Alexa之父，接管波士顿动力

一条人事任命，把机器人行业搅出了大模型创业公司融资般的热度。Amazon 语音助手 Alexa 和自研大模型 Nova 的核心负责人 Rohit Prasad，正式出任 波士顿动力（Boston Dynamics）CEO。2025年5月，波士顿动力官方宣布这一任命：Prasad接替自2019年起执掌公司的 Robert Playter，官方口径是领导“物理AI（Physical AI）的下一个时代”。

看惯了后空翻视频的人，第一反应多半是错愕：一家以机械工程封神的公司，怎么把方向盘交给了一个做语音助手的人？但放进行业坐标里看，这不是错位，而是具身智能行业从“本体叙事”切换到“AI叙事”的标志性一枪——机器人公司第一次把CEO的位置，交给了大模型时代的软件AI操盘手。

🔁 一个做语音助手的，凭什么管机器人公司

机器人行业缺的从来不是会跳舞的铁疙瘩，而是能把AI从Demo做成规模化产品的人。

先看任命的双方履历，都是公开可查的事实。Rohit Prasad 2013年加入 Amazon，此后近十年担任Alexa AI的负责人，把Alexa从2014年发布时的一个语音功能，做成了部署在数亿台消费设备上的全球级助手；2023年底，Amazon把他提拔为直接向CEO贾西汇报的AGI负责人，主导 Nova 系列生成式模型的研发。一边是“AI产品从0到规模化部署”的完整周期，一边是“大模型从训练到商用”的一线经验——这两个经历，恰恰是当前几乎所有机器人公司最稀缺的组合。

再看波士顿动力这边的官方表态。电动版 Atlas 发布时，公司明确表示新一代Atlas的目标是进入 现代汽车 的工厂完成真实作业任务。波士顿动力先后被 谷歌（2013年收购）、软银（2017年转手）、现代汽车（2021年入主，持股约80%）接手，每一任东家都在追问同一个问题：这些视频，什么时候能变成生意？一个AI产品化老将的到任，是这个问题最直接的回应。

这里的产业逻辑值得展开：消费级AI助手和物理AI，表面是两个行当，底层却共享一套方法论——快速迭代、数据驱动、模型蒸馏、边缘部署。Alexa要解决的“在嘈杂家庭环境中稳定响应”，和Atlas要解决的“在非结构化环境中稳定行走抓取”，本质都是“让AI在真实物理世界里不出错”。做过这件事的人，履历含金量正在被行业重新定价。

🧠 从“控制论宗师”到“大模型学徒”，路线之争已经分胜负

方法论换血，永远比换logo彻底。

时间线上有硬事实可查：2024年4月16日，波士顿动力宣布退役服役多年的液压版 Atlas；次月（4月17日），公司发布了纯电动的新一代Atlas，并明确转向“学习驱动”的新路线——动作不再靠工程师逐帧调校的基于模型的控制，而是靠模型在仿真和真机中“学”出来。这不是渐进改良，而是技术学派的更替。

学派更替意味着公司的核心资产变了：过去的核心资产是几十年积累的运动控制算法和工程师团队；未来的核心资产是数据管线、仿真环境、模型训练基础设施和算力。资产结构变了，掌舵人的能力模型自然要变——这就是2025年5月这次换帅的时间逻辑。

用一张图看这家公司的控制权变迁，你会发现每一次易主，都对应一次叙事切换：

产业逻辑上，这是全行业的缩影。传统工业机器人四大家族（发那科、ABB、库卡、安川）吃的是确定性场景，而新一代具身智能公司赌的是“通用能力”——同一个机器人，今天卸货、明天巡检、后天装配。支撑这个赌注的，是视觉-语言-动作（VLA）类大模型的泛化能力。Prasad 在 Amazon 做的正是这件事的“云端版本”，现在他把这套方法论平移到“带腿的版本”上。

🏭 现代汽车的工厂，才是真正的考场

Demo赢得掌声，产线才赢得订单。

波士顿动力 现有三条产品线：四足的 Spot 主要做工业巡检、测温和设备状态采集；仓储机器人 Stretch 干的是集装箱卸货这类苦活；人形的 Atlas 则是下一代通用机器人的试验田。而 现代汽车 既是持股约80%的大股东，也是天然的落地场景——公司已公开宣布，电动版Atlas计划进入现代位于美国佐治亚州的 Metaplant 超级工厂开始测试。汽车工厂里大量高重复、高劳动强度、人力难招的工位，就是物理AI最好的练兵场。

规模账也算得清楚：现代汽车集团在全球运营着十余座整车工厂，仅蔚山工厂年产能就超过150万辆，是全球最大的单一汽车生产基地。股东即客户，验证一旦跑通，复制成本极低——这是 波士顿动力 相对其他同行一个常被低估的优势。反观典型的人形初创公司：资金靠风险资本、融资节奏敏感，场景要逐家谈POC，数据回流还依赖客户开放产线。两条路径的差异一目了然——未来三年，具身智能公司的竞争壁垒=本体工程×AI工程×真实场景数据，缺一条腿都跑不起来。 这次任命，等于把三条腿中的最后一条（AI工程）补上了。

⚔️ 牌桌上坐满了巨头，这位新CEO带了什么筹码

这场牌局里，没人等你慢慢出牌。

竞争对手的动作都有公开记录可查：特斯拉 的 Optimus 已在自有工厂内承担部分搬运任务并计划自产自用；Figure AI 在2025年初发布了自己的VLA模型 Helix，估值在最新一轮融资后达到约390亿美元；国内宇树、智元则用极致的整机成本——宇树G1人形机器人售价下探到10万元以内——把行业价格锚点一路打低。

波士顿动力 的位置很微妙：技术门槛拉满，但商业价值的兑现还欠火候。Prasad 的任务，就是补上这一格：用大模型能力补齐泛化短板，用工厂场景把商业价值做实。

有几点筹码值得盯紧。其一，他在 Amazon 验证过“模型工程化到数亿设备部署”的全流程，这套组织方法论可以直接搬过来；其二，Nova 等生成式模型的研发经验，意味着他懂多模态大模型往机器人上迁移的技术细节，不会被CTO糊弄；其三，也是最现实的——物理AI的竞争本质是数据竞争，而 波士顿动力 背后是现代的全球工厂体系，这是很多纯AI出身团队梦寐以求的数据矿。

⚠️ 三道坎，一道都不比造出后空翻容易

换帅解决叙事问题，解决不了落地问题。

一位习惯了云端大模型“周级迭代”的操盘手，走进一家硬件迭代以“年”为单位、把可靠性刻进基因的机器人公司，组织文化的摩擦几乎是必然的——AI团队想快，工程团队怕错，两边对“什么算done”的定义都不一样。这是第一道坎。

第二道坎是物理账本。消费级AI的容错是“没听清再说一遍”，机器人的容错是一次抓取失误可能砸伤产线工人。实时控制对推理延迟、安全冗余的要求，比语音助手高出一个量级。第三道坎是数据闭环——真机数据稀缺、仿真到现实的迁移损耗，是所有具身智能团队共同的深夜噩梦。

三道坎并非无解，业内的通行解法也已经清晰：

每一条解法，恰好都对应着 Prasad 在 Amazon 的既有经验：蒸馏和边缘部署是Alexa时代的基本功，数据闭环是大模型训练的标配，OTA能力更新是消费级设备产品化的常规操作。也就是说，他的筹码和他的考题，理论上是匹配的——剩下的不确定性只在执行层面。

这三道坎决定了 波士顿动力 未来两年的叙事成色。如果 Prasad 能在2025-2026这个窗口期，让 Atlas 在现代体系内跑通哪怕一条产线的确定性工位，公司将完成从“表演型”到“产品型”的惊险一跃；反之，这次换帅就会被解读为又一轮资本运作。学术界可以容忍失败，产线只认良率——这是所有AI出身的人进入物理世界前，最贵的一堂课。

小结：机器人的AI时刻，才刚开始

回看这条新闻：Alexa 和 Nova 的操盘手接管 波士顿动力，表面是一次人事变动，实质是机器人行业的一次“权力交接”——从机械工程师手中，交到大模型工程师手中。电动Atlas放弃液压转向学习驱动，是技术路线的换血；Prasad到任，是组织能力的换血。物理AI的叙事第一次有了组织级的背书。

接下来值得盯的信号很具体，而且都 可验证：Atlas 在现代Metaplant工厂的试点进展、新管理层在模型训练基础设施与数据管线上的投入节奏、以及 Spot/Stretch 的出货结构变化。铁疙瘩还在，但故事的内核已经换了。下一次它站上产线的那天，才是这场豪赌真正开考的时刻。