世界模型从概念走向工业级落地
本季度最具标志性的事件无疑是英伟达发布的 Cosmos 3，这是市场上首个全开源的 Omni Model，标志着世界模型从实验室研究正式迈入可部署、可调用的工业级产品阶段。此前，世界模型更多停留在概念或小规模实验阶段（如早期的 Dream Zero），而 Cosmos 3 不仅提供 Super、Nano、Edge 三个版本，还针对不同部署场景做了系统性适配，展现出清晰的产品化路径。更深层的意义在于，它推动了整个具身智能范式的演进：世界模型不再只是独立路线，而是开始与 VOA（Vision-Action-Architecture） 融合，为现有 SOTA 模型注入环境预测与建模能力。
原话：与其是世界模型颠覆了 VOA 或者超越了 VOA，不如说世界模型给现有的 SOTA 模型带来了一种更新的能力和思路。
值得注意的是，行业头部公司如 Generalist（Gen 1）和 Physical Intelligence（Pi 0.7）也在主动尝试将世界模型能力“缝合”进自身架构中，显示出融合趋势已成共识。与此同时，行业对“世界模型”或“VOA”等标签仍持谨慎态度——Peter Florence 曾撰文强调其方法既非 VOM+动作的简单拼接，也非传统意义上的世界模型，反映出技术路线与叙事策略之间的张力。
人形机器人：从噱头走向严肃竞技与工业验证
第二季度最引人注目的行业事件是 北京亦庄人形机器人马拉松——100 多台机器人参赛，荣耀机器人事业部包揽自主导航组冠、亚、季军，成绩从上一届的 2 小时 40 分提升至约 50 分钟，进步超 3 倍。这一结果并非偶然：荣耀投入近 200 人团队，定制高功率电机与液冷系统，解决了高速长时间运行中的过热问题，从而保障了稳定性与一致性。相比之下，宇树、北人等专注本体的公司仅派单队出战，凸显资源密度与系统集成能力的差异。
原话：一个人形机器人想顺利的完成二十多公里的半马比赛，它需要有非常好的全身运控能力，有处理应急场景和各种地面的不规则的这种障碍物，以及需要非常长时间无故障运营……马拉松比赛是创造了一种极端的测试环境。
这场赛事本质上是人形机器人技术的“练兵场”与 benchmark，其价值不在于直接商业化，而在于倒逼硬件、控制、导航、系统工程等多维度协同突破。与此同时，Figure AI 的百小时物流分拣直播（13 万包裹，3 秒/件）首次在真实工业场景中验证了人形机器人持续作业能力，其泛化操作与节拍匹配能力甚至接近人类水平，标志着人形机器人从“表演”迈向“可用”。两大事件共同释放信号：人形机器人正从技术炫技转向系统性工程竞争，终端厂商（手机、车企）凭借制造、供应链与组织能力加速入场，预示未来市场格局将由具备“系统作战能力”的大厂主导。
灵巧操作与行业术语的悄然演进
本季度另一大亮点是 灵巧手与灵巧操作的爆发式进展：在维也纳 WAFR 会议上，多家公司（如 5G 为代表的企业）发布了新一代高自由度灵巧手，多家创业公司同步推出基于高自由度灵巧手的精细操作基座模型，使灵巧手成为继运动控制之后的新竞争高地。与此同时，行业对领域的称呼也在悄然变化——“物理 AI” 正逐步替代“具身智能”，而“世界模型”虽热度不减，却仍面临定义模糊的挑战。
这一术语演进背后，是技术路径的深化与融合：VOA 与世界模型不再割裂，而是走向能力互补；人形机器人从“能走”迈向“能做”，从实验室走向产线。正如从业者所言，当技术边界被极限场景（如马拉松）不断试探，量产时的系统设计与工程经验便有了扎实积累。未来竞争的关键，或将不再是单一技术点的领先，而是软硬协同、端到端优化与规模化落地能力的综合比拼。
人形机器人在包裹分拣中的突破性价值
Figure AI 在本次直播中展示的包裹拣选任务，无论从观赏性还是工业价值上，都是一次从零到一的突破。长期以来，人形机器人能否在真实工业场景中替代人类，一直存在疑问；而物流包裹分拣恰恰是一个高度依赖泛化能力与连续操作能力的场景——它既不适合人类长时间重复劳动，又对机器人的灵巧操作、环境适应性与长尾问题处理能力提出了极高要求。
在直播中，机器人虽固定于一点，却需应对传送带速度波动、包裹过轻、球形/滑动物体掉落等意外情况。此时，只有具备双足双臂与灵巧手的人形机器人，结合当前具身模型的通用泛化能力，才可能应对这些无法穷尽的 corner cases。相比之下，传统机械臂方案（如运动控制+工业臂+视觉识别）在四五年前就已尝试解决类似问题，但受限于末端执行器能力（多用吸盘而非双臂协同），难以完成翻面、展平等柔性操作——尤其是面对软体包裹时，二维码遮挡与形变问题几乎无解。
“一旦它滑动出来，或者它掉到地上，实际上我们在直播里面是看到一两个片段，这个物体是从这个台面滑落到地面的。”
“其实只有人形机器人，加上我们今天的这种具身模型，通用泛化的能力才可能解决这种你无法去穷尽的长尾问题。”
遥操争议与工业落地的真实路径
直播中机器人出现的“扶头”动作曾引发是否为遥操作的质疑，但需明确：所有具身机器人在正式部署前，都需经历大量遥操数据采集与动作校准阶段。即便部分环节存在人工干预，也不应削弱其示范意义——这恰恰是通往全自主的关键路径。
未来工业部署中，远程监控模式或将类似自动驾驶：后台一名操作员可同时管理多台机器人，仅在异常时介入接管。这一模式在 robotaxi 领域已成行业标准（如 Waymo），其核心指标是“单人可接管机器人数量”。人形机器人若进入家庭场景，则对全自主能力与隐私保护提出更高要求，因此 Figure 选择物流分拣作为切入点，实属策略性选择：它具备大规模部署潜力、高吞吐率、作业一致性，且规避了家庭场景中更复杂的隐私与泛化挑战。
“哪怕这里面有相当的时间，有一部分时间是需要人类介入、人类干预，我觉得也不能削弱这件事情本身的意义。”
中美的落地进展与ToB生态的演进逻辑
国内进展同样迅速：心动纪元已在中国邮政与顺丰完成长时间测试，实现包裹分拣、翻面、扫描全流程自主；其与 Figure AI 的展示，共同推动公众通过直观、非技术化的场景（如达人秀舞蹈、直播分拣）重新理解人形机器人的现实能力——这比春晚表演更具说服力，因后者常被误认为“AI生成”或“多遍录制”。
值得注意的是，真正具备落地潜力的并非仅靠硬件创新，而是能否嵌入既有运营体系。像海柔、极智嘉等早期 ToB 机器人公司，虽融资热度不及新锐，但已积累大量客户系统耦合经验与真实场景认知，一旦整合人形机器人与具身智能大脑，将具备极强的场景迁移能力。尤其在电商仓等非标包裹密集场景中，双臂+灵巧手+泛化模型的组合仍是当前唯一可行路径。
此外，运动控制（locomotion）与操作（manipulation）的融合正成为新趋势。原测未来等新公司专注于全身控制数据采集，标志着行业从“操作智能”走向“全身智能”统一建模。数据范式也从早期 Aloha 的轻型臂遥操采集，逐步转向更贴近真实部署的全尺寸人形机器人数据体系——谁掌握高质量全身运控数据，谁就掌握具身智能下一阶段的钥匙。
真机遥操与数据采集范式的演进
当前具身智能的数据采集正经历从真机遥操作向更高效、低成本、高多样性方案的快速迭代。早期的Aloha方案采用同构四臂构型：两人分别操控两个机械臂，另两个机械臂实时克隆其动作，从而实现高质量动作迁移。该方案由斯坦福的Sandeep Batish与Tony Zhao于2023年提出，构成了当时主流的数据采集范式。
随后，五米方案（Five-Meter）出现，其核心是让采集人员手持两指夹爪进行操作，无需真机参与，大幅降低硬件门槛与部署成本。这一方案支持在真实场景中灵活采集，是无本体数据采集的重要突破。
到2023年底，第一视角（egocentric）视频采集成为新趋势：采集者佩戴头戴摄像头，配合或不配合手套，即可记录操作过程。该方案显著提升了数据的场景多样性与任务泛化性，且对操作者干扰极小。其灵活性体现在：可单独使用ego视频，也可与五米夹爪、手套或空手组合，形成多模态数据流。
2024年，英伟达推出的Sonic全身动捕系统进一步推动了人形机器人数据采集的升级。该系统基于骨骼点映射与retargeting技术，结合语速（Unitree）开源生态的成熟（包括硬件本体与参数优化），使得人类动作（如舞蹈、复杂操作）可高效迁移至人形机器人。值得注意的是，Sonic与传统影视动捕（如面部贴点）的关键区别在于：它更轻量、开源、可快速复现，且与现有机器人平台兼容性高。
“当我们捕捉到一个人的运动骨骼信息的时候，这个人的运动信息可以很快的迁移到语速期望上面。”
“算法上是和英伟达的这个Sonic的开源的成果相关。然后硬件上是语速的硬件本体本身更成熟了。”
灵巧手：从科研工具走向基础设施
2024年第二季度，灵巧手领域迎来显著进展，尤其在ICRA（国际机器人与自动化大会）上，多家中国公司集中发布新一代高自由度灵巧手产品。其中，五G发布的二代直驱灵巧手成为焦点：它具备20个主动自由度，体积仅为传统高自由度手（如Shadow的22自由度手）的一半，显著更贴近真人手掌尺寸，极大提升了任务泛化能力——这是此前大体积手部难以复现人类操作的关键瓶颈。
相较一代产品，五G二代手在不增重前提下实现了三大工程突破：反驱性能增强（关节可被动掰动）、散热大幅改善、力控响应更灵敏，使其更适合强冲击与高精度场景。现场观众可亲手体验其灵活性，验证了其作为研究基础设施的潜力。
从市场格局看，灵巧手分为低自由度（用于人形机器人基础抓取、表演等）与高自由度（面向前沿科研）两类。低自由度手年出货量达数万只，由灵心巧手、英石、强脑等公司主导；而高自由度市场仍处早期，此前长期缺乏成熟量产方案，直到Shadow与五G推动直驱方案落地。五G的定位明显趋近于Unitree——专注打造低成本、高可靠性、可复用的硬件平台，以支撑全球研究社区的快速试错。
“五G今天的公司定位是比较像语数的。是专注于把一个低成本、高可靠性、稳定的，一个硬件设备做到足够的可靠、耐用，然后让大家可以在这个技术上去做大量的呃研究跟实验。”
灵巧操作模型：行为克隆的初级阶段
灵巧手操作的模型研究仍处于早期行为克隆（Behavior Cloning）阶段，其数据依赖性极强。2024年5月，Genesis发布了一款基于五G灵巧手的操作模型，宣称采集了约20万小时数据，涵盖ego视频、遥操作与手套采集等多种模态。其demo展示了旋转魔方、烹饪（20步完整做菜流程）、弹钢琴等高灵巧性任务，代表当前SOTA水平。
然而，这类模型泛化能力仍有限：任务或环境稍有变化，成功率即显著下降——这与两年前Aloha时代的遥操模型高度相似。相比之下，夹爪操作领域已有如Generalist等公司通过Umi（无本体数据采集）方法实现数十万小时级数据生成，迈向更强泛化能力。
当前核心挑战在于：如何低成本获取高保真灵巧手操作数据。仅靠ego视频可能不足以捕捉精细手部动作；而依赖手套、外骨骼或肌电设备又成本高、门槛高。未来路径或在于：结合更优的仿真环境（如Isaac Sim）、轻量级动捕方案（如Rumi）或多模态融合采集策略，以突破数据瓶颈。
“今天的很多灵巧手的操作其实比较像两年前我们用Aloha进行这种真机遥操的这种类比。”
“我们认为在高自由度灵巧手操作上面，目前市场上还没有特别清晰的方法，如何获得足够高保真的数据来驱动一个领潮者操作。”
灵巧手数据采集的生态困局
当前，通用型具身智能公司如 Generalist 已能通过乌米（Umi）等方法采集几十万小时无本体数据，但在高自由度灵巧手操作领域，如何获取高保真数据仍缺乏清晰路径。问题核心在于：仅靠 egocentric video 是否足够？抑或需依赖 Isaac Sim 仿真、动捕手套、肌电环或外骨骼设备？目前尚无行业共识。数据瓶颈尚未突破，意味着泛化灵巧手操作模型仍难落地。行业趋势虽在加速推进，但数据获取方式的不确定性，正成为制约技术演进的关键障碍。
“只有当数据的问题得到充分的解决和释放的时候，我们才有可能训练出一个非常泛化和通用的灵巧手操作模型。”
“灵巧手的硬件结构还没有完全收敛……你作为数据公司，你想要采集灵巧手相关的数据，那最简单的问题就是你按照哪一个手的构型、哪一个手的自由度去采集数据。”
数据归属：第三方服务商还是垂直整合者？
数据与智能高度耦合，其归属问题本质是“谁掌握核心能力”。当前已出现如简智、光轮等独立数据采集公司，服务于大厂与初创企业。但灵巧手数据的特殊性在于：其采集质量高度依赖硬件构型、电机与传感器选型——不同厂商的自由度（如20/21/22 DOF）、手指结构差异巨大，导致数据难以通用化。因此，第三方公司若服务多个客户，往往需为每家定制采集方案，成本高、复用性低。
从长期看，若灵巧手市场未形成稳定第三方供应商生态，则数据大概率由本体厂商自研自采。人形机器人公司若追求全栈能力（本体+大脑+灵巧手），则更倾向内部闭环。这与激光雷达不同：后者点云数据标准化程度高，算法可跨设备训练；而灵巧手数据格式与硬件深度绑定，话语权更倾向硬件端。
“如果你是灵巧手的厂商，那么你自己去设计一套数据采集的设备和标准，是很 make sense 的。第三方公司其实很难把这根事情直接做好。”
神驱、直驱与混合路线的博弈
灵巧手驱动方案正经历路线分化：特斯拉系坚持神驱（ tendon-driven），如 Optimus Q2 的22 DOF 手；而西诺未来推出 Flex Two，采用混合方案——前臂内置电机实现重载抓握（神驱优势），掌心微型电机驱动指节（直驱优势），兼顾力量与灵活性。该设计虽理论上兼具二者优势，但也继承了神驱的组装与维护复杂性痛点。
值得注意的是，前臂集成神驱方案需与本体厂商深度耦合，难以标准化，因此西诺未来等公司多获大厂战略投资（如理想、京东），成为事实上的定制供应商。反观全直驱路线（如5G、下发），虽当前多面向研究市场，但因其模块化潜力与迭代效率更高，正逐步建立算法生态基础。
“谁能够更快的提供可靠、稳定、廉价的灵巧手的供给？就能更快的成为这个行业的事实的标准。”
直驱与神驱：灵巧手的技术路线分野
尽管城区与直区的偏好在展后未发生根本变化，但判断已进一步加强——当前灵巧手的最新突破仍由全直驱方案主导，无论是五G还是下发的手，核心竞争焦点在于：谁能更快提供可靠、稳定、廉价的零钞手供给，谁就更可能成为行业事实标准。这一标准将吸引大量算法与软件围绕其架构展开适配。目前两类路线的下游生态已显分化：直驱系新公司多聚焦研究市场，推进前沿灵巧操作模型；而神驱系（如Optimus）则更面向产业落地。尽管产业规模化尚需时日，但马斯克基于第一性原理坚持神驱路径，视其更贴近人类生物特征，并对工程团队提出高要求以推进量产。然而，其V3手仍在持续迭代，量产时间表仍不明朗；与此同时，Optimus团队也在探索直驱或混合方案，但工程路径调整需漫长周期。
“你还是觉得直区是一个目前来看潜力更大的方向……这个判断应该是有所加强。”
“本质上，马斯克是一个非常相信第一性原理的人。所以呢，他是认为一个神曲的方向更接近于人类的这种生物的这个特征，所以他认为是一个更好的方向。”
对国内大厂一线工程师而言，在尚无明确技术胜出路径的早期阶段，采取Follow策略（如本体构型、算法设计等）是更稳妥的选择——毕竟，今天产业界选择的神驱方案未必就是最终能量产的方向。
世界模型：从Cosmos三看Omni Model的演进路径
世界模型已成为具身智能领域最热的创业风口之一，国内涌现出大量专注物理AI/具身机器人的新公司，部分今年成立即达十亿美元估值。其中，英伟达的Cosmos三被视作本季度的标杆成果——它是首个提出全开源Omni Model（大一统模型） 的尝试，原生支持文本、图像、视频、声音、动作五类模态的输入与输出，并可直接生成机器人动作轨迹，理论上已具备端到端控制能力。
其核心技术突破在于Mixture of Transformers（MoT）架构：一个自回归Transformer负责推理，一个Diffusion Transformer负责生成，二者通过共享Attention机制实现状态联动。这一设计首次将擅长离散信号（如文本）与连续信号（如视频）的模型统一于同一框架，实现了理解与生成的协同。相比此前Cosmos系列（如独立的predict/transfer/reason模块），Cosmos三实现了架构缝合与功能整合；此前的Cosmos Policy子模型需额外挂载动作头，而此次直接内嵌动作生成能力。
“从今天的Cosmos的角度，呃，它实际上就是对外的展示，它就是一个模型，它只是内部有了一套mixture的机制来共享一些状态。”
“他们认为这是一个东西，或者说他们的想象中最好的模型就应该是一个Omni Model，就是Cosmos三这个方向。”
值得注意的是，英伟达将Cosmos三定位为其芯片与机器人开发套件的底层支撑，未来亦可迁移至自动驾驶等场景。从行业反馈看，北美LLM研究者普遍认为VLA与World Model的对立叙事并不成立——二者本质是同一智能模型的不同能力切面：VLA更擅生成动作指令，World Model更擅状态预测；若能巧妙融合，方为终极理想。
世界模型的三类分野与WAM的崛起
依据英伟达六月官方综述，世界模型可划分为三类：
-
Video World Model（视频世界模型）：以视频生成为核心，代表如Google的View、阿里的One，本质是基于条件生成未来状态；Cosmos三亦归入此类。
-
Action-Conditional World Model（动作条件世界模型）：输入为动作（如机器人指令或物理操作），输出为对应环境变化预测；代表如Dream Dojo、Genie、Japa。其训练依赖真实物理变化数据，将动作视为对世界的扰动。
-
World Action Model（WAM）：当前具身领域最热门方向，直接输出机器人动作策略（policy），同时预测未来状态；代表如Dream Zero、蚂蚁的LimboVA。因其直指机器人控制核心，成为产业与资本最关注的焦点。
“在具身领域，因为我们更关注的还是机器人该怎么去响应和操作，所以WAM是最火的，是我们目前最关注一个方向。”
从投融资节奏看，转化速度极快：Dream Zero等成果于去年底发布后，迅速催生一批新公司，融资额与估值均快速攀升。未来可预见，更多大厂将跟进Omni Model思路，推动世界模型从“能力拼接”走向“统一架构”。
世界模型与VLA的分野与融合潜力
当前具身智能领域中，World Model（以视频为backbone）与VLA（Video-Language-Action模型）代表了两种不同的技术路径：前者更擅长对环境状态的预测，后者则在生成精确指令与动作序列方面表现突出。将二者巧妙结合，有望在终极信赖层面实现更优的机器人决策能力。这一趋势也正推动创业与投融资活动快速升温——从2023年底Dream Zero等成果发布起，短短一两年内，中国已涌现出包括Genesis、Liberty AI、Manifold、逆矩阵、模式星空、极佳世界等在内的多家世界模型相关公司；其中极佳世界成立最早（2023年），估值最高，而多数新公司集中在2025–2026年成立。海外方面，如GTC期间宣布融资4.5亿美元的Rudder AI，以及由NVIDIA前Gear Live Dream Zero团队负责人Chang（周章，韩国人）创立的新公司，也标志着全球范围的技术扩散。
“World Model为什么是一个这么大的一个变化或者是一个冲击啊？本质上还是因为我们看到了VLA这种方法……其实遇到了一定的性能的瓶颈。”
“视频生成这个路线，我们可以用到更大量的、更海量的数据的这个know how，这里面也包含了大量的物理的这些先验的知识，所以这个路线从原理上讲本身就是很有吸引力的一个路线。”
技术成熟周期与资本涌入逻辑
VLA方法虽早在2023年已有探索（如字节GR系列工作），但受限于当时缺乏高质量视频生成模型、缺乏如One这样的开源预训练骨干、缺乏Diffusion Policy或Flow Matching等生成连续动作序列的技术工具，其能力长期受限。直到2024–2025年，相关基础“recipe”才逐步成熟，世界模型的潜力在2026年初集中释放——这与当前可灵、C Dance、Vio3等视频生成模型在物理理解与常识建模上的显著进步密不可分。资本层面，这一波热潮既源于大模型红利带来的“赚了钱的人继续投，没赚到钱的人补票”，也因具身智能本身是长期战略方向，获国家层面支持与资本长期看好。其爆发速度与广度，堪比当年电动车浪潮，大量人才与资金涌入，也反映出技术拐点已至。
“从我自己来看，为什么我会觉得这个事情非常的兴奋？因为我们看今天所有的视频生成模型……已经到了很好的一个状态。”
VLA的迭代突破与Generalist的独立突围
尽管世界模型热度高涨，VLA路线仍在持续进化。Pi Zero 0.7的发布（2024年4月初）即是一例：它在传统VLA基础上接入了一个轻量级世界模型，用于预测未来几帧的图像状态（如手部动作后物体位置、形变等），并将该预测作为子目标反馈至动作生成模块——这一设计高度契合人类执行任务时的“脑补”机制（如投纸团入筐时预判轨迹）。Pi团队一贯以稳步迭代与前沿创新著称，从0.5到0.7，每版均有实质提升（如0.6已引入长时间A帧规划与状态文本记录）。
另一重要进展来自Generalist Gen One，其引发国内从业者更高关注，核心突破在于：1）显著提升VLA模型执行速度；2）在长程复杂任务中将平均成功率从60%+提升至99%；3）自建50万小时真实世界交互数据集（Umi-type无本体数据），并绕过VLM微调路径，从零训练端到端Transformer模型。该做法极为罕见，体现出团队对自身技术路线的高度自信与强大scaling能力——其报告清晰展示了能力随数据量增长而持续提升的scaling law证据。更关键的是，Generalist明确拒绝被贴上“世界模型”或“VOA”标签，其创始人Peter Frans撰文强调：模型完全基于物理交互原生数据训练，不依赖任何视频生成或VLM backbone，代表了一条独立于主流范式的路径。
“他们宣称实现了这个非常高的这个准确度……从百分之六十几的平均成功率提到了百分之九十九，这个数字的提升其实反映了他们模型这种任务能力的显著的一个跨越。”
“他们的模型是完全按照物理交互的原生的数据去训练的……所以它是一个它自己的方法。”
RT One 到 ER 1.6：Google 的具身模型演进路径
Google 在具身智能领域的技术路线具有清晰的延续性。早在 RT One 阶段，其团队就已训练了一个中等规模的 Transformer 模型，输入为文字描述、图像与关节序列，输出为对应动作的关节控制序列——该模型采用独立训练的 Transformer backbone，而非依赖 VLM 或视频生成模型。这一思路在 RT Two 中进一步发展，并成为后续 WLA（World Model + Action）风潮的起点。而今年四月发布的 Gemini Robotics ER 1.6（Embodied Reasoning 1.6），则代表了该路线的最新成果：它本质上是一个强化了物理空间理解能力的通用视觉语言模型（VLM），虽不直接输出机器人策略，但显著提升了对视频、图像中物理环境的推理与描述能力。
值得注意的是，ER 1.6 并非孤立产品，而是 Google 构建“机器人领域安卓”生态战略的一环。其合作方包括波士顿动力（Spot 四足机器人）、思灵机器人（人形机器人 Edge One）及 Aptronic，显示出其聚焦于软件层（模型即服务）、与硬件厂商深度协同的定位。ER 1.6 的对比基准直接指向 Gemini Flash 3.0，说明其目标是将通用模型扩展为具备物理世界理解能力的 Omni Model。若该路径被验证有效，未来机器人可能仅需一个统一模型完成感知、推理与决策。
它其实背后是 Google 做整个具身的一个生态上的思路，就是他们想做这个领域的安卓。
如果 Omni Model 这个路线被最终证明是有效和有用的，那是不是机器人的所有的空间的理解、对动作的预测，可以被融合到一个更大的通用模型里面去？
OpenAI 高调入局：从 Sora 团队到 Robotics 新军
OpenAI 于第二季度正式成立 Robotics 团队，并由原 Sora 项目核心成员 Ardita Ramash 领衔，标志着其对具身智能的战略加码。该团队前身即为内部的 World Simulation Research 小组，而 Sora 本身在 OpenAI 内部被明确定位为“世界模型”的早期实现。此次重启机器人业务，并非临时起意，而是基于技术成熟度与自身核心能力（视频生成、世界建模）的高度契合。
从资源投入看，当前顶尖具身模型（如 Gemini 的 50 万小时数据训练）算力预算约达万卡级别，远低于 OpenAI 或 Anthropic 的旗舰 LLM 投入。这意味着对头部大模型公司而言，具身方向并非“重投入”，而是“高杠杆”布局——可复用现有基础设施与人才体系，快速形成 SOTA 级进展。OpenAI 此举也释放出明确信号：具身智能已进入可工程化、可产品化的拐点。
他们要做对社会有用的机器人……短期场景是制造给他们自己用的 infrastructure，长期愿景是做一个每个人都会用上的机器人。
我认为 OpenAI 在这个领域的投入，应该会跟我们关注到的这个世界模型这个路线是比较相似的，有相关性的。
资本市场与行业格局：IPO 起锚，模型双极化趋势初显
语义科技（语数）于第二季度正式科创板 IPO 过会，成为具身智能领域首个上市的头部企业。此举不仅为行业提供了首个可参考的估值锚点，更标志着资本对具身 AI 商业落地路径的阶段性认可。通用人形机器人虽具巨大潜力，但受限于功率密度、电池、重量等物理瓶颈，长期将呈现场景分化趋势：小型机器人主导娱乐/科研，大型机器人服务重载/低速场景，未必是“赢家通吃”格局。
更深层的结构性变化在于模型层的演化逻辑。若 Omni Model 路线成立，具身模型极可能复制语言模型的双极化结构：一极是顶级闭源模型（如 Anthropic、Google、阿里），提供最高性能；另一极是高水平开源模型（如 NVIDIA、Qwen、DeepSeek），依托生态变现（算力、工具链），而非模型本身。关键在于：模型作为边际成本趋近于零的智能产品，其价值将高度集中于能力尖峰，中间层将难以生存。
本质上，它给今天所有的头部的具身公司制定了一个估值的锚点，其他的具身公司都会以这个作为一个估值的基准。
如果一个闭源模型的能力超不过 SOTA 的开源模型，它就没有存在的价值。
创业竞争的结构性困境
在具身智能领域创业，核心挑战之一是如何同时应对开源模型与寡头私有模型的双重挤压。开源模型（如由英伟达等公司支持的）依托其算力变现的商业模式，无需依赖模型本身盈利，因此具备天然的开放优势；而私有模型则由谷歌、阿里、字节、Anthropic 等巨头主导，拥有数据、算力、生态的综合壁垒。这一问题并非当下独有——Anthropic 与 OpenAI 初创期同样面临类似拷问，但最终仍脱颖而出。这提示我们：能否在早期给出合理答案并非关键，关键在于能否持续积累、迭代并最终形成不可替代的壁垒。当前具身智能的创业热潮，很大程度上是复刻了上一波大语言模型创业的成功路径：已有数家 LLM 公司成功上市，为投资者带来丰厚回报，因此人们自然推演——具身智能领域也可能复制这一路径。然而，当所有人都涌入同一赛道，过度竞争与资本过热便不可避免，最终胜出者可能极为稀缺，投资回报预期将被显著压缩。
落地节奏：中美差异与战略容忍度
关于商业化落地的节奏，需从中美差异与硬件/模型公司差异两个维度理解。以美国为例，像 OpenAI、Physical Intelligence 等公司遵循典型的前沿创新路径：由顶尖人才组成团队，长期投入高不确定性方向，容忍数年无明确商业化进展。OpenAI 从 2015 年成立到 2022 年 ChatGPT 横空出世前，几乎无产品化动作，却仍能吸引海量资源；Figure AI 虽高调宣传落地计划，但目前尚无被验证的商业化收入。相比之下，中国市场的挑战在于对长期不确定性的容忍度极低——若一家公司宣称“十年不商业化”，将难以获得资本支持、人才吸引与二级市场认可。因此，国内公司往往更强调“姿态”甚至“事实”，以回应外界期待。值得深思的是，DeepSeek 这类由成功创业者主导、具备强财务独立性的公司，因其“非盈利初心”与“长期主义”，成为当下稀缺样本。这引出一个根本性分歧：市场对具身智能商业化周期的判断存在巨大差异。若共识是“需 15 年才能盈利”（如早期自动驾驶），资本热情恐将冷却；而若判断为“5 年内可落地盈利”，则会吸引更多入场者。当前趋势是：周期正在缩短——得益于语言模型、世界模型等技术的快速演进，以及算力、数据、人才的跨领域迁移，具身智能正加速成熟。
全栈 vs 垂直：终局博弈与生态定位
行业正面临一个关键悖论：在中国市场，创业公司既难承受“十年无收入”，又难接受“非全栈”定位——投资人常质疑如宇树“只有硬件、没有 AI”，尽管其已实现多年盈利。这种期待背后，是对苹果、小米、华为式全栈整合终局的预设。但现实是，市值最高的科技公司未必是全栈者：英伟达、OpenAI、Anthropic 等均以核心模块见长，而非包揽全链路。因此，全栈与垂直一体并非非此即彼，而是动态博弈的结果。正如许华哲所主张的：“并非所有事都需 in-house，生态协作可能更高效”，尤其当一家公司能在细分领域做到极致时，其价值未必低于全栈玩家。展望未来 6–12 个月，人形机器人将在特定场景（如快递分拣）率先实现规模化落地，Figure 和新龙纪元的案例已提供初步验证。与此同时，更多大厂（如理想、荣耀）或将加速入局——即便其公开路线图较晚，内部研发早已启动。关键窗口期或仅剩半年：若错过 2026 年的布局节点，2027–2028 年大规模落地潮来临时将丧失先发优势。最终，无论路径如何演变，真正能构建“闭环能力+生态协同”的公司，才最可能穿越周期。