有观点认为，具身智能行业的泡沫可以拥抱，但制造业最终要算账，真正缓慢而昂贵的变量是现实世界中靠人一点点积累的数据。对考虑进入机器人方向的人来说，这段话的价值不在预测行业，而在提醒：面试时要问清岗位到底在为什么买单。下面三个问题，能帮你把“演示好看”和“生产可用”分开。

岗位服务的是演示还是生产？

面试时，同一个岗位名称可能对应很不同的工作内容。

假设场景A：团队做展会演示，验收标准是动作流畅、视频好看，客户是参观者和媒体。这类岗位技术挑战未必低，但你的经验可能高度绑定演示环境。

假设场景B：团队交付工厂产线，验收标准是节拍、良率、停机时间，客户是要算投入产出的人。这类岗位更可能逼你理解现场约束。

面试时可以问：这个岗位当前交付给谁？验收标准由谁定？如果对方只说“标杆客户”“战略合作”，可以追问：客户已经付费，还是仍在试用？这个取舍能帮你判断，进去后积累的是演示经验还是生产经验。

团队里谁懂现场，数据从哪来？

有观点提到，真正缓慢而昂贵的变量是现实世界中靠人一点点积累的数据。这指向一个很实际的判断：数据不是凭空来的。

面试时可以问：训练和调试用的数据主要来自真实场景采集，还是仿真生成？采集由谁做，是现场工程师、标注团队，还是算法同学自己？团队里有没有在工厂、仓库或产线待过的人？

这不是要否定仿真，而是判断你进去后能不能接触真实约束。如果团队全是算法背景、没人碰过现场，你可能会花大量时间处理“看起来合理但现场不成立”的问题。反过来，如果团队有人能为现场结果负责，你的调试和交付经验更容易沉淀。

热度之外，我该按什么标准选方向？

“泡沫可以拥抱”可以理解为：允许自己关注热度，但个人选择仍要回到两件事——业务是否算得清账，以及你能否积累可迁移经验。

可以给自己列三个核查问题：

  • 这个岗位的产出，半年后能用什么指标检验？
  • 我在这里积累的能力，换一个场景还成立吗？
  • 团队里有没有人能为现场结果负责？

如果答案模糊，不代表岗位一定不好，但值得你在谈offer时多问一轮。

一个实际可做的小建议：面试结束前，挑一个对方提到的具体场景，问“这个场景里最难的一步是什么，现在谁在解决”。对方的回答能帮你多一个判断角度。