「核心提示」
具身智能的尽头是大模型，大模型的尽头是数据采集。

作者 | 张经纬

编辑 | 邢昀

又一轮机器人展示绝活的时候来了。

2026年8月19日到8月23日，世界机器人大会（WRC）在北京举行。相比以往，展示机器人各类实操应用的展台更多了。在看客眼中，这些展区像是一个个未来生活的切片：

一台人形机器人叠起了一摞T恤送进洗衣机，另一台正在模拟厨房里翻炒，还有机器人在搭积木、搬箱子……它们之中很多并不依靠“遥控器”或者固定的驱动程序，而是机器人“自己指挥自己”。

同样地，无论是论坛上的专家圆桌，还是展台上的广告语，也都频繁地提到“具身大模型”和“自主驱动”。

这些现象共同显示着一个新的行业变化：具身智能的厂商们，正在从“秀肌肉”转向“拼脑子”。

1、只会造“身体”，已经不够了

“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。”一位创投行业人士对《豹变》说。

这句话，几乎概括了今年具身智能行业最明显的转向。

过去两年，机器人公司最热衷展示的是“身体能力”：能不能走稳、能不能跑跳、会不会翻跟头、灵巧手能否抓住物品。运动控制和硬件本体，是彼时最容易被看见、也最容易拿到融资的方向。

从今年的WRC上能看到一些转向信号。

展会上，智平方机器人做咖啡，深朴智能机器人在洗衣服，星尘智能机器人在做饭，银河通用和蚂蚁灵波的机器人则在食品、药品零售区忙上忙下，加速进化机器人则上演了一场与人类小孩的点球大战……

展会上机器人洗衣服的画面

这些动作未必更炫，但是在接近商业化真正要面对的场景，环境不标准，任务可能会变，机器人必须理解自己在做什么，并在出错时调整下一步动作。

厂商们的宣传用词也开始发生变化，其中最多的三个词是“具身大模型”“让机器人干活”和“自主驱动”。

这三个词有着深刻的内在联系。无论是商业、工业还是家庭场景，“让机器人干活”都意味着机器人需要在复杂的环境中知道自己在做什么，并独立地做出决策，而实现这一目标的技术手段就是具身大模型，也就是“机器人的大脑”。

以洗衣服为例，机器人洗衣服需要先把衣服送进洗衣机，关上洗衣机门并启动。在这个过程中，衣服如果有边缘露在外面，机器人就需要把衣服再往里挪一挪。

家庭并不是非常标准化的场景，机器人在执行任务过程中会频繁出现光线和空间感知上的变化，这意味着它需要随时调整自己的动作。如果使用固定的程序，机器人很容易因为各类干扰而无法很好地完成任务。

进一步说，机器人进入家庭，也不可能只做“洗衣服”这一件事情，需要会做多项家务，且能够有条不紊地推进这些家务的完成。

“知道自己的任务是什么（一致性/稳健性）”“做哪些动作能够完成任务（推理能力和精准动作）”“会做很多种家务（通用泛化能力）”都需要具身大模型作为“机器人大脑”发挥作用。因此，开发具身大模型是机器人商业化的必然。

对家庭、商业服务和复杂工业场景而言，这种能力比“能走”“能跳”更接近真正的门槛。

当然，资本市场早已嗅到这种必然性，风向也在发生变化。随着宇树的科创板敲钟，在一级市场环节，机器人本体及运动控制的融资竞争已接近尾声。

过去3年时间里，资本市场其实经历了关注机器人本体到关注机器人大脑的过程。2023年，国内具身项目以机器人本体和小脑（即运动控制）为主；2024年5月后专注本体的初创企业融资占比下降36.8%，到今年则完全倒向了具身大模型。

根据量子位的不完全统计，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“大脑”为主的公司，另有18.5%的资金投向“大脑+本体”。

对于一家机器人公司而言，只做身体的空间已经越来越窄。下游需求的必然要求和融资的市场动向，共同导致行业竞争正在从谁能造出一具更灵活的身体，转向谁能让这具身体真正学会思考。

2、具身大模型的“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》说。

这个看法背后是对“ChatGPT时刻”再次出现的期望。所谓“ChatGPT时刻”，指的是大语言模型在数据量达到某个临界点后，突然“涌现”出训练时并未明确教授的能力，比如推理、举一反三、上下文学习等。

在具身智能领域，整个行业期待类似的“涌现”：当机器人交互数据积累到足够规模时，模型可能突然具备通用性甚至近似人类的物理直觉。

因此，对各家具身大模型厂商来说，谁先积累出足量、高质量的物理数据，谁的模型就有可能具备更强的泛化能力，从而在物理AI之争上抢先一步。

而数据则是大厂的强势领域。“现在的具身模型训练通常需要对外采购数据，大厂有资金上的优势。”Alex对《豹变》透露。

目前，蚂蚁灵波、字节跳动、京东以及小米纷纷都在推进自己的基座模型。蚂蚁灵波在2026年1月底发布并开源了空间感知模型、LingBot-VLA模型和LingBot-World模型，并在7月又各自发布了2.0版本；小米在2月12日发布并开源Xiaomi-Robotics-0，在7月发布了2.0版本；京东则在4月16日发布JoyAI-RA具身大模型。

这些模型除了应用在自己开发的机器人以外，也提供给一些本体小厂。在WRC展会上，不止一家厂商对《豹变》透露，自己的机器人用的是某家大厂的基座模型。对大厂来说，除了增加变现渠道，也能够增加数据来源，稳固自己的数据优势。

然而，现有的数据量远远无法满足应用的需求，如果说具身大模型的数据训练是一场马拉松，现在恐怕还没跑到第一个补水点。“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。”展会上，某家大厂的工作人员对《豹变》说。

这也意味着，大厂的优势不是绝对的，具身大模型竞争还远远没看出谁能在下一个阶段领先。

因此，如何采集数据也就成了一个重要的问题。从方式上看，数据采集主要包括真机遥操作（人类操作机器人本体完成任务）、第一人称数据/便携UMI（人携带数据采集装备完成日常工作获得数据）和仿真数据这几种。

真机遥操太贵，模拟数据不可靠，第一人称数据成本可控且数据可靠，泛化性也有保证，是业内的主流数据采集方式。不过也有专家认为模拟数据因为不用考虑现实的时间流速，训练效率更高，未来随着拟真数据的可靠性提高，会成为主流的数据采集方式。

星海图的互动环节是操作数据采集设备

WRC展台上那些看似只是“让观众玩一玩”的互动，背后其实也是一场数据争夺。有厂商让观众戴上采集设备完成抓取、摆放等动作，或者通过遥操作让人类示范一段任务流程。对机器人公司来说，这些动作不只是展示，也是在为模型积累真实世界中的视觉、动作和环境反馈。

不过，机器人需要的不是单一场景里重复几百万次的抓取数据，而是覆盖不同物体、光线、空间、任务和突发情况的高质量数据。谁能更快建立起“采集、训练、部署、再采集”的闭环，谁才有可能把数据真正变成模型能力。

这也是具身大模型竞争最微妙的地方：数据正在成为新的护城河，却还不是胜负已定的答案。行业都在等待一次类似ChatGPT的能力跃迁，但没有人能确定，足够多的数据是否必然会带来那一刻。

3、“ChatGPT时刻”还是陷阱

由于ChatGPT时刻还未到来，具身智能产业端存在一种“壁垒分明”的状态。

“现在的具身开发中，基座模型是基座模型，主要管机器人的上半身（主要是手臂和灵巧手）；运动控制则是运动控制，主要管机器人的腿和平衡。”ALex认为，运动控制和具身大模型的统一则要等到“ChatGPT时刻”的来临，到时候市场格局还会发生大的变化。

更大的问题是，ChatGPT时刻必然会来临吗？

由于数据的缺乏，目前还没有出现被证实可靠的“具身原生多模态大模型”，物理AI的技术路线呈现多元分化、尚未收敛的状态。

具身大模型的主流路线大致可分为两类：第一类是VLA（视觉-语言-动作）路线，早期通过端到端的方式将视觉感知和语言指令直接映射为动作，这严重依赖训练数据覆盖。

目前端到端VLA正在向快慢系统演进，参数规模较大的“慢系统”负责理解场景、解析指令、进行任务规划；参数规模较小的“快系统”负责实时输出具体的关节角度、手指力度等低层控制信号。

第二类是世界模型（World Model）路线，以李飞飞的Marble和Google的Genie为代表，强调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。在本届展会上，标榜自主驱动的厂商大多采用这一路线。

VLA路线落地快、成本低，但泛化能力弱；世界模型路线更聪明，但算力耗费更高、反馈更慢。新的趋势是两者融合，但具体的融合方式、主导模型各家都有自己的判断。这些路线基于开发者的“技术信仰”，各有拥趸，行业远未形成统一共识。

技术路线之争没有定论，资本市场的情绪波动几乎不可避免。

从2023年的ChatGPT，到2025年春节的“机器人跳舞”，再到今年的Agent和机器人干活，市场上始终存在“AI和机器人像人类一样工作，从而解放人类”的美丽愿景，也经历了与之关联的市场情绪的变化。创投圈从FOMO（Fear of Missing Out，害怕错过）到冷却，再到FOMO新赛道，股票市场随着一次次Shocking而上涨下降。

对具身智能来说，距离真正“开奖”还有很长一段路。在这之前，可以预计还会经历多次乐观与悲观、狂热与恐惧的市场情绪循环。