出品 | 《態度》

作者 | 紀川 袁雪麗

編輯 | 定西

聚焦當下最熱的具身智能話題，千尋智能創始人兼CEO韓峰濤、靈心巧手創始人兼CEO周永、星源智創始人兼CEO劉東、破殼機器人創始人許華哲，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升溫的背景下，幾家代表性企業負責人對行業現狀的一次集中回應：千尋智能三個月融資近50億元，星源智創成立未滿一年融資10億元，靈心巧手半年內完成B輪、B+輪融資，破殼機器人一月內完成數千萬美元天使輪融資，螞蟻靈波則背靠螞蟻集團，具備長期投入的資金與生態優勢。

當行業還在討論人形機器人是否已經成熟、VLA模型與世界模型誰會成為主流、真機數據是否足以支撐通用智能時，另一些更底層的問題也被提出：具身智能的商業化到底有沒有跑通？當前的融資熱潮是泡沫，還是大規模預訓練前的資源儲備？機器人本體硬件是否已經具備規模化落地基礎？在自動駕駛之后，數據飛輪能否在物理世界重新成立？具身模型應該優先打磨基座能力，還是盡快進入真實場景接受檢驗？

以下為圓桌內容的實錄，經過編輯和整理：

行業融資熱潮與商業化現狀

王仲遠：2026年上半年，具身智能賽道融資熱度持續高漲：千尋智能三月融資近50億元；星源智創成立未滿一年融資10億元；靈心巧手半年內完成B輪、B+輪融資；破殼機器人一月內完成數千萬美元天使輪融資；螞蟻靈波背靠螞蟻集團具備雄厚資金實力。想請教各位，如何看待行業融資熱潮？當前行業是已跑通商業化，還是處于儲備資金、備戰長期競爭的階段？

韓峰濤：當前行業企業密集融資，核心目的是儲備研發彈藥。目前行業尚未跑通成熟的商業化模式，規模化落地仍需延后，但行業整體發展路徑已明確，即將進入大規模模型預訓練階段。大模型研發資金投入極高，2026年是行業搶占賽道席位、囤積核心資源的關鍵窗口期。若今年無法拿到頭部層級的資金與估值，企業將錯失基礎大模型的研發入場資格，無法參與第一波具身智能創業浪潮。

朱興：具身智能與自動駕駛賽道相似，具備長周期發展屬性，當前行業仍處于技術驅動的早期階段。經過兩年發展，行業硬件、供應鏈、模型技術均實現顯著突破，2026年將迎來特定場景的小規模商業試點，2027年場景化落地節奏將進一步提速。

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

周永：當前的融資熱潮并非行業發展頂峰，僅僅是產業發展的序章。目前行業頭部企業的估值，僅基于年出貨1萬臺的市場體量；若未來行業設備年出貨量突破10萬臺，整個行業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模，國內具身智能企業當前單輪融資體量偏小，行業未來成長空間極大。

劉東：行業資金使用整體呈現7:3的比例，70%用于模型研發與技術儲備，30%投入商業化落地驗證。具身智能的應用場景不止局限于人形機器人，工業自動化設備、機械臂等硬件設備，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化落地探索工作。

本體硬件成熟度探討

王仲遠：當前機器人的運動控制、整機操控能力較前兩年大幅成熟，現場調研：各位是否認為具身智能本體產業鏈已進入成熟階段？結果：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分為滿分標準，當前各硬件板塊成熟度差異極大：工業機械臂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能力可在短期內從3分提升至30-50分。從現階段落地應用的角度來看，當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，行業硬件、底層運動控制（小腦）實現關鍵突破，支撐了上層AI的落地嘗試。但行業下一核心主線是AI重新定義硬件，隨著大腦級AI能力持續迭代，未來將會對硬件架構、性能提出全新要求，當前硬件體系無法適配未來AI的發展需求，因此我保持中立態度。

周永（反對）：機器人本體硬件尚未成熟，其發展可分為三個迭代階段：第一階段（60分）實現機器人自產機器人，擺脫人工組裝模式，解決產品一致性差、生產成本高的問題；第二階段（80分）實現機器人自主設計、自主生產，全程無需人工干預；第三階段（95分）實現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、快速調試復工。目前行業仍處于第一階段前期，硬件規模化、智能化體系尚未成型。

數據是不是行業競爭的核心

王仲遠：行業競爭重心已從硬件比拼轉向數據積累，自動駕駛領域的十萬、百萬、千萬小時數據迭代邏輯，已成為當前具身智能行業的核心發展思路。現場調研：是否認為數據是當下具身智能領域的重中之重？結果：全員同意。

韓峰濤：模型、算力、數據是AI三大核心要素，當前算力供給充足、模型架構持續迭代優化，高質量規模化數據是行業核心卡點。千尋智能是國內采用分布式模式采集高質量具身數據規模最大的企業，在全國布局三十余萬個數據采集點，組建千人專職數據采集團隊，自成立之初便將數據列為第一核心戰略。

朱興：行業普遍存在真機遙控數據重復度高、有效優質數據稀缺的問題。與場景單一、數據邊際效益遞減的自動駕駛行業不同，具身智能領域的VLA模型、世界模型、物理原生基礎模型的能力上限，完全由高質量數據體量決定。去年我們投入大量資源，從海量真機原始數據中篩選優質數據用于模型預訓練，核心目的就是破解行業數據瓶頸。

許華哲：傳統真機遙操作采集模式存在量產能力不足、設備成本高昂、場景布設困難三大痛點，無法適配家庭等復雜場景的數據采集工作。當前行業更適配穿戴式輕量化采集方案，工作人員通過佩戴數據手套、架設頭戴式攝像頭即可采集多模態數據，可依托大眾居家場景實現規模化采集，高效補齊復雜場景數據缺口，同時也將催生全新的數據采集業態。

周永：行業各企業模型性能差距的核心根源，在于數據的體量與質量差異。我們依托自研觸覺傳感手套，可同步采集視覺、觸覺多模態數據，為全行業企業提供數據采集配套支持。同時，我們計劃將高價仿生手的成本壓縮至5000元以內，為殘障人士提供數據采集就業崗位，實現技術普惠與數據規模化采集的雙向賦能。

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

模型能力、迭代路徑與評測標準

韓峰濤：數字世界AI技術已趨近成熟，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，是將數字AI的認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據。當前行業整體模型能力僅3分，未來可依靠規模化數據訓練快速提升至50分。千尋模型能夠反超英偉達、對標谷歌等海外頂尖產品，核心優勢就是高質量的數據積累。2026年將是行業模型能力分層的關鍵節點，海量數據儲備將形成堅實的技術壁壘。

朱興：行業下一核心發展目標，是打造物理原生基礎模型，而非簡單遷移復用數字AI能力。數據是模型迭代的核心根基，模態多元化是未來核心發展趨勢。結合第一視角Ego數據與高精度觸覺數據，打通視覺、力覺兩大核心數據模態，是下一階段數據規模化積累、模型能力升級的關鍵方向。

許華哲：當前行業普遍存在“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，導致模型性能優劣只能依靠企業宣傳判定。下一階段行業競爭的核心，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數比拼。

周永：行業亟需建立統一的模型落地評測標準，新場景部署時長是核心評判指標。當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一周快速部署，標準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，多數模型可精準規劃機械臂運動軌跡，但在手部抓取、物件交接環節容錯率極低，需要全行業協同補齊手物交互短板。

劉東：真機落地、端側適配是優質具身模型的兩大硬性標準。第一，必須支持端側獨立部署，擺脫云端依賴，適配無網絡、低延遲的真實作業場景；第二，需具備動作反思閉環能力，形成“預測-執行-反思”的迭代優化閉環，持續提升任務準確率。我們即將發布的Omega EVA模型，是目前全球運行速度最快、支持端側部署的全身世界模型。現階段我們的底層軟硬件方案已服務行業70%以上的頭部企業，落地規模位居行業前列。

 王仲遠調研：當下具身模型發展，應優先迭代基座模型，還是快速落地真實場景？結果：1人支持快速落地、3人中立、1人反對大規模倉促落地。

韓峰濤（反對）：現階段具身模型的智能水平僅相當于一兩歲孩童，場景部署與適配成本極高，尚不具備規模化商用條件。小規模場景試點可積累需求、反向優化技術鏈路，但堅決反對大規模倉促落地。未來兩年行業核心任務是深耕基座模型預訓練、夯實基礎能力，預計2028年左右模型能力達標后，行業才會迎來大規模落地窗口期。

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。人工優化的實驗室環境無法復刻真實場景的復雜問題，模型適配真實場景需要1-2年的磨合周期。只深耕研發容易脫離實際市場需求，參考自動駕駛行業發展經驗，快速落地、持續迭代的企業，才能率先收獲市場回報、規避技術路線偏差。

王仲遠調研：行業是否需要第三方中立評測機構與賽事平臺？結果：多數嘉賓支持、許華哲為唯一反對嘉賓。

許華哲：商業化落地結果是模型的終極評判標準。第三方評測、行業賽事存在應試優化空間，且無法復刻物理場景的所有變量，硬件、環境的細微差異都會導致評測結果失真，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參考價值，但必須滿足兩大前提：評測基準定義科學、測試流程公正公允。結構化的原子技能評測體系，能夠有效指導基座模型迭代，但最終仍需以實景落地能力為核心考核標準。行業后續將逐步弱化榜單對標，聚焦模型真實應用能力的迭代升級。

劉東：所有模型最終都要落地物理空間、完成實際作業任務，榜單分數僅作參考。評測無需限定硬件設備與模型品牌，可圍繞具體商業任務搭建測試場景，以單位時間作業量、任務成功率等客觀商業指標作為核心評判標準，能落地解決產業實際問題的方案，就是優質方案。

行業未來一年發展展望

韓峰濤：2026-2027年是具身模型規模化迭代的關鍵階段，將對標GPT-2至GPT-3的跨越式升級。未來一年，依托海量數據完成大規模預訓練的企業，其模型性能將與行業其他玩家拉開巨大差距，純學術機構將難以實現彎道超車，行業頭部技術壁壘將快速成型。

朱興：以人為中心、無本體依賴的多模態對齊數據，將成為行業核心數據形態。未來一年，行業有望研發落地物理原生基礎模型，這也是螞蟻靈波的核心研發目標，預計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兩大技術突破：一是打造零部署成本的開箱即用模型，機器人無需復雜調試和場景布設，放置于作業環境即可直接工作；二是強化智能體（Agent）能力，依托模型泛化能力，讓機器人自主串聯長周期任務，可自主修正作業過程中的小幅失誤，實現全天候不間斷連續作業，完成模型原生級的自主迭代升級。

周永：未來一至兩年內，行業將形成完整成熟的技術體系，核心包含三大模塊：全自動數據標注系統、可精準預測3D結構與物理因果約束的融合物理引擎、適配真實場景的任務獎勵機制。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，助力行業商業化落地提速。

劉東：未來一年將是具身智能真機落地元年，行業將迎來三大核心變革：第一，數據采集范式全面轉型，從傳統機器人遙操作采集，轉向以人為中心的輕量化采集模式；第二，模型范式迭代升級，行業從主流VLA模型，集體迭代為具身世界模型，這也是數據采集模式變革帶來的必然趨勢；第三，商業化落地常態化，大批機器人與端側模型進駐真實生產場景，擺脫人工遙控，可自主完成80%-90%的常規任務，真機落地成為行業常態。