2026. 08.26
本文字数：3869，阅读时长大约 6 分钟
作者 |第一财经吕倩
8 月的世界机器人大会展馆里，人形机器人跳舞、叠衣服，每一个展台都在尝试宣告通用机器人时代的到来。
同一周，宇树科技在科创板挂牌上市，成为人形机器人第一股，但上市后股价连续下跌、接近腰斩的表现，又像一盆冷水浇在行业头上。
热潮与现实之间，一个事实正浮出水面：机器人真正能做的事，与对外展示的能力之间，仍然横亘着一条巨大的鸿沟。而这条鸿沟的根源，在于负责理解世界、规划任务、预判动作的核心——具身智能“大脑”，仍处于极早期的发展阶段。
大脑发出指令，身体接不住
逛完机器人大会后，锦秋基金合伙人臧天宇认为，这个夏天，很可能是海外对中国机器人产业评价的转折点——中国企业开始占据大会中心，而海外各方参与者开始正视中国具身智能产业的全球地位。
不过这并不意味着中国厂商已在每项技术上领先。只是过去外界常把中国机器人理解为供应链强、成本低、原创不足。今年从本体、具身模型、灵巧手、轮式双臂到消费级外骨骼，多环节出现超过海外的产品或不同的技术路线。
诸多路线中，几乎每一家头部具身公司都在谈世界模型，但该概念背后，是尚未收敛的技术路线：有人从视频生成出发，有人把动作与动力学一起建模，有人强调仿真与真机迁移，也有人用世界动作模型直接连接规划与控制。
一台通用机器人可拆解成三层：最上层是大脑（VLA、世界模型、规划系统），负责指导干什么、怎么干、识别目标、预判后果；中间层是全身协同（运动、平衡、导航），负责去哪里；最底层是手部操作（灵巧手+力控），负责实际对物体施加动作。
过去一年，高层智能架构的算法方案已有明确路径：VLA（视觉、语言、动作）模型已经可以看懂指令、识别场景、输出抓取策略；世界模型也能够推演简单操作的后果。用业内人士的话说，现在不是机器人不知道该不该抓杯子，而是明知道要抓，但手抓不住、打滑、用力过猛捏扁盒子、不会打开带锁的柜门。
即大脑已经可以发出正确指令，但硬件底层执行层接不住大脑的指令。这就是工程落地视角下，手部操作成为“能不能真正干活”瓶颈的直接原因。
星动纪元创始人、CEO 陈建宇认为，通用机器人需要具备两个特征：一是上限更高，有更高的自由度与智能，做到以前机器人做不到的事；二是更通用，泛化性更强，做新事情不需要像专用机器人那样重新开发软硬件，绝大部分东西可以直接复用和泛化。
但要实现这两个特征，大脑和本体必须协同进化。短期看，手和身体先成为落地卡点，灵巧手的力控精度、双足的稳定性、全身协同的流畅度，都还达不到工业级要求。中长期看，当移动、抓取硬件能力达标后，大脑就会变成下一个核心瓶颈。
这一判断也得到了产业链上游的印证。一位减速器厂商向第一财经记者透露，目前人形机器人真正大规模量产的应用场景几乎没有，主要客户还是科研、表演和教育，工业场景的应用“噱头大于实际”，因为工业级精度要求毫米级，而人形机器人的操作精度还远达不到。
从展台到工厂的三重门槛
常被外界质疑表演大过实操的宇树科技，其实过去几年一直在推动机器人走进生活与工厂。
宇树科技创始人、董事长王兴兴透露，2024 年宇树跟汽车工厂合作做落地应用，但一直没有大规模推广，最主要原因是目前的效率和泛用性能力不够高。虽然机器人能做一些简单装配，但效率比人力低。
泛化能力不足是全行业的共同痛点。例如，目前很多模型在固定场景做足够的采集、训练，成功率可以做到接近 100%；但如果操作物品或环境稍微换一下，成功率会明显下降。
在王兴兴看来，本质是模型输入输出与机器人本体对齐程度不够：任务执行趋势没有问题，但往往卡在最后几厘米或几毫米的微小偏差，造成任务失败。对于机器人来说，每一次感知输入、动作输出都会叠加现实世界的偏差和损失。
浙江人形机器人创新中心首席科学家熊蓉从更系统的角度拆解了落地难题。她认为，机器人真正进场需要解决四个问题：一是长期可靠运行，工厂里有很多突发情况和异常工况，模型失败会导致整个作业失败；二是泛化能力不足，一事一训，物体、场景、光照变化就要重新采数据训练；三是操作精度目前基本在厘米级到毫米级，而工业往往要求亚毫米级，视觉已经不可见，需要力触来解决；四是执行效率偏低，感知、推理、决策到控制形成回路，比传统闭着眼睛重复干活多了很多环节。
“归根到底，因为物理世界具有不可约性。”熊蓉表示，专家模型无法用一套总结出来的规则去描述物理世界的复杂性，现在的数据和模型能力也没办法涵盖物理世界的丰富性和复杂性。
不少机器人企业将产品推向工业场景。五一视界董事长兼 CEO 李熠认为，这些机器人是否真有生产力，能否创造真正价值，这些关键信息会在产业界快速传播。
“人传人的速度最快。它口碑好，真有用，就能快速铺开。”李熠表示：“如果口碑不好，下半年就会是试金石，明年就要基本上被洗牌了。”
从 VLA 到世界模型的范式迁移
行业对具身大脑的研发投入持续多年。
一年前，VLA 是行业主流路线。一位投资人对记者表示，并非因为它绝对正确，而是该路线在可控场景下能够跑通，成为最现实的选择。经过一年发展，VLA 在泛化性、动态环境和长程任务上的短板逐渐显现，从业者开始将世界模型的预测与建模能力融入原有架构，甚至直接向世界模型范式迁移。世界模型也因此成为 2026 年最具热度的创业方向。
陈建宇将具身大模型的迭代方式归纳为三个范式：语言模型+机器人控制；2023 年以 GPT-4 为代表的多模态语言模型出现后，对应的 VLA 模型；2024 年 Sora 第一代模型出现后，具身智能基于类似方法做出世界动作模型，除了能预测未来产生的动作，还能预测未来并对决策进行闭环。
大晓机器人董事长王晓刚表示，VLA 本质是模仿学习，擅长在静态环境中完成特定绑定任务，但泛化能力有限；而世界模型能够持续生成并预测未来世界状态，根据动作策略预判数秒后的演变，从而在动态变化中实现主动适应与自我调整。
与此同时，VLA 也在进一步迭代。美国明星具身大模型创业公司 Physical Intelligence 的π0.7、Generalist 的 GEN-1 等模型开始出现和世界模型融合的迹象。但也暂局限于实验室环境，尚未大规模真实落地。
多位行业人士表示，经典 VLA 架构的优劣势已较为明显，世界模型长处是对环境的预测和建模。英伟达世界模型底座 Cosmos 3 显示出，统一架构的世界模型可能对 VLA 能力带来潜在提升；同时领先的 VLA 模型也正在用不同方法连接、缝合世界模型的能力。
但无论是 VLA 还是世界模型，所有算法路线的背后都绕不开同一个瓶颈——数据。
摩尔线程创始人张建中对比称：今天的具身智能模型非常小巧，VLA 模型大部分在 70 亿参数规模上下，离早期语言模型千亿级差距较大。很多人训练今天的 VLA，几十个 GPU 甚至几张卡就足够。他判断，具身智能的 GPT 时刻一定是在千卡、万卡级别以上集群上训练出来的，而具身智能比语言模型至少落后 5 年。
模型迭代与数据短缺之间的鸿沟该如何跨越？墨奇智能联合创始人兼 CTO 黄青虬对记者表示，在数据短缺的情况下，行业可以做一些先导实验并得到部分结论，对下一阶段数据量上来之后的发展具备指导意义。
随着整体数据量的增长，部分结论会被推翻，包括算法架构也在更新迭代中。黄青虬表示，这属于行业发展早期的正常现象。且过程中会沉淀下来两样东西：一是 Infra（基础设施），即模型训练与数据采集的工程能力；二是人才团队。最终，具体的实验结论会大浪淘沙，但基建能力与人才积累会伴随行业长期成长。
泡沫之下，理性生长
回到最初的问题：这股具身热潮里有多少泡沫？
黄青虬表示，客观来看，当前行业确实存在一定泡沫——落地创造的实际价值远未匹配各家公司的估值水平。但这在长周期、大赛道的产业早期实属正常，适度的泡沫反而具有正向催化作用，能够加速技术迭代与行业进化。
李熠认为，以十年为具身智能观察期，短期内即便存在泡沫，长期看来都不是问题。现在具身智能的关键在于跑通两个卡点，一是高质量数据短缺，二是终端机器人产生实际价值。
“比如以前下煤矿需要十个工人累死累活的，机器人如果能很好的解决类似问题，这些机器人的广泛应用就会消除行业的泡沫。”李熠表示。
开放原子开源基金会理事长谢少锋认为，当前行业面临三大挑战：技术路线发散、标准缺失、产业可持续发展困境。例如，技术体系的分散造成创新资源重复消耗，企业反复开展基础适配、系统集成和工程验证，同类的问题多次解决也在加剧数据孤岛的形成，不同本体的传感配置、动作空间、任务定义和数据结构不统一，高成本的数据往往局限于单一的设备和任务。
Arm 物理 AI 机器人技术研究全球负责人 Federico Pecora（费代里科・佩科拉）提出了一个常被忽视的视角：难点不在各单项技能，而在各项技能的自主组合。
“想象一下，五年后我们和人形机器人去超市购物，让它推购物车、去取十公斤大米、在牛奶区碰面。我们不能假设这个机器人之前来过这个超市，也不能假设它专门训练过推车。”他认为，未来需要的是一个能够动态组装、调度、部署和管控机器人各项能力的智能层，而这目前还处于早期研究阶段。
热潮终将退去，留下的是真正在解决问题的公司。王兴兴给出了他对“ChatGPT 时刻”的定义：快的话 2 至 3 年，慢的话 5 年或者 10 年，如果大家能看到把一台机器人带到任意陌生环境、带到家庭，基本可以实现 80% 左右的任务，差不多实现具身智能 ChatGPT 时刻，即未来真正产业临界爆发点。
在那之前，机器人的大脑还需要更多数据、更优架构、更强物理世界理解。展台的灯光很亮，但真正的考验在工厂的流水线上、在家庭的厨房里、在那些没有聚光灯却需要机器人日复一日稳定干活的地方。
微信编辑| 雨林
bianjibu@yicai.com
business@yicai.com
