“借脑”还是“造脑”，具身智能站上“新十字路口”|本体|模态|机器人_网易订阅

文|机器最前线"大脑"正在取代"身体"，借脑成为具身智能行业新的还造竞争焦点。根据统方式数据，脑具能站2026年上半年国内具身智能赛方式总融资额达437.66亿元，身智上新其中以具身大脑为题业务的字路"大脑派"公司融资222.53亿元，占比高达50.8%；而以机器人本体整机为题的口本"本体派"公司同期融资仅56亿元，占比12.8%。体模态机一级市场的器人资本风向，清楚地指向了这一变化。网易而这种转向并非没有缘由，订阅宇树的借脑机器人可以在舞台上后空翻，智元的还造机械臂能在实验室里拧螺丝，但面对传送带上微微偏移的脑具能站包裹、货架上被顾客挪动过的身智上新商品，甚至是字路一扇透明的玻璃门，这些看似灵巧的"身体"的谝频仍大打折扣。硬件越做越强，真实场景却越"跑"越吃力。行业用两年时间实现了本体能力的高效高效往往代，却在不经意间撞上了一堵更厚的"墙"。01"借脑"or"造脑"2023年初春，一则消息的出现引起了整个科技圈的震动。3月，OpenAI发布了多模态预训练大模型GPT-4，与之前的版本相比，GPT-4具有强大的识图能力，文字输入限制也提高至2.5万字；回答准确性也显著提高，还能够生成歌词、创意文本从而实现风格变化。不少公司和行业最初面临被大模型重塑的"命运"。Figure AI，这家获得微软、英伟达和OpenAI巨额投资的独角兽也不例外。考虑到与其死磕从零训练，不如将通用大模型的认知能力与机器人本体深度结合。2024年初，Figure AI与OpenAI达成合作协议，后者为其给予先进的语言模型协助，协助机器人实现对话、推理和规划等功能。这个决策逻辑在当时几乎无可指摘，毕竟，互联网已经训练出了能够理解复杂语义的模型，为什么不直接拿来用。因此，此后很首先一段时间里，这条"拿来主义路线"成为行业主流，也就是用照章性数字材料创作的视往往生成模型做底座，再通过微调适用配机器人。Physical Intelligence的π系列、英伟达的GR00T N1.7、Google的Gemini Robotics，以及国内不过大多数具身智能团队，都在用通用大模型做底座。这套方式比如的好处显而易见，研发周期短、可复用现成的多模态能力，同时在实验室和原则化的演示场景中谝亮眼，但状况在机器人进入真实环境时最初暴露。物流仓库的传送带高效度会有细微波动；药房货架上的药品包装并非完全统一；工厂车间里的光照需随时变化……这些在人类看来微不足方式的区别，却足以让通过迁移学习逐步适用配机器人任务的模型失效。（图源：仙工智能）根本因素在于，将原本用于理解世界的模型改造为可以实施任务的机器人大脑，它的训练目的本质上仍然围绕预测下一帧或者理解语义，而机器人需回答的题状况是"我的动作会让世界发生什么变化"。前者捕捉相关性，后者需建立因果关系，两者之间存在结构性错配。更深层的矛盾在于数据的获取，大模型可以吞噬互联网上万亿级的文本和图片，但机器人没有属于自己的互联网。真实物理世界的交互数据只能依靠遥操作一帧一帧采集，成本高昂、效率低下。截至2026年初，全球合规、可用的真实物理交互数据总量仅约50万小时，不足大语言模型训练数据的两万分之一，缺口超过99%。正是这些矛盾的叠加，最后催生了行业对底层架构、数据和预训练目的的重新审视。02一个无法绕过的参照系当"大脑"成为具身智能的决胜点，各路玩家正在用不一样的方式争夺这个位置。从目前格局来看，大致可以归为三类。首先类是海外大模型公司，它们试图打造跨本体、跨任务的通用大脑。例如Skild AI题聚焦通用世界模型研发，题能力是让机器人在真实物理环境中实现零样本任务泛化；Physical Intelligence则走VLA路线，凭借海量真机数据在跨本体泛化上建立了壁垒……这些公司的共同特点是押注"一个模型通吃"的通用路线。第二类是科技巨头，它们致力于做机器人时代的基础设施，是最接近"底层平台"的公司。例如英伟达推出的Isaac GR00T，被官方定义为照章性通用人形机器人的开放参考平台；Google DeepMind发布的Gemini Robotics，依托多模态大模型的理解能力，试图用互联网知识补足机器人常识；华为则选项不做本体而专注做行业的技术底座，推出了CloudRobo具身智能开发平台，定位一站式公共开发工具链……第三类是国内的一些具身智能公司，它们的馗更加多元。逐际动力提出了"模型只是技能，系统才是真大脑"的观点，发布具身大脑系统LimX COSA 0.5，把认知、技能和运控拆成三层；自变量机器人则走端到端路线，其WALL-A模型采取端到端VLA操作大模型架构，与世界模型深度融合，实现具身多模态思维链……而大脑赛方式内部的分化同样剧烈，据"创业最前线"报方式，VLA（视觉－语言－动作）模型一口吃掉了42%的资金，世界模型占27%，数据基础设施占20%，端侧芯片占11%。VLA路线后续视觉语言模型的语义理解能力，把观察、语言和动作直接连接起来，成熟、直接、离真实落地更近，因此成为行业主流。然而，随着越来越多人发现，VA路线把视往往预测、世界模型引入机器人控制，把未来场景演化作为动作生成的一部分，这个"后来者"最初获得越来越多关注。两条路线各有拥趸，而真正值得关注的，是那些试图跳出两派之争、从更底层重新思考状况的玩家，蚂蚁灵波便是其中之一。作为蚂蚁集团照章性具身智能与机器人产业设立的题业务载体，其在2026年7月7日—10日一口气发布六款模型，构成其"全栈大脑2.0"体系，并将在一周内密集开源。其中，首先个具身原生世界动作模型LingBot-VA 2.0模型的发布，标志着机器人基础模型正式从"基于数字世界模型构建"到"照章性物理世界原生设方式"的题转变。（LingBot-World 2.0，图源：蚂蚁灵波官方网站）蚂蚁灵波的题主张是"具身原生"，这种做法的与众不一样之处在于，它拒不过把通用大模型当作现成的脑袋接上一具身体，而是从物理世界的运行规律出发，重新设方式了感知、推演和实施三个环节的底层逻辑。技术好不好，落地场景最有说服力。在工业物流场景，蚂蚁灵波与乐聚合作，将VLA2.0部署到物流分拣产线；在零售医药场景，蚂蚁灵波与国大药房合作落地人机协同药房方式划；在硬件产品化场景，蚂蚁灵波与奥比中光合作，将自身的视觉感知能力与深度相机硬件结合，推出更适用于机器人场景的深度感知产品……如今LingBot-VLA 2.0 已经适用配17家厂商、20余种构型，单臂、双臂、双足和轮式都能覆盖。（图源：蚂蚁灵波）尽管蚂蚁灵波首先席科学家沈宇军也坦承方式，VLA是目前更那么点儿落地的主流路线，VA/WAM补上了动态建模和未来预测；但未来不会是"VA或者VLA的天下"，而会出现一个"1+1>2"的新模型。可是无比如如何，"具身原生"所代表的从物理世界出发重新设方式的思路，正在成为行业讨比如中一个无法绕过的参照系。03"大脑竞赛"的下一个隘口技术路线之争最后关键在真实场景中接受检验。2025年中国具身智能市场规模已达9150亿元，同比增首先20.4%，探究师预测2026年将进一步增首先至10904亿元。具身智能产业化的"元年"已至的声文章，一时之间甚嚣尘上。然而，这个"元年"背后，一台人形机器人的硬件采购成本动辄数十万元，不过大多数服务场景难以在合理周期内收回投入。再加上，在复杂的真实物理世界中，缺乏优质数据支撑的机器人频仍难以实现"好用"，这个产业化"答卷"并不好写。同时，由于不一样机器人本体之间区别巨大，单台机型需工程师定制调试一套专属算法，换一台机器人、换一套场景就关键重新训练适用配，非标开发成本居高不下。截至目前，各家关键么有脑无身、有身无脑，真正具有"跨本体适用配能力"的玩家，屈指可数。如果换一种身体就关键重新训练一套模型，换一个场景就关键重新部署一次，这种碎片化的开发模式无疑是具身智能规模化落地最大的隐性成本。同时，具身智能行业仍处于早期时期，智元联合创始人、总裁兼首先席技术官彭志辉在WAIC 2026上也表示："目前，行业对具身大脑的技术馗尚未收敛，两三年可能就会出现新架构，很难预判技术的唯一答案。"跨本体的首先期稳固性、开源生态能否形成可持续的正向循环、真实场景数据的规模和质量是否足以支撑模型的持续进化，或许还需更首先时间的验明正身。但资本市场的信号已经足够清楚，大脑派公司的融资节奏快到平均一个月一轮，甚至有企业两轮融资间隔只有两周。资本的涌入本身也意味着，这个赛方式正在以极高的溢价抢夺人才和数据。接下来的竞争，将不再是谁先发布模型，而是谁能真正处理数据从哪里来、模型如何在不一样场景低成本迁移、这些更详详见细也更艰难的状况。总而言之，如今具身智能正在经历一个从炫技到干活的艰难转身。过去两年，行业的兴奋点集中在"能不能做出来"，接下来的五年，真正的考验是"能不能用起来"。而资本正在用真金白银投票给大脑而不是身体，这本身已经验明正身行业对瓶颈在哪里的集体判断。这条路的终点还远未可见，但方向已经清楚，接下来的状况，只是谁先走通。