---

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“LTV（Lifetime Value，用户生命周期价值）能不能覆盖 CAC（Customer 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、PR（Public 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，AI（Artificial 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 AI（Edge 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、SLAM（Simultaneous 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 ASR（Automatic Speech Recognition，自动语音识别）。传统 ASR 系统常用 GMM-HMM（Gaussian 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 LAS（Listen, 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。LiDAR（Light 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 Cartographer（Google 开源的 SLAM 算法框架）。局部避障还要考虑 DWA（Dynamic Window Approach，动态窗口法）和 TEB（Timed 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

WRC（World 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、ROI（Return 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、RL（Reinforcement Learning，强化学习）、VLA 模型（Vision-Language-Action，视觉-语言-动作模型）、边缘部署、ROS 2（Robot 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、Sim2Real（Simulation 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，HaaS（Hardware 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 BOM（Bill 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、OTA（Over-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）、PIPL（Personal Information Protection Law，中国个人信息保护法）、GDPR（General 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 MCU（Microcontroller 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、IPO（Initial 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。