在中国两家明星机器人的表演同时亮相美国硅谷学术腹地的斯坦福大学教职员俱乐部，一场关于未来的科技峰会正在上演。7月12日，在一场名为“Humanity & AGI Summit 2026”的峰会上，国际二胡演奏家Hina Zhang与宇树机器人同台演奏了《赛马》，随后智元机器人也伴随着《Levitating》完成了互动表演。然而，在视觉观赏之外，与会者愈发对机器人的真实处境感到好奇。在资本和营销裹挟的热度中，人们渴望听到更多真话。
AMINO Capital创始人、“硅谷李师傅”Larry Li在下午的投资论坛上直言不讳：“我看过很多演示，它们在舞台上跳舞跳得很漂亮……但一下台，通常需要三四个人把它抬下去。”
这场峰会由AIRA（美国AI机器人联盟）联合多家机构主办，从上午9点持续到晚上6点。峰会以《人类简史》作者尤瓦尔·诺亚·赫拉利的独家视频演讲开场，随后登台的有Skild AI创始人Deepak Pathak、猎豹移动董事长傅盛、斯坦福医学教授John Ioannidis，以及来自CMU、英伟达、甲骨文、沃顿商学院的学者和硅谷投资人。在这场活动中，关于“机器人”的讨论很大程度上伴随着“祛魅”，而关于“人”的讨论，则触及了人的工作、信任与组织架构，这些也是中美职场共同关注的话题。
AIRA主席Yong Wang在开幕致辞中指出，过去几十年，AI主要存在于数字世界，如今它正随着机器人进入现实世界。“AGI的未来不能仅由技术推动，科学家、企业家、政策制定者和社会各界都必须在场，信任、责任和治理体系必须与技术同步生长。”
赫拉利的出现，更为活动定下了“技术自省”的基调。他提醒人们，人类习惯于科幻作品中的“机器人叛乱”风险，但真正的风险往往是静悄悄发生的。AI正从“工具”转变为“代理”，社会越来越依赖那些无法理解、也无法完全监督的算法系统，一种“数字官僚体系”正在形成。正如印刷术在启蒙时代释放了信息噪音和谣言，海量信息转化为知识需要经过漫长的编辑、核查和传播体系建设。
以下是基于峰会现场的笔记整理：
**一盆冷水：机器人还没准备好**
CMU教授、Skild AI联合创始人兼CEO Deepak Pathak的主题演讲核心在于给行业“祛魅”。他提出了莫拉维克悖论：对机器来说，“困难的事情很容易，容易的事情很困难”。人类感知和运动类的事情往往不假思索，依靠的是长期积累的经验与常识，而机器却要从零学起。后空翻、跳跃、舞蹈这些看似高难的动作，对机器反而容易，因为它们只需精确控制自身，不依赖对外部环境的理解；而走楼梯、避开障碍等看似简单的动作，对机器来说却异常艰难，因为每一步都需要感知和理解复杂的外部世界。
“网上那些机器人突破的视频很容易让人误解。机器人会跳舞，不代表它理解世界。”
Pathak解释了机器人进化速度慢于大语言模型的原因：“数据”。大模型有整个互联网可供学习，而机器人的数据必须来自真实运行，真实运行又依赖智能系统支持，这形成了“鸡生蛋”的问题。解法或许是打造一个“通用机器人大脑”：任何机器人、任何任务，共用一个大脑。模拟数据提供规模，人类视频提供多样性，真实操作数据提供真实性。据悉，这套系统已进入NVIDIA工厂的GPU装配环节，并在台湾富士康产线探索应用。
那么，“机器人的GPT时刻”还有多远？英伟达通用具身智能体研究实验室高级研究科学家罗正宜给出了最诚实的回答：“每次有人问我还需要几年，我都会说三到五年——而‘三到五年’通常意味着我不知道。”
猎豹移动董事长兼CEO、猎户星空创始人傅盛则给出了更直接的判断：“人形机器人5年内不会规模商业化。”尽管他正在从事机器人生意，但他指出，目前约七成的人形机器人被卖给科研机构。“科研和商业化是两回事，这说明市场还没有准备好买单。”理由有三：软件上缺乏物理世界数据，机器人的ChatGPT时刻尚未真正到来；硬件上核心零部件产业链不成熟，一个关节出问题可能要修一个月；形态上，轮式机器人可降低约90%的成本、覆盖95%的应用场景，而人形机器人的价格是轮式的十几倍，却干着同样的活。“客户需要的是解决问题，而不是一个长得像人的机器人。”
资本总是跑在产业前面。据Dealroom数据，今年全球机器人公司已融资55.8亿美元，创历史新高，但预计2025年全球人形机器人出货量仅约3万台。特斯拉Optimus V3的年度产能目标已提升至7万台，宇树科技2025年全尺寸人形机器人收入达8.21亿元人民币——尽管订单故事热闹，但商业化模式尚未被验证。
Larry Li的投资方向也印证了这一点。他说AMINO Capital不重点投资人形机器人，只关注两件事：一是数据，如何为其他公司生成可用的机器人数据；二是通用机器人，“不是‘类人’，而是‘通用’，能完成很多事情，但不一定要能完成所有事情”。
**活下来的公司，都不追求“像人”**
什么样的机器人公司在真实世界里活下来了？下午的论坛给出了一些参考样本。
九号公司副总裁Tony Ho表示，公司过去尝试过酒店配送机器人等多个方向，最终在割草机器人上找到突破，相关产品已服务全球约百万家庭。总结来说，“不要拿着锤子找钉子，先搞懂客户真正的问题是什么。”
傅盛的答案是“刚需、重复、可控”。今年春节，他因滑雪受伤坐了几个月轮椅，发现老人使用轮椅最大的痛点是经常撞门、撞家具，于是把机器人的导航避障技术装进了轮椅。如今，他的第一批产品已经卖到欧洲。
如果说上半场的制胜点是找到真实需求，下半场的关键则是把交付成本打下来——过去部署一台机器人要派工程师到现场调试一两天，现在通过Agent可以在30分钟内完成自我配置。对To B机器人公司来说，部署成本是决定规模化的生死线。
UCLA副教授、Coco Robotics首席AI科学家周博磊提醒，机器人公司要像做科研一样找到自己的衡量标准和细分领域。他举的反面教材是iRobot：这家靠Roomba取得巨大成功的公司，长期困于单一家庭清洁场景，在中国企业的成本与性能冲击下陷入被动，最终在2025年12月申请破产保护，被其中国代工厂深圳杉川机器人收购。
Fusion Fund合伙人Ryan JB Taylor每年要看近1000家机器人公司，他把典型死法称为“慢死”：靠演示和营销内容融到钱，却始终无法商业化。他把投资口味定义为“4D”场景——危险、肮脏、枯燥、昂贵，“我们组合里跑得最快的公司，大多在危险和肮脏的场景里”。
**信任危机：一个Deepfake受害者的反击**
“我成了Deepfake色情内容的受害者。”情绪浓度最高的一段分享，意外地与机器人无关。
Alecto AI创始人Breeze Liu毕业于UC Berkeley，从事风险投资。有一天，她在全网找到至少800条关于自己的伪造内容链接，其中142条托管在微软的服务器上。她向这家巨头求助，得到的回复是：“我们没有这个技术。”她只能一条条申诉。
这段经历促使她参与推动《Take It Down Act》——这是美国首部打击此类内容的联邦法案，已于2025年5月签署生效。在论坛现场，Breeze Liu回忆了自己曾祖母的故事。作为出生在旧时代的中国女性，她的曾祖母一生没读过书、没离开过家乡，幼年曾经历缠足。“缠足或许已经成了过去，但新的伤害形式出现了。在我看来，Deepfake虐待，就是数字形式的缠足。”
“98%的Deepfake是色情内容，99%的受害者是女性。”Breeze Liu说道。她创办的Alecto AI不仅会做Deepfake检测与删除，还对个人用户完全免费。“对幸存者收费，我不认为那是对的。”
关于技术带来的信任危机，斯坦福医学教授、循证医学领域的重要学者John Ioannidis则从科研侧补了一刀：他统计了317家AI独角兽的论文发表记录，发现它们只占全球AI科学文献的0.1%。也就是说，估值与科学产出之间几乎不存在相关性。“如今每7篇论文中大约有1篇存在造假，规模约合每年100万篇。”
**资本买什么？公司怎么活？**
人类的工作正在被重写。Metix AI创始人兼CEO傅立科讲了两个故事。一位顶尖高校毕业、有大厂实习背景的年轻工程师，一周内投出1082份求职申请，几乎没有任何回音；一位机器人公司创始人三个月内面试了22位候选人，只找到1个真正合适的人，而这个人最后还因为更好的待遇去了别家。
如今，机器人行业一些核心研发岗位的基础年薪已达30万至50万美元。“这个产业当前最大的瓶颈，不是资金、算力或模型，而是人才。真正能推动技术落地的人极度稀缺。”
“看学历、看公司背景、看职位名称和关键词……企业还在用这些过去的方法找未来的人才。”他认为这是问题核心。未来优秀的员工，是能熟练运用AI模型、智能体、自动化工具和工作流、与AI协同创造价值的人；未来最优秀的组织，拼的是高价值人才的密度而非数量——“30位真正优秀的人才，完全可能创造超过300位普通员工的价值。”
他的演讲题目本身就是结论：《Robots Won the Work. Humans Win What’s Next》（机器人赢得工作，人类赢得接下来的一切）。因为AI可以生成方案、执行任务，但它无法承担责任——执行会越来越自动化，而责任会越来越属于人类。
沃顿商学院副教授、Mack具身智能研究所所长Lynn Wu基于加拿大经济的大规模研究发现：企业大规模采用机器人后，就业实际上是上升的——但所需的技能结构完全变了。她援引了Anthropic和OpenAI发布的AI暴露率研究：投资专业人士的暴露率高达95%至99%，社交媒体从业者85%至90%；而水管工、电工不到10%。她自己是教授，暴露率99%，“但我一点也不害怕，我很兴奋”。软件工程师的工作已经被彻底改变——她学计算机的学生告诉她：“我们再也不手写代码了，现在交的代码都带水印。”而在Lynn Wu看来，就业总量不如“工作的质量”重要。“如果我们创造的都是大家不愿做的工作，那就麻烦了。”
如何创造“好工作”？这可能是未来最大的结构性挑战。中层管理者的命运同样备受关注。Lynn在自己过往的研究数据中看到，中层岗位在ChatGPT出现前就已经被削减了两次：自动化先是直接替代了大量监控和计划职能，两年后又出现二次下降，原因变成了人——幸存的管理者所需的技能彻底改变，跟不上。而在AGI时代到来后，“将来一个经理管‘5个人+100个智能体’，这个组织结构怎么设计？”这是未来最大的管理挑战。
TSVC联合创始人夏淳在辅导大公司年轻经理时发现，管理的对象正在变化：过去管的是人，现在一个5人工程师团队，可能要管100个智能体。他借用足球裁判的比喻造了个新词，“黑领工人”，“裁判穿黑衣、满场跑，但不碰球；AI就是那个‘球’”。在夏淳看来，人的新职能有三个：划界（定义AI做什么、人做什么）、做园丁（智能体会自我复制，今天100个、下周可能200个，要知道培育哪些、修剪哪些）、担责（AI出错，总要有人签字、授权、承担法律责任）。“有Meta员工的经理被裁了，他们现在直接向AI工具汇报工作、被AI评估绩效。”
“如果你说不清一个AI项目的ROI，那就别做。”斯坦福商学院教授Yossi Feinberg如此建议。斯坦福大学管理科学与工程系兼职教授Blake Johnson则提醒：ChatGPT发布快四年了，每天使用它的美国人大约只有20%。组织移动得很慢，技术跑得飞快，这个速度差意味着我们正处在一条先跌后升的“J曲线”底部：经历过价值毁灭，才能爬向生产力跃升。至于时间线，没人敢给准话。Yossi Feinberg说：十年前我们都确信今天已经全在坐自动驾驶电动车了，我们错了；四年前也没人预料到大模型的爆发。“但30年后，一切都会好的。”
**如何告诉机器人“停下来”？**
“机器人三定律”来自伟大的阿西莫夫的科幻文学，但现实世界需要“真正的三定律”。Vecna Robotics创始人、MassRobotics联合创始人Daniel Theobald在活动结束时如是感慨道。
今天，你坐进任何一辆车，大概率知道如何开动它——因为界面标准化了——但机器人完全不是这样，工厂机器人、配送机器人、家用机器人各有各的操作方式。
Daniel正在推动人机交互的互操作标准。最早的几次标准会议里，已有超过200家公司参与，其中大部分是机器人制造商。厂商要回答的最基本问题是，人类如何告诉任何一个机器人“停下来”。这与赫拉利早上说的其实是同一件事：“一辆时速100公里、却没有交通规则和刹车系统的汽车，不是什么先进的交通工具，而是一种危险。”
没错，机器人还没准备好接管世界。它们会跳舞，但“下不了台”。而台下的我们则需要重新学习如何工作、管理，如何定义人类自我的价值，如何打造值得被信任的组织。假设机器人未来能赢下所有的执行工作，人类要打赢的战场，便是关于判断、创造和责任。这一切都已开始转动和发生。