具身智能行业现状：资本竞赛与量产挑战

1. 具身智能行业的现状与挑战

2026年的具身智能行业正在经历一场残酷的洗牌。当我第一次看到Figure AI创始人Brett Adcock宣称Figure 03是"地球上最先进的人形机器人"时，我的同行林林正在变卖公司的训练服务器。这种强烈的反差正是当前行业现状的缩影：头部企业如银河通用、星动纪元、宇树科技等纷纷获得巨额融资，估值突破百亿；而中小型企业则面临生存危机，甚至被迫出售核心资产。

1.1 百亿估值：新的入场门槛

行业已经形成了一个残酷的现实：估值不过百亿，连上桌的资格都没有。这不是危言耸听，而是投资人态度的真实反映。现在投资人见面第一个问题不再是"你们技术怎么样"，而是"你们估值多少，上一轮谁投的"。这种转变意味着行业已经进入资本主导阶段，技术实力不再是唯一的评判标准。

头部企业的融资数据令人咋舌：星动纪元估值突破百亿，银河通用估值超过200亿元，宇树科技估值超过120亿元并已完成上市辅导。这些数字背后反映的是资本对具身智能行业的集中押注——资金、资源和注意力都在向头部企业聚集。

1.2 行业两极分化的深层原因

这种两极分化现象背后有几个关键因素：

首先，具身智能研发极其烧钱。以"人形机器人第一股"优必选为例，其2024年研发投入达4.78亿元，占营收的近四成。从2020年到2025年上半年，优必选累计亏损已超过54亿元。这种资金需求使得只有获得大额融资的企业才能持续投入研发。

其次，数据训练成本惊人。具身智能要真正可用，至少需要1000万小时级别的数据量，有些团队甚至判断需要万亿级数据。智元机器人在上海投建了超4000平米的数据采集工厂，日均可产出3万-5万条高质量数据。这种规模的数据采集和处理能力，只有资金雄厚的企业才能承担。

最后，量产能力成为新的竞争焦点。2025年展示炫酷Demo就能获得融资的时代已经过去，现在投资人要看的是量产能力。根据Omdia数据，智元机器人出货量已达5168台，宇树科技2025年人形机器人出货量超5500台。这种量产规模需要强大的资金和技术支持。

关键提示：具身智能行业已经从技术竞赛转向资本竞赛+量产能力竞赛的双重比拼，缺乏资金支持的中小企业面临巨大生存压力。

2. 技术突破与量产挑战

2.1 具身智能的核心技术架构

具身智能机器人的技术架构可以形象地分为"大脑"和"小脑"两部分：

"大脑"负责高级认知和决策，通常基于大语言模型(LLM)或视觉-语言-动作(VLA)模型。这部分决定了机器人能否理解复杂指令、适应多变环境。宇树科技创始人王兴兴直言："谁能率先做出真正适配机器人的大模型，谁就会成为全球顶尖的AI和机器人公司！"

"小脑"则负责运动控制和实时反应，包括平衡控制、路径规划、动作执行等。这部分决定了机器人动作的流畅性和精确度。当杯子从桌边掉落时，机器人需要在毫秒级时间内做出反应并准确接住。

2.2 技术路线的探索与实践

目前国内具身智能企业主要采取以下几种技术路线：

1. 自研"大脑"+开源"小脑"：银河通用自研"银河星脑AstraBrain"，同时使用开源的运动控制算法。这种方案能快速实现基本功能，但长期可能受限于运动控制精度。

2. 全栈自研：少数头部企业如优必选选择全栈自研，从芯片到算法完全自主掌控。这种方案技术壁垒高，但研发成本巨大。

3. 垂直场景专用模型：针对特定场景如仓储物流、家庭服务等开发专用模型。这种方案落地快，但通用性差。

以银河通用为例，他们不仅开发了基础"大脑"，还研发了多款实用性的具身智能模型，如具身抓取基础大模型和端到端导航大模型等，在特定场景取得了不错效果。

2.3 量产爬坡的技术挑战

从实验室Demo到量产千台，企业面临诸多技术挑战：

1. 一致性控制：确保每台机器人的性能指标一致。实验室可以容忍个别差异，量产必须控制公差。

2. 供应链管理：核心零部件如伺服电机、减速器的供应稳定性和成本控制。

3. 测试验证：建立高效的产线测试流程，确保每台出厂机器人的质量。

4. OTA升级：量产后的软件维护和功能升级能力。

宇树科技在量产过程中发现，伺服电机的温漂问题在实验室环境下不明显，但在批量使用时会导致明显的性能差异。他们最终通过引入温度补偿算法和更严格的生产测试解决了这一问题。

3. 数据：具身智能的"粮食危机"

3.1 数据需求的规模与挑战

具身智能的训练数据需求远超传统AI模型。它石智航创始人陈亦伦提出的1000万小时数据量只是一个起点。按每天工作8小时计算，这相当于125万天的真实人类工作数据。如果雇佣1000人专门生成数据，也需要近3.5年才能完成。

更棘手的是，这些数据不能是简单的重复劳动，而需要覆盖各种场景、意外情况和应对策略。例如，在家庭服务场景中，机器人需要学习如何处理打翻的饮料、突然跑过的宠物、老人的意外跌倒等各种情况。

3.2 数据采集的实践方案

面对这一挑战，企业采取了多种数据采集策略：

1. 自建数据工厂：智元机器人的4000平米数据工厂是典型代表。这种方案数据质量高，但成本巨大。

2. 众包采集：通过合作伙伴或第三方获取多样化数据。成本较低，但数据质量参差不齐。

3. 仿真生成：在虚拟环境中生成训练数据。可快速获取大量数据，但存在"仿真-现实"差距。

4. 用户数据反馈：通过已部署机器人收集真实使用数据。最具价值，但前提是已有产品落地。

它石智航自研了一套数据采集设备，可以同时记录人类操作视频、力反馈数据、环境信息等多模态数据，大大提升了数据采集效率。

3.3 数据清洗与标注的成本黑洞

原始数据采集只是第一步，清洗和标注才是真正的成本黑洞。据行业内部估算，具身智能数据的清洗标注成本是传统计算机视觉数据的5-8倍，因为需要标注动作序列、环境状态、操作对象等多维度信息。

一些企业开始尝试自动化标注和半监督学习来降低成本。银河通用开发了一套"自动标注+人工校验"的流水线，将标注效率提升了3倍，但即便如此，数据处理的成本仍然占到研发总成本的30%以上。

4. 商业化落地：生存还是死亡的问题

4.1 当前主要的商业化尝试

具身智能企业目前主要探索以下几类商业化路径：

1. 工业场景：与制造业合作，如优必选WalkerS与蔚来的合作。这类项目金额大，但多为示范性质。

2. 零售服务：魔法原子的无人咖啡店、无人奶茶店。计划两年内覆盖1000城、落地10000家门店。

3. 家庭服务：家政清洁、老人陪伴等。价格门槛高，市场教育需要时间。

4. 特殊场景：如核电站巡检、高危作业等。需求明确但市场容量有限。

林林公司曾尝试切入餐饮场景，在三台样机上投入了半年时间，最终因投资人认为"场景太窄，规模起不来"而放弃。

4.2 商业化面临的现实障碍

具身智能的商业化面临几个关键障碍：

1. 成本与定价矛盾：BOM成本高导致售价居高不下，而目标市场对价格敏感。一台基础款家庭服务机器人售价约10万元，远超普通家庭预算。

2. 场景碎片化：不同场景需求差异大，难以形成通用解决方案。咖啡店机器人和家庭清洁机器人几乎需要完全不同的设计。

3. 人机协作瓶颈：多数场景仍需"人+机"协作，完全替代人力尚有距离。在实地测试中，奶茶店机器人仍需人工处理异常情况。

4. 可靠性挑战：连续工作稳定性不足。有企业报告称，在1000小时连续工作测试中，机器人平均会出现2.3次需要人工干预的故障。

4.3 盈利模式创新探索

面对传统销售模式的困境，一些企业开始尝试创新盈利模式：

1. RaaS(Robot as a Service)：按服务收费而非出售硬件。魔法原子计划以每杯咖啡0.5元的分成模式推广机器人。

2. 能力订阅：开放部分AI能力API，如视觉识别、路径规划等，按调用量收费。

3. 数据变现：匿名化后的操作数据可用于训练更通用的模型，形成数据飞轮。

4. 联合运营：与场景方共同投资，收益分成。降低客户前期投入压力。

然而，这些新模式都还处于早期探索阶段，尚未形成可复制的成功案例。

5. 行业洗牌与未来展望

5.1 淘汰赛已经开启

具身智能行业正在经历典型的科技产业周期：从技术狂热期→资本泡沫期→残酷出清期→寡头格局期。2026年，行业已进入"残酷出清期"，表现为：

1. 融资两极分化：头部企业单笔融资额越来越大，中小企业融资越来越难。

2. 估值重构：讲技术故事不再有效，商业落地能力成为估值核心。

3. 并购增加：头部企业开始收购有特色技术的中小团队。

4. 退出案例出现：已有企业因融资失败而清算，如估值曾达5000万美元的K-Scale。

5.2 生存法则：从技术叙事到商业叙事

在这一阶段，企业必须完成从"技术叙事"到"商业叙事"的转变：

这种转变对技术出身的创始团队尤为艰难，但却是生存的必经之路。

5.3 可能的行业终局

基于当前趋势，具身智能行业可能出现以下几种结局：

1. 寡头垄断：3-5家头部企业占据80%以上市场份额，其余企业被收购或退出。

2. 垂直细分：没有通吃巨头，但在各细分领域(工业、家庭、医疗等)出现领先企业。

3. 生态共生：形成以平台企业为核心，众多中小企业在特定环节提供价值的生态系统。

4. 技术突破：某家企业实现关键技术突破，快速拉开差距，形成一家独大局面。

我个人判断，最可能出现的是一种混合模式：2-3家通用平台型企业+多家垂直领域专家的格局。这与当前云计算行业的发展轨迹类似。

6. 给从业者的实用建议

6.1 对于创业团队

1. 聚焦细分场景：选择1-2个具体场景深耕，而非追求通用解决方案。比如专门针对餐饮后厨或老年护理。

2. 控制研发节奏：将资源集中在最关键的技术点上，其他部分尽量使用成熟方案。不要重复造轮子。

3. 建立数据壁垒：在选定场景中构建独特的数据集，这将成为难以复制的竞争优势。

4. 探索轻资产模式：考虑与场景方合作，降低前期硬件投入压力。

6.2 对于技术人员

1. 扩展技能广度：除了专精算法，也要了解硬件、产品、商业逻辑。复合型人才更具竞争力。

2. 关注落地细节：实验室性能与真实场景表现往往差距巨大，要多参与实地测试和调优。

3. 选择稳定平台：行业动荡期，加入资金充足、商业化路径清晰的团队更为稳妥。

6.3 对于投资人

1. 看重商业闭环：不再为纯技术买单，必须看到清晰的商业化路径。

2. 关注现金流：评估企业的资金使用效率和现金流管理能力，这决定能撑多久。

3. 警惕估值泡沫：部分头部企业估值已偏高，需更理性地评估真实价值。

4. 挖掘垂直机会：在通用平台之外，特定场景的专业解决方案可能有更高投资回报。

具身智能的这场淘汰赛才刚刚开始。最终胜出的不一定是技术最先进的公司，而是那些能够最快找到可持续商业模式的企业。在这个寒冬中，活下来比什么都重要。正如林林所说，当潮水退去，才知道谁在裸泳。而对于仍在坚持的从业者来说，现在要做的就是在钱烧完之前，找到那个真正有人愿意买单的场景。