2026 年 8 月北京亦庄的机器人展馆里最容易被拍到的仍然是机器人“像人”的部分。它们走路、搬箱、握手、踢球、跑步。几天后第二届世界人形机器人运动会在北京举行机器人被放进赛道、球场和对抗场景里。对公众来说这是一个足够直观的时刻机器人终于从视频里走出来进入了展馆、赛场和真实人群。但如果站在具身智能产品经理的角度看2026 年 8 月真正重要的变化并不是机器人更像人了而是这个行业开始被迫回答一个更产品化的问题这台机器人到底为谁工作在哪个场景里工作以什么成本工作失败时如何被接管数据如何闭环客户为什么愿意持续付费。这是具身智能从“技术叙事”走向“产品叙事”的转折。过去两年人形机器人行业的主线是技术展示谁的本体更稳谁的关节更强谁的视频更震撼谁的大模型更接近通用智能。投资人愿意为远景下注媒体愿意为新物种买单公众愿意为一段机器人跳舞的视频停留。但到 2026 年 8 月具身智能公司的问题开始变得具体。它不是“机器人会不会改变世界”而是“第一个能付钱的客户是谁”。不是“有没有大模型”而是“大模型能否把一句自然语言指令拆成稳定可执行的动作序列”。不是“能不能搬箱子”而是“在多少噪声、多少遮挡、多少误差、多少失败率下仍然能搬”。不是“有没有商业化”而是“LTVLifetime Value用户生命周期价值能不能覆盖 CACCustomer Acquisition Cost获客成本售后成本会不会吞掉毛利”。这也是为什么具身智能公司的品牌、PRPublic Relations公共关系和市场问题不能再被看成“传播部门的事”。它本质上已经变成产品定义的一部分。一家公司怎么讲自己往往暴露了它怎么定义产品。一、叙事经济学里的具身智能故事会影响估值但故事必须长在产品上诺贝尔经济学奖得主罗伯特·席勒在《叙事经济学》中提出一个能够被广泛传播的故事会像流行病一样扩散并影响人们的经济决策。人们并不只是根据数据和模型投资也会根据他们相信的故事下注。具身智能是一个非常典型的叙事驱动型产业。因为它的长期想象力远远领先于当前产品成熟度。投资人相信AIArtificial Intelligence人工智能最终会进入物理世界机器人会成为下一代通用计算平台制造、物流、养老、医疗、家庭服务都会被重构。这个故事足够大也足够有感染力。海外把它称为 Physical AI物理人工智能强调 AI 从数字世界进入物理世界NVIDIA 今年 3 月在公开资料中提到正在与全球机器人企业一起推动 Physical AI 进入真实世界覆盖工厂、人形机器人、边缘 AIEdge AI在本地设备端完成 AI 推理、仿真训练等方向。链接见NVIDIA and Global Robotics Leaders Take Physical AI to the Real World。市场也在给这个故事定价。MarketsandMarkets 7 月发布的文章预计embodied AI具身人工智能即能通过身体与物理环境交互的 AI市场规模将从 2025 年的 44.4 亿美元增长至 2030 年的 230.6 亿美元。链接见Embodied AI Market Growth Driven by NVIDIA, Tesla Others。但从产品经理角度看一个行业故事是否成立不取决于它是否宏大而取决于它能不能被拆成产品路线图。“AI 进入物理世界”是叙事。“机器人通过视觉、语音、触觉和力觉完成感知—决策—执行闭环”才是产品架构。“机器人替代重复劳动”是叙事。“在某个工位、某个节拍、某个误差范围内完成抓取、搬运、巡检或上下料”才是产品需求。“通用人形机器人”是叙事。“先做仓储搬运、工业巡检、养老陪护还是科研教育”才是产品定位。这就是具身智能和上一代软件产品最大的不同。软件产品可以先有用户再通过迭代慢慢优化体验。机器人产品不行。机器人进入真实世界错误会造成物理后果。它摔倒、碰撞、误抓、识别错误、路径规划失败都会被客户直接感知甚至带来安全责任。所以具身智能的叙事不能悬浮在产品之上。它必须长在产品上。对投资人来说这意味着看一家具身智能公司不能只看它有没有一个能传播的故事还要看这个故事是否能落到一组产品问题里它的目标用户是谁核心任务是什么任务成功率如何定义响应速度和准确率如何取舍安全机制做到哪一层数据如何采集和闭环交付成本、维护成本和客户生命周期价值如何计算产品路线能否支撑公司叙事的下一阶段这些问题才是叙事能否兑现的底座。二、2026 年 8 月之后行业主叙事从“像不像人”变成“能不能工作”2026 世界机器人大会在北京举行。大会官网介绍今年博览会关注应用场景拓展、前沿技术创新、关键技术突破、新品首发和国际合作覆盖人形机器人、工业机器人、服务机器人、特种机器人和核心零部件等。官方信息见2026 世界机器人大会。同期第二届世界人形机器人运动会也在北京举办赛事于 8 月 22 日至 26 日举行。官方入口见世界人形机器人运动会官方网站。这些活动让机器人行业获得了很高的公众注意力。但从产品经理角度看运动会和展会最有价值的地方并不是制造了多少流量而是把一些原本藏在实验室里的产品问题暴露出来。机器人跑步考验的是运动控制、实时感知、重心调整和失稳恢复。机器人踢球考验的是视觉识别、路径规划、任务决策和多机协同。机器人搬箱考验的是抓取策略、力控、动态避障和动作稳定性。机器人在人群中移动考验的是传感器融合、SLAMSimultaneous Localization and Mapping同步定位与地图构建、局部避障和安全冗余。这些不是传播素材而是产品指标。以语音交互为例一个具身智能产品如果进入养老、医疗或家庭场景就不能只说自己“支持语音识别”。产品经理真正要定义的是在家电噪声、电机自噪声、多人交叉对话这些条件下机器人能否正确识别指令在安全敏感场景里是优先响应速度还是优先准确率急救指令是否需要小于 200ms毫秒千分之一秒的边缘响应复杂问诊是否需要云端联合推理。这里涉及 ASRAutomatic Speech Recognition自动语音识别。传统 ASR 系统常用 GMM-HMMGaussian Mixture Model-Hidden Markov Model高斯混合模型-隐马尔可夫模型声学模型和 N-gram基于连续词序列概率的语言模型语言模型适合小数据和低算力边缘设备端到端 ASR 则可能采用 LASListen, Attend and Spell一种端到端语音识别模型或 Transformer基于注意力机制的深度学习架构直接把语音映射成文本适合复杂语义理解但对算力要求更高。以动作控制为例一个机器人“会抓取”也不够。它需要在逼近阶段保证响应速度在接触阶段控制力度在遇到突发障碍时通过硬件层、控制层和任务层协同响应。比如硬件层要能在毫秒级切断风险源控制层切换阻抗控制模式任务层重新规划路径。这里涉及 PID 控制算法Proportional-Integral-Derivative比例-积分-微分控制。简单说P比例项影响响应速度I积分项用于消除稳态误差D微分项用于抑制超调。在抓取动作中逼近阶段可能需要更高 P 值来快速接近目标接触阶段则可能需要更高 I 值来补偿物体形变和接触误差。以导航为例产品经理要判断当前场景更适合视觉 SLAM、激光雷达还是多传感器融合。LiDARLight Detection and Ranging激光雷达精度高但会受玻璃反射干扰视觉传感器成本低但受光照影响大。小型室内机器人可以使用计算量较低的 Gmapping基于粒子滤波的二维 SLAM 算法大型商场、仓库或复杂场景则可能需要支持回环检测和三维建图的 CartographerGoogle 开源的 SLAM 算法框架。局部避障还要考虑 DWADynamic Window Approach动态窗口法和 TEBTimed Elastic Band时间弹性带算法等算法能否应对动态人流。这些细节决定了具身智能产品能不能真正进入商业场景。《经济参考报》8 月 21 日报道人形机器人正在从“上场”走向“进厂”资本继续押注产业化前景。报道提到今年以来国内机器人相关企业发生超过 230 起融资事件同比增长 28.8%。链接见从“上场”到“进厂”资本加码押注人形机器人产业化前景。“从上场到进厂”对产品经理来说就是从 Demo Requirement演示需求强调展示效果进入 Product Requirement产品需求强调可交付和可持续使用。展台上的机器人可以靠工程师在旁边兜底。工厂里的机器人必须进入客户流程。展台上一次成功就能传播。客户现场要每天成功才能续约。展台讲“能力边界”可以模糊。产品规格书里边界必须清楚。这就是具身智能 2026 年之后最大的产品变化行业开始从“展示型产品”走向“任务型产品”。三、具身智能最危险的不是不营销而是产品阶段和叙事阶段错配WRCWorld Robot Conference世界机器人大会期间一场叫“聚深会”的小聚从晚上六点半聊到十点。来的有具身智能公司的创始人、投资人、市场品牌负责人和行业媒体人。很多人提到同一个问题不敢营销。产品还没完全定型不敢讲太满客户还在试点不知道案例能不能公开技术部门不愿意配合市场团队也听不懂研发语言团队只有两三个人其中一个还是实习生却要同时做融资故事、销售支持、老板 IP个人影响力与公众形象、线上线下活动和新媒体矩阵。如果从普通 PR 角度看这是品牌团队资源不足。但从产品经理角度看这是产品阶段和叙事阶段没有对齐。具身智能公司最怕的不是没有声音而是声音说错了阶段。技术验证期却讲全面商业化。试点验证期却讲规模交付。只能完成单一任务却讲通用智能。依赖人工兜底却讲自主闭环。主要收入来自科研、展示或政府项目却讲工业刚需。还没有稳定的数据闭环却讲平台生态。这类错配短期可能带来流量和融资便利但会提高后续产品兑现成本。具身智能产品经理应该成为公司叙事的校准器。不是为了限制市场而是为了让市场说的话能够被产品承接。如果产品处于原型验证期传播重点应该是技术路线、关键能力和团队判断而不是大规模落地。如果产品处于试点期传播重点应该是具体场景、任务成功率、部署条件和客户反馈而不是泛泛讲未来。如果产品进入规模交付期传播重点才应该转向客户案例、ROIReturn on Investment投资回报率、运维体系和行业标准。如果公司正在融资叙事可以适度前瞻但必须有当下证据链支撑。这就是叙事经济学在具身智能产品里的实际应用叙事可以放大价值预期但产品必须提供兑现路径。好的叙事不是把产品讲得更大而是让外界理解产品为什么会从今天走到明天。四、具身智能产品经理不是写需求的人而是连接技术、客户和资本的人在普通互联网公司里产品经理常常被理解为需求定义者、体验设计者和项目推进者。但在具身智能公司产品经理的角色更复杂。因为具身智能产品不是一个 App应用程序也不是一个纯硬件设备而是一个由感知、决策、执行、交互、安全、数据和商业模式组成的复杂系统。一个成熟的具身智能产品经理至少要能在四种语言之间切换。第一种是技术语言。他要理解 ASR、SLAM、路径规划、PID 控制、多模态融合、RLReinforcement Learning强化学习、VLA 模型Vision-Language-Action视觉-语言-动作模型、边缘部署、ROS 2Robot Operating System 2第二代机器人操作系统、中间件、传感器时间同步、模型压缩、Sim2RealSimulation to Reality从仿真到现实迁移等基础概念。不一定要亲自写底层算法但必须知道这些技术分别影响什么产品指标。比如 ASR 不是单纯的语音转文字而是影响响应速度、用户信任和安全边界。SLAM 不是地图构建功能而是影响机器人能否在复杂环境里持续定位。RL 不是一个热门词而是让机器人在仿真环境中通过奖励函数优化策略。模型压缩不是工程优化而是决定大模型能力能否在边缘端实时运行。模型压缩里还包括量化Quantization将浮点运算转成定点运算以降低算力和内存消耗、剪枝Pruning删除冗余神经元连接以减小模型规模和知识蒸馏Distillation用大模型指导小模型训练使小模型尽量保留大模型能力。第二种是客户语言。客户不关心你用了什么模型他关心机器人能不能解决问题。工业客户关心节拍、稳定性、维护成本、停线风险和 ROI。养老客户关心安全、隐私、陪护体验和紧急响应。医疗客户关心精度、可靠性、合规和责任边界。商场、仓库、园区客户关心导航、避障、巡检覆盖率和运维成本。具身智能产品经理必须把技术能力翻译成客户价值。第三种是商业语言。产品最终要回到 LTV 和 CAC。如果一台机器人硬件价格太高客户采购门槛就高如果售后维护成本太重厂商毛利会被吃掉如果使用频次不足客户生命周期价值就不够如果每个项目都要定制开发规模化就很难发生。因此HaaSHardware as a Service硬件即服务正在成为很多具身智能公司考虑的商业模式。通过按年、按月或按使用时长收费厂商保留硬件所有权客户降低初始采购压力。也有公司选择硬件接近 BOMBill of Materials物料清单即硬件成本构成成本销售再通过软件算法订阅费和售后维护费提升长期收入。但无论哪种模式产品经理都要回答一个基本问题这个产品的 LTV/CAC 是否健康。一般来说LTV/CAC 大于 3 才能说明商业模型比较可持续。这对具身智能尤其重要。因为机器人不是卖出去就结束后续的部署、调试、OTAOver-the-Air远程在线升级、维修、数据闭环都会产生持续成本。第四种是资本语言。投资人并不只看今天的客户收入也看公司未来能否扩展成更大的平台。产品经理要帮助公司说明当前产品是单点项目还是未来平台的入口今天做巡检是不是能积累视觉异常识别数据今天做仓储搬运是不是能沉淀通用移动操作能力今天做养老陪护是不是能形成长期交互数据和服务订阅今天做灵巧手是不是能成为多类机器人本体的关键零部件这些问题决定了公司叙事是项目型、产品型还是平台型。从这个意义上说具身智能产品经理不是一个内部岗位而是公司外部认知的底层设计者。五、为什么技术部门“不理市场”本质上是产品中台缺位很多具身智能品牌和市场团队最痛苦的事是产品和技术部门不配合。想讲客户案例数据拿不到想讲技术突破研发说不清或不愿说想讲产品路线产品版本还没稳定想做行业传播老板又担心过度承诺。这看起来是协作问题其实往往是产品中台缺位。在具身智能公司里研发、市场、销售和交付天然有不同优先级。研发关心模型效果、控制精度、系统稳定性和技术突破。销售关心客户需求、合同推进和项目回款。交付关心现场问题、部署周期和售后成本。市场关心对外表达、行业认知和品牌信任。投资人关心增长路径、竞争壁垒和估值逻辑。如果没有产品经理把这些信息组织起来公司就会出现典型断层研发做了很多突破但市场不知道哪些可以讲销售拿到了客户反馈但产品没有沉淀成需求交付解决了很多现场问题但没有转化为产品迭代市场对外讲了一个故事但研发觉得不准确客户也觉得不贴近。这时市场团队再努力也只能做表层传播。真正有效的机制应该由产品经理牵头建立一套内部信息闭环每月梳理技术进展区分“已实现”“可演示”“可交付”“可规模化”。每个客户试点结束后形成产品复盘包括成功率、失败类型、运维成本和客户反馈。每个新场景进入前明确任务边界、安全边界和商业假设。每次对外传播前由产品、研发、销售和市场共同校准表达口径。每个季度更新一次产品叙事把技术路线、场景验证和商业进展连接起来。这套机制不复杂但对具身智能公司非常关键。因为这个行业最容易出现“叙事快于产品”的问题。产品经理的责任就是让叙事适当前瞻但不能脱离产品证据链。六、投资人应该如何从产品经理视角看具身智能公司2026 年具身智能资本热度仍在持续。财联社 5 月报道2026 年以来具身智能领域融资已经超过 345 亿元资金正从整机公司向全产业链扩散。链接见300 多亿资本涌入具身智能从整机向全产业链“热起”。新华网同月报道资本加速布局具身智能但“交付能力”开始成为估值锚点。链接见资本加速布局具身智能交付能力成估值锚点。这说明行业不是降温而是从粗放热进入结构性筛选。对投资人来说除了看团队、技术、供应链、客户和融资节奏还应该从产品经理视角多问几个问题。第一这家公司定义的是“机器人”还是“任务解决方案”如果一家公司只说自己做人形机器人但说不清第一个高频任务是什么、客户是谁、部署条件是什么它的产品定义还不够清楚。真正有产品意识的公司会先把任务拆清楚再决定机器人形态。第二它有没有明确的场景优先级医疗、养老、工业、仓储、家庭服务看起来都是机会但每个场景的安全要求、交付周期、商业模式完全不同。一家公司如果什么都想做往往说明它还没有找到产品楔子。第三它如何定义产品成功是单次演示成功还是连续运行成功是任务完成率还是客户续约率是运动能力还是单位任务成本是技术参数领先还是 LTV/CAC 健康具身智能公司必须把成功从“能做”定义为“值得用”。第四它有没有数据闭环具身智能产品的长期壁垒很大程度来自真实交互数据。行为轨迹数据、交互日志、错误码、完成时长、力觉反馈、视觉变化、用户操作路径这些数据如果无法被采集、清洗、分析和回流训练产品迭代就会停留在工程经验层面。第五它有没有安全和合规意识机器人进入真实世界安全不是一个附加功能而是产品底线。ISO 13482个人护理机器人安全标准、PIPLPersonal Information Protection Law中国个人信息保护法、GDPRGeneral Data Protection Regulation欧盟通用数据保护条例、生物识别授权、数据本地化、去标识化、紧急停止、碰撞检测、双 MCUMicrocontroller Unit微控制单元冗余这些不一定每家公司都要一步做到极致但必须在产品设计中被认真考虑。第六它的商业模式是否匹配产品成熟度早期高定制项目可以帮助公司理解客户但不能长期依赖。HaaS、硬件销售加软件订阅、售后维护费、算法服务费每种模式背后对应不同现金流、交付压力和客户关系。产品经理如果讲不清这些说明公司商业化还没有真正成型。第七它的叙事是否能被产品路线支撑这是最重要的问题。如果公司讲平台产品是否有模块化能力如果公司讲通用是否有跨场景泛化数据如果公司讲降本BOM 和运维成本是否真的下降如果公司讲规模化交付流程是否可复制如果公司讲智能感知—决策—执行闭环是否真的稳定这些问题比一次发布会更能说明公司质量。七、中国具身智能公司的产品叙事不能只复制海外海外正在用 Physical AI 讲具身智能。这个词很有力量因为它把机器人从“像人的机器”重新定义为“AI 进入物理世界的接口”。但中国公司不能只复制这个叙事。中国具身智能的优势不只在单点技术而在供应链、制造场景、工程迭代、成本压缩和复杂应用密度。北京、上海、深圳、杭州、苏州等城市都在布局具身智能产业集群地方政策、产业基金、制造企业和创业公司正在形成一个密集网络。这意味着中国具身智能公司的产品叙事应该更接近“从场景中长出来”。不是先定义一个通用机器人再去寻找应用。而是在真实场景里找到高频任务通过产品迭代积累数据和能力再逐步扩展边界。工业巡检可能先积累异常识别和自主导航能力。仓储搬运可能先积累移动操作和任务调度能力。养老陪护可能先积累语音交互、安全监测和长期服务能力。灵巧手和关节模组公司可能先成为整机厂的关键供应商再向平台化能力扩展。这是一种更中国式的具身智能产品路径不一定从最宏大的愿景开始而是从最密集的产业反馈开始。对投资人来说这类公司未必最会讲故事但如果它们能把产品定义、客户场景、数据闭环和商业模式讲清楚反而可能更有长期价值。八、最好的具身智能叙事是产品经理也愿意签字的叙事聚深会那晚很多人都在谈品牌 PR 和市场的困境。但如果把问题再往下一层看真正缺的不是营销方法而是产品化叙事能力。具身智能公司不缺宏大愿景。它们都可以讲 AI 进入物理世界讲机器人替代重复劳动讲万亿市场讲下一代计算平台。问题是这些叙事如果不能落到产品定义、用户场景、技术边界、交付能力和商业模型上就会变成悬浮的故事。叙事经济学告诉我们故事会影响经济行为。但具身智能行业还会补充一句故事必须接受产品验证。一个好的具身智能叙事应该经得起产品经理追问。谁是用户什么任务什么场景什么指标什么边界什么成本什么风险什么数据什么商业模式什么迭代路径如果这些问题回答不上来叙事越大风险越大。如果这些问题能逐步回答叙事就会变成估值的一部分。2026 年 8 月之后具身智能还会继续热。WRC、人形机器人运动会、融资、IPOInitial Public Offering首次公开募股、地方政策、明星公司发布新品都会继续制造注意力。但下一阶段注意力本身不再稀缺。稀缺的是能被产品承接的注意力。具身智能公司过去需要一个好 demo。现在它需要一个好产品定义。过去需要让外界相信“机器人会来”。现在需要让外界相信“这家公司知道机器人先去哪”。这不是唱衰而是行业变成熟的信号。因为只有真正进入产业化阶段的行业才会开始认真讨论产品边界、客户价值、交付成本、数据闭环和商业模型。具身智能的下一场竞争当然还会发生在实验室、算法模型、本体结构和供应链里。但它也会发生在产品会议上。谁能把宏大的 Physical AI 叙事拆成一个个可交付、可复用、可计费、可迭代的产品模块谁就更可能穿过这轮周期。从这个角度看具身智能公司的估值表面上由技术和市场决定底层却越来越取决于产品经理是否把事情定义清楚。在一个长周期、高投入、重交付的新产业里最稀缺的能力不只是把未来讲得激动人心。而是把未来拆成今天可以交付的产品。 具身智能公司的估值，最终要落到产品定义上
2026 年 8 月北京亦庄的机器人展馆里最容易被拍到的仍然是机器人“像人”的部分。它们走路、搬箱、握手、踢球、跑步。几天后第二届世界人形机器人运动会在北京举行机器人被放进赛道、球场和对抗场景里。对公众来说这是一个足够直观的时刻机器人终于从视频里走出来进入了展馆、赛场和真实人群。但如果站在具身智能产品经理的角度看2026 年 8 月真正重要的变化并不是机器人更像人了而是这个行业开始被迫回答一个更产品化的问题这台机器人到底为谁工作在哪个场景里工作以什么成本工作失败时如何被接管数据如何闭环客户为什么愿意持续付费。这是具身智能从“技术叙事”走向“产品叙事”的转折。过去两年人形机器人行业的主线是技术展示谁的本体更稳谁的关节更强谁的视频更震撼谁的大模型更接近通用智能。投资人愿意为远景下注媒体愿意为新物种买单公众愿意为一段机器人跳舞的视频停留。但到 2026 年 8 月具身智能公司的问题开始变得具体。它不是“机器人会不会改变世界”而是“第一个能付钱的客户是谁”。不是“有没有大模型”而是“大模型能否把一句自然语言指令拆成稳定可执行的动作序列”。不是“能不能搬箱子”而是“在多少噪声、多少遮挡、多少误差、多少失败率下仍然能搬”。不是“有没有商业化”而是“LTVLifetime Value用户生命周期价值能不能覆盖 CACCustomer Acquisition Cost获客成本售后成本会不会吞掉毛利”。这也是为什么具身智能公司的品牌、PRPublic Relations公共关系和市场问题不能再被看成“传播部门的事”。它本质上已经变成产品定义的一部分。一家公司怎么讲自己往往暴露了它怎么定义产品。一、叙事经济学里的具身智能故事会影响估值但故事必须长在产品上诺贝尔经济学奖得主罗伯特·席勒在《叙事经济学》中提出一个能够被广泛传播的故事会像流行病一样扩散并影响人们的经济决策。人们并不只是根据数据和模型投资也会根据他们相信的故事下注。具身智能是一个非常典型的叙事驱动型产业。因为它的长期想象力远远领先于当前产品成熟度。投资人相信AIArtificial Intelligence人工智能最终会进入物理世界机器人会成为下一代通用计算平台制造、物流、养老、医疗、家庭服务都会被重构。这个故事足够大也足够有感染力。海外把它称为 Physical AI物理人工智能强调 AI 从数字世界进入物理世界NVIDIA 今年 3 月在公开资料中提到正在与全球机器人企业一起推动 Physical AI 进入真实世界覆盖工厂、人形机器人、边缘 AIEdge AI在本地设备端完成 AI 推理、仿真训练等方向。链接见NVIDIA and Global Robotics Leaders Take Physical AI to the Real World。市场也在给这个故事定价。MarketsandMarkets 7 月发布的文章预计embodied AI具身人工智能即能通过身体与物理环境交互的 AI市场规模将从 2025 年的 44.4 亿美元增长至 2030 年的 230.6 亿美元。链接见Embodied AI Market Growth Driven by NVIDIA, Tesla Others。但从产品经理角度看一个行业故事是否成立不取决于它是否宏大而取决于它能不能被拆成产品路线图。“AI 进入物理世界”是叙事。“机器人通过视觉、语音、触觉和力觉完成感知—决策—执行闭环”才是产品架构。“机器人替代重复劳动”是叙事。“在某个工位、某个节拍、某个误差范围内完成抓取、搬运、巡检或上下料”才是产品需求。“通用人形机器人”是叙事。“先做仓储搬运、工业巡检、养老陪护还是科研教育”才是产品定位。这就是具身智能和上一代软件产品最大的不同。软件产品可以先有用户再通过迭代慢慢优化体验。机器人产品不行。机器人进入真实世界错误会造成物理后果。它摔倒、碰撞、误抓、识别错误、路径规划失败都会被客户直接感知甚至带来安全责任。所以具身智能的叙事不能悬浮在产品之上。它必须长在产品上。对投资人来说这意味着看一家具身智能公司不能只看它有没有一个能传播的故事还要看这个故事是否能落到一组产品问题里它的目标用户是谁核心任务是什么任务成功率如何定义响应速度和准确率如何取舍安全机制做到哪一层数据如何采集和闭环交付成本、维护成本和客户生命周期价值如何计算产品路线能否支撑公司叙事的下一阶段这些问题才是叙事能否兑现的底座。二、2026 年 8 月之后行业主叙事从“像不像人”变成“能不能工作”2026 世界机器人大会在北京举行。大会官网介绍今年博览会关注应用场景拓展、前沿技术创新、关键技术突破、新品首发和国际合作覆盖人形机器人、工业机器人、服务机器人、特种机器人和核心零部件等。官方信息见2026 世界机器人大会。同期第二届世界人形机器人运动会也在北京举办赛事于 8 月 22 日至 26 日举行。官方入口见世界人形机器人运动会官方网站。这些活动让机器人行业获得了很高的公众注意力。但从产品经理角度看运动会和展会最有价值的地方并不是制造了多少流量而是把一些原本藏在实验室里的产品问题暴露出来。机器人跑步考验的是运动控制、实时感知、重心调整和失稳恢复。机器人踢球考验的是视觉识别、路径规划、任务决策和多机协同。机器人搬箱考验的是抓取策略、力控、动态避障和动作稳定性。机器人在人群中移动考验的是传感器融合、SLAMSimultaneous Localization and Mapping同步定位与地图构建、局部避障和安全冗余。这些不是传播素材而是产品指标。以语音交互为例一个具身智能产品如果进入养老、医疗或家庭场景就不能只说自己“支持语音识别”。产品经理真正要定义的是在家电噪声、电机自噪声、多人交叉对话这些条件下机器人能否正确识别指令在安全敏感场景里是优先响应速度还是优先准确率急救指令是否需要小于 200ms毫秒千分之一秒的边缘响应复杂问诊是否需要云端联合推理。这里涉及 ASRAutomatic Speech Recognition自动语音识别。传统 ASR 系统常用 GMM-HMMGaussian Mixture Model-Hidden Markov Model高斯混合模型-隐马尔可夫模型声学模型和 N-gram基于连续词序列概率的语言模型语言模型适合小数据和低算力边缘设备端到端 ASR 则可能采用 LASListen, Attend and Spell一种端到端语音识别模型或 Transformer基于注意力机制的深度学习架构直接把语音映射成文本适合复杂语义理解但对算力要求更高。以动作控制为例一个机器人“会抓取”也不够。它需要在逼近阶段保证响应速度在接触阶段控制力度在遇到突发障碍时通过硬件层、控制层和任务层协同响应。比如硬件层要能在毫秒级切断风险源控制层切换阻抗控制模式任务层重新规划路径。这里涉及 PID 控制算法Proportional-Integral-Derivative比例-积分-微分控制。简单说P比例项影响响应速度I积分项用于消除稳态误差D微分项用于抑制超调。在抓取动作中逼近阶段可能需要更高 P 值来快速接近目标接触阶段则可能需要更高 I 值来补偿物体形变和接触误差。以导航为例产品经理要判断当前场景更适合视觉 SLAM、激光雷达还是多传感器融合。LiDARLight Detection and Ranging激光雷达精度高但会受玻璃反射干扰视觉传感器成本低但受光照影响大。小型室内机器人可以使用计算量较低的 Gmapping基于粒子滤波的二维 SLAM 算法大型商场、仓库或复杂场景则可能需要支持回环检测和三维建图的 CartographerGoogle 开源的 SLAM 算法框架。局部避障还要考虑 DWADynamic Window Approach动态窗口法和 TEBTimed Elastic Band时间弹性带算法等算法能否应对动态人流。这些细节决定了具身智能产品能不能真正进入商业场景。《经济参考报》8 月 21 日报道人形机器人正在从“上场”走向“进厂”资本继续押注产业化前景。报道提到今年以来国内机器人相关企业发生超过 230 起融资事件同比增长 28.8%。链接见从“上场”到“进厂”资本加码押注人形机器人产业化前景。“从上场到进厂”对产品经理来说就是从 Demo Requirement演示需求强调展示效果进入 Product Requirement产品需求强调可交付和可持续使用。展台上的机器人可以靠工程师在旁边兜底。工厂里的机器人必须进入客户流程。展台上一次成功就能传播。客户现场要每天成功才能续约。展台讲“能力边界”可以模糊。产品规格书里边界必须清楚。这就是具身智能 2026 年之后最大的产品变化行业开始从“展示型产品”走向“任务型产品”。三、具身智能最危险的不是不营销而是产品阶段和叙事阶段错配WRCWorld Robot Conference世界机器人大会期间一场叫“聚深会”的小聚从晚上六点半聊到十点。来的有具身智能公司的创始人、投资人、市场品牌负责人和行业媒体人。很多人提到同一个问题不敢营销。产品还没完全定型不敢讲太满客户还在试点不知道案例能不能公开技术部门不愿意配合市场团队也听不懂研发语言团队只有两三个人其中一个还是实习生却要同时做融资故事、销售支持、老板 IP个人影响力与公众形象、线上线下活动和新媒体矩阵。如果从普通 PR 角度看这是品牌团队资源不足。但从产品经理角度看这是产品阶段和叙事阶段没有对齐。具身智能公司最怕的不是没有声音而是声音说错了阶段。技术验证期却讲全面商业化。试点验证期却讲规模交付。只能完成单一任务却讲通用智能。依赖人工兜底却讲自主闭环。主要收入来自科研、展示或政府项目却讲工业刚需。还没有稳定的数据闭环却讲平台生态。这类错配短期可能带来流量和融资便利但会提高后续产品兑现成本。具身智能产品经理应该成为公司叙事的校准器。不是为了限制市场而是为了让市场说的话能够被产品承接。如果产品处于原型验证期传播重点应该是技术路线、关键能力和团队判断而不是大规模落地。如果产品处于试点期传播重点应该是具体场景、任务成功率、部署条件和客户反馈而不是泛泛讲未来。如果产品进入规模交付期传播重点才应该转向客户案例、ROIReturn on Investment投资回报率、运维体系和行业标准。如果公司正在融资叙事可以适度前瞻但必须有当下证据链支撑。这就是叙事经济学在具身智能产品里的实际应用叙事可以放大价值预期但产品必须提供兑现路径。好的叙事不是把产品讲得更大而是让外界理解产品为什么会从今天走到明天。四、具身智能产品经理不是写需求的人而是连接技术、客户和资本的人在普通互联网公司里产品经理常常被理解为需求定义者、体验设计者和项目推进者。但在具身智能公司产品经理的角色更复杂。因为具身智能产品不是一个 App应用程序也不是一个纯硬件设备而是一个由感知、决策、执行、交互、安全、数据和商业模式组成的复杂系统。一个成熟的具身智能产品经理至少要能在四种语言之间切换。第一种是技术语言。他要理解 ASR、SLAM、路径规划、PID 控制、多模态融合、RLReinforcement Learning强化学习、VLA 模型Vision-Language-Action视觉-语言-动作模型、边缘部署、ROS 2Robot Operating System 2第二代机器人操作系统、中间件、传感器时间同步、模型压缩、Sim2RealSimulation to Reality从仿真到现实迁移等基础概念。不一定要亲自写底层算法但必须知道这些技术分别影响什么产品指标。比如 ASR 不是单纯的语音转文字而是影响响应速度、用户信任和安全边界。SLAM 不是地图构建功能而是影响机器人能否在复杂环境里持续定位。RL 不是一个热门词而是让机器人在仿真环境中通过奖励函数优化策略。模型压缩不是工程优化而是决定大模型能力能否在边缘端实时运行。模型压缩里还包括量化Quantization将浮点运算转成定点运算以降低算力和内存消耗、剪枝Pruning删除冗余神经元连接以减小模型规模和知识蒸馏Distillation用大模型指导小模型训练使小模型尽量保留大模型能力。第二种是客户语言。客户不关心你用了什么模型他关心机器人能不能解决问题。工业客户关心节拍、稳定性、维护成本、停线风险和 ROI。养老客户关心安全、隐私、陪护体验和紧急响应。医疗客户关心精度、可靠性、合规和责任边界。商场、仓库、园区客户关心导航、避障、巡检覆盖率和运维成本。具身智能产品经理必须把技术能力翻译成客户价值。第三种是商业语言。产品最终要回到 LTV 和 CAC。如果一台机器人硬件价格太高客户采购门槛就高如果售后维护成本太重厂商毛利会被吃掉如果使用频次不足客户生命周期价值就不够如果每个项目都要定制开发规模化就很难发生。因此HaaSHardware as a Service硬件即服务正在成为很多具身智能公司考虑的商业模式。通过按年、按月或按使用时长收费厂商保留硬件所有权客户降低初始采购压力。也有公司选择硬件接近 BOMBill of Materials物料清单即硬件成本构成成本销售再通过软件算法订阅费和售后维护费提升长期收入。但无论哪种模式产品经理都要回答一个基本问题这个产品的 LTV/CAC 是否健康。一般来说LTV/CAC 大于 3 才能说明商业模型比较可持续。这对具身智能尤其重要。因为机器人不是卖出去就结束后续的部署、调试、OTAOver-the-Air远程在线升级、维修、数据闭环都会产生持续成本。第四种是资本语言。投资人并不只看今天的客户收入也看公司未来能否扩展成更大的平台。产品经理要帮助公司说明当前产品是单点项目还是未来平台的入口今天做巡检是不是能积累视觉异常识别数据今天做仓储搬运是不是能沉淀通用移动操作能力今天做养老陪护是不是能形成长期交互数据和服务订阅今天做灵巧手是不是能成为多类机器人本体的关键零部件这些问题决定了公司叙事是项目型、产品型还是平台型。从这个意义上说具身智能产品经理不是一个内部岗位而是公司外部认知的底层设计者。五、为什么技术部门“不理市场”本质上是产品中台缺位很多具身智能品牌和市场团队最痛苦的事是产品和技术部门不配合。想讲客户案例数据拿不到想讲技术突破研发说不清或不愿说想讲产品路线产品版本还没稳定想做行业传播老板又担心过度承诺。这看起来是协作问题其实往往是产品中台缺位。在具身智能公司里研发、市场、销售和交付天然有不同优先级。研发关心模型效果、控制精度、系统稳定性和技术突破。销售关心客户需求、合同推进和项目回款。交付关心现场问题、部署周期和售后成本。市场关心对外表达、行业认知和品牌信任。投资人关心增长路径、竞争壁垒和估值逻辑。如果没有产品经理把这些信息组织起来公司就会出现典型断层研发做了很多突破但市场不知道哪些可以讲销售拿到了客户反馈但产品没有沉淀成需求交付解决了很多现场问题但没有转化为产品迭代市场对外讲了一个故事但研发觉得不准确客户也觉得不贴近。这时市场团队再努力也只能做表层传播。真正有效的机制应该由产品经理牵头建立一套内部信息闭环每月梳理技术进展区分“已实现”“可演示”“可交付”“可规模化”。每个客户试点结束后形成产品复盘包括成功率、失败类型、运维成本和客户反馈。每个新场景进入前明确任务边界、安全边界和商业假设。每次对外传播前由产品、研发、销售和市场共同校准表达口径。每个季度更新一次产品叙事把技术路线、场景验证和商业进展连接起来。这套机制不复杂但对具身智能公司非常关键。因为这个行业最容易出现“叙事快于产品”的问题。产品经理的责任就是让叙事适当前瞻但不能脱离产品证据链。六、投资人应该如何从产品经理视角看具身智能公司2026 年具身智能资本热度仍在持续。财联社 5 月报道2026 年以来具身智能领域融资已经超过 345 亿元资金正从整机公司向全产业链扩散。链接见300 多亿资本涌入具身智能从整机向全产业链“热起”。新华网同月报道资本加速布局具身智能但“交付能力”开始成为估值锚点。链接见资本加速布局具身智能交付能力成估值锚点。这说明行业不是降温而是从粗放热进入结构性筛选。对投资人来说除了看团队、技术、供应链、客户和融资节奏还应该从产品经理视角多问几个问题。第一这家公司定义的是“机器人”还是“任务解决方案”如果一家公司只说自己做人形机器人但说不清第一个高频任务是什么、客户是谁、部署条件是什么它的产品定义还不够清楚。真正有产品意识的公司会先把任务拆清楚再决定机器人形态。第二它有没有明确的场景优先级医疗、养老、工业、仓储、家庭服务看起来都是机会但每个场景的安全要求、交付周期、商业模式完全不同。一家公司如果什么都想做往往说明它还没有找到产品楔子。第三它如何定义产品成功是单次演示成功还是连续运行成功是任务完成率还是客户续约率是运动能力还是单位任务成本是技术参数领先还是 LTV/CAC 健康具身智能公司必须把成功从“能做”定义为“值得用”。第四它有没有数据闭环具身智能产品的长期壁垒很大程度来自真实交互数据。行为轨迹数据、交互日志、错误码、完成时长、力觉反馈、视觉变化、用户操作路径这些数据如果无法被采集、清洗、分析和回流训练产品迭代就会停留在工程经验层面。第五它有没有安全和合规意识机器人进入真实世界安全不是一个附加功能而是产品底线。ISO 13482个人护理机器人安全标准、PIPLPersonal Information Protection Law中国个人信息保护法、GDPRGeneral Data Protection Regulation欧盟通用数据保护条例、生物识别授权、数据本地化、去标识化、紧急停止、碰撞检测、双 MCUMicrocontroller Unit微控制单元冗余这些不一定每家公司都要一步做到极致但必须在产品设计中被认真考虑。第六它的商业模式是否匹配产品成熟度早期高定制项目可以帮助公司理解客户但不能长期依赖。HaaS、硬件销售加软件订阅、售后维护费、算法服务费每种模式背后对应不同现金流、交付压力和客户关系。产品经理如果讲不清这些说明公司商业化还没有真正成型。第七它的叙事是否能被产品路线支撑这是最重要的问题。如果公司讲平台产品是否有模块化能力如果公司讲通用是否有跨场景泛化数据如果公司讲降本BOM 和运维成本是否真的下降如果公司讲规模化交付流程是否可复制如果公司讲智能感知—决策—执行闭环是否真的稳定这些问题比一次发布会更能说明公司质量。七、中国具身智能公司的产品叙事不能只复制海外海外正在用 Physical AI 讲具身智能。这个词很有力量因为它把机器人从“像人的机器”重新定义为“AI 进入物理世界的接口”。但中国公司不能只复制这个叙事。中国具身智能的优势不只在单点技术而在供应链、制造场景、工程迭代、成本压缩和复杂应用密度。北京、上海、深圳、杭州、苏州等城市都在布局具身智能产业集群地方政策、产业基金、制造企业和创业公司正在形成一个密集网络。这意味着中国具身智能公司的产品叙事应该更接近“从场景中长出来”。不是先定义一个通用机器人再去寻找应用。而是在真实场景里找到高频任务通过产品迭代积累数据和能力再逐步扩展边界。工业巡检可能先积累异常识别和自主导航能力。仓储搬运可能先积累移动操作和任务调度能力。养老陪护可能先积累语音交互、安全监测和长期服务能力。灵巧手和关节模组公司可能先成为整机厂的关键供应商再向平台化能力扩展。这是一种更中国式的具身智能产品路径不一定从最宏大的愿景开始而是从最密集的产业反馈开始。对投资人来说这类公司未必最会讲故事但如果它们能把产品定义、客户场景、数据闭环和商业模式讲清楚反而可能更有长期价值。八、最好的具身智能叙事是产品经理也愿意签字的叙事聚深会那晚很多人都在谈品牌 PR 和市场的困境。但如果把问题再往下一层看真正缺的不是营销方法而是产品化叙事能力。具身智能公司不缺宏大愿景。它们都可以讲 AI 进入物理世界讲机器人替代重复劳动讲万亿市场讲下一代计算平台。问题是这些叙事如果不能落到产品定义、用户场景、技术边界、交付能力和商业模型上就会变成悬浮的故事。叙事经济学告诉我们故事会影响经济行为。但具身智能行业还会补充一句故事必须接受产品验证。一个好的具身智能叙事应该经得起产品经理追问。谁是用户什么任务什么场景什么指标什么边界什么成本什么风险什么数据什么商业模式什么迭代路径如果这些问题回答不上来叙事越大风险越大。如果这些问题能逐步回答叙事就会变成估值的一部分。2026 年 8 月之后具身智能还会继续热。WRC、人形机器人运动会、融资、IPOInitial Public Offering首次公开募股、地方政策、明星公司发布新品都会继续制造注意力。但下一阶段注意力本身不再稀缺。稀缺的是能被产品承接的注意力。具身智能公司过去需要一个好 demo。现在它需要一个好产品定义。过去需要让外界相信“机器人会来”。现在需要让外界相信“这家公司知道机器人先去哪”。这不是唱衰而是行业变成熟的信号。因为只有真正进入产业化阶段的行业才会开始认真讨论产品边界、客户价值、交付成本、数据闭环和商业模型。具身智能的下一场竞争当然还会发生在实验室、算法模型、本体结构和供应链里。但它也会发生在产品会议上。谁能把宏大的 Physical AI 叙事拆成一个个可交付、可复用、可计费、可迭代的产品模块谁就更可能穿过这轮周期。从这个角度看具身智能公司的估值表面上由技术和市场决定底层却越来越取决于产品经理是否把事情定义清楚。在一个长周期、高投入、重交付的新产业里最稀缺的能力不只是把未来讲得激动人心。而是把未来拆成今天可以交付的产品。