具身智能商业化加速：从“秀肌肉”到“真干活”，数据与模型成核心变量

事件概述

近期，中国具身智能行业迎来密集的商业化落地动作，标志着行业叙事从“技术展示”正式转向“解决实际问题”。

• 智元机器人：宣布新款A3人形机器人将通过“擎天租”平台批量交付至景区上岗。
• 自变量机器人：与58同城合作推出全球首个机器人保洁员，进入真实家庭与人类协同作业。
• 其他企业动态：优必选机器人进入新能源汽车制造场景进行搬运与质检实训；银河通用Galbot机器人参与药房运营；魔法原子机器人变身汽车销售顾问。

核心挑战：“大脑”尚未发育完全

尽管机器人在预设场景下的运动控制（即“小脑”）表现优异，但在理解真实物理逻辑和复杂决策（即“大脑”）方面仍面临巨大瓶颈。

1. 现状评估：目前全球尚无机器人能在无遥控情况下独立完成大部分日常家务。在场景变化或出现未见过的事件时，成功率会断崖式下跌。
2. 技术路线分歧：为构建“大脑”，行业主要探索三条路径：
   • VLA端到端：主流且成熟，直接融合视觉与语言指令生成动作，但在复杂场景下易出现逻辑死机，且模块间存在信息损耗。
   • 世界模型：最接近人类思考模式，能预测物理规律，但训练成本极高（如英伟达Cosmos模型需9000万亿Token训练）。
   • 大小脑分层：国内特色路线，利用LLM作为“大脑”理解任务，VLA作为“小脑”执行控制，但存在任务延误风险。
3. 融合趋势：单一路线难言最优，深度融合成为大势。例如智元推出GE-Sim 2.0与Genie Operator-2，尝试将状态、动作、状态演化统一建模；自变量推出WALL-B模型，强调“干中学”以消除模块间延迟。

破局之道：边干活，边补脑

实验室的“干净数据”无法培养真正的独立思考能力，机器人必须进入充满随机性的真实环境获取数据。

• 数据缺口：复旦大学教授肖仰华指出，当前具身智能大模型的数据量与需求之间至少相差两个数量级。
• 实战验证：通过在工厂、家庭、药房等复杂场景中反复试错，机器人得以实现物体、背景和任务的泛化能力提升。
• 商业模式转变：企业开始将商业场景置于产品设计之前，优先绑定特定场景（如博物馆、4S店），确保模型能力可迁移复用。

资本风向：重模型轻硬件

随着本体硬件技术门槛降低（如消费电子厂商荣耀获机器人马拉松冠军），资本估值逻辑发生根本性转移。

• 融资热点：截至4月10日，国内具身智能领域发生至少269起融资事件。资金加速涌向“大脑”侧，包括自变量（近20亿元B轮）、它石智航（4.55亿美元Pre-A轮）及光轮智能（10亿元）等侧重算法与数据的企业。
• 核心变量：市场共识认为，决定机器人能否大规模应用的核心在于模型的泛化能力。谁能将特定场景学到的技能迁移到新对象、新任务中，谁就能构建更高的护城河。
• 未来展望：硬件只是基础，真正让机器人“活下去”并实现从1到无限复制的关键，在于具备强大泛化能力的“大脑”。