“借脑”还是“造脑”，具身智能站上“新十字路口”

文|机器最前线

"大脑"正在取代"身体"，成为具身智能行业新的竞争焦点。

根据统计数据，2026年上半年国内具身智能赛道总融资额达437.66亿元，其中以具身大脑为核心业务的"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核心的"本体派"公司同期融资仅56亿元，占比12.8%。

一级市场的资本风向，清晰地指向了这一变化。而这种转向并非没有缘由，宇树的机器人可以在舞台上后空翻，智元的机械臂能在实验室里拧螺丝，但面对传送带上微微偏移的包裹、货架上被顾客挪动过的商品，甚至是一扇透明的玻璃门，这些看似灵巧的"身体"的表现常常大打折扣。

硬件越做越强，真实场景却越"跑"越吃力。行业用两年时间完成了本体能力的快速迭代，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，与此前的版本相比，GPT-4具备强大的识图能力，文字输入限制也提升至2.5万字；回答准确性也显著提升，还能够生成歌词、创意文本从而实现风格变化。

不少公司和行业开始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，后者为其提供先进的语言模型支持，帮助机器人实现对话、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。

所以，此后很长一段时间里，这条"拿来主义路线"成为行业主流，也就是用面向数字内容创作的视频生成模型做底座，再通过微调适配机器人。

Physical Intelligence的π系列、英伟达的GR00T N1.7、Google的Gemini Robotics，以及国内绝大多数具身智能团队，都在用通用大模型做底座。

这套方法论的优势显而易见，研发周期短、可复用现成的多模态能力，并且在实验室和标准化的演示场景中表现亮眼，但问题在机器人进入真实环境时开始暴露。

物流仓库的传送带速度会有细微波动；药房货架上的药品包装并非完全统一；工厂车间里的光照条件随时变化……这些在人类看来微不足道的差异，却足以让通过迁移学习逐步适配机器人任务的模型失效。

（图源：仙工智能）

根本原因在于，将原本用于理解世界的模型改造为可以执行任务的机器人大脑，它的训练目标本质上仍然围绕预测下一帧或者理解语义，而机器人需要回答的核心问题是"我的动作会让世界发生什么改变"。

前者捕捉相关性，后者需要建立因果关系，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，最终催生了行业对底层架构、数据和预训练目标的重新审视。

02一个无法绕过的参照系

当"大脑"成为具身智能的决胜点，各路玩家正在用不同的方式争夺这个位置。从当前格局来看，大致可以归为三类。

第一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。

比如Skild AI主要聚焦通用世界模型研发，核心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……这些公司的共同特征是押注"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。

比如英伟达推出的Isaac GR00T，被官方定义为面向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；华为则选择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，它们的路径更加多元。

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模型采用端到端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……

而大脑赛道内部的分化同样剧烈，据"创业最前线"报道，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路线继承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。

不过，随着越来越多人发现，VA路线把视频预测、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"开始获得越来越多关注。

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、从更底层重新思考问题的玩家，蚂蚁灵波便是其中之一。

作为蚂蚁集团面向具身智能与机器人产业设立的核心业务载体，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"面向物理世界原生设计"的关键转变。

（LingBot-World 2.0，图源：蚂蚁灵波官方网站）

蚂蚁灵波的核心主张是"具身原生"，这种做法的与众不同之处在于，它拒绝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，重新设计了感知、推演和执行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案；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，推出更适合机器人场景的深度感知产品……如今LingBot-VLA 2.0 已经适配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）

尽管蚂蚁灵波首席科学家沈宇军也坦承道，VLA是当前更容易落地的主流路线，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。

可是无论如何，"具身原生"所代表的从物理世界出发重新设计的思路，正在成为行业讨论中一个无法绕过的参照系。

03"大脑竞赛"的下一个隘口

技术路线之争最终要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，同比增长20.4%，分析师预测2026年将进一步增长至10904亿元。具身智能产业化的"元年"已至的声音，一时之间甚嚣尘上。

不过，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，绝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，缺乏高质量数据支撑的机器人往往难以实现"好用"，这个产业化"答卷"并不好写。

并且，由于不同机器人本体之间差异巨大，单台机型需要工程师定制调试一套专属算法，换一台机器人、换一套场景就要重新训练适配，非标开发成本居高不下。截至目前，各家要么有脑无身、有身无脑，真正具备"跨本体适配能力"的玩家，屈指可数。

如果换一种身体就要重新训练一套模型，换一个场景就要重新部署一次，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。

此外，具身智能行业仍处于早期阶段，智元联合创始人、总裁兼首席技术官彭志辉在WAIC 2026上也表示："目前，行业对具身大脑的技术路径尚未收敛，两三年可能就会出现新架构，很难预判技术的唯一答案。"

跨本体的长期稳定性、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，或许还需要更长时间的验证。

但资本市场的信号已经足够清晰，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，这个赛道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，而是谁能真正解决数据从哪里来、模型如何在不同场景低成本迁移、这些更具体也更艰难的问题。

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，这本身已经说明行业对瓶颈在哪里的集体判断。这条路的终点还远未可见，但方向已经清晰，接下来的问题，只是谁先走通。