智驾人才在具身智能领域失宠的三大原因
一代人的成功方法论，正在加速贬值。
过去两年，具身智能行业几乎是全盘照搬自动驾驶的人才体系、技术架构与管理经验。
但到了2024年，越来越多从业者开始正视一个现实：自动驾驶与具身智能之间，或许横亘着一条无法跨越的断层。
过去半年，我与多位具身智能创业者、机器人产业高管深入交流，核心追问只有一个：“招人时，还会优先筛选自动驾驶背景吗？”
答案，正趋于统一。
自动驾驶光环，正在快速消退
今年春节前后，有猎头反馈，部分机器人公司对跨界候选人的面试邀约率明显下滑，招聘方向已明确转向具备机器人从业经历的人选。
自动驾驶背景当然不会成为负面标签，但那种天然的优先权，已经彻底消失。
不久前，一家从头部自动驾驶公司独立分拆的具身企业，在招聘世界模型研究员时，直接在职位描述中写下“不接收自动驾驶背景”的要求。
更有趣的是，前不久我采访一家工业机器人公司CEO，谈及人才策略时，他直言：“团队现在几乎不考虑纯自动驾驶出身的人。”
我追问道：“但您自己不也来自自动驾驶领域吗？”
他笑着回应：“具身是新物种，全指望旧经验，基本没戏。”
他解释道，不优先考虑智驾背景的核心原因在于：自动驾驶和具身智能看似共享底层技术，但逻辑体系已经彻底分化。
这句话，初听起来有些反直觉。
毕竟过去两年，VLA、世界模型、端到端、数据闭环等概念，几乎所有头部自动驾驶公司都在积极拥抱。从技术栈看，两者底层能力高度重叠，业内普遍认为：从智驾切入机器人，是降维打击，是顺水推舟。
但越来越多真正深入一线的从业者开始承认：当初对两者的相似性判断，过于乐观。自动驾驶的问题复杂度，远低于具身智能。
自动驾驶固然复杂，但本质上是在高度约束的物理环境中求解——
道路固定、规则明确、车辆形态统一，绝大多数变量都处在一个相对可控的边界内。
而机器人面对的是完全开放的物理世界，需要覆盖人与物理环境几乎所有可能的交互。拧螺丝、上料、分拣、装配、搬运、整理——每一个动作背后，都对应一套独立的数据采集、训练流程与部署方案。
这可能才是两者最根本的差异：
自动驾驶没有“下游任务”这个概念。你不会训练一辆只跑北京五环的车，也不会让一辆车只学上海外环的工况。它追求的是一个通用解法，适配所有道路场景。
而机器人的本质是任务聚合。今天没有任何一个机器人模型能通吃所有工业场景，更不用说家庭场景。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日常。
而这，正是长期在自动驾驶体系内成长起来的人，最难适应的核心矛盾。
经验，正从资产变为负债
自动驾驶行业深耕十几年，已经沉淀出一套极其成熟、经过多次验证的方法论体系。
这套体系培养出了大量精通量产、工程、系统架构与数据闭环的优秀工程师。这些能力在任何高科技领域，都是极其稀缺的资产。
事实上，今天具身智能行业最顶尖的创业者群体，绝大多数依然出自自动驾驶。
但问题的关键不在于经验是否有价值，而在于经验何时会变成桎梏。
长期在智驾体系内成长的工程师，很容易形成强烈的思维惯性：他们习惯寻找标准化解法，习惯搭建通用框架，习惯用已被验证的方法解释和解决新问题。
这就导致一个尴尬的处境：手里的锤子分量太重，看什么都像钉子。
但具身智能，很多时候并不奖励这种思维模式。甚至某种程度上，对这类思维存在惩罚机制。
因为机器人行业当前最大的特征，就是几乎所有难题都没有现成答案。
多位创业者私下反复强调：现在看人，最核心的判断标准既不是做过机器人，也不是做过自动驾驶，而是这个人能否快速理解一个全新问题。
一位具身创业者说了一句非常精辟的话：
“今天如果有两个人，一个做了五年自动驾驶，一个刚从AI研究转型过来，我不一定选前者。”
原因很简单：智驾背景证明你过去解决过大量确定性难题，而机器人行业更需要的是面对未知时敢于清零、愿意从头开始的能力。
这让人想起十年前自动驾驶刚兴起时，行业里流传过一句几乎一模一样的话：“招自动驾驶工程师，反而不优先考虑车辆工程背景。”
具身，需要全新的人才画像
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反馈，可以提炼出四条核心能力标准：
第一：有AI实战经验。 不是必须做过机器人，也不是必须做过自动驾驶，而是真正理解模型、数据、训练、推理的完整流程，知道如何快速验证一个假设，如何将抽象判断落地为实验。
第二：没有过重的历史包袱。 看到新方案时，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当前语境下是否有价值。具身行业尚未形成统一范式，很多问题仍处于定义阶段，带着过多既有经验进场，反而容易被旧答案牵着走。
第三：扎实的数学与抽象能力。 因为机器人领域大量问题没有现成解，最终还是要回归到建模、抽象与工程实现的基本功。
第四：也是最重要的，对新事物的接纳意愿与学习意愿。 这已经基本成为具身公司CEO评估候选人的首要标准。在这个行业，真正稀缺的是那些最能适应新变量的人。
这也解释了为什么当下不少具身公司，一边持续吸纳智驾人才，一边又对纯智驾背景保持更高警惕。
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。
当然，不能否认自动驾驶对具身智能行业的巨大贡献。它不仅输送了第一批核心人才和启动资金，更重要的是，验证了AI+物理世界这条技术路径的可行性。
但自动驾驶与具身智能的复杂度，在根本上终究无法同频共振。
智驾的难点更多集中在决策层面，控制系统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闭环，决策空间又比智驾大出几个数量级，再加上从语言理解到动作执行的鸿沟尚未跨越，难度呈指数级上升。
自动驾驶需要接近100分才能合法上路，差一分都可能酿成致命事故；而具身智能可能60分、甚至40分就有机会进入场景——一个家务机器人偶尔弄坏一个杯子，与一辆自动驾驶车的事故风险，完全不在一个量级。
自动驾驶有L2这个完美的过渡台阶，可以边赚钱边迭代；而具身智能没有中间态，要么真正替代人完成工作任务（L4），要么就是个功能有限的玩具（L0）。
坦白讲，自动驾驶创业过程中交过的所有学费，具身智能大概率要再完整支付一遍。即使少数人确实站在巨人肩膀上看得更远，大多数参与者还是会掉进同一个坑里。
今天的具身智能，在机器人学习范式上已经取得了一些阶段性突破，但距离像自动驾驶那样系统性替代物理世界中的人力效率，仍有很长的路要走。那条路，不会短。
而对从业者来说，选择已经变得非常现实：
具身行业开出了更高的薪资，站在离资本最近的风口，生态位也在快速成形。这让我想起前几天和一个刚从智驾跳槽到具身的工程师聊天，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。”
“坑位越来越满，早点入场。”