搜索
编者按：具身智能万亿赛道正在经历一场真实价值与虚高估值的激烈博弈。本篇为《狂奔的机器人》第01期。聚焦谁在为这场狂欢买单？谁靠真实的订单支撑？谁又能解决行业的真问题？
对于人形机器人行业来说，2026年是一道明显的分水岭。
2026年之前，人形机器人行业的热度几乎都由本体厂商带动，竞争核心集中在硬件能力：宇树连续两年登上春晚，先后表演转手绢和武术，把人形机器人推到大众眼前；在人形机器人半程马拉松赛场上，天工Ultra、松延动力N2、荣耀“闪电”等机器人也接连亮相，围绕速度、平衡和稳定性展开一场较量。
到了2026年，人形机器人行业的“卷王”接力棒，开始从本体转移到模型手中。行业竞争也从比拼“肌肉”转向比拼“智力”：不仅要看运动能力，还要看谁能理解复杂环境，并在陌生任务中自主判断、完成行动，这被行业称为“具身模型”，也就是能够与真实物理世界产生交互的AI大模型。
随着竞争重心的转移，资本和企业也迅速向这一层聚焦。据腾讯科技不完全统计，目前，已经有50家左右公司进入IPO相关流程，有的启动股改，有的已有明确上市时间表。
那么，具身模型究竟有多热闹？为什么资本、创业公司和本体厂商都在挤向这条赛道？热闹背后，又藏着哪些真正的机会和难题？
01、具身模型的“高温时刻”：人多，钱也多
“目前中国已有370多家具身智能相关企业，并且几乎每周都会出现两三家新公司的商业计划书。”启明创投主管合伙人周志峰用一组数字，形容这个赛道的热度。
比创业者更快涌入的，是资金。据IT桔子数据统计，截至2026年7月30日，具身模型领域年内已发生195起融资，覆盖108家企业，累计金额达754.63亿元。仅前7个月，融资金额已超过2025年全年（183.42亿元）的4倍，约为2024年全年（34.27亿元）的22倍。
这还只是公开披露的数据。一位具身智能从业人士称，平均每天至少有5亿元流向具身智能，已有超过20家公司估值突破百亿元。
与此同时，资金并非均等地流散在众多企业，而是高度向头部企业集中。根据IT桔子数据统计，截至2026年7月30日，年内金额超过10亿元的20笔融资，其累计融资额达到585.07亿元。也就是说，近两成企业拿走了近八成资金。对于一些融资规模仅在千万元级别的企业而言，这笔钱更多只是“入场券”。
Codex合作伙伴宋斐直言，在具身智能行业，千万元级融资甚至谈不上扩产：“租场地、组建二三十人的团队，再把算力和数据采集体系搭起来，等第一个Demo跑通，钱基本就见底了。第一轮融资，拼的是市场是否相信这个方向；到了第二轮，投资人才会开始追问：服务上一个客户，究竟投入了多少人天？
可见，热潮之下，具身模型正在经历一场激烈的头部卡位战。
除了钱多，这个赛道的另一个特点是“人多”，而且背景越来越多元。
周志峰提到，具身智能赛道创业者中，有高校教授，有自动驾驶大厂高管和AI模型研发人员，也有来自互联网公司及机器人产业链的从业者。随着这批人进入，行业讨论的关键词，也从传统机器人时代的“运动控制、硬件性能”，转向“VLA、世界模型、数据闭环”。
具身智能的赛道边界也随之扩大。一些原本专注于视频生成的公司，开始将世界模型视为进入物理世界的路径。比如，生数科技就将自己定位为通用世界模型企业，推出世界动作模型Motubrain，并于2026年完成5亿美元融资，尝试把相关能力从视频生成延伸至具身智能。
从本体公司到具身模型创业公司，再到世界模型企业，越来越多玩家正在进入同一场竞争，他们都在试图争夺机器人时代的“智能底座”——也就是争夺机器人产业的模型层入口。
02、具身模型的卡点在哪里？
虽然具身模型赛道很热闹，但如果你问一个具身模型从业者：这个行业难点在哪里？得到的通常是一个无奈的笑容和沉默。
不是没有难点，而是“浑身都是难点”。
具身模型并不是单一的软件模型，而是本体、模型和数据共同构成的系统。自变量机器人对腾讯科技表示，模型需要同时解决空间推理、长程任务、精细操作、实时控制和跨场景泛化，复杂程度远高于单纯的语言生成；此外，还要把模型与本体、安全系统、推理Infra和现场业务完整打通。
在这些彼此牵制的难点中，周志峰认为，数据是具身模型最需要突破的瓶颈。
正因如此，数据成为当前具身模型领域最热门的细分赛道之一。据IT桔子数据统计，截至2026年7月30日，已有18家数据公司获得融资，累计融资额达67.04亿元，其中，仅光轮智能一家便获得23亿元融资。
具体来看，数据瓶颈主要体现在稀缺性和高成本两方面。
首先，具身模型需要的数据很稀缺。
语言模型依靠百亿级Token、视频模型依靠十亿级Clip，才逐渐显现出Scaling Law。相比之下，目前中美头部具身模型公司掌握的数据大多只有几十万小时，距离足够规模仍差一个量级。
周志峰认为，在现阶段，数据规模甚至比单条数据的质量更重要，一个真正可用的具身模型，可能需要100万至200万小时训练数据。
其次，高质量的数据成本高。
具身智能数据大致分为真实世界数据和人工生成数据，后者包括仿真数据与合成数据。由于更接近机器人实际运行环境，真实世界数据尤其受到行业关注。
真实世界数据又可分为真机数据和人类示范数据。其中，真机数据最为直接，但采集成本也最高。周志峰表示，即使是特斯拉这样的头部企业，推进起来也十分吃力：假设投放1000台机器人，每台配备专人值守，单台设备一天有效采集时长仅一两个小时，效率极低，想要积累100万小时数据，耗时十年都未必能够完成。
高质量数据的稀缺与高成本，也吸引了生数科技、爱诗科技等视频生成模型公司进入机器人领域。当真实世界的数据难以大规模获取时，利用视频模型生成训练数据，便成为行业试图降低数据成本、扩大数据规模的一条路径。
具身模型公司也在尝试从模型侧提高数据利用效率，通过少样本甚至零样本泛化，减少对大规模真机数据的依赖。银河通用发布了面向具身智能大模型的测试时后训练框架WAM-TTT（World-Action Model Test-Time Training），让机器人进入新环境后，只需观看少量第一视角人类视频，便能在部署阶段快速适配。自变量通过QUANXTA Zero无本体数采方案，将训练数据成本降低95%、入库有效率提升至85%以上，并打通数据采集、清洗、标注和质控全流程。
与此同时，行业对数据的关注，也开始从视觉和动作信息延伸至触觉。在今年的WAIC上，多家企业展示了触觉数据采集手套。人类佩戴设备完成操作时，系统可以同步记录位置、受力和触觉等多维信息，为机器人学习抓取、旋拧和精细装配等复杂任务提供更完整的数据基础。
周志峰也提到，已有一批公司尝试利用触感织物等方案，为机器手增加触觉感知能力，并进一步采集触觉数据。
但新的矛盾也随之出现：高质量触觉数据的采集，往往需要性能稳定的灵巧手作为载体，而灵巧手本身尚未解决可靠性、成本和规模化量产等问题。这也构成了具身模型行业当下最矛盾的一面：技术链条上的许多问题尚未解决，进入者却越来越多，融资规模也在持续上升。
03、具身模型的卡位战
为什么到了2026年，这个仍然“浑身都是难点”的赛道，反而变得如此热闹？
一个直接的原因是，资本在寻找下一个足够大的AI标的。
Mbot具身智能实验室负责人杰西告诉腾讯科技，“各行业都在向AI靠拢，但能承载大规模资本的方向无非LLM、AIGC和物理AI。LLM的核心牌桌早已被头部机构和科技巨头占据，格局逐渐固化，其他资本只能寻找下一个AI标的。”宋斐认为，能同时容纳万亿级资本、数百家企业试错的赛道已不多，具身智能正是其中之一。
而具身智能这种想象空间，一方面来自模型在产业链中的关键位置。国海创新资本投资总监王东芝认为，本体和零部件构成机器人的硬件成本与性能基础，而模型能决定它能完成哪些任务、进入多少场景、触达或突破哪些上限。因此，模型更接近产业链的价值核心，也更有可能掌握定价权。
另一方面，模型未来具有跨本体、跨场景复制的可能性，市场想象空间足够大。随着机器人出货量增加，同一套模型可以被部署到更多设备和任务中，模型公司的价值也会随之放大。周志峰表示，如果具身智能行业发展成熟，“一年会有10亿台的出货量，单台均价约3万美元、折合20万元人民币。这放在人类两三百年商业发展史里，都是体量顶尖的赛道，没有之一。”
资本愿意下场，为具身模型赛道的升温提供了资金支持；而真正让融资节奏如此之快的，是大家都在抢夺头部位置。王东芝判断，“具身模型行业的马太效应从未如此明显，资金、数据、人才和客户等资源不断向龙头聚集，但并非只有头部公司才有机会走到最后。”
真实的头部公司位置的夯实，需要依靠持续的资金与人才投入到那些在试错中被证明正确的路径中。模型训练、数据采集和场景验证都需要大量资金，一家公司即使技术不错，也可能因为资金不足，等不到产品落地，有时候资金到位但由于技术走偏也可能先发后至。杰西观察：“很多公司真心想把具身模型做出来，但这个行业太烧钱，融不到资，就很难活到落地。”
与此同时，融资不只是为了维持公司运转，也会直接影响行业排名。谁能更早拿到更多资金，谁就更有机会抢先进入第一梯队。
而进入第一梯队后，接下来争夺的就是上市机会。一位具身智能从业者告诉腾讯科技，“具身模型投入大、周期长，真正有机会走到IPO的，大概率只有头部公司”。周志峰表示，大家现在抢IPO，本质上是在抢稀缺性红利，“一个大赛道前一两家企业率先上市时，因为标的稀缺，它能够享受超级资本红利，直观体现就是股价和市值会高到脱离常规逻辑，所以大家都想抢先上。”
目前，第一梯队公司已经有了较明确的上市预期。对资本而言，这种退出预期在一定程度上对冲了技术路线尚未完全收敛带来的不确定性。参考智谱和
总的来说，资本在找新标的，公司要靠融资继续往前走，投资机构又都想押中头部。于是，具身模型成了2026年最拥挤的赛道之一。
04、结语
残酷的第一梯队占位赛，正在提前催熟具身模型行业。
但行业仍缺乏统一标准。仅“泛化”就混杂着视觉、实例、空间、动作组合和物理属性等多种定义，系统还需具备出错后的自主恢复能力。这些能力彼此独立：空间泛化出色的机器人，换个重量也可能立刻失效。宋斐认为，当前更缺的是可横向比较的指标：“换个 SKU、工位或客户，成本究竟降低了多少？”如今各家公司统计口径不一，能力优劣仍难直接比较。
然而，这并不妨碍行业继续向前。人形机器人已经学会了走和跑，如今正在尝试学会理解环境、拆解任务和作出判断。技术路线是否成立、能力边界在哪里，往往就是在争议、试错和竞争中逐渐被验证。
在这个过程中，也并非只有头部模型公司在创造价值。电机、减速器等“卖铲子”的企业依旧能够获得订单，空心杯电机、六维力传感器、行星滚柱丝杠等核心零部件的国产化，也在被这轮热潮持续推动。对一个仍处于早期的行业而言，这些看得见的变化，本身也是进步。
