期投资人也提前等到了退出机会。虽然这个结果不能证明当年的否决错了，却让一个更麻烦的问题摆到了所有VC面前：一次符合投资纪律的判断，会不会建立在一套正在过期的规则上？

所以，那期播客只是把“当年为什么没投宇树”当做了一切切入口。我们更想讨论的是，具身智能正在改写风险投资人熟悉的一切：什么时候下注，拿什么验证，怎样计算回报，以及一家公司的产业进度和资本进度，是否还会按照同一个时钟向前走。

那时候我也绝对没想到，就在节目上线的同一天，刚把梅卡曼德送进港股的邵天兰发了一则话题性十足的朋友圈。节目里反复推演的那种不安，一下子从播客里的假设，变成了行业里的公开争议。

邵天兰质疑，一些具身智能公司尚未证明产品能被市场反复购买，却急着用大项目、大订单和上市计划证明自己。他还把问题落到了收入上：如果客户、投资人、地方平台和供应链处在同一个圈子里，这些订单到底说明了多少独立需求？

这里最容易混在一起的是两件事：一笔订单有没有真的签，一笔收入能不能说明产品已经有人反复买。合同和回款都可以是真的；客户如果总来自同一个熟人圈，这笔钱依然很难回答第二个问题。数据采集中心和示范项目也可能是行业必需的基础设施，可一旦它们同时承担融资、落地、收入和估值四种任务，投资人就得重新判断，这究竟是市场在给产品投票，还是参与者在彼此完成任务。

VC最难受的是，两套规则眼下都能讲通。守着旧规则等客户和收入，明星公司可能在尽调期间完成下一轮，甚至直接走到IPO；顺着新规则，把融资、数据和场景都算作进展，又很容易把一场内部循环看成市场验证。

本周的VC WEEKLY，我们就围绕具身智能改写的这些规则展开：当技术还没有成熟，资本能把公司往前推到哪一步；一份看起来漂亮的收入，究竟有没有换来陌生客户第二次掏钱；以及投资人还能拿什么，区分一次合理的抢跑和一场彼此说服的繁荣。

本周重点推荐：AI公司需要从卖工具，走向接管一整段工作

9月6日，Lenny’s Podcast请来了硅谷风险投资机构a16z合伙人阿尼什·阿查里亚（Anish Acharya），双方对话的主题是《为什么公司正在变成一组不断运转的循环》。

阿查里亚曾创办社交游戏公司SocialDeck，并将其出售给Google，此后在Google和Credit Karma负责产品。做过创业者、产品经理和投资人以后，他发现AI正在改变软件公司最基本的生意模式。

过去，软件通常服务于一个岗位。销售使用客户管理软件，程序员使用代码工具，客服使用工单系统。软件帮助人完成其中几步，剩下的判断、沟通和交接仍由人负责，因此软件公司习惯按照用户数量收费。

现在AI出现后，软件有能力接管更长的工作。以修复软件故障为例，一条完整的工作链条包括接收用户反馈、复现问题、找到代码、完成修改、运行测试、提交审核、发布新版本，再通知用户。过去，这些步骤散落在客服、产品、研发和测试团队之间。AI代理可以沿着同一个目标连续工作，根据上一步的结果决定下一步做什么。阿查里亚把这种结构称为“循环”。

循环和我们熟悉的自动化流程有一处非常关键的差别。自动化流程按照提前写好的规则运行，遇到意外便停下来等人；AI可以观察结果、调整动作，再尝试一次。人类负责处理它暂时解决不了的例外，处理方法随后进入系统。

墨西哥二手车交易平台Kavak提供了一个例子。AI客服无法解决用户问题时，会把对话交给人工。人工完成退款、修改订单或者处理异常以后，系统记录这次操作。类似问题再次出现，AI便有机会独立完成。原本需要人反复处理的例外，被一点点吃进产品。

这个关键差异会改变AI创业公司的边界。它们过去向客服部门出售一款助手，现在可以直接承接从用户提问到问题解决的完整流程；过去向程序员出售代码工具，现在可以从收到故障报告一直做到修复上线。客户购买的单位，也会从软件账号变成一次解决问题、一次完成审核或者一项交付结果。

阿查里亚用工厂电气化解释这种变化。电动机刚刚出现时，工厂只是用它替换蒸汽机，机器的位置、生产流程和管理方式都没有改变。直到工厂围绕电力重新布置生产线，效率才开始大幅提高。今天很多公司购买AI工具，也只是给原有岗位增加了一位助手。更大的机会来自重新拆解整段工作，再把它交给一套能够连续运行的系统。

具体到本周关于具身智能的讨论，机器人同样需要完成一条循环：接收任务、识别环境、执行动作、检查结果、处理失败，再开始下一项任务。订单和出货量只能证明机器人进入了现场。每次遇到异常需要多少人工接管，处理过的异常能否在下一次自动解决，进入新工厂时是否还要重新驻场调试，决定了这条循环有没有转起来。

这也解释了为什么两家收入相近的机器人公司，可能拥有完全不同的生意。一家公司每增加十台设备，就要增加一批操作员和驻场工程师；另一家公司不断缩短人工接管时间，同一个团队能够支持越来越多设备。前者的收入伴随着人力一起增长，后者开始拥有软件公司的规模效应。

软件时代，创业公司争夺一个岗位的工具预算。AI时代，一家公司有机会拿走一整段工作的收入。VC需要重新判断的，已经不只是产品卖给了多少客户，还包括它接管了多少步骤、留下了多少人工，以及每次运行之后能不能继续扩大这段边界。

本周其他推荐：有6000万用户，也可能被更强的后来者超过

9月5日，20Sales请来语音人工智能公司Speechify联合创始人兼CEO克利夫·韦茨曼（Cliff Weitzman），更新了《如何自建数据中心，以及ElevenLabs超过我们以后，我学到了什么》。Speechify最早是韦茨曼为解决自己的阅读障碍开发的朗读工具，如今拥有超过6000万用户。

按照AI创业最流行的说法，模型会逐渐普及，用户和分发才是应用公司的壁垒。可Speechify的遭遇却证伪了这一点，他们已经拥有庞大的用户规模，却依然被成立更晚的ElevenLabs抢走了语音模型的注意力。韦茨曼承认，没有持续追赶最先进的模型，是他创办Speechify以来最严重的战略错误。

Speechify的教训是，用户规模无法自动补上模型差距。语音质量出现一代差距，开发者会更换接口，企业客户也会重新选择供应商。Speechify随后开始自己购买芯片，投入数百万美元建设数据中心，并加入越来越昂贵的AI人才竞争。

一家从消费级应用起步的软件公司，就这样被迫向模型、算力和基础设施不断深入。AI应用公司未必会随着模型成熟而变轻。模型一旦直接决定产品体验，原本应该支付给云厂商的成本，可能变成公司自己的服务器、机房和研发团队。

这期节目给VC留下了一道很现实的估值题：一家AI公司拥有多少用户，只能解释它今天站在哪里；它与最强模型之间还有多大差距，以及追赶需要投入多少资本，会决定现有优势还能保持多久。

9月8日，Invest Like the Best请来历史学家、《华尔街日报》专栏作家沃尔特·拉塞尔·米德（Walter Russell Mead），更新了《上帝、黄金与硅》。米德长期研究美国外交政策，这次讨论从人工智能一直延伸到贸易、战争和全球权力。

米德认为，二战后由美国主导的国际机构正在松动，美国积累的技术、金融和商业网络却没有随之消失。过去几百年的大国竞争里，英国和美国的优势都来自一组相互咬合的能力：技术创造新的生产工具，金融为扩张提供资本，贸易把市场连接起来，军事力量保护这套网络继续运行。

硅谷过去更愿意把自己描述成远离政府的创新力量。人工智能、芯片、卫星、无人机和数据中心迅速变成国家竞争的一部分以后，科技公司已经很难留在这个位置。米德把正在形成的一批人称为“科技汉密尔顿主义者”：他们相信产业、金融、技术和国家能力需要共同增长，科技企业家也应当直接参与公共事务。

这会改变VC所处的环境。出口管制可能决定一家芯片公司能卖给谁，政府采购可能成为机器人和无人系统最早的大客户，供应链位置也会影响一家公司的融资和退出。技术路线仍由工程师推进，公司的边界却越来越多地受到国家力量塑造。

本周特别推荐：最像具身智能赢家的公司，可能根本不造机器人

具身智能最容易被记住的，往往是一台会跑、会跳或者会叠衣服的机器人。Applied Intuition几乎不提供这样的画面。它不生产汽车、矿车、拖拉机或者人形机器人，却希望让这些机器全部拥有自主行动的能力。

7月27日，Business Breakdowns请来Applied Intuition两位联合创始人卡萨尔·尤尼斯（Qasar Younis）和彼得·路德维希（Peter Ludwig），更新了《Applied Intuition：让十亿台机器拥有智能》。公司成立于2017年，尤尼斯和路德维希此前都在自动驾驶公司工作。他们选择离开最受关注的整车竞争，把公司建在所有机器都可能需要的那一层。

训练一辆自动驾驶汽车，不能只靠它在真实道路上不断试错。因为有些危险情况几年才会出现一次，一次错误便可能造成事故。Applied Intuition最早出售的产品，是一套模拟这些极端场景的软件。车企可以让自动驾驶系统在虚拟环境里经历暴雨、突然横穿的行人、故障车辆和复杂路口，再检查它会如何反应。

这套能力很快超出了汽车。矿车需要在粉尘和崎岖路面中行驶，农机需要识别作物与障碍物，军用车辆面对的环境更加不可预测。机器的外形和任务不同，开发过程却高度相似：建立虚拟环境、生成异常场景、测试控制系统、定位失败原因，再把修改后的系统重新放回场景验证。

Applied Intuition沿着这条开发链继续扩张。公司最初出售单独的测试工具，随后进入操作系统和自动驾驶软件，再推出用于开发和部署自主系统的智能平台Dana。客户既可以保留自己的算法，只购买测试和开发工具，也可以直接采用Applied Intuition提供的整套自主驾驶能力。

这种位置给了公司一项少见的选择权。汽车行业押注端到端模型，工具仍然需要测试模型面对极端情况时会做什么；机器人采用双足、轮式或者履带式结构，开发者依然要模拟环境和验证控制系统；一家终端厂商在竞争中掉队，也不会带走整套工具的市场。

两位创始人还坚持一套相当克制的商业模式：客户按年购买软件，把Applied Intuition放进长期研发流程。公司不需要制造大批车辆，也不用承担每一台机器的硬件库存和现场运营。前沿技术带来的不确定性，被装进了一门更接近传统企业软件的生意。

Applied Intuition已经融资10亿美元，两位创始人在节目中说，这笔钱几乎没有动用。融资为公司保留了进入新行业、收购技术和应对长期竞争的能力，日常扩张仍由收入支撑。具身智能公司通常需要不断融资才能完成研发、量产和交付，Applied Intuition展示了另一条路径：技术可以很激进，公司的现金流可以很保守。

投资人讨论具身智能时，很容易把注意力集中在谁能造出最通用的机器人。机器人的身体路线还在变化，轮子、双足、机械臂和专用设备各自争夺场景；Applied Intuition服务的是所有路线都绕不开的开发过程。终端赢家尚未出现，它已经开始向每一位参赛者收费。