出品 | 《態(tài)度》

作者 | 紀(jì)川 袁雪麗

編輯 | 定西

聚焦當(dāng)下最熱的具身智能話題，千尋智能創(chuàng)始人兼CEO韓峰濤、靈心巧手創(chuàng)始人兼CEO周永、星源智創(chuàng)始人兼CEO劉東、破殼機器人創(chuàng)始人許華哲，以及螞蟻靈波科技CEO朱興，齊聚智源大會，共論具身智能下一階段的競爭焦點。

這也是在2026年上半年具身智能融資熱潮持續(xù)升溫的背景下，幾家代表性企業(yè)負(fù)責(zé)人對行業(yè)現(xiàn)狀的一次集中回應(yīng)：千尋智能三個月融資近50億元，星源智創(chuàng)成立未滿一年融資10億元，靈心巧手半年內(nèi)完成B輪、B+輪融資，破殼機器人一月內(nèi)完成數(shù)千萬美元天使輪融資，螞蟻靈波則背靠螞蟻集團(tuán)，具備長期投入的資金與生態(tài)優(yōu)勢。

當(dāng)行業(yè)還在討論人形機器人是否已經(jīng)成熟、VLA模型與世界模型誰會成為主流、真機數(shù)據(jù)是否足以支撐通用智能時，另一些更底層的問題也被提出：具身智能的商業(yè)化到底有沒有跑通？當(dāng)前的融資熱潮是泡沫，還是大規(guī)模預(yù)訓(xùn)練前的資源儲備？機器人本體硬件是否已經(jīng)具備規(guī)?；涞鼗A(chǔ)？在自動駕駛之后，數(shù)據(jù)飛輪能否在物理世界重新成立？具身模型應(yīng)該優(yōu)先打磨基座能力，還是盡快進(jìn)入真實場景接受檢驗？

以下為圓桌內(nèi)容的實錄，經(jīng)過編輯和整理：

行業(yè)融資熱潮與商業(yè)化現(xiàn)狀

王仲遠(yuǎn)：2026年上半年，具身智能賽道融資熱度持續(xù)高漲：千尋智能三月融資近50億元；星源智創(chuàng)成立未滿一年融資10億元；靈心巧手半年內(nèi)完成B輪、B+輪融資；破殼機器人一月內(nèi)完成數(shù)千萬美元天使輪融資；螞蟻靈波背靠螞蟻集團(tuán)具備雄厚資金實力。想請教各位，如何看待行業(yè)融資熱潮？當(dāng)前行業(yè)是已跑通商業(yè)化，還是處于儲備資金、備戰(zhàn)長期競爭的階段？

韓峰濤：當(dāng)前行業(yè)企業(yè)密集融資，核心目的是儲備研發(fā)彈藥。目前行業(yè)尚未跑通成熟的商業(yè)化模式，規(guī)?；涞厝孕柩雍?，但行業(yè)整體發(fā)展路徑已明確，即將進(jìn)入大規(guī)模模型預(yù)訓(xùn)練階段。大模型研發(fā)資金投入極高，2026年是行業(yè)搶占賽道席位、囤積核心資源的關(guān)鍵窗口期。若今年無法拿到頭部層級的資金與估值，企業(yè)將錯失基礎(chǔ)大模型的研發(fā)入場資格，無法參與第一波具身智能創(chuàng)業(yè)浪潮。

朱興：具身智能與自動駕駛賽道相似，具備長周期發(fā)展屬性，當(dāng)前行業(yè)仍處于技術(shù)驅(qū)動的早期階段。經(jīng)過兩年發(fā)展，行業(yè)硬件、供應(yīng)鏈、模型技術(shù)均實現(xiàn)顯著突破，2026年將迎來特定場景的小規(guī)模商業(yè)試點，2027年場景化落地節(jié)奏將進(jìn)一步提速。

許華哲：資本入局具身智能賽道，本質(zhì)是購入一張布局物理世界通用智能的未來門票。數(shù)字AI技術(shù)已趨于成熟，資本當(dāng)下重點押注機器人在物理世界實現(xiàn)通用智能、替代人類基礎(chǔ)勞作的可能性。行業(yè)模型從VLA迭代至世界模型后，研發(fā)資源消耗大幅提升，必須依靠大額融資支撐持續(xù)的技術(shù)迭代。

周永：當(dāng)前的融資熱潮并非行業(yè)發(fā)展頂峰，僅僅是產(chǎn)業(yè)發(fā)展的序章。目前行業(yè)頭部企業(yè)的估值，僅基于年出貨1萬臺的市場體量；若未來行業(yè)設(shè)備年出貨量突破10萬臺，整個行業(yè)的資金體量將擴容十倍。對比新能源車、海外機器人賽道的融資規(guī)模，國內(nèi)具身智能企業(yè)當(dāng)前單輪融資體量偏小，行業(yè)未來成長空間極大。

劉東：行業(yè)資金使用整體呈現(xiàn)7:3的比例，70%用于模型研發(fā)與技術(shù)儲備，30%投入商業(yè)化落地驗證。具身智能的應(yīng)用場景不止局限于人形機器人，工業(yè)自動化設(shè)備、機械臂等硬件設(shè)備，均可通過具身模型完成智能化升級，目前我們已啟動多場景商業(yè)化落地探索工作。

本體硬件成熟度探討

王仲遠(yuǎn)：當(dāng)前機器人的運動控制、整機操控能力較前兩年大幅成熟，現(xiàn)場調(diào)研：各位是否認(rèn)為具身智能本體產(chǎn)業(yè)鏈已進(jìn)入成熟階段？結(jié)果：3人反對、1人同意、1人中立。

韓峰濤（同意）：硬件成熟度是一個相對概念。我們以完美人形機器人的綜合能力100分為滿分標(biāo)準(zhǔn)，當(dāng)前各硬件板塊成熟度差異極大：工業(yè)機械臂50分、輪式底盤40分、四足機器人30分、雙足機器人15分、靈巧手僅5分，配套的AI能力更是僅有3分。但大模型正在快速賦能硬件，AI能力可在短期內(nèi)從3分提升至30-50分。從現(xiàn)階段落地應(yīng)用的角度來看，當(dāng)前硬件水平已足以支撐海量潛在市場，因此我判定硬件具備階段性成熟度。

朱興（中立）：過去兩年，行業(yè)硬件、底層運動控制（小腦）實現(xiàn)關(guān)鍵突破，支撐了上層AI的落地嘗試。但行業(yè)下一核心主線是AI重新定義硬件，隨著大腦級AI能力持續(xù)迭代，未來將會對硬件架構(gòu)、性能提出全新要求，當(dāng)前硬件體系無法適配未來AI的發(fā)展需求，因此我保持中立態(tài)度。

周永（反對）：機器人本體硬件尚未成熟，其發(fā)展可分為三個迭代階段：第一階段（60分）實現(xiàn)機器人自產(chǎn)機器人，擺脫人工組裝模式，解決產(chǎn)品一致性差、生產(chǎn)成本高的問題；第二階段（80分）實現(xiàn)機器人自主設(shè)計、自主生產(chǎn)，全程無需人工干預(yù)；第三階段（95分）實現(xiàn)高度模塊化自主運維，機器人交付使用后，可自主前往配套站點更換零部件、快速調(diào)試復(fù)工。目前行業(yè)仍處于第一階段前期，硬件規(guī)?；⒅悄芑w系尚未成型。

數(shù)據(jù)是不是行業(yè)競爭的核心

王仲遠(yuǎn)：行業(yè)競爭重心已從硬件比拼轉(zhuǎn)向數(shù)據(jù)積累，自動駕駛領(lǐng)域的十萬、百萬、千萬小時數(shù)據(jù)迭代邏輯，已成為當(dāng)前具身智能行業(yè)的核心發(fā)展思路。現(xiàn)場調(diào)研：是否認(rèn)為數(shù)據(jù)是當(dāng)下具身智能領(lǐng)域的重中之重？結(jié)果：全員同意。

韓峰濤：模型、算力、數(shù)據(jù)是AI三大核心要素，當(dāng)前算力供給充足、模型架構(gòu)持續(xù)迭代優(yōu)化，高質(zhì)量規(guī)?；瘮?shù)據(jù)是行業(yè)核心卡點。千尋智能是國內(nèi)采用分布式模式采集高質(zhì)量具身數(shù)據(jù)規(guī)模最大的企業(yè)，在全國布局三十余萬個數(shù)據(jù)采集點，組建千人專職數(shù)據(jù)采集團(tuán)隊，自成立之初便將數(shù)據(jù)列為第一核心戰(zhàn)略。

朱興：行業(yè)普遍存在真機遙控數(shù)據(jù)重復(fù)度高、有效優(yōu)質(zhì)數(shù)據(jù)稀缺的問題。與場景單一、數(shù)據(jù)邊際效益遞減的自動駕駛行業(yè)不同，具身智能領(lǐng)域的VLA模型、世界模型、物理原生基礎(chǔ)模型的能力上限，完全由高質(zhì)量數(shù)據(jù)體量決定。去年我們投入大量資源，從海量真機原始數(shù)據(jù)中篩選優(yōu)質(zhì)數(shù)據(jù)用于模型預(yù)訓(xùn)練，核心目的就是破解行業(yè)數(shù)據(jù)瓶頸。

許華哲：傳統(tǒng)真機遙操作采集模式存在量產(chǎn)能力不足、設(shè)備成本高昂、場景布設(shè)困難三大痛點，無法適配家庭等復(fù)雜場景的數(shù)據(jù)采集工作。當(dāng)前行業(yè)更適配穿戴式輕量化采集方案，工作人員通過佩戴數(shù)據(jù)手套、架設(shè)頭戴式攝像頭即可采集多模態(tài)數(shù)據(jù)，可依托大眾居家場景實現(xiàn)規(guī)模化采集，高效補齊復(fù)雜場景數(shù)據(jù)缺口，同時也將催生全新的數(shù)據(jù)采集業(yè)態(tài)。

周永：行業(yè)各企業(yè)模型性能差距的核心根源，在于數(shù)據(jù)的體量與質(zhì)量差異。我們依托自研觸覺傳感手套，可同步采集視覺、觸覺多模態(tài)數(shù)據(jù)，為全行業(yè)企業(yè)提供數(shù)據(jù)采集配套支持。同時，我們計劃將高價仿生手的成本壓縮至5000元以內(nèi)，為殘障人士提供數(shù)據(jù)采集就業(yè)崗位，實現(xiàn)技術(shù)普惠與數(shù)據(jù)規(guī)?；杉碾p向賦能。

劉東：單純比拼數(shù)據(jù)總時長沒有實際意義，行業(yè)普遍存在數(shù)據(jù)堆砌的認(rèn)知誤區(qū)。我們摒棄通用數(shù)據(jù)混疊積累的模式，聚焦物流、家庭等可商業(yè)化落地的垂直場景，定向采集場景專項高質(zhì)量數(shù)據(jù)，深耕單一場域數(shù)據(jù)體系，以此加速模型迭代與場景落地。

模型能力、迭代路徑與評測標(biāo)準(zhǔn)

韓峰濤：數(shù)字世界AI技術(shù)已趨近成熟，能夠完整掌握物理世界的理論知識，而具身智能的核心價值，是將數(shù)字AI的認(rèn)知與能力遷移至真實物理世界。物理智能的落地成型，必須依托海量真實物理場景數(shù)據(jù)。當(dāng)前行業(yè)整體模型能力僅3分，未來可依靠規(guī)?；瘮?shù)據(jù)訓(xùn)練快速提升至50分。千尋模型能夠反超英偉達(dá)、對標(biāo)谷歌等海外頂尖產(chǎn)品，核心優(yōu)勢就是高質(zhì)量的數(shù)據(jù)積累。2026年將是行業(yè)模型能力分層的關(guān)鍵節(jié)點，海量數(shù)據(jù)儲備將形成堅實的技術(shù)壁壘。

朱興：行業(yè)下一核心發(fā)展目標(biāo)，是打造物理原生基礎(chǔ)模型，而非簡單遷移復(fù)用數(shù)字AI能力。數(shù)據(jù)是模型迭代的核心根基，模態(tài)多元化是未來核心發(fā)展趨勢。結(jié)合第一視角Ego數(shù)據(jù)與高精度觸覺數(shù)據(jù)，打通視覺、力覺兩大核心數(shù)據(jù)模態(tài)，是下一階段數(shù)據(jù)規(guī)?；e累、模型能力升級的關(guān)鍵方向。

許華哲：當(dāng)前行業(yè)普遍存在“重榜單、重演示、輕落地”的問題。具身模型缺乏普惠的硬件載體，普通用戶無法實地測試體驗，導(dǎo)致模型性能優(yōu)劣只能依靠企業(yè)宣傳判定。下一階段行業(yè)競爭的核心，是打造“拿來就能用”的落地級模型，以真實實操體驗替代單一的榜單分?jǐn)?shù)比拼。

周永：行業(yè)亟需建立統(tǒng)一的模型落地評測標(biāo)準(zhǔn)，新場景部署時長是核心評判指標(biāo)。當(dāng)前模型的新場景從零部署周期為1-2個月，未來成熟模型需實現(xiàn)一周快速部署，標(biāo)準(zhǔn)化場景可單日完成落地。同時，手物交互是物理交互的核心短板，多數(shù)模型可精準(zhǔn)規(guī)劃機械臂運動軌跡，但在手部抓取、物件交接環(huán)節(jié)容錯率極低，需要全行業(yè)協(xié)同補齊手物交互短板。

劉東：真機落地、端側(cè)適配是優(yōu)質(zhì)具身模型的兩大硬性標(biāo)準(zhǔn)。第一，必須支持端側(cè)獨立部署，擺脫云端依賴，適配無網(wǎng)絡(luò)、低延遲的真實作業(yè)場景；第二，需具備動作反思閉環(huán)能力，形成“預(yù)測-執(zhí)行-反思”的迭代優(yōu)化閉環(huán)，持續(xù)提升任務(wù)準(zhǔn)確率。我們即將發(fā)布的Omega EVA模型，是目前全球運行速度最快、支持端側(cè)部署的全身世界模型。現(xiàn)階段我們的底層軟硬件方案已服務(wù)行業(yè)70%以上的頭部企業(yè)，落地規(guī)模位居行業(yè)前列。

 王仲遠(yuǎn)調(diào)研：當(dāng)下具身模型發(fā)展，應(yīng)優(yōu)先迭代基座模型，還是快速落地真實場景？結(jié)果：1人支持快速落地、3人中立、1人反對大規(guī)模倉促落地。

韓峰濤（反對）：現(xiàn)階段具身模型的智能水平僅相當(dāng)于一兩歲孩童，場景部署與適配成本極高，尚不具備規(guī)?；逃脳l件。小規(guī)模場景試點可積累需求、反向優(yōu)化技術(shù)鏈路，但堅決反對大規(guī)模倉促落地。未來兩年行業(yè)核心任務(wù)是深耕基座模型預(yù)訓(xùn)練、夯實基礎(chǔ)能力，預(yù)計2028年左右模型能力達(dá)標(biāo)后，行業(yè)才會迎來大規(guī)模落地窗口期。

劉東（支持落地）：基座模型迭代與場景落地驗證必須同步推進(jìn)。人工優(yōu)化的實驗室環(huán)境無法復(fù)刻真實場景的復(fù)雜問題，模型適配真實場景需要1-2年的磨合周期。只深耕研發(fā)容易脫離實際市場需求，參考自動駕駛行業(yè)發(fā)展經(jīng)驗，快速落地、持續(xù)迭代的企業(yè)，才能率先收獲市場回報、規(guī)避技術(shù)路線偏差。

王仲遠(yuǎn)調(diào)研：行業(yè)是否需要第三方中立評測機構(gòu)與賽事平臺？結(jié)果：多數(shù)嘉賓支持、許華哲為唯一反對嘉賓。

許華哲：商業(yè)化落地結(jié)果是模型的終極評判標(biāo)準(zhǔn)。第三方評測、行業(yè)賽事存在應(yīng)試優(yōu)化空間，且無法復(fù)刻物理場景的所有變量，硬件、環(huán)境的細(xì)微差異都會導(dǎo)致評測結(jié)果失真，無法真實反映模型的實際落地能力。

朱興：第三方評測具備行業(yè)參考價值，但必須滿足兩大前提：評測基準(zhǔn)定義科學(xué)、測試流程公正公允。結(jié)構(gòu)化的原子技能評測體系，能夠有效指導(dǎo)基座模型迭代，但最終仍需以實景落地能力為核心考核標(biāo)準(zhǔn)。行業(yè)后續(xù)將逐步弱化榜單對標(biāo)，聚焦模型真實應(yīng)用能力的迭代升級。

劉東：所有模型最終都要落地物理空間、完成實際作業(yè)任務(wù)，榜單分?jǐn)?shù)僅作參考。評測無需限定硬件設(shè)備與模型品牌，可圍繞具體商業(yè)任務(wù)搭建測試場景，以單位時間作業(yè)量、任務(wù)成功率等客觀商業(yè)指標(biāo)作為核心評判標(biāo)準(zhǔn)，能落地解決產(chǎn)業(yè)實際問題的方案，就是優(yōu)質(zhì)方案。

行業(yè)未來一年發(fā)展展望

韓峰濤：2026-2027年是具身模型規(guī)?；年P(guān)鍵階段，將對標(biāo)GPT-2至GPT-3的跨越式升級。未來一年，依托海量數(shù)據(jù)完成大規(guī)模預(yù)訓(xùn)練的企業(yè)，其模型性能將與行業(yè)其他玩家拉開巨大差距，純學(xué)術(shù)機構(gòu)將難以實現(xiàn)彎道超車，行業(yè)頭部技術(shù)壁壘將快速成型。

朱興：以人為中心、無本體依賴的多模態(tài)對齊數(shù)據(jù)，將成為行業(yè)核心數(shù)據(jù)形態(tài)。未來一年，行業(yè)有望研發(fā)落地物理原生基礎(chǔ)模型，這也是螞蟻靈波的核心研發(fā)目標(biāo)，預(yù)計2026年底可完成突破，最晚不超過2027年6月。

許華哲：我們未來將重點實現(xiàn)兩大技術(shù)突破：一是打造零部署成本的開箱即用模型，機器人無需復(fù)雜調(diào)試和場景布設(shè)，放置于作業(yè)環(huán)境即可直接工作；二是強化智能體（Agent）能力，依托模型泛化能力，讓機器人自主串聯(lián)長周期任務(wù)，可自主修正作業(yè)過程中的小幅失誤，實現(xiàn)全天候不間斷連續(xù)作業(yè)，完成模型原生級的自主迭代升級。

周永：未來一至兩年內(nèi)，行業(yè)將形成完整成熟的技術(shù)體系，核心包含三大模塊：全自動數(shù)據(jù)標(biāo)注系統(tǒng)、可精準(zhǔn)預(yù)測3D結(jié)構(gòu)與物理因果約束的融合物理引擎、適配真實場景的任務(wù)獎勵機制。同時我們正在搭建輕量化智能體（Agent）框架，大幅縮短模型新場景部署周期，助力行業(yè)商業(yè)化落地提速。

劉東：未來一年將是具身智能真機落地元年，行業(yè)將迎來三大核心變革：第一，數(shù)據(jù)采集范式全面轉(zhuǎn)型，從傳統(tǒng)機器人遙操作采集，轉(zhuǎn)向以人為中心的輕量化采集模式；第二，模型范式迭代升級，行業(yè)從主流VLA模型，集體迭代為具身世界模型，這也是數(shù)據(jù)采集模式變革帶來的必然趨勢；第三，商業(yè)化落地常態(tài)化，大批機器人與端側(cè)模型進(jìn)駐真實生產(chǎn)場景，擺脫人工遙控，可自主完成80%-90%的常規(guī)任務(wù)，真機落地成為行業(yè)常態(tài)。