具身智能處于“ChatGPT時刻”還是寒冬將至？創(chuàng)始人們?nèi)缡钦f

防走失，電梯直達安全島

來源：經(jīng)濟觀察報

作者：周悅

具身智能正在快速增長，但距離真正意義上的“ChatGPT時刻”，還有相當距離。多位具身賽道投資人對經(jīng)濟觀察報表示，接下來可能出現(xiàn)“寒冬”，出現(xiàn)融資收緊等情況，熱度之后將迎來一次對商業(yè)模式和技術(shù)路線的全面篩選。怎么活下來，或?qū)⒊蔀榫呱碇悄芷髽I(yè)的共同難題。

封圖：本報資料室

2025年末，具身智能行業(yè)正在同時被兩股力量推著往前走。

一面是久違的資本熱浪。人形機器人被視作“下一個萬億終端”，資本熱度持續(xù)升溫。第三方數(shù)據(jù)機構(gòu)IT桔子數(shù)據(jù)顯示，今年前三季度國內(nèi)機器人融資額已達386.24億元，是2024年全年總量的1.8倍。11月以來，原力靈機、星塵智能、加速進化等公司相繼完成新一輪融資，投資人也從投概念轉(zhuǎn)向更關(guān)注商業(yè)化速度和可驗證價值。這種熱度，也延伸到企業(yè)端。新品迭出、頭部廠商頻頻宣布獲得上千臺“商業(yè)化大單”，“量產(chǎn)元年”的說法反復(fù)出現(xiàn)。

另一面卻是不容忽略的風(fēng)險。硅谷明星公司K-Scale Labs資金鏈斷裂、百余臺預(yù)購訂單被迫退款；國內(nèi)創(chuàng)業(yè)公司一星機器人解散。這兩家公司均成立不到1年，且拿下多輪融資。這些現(xiàn)象讓行業(yè)意識到，“量產(chǎn)元年”并不等同于行業(yè)拐點，反而更像一次集體的生死考驗。

這兩股力量共同指向一個核心事實，具身智能正在快速增長，但距離真正意義上的“ChatGPT時刻”，還有相當距離。多位具身賽道投資人對經(jīng)濟觀察報表示，接下來可能出現(xiàn)“寒冬”，出現(xiàn)融資收緊等情況，熱度之后將迎來一次對商業(yè)模式和技術(shù)路線的全面篩選。怎么活下來，或?qū)⒊蔀榫呱碇悄芷髽I(yè)的共同難題。

量產(chǎn)要先辨別是真需求還是偽需求

過去一年，人形機器人的能力提升幾乎到了“肉眼可見”的程度。2024年還在穩(wěn)定站立的機器，現(xiàn)在已經(jīng)能連續(xù)空翻、跑完數(shù)小時馬拉松，甚至現(xiàn)場拖動車輛。

但所有這些令人驚嘆的動作，都并不等同于可用。幾乎所有受訪者都表達了類似判斷：具身智能距離真正進入強強度、長周期、可復(fù)購的實際場景，仍有相當距離。

在智源具身2025 OpenDay現(xiàn)場，智源研究院院長王仲遠給出了一個典型案例，他們采購了某款機器人10臺，僅一兩個月就壞了5臺。“硬件穩(wěn)定性依然停留在科研階段。”他補充說，實驗室里，機械臂因過熱保護頻繁停機，有的機器人甚至需要旁邊放電風(fēng)扇，“像給它配一個保姆”。在他看來，“機器人滿街跑”的景象未來兩三年都不可能出現(xiàn)。這是硬件側(cè)的現(xiàn)實，也是距離規(guī)模化部署最直接的障礙。

模型側(cè)的瓶頸同樣明顯。具身大模型在控制精度、跨環(huán)境泛化、操作一致性等方面仍處于早期階段，工具鏈不完善，部署標準不統(tǒng)一。在一個真實場景中讓機器人連續(xù)執(zhí)行兩個小時流程，遠比在展臺完成一次性的動作要困難得多。

因此，王仲遠提醒，行業(yè)必須分辨當前的量產(chǎn)究竟來自真實需求，還是由政策補貼和投資熱度推動的偽需求。如果場景方發(fā)現(xiàn)機器人無法達到預(yù)期，熱度會迅速退潮，甚至可能出現(xiàn)階段性泡沫與低谷。“我跟創(chuàng)始人經(jīng)常說的一句話是‘先活下來，熬過可能出現(xiàn)的寒冬，才能迎來真正具身智能未來’。”

在資本、技術(shù)和企業(yè)共同加速的2025年，行業(yè)呈現(xiàn)出一種井噴，多家企業(yè)發(fā)布模型、整機硬件、開出高薪招攬人才。

原力靈機聯(lián)合創(chuàng)始人唐文斌稱今年是“涌現(xiàn)之年”——公司、技術(shù)與資金在同一時間大量涌出，進展遠超預(yù)期。但他同時觀察到行業(yè)中的另一面，出現(xiàn)了許多“神奇的訂單”。一些項目金額不小，看上去像是商業(yè)化大單，但拆開來看，卻很難解釋它們真實解決了哪些問題、能否形成復(fù)購、是否能真正幫助企業(yè)降低成本或提升效率。他提醒，量產(chǎn)不能靠堆設(shè)備，而要靠問題是否被解決。

在判斷一個場景是否值得進入時，他提出了三條標準：首先，技術(shù)不能過早鎖死。為了搶占第一波訂單，一些企業(yè)急著讓機器人適配某個高度定制的垂直場景。但這種路徑往往犧牲模型泛化能力，導(dǎo)致后續(xù)難以拓展其他應(yīng)用。

其次，從容錯率高、對時間不敏感的場景做起。早期機器人無法做到“0失誤”。跨環(huán)境操作更需要時間優(yōu)化，因此行業(yè)更應(yīng)選擇容忍度高的場景，通過真實部署把可用性從90%逐步提升到95%、100%。

最后，需求必須足夠大且強烈，才能驗證價值、攤薄成本，并形成真實的商業(yè)閉環(huán)。否則，再大的訂單量也可能只是階段性堆積，難以持續(xù)。

在需求側(cè)，采購方的判斷更直接。一位大型企業(yè)的具身智能項目負責(zé)人稱，他們只看三個指標：是否解決高復(fù)雜度、高危險性、高成本的問題。此外，機器人必須能實現(xiàn)7×24小時穩(wěn)定運行，具備連續(xù)工作、防水防塵、環(huán)境適應(yīng)等基礎(chǔ)能力。“我問過不少廠家，很多還沒有真正考慮這些指標。”他說。在他看來，這些看似基礎(chǔ)的工程指標，才是機器人能否進入可復(fù)購階段的關(guān)鍵。

高質(zhì)量數(shù)據(jù)極度稀缺

從Demo（演示視頻）走向規(guī)模應(yīng)用，最終都指向同一個難題：高質(zhì)量數(shù)據(jù)仍然極度稀缺。

與大語言模型誕生前夕擁有海量文本、圖像數(shù)據(jù)不同，具身智能走的是另一條路：每一份關(guān)鍵數(shù)據(jù)都來自機器人與真實世界的交互，而這種數(shù)據(jù)比文本稀缺得多、成本也更高。

今年年初，不少人判斷具身智能行業(yè)大致處在類似大語言模型GPT-1到GPT-2的階段，直至目前臨近機器人GPT-3時刻，模型能力有明顯提升，但離真正理解世界還有很長距離。

銀河通用創(chuàng)始人王鶴給出一個關(guān)鍵事實：全球今天真正運行在人類工作場景里的機器人，可能還不到1000臺。這個數(shù)量遠不足以支撐一個行動優(yōu)先的模型體系。銀河通用的策略是，短期內(nèi)，仿真模擬與合成數(shù)據(jù)仍將承擔更多探索任務(wù)；長期來看，必須讓機器人真實部署量級成百上千倍增長。

智元機器人合伙人、首席科學(xué)家羅劍嵐提到，未來的數(shù)據(jù)生態(tài)應(yīng)該依靠機器人自己生產(chǎn)。他的設(shè)想是，把規(guī)模化的機器人投放到真實環(huán)境，讓它們與世界持續(xù)交互，由此生成覆蓋廣、時序長、結(jié)構(gòu)復(fù)雜的真實物理數(shù)據(jù)，再用這些數(shù)據(jù)反哺模型訓(xùn)練，形成一個自我進化的閉環(huán)。

自變量創(chuàng)始人王潛則提醒，行業(yè)對數(shù)據(jù)的認知正在發(fā)生變化。并不是數(shù)據(jù)越多越好，而是“越有效越好”。語言模型時代已證明，高質(zhì)量、結(jié)構(gòu)一致的數(shù)據(jù)往往比堆量更有作用。而在物理世界中更是如此，這里充滿接觸、摩擦、碰撞等細節(jié)，很難用語言或圖片描述。如果模型無法理解這些基礎(chǔ)物理過程，就無法建立對世界的可靠預(yù)期。因此，他判斷，未來真正主導(dǎo)多模態(tài)方向的，可能是由具身智能推動的新型物理世界基礎(chǔ)模型。這將是一條與大語言模型不同的發(fā)展路徑。

復(fù)盤大語言模型的發(fā)展，可以看到三個條件缺一不可——算法、算力、數(shù)據(jù)同時達到臨界點。在具身智能領(lǐng)域，這三個條件尚未同時成熟，算法仍處在可用性探索階段；訓(xùn)練具身智能的算力體系仍薄弱；數(shù)據(jù)規(guī)模和數(shù)據(jù)質(zhì)量遠未達到臨界點。

換句話說，具身智能的未來正在加速到來，但它仍處在黎明前的階段。熱度很高，能力很強，但離真正的產(chǎn)業(yè)化黃金時期，還有一段漫長的距離。