具身智能行业从拼硬件转向拼大脑

2026 世界机器人大会（WRC）期间，展台上的主角正悄然更换：人形机器人不再只是翻跟头、跑步，而是叠衣服、洗碗、做饭、搭积木、搬箱子——越来越多机器人不再依赖遥控或固定程序，而是「自己指挥自己」。无论是论坛圆桌还是厂商宣传语，出现频率最高的三个词是「具身大模型」「让机器人干活」和「自主驱动」。这些信号共同指向一个行业转向：具身智能厂商正从「秀肌肉」走向「拼脑子」。

从硬件到大模型：行业逻辑重写

过去两年，机器人公司最热衷比拼的是「身体能力」：走稳、跑跳、灵巧手抓取，运动控制和硬件本体也是彼时最容易拿到融资的方向。但在本届 WRC 上，情况明显不同。一位创投人士对《豹变》直言：「现在只会做机器人本体已经拿不到融资了，需要同时做机器人大脑；只做本体和运动控制，大概率也做不过宇树、智元这些企业。」

展会上，智平方机器人做咖啡，深朴智能洗衣服，星尘智能做饭，银河通用与蚂蚁灵波的机器人在食品、药品零售区穿梭，加速进化机器人则与人类小孩上演点球大战。这些动作未必更炫，却更贴近商业化要面对的真实场景——环境不标准、任务随时变化，机器人必须理解自身任务并在出错时调整下一步。

资本市场早已嗅到风向。量子位不完全统计显示，2026 年上半年国内具身智能融资总额超 430 亿元，其中 50.8% 的资金投向以「大模型」为主的公司，18.5% 投向「大模型 + 本体」，而纯本体项目的融资占比在 2024 年 5 月后已下降 36.8%。宇树登陆科创板后，本体及运动控制的一级市场融资竞争已接近尾声。

数据：具身大模型的新护城河

「具身大模型竞争现在本质上就是数据的竞争。」具身大模型开发者 Alex 对《豹变》表示。行业期待类似 ChatGPT 的「涌现时刻」：当机器人交互数据积累到足够规模，模型可能突然具备通用性甚至近似人类的物理直觉。谁先积累出足量、高质量的数据，谁就有机会在物理 AI 之争中抢先一步。

数据采集是当前的核心难题。可靠的真实数据不足，是大厂与初创公司共同的瓶颈。展会上某大厂工作人员透露：「自动驾驶实现需要 10 亿条数据，具身智能要想达到 ChatGPT 时刻，保守估计需要 100 亿条，而现在行业里的体量大约是 100 万条。」

采集方式主要包括三类：

• 真机遥操作：数据可靠，但成本极高；
• 第一人称数据 / 便携 UMI：成本可控、可靠性与泛化性兼顾，是当前业内主流；
• 仿真数据：不依赖现实时间流速，训练效率更高，但拟真度仍是瓶颈。

WRC 展台上让观众佩戴采集设备做抓取、摆放，或通过遥操作示范任务流程的互动环节，表面是体验，背后实质是一场数据争夺。谁能更快建立「采集—训练—部署—再采集」的闭环，谁才更有可能把数据真正转化为模型能力。

蚂蚁灵波、字节跳动、京东、小米等大厂正推进各自的基座模型。蚂蚁灵波于 2026 年 1 月开源空间感知模型、LingBot-VLA 与 LingBot-World，并在 7 月推出 2.0 版本；小米于 2 月开源 Xiaomi-Robotics-0，7 月推出 2.0 版本；京东于 4 月发布 JoyAI-RA 具身大模型。这些模型除自用外，也向中小本体厂商输出，对大厂而言既增加变现渠道，也扩大数据来源。

技术路线尚未收敛：「ChatGPT 时刻」仍是未知数

当前的物理 AI 技术路线呈现多元分化，主要分为两类：

• VLA（视觉-语言-动作）路线：通过端到端方式将视觉感知与语言指令映射为动作，落地快、成本低，但严重依赖训练数据覆盖；目前正向「快慢系统」演进——大参数慢系统负责场景理解与任务规划，小参数快系统负责实时输出关节角度与手指力度。
• 世界模型（World Model）路线：以李飞飞的 Marble、Google 的 Genie 为代表，先构建可推演的物理世界内部模型再规划动作，具备更强的因果推理和泛化潜力，但算力耗费高、反馈慢。

新趋势是两者融合，但主导模型与融合方式各家判断不同。VLA 落地快但泛化弱，世界模型更聪明但成本高，技术信仰的分歧意味着行业远未形成统一共识。

Alex 认为，目前具身开发中「基座模型管上半身、运动控制管下半身」的状态，本质上是因为 ChatGPT 时刻尚未到来。一旦真正的能力跃迁出现，运动控制与具身大模型的统一将推动市场格局再次重写。但没人能确定，足够多的数据是否必然会带来那一刻。在那一天到来之前，资本市场的乐观与悲观、狂热与恐惧，预计还会反复循环。