一代人的成功经验，正在悄然失效。

过去两年，具身智能行业几乎把自动驾驶的人才、方法论和组织经验，全盘接收。

但到了今年，越来越多从业者意识到，自动驾驶和具身智能之间，或许永远隔着一条无法弥合的鸿沟。

最近半年，我先后和不少具身智能创业者、机器人产业的人聊过一个核心问题：招人还会优先看智驾背景吗？

答案，开始趋向一致。

智驾光环，正在褪色

春节前后，就有猎头透露，一些机器人公司对跨行业候选人的面试概率明显下降，明确优先倾向有机器人行业经历的人。

智驾背景当然不至于成为减分项，但它曾经那种天然的光环，已经不复存在。

前些天，一家从头部智驾公司单独分拆出来做具身的企业，在招聘世界模型研究员时，直接在岗位要求里写下了“不要智驾背景”几个字。

更有意思的是，前不久去采访一家工业机器人公司的CEO，聊到人才招聘时，他直言，团队现在基本不考虑招纯自动驾驶背景的人。

我下意识追问了一句：“可您自己不也是从自动驾驶出来的吗？”

他笑着回了一句：“具身是个新行业，真要靠老经验，基本就黄了。”

他解释说，不优先考虑智驾背景，是因为自动驾驶和具身智能看起来相近，但底层逻辑已经完全不同。

这句话，听起来有些反常识。

毕竟过去两年，无论是VLA、世界模型，还是端到端、数据闭环，很多自动驾驶公司都在积极拥抱AI新范式。

从技术栈上看，两者共享着大量底层能力。很多人也理所当然地认为：智驾转机器人，是降维打击，是顺理成章。

可越来越多真正走进这个领域的人开始承认：最初把两者看得太像了。

自动驾驶的问题复杂度，其实远低于具身智能。

自动驾驶和具身智能，差别到底在哪

自动驾驶固然复杂，但它本质上是在一个高度约束的环境中解决问题。

道路是固定的，交通规则是明确的，车辆形态是统一的，绝大多数变量都位于一个相对可定义的框架内。

而机器人面对的是开放的物理世界，几乎要把人与物理世界所有可能的交互关系都囊括进来。

拧螺丝、上料、分拣、装配、搬运、整理，每一个动作背后，都可能对应另一套数据、另一套训练和另一套部署方式。

这也可能是两者最核心的分野：

• 自动驾驶没有“下游任务”这个概念。 你不会造一辆只开北京五环的车，也不会让一辆车只学上海外环的路况。它追求的是一个大一统的、能适配所有道路场景的通用解法。
• 机器人的本质就是任务的集合。 今天没有任何一个机器人模型能通吃所有工业场景，更别提家庭场景。

预训练、后训练、场景微调、小样本学习，这套看似繁琐的流程，恰恰是机器人行业的常态。

而这，对于长期在自动驾驶体系里成长起来的人来说，是最难适应的地方。

经验，正在变成负资产

自动驾驶行业发展了十几年，已经形成了一套极其成熟、经过无数次验证的方法论。

这套体系培养出了一大批懂量产、懂工程、懂系统架构、懂数据闭环的优秀工程师。

这些能力放在任何高科技行业，都是千金难求的资产。

事实上，今天具身智能行业最顶尖的一批创业者，绝大多数依然来自自动驾驶。

但问题的关键，不在于经验有没有价值，而在于经验什么时候会变成负担。

长期在智驾体系里成长的工程师，很容易形成强烈的路径依赖。

• 习惯于寻找统一解法
• 习惯于搭建通用框架
• 习惯于用过去已经验证成功的方法，来解释和解决新问题

这就导致一个尴尬的现象：手里的锤子太重，看什么都像钉子。

但具身智能很多时候并不奖励这种思维。

甚至某种程度上，它会惩罚这种思维。

因为机器人行业今天最大的特点，就是几乎所有事情都没有标准答案。

不少创业者私下都说过类似的话：现在看人，最在意的既不是做没做过机器人，也不是做没做过自动驾驶，而是这个人能不能快速理解一个全新的问题。

一位具身创业者曾说过一句非常有意思的话：

“如果今天有两个人，一个做过五年自动驾驶，一个刚从AI研究转过来，我未必一定选前者。”

原因很简单：智驾背景代表你过去解决过很多确定的问题，而机器人行业更需要的是，面对未知时敢于清零、愿意重新开始的能力。

这让我想起十年前自动驾驶刚兴起时，行业里流行过一句一模一样的话：自动驾驶，反而不优先招车辆工程专业的人。

具身，需要另一种人

那么，今天的具身智能公司，到底在抢什么样的人？

综合过去几个月数十位行业人士的观点，可以总结出四条核心标准：

• 第一：得做过AI。 这并不意味着必须做过机器人，也不意味着必须做过自动驾驶，而是要真正理解模型、数据、训练、推理是怎么跑起来的，知道怎么快速验证一个想法，知道怎么把一个抽象判断落地成实验。
• 第二：没有太重的历史包袱。 看到新东西时，第一反应不是“我以前怎么做”、“Waymo怎么做”、“Tesla怎么做”，而是先判断这条路在眼下有没有意义。具身行业还没有形成统一范式，很多问题甚至还停留在定义阶段，带着太多既有经验进来，反而容易被旧答案牵着走。
• 第三：扎实的数学和抽象能力。 因为机器人领域今天很多问题没有现成答案，最终还是要回到建模、抽象和工程实现这个基本功上来。
• 第四：也是最重要的，愿意接受新事物，愿意重新学习。 这几乎已经成为许多具身公司CEO看人的核心标准。在这个行业里，真正稀缺的是那些最能适应新变量的人。

这也解释了为什么现在不少具身公司一边还在吸纳智驾人才，一边又开始对智驾背景保持更高的警惕。

他们并非排斥自动驾驶出身的人，而是排斥被自动驾驶方法论绑得太紧的人。

自动驾驶的贡献，依然不能否认

当然，不能否认自动驾驶对具身智能行业做出的巨大贡献。

它不仅输送了第一批人才和资金，更重要的是，它验证了AI+物理世界这条道路的可行性。

但自动驾驶和具身智能的复杂度，在很大程度上终究无法共情。

• 智驾的难点更多集中在决策层面，控制体系经过几十年发展已经相当成熟；而机器人的控制本身至今没有完全解决，决策空间又比智驾大了几个数量级，再加上从语言到动作这道至今未被跨越的鸿沟，难度呈指数级上升。
• 自动驾驶需要接近100分才能合法落地，差一分都可能酿成大祸；而具身智能可能60分、甚至40分就有机会进入场景——一个家务机器人哪怕偶尔弄坏一个杯子，和一辆自动驾驶车的事故风险，完全不是一个量级。
• 自动驾驶有L2这个完美的过渡阶段，可以一边赚钱一边迭代；而具身智能没有中间态，它要么能真正替代人完成任务（L4），要么就是个玩具（L0）。

坦白说，自动驾驶创业交过的所有学费，具身智能创业大概率还要再交一遍。

即便有少数人真的站在巨人的肩膀上看得更远，大多数人还是会在同一个坑里摔倒。

今天的具身智能，已经在机器人学习范式上拿到了一些阶段性突破。

但离真正像自动驾驶那样，系统性替代物理世界中的人效，还差得很远很远。

那条路，不会短。

结语

而对个体来说，选择已经变得无比现实。

具身开着更高的工资，站在离资本最近的风口，生态位也正在快速形成。

这让我突然想起前几天和一个刚从智驾转去具身的工程师聊天。

他半开玩笑地说：“先在这边赚几年快钱，等具身这行不行了，我再转回去呗。”

“坑位渐满，早点入场。”