前投资人入局机器人七年，实现10亿级营收后，他只看三个指标

「一手判断」栏目，是虎嗅访谈 AI 从业者，给出的一线独家见解，首发于小程序“虎嗅嗅”的“AI 100”

本期受访者：李柯宏｜酷哇科技联合创始人、COO

我们问过一位在机器人行业待了多年的投资人：

回头看过去几年，如果今天重新下注，你会投什么样的具身公司？

他停顿了一下。

最终答案不是模型最大的，也不是最接近“通用”的，而是在尽力找到真实场景价值的公司。

原因很简单：一个真实场景带来的不只是订单，还有数据、问题和工程经验。阶段性的商业化能反过来扩展模型能力——这样的公司，才更有机会跨过下一轮技术周期。

这个答案很务实。

在采访李柯宏时——一个从投资人真正走进机器人产业八年的人，也用行动给了相似的答案。

他曾在美元VC任职，后来加入酷哇科技。作为联合创始人、COO，他一边要判断什么方向值得长期下注，一边必须回答更现实的问题：客户为什么付钱？为什么续约？公司能不能赚钱？

今天做“具身大脑”的公司，很多在等商业化；已经形成规模收入的机器人公司，未必在做自己的模型。

酷哇站在两者中间：一边做世界模型和具身大脑，一边已经把上万台机器人放进真实城市环境，做到10亿级营收。

所以李柯宏看机器人，不只看技术，也不只看订单。他看的是一整条链：

一项技术，怎么从“值得下注”，走到“有人付钱”，再走到“规模扩大以后还能赚钱”。

问到今天该怎样判断一家机器人公司的商业化进展时，他先举了一个简单的例子。

一台会跳舞的机器人，有人买，不奇怪。新鲜。有传播效果。企业也愿意为创新试验买单。但客户会买1000台吗？

“买一个机器人跳舞，可以，但不能买一千台去跳舞吧？”

工厂也一样。

十台、一百台，可以把不同工位都测试一遍。但继续走到千台、万台，性质就变了——到了这个数量级，得真正解决问题。

这是李柯宏做了多年机器人商业化之后，对行业里“落地”两个字最大的保留。

今天机器人行业似乎订单更多了、合作更多了、交付也更多了。

但他说：“最后，想象空间是要兑现的。”

真正走到兑现那一步，他只看三个指标：收入、回款、复购。

机器人最先解决的，不是“比人便宜”，而是“没人做”

2019年前后，李柯宏进入机器人行业。

那时没有今天的大模型热潮，无法提前知道几年后世界模型、人形机器人会成为行业关键词。

他说当时判断行业方向，问题比较简单：

本质上，它解决什么真实问题？

“一个产品多 fancy（光鲜），或者一个技术多 fancy，都不重要——它最后还是要解决一些实际问题。”

最早关注城市服务时，李柯宏注意到的不是技术。而是一个摆在眼前的迫切需求。

“这个场景是真的缺人，真的招不到人。”

市政环卫行业尤其明显。年轻人不愿意长期干，成本和效率已经压得很低，还是难招。

但城市不会因为招不到人，就突然不需要清扫了。

他说得很直接：“这个地，咱们总得扫吧？”

这里机器人解决的，不是“我比一个人便宜多少”，而是一个更根本的问题：如果没人干，这个需求怎么办？

后来，他把"一类机器人场景值不值得做"拆成了三个变量：

• 第一，这个工作是否还有人愿意做。

• 第二，一台机器能释放多少等效多少人的生产力。

• 第三，失败一次有多贵。

前两个不难理解。如果机器人只能一对一替代一个人，它就必须证明自己在成本、效率和长期稳定性上都划算。

如果一台设备能释放多个人的生产力，经济账会宽松一些。

第三个变量反而最容易被忽略——失效成本。

一台清扫机器人遇到临时封路，停了一会儿，绕一下，晚点把地扫完。

问题不大。

但在工厂里，一个动作失败，可能远不止重做一次那么简单。

酷哇自己有工厂，内部也模拟过机器人进入生产线的情形：一个螺丝没有按照节拍拧紧，下一道工序就得等；产量、检测甚至整条产线的生产节奏都会受到影响。

一次动作失败，会沿着整个流程不断放大。

所以李柯宏不太认同当下的一种流行判断：工厂结构化程度高，所以一定是具身智能最先大规模落地的地方。

工厂当然有价值。

但很多工厂任务连续、刚性、强节拍，失败一次的太高。

而今天很多新型机器人，问题甚至还没轮到“成本高不高”，先卡在了效率和稳定性上。

这意味着，机器人最先跑通的场景，未必是技术看起来最先进的地方。

反而可能是这样的地方：人真的缺、机器能释放更多生产力，而且失败之后还有补救的机会。

技术难度，不等于商业落地顺序。

有时候，“失败一次有多贵”比“机器人会不会做”更重要。

X0和X1在北京的道路上

百台仍可能只是测试：机器人“落地”至少要拆成六步

找到场景，只是第一步。从客户愿意试，到真正需要，中间还有很长距离。

李柯宏一直强调数量级。

一台可以是尝鲜。

十台、一百台，可以是创新预算。

真正开始证明需求规模的，是设备数量继续跃迁。

从百台到千台、万台，客户还愿不愿意继续扩？为什么？换一个客户，能不能复制？

他认为，如果一个场景长期跨不过这个数量级，它的商业价值就需要重新评估。

所以机器人商业化，至少应该拆成这样一条链：

POC → 单客户扩量 → 跨客户复制 → 收入 → 回款 → 复购。

“交付、订单、签了多少客户，在收入面前，只是阶段性的价值。”

想象空间最后都要兑现。而兑现的方法，是把机器人重新放回客户原来那本生意账里。

在李柯宏看来，真正本质的问题是：客户为什么一定要买一台机器人？

如果客户要的是清扫，他买的是“地被扫干净”。

如果要的是配送，他买的是“东西按时送到”。

外卖平台不会因为骑手换了更先进的交通工具就多付一笔钱——客户看的永远是履约率、时效、投诉率。

换成机器人，也得接受同样的结果指标。

这也是酷哇“按结果交付”的核心。

不是卖机器人，是卖结果。

按件、按量、按履约收费以后，机器人就重新进入了客户本来就熟悉的经营模型。

但这也意味着，风险被重新压回了机器人公司自己身上——设备贵不贵、机器会不会坏、异常处理要堆多少人，都不再是客户的问题。

所以到最后，fancy 的技术必须变成 UE (单位经济)。

于是，那三个指标的含义，也就越来越清楚了：

• 订单，证明有人愿意试。

• 收入证明有人愿意为结果付钱。

• 回款，证明这笔钱真的进入了经营闭环。

而复购，则意味着几年之后，他还愿意再买一次。

这可能才是一家机器人公司从“新技术”走向“真生意”的真正分水岭。

酷哇的 RaaS 合同通常以 3 年为周期签署，3 年后续约即为复购；部分战略客户前期测试限期免费。

目前，酷哇已在 EBITDA 层面回正，盈利路径逐渐清晰。

“自主率”是终局指标吗？客户只会问，为什么不直接找个人？

机器人行业喜欢公布一个数字：自主率。70%、80%、90%——数字越高，机器人似乎越接近真正的无人化。

李柯宏对这个词有点保留。

因为站在客户角度，逻辑非常直接：如果机器人只有50%自主，剩下还需要大量人工兜底：

“那客户为什么付费？为什么不直接请个人？”

当然，真实世界确实存在纯机器人作业解决不了的情况：老城区、临时施工、封路、障碍、极端环境……所以真正值得看的，从来不是一句"自主率90%"，而是90%之后的那部分：

还剩多少人工？人工在干什么？一次异常多久能恢复？一个人最终能管多少台机器人？在那些必须人机协同的任务里，人的效率有没有被抬高？

李柯宏拿Robotaxi做了一个很形象的类比。

最早的时候，一个安全员盯一辆车，坐在主驾；然后退到副驾，再退到后排；最后人不在车上了，转到线上。

到了线上，又从一人盯一台，慢慢变成一比二、一比三。

这才是“无人化”真正发生的过程——不是人突然消失，而是机器越来越多，人越来越少。

反过来说，如果机器人从千台涨到万台，运营和售后团队也跟着扩10倍，那本质上还是一门重人力生意。

真正的智能杠杆应该是：设备量涨10倍，人工只涨1倍，甚至更少。

同样的逻辑，也适用于销售、交付和售后。

每做一个新项目，是不是又要派一批人从头磨？每出现一个问题，是不是只有原来那位工程师知道怎么修？如果答案一直是"是"，那设备越多，公司越重。

所以规模化真正考验的，不只是算法和制造，还有一件非常务实的事：把一次次项目经验，沉淀成下一次不需要重新堆人的标准能力。

比起一个孤零零的“自主率”，李柯宏更看重的指标是：无监督履约率、异常恢复时间、人均管理设备数，以及整条业务链里，到底还剩多少人。

世界模型值多少钱？先看机器人多十倍，人要不要也多十倍

谈世界模型，不能只谈技术，得把它重新拉回经营。

世界模型当然重要。但李柯宏认为它只是一个：“必要不充分条件”，最终还是要回到经营结果验证。

真实城市里，一个模型首先要面对的，甚至不是什么宏大的智能问题，可能只是信号。网络会断，延迟会抖。

如果关键决策只依赖云端，一次短暂的卡顿就可能影响履约，甚至安全。

所以模型怎么做，不应该是从“行业最流行什么”开始倒推，而是应该从一个更朴素的问题出发：一台机器人真的在路上跑，会遇到什么？

再往后，是一个更经营的问题：今天有1000台设备，明天有10000台，运维团队是不是也得扩10倍？研发是不是也得扩10倍？如果答案是“是”，那模型能力再强，商业杠杆也还没有真正出现。

所以李柯宏会把一个世界模型的商业价值，翻译成三句话：

• 它有没有减少现场支持？

• 有没有提高无监督履约？

• 设备扩大以后，人力有没有同比增长？

这比benchmark（基准测评）更接近一家公司真实的经营结果。

因为世界模型所谓“泛化”，最后不能只是机器人看起来更聪明——它应该表现为：下一次进入一个新城市、一个新客户时，少做一点重复劳动。

而真实部署越多，遇到的场景和异常就越多：数据回流，模型进化，现场调试减少，人工处理减少，于是可以部署更多设备。

李柯宏把这条链路看成一个飞轮：

部署 → 真实数据 → 模型提升 → 履约提升 → 人工降低 → 更大规模部署。

从这个角度看，“商业化”和“技术研发”其实没那么对立。

真正好的商业场景，不只是在今天赚钱，它还在给模型投喂下一轮进化需要的东西：收入、数据、异常、真实问题。

反过来，如果一家公司的机器人越卖越多，却要靠越来越多的工程师守在现场，那所谓的“智能”，依然很贵。

世界模型真正值钱的那一刻，可能不是它又刷新了一个benchmark。

而是：设备多了10倍，人没有多10倍。

人形可以等终局，机器人公司不能等：先活下来，再谈通用

李柯宏并不反对人形。

如果未来的大脑足够聪明，Agent能力足够成熟，硬件也足够好，人形完全可能成为一个很强的通用解——毕竟人类世界的绝大多数基础设施，本来就是按人的身体设计的。

但他也会反问：短期呢？是不是每家公司今天都应该做人形？是不是每个任务都该交给双足机器人？在他看来，不一定。

工厂的某个位置可能只需要一条机械臂，有的任务更适合夹爪，室外场景也许轮式、四足更稳。

客户不在乎你的机器人是不是长得像人。客户关心的永远是：事情干完了吗？多少钱？稳不稳定？

所以短期来看，还是应该从场景倒推产品，而不是先宣布“我们做人形”，再回头给人形找一份合适的工作。

但这并不意味着"专机"和"通用"是两个对立的方向。

恰恰相反——专机只要真的进了场景，就会产生收入、真实数据，也会暴露真实的工程问题。

这些东西，未来都可以喂给更通用的模型。

这也是为什么李柯宏认为，下一阶段具身“大脑”的差异，不一定最先来自谁更“通用”。

而可能来自：谁手里有真实的物理世界数据。

自动驾驶有海量车辆作为数据采集载体，但今天绝大多数机器人还没有这样的数据规模。

而且，真正有价值的数据，未必掌握在模型声量最大的公司手里。

仓储、物流、城市服务里那些常年跑着的设备，背后可能沉淀着大量真实物理数据。

这些公司今天未必被叫作“具身大脑公司”，但当行业真的从百台走向万台，竞争会越来越变成三个问题：

谁有真实数据？谁真正理解客户的流程？谁能把一个项目里踩过的坑，变成下一个项目可以直接复用的能力？

说到这里，我们问了李柯宏一个有点“事后诸葛亮”的问题：

如果回到八年前，已经知道今天的大模型、端到端、世界模型，有没有什么事，会更早开始做？

这像一个在产业里干了八年的人，和投资时代的自己之间的一场对话。

他的回答是：“七年前，我们不能预设现在 AI 的发展。”

站在今天回看2019年，什么都很清楚。但当时不是。

那个时间点能做的事其实很朴素：把PMF做好，把产品找准，把迭代做快。

如果真有什么可以改进，他认为是：步子可以迈得再大一点、再快一点。

不一定是把战线铺得更长，而是可以多做一些小产品，给公司多留一点试错空间。

说到端到端，他讲得很直接：“既然特斯拉选择了，应该有一定道理，跟就完了。”

但说完他也承认，这是今天回看的结果。特斯拉刚做那些决定的时候，行业同样充满困惑——退回2018、2019年，在那个时点简单效仿特斯拉，未必就是正确答案。

所以最后能留下来的方法论，其实非常朴素：

• 产品跑快一点。

• PMF找准一点。

• 离商业化近一点。

我们不需要提前八年猜中未来。

真正要做的是：在不知道未来会发生什么的时候，先活下来；

并且等下一轮技术真正到来时，手里有场景、有客户、有数据，也有能力接得住。

这可能也是一个前投资人走进产业八年之后，对“押注未来”这件事，最现实的一次修正。

最后，机器人公司还是要回到三张单子

李柯宏判断具身智能是否成熟，用的是一个很长的时间尺度。

汽车最早是奢侈品，后来才成为普通人的工具；数字支付也一样。

改变社会的从来不是某个技术榜单，而是有一天，所有普通人都开始自然地使用它。

按这个标准看，具身智能显然还很早。

所以酷哇一方面在追求ChatGPT时刻，同时也在追求“福特时刻”。

那么，现在再问一次开头那个问题：什么样的具身公司值得长期看？

“能落地”还远远不够。最核心的是：客户有没有持续付钱？

这也是李柯宏留下的那把尺子：

• 能演示，不等于能交付。

• 能交付，不等于能持续作业。

• 能持续作业，不等于形成规模经济。

• 有订单，不等于有现金流。

• 有第一次购买，也不等于客户会第二次付款。

在一个没人知道终局长什么样的行业里，真实场景最大的价值，也许就是让公司一边活下来，一边用收入、数据和真实问题继续逼近下一代技术——积累筹码，持续留在牌桌上。

而无论想象空间有多大，最后都要兑现。

一家机器人公司的评分表，最后只有三个指标：收入、回款、复购。