标签： 具身智能

声明：本文来自于微信公众号 Tech星球，作者：林京

具身智能巨大的数据缺口背后，一条隐秘的产业链正在疯狂生长。

社交平台上，标价240元/天的“具身智能数据采集员”、“机器人数据采集”招聘信息随处可见，采集员们佩戴着设备，在居家或户外场景中日复一日地重复着叠衣服、系鞋带、开柜门、取快递等动作。这些琐碎的日常动作数据，经由中间商之手，被封装成标准化的训练数据，成为投喂给机器人的“燃料”，最终流向各家具身智能企业。

而产业链的另一端，则是另一番光景。估值超150亿元的具身智能数据公司，两周内连续融资两轮、吸金20亿元。过去一年，具身智能行业的一部分热钱，正涌向这些不造机器人、只“卖数据”的公司。

当造机器人的企业还在烧钱投入巨额研发时，卖数据的服务商已经开始收客户的钱了，有的企业仅一季度就签单5.5亿元，比去年全年还多。

居家叠被子、超市理货，我给机器人做“廉价燃料”

张月的一天，是从早上8点打卡开始的。她的工作内容听起来很简单:系鞋带、扫地、叠被子……但执行起来，却远非“家务”二字能概括，她必须完全模仿机器人的动作，身上可以选择佩戴着5个摄像头或者一个运动相机，每一个角度、每一次抬手都被严格记录。

具身智能数据采集员，也被称为“机器人训练师”，他们通过操控机器人或自身示范动作，采集真实世界人类行为数据，之后将用于训练机器人掌握日常或者工业操作技能。

在苏州，如张月这样的居家数据采集员的日薪是250元，新人按打卡时间算，早8点到晚8点，但张月说，拼命干也只能拍6个小时，因为真正的有效时长，取决于设备的配合程度。

按照企业规定，居家数据采集员需要每天往返公司送U盘和设备，而设备本身“看运气”，张月向Tech星球介绍，有时能拿到好用的，有时一整天都在出问题，“录着录着突然关机，传感器故障，U盘读取失败，镜头歪了你不知道，还有主机过热……”

最耗时的环节还有穿戴设备，全身5个摄像头需要逐一调试角度，张月穿一次就得花上半小时，“穿戴设备期间挠痒痒都不让，期间设备可以脱，只要你不嫌再穿上麻烦”，张月说。

比起其他场景，居家场景的时效要求最高，室外只需录满6小时，而居家必须达到8小时。这意味着，即便设备频频“罢工”，她也要在有限的好时间里拼命追赶进度。

这些拍下来的素材，最终会被打包卖给全国各地的机器人公司。“都是大公司下需求，指定要什么场景，我们就拍什么。”张月说，“招人的全是中介，我们拍的数据只要合格了，就成了人家的训练素材。”

而在室外场景，王雷的工作逻辑略有不同。尽管日薪同样是250元，但他所在的岗位有巡检人员负责调设备和送设备，采集员只需专注拍摄，场景则是一段时间一个变化。王雷之前被分配到距家三百米的超市，现在又被分配到十公里外的汽修厂。

这些场地由企业专门的业务员洽谈，包括超市、快递站、物流站、工厂、汽修厂、酒店、饭店等。

据张月介绍，她所应聘的企业，通过面试后会进行简单的集体培训，主要是如何穿戴设备，跟她一起培训的都是二十多岁的年轻人，还有一些在校大学生。包括采集员、巡检、业务员等在内，企业全部岗位都是兼职，其中薪资最高的是“机器人qc质检”，即在公司办公室负责审核视频，月薪可以过万。

比起基础数据采集员，根据猎聘等平台的招聘信息，一些要求技术背景或驻场的数据采集相关岗位，月薪普遍在8000-15000元，资深或带管理性质的岗位可达2万元以上。

小陈则是一名“真机遥操作员”，工作地点在一家互联网大厂自建的专业数采中心里。他的任务是坐在桌前，操纵机械臂完成一系列指令:比如用左手和右手按顺序捡起三个东西，丢进垃圾桶。

小陈选择的夜班，日薪370元，每日任务本身没有难度，类似工厂流水线，但对他来说更自由一些，“中间休息时间就看看世界杯，然后赚个300块回宿舍睡觉”，小陈说。

据小陈透露，入职门槛不高，但年龄有隐形的筛选，和小陈一同在工作的兼职员工基本都是25以下的年轻人。他记得第一天来的时候，有个37岁的女生，第二天就离职了，“第一天一般都会走60%到70%，很多人觉得太枯燥了，根本坚持不下去”。

尽管甲方是互联网大厂，但数据采集业务是交由多个承包商来负责，小陈签的都是外包合同。最近小陈休息了一周，因为上一个项目突然停止了，他在等下一个项目。不过，这些不稳定因素他倒是不太在意，“兼职的话找不到更好的了。”

产业链最底端“螺丝钉”数据，中间商翻10倍售卖

具身智能数据采集员像流水线上的“螺丝钉”，一个动作被采集数百上千次，为学习叠衣服、开柜门的人形机器人提供着不可或缺的训练数据。

这背后是一个供需极度失衡的市场。据行业测算，训练一个接近人类水平的机器人“大脑”，需要10亿小时级别的真实操作数据，而目前全球有效供给仅500万小时左右，缺口达200倍。

如张月一般，这些居家数据采集员兼职岗位爆发的原因，一方面，实验室和工厂数据无法覆盖家庭、商场等真实环境，让采集员在这些场景中做家务、走动，就是为了获取算法在“毛细血管”场景下所需的真实数据。

另一方面，相比需要昂贵机器人和专业场地的“真机遥操”，派发设备兼职在家采集的“无本体采集”模式，被认为是降低数据采集门槛和成本的有效途径。

不同于大语言模型可以从互联网海量语料中获取，机器人需要的是在真实世界中 “拿、放、走、抓、避障、操作”等三维动作数据，数据获取的复杂程度和难度更高，行业“数据荒”现象明显，业内更是将2026年视为“具身智能数据元年”。

目前，具身智能的数据来源主要有三种模式，呈现明显的金字塔特征。顶层是真机数据，是指员工通过VR设备、外骨骼等操控真实的机器人，精确记录下机器人的每一个动作和力反馈数据质量最精准，成本也最贵，但却是人形机器人落地的关键;仿真数据处于中层，是指在虚拟环境中批量生成机器人交互数据，用于模型训练，成本低、可规模化，能够弥补当前真机数据的不足;互联网视频、人类行为数据处于金字塔底层，来源广泛、泛化性强。

居家的数据采集员，几乎是站在整个数据采集产业链的最底端。同一组数据，从采集到售卖，链条上的价值分配大致是——在采集环节，支付给张月、王雷等数据采集员的成本是时薪30元;中间商加价后，以300-500元/小时卖给机器人公司。链条越往上走，利润越厚，估值越高。

此外，行业处于供给小于需求的卖方市场，数据本身的稀缺性进一步支撑了其高昂的定价。

据澎湃新闻报道，当前具身智能数据总体定价在200-500元/小时，其中真机数据最为昂贵，市场价达500-1000元/小时。

今年4月，觅蜂科技董事长兼CEO姚卯青曾表示，在具身智能尚未真正大规模商业化之前，数据作为基础设施，会比终端应用更早形成商业回报。他同时判断，不依赖特定机器人本体的无本体数据，价格最终会收敛到真机数据的三分之一到二分之一。比如真机数据如果卖到每小时1000元，无本体数据未来可能稳定在300元至400元。

机器人公司养肥数据服务商，谁才是真正的“印钞机”

随着需求井喷、内卷加剧，居家数据采集员的时薪还在不断下降，与之形成鲜明对比的是，卖“铲子”和“水”的数据服务商，估值却在不断攀升。

一类是独立数据服务商，典型代表如光轮智能，成立于2023年1月，目前估值已超150亿元，最近更是在两周内连续完成两轮融资共20亿元，估值已能超过众多直接制造机器人的明星企业。

其商业模式的精髓在于“数据复售”，同一份高质量数据，可以加工成标准化产品，同时卖给智元、银河通用等多家头部机器人公司，部分优质场景数据可以实现超过10倍复售率。这意味着采集成本是一次性的，但数据资产可以无限次变现。2026年第一季度光轮智能新增订单达5.5亿元，超过2025年全年总和。

一类是头部机器人公司孵化、独立运营的数据服务企业。譬如，2026年2月，智元机器人内部孵化成立觅蜂科技，其创始人姚卯青透露，目前数据需求方大致集中在大模型团队、海内外大厂以及初创机器人公司，需求方普遍处于“你有多少我就买多少，什么时候有马上要”的狂热状态。

觅蜂科技的策略极具进攻性，绕开成本高昂的真机遥操路径，推出MEgo系列无本体采集硬件，既对外销售硬件设备，也通过自有采集网络使用这些设备产出数据，打造的是“卖铲子+产数据”的双线赚钱模式，其目标是在2026年构建起千万小时级的真实数据产能。

正在冲击IPO的宇树科技，同样也在招股书中坦言，公司前期研发侧重本体与“小脑”（运动控制），在“大脑”(具身大模型)方面投入较少，且未大规模开展数据采集与工厂部署训练。为补上这一短板，宇树科技计划将20.22亿元(近一半募资)投入智能机器人模型研发项目，其中核心任务正是“搭建大规模真实数据集”，也进一步印证了数据在具身智能时代的战略地位。

还有一类是互联网大厂，拥有场景和渠道优势的互联网大厂也在通过不同路径抢占市场。今年3月，京东宣布启动具身智能数据采集中心，包括内部超过10万名各类职业员工，以及外部最多50万名来自不同行业的从业人员等参与，目标两年内积累1000万小时人类视频数据。百度则是推出“具身智能数据超市”，打造层级化数据标签体系，聚合多方数据。

一级市场对具身智能的核心零部件与数据基础设施的关注度也在上升。Tech星球统计发现，从2025年11月到今年7月，包括简智机器人、弈人科技、鹿明机器人、光轮智能、无问智科、千寻智能等在内的十余家企业完成融资，融资规模从数千万元至数亿元不等。其中，简智机器人在2025年7月成立后，4个月内便密集完成了三轮融资，成立仅5个月时就获得了蚂蚁集团、滴滴、德联资本等机构的领投。

这场围绕具身数据的淘金热潮，才刚刚拉开序幕。

声明：本文来自于微信公众号 新莓，作者：翟文婷

我们可能需要花点时间，重新理解「理想」这家公司了。

就在昨天，理想汽车正式对外给出「具身智能汽车」的完整含义，即同时拥有电动车、职业司机、AI计算机与生活助手四大能力的智能体。

从电动汽车到具身智能汽车，定语变化背后，是AGI语境下，理想对自身战略的一次正式对外阐述。

你也可以理解为，这是对人车关系的一次重新定义。

如果说电动化是汽车工业变革的上半场，智能化就是下半场。但是此时此刻再讲汽车智能化，已经不是传统意义上的软件智能，而是彻底的一次AI变革。

所以在理想汽车董事长兼CEO李想眼中，这不是单纯的AI赋能理想汽车，未来就像苹果公司，理想本身就是一家AI终端公司。只不过苹果的主力终端是手机，理想的支柱终端是汽车罢了。

重点在于，这是理想对外讲的一个故事，还是这家公司的内核正在发生变化?

如何理解具身智能汽车

在理想Livis发布会之前，大部分人知道「具身智能」这个名词，熟知「汽车」，但是对于「具身智能汽车」可能完全陌生。

电动汽车厂商因为天然跟「智能驾驶」深度绑定，所以很早就有智能基础设施的布局。但是AGI时代，AI是让汽车智能深度有所加深，还是有新的可能性，这是所有从业者在思考的问题。

2022年9月，理想每年例行的战略会上，就把人工智能包含自动驾驶作为未来竞争的关键因素。第二年年初，战略发布时，他们又向前一步，将AI从隐蔽战略变成一个开放战略。

也正是在那时，李想形成一个新的思考:汽车将从工业时代的交通工具，进化成为人工智能时代的空间机器人。

这可能是今天关于「具身智能汽车」最早的雏形。

2024年年底一次媒体访谈中，李想再次明确表态，「汽车是物理世界人工智能最大的应用。如果看清楚这一点，我们应该是一家人工智能企业。」

所以，昨天发布会上，李想对「具身智能汽车」的定义是本质是一个Agent，且同时拥有四种能力:电动车、职业司机、AI计算机与生活助手。

具体而言，具身智能汽车首先是一辆电动车，拥有身体、能移动、真正参与用户生活;

其次是一位职业司机，能够理解道路与风险，随时待命安全可靠地完成出行任务。

同时，它是一台AI计算机，处理复杂信息并完成任务;

最后还是一位生活助手:了解用户习惯、管理信息、处理事务，成为长期信赖的伙伴。

这也是李想第一次对外阐述，具身智能跟造车的关系，这不是一次玩票或不务正业，而是对汽车工业进化的一次深度反思。

他解释，「今天的传统智能汽车，并不是真的智能，本质上是『功能驱动』，服务于特定场景，对安全的定义也是『功能安全』。而真正的具身智能汽车，是一辆能够保护人类安全、独立完成任务、比人类更高效的汽车。这就是理想汽车的答案。」

2025年的一次对外访谈中，李想就曾提到，原来讲「功能」，人工智能则是讲「能力」。

一年后，理想交出答卷:在能力驱动下，汽车工业的前进方向是怎样的。

过去，不论L2还是L2+，智能更多是在辅助人;未来，却是无限接近人类的运作方式，不仅能「看到」真实物理世界，更是能「看懂」和「理解」物理世界。

今年下半年，用户将在现实中，逐渐感受到理想Livis具身智能系统的变化:

7月，智驾效率整体将提升30%，可以协助用户通过限宽墩、限高杆等复杂场景，出行导游相关Agent技能正式上线;

两个月后，用户会体验到Livis具身智能系统面对窄路会车或倒车让行等复杂情况，能「像人一样倒车」;

年尾的12月则会在安全和效率层面迎来新的跨越，用户误触方向盘会主动防护、系统能紧急躲避补偿、可以听从交警指挥、以及Face ID识别切换账号。值得一提的是，理想Livis端到端反应速度达到0.2秒，比人快56%。

从电动汽车到具身智能汽车，如果把理想这家公司看作是一个产品，该如何理解它的内核和底层能力?

未来的理想是一家AI终端公司?

李想把创业的不同阶段，视作自己核心能力的延长线。

从最初的个人网站，到产品IT网站泡泡网，以及后来的汽车之家，他是一名公认的优秀产品经理，且在不同领域不断延长这种生命力。现在，让汽车在人工智能技术背景下，长出新的产品形态，还是他人生命题的延长线。

基于这样的认知和思考，理想可能是国内比较早开始思考软件与硬件，以及人车关系的汽车公司。尤其大模型崛起，ChatGpt 深入人心之后，他开始跳出汽车行业的局限，从人工智能终端的角度思考汽车产品。

李想说，「今天不能以一个硬件来定义它到底是什么企业。硬件是它的支柱业务，是起点。今天每一家企业都应该是一家人工智能企业。」

所以，理想是国内最早自研基座模型的汽车公司。

最新发布的Livis具身智能系统就是交出的一份新答卷，具身智能大脑可以理解为语言智能与机器智能深度融合构成。

其中，语言智能由理想汽车自研的马赫Mind-Pro与马赫Mind-Edge承载，负责语言与逻辑思考，听懂指令、推演行动方案;机器智能由自研马赫VLA承载，负责三维视觉感知与躯体动作控制，看清物理世界、精准执行操作。

值得一提的是，随着今年5月全新理想L9发布，理想汽车正式迈入马赫VLA（Vision-Language-Action Model，一种结合了视觉、语言和动作的多模态模型）时代。

李想坚信所有想通往L4的企业可能都是VLA，甚至可能是比VLA更好的方式。这是具身智能汽车最重要的基石。「VLA就像一个司机，世界模型就相当于是真实的交通世界。」

而且李想认为，交通领域是VLA第一个重要的实验场，而且一定是最早实现VLA的。

从现实进展来看，理想马赫VLA模型已经实现了真正的能力涌现，比如能自主完成倒车让路、识别交警手势指挥、应对低矮不规则障碍物、穿越无车道线的城中村雨夜窄路等过去难以靠规则实现的场景。

不过这些都是基于算力、数据、模型规模和架构同时跃升的结果。

考虑到传统指令驱动的计算架构在面对AI大规模并行计算时存在效率瓶颈，理想重新设计了数据流架构芯片。

2022年正式立项，2026年5月实现量产上车，三年时间，马赫M100成为全球首款量产的动态数据流AI芯片，也是目前全球量产性能最强的车规级推理芯片。

正是拥有这样的自研布局能力，李想敢于判断，未来汽车会从智能终端变成人工智能终端，甚至在物理世界，终端企业的价值会战胜平台型公司。

一年前，李想说，「成为AGI时代一个领先的终端企业，是我们核心成长目标。」

一年后，Livis具身智能系统帮助李想把这个进度条，向前推进了那么一点。

声明：本文来自于微信公众号 定焦One，作者：王璐

具身智能的融资速度，比所有人预期的都更猛、更快。

据「定焦One」从IT桔子获得的数据显示，从2025年7月到2026年6月，国内一级市场（不包含IPO与并购）具身智能领域的融资已达503起，平均每天超过1起，总融资金额超960亿元。

与此同时，单笔金额也越来越高。单笔10亿元及以上的融资在2026年上半年已超过25起，其中它石智航在4月单轮拿下4.55亿美元，刷新中国具身智能融资纪录，这个规模在全球机器人创业史上也鲜有前例。星尘智能则在三个月内连续完成3轮融资，总额超10亿元，估值突破百亿元。

但热潮之下，钱的流向并不平均。

整机、大脑、数据采集这几个方向持续升温，关键模组等细分赛道则在降温;头部公司融资一轮比一轮高，腰部及以下玩家在悄然离场;出手争抢头部项目的，也不只是财务VC，国家队、互联网巨头、产业资本都已下场。

钱流向哪里、谁在出手，是判断一个行业最直接的信号。梳理这一年具身智能的融资变化会发现，热钱仍在涌入，但资本对这条赛道的定价方式，已经和之前不同了，每一家公司都将接受更苛刻的审视。

01.钱涌进具身智能，但规则变了

回顾具身智能从2025年7月到2026年6月这一年多的融资节奏，「定焦One」与多位一线投资人交流后发现，大家的感受基本一致:钱越来越多，但要求越来越严格。上海浦昌股权投资基金合伙人王瀚用了三个词来概括这个周期里的变化:加速、分化、重构。

具体来看，这一年多的融资呈现出三个趋势。

第一个趋势是，钱在变多，项目却在变少。

2025年下半年，具身智能进入密集布局期。从整机到大脑，再到关节模组、灵巧手，整条产业链在集中融资，连触觉传感器、电子皮肤、谐波减速器、一体化关节等此前少有人关注的硬件细分品类，也几乎每隔几天就有一笔融资公告落地。

但有个反常之处是，这一轮的热潮是资金体量的快速扩张、向更少的标的集中，而非数量的全面爆发。据投中研究院统计，2025年下半年具身智能融资事件数量同比下降31.7%，与此同时，单笔融资额均值同比上涨46.8%。

驱动这波热潮的，是2026年被视作机器人量产元年的预期，大脑、本体、零部件等各环节都必须提前布局补齐，于是各路资金从天使轮到Pre-A轮密集入场。

英诺基金布局具身智能已有数年，松延动力、云深处、加速进化、鹿明、灵足等一批头部公司都在被投名单上。在英诺基金管理合伙人周全看来，这个市场足够大，未来能跑出一批千亿市值公司，“一边是老龄化与劳动力短缺，一边是制造业回流的压力，这是中美都必须发展的方向。”

到2026年第一季度，这轮热潮被推向顶峰。短短三个月内，具身智能领域完成210起融资，总额超300亿元，不少投资人甚至感慨“赛道已过热”。

但并不是所有环节都在同步加速。第二个趋势是，门槛被抬高，腰部玩家正在出局。

「定焦One」观察到，进入2026年后，关节模组、传感器等零部件赛道的新项目融资数量已开始回落。

长期关注硬件赛道的投资人刘明指出，这类赛道项目质量本就参差不齐，经过2025年下半年的集中布局后，真正值得持续跟进的公司已经不多。

王瀚也持相似观点:“2025年下半年那波入场，更像是一次集体卡位，大家都怕错过窗口期，但并不是每一笔钱都押对了方向。”

与此同时，留下来的钱进一步向头部集中。

以始终是融资热门的整机环节为例，据「定焦One」统计，2025年下半年至今，该领域的融资数量占整体的40%以上，但大额融资流向少数公司，其中银河通用25亿、自变量机器人近20亿、星动纪元超2亿美元，头部公司的融资规模一轮比一轮大。

王瀚对这种变化感触颇深。“2024年，一家公司只要沾上具身智能的概念，融资就相对容易，但从2025年下半年起，这扇门开始收窄。百亿估值逐渐成了进入主流融资圈的入场券，资金向头部集中的趋势越来越明显，雨露均沾的时代结束了。”

钱之所以更愿意往头部押，因为整个行业给具身智能估值的方式，正在被改写。这就要说到第三个趋势，具身智能的估值逻辑，从看故事变成了看数据。

过去，投资人更关注机器人创业团队的背景、技术路线和长远愿景。进入2026年，实实在在的数据指标成为估值基础。王瀚直言，他现在评估一家机器人公司，问的关键问题已变成“客户有没有复购?机器人能连续运行多少小时?故障率是多少?”他总结，这些问题过去可能只是尽调里的附加题，现在已经是决定投资的必答题。

转变的背后，是行业走到了关键转折期。一方面，2026年被普遍视为机器人量产元年，商业化落地从愿景变成明确预期;另一方面，宇树科技即将登陆科创板，云深处、乐聚机器人等已经递交招股书，当头部企业开始接受公开市场的审视，整个行业有了更明确的参照物。

但这里有一个矛盾，具身智能行业的公司估值逻辑，恰恰很难用传统的静态框架去衡量。

“过去评估一个项目，我们往往参照市场可比公司，或使用PE、PS等财务指标，结合销量、单价、渗透率等静态数据来推算其未来市场规模与估值。”王瀚说，“但具身智能的价值是动态的，今天看到的，和年底再评估的，可能完全是两回事。”

他举了个例子，“今天一个只会跳舞的机器人，随着数据积累与持续训练，明天可能突然掌握一项全新的智能，真正解决某个特定场景或人群的实际问题。这种能力的突破不是线性的，它的价值会随着时间和数据的积累，呈现复利式增长。”

这就把投资人推到了一个两难的位置:一边是公开市场要求看得见的数据，一边是机器人真正的价值还在动态变化。投资人能做的，就是一边用复购率、故障率这些硬指标筛掉只会讲故事的公司，一边为那些可能出现复利式增长的项目预留出想象空间。而最可能兼顾两者的，正是头部项目。

02.三大投资主线:整机、大脑、数据采集

从具体的细分赛道来看，这一年的钱主要押向了三个方向。

其中，整机仍是融资的主战场，但投资人的关注点变了。随着商业化落地成为核心要求，资金不再撒向广泛的技术尝试，转向“硬件本体+运动控制+智能算法”一体化的公司。此前，这一创业方向还相当分散，轮式、四足、小型化、工业专用等各种路线的公司各走各的路，到2026年，资金已明显向具备全栈能力的公司集中。

刘明解释，“机器人最终要落地，纯硬件没有大脑是空壳，纯算法没有本体是空中楼阁，只有两者都能自研的公司，才在商业化上拥有主动权。”星动纪元、自变量机器人、银河通用等头部玩家，也都将全栈自研作为核心竞争力之一。

以星尘智能为例，它最初凭借绳驱硬件技术形成了差异化优势，现在则将“AI模型-具身OS-绳驱本体”的全栈架构当成核心壁垒。它在继续发挥绳驱技术成本优势的同时，开始自研机器人的“大脑”与决策系统。它拿到的融资与订单，正是这种能力获得市场初步验证的体现。

如果说整机是具身智能的身体，那么具身大脑便是真正的天花板。不止一位从业者认为，机器人大脑一旦做成，对整个赛道的重塑，不亚于大语言模型对软件行业的冲击。

这种预期体现在融资金额上。近一年，大脑赛道的单笔融资额，在整个具身智能产业链里最高。

代表案例是它石智航，2026年4月，这家专注具身智能大脑方向的公司完成4.55亿美元（约30亿人民币）的Pre-A轮融资，由高瓴创投、红杉中国联合领投，美团战投等20余家机构参与，创下中国具身智能有史以来最高单轮融资纪录。此外，千寻智能两轮合计融资近30亿元、智平方B轮融资超10亿元。

王瀚将大脑赛道的走热，归结为一个水到渠成的过程，“过去几年，资本的扶持让做本体的公司把机器人身体问题基本解决了。但机器人迟迟无法大规模商业化，核心原因是大脑还不够聪明。”

在他看来，2026年最大的投资主题就是大脑，“这有点像在赌具身智能的iPhone时刻，当通用大脑能真正驱动不同形态的机器人完成各种任务，且效率足够高时，基本上就能替代人的工作。”

周全的布局路径，也是这种市场判断的缩影。早两年大家把钱主要押在硬件本体上，如今重心转移。“本体说到底还是制造业，竞争一定越来越激烈，毛利往下走。”他的策略因此分成两层:本体类项目格局已定;而真正资本价值更高的，是偏软的大脑端。今年英诺几乎完全转向世界模型，一口气投资了流形空间、VAST、厘清等等。

但具身大脑还存在路线上的分歧。押注通用路线的公司认为，只有做成通用，机器人才能适配不同本体和不同场景，护城河才足够宽;走专用路线的公司则认为，通用是愿景，落地才是现实，先把一个场景跑通，比什么都重要。

王瀚目前更倾向于专用路线，“机器人不需要什么都会，只需要把工业拣选、物流搬运某一件事做好、做透。把账算清楚，把ROI做实，才更容易判断它到底能不能真正走进工厂。”

但他同时也承认，市场重视通用路线有其逻辑，“本质上是在赌一个更大的未来，如果通用大脑这条路走通了，会是更加变革性的存在。”从融资结果看，市场目前将真金白银更多押注了通用路线。

具身大脑也是烧钱最快的方向。训练一个具身大模型，需要海量真实交互数据，这些数据无法通过互联网爬取，只能靠机器人在真实世界中不断操作来积累，成本极高。谁能率先建立起数据优势，谁才有机会跑出来。

正是这种对于高质量训练数据的迫切需求，把数据采集也推成了2026年投资人关注的新方向。要让机器人变得更聪明，当前最稀缺的已不是算法，而是真实、高质量、可用的训练数据。

一个信号是，智元孵化的数据平台觅蜂科技，在今年2月成立当月就完成数亿元种子轮与天使轮融资，由红杉中国领投，鼎晖VGC、BV百度风投、云锋基金、慕华科创跟投，产业方均普智能、灵初智能也参与其中。头部机器人公司将数据业务单独拆出来融资，本身就说明了这个环节的重要性。

三条主线看下来，一个共同的变化是，市场正在从具身智能行业的广撒网转向精准下注。而无论押在哪个环节，能够持续获得融资的公司，都需要回答其技术如何以及何时能变现的问题。

03.四类投资者，谁在豪赌?

随着市场对具身智能的关注度越来越高，参与这场游戏的除了传统的财务VC，还包含国资、产业资本、早期专业机构等不同背景的玩家，从它们下注方式的差异，一定程度上可以看出行业里还剩哪些机会、哪些窗口已经关闭。

财务VC仍是当前最活跃的参与者之一。

以红杉、高瓴、IDG、源码、经纬等机构为代表，这些在消费互联网时代成名的机构，在具身智能上的打法是“多环节覆盖”。同一家机构，可能同时出现在整机、大脑、灵巧手公司的股东名单里。比如红杉就参与了整机（自变量机器人、宇树科技）、大脑(它石智航)以及核心部件(灵猴机器人)等多个环节的投资。

王瀚解释，机器人赛道格局未定，没人知道其最终的技术路线和商业模式会走到哪里。在大方向判断正确的前提下，跨赛道广覆盖是降低失误成本的理性选择。

但要注意，这些机构在每一个细分方向上瞄准的，通常是被验证过的头部团队或成型产品，而非任意早期项目。

这与移动互联网时代有着本质区别。过去VC可以用较低成本广泛覆盖早期项目，等待优胜者跑出来再追投，但在具身智能领域，硬件属性决定了早期验证成本极高，具备技术实力的团队往往早已估值不菲，投资机构从一开始就必须精选目标。

第二类是产业资本。

产业资本分为两类，均偏向于战略投资。

一类是互联网大厂，小米、字节、百度、阿里、美团几乎全部在场，它们把机器人当做自身AI能力的落地场景之一。其中，小米的布局尤其典型，从整机（自变量机器人、宇树科技）到关键零部件(曦诺未来、纬钛机器人)，几乎形成了一条具身智能产业链投资版图。

另一类是制造业头部企业。比如宁德时代、比亚迪、立讯精密，它们入局更多是为自己的主业找增量。刘明表示，机器人是下一代制造业的核心基础设施，没有人比制造业企业更了解生产线上真实的痛点，此时入场，既是提前卡位未来，也是为现有主业打造新防线。

这一类资本展现出的机会相对具体，大厂能带来算力、数据和应用场景，制造业巨头带来的是供应链、产线，对于机器人创业公司而言，有时股东带来的资源比融资金额更值钱。谁能把自己嵌进这些产业方的真实需求里，谁就更可能拿到这笔带资源的钱。

第三类是近两年出手的主力，国资与政府引导基金。

这类资本紧扣国家政策方向，虽然对早期项目的不确定性有一定容忍度，但更倾向于在产业方向明确、项目进入成长期后，以较大体量集中进入。

王瀚表示，各地政府引导基金除了财务回报，也承担着招商引资与产业培育的任务，会积极投向符合地方战略布局的赛道。这类资金规模庞大、出手稳健，已是当前一级市场中不可忽视的力量。国资的加速入场，也是具身智能从科技概念升级为国家战略的直接体现。

第四类是早期专业机构，在行业格局最不清晰的阶段提前下注。

王瀚所在的机构便属于这类。他表示，在种子轮、天使轮阶段就进行布局，意味着要承担技术路线不明朗、本体形态未确定、商业模式不清晰的多重风险。但一旦押中，回报倍数远超中后期入场者。

这也是这类机构区别于其他玩家的核心特征。在他们看来，与其在后期挤破头争抢确定性，不如在早期押注可能性。周全认为，中国市场足够大、细分赛道足够多，能容得下很多家公司，最后胜者为王。

但这并不等同于盲目追着最热的概念跑。周全告诉「定焦One」，“在共识尚未形成、路径仍然模糊的时候，提前看懂技术变化、产业需求和人的可能性是关键，半导体、具身智能、AI行业都是如此。”

四类资本，四套逻辑，但不止一位投资者表示，目前来看，具身智能真正的刚需应用场景还不够明确，即使是像宇树这样备受关注的头部公司，仍偏向科研与表演展示，距离规模化、商业落地还有很长的一段路要走。

资本已经用真金白银，把具身智能推到了量产元年的门口。究竟有没有一个足够大的真实市场，仍要等这些公司一家一家用业绩去证明。

声明：本文来自于微信公众号 深响，作者：林之柏

2026年，具身智能迎来新一轮空前热潮。

春晚舞台上宇树“人机共武”、魔法原子“实景演出”相继出圈，荣耀“闪电”则在北京亦庄人形机器人半程马拉松刷新人类男子半马世界纪录，公众热情被一再点燃。资本侧同样反应积极，中国市场上估值超过100亿人民币的具身智能公司已超过20家。技术也在持续突破:从VLA到世界模型的迭代、到灵巧手的进展，具身智能逐步从Demo（演示）走向Deployment(实际部署)。

但不得不说的是，热闹背后，一个核心难题始终横亘在行业面前:高质量真机数据极度匮乏。

中国信通院报告明确指出，具身智能是一个“由数据驱动的智能系统”。对于具身智能而言，数据是决定行业发展上限的关键变量。如果缺乏高质量数据，机器人就无法实现精准操作和场景泛化。

国家发改委相关新闻发言人也在最近的发布会上表示，下一步将加快具身智能训练基础设施建设，更好地支撑数据采集和“大小脑”模型训练，以提升具身智能在不同场景的通用能力。

而且不同于大语言模型能规模化爬取文本数据，具身智能所需的描述人类运动、精细操作的真实数据少且难得。目前，全球文本数据早已达到万亿token级别，但高质量真机操作数据仍停留在百万小时规模。

在这个战略重地，成立于2025年2月、已累计完成数亿元融资的灵御智能选择了一条另类的路线:它不加入本体长相的内卷，而是定位为做面向具身智能的高精度物理世界数据基础设施提供商，为行业提供高质量的本体和数据服务。

具身智能的数据困局与

「不可能三角」

具身智能的数据困局由来已久，这是行业运行惯性、早期技术局限等一系列因素共同造成的。

目前，业内获取数据的方式主要有四种。

第一种是仿真数据，即在模拟环境中生成机器人操作数据。这种方式最大问题是“虚实鸿沟”，仿真环境就算再精细，也很难准确还原现实世界的各种物理细节，比如物体之间的摩擦力、传感器运行时的噪声等。这些细节误差，可能导致机器人无法适应真实工作环境。

第二种是人类行为数据，主要来源于视频，让机器人学习人类的操作动作。但人类的身体结构和机器人的机械结构存在差异，这就形成了“构型鸿沟”:人类的动作很难直接映射到机器人身上，比如手指灵活度、肢体协调性，数据实用性大打折扣。

第三种是人类示教数据，通过手持设备、动捕系统，或者拖动机械臂进行操作示教。这种方式更贴近机器人运动习性，但依然无法完全解决“构型鸿沟”，而且采集效率低，很难实现规模化。

第四种是真机遥操数据，由人类远程控制机器人完成任务，同时记录整个操作过程。这种方式优缺点都很明显:优势是更接近真实物理世界，获得更高质量、多模态、可泛化的数据;短板在于采集成本高。

市面上品质较高的真机遥操机器人售价普遍偏高，按照行业通用的一年使用期计算、加上各类杂项成本，单任务每次的数据成本大概在3-5元，这还没算大量设备、场地、操作人员开销。

面对数据困局，巨头与学术界的探索同样未能提供公用解法:

比如特斯拉采用的封闭生态模式，数据质量够硬，但仅供自身使用;斯坦福大学研发团队推出的ALOHA方案，借助远程操控系统，由用户同时控制底座和两个机器手臂来完成更多样的任务，数据精细，只可惜更偏向实验室场景，难以满足工业级需求;国内的本体厂商则大多采用重资产模式，自搭场地、系统，投入大、效率偏低。

上述种种数采模式的优劣，业内争议不断，但无论哪种路线，似乎都无法突破具身智能数据的“不可能三角”:高质、高效、高性价比。

正因此，行业急需一种“工业化、标准化、低成本”的数据生产方式——而这，正是灵御智能试图解决的核心问题。

打破「不可能三角」

灵御智能的另类解法

不同于很多强调“拟人化”表达、通用展示能力的机器人企业，灵御智能不执着于“做一个最像人的机器人”，反而关注一个更实际的问题:如何让机器人稳定、高效地进入真实任务场景，持续产生高质量数据。

这种差异化定位，让其跳出了主流赛道，在“高质、高效、低成本”这三个看似矛盾的需求之间，找到平衡点。

首先是提升效率，更注重动作采集执行速度和稳定性。

在第二届中关村具身智能机器人应用大赛上，灵御的机器人在每个实际场景中的操作时间，都是同类竞品的30%甚至更低，展现出极强的执行速度。

而得益于更强的动作完成能力、力控柔顺性，灵御的机器人具备更高稳定性。力控柔顺的机器人，能像“人”一样自带细腻“手感”，敏锐感知细微的受力分布、找准发力点。这让机器人更自如地应对复杂任务，单日有效采集时间达10小时以上，任务完成条数超800条，大大提高采集效率。

第二届中关村具身智能机器人应用大赛测试项目

其次是成本控制。灵御智能的核心产品TA机器人售价在10万-20万元区间，加上人工和各类杂项成本，单年成本控制在30万元以下，每小时成本仅100-150元，单任务每次的数据成本约0.6元，和umi数据采集成本相当。

为什么灵御智能可以做到“低成本”?关键有两点。

一是不盲目死磕昂贵硬件，而是从算法层面寻找突破口，这与SpaceX用不锈钢替代钛合金的思路很像，主打“花小钱办大事”。

比如受力监测，业内通常会给每个关节配备谐波减速器和六维力传感器，就像在机器人身上安装一个高精度“电子秤”，靠物理手段监测不同运动状态下的受力变化，数据极尽精细，但硬件成本很高。

灵御智能则采用低减速比的行星减速器，通过监测电机电流变化来估算受力。这套方案胜在“实在”:电流反馈的物理精度不如传感器，但配合500赫兹的控制频率，系统每两毫秒就能获取一次受力数据，实时调整刚度;再加上高精度标定和全局逆解算法，用更高性价比方案，实现了全柔性力控下的毫米级定位精度。

齿轮背隙优化也是同理。传统机械方案要做到极小背隙，不仅要把齿轮的加工精度拉满，中心距、预紧力甚至需要逐台人工微调校准，成本高，还容易受温度变形影响出现故障;灵御智能用廉价传感器监测齿轮相对位置，通过算法实时补偿背隙，最终实现的等效精度反而更高。

这些做法，其实是对机器人行业“硬件为王”思维的修正:过度依赖高端机械部件来提高数据精度，不仅推高了成本，还限制了生产力。算法+硬件的相互配合，节省成本之余，也并不会影响数据稳定性。

二是在产品设计逻辑上，始终以数据采集效率为核心进行优化。

比如砍掉脖子关节，用广角摄像头提供接近人眼的大视野，操作员无需控制机器人扭头，就能覆盖全部视野;采用模块化设计，最容易磕碰损坏的小臂和手腕部分可以快速拆卸更换、无需整机返厂大修，大幅降低了维护成本和停机时间。

此外，还有更为关键的高数据质量。

灵御智能TA机器人集中发力时间、空间和信息密度三个维度。

时间维度上，TA机器人实现了S100、x86、激光雷达、相机全硬件亚微秒级同步，从系统底层保证多传感器数据在统一时间轴上的高度一致性，杜绝“相机已经拍到动作，传感器还没记录受力”等情况。

灵御智能联合创始人、首席科学家莫一林透露，团队把端到端的流程拆分成20个环节，每个环节的耗时都用示波器精确测量。

同时，相机提供严格的曝光开始时间、6路相机触发实现纳秒级同步，从相机曝光到数据进入内存的整体延迟最低可控制在40毫秒。为此，灵御智能从CMOS选型阶段就与供应商联合开发、定制曝光时间等参数，从源头保证时间精度、对齐多模态数据。相比之下，很多公司仍在使用通用USB摄像头、内置预处理芯片，无法精准把控延时效果。

这和苹果、特斯拉等厂商的思路是一致的。苹果iOS生态的流畅性、稳定性为什么一直有口皆碑?正是因为它从芯片、系统到镜头等零部件一手抓，高度集成、高度统一。

信息密度上，TA机器人对力控数据、头部4k双目视觉数据、腕部2k双目视觉数据和遥操作眼动数据全覆盖，整体数据topic数量为行业最多。

空间精度上，TA机器人实现了0.1mm的重复定位精度和1mm的绝对精度，均处于行业领先水平。重复定位精度保证了单台设备在重复执行任务时的稳定性，绝对精度则确保不同机器人之间的数据一致性，避免了因设备差异造成偏差。

不得不说，TA机器人的高质量数采，正正解决了行业的大难题。

此前业内很多公司都存在重复定位精度不足、不同设备采集数据不兼容、过于追求单一维度的精确度等问题。好不容易采集到数据，要么动作、受力存在偏差，要么精度达标但传感器数据不同步、信息残缺，以至于数据看起来丰富，但无法准确反映真实操作场景。

更重要的是，在传统操作思路里，数据采集、上传、清洗、标注、模型训练等环节容易出现脱节，低质量数据不仅无法提高训练质量，还会成为“负资产”。

而灵御智能对空间、时间和信息密度的兼顾，能最大限度避免数据脱节、信息单一，且数据集无需额外校准，可直接用于模型训练，既节省了后续成本，也真正实现了数据的可泛化价值。

立足于效率、成本和数据质量三重支撑，灵御智能显然迈出打破「不可能三角」的关键一步。在这基础上，灵御智能得以更进一层:构建“数据飞轮”，形成难以替代的核心竞争力。

过去，大部分机器人数据采集都属于纯投入模式:企业需要专门搭建采集场地、组织人员、运行设备，再把采集到的数据回流给模型团队，流程繁琐、效率低下。而灵御智能改变了这一逻辑——在它的方案中，机器人本身既是执行终端，也是数据入口。

在灵御智能的端云协同架构中，云端并不是简单承担远程控制角色，而是与端侧实时控制、本体执行、任务调度和专家模型形成协同。机器人在真实场景中完成任务的同时，视觉、力控、关节状态等多模态数据持续回流，进入清洗、标注和训练流程，反过来推动模型能力迭代。

其中，灵御TA机器人承担着进入真实场景的物理执行角色，自研的低延迟通讯架构负责连接云端智能与机器人本体，而高质量真机数据飞轮则持续反哺模型训练和能力迭代。

这就形成了“部署—数据—训练—进化”的完整闭环:部署规模越大，真实场景越丰富，系统获得的数据就越多;数据越多，模型能力就越强，进而提升机器人的执行能力，反过来又能采集更多高质量数据，实现自我强化。

“数据飞轮”的成型，离不开全链路的协同能力，这是灵御智能独有的竞争壁垒。

行业内很多公司能做好机器人本体，但不一定能把云端AI稳定接入真实物理任务;有些公司能做好模型，但缺乏低延迟通讯技术和可落地的执行本体，而灵御智能实现了各环节的深度协同。

灵御智能和英特尔的合作是典型例子。此前，英特尔已开始使用灵御机器人开展模型训练和数据采集，并提供云边协同、数据处理与算力支持。双方合作跑通了“数据—模型—执行”的闭环雏形:从真实任务中采集高质量数据，用于云端模型训练，再将优化后的模型下发到机器人本体，进行执行验证。

往后，类似的合作案例可能会越来越多，这也印证了其技术路线的可行性。

从卷模型到卷数据

打破具身智能能力上限

随着具身智能逐步告别概念炒作和样机演示，进入规模化量产、商业化落地的关键阶段，行业也从“卷模型”转向“卷数据”。竞争重心正发生彻底改变，决定系统能力上限的，不再只是模型本身，而是它是否拥有足够丰富的真实场景数据。

这种产业演进轨迹，与自动驾驶行业高度重合。正如特斯拉的核心壁垒从来不只是自动驾驶算法，还有其庞大的车辆部署规模，持续采集海量、真实路况数据。这些数据，才是调优算法应对极端天气、突发路况等长尾问题的关键。

具身智能正走向类似的路径:机器人只有走进各种复杂环境，持续与真实世界交互，才能获得足够的数据。

这便能看出灵御智能的独特性:形成从设备、部署到数据交付的完整闭环，服务于科研机构、数据采集中心及复杂非结构化场景客户，推动机器人数据从实验验证走向标准化、规模化生产。这让其成功获取了物理世界的数据入口，为机器人进入更复杂、更真实的任务环境提供数据基础设施。

就像大模型时代的Scale AI，其价值不仅仅在于提供数据标注服务，更在于帮助行业建立了标准化的数据生产体系;在具身智能的领域，行业也需要灵御智能这样的企业填补基础设施层的空白。

灵御智能这种成为“基础设施”的决心也贯穿在CEO金戈设定的2026年度目标中:全年出货量突破800台机器人;完成商业闭环验证，在1-2个真实工作场景中，证明机器人能够为客户带来正向ROI;构建数据资产，一年内为行业提供至少百万小时、经过标准化处理、可直接用于模型训练的高质量真机数据集。

这三个目标其实是环环相扣的:只有机器人部署规模上去，才能产生足够丰富的场景数据;只有跑通商业闭环，才能证明基础设施的商业价值;只有数据飞轮转起来，才能发挥基础设施的网络效应——而这背后，或许也藏着整个具身智能行业未来几年的真实发展方向。

未来，真正成熟的机器人，不会只存在于实验室和演示视频里，它们会走进餐厅、仓库、医院、工厂、商场，持续与真实世界发生交互;它们也会像今天的联网汽车一样，在工作过程中不断学习、不断进化;而每一次抓取、移动、任务失败与修正，都会成为下一轮模型迭代的养分。

届时，机器人产业真正重要的，可能不再是“制造机器人”，而是如何建立一张持续连接物理世界的数据网络。谁能率先建立数据基础设施，谁就更有机会找到这张数据网络的入口。

声明：本文来自于微信公众号 光锥智能，作者：刘俊宏

3月刚开始，北京亦庄的晚间街头悄悄多了不少“跑者”。

虽然今年的机器人马拉松比赛只是第二届，但前来刷经验、刷数据的机器人厂商已经多达几十个品牌了。在最近的一个月里，社交媒体上每天都能看到类似机器人跑步摔跤、打招呼的“乐子”。

但在比赛的热闹之外，也有一些机器人厂商正在考虑一些更实在的东西。

4月17日，智元合作伙伴大会在上海召开。在会上，智元讨论了具身智能产业XYZ曲线、推出四款本体产品、六款AI模型、七大部署态解决方案以及AIMA全栈生态技术体系等内容，所有的议题直指——机器人到底该怎样进入应用阶段。

“2026年是部署态元年，具身智能正式从‘开发态’到‘部署态’，从‘能动’走向‘会干’。当机器人能自主干活、独立创造价值，它就成为物理AI世界真正的生产力。”智元创始人、董事长兼CEO邓泰华总结说。

当下的机器人行业，正在迎来一个全新阶段。

2026

机器人行业的“部署态”转折点

进入2026年，机器人行业的新趋势已经显现。无论是春节前智元“机器人奇妙夜”演示的各类演出，还是春晚出现在各种节目的机器人，都确认了机器人的应用场景数量显著增加。代表着机器人不再只是像之前“跳个舞”，而是拥有在不同场景真实工作的潜力。

但理想和现实，总归还是会有差距。尤其是最近几年，机器人行业每一年都喊“机器人元年到了”，机器人到底在什么时候能大规模应用?

邓泰华认为，就在今年。

此次大会上，智元提出了机器人产业发展的XYZ曲线“三段论”。

具体来说，在2022年-2025年，行业处于开发尝鲜期。产品主要用于科研、文娱商演场景，机器人“看”的意义要大于“用”的价值。

在2026-2030年，由于上一阶段市场已经饱和，所以行业开始要求机器人不仅能动起来，还要像人一样能干活。这时候机器人开始向生产力工具跃变，机器人厂商需要考虑量产、交互智能、工作效益等规模化指标。在这段时间里，机器人的工作能力将持续提升至接近人类水平。

在更长期（2030年之后），机器人就到了部署普及期。机器人在制造、物流、服务等重点领域的生产力全面超越人类，学习效率和进化速度极度领先，群体智能开始涌现，释放万亿级市场潜力。

通过邓泰华的报告，不难看出部署态是未来机器人行业发展最重要的方向。同时，智元还给了部署态明确的定义——人形机器人必须是能在真实产业场景中稳定、连续、规模化、商业化落地干活的成熟状态。

在这层要求下，机器人公司的量产能力只是基础中的基础。衡量一家机器人公司的实力，还得看标准化解决方案能力、机器人7*24小时无人干预稳定作业能力、解决方案具有快速复制和规模化交付能力。

“更低的人工依赖、更高的稳定性、更强的泛化性、更可量化的收益，这些都是能把机器人的能力翻译成业务结果的。谁能最先达成这些结果，谁就能真正赢得部署态时代。”智元联合创始人、总裁兼CTO彭志辉总结说。

为了让机器人早日进入部署态，本次智元一口气发布了四款硬件新品，覆盖了人形机器人、轮式机器人、灵巧手、四足机器人四个品类:

其中，全尺寸人形机器人远征A3，特性是行业最高推重比，配合双电池包热插拔能实现连续工作8-10小时，主打一个“力工人设”。灵犀X3是一款半尺寸人形机器人，主打的是在服务场景为用户提供智能、拟人化、有趣味、安全易用的使用体验。用于工业场景，精灵G2Air是一款轮足机器人，特性是拥有更大负载力控，更适合工业搬运和拆码垛场景。最后是机器狗酷拓D2，功能就相对比较均衡，能实现在物流搬运、工业巡检、安防应急、消防救援、特种作业等行业已经用起来的场景进行规模化落地。

干活光有“肉体”还不够，解决复杂问题还得看“脑子”聪不聪明。

本次大会上，智元一并发布了运动智能、交互智能、作业智能三大板块共计六个AI模型。几乎相当于重新做了机器人的一整套“大小脑”系统。

运动智能这边，年内将上线两个基座模型。其一是支持感控融合的全身运控模型，目标是优化自适应运动控制，让机器人能够在各种场景下“站得稳”。其二是生成式运控模型，机器人现在可以根据用户语音或视觉指令就能生成对应动作。简单来说，就是以前教机器人一个动作还得写代码，现在只需要像人类“学舞蹈”一样了。

交互智能这边，指的是业内首个端到端具身多模态交互大模型WITA Omni1.0。该模型是智元在已经商用的WITA大模型基础上进行的迭代。该模型能保留对话情感、语境、音调、环境等信息，实现自然拟人的情感交互表达，支持中途插话、打断、纠正。换句话说，就是机器人现在的“交流欲望”更强了，这点是跟市面上所有ChatBot不同的地方。

作业智能则是决定机器人能不能干活的关键。在之前的一段时间里，智元先后发布了融合大小脑的GO-2模型、动作世界模型GE-2，并开源了AGIBOT WORLD2026数据集和Genie Sim3.0仿真平台。

在今年3季度，智元即将推出GO-3模型，这是一个融合ViLLA架构和世界模型架构。简单来说，就是让机器人既能“端到端”又能“深思熟虑”。根据智元的预期，GO-3模型将在成功率、泛化性及长程任务处理上实现大幅度突破，从而拉高整个行业在作业智能方面的模型上限。

“智元的产品策略是全栈，我们对全栈的具象化解读是‘一体三智’。一个稳定可靠、高上限低成本的本体，这是具身智能的物理载体。三个智能分别是:运动智能——这是基础智能，是物理载体的执行器;另外两个智能分别是交互智能和作业智能——这是两个高阶智能，分别对应到两方面生产力价值:交互智能作为情绪价值入口，提供服务生产力;作业智能作为劳动价值引擎，提供劳动生产力。”

智元的整体产品布局，正如邓泰华的总结。在大会现场的展示区，光锥智能看到智元为每一款机器人都安排了应用“舞台”。在场的所有机器人都在安静地执行物流分拣、流水线上下料、货架零售等任务，整个运行过程非常稳定且流畅。

从这些演示中看到，智元已经为机器人进入部署态做好了全面准备。“我们的逻辑从最早的两年卖机器人，要变成交付结果”，彭志辉说。

七大生产力场景

机器人稳扎稳打上岗

从2025年起，就有不少落地的探索，机器人进入工厂打工、入驻景区导览。

虽然这些应用实际上基本还是以演示和试点为主，但好消息是机器人厂商和行业客户对机器人的理解变得务实了不少。例如2025年初，不少行业用户还需要机器人厂商做一个打工场景的Demo。在2026年，用户开口问的就是工作细节——连续工作时长、规模应用成本、ROI周期等问题。

用户对机器人理解的变化，彭志辉总结说，“具身智能真正的分水岭，不只是AI模型进入到物理世界这么简单，而是我们的产品开始要进入真实的工作流”。这意味着，智元已经率先进入“部署态”了。

而为了证明这一点，智元直接给出一份行业应用的“参考答案”。

在本次大会上，智元给出了机器人七大生产力解决方案，覆盖了三大应用方向，让机器人真正走出实验室，进入产线做“正式员工”。其中，工业制造领域包含3C精密零件上下料、工业搬运拆码垛、物流分拣;商业服务涵盖门店导览导购、连锁餐饮导引、零售服务站;特种作业涵盖安防巡检、工商业清洁。

选择这些场景的原因，是智元看到了机器人能解决制造业和服务业共同的痛点。

上述场景的共性在于:重复性高、环境可控、人工成本持续上升、精度与稳定性要求严格。而机器人的解决方案又高度强调标准化，在硬件本体+AI大模型+作业数据+运维体系的协同下，用户无需从零定制开发，只需按标准流程部署即可。由于工作任务相对比较固定，机器人工作可以在不同工厂、不同区域快速推广。有了规模之后，ROI自然也可以通过实际效率提升、人工成本对比、能耗降低等指标计算出精确的回报周期，让用户敢于大规模采购。

换句话说，机器人不再是过去“能动不能干”的阶段，而是用标准化方案让机器人成为真正的生产力工具。

那么，机器人到底在工厂干的怎么样?4月14日，智元在龙旗科技南昌平板制造工厂直播“盯着”机器人干了8个小时。

直播中，智元精灵G2机器人做的是20秒节拍的3C生产线。工作流程包含流水线取料、高精度放置、治具对接、成品回流的闭环操作，对标真人员工的一个岗位。在8个小时里，机器人整体作业成功率达到99.5%以上，每小时可完成310件产品，一台机器人能顶两班人工。完成这样的适配，从项目启动到正式并线，仅用了4个月。龙旗机器人业务部总经理李龙还在直播中表示，机器人其实可以24小时不停干活，“只是直播8小时”。

而在服务业里，海底捞给出了一份经营增长报告。

去年年底，海底捞通过智元牵头发起建立的机器人租赁平台“擎天租”，成为了001号订单用户。尝试使用机器人的理由，海底捞信息科技部副部长杨炫之曾分享说，机器人能与客户友好互动、一起跳舞，为顾客带来更多体验。在几个月的合作之后，通过在超过30家门店的落地，海底捞确认到机器人能带来15%的客流量提升，能对标1个人类员工的工作收益。

按照海底捞的预期，机器人应用还将进一步为用户提供“情绪价值”以外的任务。在大会现场，海底捞将机器人应用进程分成了“3期计划”。在第一阶段，机器人负责给用户唱歌、跳舞、带路;在第二阶段，机器人能帮用户取号、叫号;在第三阶段，机器人能识别已经排到号的用户，并敦促抓紧进店吃饭。从“礼宾”到促进交易，机器人即将实现帮海底捞“赚钱”了。

当技术和应用验证准备就绪，规模就成了机器人行业下一步发展最重要的方向。在本次大会上，邓泰华提出了两个商业策略——“Robot as a Service（RaaS，机器人即服务）”和蜂巢计划。

RaaS的核心逻辑非常容易理解:以服务的形式让用户先用上机器人，而不是要用户买回去再研究，从而系统性降低机器人使用门槛。蜂巢计划的目标，是打造全球首个物理AI数据网络，预计2026年内实现千万小时级数据产能。换句话说，就是将规模化的数据转化成具身智能“聪明程度”的燃料。

如果用汽车自动驾驶行业类比，智元就像是拥有大量真实用户且能完成数据闭环的玩家。更多机器人上线带来更多数据，更多数据优化模型，模型优化反哺更多机器人落地，最终形成正向循环。“飞轮一旦转起来，它就将产生指数级的网络效应”，彭志辉说。

万事俱备，智元只待机器人大规模落地的“东风”。

机器人时代

智元需要与生态共舞

机器人距离大规模应用，大概不会等太久。

今年4月，整个机器人行业已经被按下了“加速键”。根据IT桔子数据显示，4月10日-16日一周，全国共发生142起融资事件，已披露总金额达171.6亿人民币。其中，机器人行业披露的总额最多，达到了达100.3亿人民币。细分赛道看到，这些融资并不只集中在机器人本体企业，而是分布在大小脑算法、训练数据、灵巧手、垂直应用场景、周边服务等一整个产业链上。

“资本市场已经不太会为Demo买单了，只有真实的商业落地才能支撑持续研发。”

正如彭志辉所说。资本对机器人产业链的全面催化，显示出行业已经形成了“概念验证”走向“规模商用”的共识。

而对于一个预计体量超万亿的产业来说，产业链共荣也是行业能够成长的关键。

从PC时代的Wintel联盟，再到智能手机时代的安卓与iOS生态，回顾过去50年来全球科技的浪潮，似乎都在讲着同样的故事——人类历史上任何一个科技代际的变迁，从来不取决于某几家领先公司的产品，而是要靠生态来共同推进。

在具身智能时代，智元也认识到仅靠自身力量不足以撬动整个行业跃迁，于是选择了主动开放生态，将整个机器人行业的入局门槛“砍了一大刀”。“未来的具身智能肯定不是靠我们智元一家独立完成，今天的行业竞争核心也不再是只是单点产品，而是能否构建完整开放、可复制，可放大的生态技术体系。”彭志辉说。

针对生态建设，智元在本次大会上提出了AIMA（AI Machine Architecture）全栈生态技术体系，并提出了“1+3+X”架构。

其中包含，原生适配具身智能的开源操作系统（灵渠OS）;为具身智能提供动作内容创造，支持0样本或少样本动作学习的平台(灵创平台);为机器人定义性格的智能体平台(灵心平台);以及降低机器人技术门槛的一站式开发平台(Genie Studio)。除此之外，智元还宣布启动元苼生态计划，承诺未来五年投入不低于20亿元，用于培育开发者社区和商业落地。

不过，合作伙伴愿意加入生态的所有前提，还得是智元本身的实力过硬。

数据是最好的佐证。营收层面看，智元增长曲线已经“起飞”，2023年为30万元，2024年为6000多万元，2025年智元已经突破十亿元。销量和市场影响力层面，根据Omdia《通用具身机器人市场雷达》报告显示，智元在2025年以超5100台的出货量，对应39%市场份额，拿下全球出货量与份额双第一。

这份量产成绩的意义，邓泰华介绍说:“量产数字的背后是端到端的组织能力。包括产品工程化的设计、采购供应链体系的建设、高质量一致性生产体系的建设，以及从市场计划到生产备货，再到采购备货和生产物流的衔接。这种端到端的能力，有一个流程断点就很难实现整体量产。”

面向下一阶段，或许智元的成长还能进一步加速。目前，智元已经在塞尔维亚、意大利、德国、新加坡、马来西亚组建了团队，试图构建横跨欧、亚、美的研发—生产—销售—服务全链条的本土化体系。毕竟，完成了标准化、平台化的机器人，诞生之初的目的就是适应每一个市场。这样，机器人才能更快、更大规模进入真实场景应用。

在2026年，具身智能不再只是一个技术方向，而更接近一种新的生产力基础设施。

声明：本文来自于微信公众号 窄播，作者：李威

这是《窄播Weekly》的第87期，本周我们关注的商业动态是：进入2026年，更多具身智能公司开始致力于展现人形机器人真实的「进厂」打工能力。

本周，智元在龙旗科技南昌工厂进行了一场8小时的直播，在真实的工作场景中展示了与产线和工人的协同工作能力。也是在本周举办的2026智元合作伙伴大会上，智元联合创始人彭志辉认为，具身智能行业正在从卖机器人转向交付结果。

智能大模型、可靠本体、数据飞轮同时成熟，促成了拐点的出现。

在此之前，我们也看到，宁德时代中州基地的产线上，千寻智能的「小墨」机器人参与了电池包的功能测试;在德国莱比锡工厂里，宝马测试了AEON机器人在组件装配及高压电池包生产环节的应用能力。宇树科技创始人王兴兴也曾提到，宇树的机器人在工业里面做了试点落地应用。

工业场景，而不是家庭场景和门店导购等商业服务场景，率先成为机器人从实验室走向实际工作的突破口——这是一个非常现实的选择。

首先，市场对具身智能企业的估值逻辑，正在从技术价值转向应用价值。目前，具身智能的融资规模还在快速增长，上市进程也在加速，百亿估值的具身智能企业已经超过14家。规模庞大的资金涌入，需要一个与之匹配的生产力叙事，至少要能验证具身智能在行业中规模化落地的可行性。

其次，对具身智能企业来说，落地规模不仅意味着资本故事的延续，更意味着产品成本下降和数据飞轮转速提升，甚至是产业天花板的真正打开。智元董事长兼CEO邓泰华认为，具身智能产业的价值，会随着机器人干活能力的提升，落地场景的不断丰富，带动部署规模的持续增加。

最后，工业场景比家庭场景和商业场景更可控。这种可控，既是机器人的工作需求和衡量标准的可控——目前具身智能公司展示的都是某些特定工序的操作，也是落地规模的可控——具身智能公司往往会选择与有意愿的链主企业合作，一旦跑通，就能快速规模化落地。

「进厂」做什么

在智元的直播画面中，精灵G2正于龙旗科技的3C生产线上执行质检任务：抓取平板部件、放入检测仪器、再将成品或NG品分类归位。单次操作耗时18-20秒，恰好跟上了流水线20秒的生产节拍。

智元具身业务部总裁姚卯青表示，直播当天有4台机器人在产线上工作，下周将增至10台正式并线，预计到第三季度可落地百台。「在龙旗这个特定场景下，目前只先给了一条线。并线之后没法再做实验，必须把第一条跑通，才能规模化复制。」

龙旗科技是国内头部的消费电子产品ODM厂商，业务覆盖了从智能手机、平板电脑到AI PC、汽车电子、智能眼镜等智能终端领域。

因此，平板产线之外，智元已经着手在研发对手机工位的适配能力。姚卯青透露，「大部分开发成果都可以直接复用，只是在特定环节需要针对新岗位做一些微调和训练。大概95%的工作能直接拿过来，只有个别的精细操作需要少量调整。」

在宁德时代的中州基地，千寻智能的「小墨」已经能够执行电池包下线前的最终功能测试操作——将数百伏高压的测试插头精准插入电池包指定位置。与此同时，宇树机器人在工厂内承担零件装配任务，有单一的零件装配，也有复杂长序列的装配任务。

从智元、千寻、宇树的「进厂」实践中可以看到，具身智能企业的初期目标，并不是已经在产线上被传统机械臂完美解决的工作，而是那些尚在由人操作的高强度、重复性、高灵活度的工作，比如质检、搬运、分拣、精密零件的装配。一旦机器人的ROI符合工厂要求，很快就能够规模化落地。

这意味着，具身智能企业开始向工厂兜售「柔性」和「复用」的故事。姚卯青表示，3C制造厂商引入机器人，不是为了解决单一环节的工作问题，或者像部署自动化生产线一样做一次性投资，而是希望机器人在工厂产能、工艺、布局改变之后，依然能适应新任务：从生产平板切换到生产手机，或其他新品。

如何进入「部署态」

在2026智元合作伙伴大会上，邓泰华提出，具身智能正式从「开发态」转向「部署态」，即机器人能自主干活、独立创造价值。

他把具身智能的发展画成了三条曲线：X曲线对应2022年至2025年，完成从原型到规模量产的跨越;Y曲线对应2026年至2030年，机器人进入部署成长期，生产力逼近人类水平;Z曲线对应2030年及以后，机器人在制造、物流、服务等领域开始超越人类。

这个乐观判断背后，智元认为自己已经蹚出了一条从技术到应用的路：包括如何做好算法开发，如何实现高效迭代和低门槛部署，如何与合作伙伴联合做系统的打通、适配和工艺的优化。目前，智元已经发布了GO-2模型、动作世界模型GE-2、开源数据集AGIBOT WORLD2026、仿真平台Genie Sim3.0及开发平台Genie Studio2.0。

龙旗科技的机器人作业场景就是依靠Genie Studio进行搭建的，其内部包含一整套面向数据采集—模型训练—编译部署的模型框架，以及能进行工作流配置编排的Genie Studio Agent能力。

Genie Sim的仿真平台负责支持完成项目前期的设计、验证工作——和英伟达Omniverse思路一致：搭建数字孪生场景，先做仿真训练和工作流编排。再往下，是数据和模型这一核心层。智元的Go-1和GE-2还在做核心算法，到了Go-2，已经变成了基座模型。

把数据、模型、仿真、开发工具串联在一起，共同支撑了具身智能在真正应用场景中的落地。

姚卯青认为，在真实的场景应用中，软硬件很重要，研发体系更关键。硬件要符合工业级的使用需求，能够支撑其7×24小时的连续作业。软件则需要在优化模型的同时，将运动控制、定位、移动等多个技能组合在一起，才能从最初100秒优化到18秒-20秒的水平。

研发体系的重要性，是保证规范性。「要有一套非常规范的软件版本的研发和释放流程，然后在每个版本内有功能的明确定义。然后是上线验收，会涉及到仿真开发和验证，以及真机的软硬件集成测试。这些都要往工业级要求，有点像用自动驾驶产品研发流程在进行规范和管理。」姚卯青表示。

智元也在依托自己的技术和研发体系，寻找更多的开发和集成伙伴，借力进入更多行业。目前，已经有一些伙伴使用智元的平台工具链进行二次开发，在新的客户现场跑通项目。姚卯青期待，这能够形成规模效应，到今年年底吸引到更多有能力的二次开发伙伴加入，一起推广具身智能的现实场景应用。

但验证具体场景里的真实有用，只是走向「部署态」的开端。2026年，更值得期待的商业故事是：具身智能公司如何将产品推向更多场景。不仅是智元、千寻、宇树这样的具身智能企业对机器人进工厂信心满满，小米也在财报会上表示，未来五年将有大量具身机器人在小米工厂投入使用。

「进厂」正在成为检验具身智能故事的试金石。瑞银证券中国工业行业分析师王斐丽指出，即便今年很多厂商冲刺万台交付，人形机器人也未必真正进入商业化拐点。机器人能否真正进入工厂或商业场景「干活」，以及客户是否会持续复购，正在成为衡量具身智能公司发展潜力的金标准。