“機器人一次性賣完太虧！”真機智能劉智勇：今年中國本體廠商將大淘汰，拼的是世界模型？

作者 | 華衛

本文為《2025 年度盤點與趨勢洞察》系列內容之一，由 InfoQ 技術編輯組策劃。本系列覆蓋大模型、Agent、具身智能、AI Native 開發范式、AI 工具鏈與開發、AI+ 傳統行業等方向，通過長期跟蹤、與業內專家深度訪談等方式，對重點領域進行關鍵技術進展、核心事件和產業趨勢的洞察盤點。內容將在 InfoQ 媒體矩陣陸續放出，歡迎大家持續關注。

我們采訪了真機智能董事長兼首席科學家劉智勇，聽他講述了視覺語言導航（VLN）技術的當前難題、具身智能領域在 2025 年的各類進展以及今年在能力邊界上的兩個突破方向和技術決勝點。他表示，一旦世界模型的因果推理能力取得突破，無論是機器人的安全性還是行為和推理的安全性問題，都能得到很好的解決。

“2026 年本體廠商肯定會收縮，估計中國最終只會剩下 5 到 8 家本體機器人公司。”他指出，核心是在某個單一場景實現盈利，不是毛利而是不依賴大量售后成本的凈利。但單純的整機銷售并非很好的商業模式，如果只賣硬件，后續的售后壓力會非常大，用戶一次性付太多錢也承受不了。

下面是詳細對話內容，以饗讀者。

VLN 和世界模型上“大分”

Q：2025 年具身智能領域有哪些突破性進展讓您印象深刻，包括技術、產業化和生態建設上？這些進展是否已經為具身智能從實驗室走向特定場景的“初步普及”奠定了基礎？

劉智勇：我印象比較深刻的是 VLN 方向的相關進展。過去我們主要是以 SLAM 為核心的技術路線，但從去年到現在，涌現出了大量基于視覺語言作為多模態輸入的導航模型。這種視覺語言模型能解決零樣本泛化的問題，我們不再需要預先構建地圖了。把一個機器人放到任何全新的固定場景里，它都能實現零樣本泛化，自主完成導航任務。另外，像 UniNavid、ETPNav、FSR - VLN 這些代表性工作，也讓機器人門到門配送的實現出現了曙光和可能性。這就是從幾何測量的導航范式，轉變到學習增強的導航范式。當前的瓶頸在于未達極高的導航成功率。

從場景普及的角度來說，核心是我們不再需要預先建圖了。這就意味著，把機器人放在任何新的位置上，它都能立刻開始工作，直接解鎖了很多之前無法覆蓋的場景。最關鍵的一點是，零樣本能力等同于部署成本的大幅降低。部署成本降下來之后，整個成本結構就能適配場景化的盈利模式，這正是為場景普及奠定的核心基礎。技術成熟后，前期的準備和部署工作會大幅減少，這也為未來的產業發展打下了很好的基礎。

Q：具身智能的核心技術棧正在如何演變？2025 年這一年有哪些值得關注的新范式或共識？

劉智勇：從算法角度來看，核心變化是從之前感知、決策、執行分離的多模塊化范式，逐漸轉向 VLN 或 VLA 的端到端統一范式。從數據角度來說，發展方向是從單純的真實數據采集，逐步轉向合成數據、離線軌跡挖掘以及世界模型這些領域。訓練范式也發生了改變，從強化學習調參慢慢轉向世界模型驅動。現在世界模型算是行業內解決數據問題的一個共識，原因很簡單，不管是在長程層面模擬預測未來狀態、在底層層面預測動態物體軌跡，還是彌補數據的 corner case，世界模型都起到了不可或缺的作用。

Q：世界模型被寄予厚望，被認為是實現高級推理和規劃的關鍵。現階段來看，它對機器人實際能力的提升體現在何處？之后還有哪些方面的潛力？

劉智勇：現階段來看，主要體現在三個方面。第一，機器人執行長程任務時容易陷入短視困境，而世界模型可以模擬未來的長程狀態，對全局規劃能力有非常重要的提升；第二，動態環境下靜態地圖容易失效，無法準確指引路徑軌跡，世界模型能夠預測動態物體的軌跡，讓機器人的本地行動更安全；第三，世界模型能較好地生成相關數據，減少數據泛化鴻溝。我們認為，世界模型是 VLN 突破長程規劃和動態適應瓶頸的充分非必要條件。但現在世界模型的主要問題是黑盒，而非白盒可微。

Q：大模型的快速發展，為具身智能的“智能”部分帶來了哪些質變？

劉智勇：從我們的實踐來看，最核心的變化是導航和路徑規劃的技術范式發生了轉變。過去我們采用的是 SLAM 方案，現在則轉向了 VLN 范式。過去的 SLAM 方案存在幾個明顯的局限，一是方案本身不具備語義理解能力，二是依賴靜態地圖，必須預先建圖才能使用，三是需要對特定的傳感器做專門標定。而 VLN 范式完全不同，它可以結合語言和視覺實現語義層面的理解，同時能應對非靜態環境，實現動態適配。更關鍵的是，這個方案不再依賴高規格的激光雷達，也不需要預先部署地圖，成本和效率都實現了大幅優化。大模型的快速發展，推動技術范式從幾何測量的 SLAM 轉向學習增強的 VLN，這正是帶來質變的核心原因。行動、觀測和語言本來屬于三個空間，現在要把三個空間統一起來，這也是目前的核心難點。

大規模落地現在卡在哪兒？

Q：幾乎所有專家都指出，高質量、大規模的物理交互數據稀缺是當前最大瓶頸。面對真實數據采集成本高昂的困境，仿真合成數據、人類視頻數據等替代方案能走多遠？“數據工廠”是可行的解決方案嗎？

劉智勇：我們面臨的主要數據瓶頸有兩個，一是數據的場景覆蓋不足，比如現在常用的數據集大多基于 Mate Port 3D、Habitat、AI2THOR 等 構建，只包含 固定的訓練環境，場景覆蓋肯定不夠；二是做 VLN 的數據采集成本很高，有時需要 3D 數據采集，標注成本也比 2D 圖像高出一個量級。對 VLN 來說，現在數據是完全不足的，既存在場景覆蓋問題，又有成本高昂的問題。

目前，我們在采用多種數據解決方案。第一是采集真實數據，采集 RGBD 視頻流，以及數字手套等，再結合人工標注指令，像 Atomic 和一些基準數據集的主要來源就是真機數據。第二是比較常見的用仿真器生成，比如借助模擬器搭載 3D 場景庫，批量生成視覺語言軌跡三元組。第三是采用 新范式，不用額外改動 3D 環境，通過改寫人類標注數據的方式生成新樣本，這是一種靜態片段生成的新范式。另外，未來還有一種發展方向是離線數據、離線軌跡挖掘的方式，有點類似實行微克隆。

Q：當前的硬件如靈巧手、關節驅動、傳感器等，在哪些方面最能滿足機器人的技術需求？又在哪些方面構成了發展的主要制約？

劉智勇：要講滿足技術需求的地方，我們可以和輪式機器人做個比較。之前的輪式機器人只能移動到樓下，沒辦法開單元門、摁電梯，只能在樓下送貨或者在室內移動。而現在的靈巧手、一體化關節，再加上一些觸覺傳感器，能讓機器人具備開門、按電梯的能力，這是輪式機器人到人形機器人的一個巨大轉變。

不過目前硬件也存在幾方面的制約。第一，我們還需要高分辨率的柔性觸覺皮膚。因為機器人需要用機械靈巧手摁電梯，如果觸覺不夠靈敏，盲按的波動率大，成功率就會比較低。第二，門把手的種類太多了，如果機器人沒有觸覺反饋，根本沒辦法應對成千上萬種門的情況，也很難實現場景泛化。再就是機器人要進行成千上萬次的反復操作，電機、執行器、絲杠這些部件的脆弱性，可能在我們的應用場景中被放大 100 倍。所以從硬件角度來講，目前主要的制約就是開門要做得好、觸覺要做得好這兩點。

Q：目前為止，制約具身智能大規模落地應用難題還有哪些？

劉智勇：對于我們的 VLN 技術來說，主要有兩方面的難題。第一是感知決策的延遲問題，這甚至可能是致命的。簡單來說，長程規劃和行動頻率的匹配很關鍵，如果感知和決策環節出現延遲，機器人在開放環境中運作就會遇到很多麻煩，這就要求必須在端側做好部署。第二是硬件性能短板，既要讓硬件能靈敏地感知外部世界，又要保證它能反復進行操作，而目前這類硬件的耐疲勞性、反脆弱性能還不夠強。對于世界模型來說，核心瓶頸是隱式神經表征，而非顯式 3D 高斯，可能在開門和按鍵上缺少精準幾何信息。

具身智能該告別 “一錘子買賣”？

Q：面對這樣的機遇與挑戰，您們在接下來一年的戰略重點和核心發力方向是什么？

劉智勇：真機智能其實分成了北京真機和蘇州真機兩個公司。北京真機關注的還是比較傳統的 SLAM 加輪式機器人的技術棧和方案，蘇州真機則聚焦于 VLN 加人形機器人的技術棧及方案。

蘇州真機接下來有兩個關注重點，第一是通過視覺語言導航的方式，實現無需額外提前部署的門到門配送。過去部署成本太高了，大概占了整個機器人售價成本的 38% 左右。我們希望能實現零樣本泛化，換句話說，就是讓機器人能夠直接理解環境，直接完成導航任務。第二是全身運動控制，要解決的核心問題是開門。之前的控制是基于機器人靜態的假設來實現的，哪怕是協作機器人也是保持自身不動去拉開門，這種方式需要的扭矩非常大。我們希望通過全身控制打破靜態平衡的限制，依靠動態平衡的方法更泛化地解決開門的問題。

把這兩個點結合起來，我們既能實現無需預先建圖的門到門配送任務，同時又能解決開門和按電梯的任務。這兩個方案結合之后，就可以實現最后五公里的門到門配送，既能開門、操作電梯，又能以無建圖、無 GPS 的方式完成導航。室內本身沒有 GPS 信號，但又需要實現導航，這時候視覺和語言理解的作用就非常關鍵了。

Q：除了直接銷售機器人整機，具身智能未來的商業模式可能有哪些創新？

劉智勇：整機銷售和租賃這兩種方式都會存在。但我個人覺得，單純的整機銷售并不是很好的商業模式，更好的方式是 “整機銷售 + 每年服務費” 的組合模式。如果只賣硬件，一次性賣完其實很虧，后續的售后壓力會非常大。“整機銷售 + 每年服務費” 就比較合理，既能保證長期的最大收益，又能解決售后問題，還能讓設備商一次性回本。通過這種組合模式，能把原本不賺錢的 “賣鐵生意”，變成能持續盈利的長期現金流生意。另一方面，用戶一次性付太多錢確實承受不了。

除此之外，未來還可能出現按單收費的商業模式。比如人形配送機器人測算下來每單成本能控制在兩到三元人民幣，和達達這類上游公司合作，機器人完成一單就賺一筆費用。

本體廠商大收縮，要拼什么？

Q：到 2026 年，我們有望看到具身智能在能力邊界上實現怎樣的突破？整個具身智能領域的技術決勝點可能會是什么方面？

劉智勇：2026 年可能會有兩個關鍵突破方向。第一是機器人在非結構化場景中實現穩定作業。要做到這一點，需要機器人具備一定的社交行為表現和自主導航能力。解決了之后，一些之前沒想到的非結構化環境下的任務機器人也可能完成了。目前行業內大多還聚焦在結構化環境，所以這會是一個重要突破。第二是突破莫拉維克悖論（Moravec's Paradox）。以往大家覺得，機器能完成人類覺得難的事，但難以完成人類覺得簡單的事，而 2026 年可能機器人也能勝任這類任務，會在人類覺得簡單的事情上取得突破。

至于技術決勝點，我認為有幾個關鍵因素，其中最重要的是世界模型的因果推理能力。一旦這項能力取得突破，無論是機器人的安全性還是行為和推理的安全性問題，都能得到很好的解決。

Q：2026 年，全球具身智能公司的競爭情況將如何變化？中國公司與國際巨頭各自的優勢和賽點分別會在哪里？

劉智勇：2026 年本體廠商肯定會收縮，馬太效應會非常明顯，估計中國最終只會剩下 5 到 8 家本體機器人公司。不過應用場景相關的公司和上游企業會多一些。

中國和國際企業的優勢不一樣，國際公司的大模型技術更先進，基礎模型能力更強，國內企業還處在追趕狀態，但中國企業擁有供應鏈成本優勢。另外競爭維度也在升級，現在大家可能還在追求單點技術的先進性，到了 2026 年，整體系統的效率會變得更重要。

至于賽點，我覺得核心是在某個單一場景實現盈利，不是毛利而是不依賴大量售后成本的凈利。誰能做到這一點，誰就能形成數據飛輪，有了數據之后，模型和方法能力會進一步提升，之后再推進跨場景復制。

加入InfoQ年度盤點讀者群，第一時間獲取盤點文章更新

技術人的年度儀式感！ 年度盤點與趨勢洞察 啟動！

《2025 年度盤點與趨勢洞察》由 InfoQ 技術編輯組策劃。覆蓋大模型、Agent、具身智能、AI Native 開發范式、AI 工具鏈與開發、AI+ 傳統行業等方向，通過長期跟蹤、與業內專家深度訪談等方式，對重點領域進行關鍵技術進展、核心事件和產業趨勢的洞察盤點。

力求以體系化視角幫助讀者理解年度技術演化的底層邏輯、創新方向與落地價值，并為新一年決策提供參考。內容將在 InfoQ 媒體矩陣陸續放出，歡迎大家持續關注。