机器人为什么先进猪场？两次创业的她，只问：谁付钱？

做过国家标准，也没有赢 「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：孙影｜浙江恒东智能科技有限公司CEO 第二次和孙影通话的时候，她正在高速上。 刚接通，信号就断了一下，她解释最近出差较多，说起做企业端机器人业务的日常：客户里既有大企业、小企业，也有政府单位，很多事情还是得当面谈、到现场看。 今天，人形机器人、世界模型和各种Demo不断刷高技术热度，但当一台机器人离开展台以后，问题就超出了研发： 客户为什么采购，预算从哪里出，性价比怎么样，现场出了故障谁处理。 孙影现在负责恒东集团机器人业务，也参与客户交付、成本控制和具身智能项目的投资判断。 当她聊机器人时，很快就会从技术转向场景、成本和客户。 恒东是一家以新材料为主业的公司，总部位于浙江金华，年产值规模约10亿元，机器人是正在扩张的新业务。 简单说，是主业供血、内部孵化机器人。 产业需要有人把今天的技术卖出去，也需要有人去做今天还卖不出去、但可能定义五年后产业的东西。 孙影的经历更接近前者。 第一次创业时，她站在机器人视觉等前沿技术的早期浪潮里；第二次创业，她越来越习惯先问“谁付钱”。 这次访谈，孙影给出了 3个一线核心判断 。 主线只有一句话： 具身智能从Demo走向生意，不能只证明“能做”，还要证明“值得做、有人买、能够重复交付 ”。 技术前沿，不等于公司能活下来 孙影大学期间进入华为，做到大区销售经理，工作约六年，离开后，她做过弱电和系统集成，大约从2012—2013年开始进入机器人行业。 1、做过国家标准，但没有赢 第一次创业时，她和团队做工业机器人、机器视觉，在北美也有团队和技术合作伙伴。 英特尔RealSense（实感）深度相机刚推出时，团队较早参与相关合作，把它用于机器人的三维和多模态定位；同期，孙影作为主起草人参与机器人视觉通用技术规范相关国家标准的制定。 机器视觉、北美团队、国家标准，这是一段前沿的技术创业经历。 但技术走在前面，并不会自动解决产品、组织合作和市场的问题。 综合原因，这次创业结束了。 技术领先，只是公司成立的条件之一，不是公司成立本身。 2、两次创业，学会了止损 第二次创业所在的组织不同。 集团已有成熟主业，新机器人方向采用业务单元孵化：先看市场和技术条件是否成立，再决定立项；阶段结果不达预期，停止继续投入。 这里更难的一步，是止损。 比如巡逻巡检业务早期进入过厂区等场景，也与机器狗厂商合作过，但现在只维持运营。 对创新项目来说，难的不只是找到值得做的方向，也包括在一个方向效果不佳时，及时止损。 一个方向“还能做”，不代表还值得继续投。 3、资本何时进场 成熟主业带来的现金流，也改变了资本进入的节奏。 新业务不需要一成立就融资，可以先验证产品和市场，再决定什么时候引入资本。 孙影对此有一个明确判断： 当方向和产品已经比较明确，资本可以成为加速器；但如果一件事情还没有真正落地，资本过早进入，有时反而会“揠苗助长”，让公司在产品和市场尚未想清楚时做出冒进决策。 这并不是所有技术公司的通用路径。 基础模型、通用机器人公司可能需要资本先承担： 现在缺的是钱，还是一个真正成立的场景和产品方案？ 场景定生死：先问谁付钱，再谈技术路线 孙影回看早期机器人行业时提到，一些技术并不差的团队，因为迟迟没有找到合适的商用场景逐渐掉队；另一些公司则从酒店、工业、物流等相对窄的场景切进去，先建立业务。 她把这个判断说得很直接： 场景选错，技术领先也会死；场景选对，工程能力可以逐步补。 这里的“场景”，指的是具体到一个业务流程：谁遇到了什么问题，谁掌握预算，机器人替代的是哪笔成本，现场允许多高的错误率，能否复购。 技术路线回答机器人“有什么能力”，场景决定这种能力“在哪里构成价值”。 1、猪场里的ROI 猪场就是一个典型案例。 猪场几乎是具身智能里最不性感的场景， 他们的农业相关团队经历静默研发期和千万元投入，开发出的机器人采用轮式或履带式底盘，通过视觉、红外热成像、气味等多模态信息，对猪只体温、行为、叫声和体态进行非接触监测。 产品形态不前卫，技术甚至有点“上一代”，现场反而很难：高温、高湿、腐蚀都会直接考验整机稳定性。 与此同时，客户的付费逻辑很具体。 规模化猪场需要控制人员频繁进出带来的消毒、隔离和生物安全成本，如果机器人能够承担高频巡检，再把异常交给兽医远程判断，它替代的就不是一个“机器人概念”，而是一笔具体的经营成本。 这并不意味着猪场机器人比通用人形更值得做。 前者任务边界窄，更容易提前算清经济账；后者承担更大的技术风险，也可能打开更广阔的长期空间。 关键是： 行业热度、技术难度和商业成熟度，是三条不同的轴。 并且，先定义任务，再决定形态。 2、四个指标筛场景 继续往下拆，可以得到一套通用的场景判断框架： 付费方、ROI、环境容错率和数据积累。 先看谁付钱。 真正使用机器人、决定采购和承担成本的人，并不总是同一个角色；一次示范采购、创新预算和业务部门长期经营预算，背后的商业质量也不同。 再算ROI：机器人能减少多少人力、增加多少吞吐、节约多少空间和风险成本，最终多久收回投入。 第三项是环境容错率。 边界清楚、允许一定错误的任务，更适合还在快速进化中的机器人先进入。 最后是数据积累。 如果每一单都是完全不同的非标项目，数据、软件和工程经验都无法进入下一单，即使持续有订单，也很难形成真正的产品。 四个指标分别回答四个问题： 有没有人买、这笔账成不成立、今天的技术进不进得去、能不能越做越强。 孙影给出的“一票否决项”，是付费意愿不明。 3、物流：能力撞上需求 物流提供了另一种场景选择样本：不是先看哪个赛道最热，而是看已有能力在哪里能最快撞上真实需求。 让研发不要从零开始。 孙影提到，“之前我们在工业机器人领域里面积累的一些智能仓储的技术储备”，进入新的物流项目后，只需要根据客户需求在原基础上做调整。 需求端正好也在附近。 公司所在区域接近义乌，大量小商品商户、进出口贸易商和物流企业集中在周边。 孙影称之为一种“技术降维”。 而客户也很少说“我需要多少智能”，而是问：能不能减少整体成本，同样面积能不能处理更多货。 它真正提供的方法是： 除了看市场有多大，也要看已有能力在哪里最容易与真实需求形成交集。 Demo跑通，不等于产品成立 找到真实场景以后，接下来要解决的，是怎么把一次项目真正做成产品。 从客户怎么进入研发、自研边界怎么划，到Demo之后怎么交付、技术壁垒怎么建立，再到团队和路线怎么选，孙影留下了7个核心方法。 1、客户前置，不等于定制 强调客户，容易走向另一个极端：客户提什么，团队就重新做什么，最后每一单都能交付，每一单却都从头研发。 物流业务能够比较快落地，孙影给过一个解释： 技术储备在先，客户共定义在前，工程化落地在后。 客户决定问题边界，技术团队判断哪些能力可以复用，每一次交付再继续把可以复用的部分沉淀下来。 2、自研到哪里为止 进入产品化以后，还有一个现实问题：什么应该自己做？ 一座智能仓里可能同时存在堆垛机、穿梭车、料箱机器人、AGV、六轴机器人，以及WCS等软件，没必要把所有设备从头做一遍。 实际的分工是，核心能力自己掌握，一些成熟标准