具身智能：AI新大陆的狂热与理性

具身智能，正成为AI人才迁移的新大陆

有人视它为继大模型之后最大的平台机会，有人斥其为估值先行的资本泡沫。但一个不争的事实是：具身智能已接棒大模型，成为当前AI领域人才流向最密集、技术延展最迫切的方向。

融资升温，但逻辑正在重构

2026年以来，全球机器人初创公司融资额持续攀升。仅上半年，融资总额已达188亿美元，超过2025年全年（150亿美元），也刷新了2021年创下的历史高点。

更值得关注的是资金结构的变化——Google、NVIDIA、Amazon、Mercedes-Benz、Bosch等产业方深度介入融资名单。它们不仅是出资人，更是潜在客户、算力提供者、芯片支持方与制造协同方。

资本对机器人的估值依据也在迁移：不再只看硬件销量或机械结构，而是聚焦机器人基础模型能力、数据闭环效率、仿真训练规模，以及同一套软件能否跨本体复用。投资人期待的，是一个类似大模型的“飞轮”：模型越强，适配任务越多；部署越广，反馈数据越丰；数据越厚，模型迭代越快。

但物理世界的复杂性远超文本空间。Bessemer Venture Partners将当前阶段称为机器人的“GPT-2.5时刻”：基础模型已展现真实能力，数据与性能之间初现规律，但实验室演示与工业级稳定运行之间，仍有显著鸿沟。

人形不是唯一答案，形态必须服从任务

人形设计的吸引力在于环境兼容性——门把手、楼梯、工作台、通用工具，天然适配人体尺度与操作习惯。这意味着在未改造的环境中，人形机器人可能更快落地。

但双腿结构带来多重工程挑战：动态平衡难维持、能耗高、跌倒风险不可忽视、控制算法复杂度陡增。在地面平整的工厂与仓库中，轮式底盘往往更稳定；在固定工位作业场景里，机械臂的成本与可靠性优势更为突出。

Bain Capital Ventures合伙人Ajay Agarwal指出：“轮子和机翼被沿用数百年，不是因为人类没想过用人腿，而是因为它们在特定场景下确实更高效。”

Eclipse合伙人Jiten Behl强调任务优先原则：“先定义要做什么，再决定用什么形态完成。轮式、固定臂、四足、人形，本质都是工具选项。”

Genesis AI推出的Eno正是这一思路的实践：保留类人手部灵巧性，取消头部与双腿，采用轮式底盘+可升降结构，专注物流分拣与产线装配等平整环境任务。该公司成立仅一年，已获1.05亿美元融资，计划于2026年底启动量产与客户部署。

工业客户真正关心的，从来不是视频里的高光时刻

当前多数公开演示聚焦机器人能力的上限，而买方——尤其是制造业客户——评估的是日常表现的下限：连续运行时长、长期故障率、单次维护耗时、是否需要驻场工程师、投资回收周期是否可控。

节拍（Cycle Time）、开机率（Uptime）、平均无故障时间（MTBF）、单位任务运维成本……这些硬指标，才是决定采购与否的关键。

物理世界没有“重试”机制。一次视觉误判可能导致设备碰撞，一次路径规划失误可能引发产线停摆，甚至威胁人员安全。光线变化、物体位移、人员穿行、未见过的遮挡物——这些在训练数据中从未出现的“长尾场景”，恰恰是真实产线的日常。

现代汽车集团公布的部署节奏颇具参考价值：计划自2028年起，在美国佐治亚州工厂逐步引入Boston Dynamics Atlas机器人，初期仅用于高危、重复性任务，后续再拓展至零部件组装等复杂环节。这表明，即便最激进的产业方，也将规模化落地视为一项需数年验证的系统工程。

AI人才“下场造物”，但机器人终究是一门硬工程

大模型团队正加速向物理世界延伸。Mistral于2026年7月发布首个机器人模型Robostral Navigate，仅依赖单RGB摄像头实现自主导航，无需激光雷达；此前已收购奥地利机器人AI公司Emmi AI，补强工业落地能力。

Genesis AI联合创始人Théophile Gervet曾任职Mistral，其团队发布的GENE-26.5模型，目标是让同一套模型适配不同厂商、不同构型的机器人，统一覆盖导航与操作任务。

Google DeepMind则将Gemini能力深度融入机器人系统：Gemini Robotics整合视觉、语言理解与动作生成；Gemini Robotics-ER强化空间推理，能识别物体三维位置、规划抓取路径，并与底层运动控制器无缝对接。

世界模型正成为新一代AI研究焦点。它试图让AI建立对空间、时间与物理规律的内部表征，预测动作后果——这恰是语言模型无法覆盖的能力盲区。World Labs、Overworld等初创公司正从空间智能与物理推理切入，推动AI从“说得出”走向“做得准”。

然而，模型只是起点。机器人研发仍需跨越动力学建模、运动规划、多传感器融合、嵌入式实时控制、机械结构设计、材料选型、供应链协同与现场运维等重重关卡。一种机械臂上训练的动作策略，迁移到另一款负载、关节自由度不同的设备时，往往需重新标定、调试甚至重训。

具身智能对复合型人才的要求，远高于一般软件创业项目。统计显示，近五年成立、融资超3000万美元的美国机器人公司中，43%的创始人拥有博士学位，48%毕业于Stanford、MIT、Berkeley或Carnegie Mellon——顶尖人才与核心能力，仍高度集中于少数学术与产业节点。

潮水奔涌，暗礁犹在

资本如潮水涌入，人才如候鸟迁徙，具身智能无疑站在AI产业化浪潮的最前沿。但潮水之下，路线分歧未消：人形与非人形之争，通用架构与专用方案之辩，软件飞轮想象与硬件苦功现实之间的张力，仍在激烈博弈。

真正的突破，不来自某段惊艳的演示视频，而来自一台机器人在产线连续运行30天后的故障日志，来自一套模型在十家不同工厂、二十种机型上的泛化表现，来自一位现场工程师不再需要随身携带调试笔记本的那一刻。