具身智能“200亿俱乐部”背后：资本押注的是哪种机器人“大脑”

事件概述

具身智能赛道出现了一个“200亿俱乐部”。智平方、自变量、星海图、千寻智能、银河通用五家公司，均在最近一年内以超过200亿元的投后估值完成融资。与此同时，据烯牛数据《2026年H1中国私募股权市场深度解析报告》，上半年LP出资规模下降32.65%，政府类LP出资近乎腰斩，但具身智能融资事件同比增长107%，并在新晋独角兽企业TOP10中占据4席。

参照已进入IPO阶段的宇树和智元，宇树上市估值约609亿元，智元目标估值363—433亿元。按宇树、智元对应的35—40倍市销率测算，200亿估值大致对应5亿元左右的年收入。目前200亿俱乐部成员的出货量刚触及头部门槛，估值中明显包含市场对“机器人大脑”的溢价预期。

核心信息

五种大脑，解决同一组问题

五家公司虽然都聚焦“大脑”，但技术路线并不相同。主流路线仍是VLA，区别在于强化VLA，还是将世界模型与VLA融合。

• 智平方：从FiS-VLA演进到NeuroVLA，采用“皮层—小脑—脊髓”三层类脑结构，快慢双系统异步运行，兼顾推理与实时控制。
• 星海图：G0.5采用统一自回归架构，去掉编码器，将图像、推理和动作统一为内部Token，减少信息传递损失。
• 千寻智能：Spirit v1.5更相信VLA的Scaling能力，重点扩大数据规模与复杂度，甚至加入“脏数据”以增强泛化。
• 自变量：WALL-B将物理预测与视觉、语言、动作联合训练，让机器人在行动前预测动作结果。
• 银河通用：GALBOT VLA/AstraBrain由多个VLA模型组成基座，拆分为大脑（WAM 0.5）、小脑（WBC 0.5）和灵巧手神经控制（DexNDM），大小脑连接同样采用快慢双系统。

这些路线最终要解决的是同一组问题：从单步动作到多步骤任务、从见过物体到陌生物体、从单本体到跨本体迁移、从失败到自主恢复。值得注意的是，各家的架构开始出现趋同，比赛可能已从“选对路线”进入“在选定路线上跑得更快”的阶段。

数据：决定模型进化的边界

模型架构之后，关键瓶颈是数据。行业主要分为真实数据和仿真数据两条路线，大多数公司以真实数据为主，但采集方式不同。

• 无本体采集（EGO路线）：成本最低，英伟达主导，千寻智能通过自研可穿戴设备扩大采集效率，但人类与机器人本体的动作映射仍有偏差。
• 部署回流：机器人边干活边产生数据，再回流训练。星海图、千寻智能、自变量、智平方均采用此模式。其中星海图依赖开发者数据，成本低但更杂；千寻与智平方聚焦工业数据，对交付最有效但覆盖范围窄；自变量则挑战最难的家庭数据，标准化难度大。
• 仿真数据：银河通用较早大规模押注，其GraspVLA基于十亿帧合成抓取数据预训练，但现在也在向“真实+仿真”混合方向转变，加入真机遥操和回流数据。

落地：从展示走向可测量

商业化未验证时，资本更看重落地的具体可能。

• 工业场景被认为最容易跑通。银河通用的Galbot S1和千寻智能的小墨已部署在宁德时代工厂，分别承担物料搬运和柔性线束插接；智平方与惠科签下三年1000台机器人订单，覆盖仓储物流、零部件装配和质检测试，并与东风柳汽、华熙生物展开合作。
• 零售场景同样具备标准化基础。银河通用Galbot G1在中关村论坛完成数千杯咖啡取送，成功率99.97%，并在智慧药房实现药品抓取、识别和追溯码采集。
• 家庭场景难度最高，自变量的主攻方向目前更大价值在于获取真实数据和验证模型，而非商业模式验证。
• 星海图更像“卖铲子”，R1 Pro/R1 Lite主要面向模型研发、数据采集和后训练，商业化更接近开发平台逻辑。

值得关注

200亿估值是资本在LP出资缩水环境下的一次集中押注。市场用真金白银确认了“大脑比本体更值钱”的判断，但五家公司均未真正跑通商业化。下一步的竞争核心，将是谁能持续获得高质量数据，并让已部署的机器人为下一代模型提供训练入口。技术发布会上的评测指标，会逐渐被固定时间内的任务完成数、成功率、效率比和人工接管次数等实际落地指标取代。