2026年已经过半，人形机器人与具身智能行业交出了数份出色的成绩单。7月，世界人工智能大会新闻发布会上，工业和信息化部科技司副司长甘小斌透露，今年人形机器人全年整机产量有望突破10万台。同月，国新办新闻发布会上，工业和信息化部总工程师王卫明表示，中国研发的四足机器人占全球销量份额接近70%，人形机器人整机产品达400余款、超全球半数。

2026年，被业界普遍视为人形机器人与具身智能规模化商用元年，与此同时，整个行业的评价标尺也在发生根本性的改变——从能不能做出样机转向能不能创造实际效益。在这个过程中，以大模型为核心的具身大脑正成为定义产业核心竞争力的关键变量。

具身大脑，缘何最“吸金”？

文娱表演、工业智造、教育科研、商业零售、家庭服务……当下，越来越多机器人正走出工业流水线，走向更广阔的场景，迎来全新的技术挑战。此前，传统工业机器人多作业于封闭、结构化的环境，面对单一而确定的任务，无需环境感知与自主学习能力即可完成。

而在具备无限可能性的现实场景，同一物体可能出现在不同位置、同一位置可能放置着变化的物体，不同光线、不同材质都会影响识别效果，任务执行过程中还可能出现障碍物。机器更需要具备的，是理解物理世界规律的学习能力和解决复杂问题的泛化能力。

这正是具身智能大模型如此重要的原因。星海图创始人兼CEO高继扬在接受《中国电子报》记者采访时表示，具身智能机器人产业走向生产力兑现的最大机遇，正来自智能范式的根本性升级，硬件是载体，而智能是灵魂，唯有让“大脑”持续进化，硬件才能释放出真正的产业价值。他表示，市场重心正从“堆硬件、拼参数”转向“拼模型、拼算法、拼场景泛化能力”。

周期切换之下，“大脑”层的长期价值被系统性重估，一级市场的投资重心持续从“身体”向“大脑”倾斜。据有关媒体统计，2026年上半年，国内具身智能核心赛道融资438亿元，聚焦具身大脑的企业融资占比超过一半，以机器人本体为核心的公司同期融资仅占12.8%。具身大脑企业加速聚集资本，成立2年的具身智能初创企业它石智航，4月宣布完成4.55亿美元（约合人民币33亿元）Pre-A轮融资，一举创下国内具身智能领域最高单轮融资纪录。同样成立一年多的蚂蚁灵波，几乎不生产硬件，专注具身智能大模型赛道，日前也已确认启动首轮独立融资

全行业加码“具身大脑”的战略共识形成。正在排队IPO的具身智能企业，也表明了投身大模型研发的决心。近日，上交所官网披露了云深处科创板IPO首轮审核问询函回复，其中提到，募投项目将聚焦“具身大脑”“具身小脑”等前沿方向，将约90%的资金用于“大脑”相关技术及基础设施，以补足此前资源投入相对薄弱的环节。已先一步上市的宇树科技，也曾在IPO募资中，将占比高达48.13%、规模超20亿元的研发资金投入具身智能算法与大模型研发。

乐聚机器人助理副总裁张大鹏表示，全栈自研能力已成为行业竞争的分水岭，具备“大脑—小脑—本体—数据”全链路自主可控能力的企业，在规模化落地中凸显出更强优势。

下一代具身大脑，该如何进化？

具身智能大模型与传统纯语言大模型有着本质区别。张大鹏强调，具身智能需要的是“具身数据”——即机器人在真实物理环境中执行任务所产生的高质量操作数据。这种差异，决定了具身大模型的核心使命不止于处理语义，还需要理解物理世界、做出独立决策。

那么，哪条路线最可能通向具身大脑的未来？如果在几年前问这个问题，答案几乎毫无疑问是VLA模型（视觉—语言—动作模型），通过融合三类模型，机器人能够观察环境、理解指令，再把理解转化为可以执行的动作。

然而，随着机器人技术的提升，纯粹VLA路线的局限性也在逐渐暴露，例如，智元具身业务总裁姚卯青认为，VLA模型没有学到通用物理规律表征，换一个机器人本体、陌生场景立刻泛化下滑。除此之外，数据稀缺、稳定性不足等问题，也是不可忽视的挑战。

今年以来，世界模型、WAM模型（世界动作模型）等技术方向备受关注，与VLA模型所擅长的自然语言理解不同，世界模型更擅长预测，能够帮助机器人学习物理世界的规律，并推演动作交互的结果。WAM模型则更进一步地统一了VLA与世界模型两大技术路径，同时具备执行动作和预测世界两种能力

不同的技术方向并不是非此即彼的互斥选项。目前，VLA模型与世界模型双线并行，正成为诸多头部企业的共同选择。宇树科技发布WVLA2.0具身大模型，融合了世界模型与视觉语言动作模型；银河通用推出通用大脑基座模型 AstraBrain WAM 0.5，核心技术路线即为世界动作模型；星海图实行“一脑多形”战略，发布新一代VLA基础模型G0.5及Fast-WAM世界模型；智元机器人也同时发力GO-2具身基座大模型与GE 2.0世界模型双线赛道。

值得注意的是，世界模型赛道内部，不同企业的技术着力点也呈现明显分化。今年的人工智能大会上，大晓机器人、蚂蚁灵波、极佳视界、无界动力、智元机器人、自变量机器人六家企业同台交流。无界动力联合创始人兼CTO夏中谱表示，评价世界模型要看它对几何、运动、力的预测精准度。蚂蚁灵波首席科学家沈宇军认为物理合理性比精度更为重要。智元AI算法总监任广辉将“推理的长时物理一致性”视为必不可少的评价指标；自变量联合创始人兼CTO王昊则强调决策窗口期的重要性，认为推理时效性更为重要。

技术路线虽各不相同，但正如大晓机器人首席科学家陶大程所言：“分歧是论文的素材，重叠是产业的基底。”当机器人真正进入物理世界，评价标准变得殊途同归：能不能稳定完成任务。真正有价值的机遇，或许正藏在那些未能达成共识的道路之上。

数据门槛，如何逾越？

不过，无论是VLA模型，还是世界模型，都绕不开同一个核心命门——数据。

在张大鹏看来，数据是最容易被忽视，但最可能成为行业长期瓶颈的环节。与文本数据相比，具身数据的采集成本更高、标准化难度更大、场景覆盖度要求更广，获取难度远高于互联网文本数据。姚卯青表示，当前具身数据无论按Token还是时长计算，与头部大语言模型的训练数据相比都可能相差1万倍以上，若将机器人“ChatGPT时刻”定义为机器人能够理解开放式指令、在物理世界中“开箱即用”并完成常见任务，行业或需要达到1亿小时级别的数据积累，推动常见任务的基础成功率达到70%至80%。

同时，数据类型错配也是制约具身大脑发展的重要因素。以世界模型为例，姚卯青认为，互联网视频的数据分布与机器人真正需要的物理世界数据存在本质差异，互联网内容很多是娱乐性甚至反物理规律的，而机器人需要的是物理接触丰富、涵盖各类型物理交互的真实数据，这些既在互联网上稀缺，也难以通过现有物理系统模拟。智源研究院理事长、北京大学计算机学院教授黄铁军也认为，在世界模型阶段，会需要越来越多实时交互性的数据，而耳机、智能眼镜等可穿戴设备将加速这一变化的发生。

为破解这一难题，产业界正在探索数据获取的可行路径。银河通用机器人押注数据合成赛道，在仿真环境中补足真实数据的短板。星海图联合亦庄机器人、亦庄国投共同组建数据公司“亦数智能”，计划当年完成百万小时数据积累，三年迈向千万小时量级。乐聚机器人牵头建设具身智能开源数据集，让科研团队、中小机器人企业实现“开箱”使用。

由此可见，技术瓶颈既是挑战，也是产业升级的跳板。具身智能产业的转折，藏在每一组数据积累、每一轮模型迭代、每一次产品落地中。这场关乎下一代生产力的产业竞赛，不是一蹴而就的冲刺，而是一场需要耐心和定力的长跑