2016年3月的那个夜晚，很多人至今记忆犹新。AlphaGo在韩国首尔击败李世石，全世界第一次真切地感受到，AI的智力水平已经达到了人类顶尖选手的水准。那场比赛被无数媒体解读为历史的转折点——人工智能的时代真的来了。

十年后的2026年8月，北京国家速滑馆"冰丝带"，另一场人机对决吸引了全球的目光。站在球网一侧的是网球名将郑洁，另一侧是银河通用的人形机器人。没有棋盘，没有落子声，只有网球高速飞行的呼啸和球拍击球的闷响。机器人在底线和网前之间奔跑，正手、反手、发球、接发，一套动作行云流水。

如果说AlphaGo的胜利是AI的"大脑时刻"，那么这场网球赛或许就是具身智能的"身体时刻"。十年时间，AI从纯数字的棋盘走到了真实的物理赛场，这中间跨越的不只是一个技术维度，而是整个产业范式的根本转变。

AlphaGo赢在算力和算法。它有海量棋谱作为训练数据，有庞大的GPU集群作为算力支撑，有蒙特卡洛树搜索作为核心算法。但本质上，它生活在一个完美的数字世界里——规则固定、边界清晰、状态离散、没有干扰。它不需要"看"棋盘，不需要"伸手"落子，不需要担心手抖或者站不稳。它的全部世界就是一个19×19的矩阵，所有的胜负都在逻辑层面决出。

而网球机器人面对的，是一个混乱、粗糙、充满不确定性的物理世界。球的飞行轨迹受风阻和旋转的影响，场地摩擦力每一块都略有不同，对手的击球方式千变万化。机器人必须用视觉系统"看"清楚来球，用运动控制系统"跑"到合适的位置，用全身协调"挥"出恰到好处的一拍。整个过程中，任何一个环节出一点偏差，结果就是失误。

这两个场景的难度，根本不在一个量级上。AlphaGo面对的是一个封闭的、完美的、可计算的世界；网球机器人面对的是一个开放的、粗糙的、不可完全预测的世界。前者是数学题，后者是现实题。数学题再难，总有确定的答案；现实题再简单，也充满了意外。

所以莫拉维克悖论才成立——对人类来说简单的感知和运动，对AI来说反而最难。因为人类的感知运动系统经过了数百万年的进化，已经被打磨得极其高效，只是因为用起来太顺畅，我们反而意识不到它的复杂。而逻辑推理和抽象计算是人类文明较晚发展出来的能力，相对而言更容易被算法模拟。

从工业设计的视角来看，这十年的变化也很有意思。AlphaGo那个时代，AI产品的设计更多是界面设计——怎么把算力和算法包装成用户能用的产品，怎么设计交互流程，怎么呈现结果。设计师的工作更多在软件层面，关注的是信息架构、视觉表达、用户体验。那是一个"屏幕上的AI"时代，设计的价值体现在人机交互的效率和美感上。

但到了具身智能时代，AI有了身体，设计的范畴一下子扩大了。不只是界面和交互，还有形态设计、结构设计、运动设计、行为设计、可靠性设计。一个机器人站在你面前，它的身高比例、运动姿态、反应速度、甚至摔倒后的起身方式，都是设计的一部分。它不再是屏幕里的一个程序，而是物理空间中的一个实体，它的每一个动作都在和真实世界发生关系。

这个转变的深刻程度，可能比大多数人意识到的还要大。因为当AI有了身体，它就不再只是一个信息处理工具，而是变成了一个能在物理空间中行动的主体。它能搬运东西、能操作设备、能和人在同一个空间里互动。这意味着AI的影响范围，会从数字世界扩展到物理世界，从信息产业扩展到几乎所有行业。

而且，有了身体以后，AI的学习方式也会发生根本变化。过去的AI，学习依赖的是人类标注好的数据，是被动的、二手的知识。但有了身体的AI，可以直接在物理世界中探索和试错，可以通过行动来获取第一手的经验。这种学习方式，和人类婴儿认识世界的过程更像——不是听别人讲道理，而是自己摸一摸、碰一碰、摔一跤，在和环境的互动中建立对世界的认知。这种学习方式一旦跑通，AI的进步速度可能会比现在还要快得多。

银河通用的网球机器人有一个细节很能说明问题——它摔倒了以后，能自己爬起来继续比赛。很多观众把这当成一个炫技的小插曲，但从设计的角度看，这其实是一个非常重要的信号。它意味着设计者从一开始就承认了一个现实：机器人是会摔倒的。不回避失败，而是为失败设计恢复机制。这才是面向真实物理世界的设计思维。

相比之下，很多产品设计还停留在"理想环境"的假设里——假设用户会按照说明书操作，假设使用环境和实验室一样标准，假设设备永远不会出问题。但真实世界不是这样的。真实世界里，用户会误操作，环境会有变化，设备会出故障。真正优秀的设计，不是在理想条件下表现完美，而是在各种非理想条件下依然够用、能用、好用。

创品千乘在做医疗设备设计的时候，对此深有体会。一台推车式的医疗设备，理想环境是平整的医院走廊，但实际上它可能要推过门槛，要进电梯，要在病房里狭小的空间转弯，甚至可能被不小心撞到。如果设计师只在理想的实验室环境里做设计，产品到了真实场景中就会出现各种问题。所以真正的好设计，一定会把"非理想条件"纳入考量，为各种意外留出余量。

再举一个简单的例子，手机的跌落测试。为什么每款手机都要做几十上百次的跌落测试？因为用户总会失手把手机掉在地上。如果设计师假设用户永远不会摔手机，那做出来的产品一摔就碎，肯定没人买。所以优秀的设计，从来不是假设用户不会犯错，而是承认用户会犯错，然后让犯错的代价降到最低。这个原理，小到手机，大到机器人，都是通用的。

还有一个很能说明问题的领域是可穿戴设备。早期的智能手表，很多都做得又厚又重，续航只有一天，用户体验很差。为什么？因为设计师只盯着功能堆砌，没有把"戴在手上"这个基本场景考虑清楚。一块手表首先是手表，然后才是智能设备。它要轻、要薄、要续航久、要好看，这些是基础，功能是锦上添花。后来设计师把这些基础体验做好了，智能手表才真正普及开来。这个过程，其实就是设计从"技术导向"转向"体验导向"的过程。机器人行业未来也必然会经历同样的转变。

回到AI发展的大趋势。从AlphaGo到AstraTennis，十年的时间，AI完成了一次重要的跃迁——从纯数字世界走向了物理世界。但这只是第一步。网球赛更像是一场技术演示，证明了这条路走得通。真正的大规模应用，还需要解决成本、可靠性、安全性、法规等一系列问题。

不过，方向已经很清楚了。未来的AI不会只活在服务器和屏幕里，它会有身体，会行走，会操作，会和物理世界发生真实的互动。这个方向一旦确定，工业设计的重要性就会持续上升。因为当AI有了身体，它的形态、结构、运动方式、人机关系，就都变成了设计问题。

这对设计行业来说是巨大的机遇，也是巨大的挑战。过去的工业设计，更多是在给定的技术框架内做形态和体验的优化。未来的工业设计，可能要从更底层参与技术路线的定义——因为具身智能产品的形态和技术是深度耦合的，有什么样的身体，就有什么样的能力；有什么样的能力，就需要什么样的设计。

这就像汽车行业的演变。最早的汽车，本质上就是"没有马的马车"，形态和马车差不多，设计师只是把发动机塞进了马车的壳子里。但随着技术的发展，设计师逐渐意识到，汽车不需要马，所以形态也不需要按照马车来。于是有了流线型的车身，有了封闭的驾驶室，有了现代汽车的样子。这个过程，就是设计从被动适应技术，到主动定义产品形态的转变。

机器人行业现在可能也处在类似的转折点上。很多人形机器人的设计，还是在模仿人类的外形，好像长得像人才叫人形机器人。但随着技术的成熟，设计师会逐渐发现，机器人不需要完全照搬人类的身体结构，它可以有自己的形态逻辑——只要它能在人类的环境中工作、和人类顺畅交互就行。到那个时候，真正的机器人设计时代才会到来。

当然，这条路不会一帆风顺。从技术演示到大规模商用，中间隔着无数个工程细节和商业考量。就像AlphaGo赢了李世石之后，AI的商业化也用了好几年才真正铺开，大模型的爆发更是等到了2023年。具身智能的商业化路径，可能同样需要时间。

但和软件AI不同的是，具身智能的商业化会更加依赖制造业的基础和设计能力的支撑。因为它不只是代码，还有实实在在的硬件、结构、材料、工艺。中国在制造业上的优势，会在这个阶段体现出来。而能不能把制造优势转化为产品优势，关键就在于设计能力能不能跟上。

创品千乘在多年的工业设计实践中发现，很多制造企业并不缺生产能力，缺的是把生产能力转化为好产品的能力。工厂能造出精度很高的零件，但把零件组装成产品以后，就是不好用、不好卖。问题出在哪里？往往就出在系统设计上——零件是好零件，但组合方式不对，整体体验就上不去。这就是为什么现在越来越多的企业开始重视整案设计，从概念到量产全程把控，而不是只在最后阶段找设计师"美化一下外观"。

对具身智能行业来说，这个道理同样适用。现在很多团队都在拼算法、拼硬件参数，比谁的自由度高、比谁的算力强、比谁的动作更炫酷。但真正到了商业化阶段，用户关心的不是这些技术参数，而是机器人能不能稳定干活、安不安全、好不好用、贵不贵。这些问题的答案，不是靠某个单一技术的突破就能给出的，而是需要系统层面的设计和整合。谁能在这方面做得更好，谁就能在从技术到商业的跨越中占得先机。

十年前，AlphaGo在棋盘上的胜利，让全世界看到了AI的智力潜力。十年后，网球机器人在球场上的奔跑，让全世界看到了AI的身体潜力。再过十年呢？或许那时候，人形机器人已经走进了工厂、医院、家庭，在真实的场景中帮人类做着各种各样的工作。

而到那一天回头看，2026年夏天在北京"冰丝带"的那场网球赛，或许就会被记成是一个时代的起点——AI从数字世界走出来，真正踏入物理世界的第一步。

历史不会简单地重复，但总是押着相似的韵脚。十年前的AlphaGo开启了一个时代，十年后的网球机器人又开启了另一个时代。每一个时代都有自己的核心竞争力，每一个时代都有自己的英雄和过客。对企业来说，最重要的不是在旧赛道上跑多快，而是能不能及时跳上下一条赛道，并且在新赛道上找到属于自己的位置。

而设计，很可能就是那条新赛道上最重要的能力之一。