作者｜金敏
随机打开一家具身智能公司的官网，你大概率会看到同一个词：通用。
做人形机器人的叫通用，专注工业场景的叫通用，主打家庭场景的也可以叫通用。
为什么「通用」这个词像一个筐，什么都能往里装？说到底，是因为不同公司选择了不一样的成长路径。
一种路径是从本体出发，把路做宽，铺开本体的出货量，再等着合适的场景来接住它。平台成了，场景自然会来。
另一种路径是从场景出发，扎得足够深，把一种代表性的场景做到客户愿意付钱，提到某一具体场景就能联想到某一个具体的公司。场景扎得够深，能力自然会长出来。
这是具身智能赛道里自由生长出来的两种成长顺序，并没有高下之分。
从本质来看，这两条路径不是平行线，而是在具身智能行业里朝着一个方向收敛。
先推本体，还是先扎场景？落到现实产业当中，两种成长路径都跑出了代表性的企业。
先做宽的公司长什么样？宇树科技算是代表。
2016 年成立之后，宇树从机器狗起家，把电机、关节模组和运动控制的成本一点一点打下来。人形机器人风起后，成本控制的优势从机器狗迁移到了人形机器人身上。
在研发领域，宇树把人形机器人的价格门槛降到了高校课题组能用得起的程度。很多全球顶尖的机器学习和具身模型研究，都有宇树的身影。
比如去年在科技圈热度不小的 ASAP（Aligning Simulation and Real-World Physics）机器人学习框架，就是用宇树 G1 机器人作为硬件载体进行的研发。通过 ASAP 框架，G1 机器人学会了科比的后仰跳投等复杂动作。
跑通复杂的机器学习框架，需要不断地试错并迭代，相应地需要一个够皮实、接口够开放的本体，同时在成本控制也得做到位。
宇树 G1 恰好满足抗造、开放、性价比高这三个条件，这也解释了为什么宇树 G1 经常出现在顶会论文里。
除了在研发领域遍地开花，宇树机器人解锁了一些意料之外的应用场景。
比如，美国机器人公司 Lightberry 把宇树 G1 作为本体，加上自研的外层系统，改造成能提供互动和情绪价值的消费级机器人。
表面上看，宇树卖的是机器人，往深看，卖的是一种「可能性」。
课题组买回去跑算法，独立开发者买回去二次开发、整活，展厅买回去吸引客流，企业买回去设计具体功能——作为卖方的宇树不需要在意机器人最终去干什么，它只需要让足够多的人买得起、玩得动。
宇树选择先做宽，就是把本体的能力、成本控制和出货量做出来，总会有足够多的场景接住它。
再来看先做深的成长路径。
这条路径的关键，是让真实任务成为产品设计的起点。
世航智能就是从真实的深海任务切入，锁定海洋中人干不了或极其危险的事、人效率低的事、人力成本高的事，逐渐成为全球领先的海洋具身机器人平台。
公司的代表性产品虎鲸机器人，能够覆盖 0 到 10000 米全海深，部署在全球 20 多个核心港口，可以用于船体检测、水下设施巡检等作业，耐受高盐、高压、低能见度等极端环境。
先做深，并不是一开始就把机器人做得面面俱到，而是先进入一个真实场景，找到客户确实需要解决的问题。
公司围绕这个问题开始研发，再通过持续作业不断发现新的需求，调整产品和能力。
就拿船体检测来说，机器人不仅要完成移动，还要到达指定位置、获取有效信息，并按照要求完成检测。
设备进入真实海域后，还会遇到不同水深、设施和作业要求。场景越真实，产品需要补齐的能力也越清晰。
机器人需要什么结构、哪些传感器、怎样控制动作，如何发展「大脑」和「小脑」的能力，以及实际使用要达到什么标准，都由具体工作不断提出要求。
日积月累，依托专业性强的专门领域迭代出来的工作能力，可以迁移成为通用能力，拓展到更多元的场景中去。
傅利叶智能就是很好的例子。
它长期做康复机器人和外骨骼产品，涵盖了康复全周期的不同类型的康复机器人和产品矩阵，为康养场景打造的智能化解决方案，产品已经进入全球约 2000 家医疗机构。
康复训练中的动作能力、身体状态和训练目标各不相同，机器人需要持续处理安全、人机交互和力量控制等问题，都需要在实际使用中不断调整。
傅利叶在智能康复产品矩阵中形成的力控、交互等能力，也开始向更通用的机器人产品迁移。比如成为 GR-3 等陪伴型「Care-bot」继续拓展能力的基础。
回头看，世航和傅利叶虽然从不同的真实任务领域进入机器人产业，但走的是相似的路径：
先让机器人解决一个领域中明确的问题，再从持续作业中不断调整产品。场景不是终点，而是机器人能力成长的起点。
相比一开始回答机器人能做多少种工作，先把一个真实问题解决好，更容易让市场认识企业，也更容易形成自己的名片。
这也是先做深的核心价值。企业先通过特定领域的「代表作」证明机器人的硬实力，再把过程中形成的能力带向更多场景。
能跑量的缺场景，有场景的缺声量两条路走到今天，遇到的问题其实越来越接近。
先做宽的公司，面临的第一道考验是出货之后的现实功能兑现。
宇树的招股书显示，2025 年前三季度，其人形机器人收入中，73.6% 来自科研教育客户。
对于一个还在快速迭代的本体来说，研发类用户能够帮助产品获得真实反馈，也能扩大出货规模。
但科研市场和产业市场的评价标准并不一样。实验室关心的是机器人能不能快速试验并验证研究假设，工厂更关心的是故障率、工作时长、维护成本和投资回收周期。
同样是一台机器人，进入实验室和进入产线，面对的是两套完全不同的账。
这也是先做宽路线接下来必须回答的问题：机器人已经卖出去了，能不能从科研设备变成生产工具？
如果一台机器人需要工程师长期调试，它对科研来说可能仍然很有价值，但距离真正承担一个固定岗位，还有一段距离。
所以，出货量本身并不能直接等同于产业化程度。真正需要观察的，是这些机器人有没有进入真实工作流程，又能不能在那里持续运行。
这也是为什么近一年行业越来越重视机器人落地的具体工位。搬运、分拣、上下料，这些任务看起来没有那么复杂，却有明确的工作边界。
机器人每天工作多长时间，出现多少次异常，人工需要介入几次，客户愿不愿意继续购买，都可以被具体记录下来。
对于先做宽的企业来说，下一阶段要补上的，是在具体工位上的工作能力。
先做深的公司，也有自己的问题。它们往往更早拿到了真实场景，却不一定更容易被市场看见。
这样的企业通常有比较明确的客户和产品，却很难靠一个动作展示的视频迅速获得大众关注。
专业场景的价值往往需要放到订单、交付和持续使用里观察，而不是放在传播热度里比较。
问题在于，资本市场、人才市场乃至公众认知，也会受到行业叙事影响。
当人形机器人不断成为热点时，一家长期做康复机器人的公司，可能会被首先理解为康复器械企业。它在一个场景里积累的能力，也可能被看成这个场景本身的边界。
但场景边界和能力边界并不完全是一回事。比如，傅利叶过去长期处理的力控、安全和人机交互问题，现在进入了更通用的陪伴机器人领域。
这恰恰说明，先做深的公司下一步要解决的，是如何把场景里真正有价值的能力提炼出来，成为下一个阶段的增长起点。这也是在传播度上破圈的转折点。
于是，两条路线面对的是两种不同的扩张压力。
先做宽的企业，需要证明自己卖出去的机器人能够越来越多地进入真实工作。
先做深的企业，则需要证明自己在一个场景里练出来的能力，可以被带到更多场景。
这不是谁输谁赢的问题。客户真正关心的其实一直很简单：你能不能把这件事稳定做好，成本是多少，出了问题谁来解决。
至于机器人是什么形态，产品的成长路径长什么样，往往不是第一顺位的问题。
回头看，两条路线真正的差别，可能不在于起点，而在于下一步往哪里走。
两条路，正从两端走向中间2026 年，具身智能行业一直在讨论场景落地。这不是谁喊出来的口号，而是行业被逼出来的共识。
年初，智元机器人联创彭志辉公开判断，具身智能已经从实验室炫技、Demo 展示，进入工程化、场景化竞争的下半场。
大半年过去，头部玩家不约而同地把机器人往场景里送，但是大部分场景只是披露了部署，具体跑了多少个小时，产出情况如何，很少刷到后续。
行业对于量产的判断到了千台级交付甚至万台级。但口号谁都会喊，经过融资热潮和争议，机器人能不能在真实场景里站稳，成为了真问题。
这也是为什么，Arm 提出的机器人能力分级框架值得被放在这里重新看一遍。
它把机器人能力从 RL0 到 RL5 分成六个层级：最初的 RL0，只能对外界刺激做出反应。往上走到 RL1，机器人开始执行预设任务。
再到 RL2 和 RL3，根据反馈调整动作，再进一步理解上下文和意图，现在的机器人更多处在 RL2 和 RL3 之间。
到了 RL4、RL5，机器人开始具备跨目标的规划、协调，以及持续自我优化的能力。
这套框架有意思的地方，不只是把机器人从「会动」排到了「会思考」，而是它实际上暗示了一条能力成长路径：
机器人越往上走，就越不能只靠预设条件，而需要在真实环境中持续面对任务、获得反馈。
真正的能力升级，不是模型参数单独变大，也不是 Demo 越来越复杂，而是机器人在一次次真实作业中积累反馈。
一个任务做得足够多，机器人才知道哪里容易出错。
一个场景跑得足够久，模型才有机会理解不同环境、不同对象和不同任务之间的变化。场景因此不再只是机器人的「应用终点」，也是能力进化的起点。
换句话说，真正的分水岭，不再是企业如何定义自己——毕竟各家官网上的「通用」标签已经通货膨胀——而是谁先拿到真实、持续、可复用的场景数据。
任务产生真实数据，数据迭代模型，模型助力泛化。这个链条里，场景是最初的开关。
先做宽的人手里有本体和订单量，先做深的人手里有具体的任务和数据。下一阶段的赢家，大概率是最早把这两件事接起来的人。
以后再看到一台「通用机器人」，问三个问题就够了：第一台卖给了谁？今天的量跑给了谁？每天产生的数据，来自哪个真实场景？
回头看，先做宽与先做深从来不是彼此排斥的路。
先做宽的人，要把本体送进厂房、商店，甚至是医院和家庭。
先做深的人，要把一个场景里磨出来的能力，复制到更广泛、更破圈的岗位。一个在补场景，一个在补泛化。最后比的，是谁先找到中间值。
说到底，无论从哪头出发，「场景」这一关，谁都绕不过去。通用这个词，可以继续装在那个筐里。
但机器人最终要从筐里走出来，走进一个个具体的项目和日子里。到那时候，没人需要再解释什么是通用——能干活，就是通用。
谁先把本体、订单和真实数据拧到一起，谁就会先看见答案。
