百亿估值具身智能创企，走到哪一步了？

　　资本升温之外，行业也在试图回答更具体的问题：当具身智能走向真实世界，它究竟走到了哪一步，距离大规模落地还有多远？

　　机器人赛道的喧嚣与热闹，正吸引着市场内外广泛关注。2026年年初，各家机器人公司加快融资脚步，一批估值百亿的机器人公司涌现，包括银河通用、智平方、星动纪元、自变量和星海图等。

　　同时，机器人公司亦开始备战二级市场，3月20日，上海证券交易所官网显示，已受理人形机器人公司宇树科技在科创板的IPO申请，宇树科技拟融资42.02亿元，此外乐聚和云深处已开启A股备案，智元和银河通用则有意登陆港股。

　　资本升温之外，行业也在试图回答更具体的问题：当具身智能走向真实世界，它究竟走到了哪一步，距离大规模落地还有多远？

　　3月27日，在中关村论坛的“百亿具身智能对话”圆桌上，银河通用创始人王鹤作为主持人，与智平方联合创始人张鹏、千寻智能联合创始人高阳、星动纪元联合创始人席悦以及原力灵机创始人唐文斌展开讨论，几位具身智能创业者围绕2025年以来行业升温后的技术演进、数据瓶颈、场景落地与标准建设等议题展开交流。

　　智平方张鹏：先跑通半结构化场景，推进规模化交付

　　张鹏认为，2025年对具身智能行业的推动非常大。过去一年，越来越多的参与者进入这一赛道，行业从实验室阶段进一步走向真实应用场景。

　　在他看来，2025年最重要的变化，在于场景验证开始真正落到实处。机器人不再停留在演示和实验室测试阶段，而是逐步进入工业、公共服务等真实环境之中，这意味着行业已经迈出了从技术验证走向应用验证的关键一步。

　　不过，张鹏同时指出，场景验证并不等于大规模商业化已经到来。当前行业仍然面临真实场景泛化能力不足的问题，机器人在不同环境中的适应能力、稳定性和交付能力仍待提升。对于具身智能企业而言，下一步更关键的是如何让模型、硬件和系统在真实场景中持续迭代，推动交付从小规模验证走向批量化复制。

　　对于2026年，智平方在应用场景探索与技术落地方面，仍重点布局工业和公共服务等半结构化场景，“我们认为，结合当前的模型能力和供应链能力，半结构化场景是现阶段最适合做规模化交付的领域。先跑通半结构化场景，再逐步走向家庭ToC场景，这是我们的发展逻辑。”张鹏称，此类半结构化场景更适合当前模型能力和供应链能力，也更有希望在近期具备推进规模化交付基础。

　　千寻智能高阳：具身智能正处于“GPT-2迈向GPT-3”的前夜

　　类比人工智能发展路径，高阳认为，当前具身智能的发展阶段可类比为大模型早期的“GPT-2时代”，行业内的一些具身模型已经展现出初步的语言跟随和任务泛化能力，但总体表现仍较初级，距离真正稳定、鲁棒地完成复杂任务还有明显差距。

　　对于数据层，高阳称，与大语言模型可以借助互联网海量文本完成pre-training（预训练）不同，机器人领域的数据来源更复杂，获取成本更高，且真实世界数据、仿真数据、互联网视频数据如何组合使用，仍在探索过程中。

　　在模型架构方面，他提到，当前不少具身模型仍偏向简化设计，例如多数VLA（视觉语言动作模型）仍依赖单帧图像输入，但未来机器人若要真正进入复杂环境，就必须具备更强的记忆、决策和端到端执行能力。

　　在他看来，2025年至2026年更像是具身智能为下一轮跨越做准备的阶段。“2025年更多是在为scaling（规模扩展）做准备。2026年，工作的重心会更多转向训练更大的模型、使用更大的数据，并在系统层面做好scaling，确保scaling真正带来效果。”

　　高阳同时指出，随着学界和产业界持续围绕数据基础设施、训练体系和模型扩展展开投入，数据scaling已经显现出一定成效，模型规模进一步扩展的条件也在逐步成熟。基于这一判断，他预计，具身智能领域有可能在2026年末至2027年中迎来更接近“GPT-3级别”的模型突破。

　　星动纪元席悦：数据仍是最大瓶颈，安全标准最迫切

　　席悦指出，在行业高速发展的背后，机器人真正实现规模化落地的最大难点依然是数据。他坦言，在真实环境中进行大规模数据采集需要场景方开放，既昂贵又耗时；而仅靠工程师一比一复刻真实场景搭建测试场的模式，效率极低且不足以解决所有问题。

　　为了打破数据瓶颈，席悦认为必须构建从数据采集到模型闭环的“数据飞轮”。目前星动纪元正在尝试让机器人在真实环境中自主处理一些极端情况（CornerCase），以持续提升系统的学习效率。同时，团队倾向于将人类第一视角数据与真机数据配合使用，并正在着力解决人类与机器人在构型、运动形态和感知方式上的差异，以此来应对真机大规模采集的成本挑战。

　　商业化落地方面，席悦表示，星动纪元这两年都在持续布局物流和工业场景，选择场景基于三个逻辑：一是技术模块要足够标准化，并具备可复制性；二是场景需具备明确指标，如节拍、准确率、稳定性和连续作业时长；三是优先切入人类经过短时间培训即可上岗的“日结型”岗位，让机器人先从易于进入的环节落地。

　　此外，针对行业标准建设，席悦表示，具身智能当前最迫切、也最底线的仍是安全标准建设。他认为，行业既要建立共性的安全标准，也要针对不同应用行业形成相应的安全规范，在不过早约束产业发展的同时，让行业在可控范围内通过试错不断完善。

　　原力灵机唐文斌：需要行业性评测体系衡量具身智能技术进展

　　唐文斌指出，尽管当前具身智能行业在数据、训练和模型上进展迅速，但客观来看，整体算法水平依然处于非常初级的阶段。

　　“直到今天，行业里连一个真正大规模的Benchmark(基准测试)都没有。大家可能还是在一些机器人基准和相对简单的仿真数据集层面做测试，到底现在到了GPT-2还是GPT-3.5水平？其实还没有特别成熟的衡量方式。”唐文斌说。

　　唐文斌称，为解决无法准确衡量模型进步的问题，原力灵机将大量精力投入到评测等底层基础设施的建设中。他提到，原力灵机去年10月联合HuggingFace共同发起具身智能算法评测项目RoboChallenge，目前该平台已累计完成十多万次评测，他呼吁业内同行以开源、平台化方式共同参与建设这套评测标准。

　　对于行业普遍关注的数据问题，唐文斌表示，当前具身智能数据来源已较为多样，包括遥控操作数据、动作捕捉数据，以及仿真数据等，但这些数据本质上都在帮助模型应对分布外问题和现实环境中的不确定性。由于现阶段主流训练范式仍以模仿学习为主，机器人往往更擅长处理“见过的任务”，而在面对未见过、超出训练分布的任务时，表现仍不稳定。

　　在他看来，数据固然重要，但并不是唯一瓶颈。眼下不少数据采集问题，某种程度上仍可以通过投入更多时间和成本来解决；真正更难的是如何获得来自真实场景、能够持续回流的数据。借鉴自动驾驶的发展经验，最终决定系统上限的，往往不是常规样本，而是那些需要在真实环境中不断暴露、修正和积累的边缘问题。

　　唐文斌进一步指出，数据问题也反映了具身智能当前面临的现实矛盾：一方面，机器人尚未成熟到可以大规模部署；另一方面，若不能大规模部署，又难以获得足够关键的真实回流数据，形成有效的数据飞轮。要推动具身智能真正走向实用化，关键在于找到能够让机器人被批量、持续使用的场景，并在使用过程中不断完成数据回流和系统迭代。