从贾跃亭人形机器人到特斯拉：AI战略差异决定胜负

2月初，贾跃亭在拉斯维加斯发布FF首批“具身智能（Embodied AI）机器人”产品。这类新闻很容易被当成“热闹”，但我更关注另一层：当大家都在喊AI，真正拉开差距的不是发布会，而是企业把AI放在了系统的哪一层。

同一周，国内车圈还有一条看似“无关AI”的新闻：智己汽车联席CEO刘涛为此前基于不完整信息评价特斯拉安全的言论公开道歉。它提醒了一个现实——汽车的AI不是PPT里的能力，而是要在安全、合规、数据闭环里经得起追问与复盘的工程体系。

这篇文章属于《人工智能在零售连锁与商超》系列，但我想借“人形机器人 vs 汽车AI”的对比，聊清楚一个对零售人更有用的观点：**你在门店里做的AI（防损、客流、排班、选品）到底是在“做功能”，还是在“做系统”？**理解特斯拉与中国汽车品牌在AI战略上的差异，对零售连锁同样是一次“架构体检”。

具身智能与整车AI：同样叫AI，重心完全不同

一句话先说清：**人形机器人更像“通用身体 + 通用大脑”的探索；整车AI更像“高约束场景下的可靠决策系统”。**前者追求泛化能力和多任务协同，后者优先级通常是安全、稳定、可规模化交付。

贾跃亭的人形机器人：更接近“产品概念验证”

具身智能机器人要解决的是“感知—理解—动作”的闭环：看得见、听得懂、拿得稳、走得直。难点不只在模型，还在硬件冗余、运动控制、环境鲁棒性和成本。

这类项目的AI战略重点往往是：

• 多模态感知：视觉、语音、触觉等融合，面对开放环境
• 长链路任务规划：把复杂任务拆成可执行步骤
• 快速迭代与试错：在实验场景里不断“摔打”模型

这决定了它的商业化路径通常更长：先做展示与试点，再找场景（工厂、仓库、商超后场）逐步落地。

特斯拉式整车AI：把“闭环”做成工业流水线

特斯拉的AI叙事常被简化为自动驾驶，但核心更像“整车系统工程”：

• 数据从车队回传
• 标注、训练、验证
• OTA灰度发布
• 线上监控与回滚机制

关键在于：**能把迭代变成流程，把风险控制变成制度。**这套方法论并不性感，但它决定了规模化能力。

对零售连锁来说，这个差异很像：你做的是一个“单店智能项目”，还是一套能覆盖数百家门店、能持续迭代的“运营闭环系统”。

特斯拉与中国车企AI战略的核心差异：系统优先级

我观察到最关键的分野不是“有没有大模型”，而是AI在组织中的优先级与约束条件不同。

1）先做“可控的闭环”，还是先做“可见的亮点”

很多中国品牌更擅长把AI做成亮点功能：语音助手更会聊、座舱更像手机、功能更新更勤快。它们对用户体验的敏感度很强，这是优势。

但在高风险场景（例如辅助驾驶）上，可见的亮点如果缺少工程闭环（数据治理、测试体系、责任机制），就会变成公关风险。

小米汽车近期把辅助驾驶安全里程门槛从1000km降到300km，并强调“辅助驾驶不是自动驾驶”。我更愿意把它理解为一种策略：用更低门槛让更多用户进入“可控学习期”，同时把安全预期管理讲清楚。

2）数据资产：是“分散的素材”，还是“统一的生产资料”

自动驾驶依赖海量数据，但更依赖数据的组织方式：同一类场景如何定义、采集、回放、标注、复现？

特斯拉式路线强调把数据当生产资料——可以被调用、可追溯、可复现实验。

反过来看零售连锁的AI：摄像头、人流、POS、会员、库存、工时、损耗……数据很多，但常见问题是：

• 门店各系统割裂，口径不一致
• 业务规则频繁变，模型难以持续有效
• 事件难复盘（比如误报、漏报没有“可追踪链路”）

如果数据只是素材，AI只能做一次性项目；数据成为生产资料，AI才能变成“持续复利”。

3）合规与责任：不是“限制”，而是“能力的一部分”

智己CEO公开道歉这件事，表面是舆论与事实纠偏，深层是行业对“安全叙事”的再校准：没有证据链，就不要给结论；没有责任边界，就不要夸能力边界。

同样，零售里近期“好想来零食店误把初中女孩当小偷扣留20-30分钟”的事件，暴露的不是“缺一个摄像头算法”，而是缺一套合规处置流程：未报警、未联系监护人、私自限制人身自由、围观羞辱。

AI如果被用在防损与安防上，第一优先级从来不是“识别更准”，而是：

• 证据链标准：什么算“可疑”，什么算“可处置”
• 人机协同边界：AI只能提示，谁来做最后判断
• 未成年人保护流程：联系监护人、报警、隔离围观
• 审计与复盘机制：误报如何追责、如何改规则

一句话：合规不是法务的事，是产品能力的一部分。

把“汽车AI方法论”搬进零售：三类最值得做的系统能力

零售连锁与商超做AI，最怕“工具多、体系弱”。我更推荐按“系统能力”来规划：

1）门店AI防损：从“抓小偷”转向“降误伤”

防损系统真正的KPI不该只是“抓到多少”，而应包含：

• 误报率（尤其是对未成年人、老年人）
• 处置时长（从报警到现场闭环）
• 证据完整度（视频片段、时间戳、人员交接记录）

技术上可以做很多：客群特征脱敏、动作轨迹检测、多摄像头交叉验证。但流程上必须先立规矩：AI给风险等级，不给“定罪”。

2）客流与排班：用预测替代“拍脑袋”

零售AI落地最快的往往是客流预测与智能排班，因为数据相对干净：进店、成交、峰谷。

建议用“可解释的预测”而不是只追求黑盒精度：

• 将节假日、促销、周边活动纳入特征
• 输出峰值时段与置信区间
• 与工时、服务指标联动（排队时长、缺货率）

这类能力跟车企的“灰度发布”很像：先在10家店试点，指标稳定后再扩到100家店。

3）智能选品与库存：把供应链当作“模型的下游约束”

很多人做智能选品只看“卖得好不好”，但真正决定利润的是：补货周期、损耗、供应稳定性。

如果你在做连锁AI，请把目标函数写清楚：

• 不是“销量最大”，而是“毛利与周转最优”
• 不是“缺货最少”，而是“缺货与积压的综合成本最低”

这也呼应叮咚买菜创始人梁昌霖在内部信里强调的三点：商品力、服务力、供应链效率。无论是否并购，供应链系统化能力才是能长期兑现的AI落点。

常见问题：零售做AI，应该学特斯拉还是学机器人公司？

直接给我的判断：学特斯拉学“闭环”，学机器人学“多模态与人机协作”。

• 如果你要在1000家店复制：优先闭环（数据口径、流程、审计、灰度）
• 如果你要在门店做“人机协作”（导购机器人、理货辅助、后场分拣）：再上多模态与具身智能

更现实的一点：大部分零售企业的AI预算不缺项目，缺的是“长期运营机制”。项目交付那天不是终点，而是第一天。

一句可复用的话：AI能力=模型×数据×流程×责任边界。少一项，规模化就会断。

下一步怎么做：用一张“AI系统清单”自查

如果你负责零售连锁数字化或AI落地，我建议用下面这张清单做一次自查（10分钟就够）：

1. 我们的关键指标是否包含“误伤成本”（误报、投诉、舆情）？
2. 数据口径是否统一到“总部可复盘、门店可执行”？
3. 模型更新有没有灰度、回滚、审计日志？
4. 一线员工是否知道“AI提示≠事实”，并有标准SOP？
5. 面向未成年人/敏感人群是否有单独的处置流程？

如果这些问题答不出来，先别急着上更大的模型。

AI的差距，从来不是算力差一点，而是系统少一环。

（如果你正在规划“门店AI防损、客流预测、智能选品/补货、AI巡店”等项目，欢迎把你的门店规模、系统现状和目标指标发我，我可以按“闭环优先级”帮你做一版落地路线图。你更想先从哪一块开始？）