Token导航 LogoToken导航

AI 资讯 · AI前线

具身智能进入洗牌期 企业人才需求解析

更新 2026-11-21AI前线正文 5398字阅读约 17分钟1 张图片
作者 | 姚戈

2025 年至 2026 年上半年,具身智能经历了一轮融资狂热。根据 IT 桔子数据,2025 年全年融资超过 300 起、约 379 亿元,而 2026 年仅上半年就发生 322 起融资、总额达到 935 亿元。但进入下半年,投资机构开始放慢出手节奏,越来越重视技术差异化和商业化前景。

行业正在进入大浪淘沙的阶段。

过去三年,具身智能吸引了大量来自自动驾驶、大模型、计算机视觉等领域的人才。顶尖研究者成为大厂争夺的对象,甚至有尚未毕业的博士生被投资人说服创业。如今,随着融资环境与商业化要求发生变化,创业公司的招聘标准也在调整。这让已经进入行业,以及准备入行的人面临新的问题:哪些技术人才依然稀缺?这个行业还有多少机会?

最近,InfoQ 与 Xbotics 联合举办了“具身智能人才地图”主题直播。我们与共生知行创始人兼 CEO 丁鹏翔、同舟问智创始人温兴男,以及松应科技 CPO 张小波,共同探讨了具身智能行业的创业机会、人才需求与职业发展。

技术周期早期勇气与天赋的回报

这一轮大模型和具身智能创业潮,让技术人才的市场价值受到前所未有的关注。大厂以高薪争夺顶尖研究人员,投资机构则不断寻找具有前沿研究能力的团队,一些尚未毕业的博士生,也开始获得独立创业的机会。

共生知行创始人丁鹏翔就是其中一员。他目前是浙江大学与西湖大学联合培养的博士生。2026 年,丁鹏翔创办共生知行,专注于人形机器人的全身智能。公司目前拥有十余人的团队,以博士生为主,主要围绕数据、模型训练、部署和评测开展研发,组织形式接近 NeoLab。

技术发展早期,往往会给予有天赋、有勇气的新入局者格外丰厚的回报。

这种回报首先体现在经济和机会上。具备稀缺技术能力的研究人员,有机会获得大厂提供的高薪职位,甚至凭借研究成果和团队直接创业。

这背后有着特定的资本逻辑。如果借用 Gartner 技术成熟度曲线来理解,一项新技术从萌芽到成熟,通常会经历市场预期快速膨胀、随后调整,再逐渐走向实际应用的过程。在早期,技术路线和商业模式尚未确定,投资人愿意押注不同的研究团队,寻找可能带来突破性增长的技术范式,NeoLab 正是这一阶段具有代表性的创业组织。

另一种回报是——研究成果有机会迅速影响整个行业。

最近获得巨大关注的 SuperMimic 可以作为例证。2026 年 10 月 20 日,加州大学伯克利分校研究团队公开了 SuperMimic 论文。这项研究利用可微世界模型,提高人形机器人全身动作控制策略的训练效率。

11 月,SuperMimic 获得 CoRL 2026 最佳会议论文奖。11 月 16 日,我在一家国内具身智能初创公司的招聘信息中看到,“深入掌握 SONIC、SuperMimic 等前沿工作”,已经成为强化学习算法工程师的岗位要求。从论文公开到进入企业的招聘要求,间隔还不到一个月——这足以说明前沿学术研究与产业需求之间的距离有多近。

丁鹏翔在读博期间也有类似经历。2025 年,Figure 发布 Helix 双系统 VLA 架构后,他所在的团队于 4 月推出开源复现项目 OpenHelix;同年 9 月,又发布了降低 VLA 训练成本的 VLA-Adapter。两项研究很快获得开发者关注。截至 2026 年 11 月,以 Openhelix 为核心的代码社区总 Star 达到 5400,VLA-Adapter 获得约 2300 个 Star。

如今,这种从学术研究到产业实践的快速反馈,在更成熟的自动驾驶行业已经相对少见。

在技术路线尚未收敛的阶段,一项有实际贡献的研究,可能迅速获得同行关注,被其他团队复现、采用,甚至影响企业的研发方向。对于年轻研究者而言,能够直接看到自己的工作推动行业进展,本身就是一种难得的回报。

当然,高回报伴随着高风险。技术路线没有收敛,意味着今天投入的研究,明天可能就被新的方法取代。即使技术取得突破,也未必能够找到可持续的商业模式。

这样的窗口期往往不会一直持续。随着技术逐渐成熟,研发分工变得更加复杂,企业也开始从验证技术可能性,转向考察技术能否形成稳定产品和商业价值。

具身智能进入大浪淘沙  阶段,需要怎样的人才?

经历前几年的融资热潮,具身智能创业公司开始面临更加具体的商业化考验。企业需要证明,机器人能够在真实场景中稳定工作,客户愿意为此付费,规模化部署后的成本和收益也能够算得过来。

从模型复现到真机部署:岗位要求更综合、更“落地”

随着行业从技术探索走向实际应用,企业对技术人才的要求也在变化。

同舟问智是一家从事具身智能人才培训与机器人二次开发的初创公司,既帮助学生和转型者补充具身智能实践经验,也面向具体应用场景开展机器人二次开发。由于长期接触求职者和企业招聘需求,创始人温兴男观察到了过去几年人才标准的变化。

2024 年前后,行业人才相对稀缺。对部分模型岗位而言,候选人只要了解 VLA 架构,具备 OpenVLA 等模型的复现经验,就可能获得机会。到了 2025 年,企业进一步关注候选人的模型训练和微调经验,以及能否支撑展会级别的 Demo。2026 年,一些岗位则开始要求候选人参与过真实部署项目,能够解决模型成功率、软硬件协同和系统稳定性等问题。

温兴男举了一个具体的例子。过去几年,具身智能企业频繁参加展会,工程师需要在现场搭建场景、配置设备和模型。但到了现场,传感器可能发生故障,设备参数可能存在误差,模型也可能无法适应新的环境。

“无论数据做得多好、模型设计得多精妙,一旦落到真机上,都可能出现问题。”温兴男说,“企业看重的是你有没有在工程上克服这些软硬件之间的差距。”

数据岗位也有类似变化。随着 UMI、EGO 等数据采集方式发展,工程师需要处理运动重映射、逆运动学求解、关节空间映射,以及数据清洗和标注等问题。这些工作直接影响模型训练与部署的效果。

温兴男认为,对于大量工程岗位,企业越来越关注候选人是否参与过完整项目,是否真正解决过数据、训练和部署中的问题。他在直播中提到:“参与过一次完整项目、真正解决过这些问题,可能比一篇 A 类会议论文更有求职竞争力。”

当然,这不适用于所有岗位。前沿基础模型团队仍然需要原创研究能力,不同技术方向对人才的要求也各有侧重。但整体来看,真机实践和工程经验的重要性正在提高。

这一变化也带来了新的产业需求。

温兴男回忆,早年研究机器人控制时,实验室没有充足经费购买高精度机械臂,学生只能在黑板上画机械臂,分析受力结构和运动轨迹。如今机器人硬件的可获得性已有改善,但采购、维护和实验场地仍然需要不小的投入,许多学生和转型者缺少长期接触真机的机会。

针对这一需求,同舟问智持续采购机器人本体和 GPU,并计划在办公室搭建简化的室内物流传送带场景,让学员完成数据采集、模型训练、部署调试和故障定位。温兴男认为,即使无法完全还原工业场景,也能帮助学员理解问题定位、模型训练和数据采集的方法。

与此同时,机器人进入工厂等真实场景,也增加了对二次开发和系统集成的需求。本体厂商更关注通用产品和技术研发,客户却需要机器人完成具体任务。不同工厂的设备、工艺和作业条件存在差异,需要有人承担中间的适配和集成工作。

同舟问智也在探索这类业务。温兴男认为,二次开发工程师既要理解前沿模型的能力边界,也要具备工程实现和客户沟通能力。

仿真平台则提供了另一条降低研发和学习成本的路径。松应科技 CPO 张小波介绍,一些高校研究者和开发者缺少高性能 GPU,也不熟悉复杂的三维场景制作,希望能够更方便地训练和验证算法。因此,松应持续优化产品的硬件适配和易用性,降低开发者使用仿真工具的门槛。

从人才培训、仿真平台到机器人二次开发,具身智能的技术发展和商业落地,正在创造新的专业分工,也为不同技术背景的工程师提供了机会。

从大厂到创业公司:技术之外,还要具备独立交付能力

除了岗位本身的技术要求,企业的组织方式也会影响招聘标准。

丁鹏翔介绍,共生知行虽然只有十余人,但已经需要覆盖数据、模型训练、部署与评测等完整流程。数据团队需要关注采集设备和数据来源,模型团队要与数据团队持续反馈,部署团队则负责解决模型上真机后的问题。

因此,他尤其看重候选人与现有研发任务的匹配程度,以及独立解决问题的能力。

丁鹏翔表示,对于创业公司而言,时间是不可再生的资源。团队希望新员工能够尽快投入工作,减少漫长的培养过程对研发进度的影响。

此外,他还会观察研究者对成果的态度:是否只满足于论文发表,还是愿意持续修复问题、维护开源项目,将研究成果打磨成真正可用的产品。

张小波则结合自己在华为、腾讯和英特尔等企业的经历,谈到了大厂与创业公司的组织差异。他表示,大厂拥有相对完善的组织支撑和明确分工,员工需要做好自己负责的环节,并与上下游保持有效协作。创业公司则缺少这样的资源和组织条件,员工需要承担更完整的责任。

“创业公司缺少大厂那样的组织和平台支撑,不能总想着‘这件事应该由别人做’。”张小波说,“事情到了你手上,你就是负责人,做得好坏可能影响全局。”

以松应的产品和解决方案岗位为例,由于客户本身可能是机器人算法工程师,员工需要理解机器人硬件、控制、模型训练和仿真等技术,同时具备原型开发、客户沟通和产品判断能力。

张小波认为,这类岗位与 FDE 有一定相似之处:“你要能够听懂需求,快速实现原型或 Demo,再准确传递给后端团队。”对于初级员工,他更看重学习能力和可塑性;对于资深员工,则期待他们能够独立承担复杂任务。

可以看到,具身智能企业的人才需求正在沿着两个方向变化:随着技术迭代和商业化推进,工程师需要具备更完整的研发与部署经验;而创业公司资源有限、技术路线快速变化,也对员工的自主性、学习能力和跨领域协作提出了更高要求。

进入大浪淘沙阶段,具身智能需要推动前沿技术突破的研究者,也越来越需要能够把技术转化为稳定产品和实际交付的工程人才。

技术的周期、行业的周期与人的周期

融资环境发生变化后,一个问题开始困扰越来越多的求职者:现在进入具身智能,还来得及吗?

对于学生来说,今天选择一个研究方向,可能四五年后才进入职场。对于已经工作三五年的工程师,转型意味着承担薪酬、岗位和行业前景的不确定性。更何况,具身智能距离成熟的商业市场还有多远,目前没有人能给出明确答案。

三位嘉宾对行业长期发展都持乐观态度,但也承认技术成熟需要时间。丁鹏翔以自动驾驶为例:“从起步到今天相对成熟,也经历了七八年,甚至十来年。具身智能可能快一些,因为已有团队的工程经验可以复用,但仍然要尊重技术周期。它不会因为大家期待很高,就立刻达到目标。”

温兴男则提醒求职者,融资调整并不意味着所有岗位都会消失。他认为,即使行业出现阶段性低谷,基础模型研发、端侧部署和场景落地等方向仍然需要人才。“部分公司此前的融资还没有用完,关键是你能不能为公司创造价值。”他建议将眼光放得更长远:“就像智能手机和自动驾驶汽车,它面对的是未来十到二十年的市场。短期会波动,但人才需求会持续存在。”

但对于个人来说,判断一个行业是否有前景,还不足以作出职业选择。张小波经历过电信、互联网、云计算、GPU 等多个产业周期。在他看来,“从业者规划职业时,不能像盯股票一样,心情随行业高低起伏。更应该明确自己喜欢什么、擅长什么,分清自己的软能力和硬能力。”他尤其强调能够跨越行业周期的能力:“我跨过不同领域,真正跟着自己走的,往往是软能力。技术会不断变化,但沟通、协作和解决问题等方面能沉淀什么,对长期发展很重要。”

温兴男的经历也印证了这一点。他最初研究传统最优控制,后来进入华为从事大语言模型研究,再逐渐转向具身模型和真实机器人部署,如今又将这些经验用于人才培训和二次开发。技术方向几经变化,数学、控制、编程和系统分析等基础能力,以及持续学习新技术的能力,始终贯穿其中。

关于技术周期与个人发展的关系,丁鹏翔的研究经历,也许可以给我们一些启发。直播中,我们聊起他最早从事的数字人研究。2019 年前后,他开始研究虚拟世界中的人体运动建模。那时,元宇宙还是一个备受追捧的概念。后来,元宇宙热潮退去,这个方向也沉寂了两三年。

有意思的是,随着人形机器人兴起,当年研究数字人的一批技术人才,又进入了具身智能行业。过去积累的人体运动表示、预测和生成等技术,也在机器人运动控制领域找到了新的应用场景。“今天做人形机器人的一些人,也来自过去做数字人的团队。”丁鹏翔说。

一个曾经几乎被市场遗忘的方向,兜兜转转,又赶上了新一轮技术浪潮。丁鹏翔认为,真正重要的是“抽象问题、建模,再解决问题的完整流程”,“只要这些能力在,转行就会方便很多”。

当然,个人兴趣和能力积累无法消除产业周期带来的风险。但理解自己真正擅长什么、希望积累什么能力,至少能让职业选择有一个相对稳定的依据。技术的发展总有支流与汇流。一项技术可能流向缺少商业机会的领域,也可能在几年后与另一条技术路线汇合,找到新的应用场景。

没人能保证自己始终站在技术浪潮的最高点。而那些在潮水退去后仍然保留下来的知识、经验和能力,也许会在下一轮浪潮中,获得意想不到的回报。

热度延续:12 月 AICon 北京站见

12 月 18–19 日,AICon 全球人工智能开发与应用大会将在北京举办。本届大会以探索 AI 应用边界为主题,设置 13 大技术专题,覆盖大模型后训练、推理优化、Agent 工程、知识工程、智能体评测与安全、自进化系统、AI 软件交付、原生架构及组织变革等核心方向,汇聚一线技术专家,深入分享 AI 技术突破与企业规模化落地的真实实践。

资讯来源:由AI资讯编辑整理自互联网公开内容,版权归原作者所有,未经许可,不得转载。