作者做了十年智能硬件产品，现在全职做家庭陪伴机器人，从硬件产品经理变成了一名具身智能产品经理。他翻过市面上十几份招聘 JD，发现大多是把硬件产品经理和 AI 产品经理的职责拼在一起凑出来的，于是把每天在干的活儿和原来的区别一条条写了下来。

▲ 灵小星：这篇文章聊的就是做它的人每天在干什么

今天想聊一个我自己天天泡在里面的问题：具身智能产品经理，到底每天都在做什么？跟原来的硬件产品经理，有什么区别？

这个问题我想了挺久，正好借这篇把它捋清楚。

一方面是这个岗位确实太新。新到什么程度呢？我看了市面上十几份招聘 JD，大部分是把硬件产品经理和AI 产品经理的职责拼在一起凑出来的，有的还要求博士学历。另一方面，我自己刚好卡在这个变化的中途——做了十年智能硬件产品，现在全职做家庭陪伴机器人灵小星，算是被这个行业推着，从硬件产品经理变成了一名具身智能产品经理。

所以今天不聊概念，就聊聊我每天在干的活儿，跟大家想象中的产品经理，差在哪里。

先说一句：这个变化不是某个瞬间发生的，没有什么顿悟时刻，是回头看才发现，工作重心已经整个挪了位置。下面一条一条说。

一、我从产品设计变成了产品架构师

变化最大的一点。

以前做硬件产品，我主要关注需求和场景。需求写清楚，剩下的交给研发——成熟的智能硬件团队很顺畅，他们能理解需求、相互协调、把方案定下来。产品经理更多是定义问题的人。

现在不行了。

为什么？具身智能这个产品，横跨了五个非常垂直的领域：大模型、传统模型算法、电子硬件（尤其是处理器和算力）、感知执行部件、结构机械。每个领域都有自己的认知和关注点，工程师看问题的角度完全不一样，而且说实话，团队里很难有一个人能站在所有领域之上做统筹决策。

选型的事，往往要几个领域相互平衡、相互取舍才能定下来。那这个活儿谁来牵头？

想来想去，还是产品经理最合适。倒不是产品经理比工程师懂技术，而是因为：场景是什么、需求是什么、交付标准是什么，全团队里产品经理是最清楚的。 平衡取舍，总得有人拿着我们要做什么这把尺子来量。

所以这个岗位现在对PM知识面的要求，比以前宽得多。以前可以只懂产品和用户，现在大模型到什么水平了、算力和成本怎么取舍、传感器方案有哪几条路线，都得跟得上。这也引出了下一点。

二、大模型缺粮，产品经理得管口粮

第二块变化：越来越多的精力，花在数据上。

原因很简单，也很扎心：具身这个领域，大模型缺粮很严重。没有足够好的数据，养不出来聪明的大模型。

这不是我们一家的小问题。我看过一组行业数字：全国已经建了大约七十个具身智能数据采集中心，头部的真机遥操作数据，采集价格在每小时七百块以上。为什么这么贵？因为机器人要学的不是知道，而是做到——拧瓶盖、叠衣服、开抽屉，需要的是看到什么、做什么、力度多大、关节怎么动的完整闭环数据。这类数据互联网上不存在，只能真实地一条一条造出来。还有个更扎心的研究发现：给模型喂一万小时高质量数据，能力涨；再叠加一万小时质量差的数据，能力反而退化了。数据不是越多越好，是越对越好。

▲ 具身智能数据的四条采集路线（图源：定焦One）——该吃什么数据是产品问题，不是算法问题

听到这你可能觉得，这是算法团队的事，跟产品经理有什么关系？

关系很大。该吃什么数据是个产品问题。什么样的对话值得记进长期记忆、记多久、谁能调取——这些是产品决策，每一个都牵扯隐私和边界。

所以现在我的日常，很大一块是构建场景数据和评测数据。好的数据才能训练好的模型，全面的测试集才能验证产品到底达不达标、可不可用。

三、以前写需求文档，现在摸边界

第三块变化，说出来有点抽象，但做起来最实在。

以前的产品工作，产出物很清晰：需求文档、需求设计书。写完评审，研发照着做。

现在呢？更多的精力花在三件事上：梳理场景和数据、摸底模型和本体的能力边界、构建评测数据。

摸底能力边界这个词，值得展开说说。

传统产品的能力是定义出来的——你写支持人脸识别，做出来就是支持人脸识别，确定。具身产品的能力是摸出来的——大模型能干什么，没人能给你一张清单，你只能一个场景一个场景去试：孩子说“我今天有点不开心”，它是真听懂了，还是套了一句通用安慰？上周聊过的期末考试，这周还记得吗？同一句话今天这样回、明天那样回，哪次才是它的真实水平？它会不会一本正经地说出根本不存在的事？

▲ 央视《生财有道》里的灵小星功能演示——能力是一个场景一个场景试出来的

以前是我定义产品能做什么，现在是我带着场景需求去发现产品到底能做到什么效果。 动词变了，整个工作方法都变了。

这就带来一个很实际的问题：怎么验收？

传统产品验收很干脆：测试用例跑一遍，全过，发版。具身产品没法这么验——能力是概率的，这次对，下次未必。行业里的数字很能说明问题：一个国际评测基准（RoboDojo）测下来，最强的模型真机任务成功率只有 12.8%，人类是 100%；星动纪元登顶某个真机评测榜，成功率 64.33%。登顶了，也就六成多一点。

也就是说，这个行业不存在功能验收合格，只存在比上一版好多少。那“好”怎么定义？工业场景有硬指标，家庭陪伴场景呢——它今天主动打招呼的时机对不对、有没有把妈妈的习惯错记到爸爸头上——这些软能力，行业里连评测框架都还没有，得自己搭。

我们的做法，说一个原则：先定义什么算失败，再定义什么算成功。 认错人、说错话、不该说话的时候说话——失败定义得越具体，评测体系越能落地。这跟传统产品正好反着来：传统产品列通过标准，陪伴机器人得先列一票否决。

四、一个真实的取舍：我砍掉了传感器，把钱花在了自由度上

前面三条都偏讲道理，这条讲个真事——它是产品经理做平衡取舍最典型的一次。

灵小星最初的设计方案里，感知部分是很豪华的：深度相机、超声波传感器、激光雷达、TOF 传感器、双 RGB 摄像头——能装的全装上，图的就是感知全面、严防运动安全事故。

做灵小星的时候，我把这些全部砍掉了，只保留了摄像头和 TOF。

为什么敢这么砍？两个原因。

第一，想明白了一件事：我们做的是家庭陪伴机器人，不是扫地机器人。扫地机器人要尽可能安全地钻进犄角旮旯、无限贴近物体边缘，因为它的工作就是清扫覆盖。但陪伴机器人的核心是陪着人，不用玩悬的，完全可以选一条保守的运动路线——离障碍远一点、慢一点、稳一点。任务不同，安全冗余的策略就完全不同，不需要那么多传感器来兜底。

还有一个很直接的原因：传感器的接收窗口，会让机器人满身是洞。一个满身开洞的机器人摆在客厅里，特别影响美观和体验。这个理由说出来不像技术决策，但它是真实的：家庭产品，好看就是竞争力。

▲ 灵小星 EVT 样机：干净机身、没有满身传感器开孔——取舍的结果看得见

第二，技术路线验证过了：RGB 加 TOF，在家庭场景里够用。

砍传感器省下的钱去哪了？我们反手给产品加了很多自由度——更多的关节、更灵活的肢体行为表现。

为什么？因为对陪伴机器人来说，身体不只是移动的工具，更是表达的载体。它会转头看你、会歪头、会跟着音乐晃——这些没用的动作，恰恰是它像个活物的关键。同样一笔预算，花在多几个传感器上，它还是台设备；花在自由度上，它开始像个伙伴。

钱的流向，就是产品的价值观：我们把成本花在表达上，而不是冗余的感知上。

五、行业没讲透的那块：它什么时候该主动说话？

最后这块，是我认为整个行业都还没讲透的：主动交互的分寸。

现在市面上的家庭机器人，大部分还是工具逻辑：你叫它，它应答；你不叫，它沉默。但灵小星要做的不是工具——它是家里的一员，不是永远等着口令，而是在合适的时候主动回应，同时懂得什么时候应该安静。

▲ 概念图：下班回家，它在玄关迎接你——合适的时候主动回应，正是这一节要设计的东西

那合适的时候到底怎么判断？这是产品经理要回答的核心问题。

说说我们的思路。是否主动交互，是三个因素相互影响的结果：

第一，用户的接受度。 初期，根据用户选定的性格角色，按场景触发是否主动开口。但随着使用时间变长，系统会逐步学习两样东西：这个用户对主动交互的接受度怎么样，以及他自己会在什么情景下主动发起交互。这些会持续影响后续主动交互的意愿和时机——整个过程由大模型评估控制。说得直白一点，它跟人一样，处得越久，越知道什么话该说、什么话不该说。

第二，它自己的生物钟。 这是很多人想不到的一点：机器人也有状态。困了、累了，就不愿意开口；精力旺盛、时间不早、心情好，就会更主动。听起来有点玄，但逻辑很朴素——一个永远精力充沛、永远热情饱满的伙伴，其实是假的。有状态、有起伏，它才像个活物。

第三，用户的需求。 分析用户的生活习惯（互动时间和时长）、情绪状态、行为状态（正在做什么）。你在开电话会，它不该插话；你下班瘫在沙发上，它或许该来搭个话。二白机器人有个观点我很认同：真正揣摩用户心理的不是情绪识别，是行为识别——用户在做什么，比用户什么表情更能说明需求。

这三个因素叠加，就是分寸。

▲ 主动交互三因素：接受度、需求、生物钟，叠加出分寸*

而这个分寸没有行业标准可抄——同行里，心言的巴布讲“陪伴不是无限顺从，难的是什么时候鼓励、什么时候反问、什么时候退一步”，方向是对的，但怎么做，每家都得自己趟。

这也是具身智能产品经理跟传统产品经理差别最大的地方：传统交互设计是设计用户来找它时它怎么响应，这里是设计它什么时候来找用户。主动性，才是陪伴和工具的分水岭。

最后，收个总

五条聊完，收个总。

如果只记一件事：传统产品经理管理交付，具身智能产品经理管理成长。

• 角色上，从产品设计变成产品架构师，五个垂直领域里拿着场景和交付标准这把尺子做平衡；
• 能力来源上，从需求文档变成数据，模型缺粮，产品经理得管口粮；
• 工作方法上，从定义功能变成摸底边界、搭建评测，先定义失败，再定义成功；
• 预算上，把钱花在表达而不是感知——产品的价值观藏在钱的流向里；
• 交互上，从设计怎么响应变成设计何时主动——分寸是三个因素养出来的。

这五条背后的共同点：你面对的产品，是活的。活的东西没有做完的那一天，只有今天比昨天更好一点的那一天。

什么人适合干这个

最后聊聊人。招聘 JD 清一色要求硕士博士理工科，我的看法可能有点不一样——学历背景有用，但这个岗位最核心的能力，恰恰是学校不教的。

几类背景都有机会：硬件 PM 懂实物、懂供应链，这是 AI 圈最缺的物理世界常识；软件和 AI PM 懂数据、懂迭代，对概率性系统有手感；懂教育、懂养老、懂家庭关系的行业专家，知道相处这件事的分寸——而陪伴机器人做到最后，拼的就是相处。

共同的要求就两条。

一是知识面要宽，而且要一直宽下去——具身领域技术层出不穷，发展太快了，密切追踪新技术和新方案，不是加分项，是日常。

二是接受没有完成时。传统产品经理有上线那一刻、庆功那一天。这个岗位没有。你的产品永远在成长，永远有问题，永远在快要好了的路上。想清楚这一点还愿意干的，才干得下去。

写在最后

这篇聊的五块工作，不是从哪本书里抄来的框架，是带着灵小星，一天一天长出来的日常。

五年前我写智能硬件产品经理的工作，写的是怎么把一个想法变成能量产的实物。现在要回答的问题变成了：怎么让一台机器，在一个家庭里，慢慢变得值得托付。

问题变了，方法变了，做事的逻辑没变：搞清楚真实需求，尊重技术边界，把东西做出来，放到真实世界里检验。

下一篇，我们聊聊更硬核的话题：具身智能落地，到底难在哪。

最后问大家一个问题：如果让你转行做具身智能产品经理，你觉得最难的会是哪一块？是接受产品永远没有完成的那一天，还是学会跟一个活的产品相处？