一、上一轮创业失败，不是因为机器人“做不出来”
孙鹏飞将早期创业概括为一种典型的技术人路径：看到别人做出产品，再看自己手里是否有新技术，希望把同类产品重做一遍——功能更强，或者成本更低。
当时，优必选已经进入市场。创业团队很容易据此推断：既然有人在做，这个市场就已经被验证。后来他才意识到，“有一两家公司在做”和“消费级市场已经成熟”完全是两回事。
他们的第一代产品对标当时的小型人形机器人，售价约3000元，但孩子的新鲜感很快消失；第二代产品定价约四五千元，家庭市场依然没有形成持续购买。问题不只是技术早、产品贵，更是没有先回答：用户为什么需要它，谁愿意持续付钱，产品通过什么路径抵达用户。
而他们当时并非没有领先的技术：当时业内普遍把程序预置在机器人本体里，机器人只能执行固定动作；他们率先把智能手机作为娱乐交互主控，让手机负责语音、内容和应用，机器人本地的嵌入式系统负责运动控制，两套系统通过通信协同工作。
今天回头看，这已经有点像现在具身智能所说的“大小脑”架构：手机是负责交互和任务的“大脑”，嵌入式系统是负责实时控制的“小脑”。但依然失败了。
在孙鹏飞看来，优必选能够穿越上一轮周期，至少做对了两件事。一是找到过可以成立的细分PMF，例如面向教育市场的轻量化、积木式产品；二是获得了足够的资金，让公司有时间在多个方向上继续试错。早期活下来的另一家机器人公司的酒店配送场景，则是另一种更直接的PMF：产品解决了明确任务，也能在连锁酒店中复制。
这段失败给孙鹏飞留下的最重要教训，不是以后少做技术，而是把判断顺序倒过来：先看行业和客户，再决定技术值不值得做。
后来在华为体系式的产品开发与经营管理训练中，这套判断被进一步制度化。产品立项前要做市场洞察，审视政策、行业、客户、竞争和自身能力；做产品时就要同步考虑Go-to-Market，而不是产品完成后才讨论怎么卖。
臻效智能与上一轮创业最大的不同，也在这里。除少量前沿算法探索外，技术迭代需要能落地，尽量多与客户真实业务的现场发生交互；标杆项目不仅提供收入，更承担技术和商业同时验证的任务。
二、行业真正退潮时，下面五个信号最关键
孙鹏飞经历的上一轮冷却，主要涉及小型人形机器人、儿童陪伴机器人，以及银行、机场等场所出现的商用服务机器人。它与今天的大型人形机器人并不完全相同，但退潮逻辑可以相互参照。
他观察到的顺序是：
客户侧先出问题：POC后不复购，订单无法复制，设备利用率低；
公司开始频繁更换场景，用同一套技术讲不同故事；
投资人发现商业化迟迟没有进展，下轮融资变难；
媒体注意力转移，公开叙事开始降温；
人才和供应链资源离开，行业进入更长的收缩期。
这一轮的确有实质变化。模型能力、强化学习、硬件供应链都明显进步，资本投入也更大，机器人得以从家庭和展示场景扩展到工业、交通等更多行业。但站在客户一侧，要求从未改变：投入是否值得；设备能否长期稳定运行；项目能否变成标准产品；团队有没有批量交付能力。
因此，穿越下一轮冷却期的公司至少要满足两项底线中的一项：要么现金储备足够长，能够继续试错；要么尽快完成真实商业化，用经营现金流延长生存期。在此之外，技术路线还必须压对，并具备持续演进能力。这三个变量高度耦合，没有单一答案。
三、五个标杆项目之后，才进入B端真正的死亡谷
B端公司的0到1并没有想象中那么难。创始团队的行业关系、投资人的产业网络、地方政府的示范项目、股东或关联方采购，都可能带来首批订单。它们有助于验证技术，却未必验证市场。
孙鹏飞认为，识别B端“假PMF”可以依次追问四个问题。
订单从哪里来？
越是能够独立获得陌生客户，需求越接近市场验证。依赖关联关系、单一渠道或政策示范的订单，需要单独标注来源，不能与自然销售混在一起。
到底谁在付钱？
付款方是否就是使用和受益部门十分关键。政府专项、集团创新预算或平台补贴，可以让项目发生，却不一定证明业务部门愿意为结果持续付费。
客户是否对验收较真？
真正花自己预算的客户，通常会严格追问效果、稳定性和责任边界。如果验收流于形式，往往意味着项目的经济责任不在实际使用者身上。
能不能从一个试点扩成连续订单？
最关键的检验，是同一客户能否从一个点扩到多个点，或者同一产品能否进入更多同类客户。只有完成10到N，公司才真正从关系驱动的项目生意进入可复制的产品生意。
这也是为什么，甲方最终最看重的不是演示，而是交付。PPT可以暴露案例积累不足，POC可以看出团队协同，而真正到了现场，产品能不能跑、问题由谁解决、人员是否稳定，很快就会拉开更关键的差距。
工业客户还会看一家供应商能不能长期活着。ToB产品一旦进入现场，服务周期可能是几年甚至十几年。项目经理频繁更换、核心团队不稳定、公司现金流紧张，都会转化为甲方对后续服务的风险判断。在这一市场里，“活得足够久”本身就是信用。
四、为什么有的机器人公司更像自动化公司，而不是“具身故事”
孙鹏飞认可一些B端非人形机器人公司的商业价值，但他的理由并不是它们更接近人形机器人，而是它们更接近成熟的自动化和智能装备逻辑。
这类公司通常选择一个边界明确的行业场景，解决人工、良率、节拍或安全问题；现场环境相对可控；交付可以标准化；同类需求广泛存在。它们的商业账之所以更容易算通，是因为客户本来就在为确定性的生产结果付费。
孙鹏飞曾以甲方身份主动采购一家具身智能公司早期的四自由度协作机械臂。当时的触发点很简单：市场上需要一款价格相对可控、满足具体任务的协作机械臂，而这家公司正好切中了这个细分需求。
不过，早期产品并不等于最终方向。该公司后来从机械臂、咖啡机器人等方向持续探索，最终在生命科学自动化领域建立位置。孙鹏飞把这段路径总结为两项能力：足够的资金支持长期试错，以及把产品重新锚定到一个能够标准化交付的行业。
另一家具身智能公司所处的建筑场景更强调AI和行业软件能力，但底层问题相同：技术必须进入具体任务，形成一套客户愿意采购、能够交付、可以复用的解决方案。
五、具身进工厂，不能只解决“能被机器人做”的任务
工厂的需求并不是从机器人出发，而是从经营指标出发。
例如，一家工厂希望把OEE从92%提高到94%，它会继续向下拆解：瓶颈在哪个工位，停机来自什么原因，良品率受哪些变量影响，改造需要新增多少设备，多久收回成本。至于最后使用人形机器人、传统自动化、控制优化软件，还是调整工艺流程，只是实现手段。
具身机器人现阶段更容易切入搬运、抓取、跨工位衔接等零散作业。但一条产线的效率通常由最慢的瓶颈工位决定。若机器人提升的是非瓶颈环节，即便单点表现更好，也未必改变全线节拍。
这形成了两种不同语言：具身公司讨论“机器人能完成什么动作”，工厂讨论“哪个经营指标值得为之改造”。二者之间缺的不是更多Demo，而是把动作能力翻译成全局收益的工程和商业能力。
臻效智能做火电燃烧优化、数据中心冷源控制时，通常不新增主要生产设备，而是在既有控制系统上叠加优化层，因此主要以节能量和效率提升核算价值。公司也采用按效果付费等方式，把技术承诺与客户收益绑定。孙鹏飞把这种原则概括为：不要拿着锤子找钉子，先把客户的问题和收益边界讲清楚。
六、工业控制不是拒绝进化，而是要求“安全地进化”
工业系统并非不需要AI，更不是只接受固定规则。孙鹏飞把工业智能化类比为自动驾驶分级：L1是数据可见和辅助感知；L2是AI提供建议；L3是在限定场景中形成闭环；L4是工厂级高度自治；L5是跨工厂级协同自治。当前工业侧L1已经普及，L2与L3并存，真正大范围的闭环控制仍然有限。
若用同一思路观察具身智能，发布会展示往往接近限定场景内的L3能力，真实规模交付则大量停留在固定自动化或局部自主阶段，广泛达到L2的案例都不多。
原因之一，是演示可以容忍偶发失败，生产不能。工业控制要求确定性、平滑性、可追溯性和可回退性。臻效智能的离线强化学习系统之外，还设置算法安全边界、平台约束、通信心跳、PLC/DCS回退等多层保护：当AI控制异常，系统必须回到原有控制模式。
但“稳定”不意味着模型永远不变。前装场景中，算法和控制器随设备一起出厂，初始可能没有真实运行数据。系统可以在预先划定的安全范围内做小幅探索，形成数据后回流离线训练，再重新部署。未来也可以在工厂内部局域网完成训练和更新，避免数据离开现场。
因此，工业AI和具身智能并不是“稳定”与“进化”的二选一。真正的分界是：谁能把进化过程本身工程化、受控化，并为每一次更新保留回退路径。
七、机器人“大脑”可能只剩两类公司
孙鹏飞对独立机器人“大脑”公司的长期商业空间持谨慎态度。
一方面，通用模型的技术门槛极高，想用一个模型解决全部场景，不只是算法困难，数据也很难满足。另一方面，中国制造业的链主企业往往倾向于把关键能力收回内部。从智能汽车到手机，整机厂在规模和利润允许时，通常会逐步自研关键软件和控制能力。机器人本体公司也可能沿用类似路径。
在他的判断中，未来可能形成两层结构：少数一两家通用“大脑”公司提供基础能力；更多行业公司采购通用或定制本体、通用模型，再叠加自己的行业数据、工艺知识和交付团队，形成面向具体场景的软硬一体方案。
后者未必拥有最通用的模型，却可能拿走大量行业服务价值。因为通用模型公司无法为每个工厂、实验室、建筑或园区都配备足够深入的行业人员，而B端收入最终来自场景开发、系统集成、交付、运维和持续优化。
这也解释了孙鹏飞的“软饭硬吃”判断：在中国工业市场，纯软件往往难以单独定高价，软件价值需要通过控制器、前装配套、设备方案或持续效果服务实现。机器人公司未来赚的不一定只是本体的钱，也不一定只是模型授权费，更可能是软硬一体进入场景后的长期服务费。
八、评价具身公司，先看四个指标
结合过往经验，孙鹏飞建议评价B端机器人和工业具身公司时，可以优先观察以下四项。
1. POC后的复购与扩点率
试点完成后，同一客户是否追加采购，能否从一个工位扩到一条产线、一个工厂或多个同类客户。首单数量不应与复购混在一起。
2. 每100小时人工干预或回退次数
发布会完成一次任务不能代表稳定交付。更有价值的指标是设备运行多长时间需要人工接管，AI控制多长时间回退到原有自动化控制，以及异常是否可追溯。
3. 真实作业时间和设备利用率
设备是否真正运行，执行了多少有效任务，是否减少人工或改善瓶颈指标，比出货量、进厂数量和媒体曝光更能说明价值。
4. 10到N复制中的单位经济模型
每个新项目需要多少定制；交付人员是否线性增长；报价是否覆盖售前、集成、驻场和运维成本；现金回收周期是否持续缩短。收入增长若完全依赖更多项目人员，并不等于规模化。
相反，融资额、Demo完成度、标杆客户数量和设备部署量都可能造成误判。它们可以说明公司获得了资源，却不能单独证明PMF、数据飞轮或商业模式已经成立。
九、未来6—12个月，可以验证什么？
预测一：订单复制问题会先于公开融资降温暴露
适用范围： 依赖示范项目和大额融资、尚未形成稳定复购的人形机器人公司。
验证指标： POC转采购比例；同一客户扩点率；订单是否主要来自关联方或政策项目；设备实际作业时长；公司是否频繁更换落地场景。
如果标杆数量增加、但复购和扩点不增长，行业热度仍可能维持，商业化却已经开始退潮。
预测二：具身公司的评价会从“完成任务”转向“少接管地完成任务”
适用范围： 进入工业、园区、海洋、管道等限定场景的机器人。
验证指标： 每100小时人工干预次数；异常回退率；平均无故障运行时间；任务完成成本；安全事件和停机责任边界。
若厂商持续只展示单次成功率，而不披露运行周期与接管数据，规模交付能力仍不能成立。
预测三：少数通用“大脑”与大量垂直解决方案商会加速分化
适用范围： 机器人模型、本体和行业应用公司。
验证指标： 本体厂是否加强自研“大脑”；通用模型公司是否收缩场景范围；行业方案商是否获得复购；软件收入能否通过前装配套或持续服务兑现；客户数据能否在合规前提下回流。
如果“链主”持续内化核心智能能力，独立“大脑”公司的商业空间将比技术叙事更集中。
预测四：ToB机器人更可能形成连续增长，而ToC仍受爆款周期支配
孙鹏飞并不认为ToC情绪价值机器人一定不成立。与十年前相比，大模型的长期记忆和主动反馈能力已经能建立更持续的关系，用户为情绪价值付费的意愿也在变化。但中国市场能否复制海外高价硬件加订阅的模式，仍需看本地定价和渠道。
适用范围： B端自动化/机器人公司与C端陪伴机器人。
验证指标： B端老客户新产品、新客户老产品和年度续约；C端12个月续费率、真实使用率、复购与下一代产品成功率，并排除运营商合约绑定带来的“被动续费”。
单个爆款可以让ToC公司更快冲高收入，但若观察近五年连续增长，具备复购和可复制交付能力的ToB公司目前先真正实现商业化的概率更高。
结语：具身智能最终要接受工业世界的计分方式
孙鹏飞并不否认本轮具身智能的技术进步。相比十年前，机器人看见、理解和适应环境的能力已经跨过多个台阶，进入真实行业的可能性也显著增加。
但技术底座变化，并没有取消商业世界的旧问题：谁付钱，为什么付钱，效果如何验收，项目能否复制，公司能否活到服务周期结束。
人形机器人最容易制造的错觉，是把“能做出来”当作产品成立，把“有标杆”当作市场成立，把“部署更多”当作数据飞轮成立。真正的PMF发生在这些叙事之后：陌生客户愿意用自己的预算购买，认真验收，持续复购；设备在现场长时间运行，少接管、可回退；供应商能从1到10，再从10走到N。
对工厂而言，具身智能不会因为名字更先进而被采购。它必须进入营收、利润、效率、良率和安全的同一本账，并证明自己比传统自动化、软件优化或流程改造更值得。