具身智能的分水岭，在第一天

上一篇说，机器人的分水岭在产线。具身智能（Embodied AI）说的是让模型长出身体、能在真实世界里动手。它的分水岭还要往前挪一步——挪到一家公司成立的第一天。

先把看法说在前面：软硬结合这件事没法后补。大脑再强，手不够好、关节不够小，硬件撑不住高质量的采集，模型的能力就发挥不出来。为什么？因为具身的数据爬不到。它只能靠真机一次一次做出来，谁能把本体造出来并部署下去，谁就握着数据的水龙头。硬件决定模型能力的上限。

先看曲线，再看演示

那么，看一家具身公司该先看什么呢？看曲线，不看演示。

所谓那条曲线（scaling curve），就是数据量和能力之间的稳定关系：从几百小时的采集到几万小时，能力沿着一条线往上抬，投入才换得回能力。单点演示可以靠工程堆出来。但是堆出来的演示不外推，曲线才外推。画得出这条曲线，说明数据链路是通的；画不出来，说明每进一步都要从头再来一遍。所以我们看的是斜率。

非标的地方才有钥匙

再往下问一层：场景该怎么挑？挑标准不统一的地方。

标准化的活，专用设备早就干了。但是标准不统一的活，它一直干不了。作业对象越标准，传统自动化设备的成本就越低，智能也就没有溢价。真正需要具身智能的，是那些每家规格都不一样、换一个型号就得重新示教一遍的场景。分拣一个包裹：乱序、异形、软硬混装，还要翻个面找条码。这不是舞台动作，是生产力动作。选场景的第一问不是难度多高，是非标程度多高。钥匙只配非标的锁。

回到方向表上说。庚辛的核心关注是五个方向一条链，物理AI、具身智能与机器人是其中一条。这条线上我们比较看重闭环：大脑、本体、数据工具链，是不是长在同一副身体里。全栈不是野心大，是必要条件——不是什么都想做，是这件事必须一起做。先拿低难度的方案凑合演示、以后再补一只真正的手，补不上的。数据从第一天起就是两种东西。

也有反过来的说法：术业有专攻，大脑和本体分开做，各自更快。这一条成立，但是不唯一。分开做的前提是接口稳定；目前看，本体的形态还在变，接口每变一次，前面积累的数据就折一次价。折价多少？没人说得准。这一点行业里还没有定论。

我们陪着走全栈自研这条路的公司，从大脑、运控、数据一路做到灵巧手与人形本体。难，慢，贵。这是北坡。北坡没有班车。

（完整表述见档案馆「核心关注领域」。）