这篇访谈里没有「通用人形」，没有「万亿赛道」，也没有「具身智能的 iPhone 时刻」。有一家公司 2025 年挣了一个多亿，客户全是世界 500 强，干的是打螺丝和打磨抛光。
先说清一件事：这个数字不大。一个多亿营收，放在任何一个行业都算不上规模。但它有几个现在很稀缺的属性——收入来自走完招标流程、验收付款的合同；没有框架式订单；客户名单里全是需要过供应商审核的大厂。
在整机厂普遍靠融资续命的 2026 年，这三条比营收数字本身重要得多。
2025 年部署 400 多台移动类机器人，营收一个多亿，均下来大约 25 万元一台。
这个数字要谨慎用。它是「项目合同额 ÷ 台数」，里面包含本体、集成、调试、软件，可能还有服务；而且 400 多台里既有人形也有复合机器人，两者单价天差地别，混在一起算只能看量级。
但它能和另一组数字对上：访谈里说 3C 行业「1 年到 1 年半让客户回本」。25 万元的设备，1 到 1.5 年回本，意味着它每年要为客户省下或挣出 16.7 万到 25 万元。
16.7 万到 25 万元一年，大致是一个产线工人综合用工成本的一到两倍。也就是说，一台机器人要替掉一到两个工位，账才算得平。访谈里潘阳举的例子更直接：一条打螺丝装配线，以前要 10 余人，两班生产还要乘 2——按这个口径，一台双臂人形对的是 20 个人力。
判断：这解释了为什么它必须做人形上半身。不是美学选择，是工位约束。产线是按人设计的，螺丝枪挂在哪、料架多高、人站在哪，全都定死了。换成机械臂要改工位，改工位的钱客户不想出；做成人的形态直接站进去，这笔钱就省了。潘阳在访谈里的说法很干脆：人形不是刻意做的，是「配合工位」。
整篇访谈里，我认为最该被记住的是这一句：
「泛化在调试阶段，力控在批量生产阶段。」
展开是：人形机器人落地时，在调试阶段用基于 VLA 的模型做力位混合的路径规划；后续的生产过程里，不再调用 VLA 模型。
这句话的分量，要放在当下行业的默认做法里看。现在主流的 VLA 叙事是：模型常驻，每一步都推理，边看边决策。这套做法的成本结构是「每个节拍一次推理」——机器人干得越多，算力花得越多；而且推理有延迟，节拍上不去；更麻烦的是，模型每次输出的动作可能略有不同，一致性没法保证。
佳安的做法是把 VLA 从生产环里摘出去，只留在调试环。调试是一次性的，生产是持续的。一次性成本再高也能摊；持续性成本会跟着产能一起涨。
如果 VLA 常驻生产：每台机器人每个班次都要跑推理，算力是变动成本；动作离散度带来质量波动；一条线扩到十条线，推理成本乘十。
如果 VLA 只在调试：新工序上线时跑一次，生成路径与参数，之后由力控闭环执行；算力是一次性投入；扩线只需要复制参数，边际成本接近零。
判断：这是工业客户能接受的唯一形态。工厂买设备买的是「确定性」——同样的输入，同样的输出，同样的节拍，今天和明天一样。一个每次动作都略有不同的机器人，在工厂里不是智能，是变量。所以「把泛化留在调试」不是技术妥协，是商业上的必然：客户要的是可复现，不是可进化。
换个角度说，这句话也给出了这类公司的估值逻辑：它卖的不是模型能力，是「把新工序调通」的工程能力。模型越强，调通越快，交付周期越短——但收入仍然按台、按项目算，不按 token 算。
访谈里给了一段很硬的经历：2024 年开始做人形，2025 年在吉利做了一整年 POC，年底通过技术考核，2026 年在工厂规模化「上班」。
还有一段更硬的：2025 年那次人形打螺丝招标，POC 验证下来只有佳安一家完全满足需求；2026 年第二次批量招标，「所有公开招标也只有我们一家来投标」。
一家投标，通常意味着两种完全相反的情况：要么壁垒太高，要么市场太小。
潘阳给的三条理由是：跟生产工艺结合得更紧（能提供完整的工艺数据）；售价能满足不同行业的投资回报期要求；能把加工过程的工艺数据记录到客户服务器上，保证可追溯性。三条都是工程能力，不是算法能力。
判断：这三条恰好是大模型公司最难补的。一个从论文出来的团队可以很快做出漂亮的抓取演示，但要回答「这个零件的孔径公差带是多少、拧紧扭矩曲线怎么设、出问题时怎么追溯」，需要的是产线经验。反过来，这也意味着佳安的天花板受限于「有多少条产线能被这样拆解」——它的优势不可复制，但也难以规模化复制到别的行业。
至于「一家投标」，我更倾向于把它读成市场还没起来，而不是「别人做不了」。打螺丝这个工序的经济价值取决于客户愿意为一致性付多少钱，而现在愿意付的，只有对品质偏执到愿意走完整招标流程的那批 500 强。这个池子有多大，没人算过。
访谈里有个数字容易被略过：公司实验室大约 10 人在做遥操作采集，主要面向抓取；而在实机部署中「不依赖这些人」，因为 2025 年已经部署了 400 多台，2026 年预计 1000 多台，数据是「持续不断的、实时地在实际生产中采集」。
10 个人对 400 台机器，比例是 1:40。
这个结构很有意思。行业里做数据的公司大多是把采集当生意：建数采工厂、招采集员、按小时卖数据。佳安走的是反过来的路——先有设备在客户现场干活，数据是干活的副产品。
潘阳用的类比是自动驾驶：第一版 FSD 可能靠封闭场地里的人开车去采，但后续的数据一定是每一台量产车在路上跑出来的。
判断：这个类比的成立条件是「装车量」。特斯拉能这么干，是因为路上有几百万台车；佳安 400 台，还远不到这个量级。所以现阶段它的数据优势不在「量大」，在「场景真」——每一帧都来自客户真实产线、真实零件、真实节拍，没有一条是摆拍的。这在工业场景里比数据量更重要，因为工业的难点从来不是多样性，是极端工况下的稳定性。
同一天，大洋彼岸的 Agility 交出了它的第一份公开账本：2026 年上半年净销售 17.4 万美元，亏损 3.62 亿美元。
两家公司对比起来很有意思。
| 维度 | Agility（美国） | 佳安（中国） |
|---|---|---|
| 产品 | 双足人形 Digit / Digit 5 | 磨抛工作站 / 复合机器人 / 双臂轮式人形 |
| 场景 | 仓储物流、汽车零部件 | 汽车总装打螺丝、精密磨抛 |
| 收入口径 | 2026 上半年 17.4 万美元 | 2025 全年「一个多亿」人民币 |
| 订单性质 | 3 亿美元多年订单，附里程碑条件 | 「没有框架式合同」，验收付款 |
| 形态选择 | 双足（强调通用与拟人） | 轮式下半身（强调工位适配） |
两边最大的差别不在技术，在「有没有验收单」。Agility 的收入要等 2027 年 Digit 5 交付才起量，现在靠订单簿和资本市场续命；佳安的收入是走完招标、验收、付款三个动作之后进的账，慢，但每一笔都硬。
判断：这两条路没有高下，只有阶段。人形机器人最终一定要走 Agility 那条路——标准化产品、规模化交付、按台卖。但在那之前，能活下来的公司大概率长得像佳安：先接一个个必须定制的项目，把工艺流程、力控参数、验收标准攒成模板，等模板足够多、足够通用，才谈得上产品化。
回到开头那个「一个多亿」。它真正的价值不是规模，是它证明了一件事：在 2026 年，工业具身智能已经有人能靠卖机器人本身挣到钱，不需要靠融资、不需要靠补贴、不需要靠演示视频。这个证明对整个行业的意义，比它自己的营收数字大得多。