半年燒掉935億之后，具身智能的底座誰來做？

2026年7月17日，WAIC在上海世博展覽館開幕。當208家具身智能企業、超300臺真機在同一片展區扎堆亮相時，人們無疑感慨具身智能行業的快速發展。

然而，一個微妙的反差正在凸顯。上半年國內具身智能賽道融資總額突破935億元，較2025年同期暴漲5倍，322筆融資事件背后，超過20款人形機器人宣布小批量量產。但走進展館，那些能跳舞、能翻跟頭、能穩穩上下樓梯的機器人，面對一個最簡單的提問時卻集體沉默：除了表演，它還能干什么？

啟明創投主管合伙人周志峰此前的一句話讓不少人記憶猶新：“具身智能，是過去一年殺死我腦細胞最多的領域，沒有之一。”這位剛登上Midas List全球最佳創投人榜單的投資人，每天面對的是近百家新成立的具身智能企業、十余家估值超百億的獨角獸。但他比誰都清楚，十億臺出貨量的超級賽道敘事，和今天機器人真正能穩定干活的能力之間，隔著一條巨大的鴻溝。

01.

具身智能的“面子”與“里子”

從WAIC多家企業的情況來看，機器人大講堂認為，具身智能當前缺的依然是“大腦”和讓它“學會干活”的通用能力。

如果把融資數字拆開看，也會發現一個結構性悖論：以具身大腦為核心業務的公司吸納了222.53億元，占融資總額的50.8%；而機器人本體整機公司同期融資僅56億元，占比12.8%。資本在用腳投票，大腦比身體值錢四倍。資本的邏輯很清晰，因為如今行業已經形成清晰的分層。機器人小腦的運動控制、關節執行、力反饋經過真機多年迭代，本質上趨于高度成熟。宇樹、優必選、智元的人形機器人已經能穩定行走、搬運物料、完成擰瓶蓋等標準化動作。

手腳練得足夠靈活，為什么還是很難落地，問題出在大腦。具身智能的大腦，本質上是一個物理問題，而不是大語言模型那樣單純的數據問題。大語言模型的Scaling Law建立在互聯網過去三十年積累的海量文本之上。GPT-3用了45TB文本數據，這些數據是人類免費提供的。具身智能沒有這樣的遺產。它需要的是視覺、觸覺、關節軌跡、物體力學、環境時序對齊的多模態物理交互數據。這些數據無法網絡爬取，必須在真實世界中一幀一幀地采集。行業共識是，能實現通用自主能力的具身大模型至少需要千萬小時級高質量真實交互數據。而截至2026年初，全球合規、可用的有效數據僅50萬小時，缺口達99%。

這個數字意味著機器人能精準完成單一預設動作，卻無法應對場景變量。換一款包裝的雞蛋就容易捏碎、雜亂桌面無法自主規劃收納、工廠與家庭場景的能力完全無法互通。而且數據采集的成本高得令人窒息。目前傳統真機遙操數據單價500到1000元每小時，搭建專屬場景、部署機器人、人工操控，全鏈路都是重資產投入。

現有數據的質量同樣堪憂。市面上大量所謂訓練數據不過是單一場景、單一物體的重復采集。機器人在特定任務上表現出色，但換個物體操作就失效，換個場景可能就得重新訓練。整機企業試點的具身模型，跨場景任務執行成功率只有62%，遠低于工業場景99%的要求。

工信部、國資委聯合啟動的2026年度人形機器人與具身智能實景實訓專項行動，已經明確了方向，到2026年底，人形機器人等重點產品要在代表性場景中完成應用驗證和常態部署，帶動形成萬臺級規模落地能力。這是一個殘酷的產業現實：政策希望落地，但資本跑得比技術快，技術跑得比落地快。同時，這也意味著具身智能行業的落地，不是一個靠融資就能解決的問題。誰先跑通數據的通路，做出通用具身大腦，誰就掌握了下一代計算平臺的入口，誰才能真正滿足落地的要求。

02.

埃夫特·啟智的反向選擇

從WAIC來看，當大多數企業在卷硬件參數、拼單點突破時，埃夫特旗下啟智Openmind給出了一套完全不同的答案。他們不秀單個機器人的炫技，卻罕見展示了一套能讓所有機器人“學會干活”的通用技術底座，并且正用覆蓋“數據采集—模型訓練—技能遷移”全鏈路的具身智能技術體系全面激活底座動能。

機器人大講堂了解到，通用技術底座不是大模型，而是全棧工程化的產業基礎設施。如果說大模型是機器人的“大腦”，那么通用技術底座就是包含“大腦、神經系統、骨骼和肌肉”的完整生命體。它解決的不是“機器人能思考什么”，而是“機器人如何在不同場景、不同本體上，穩定、高效、低成本地執行任務”，它是讓大模型能在不同機器人身上跑起來的完整操作系統。這個選擇的反差感極其強烈。在一個人人都想當“明星產品”的行業里，有人選擇去做“舞臺”，為的就是做出讓所有演員都能上臺、所有劇本都能上演的公共基礎設施。

啟智的通用技術底座由四大支柱構成：HumanGPT則是啟智最核心的技術差異化，其開辟了以人類真實操作為核心的數據供給新路徑，覆蓋“數據采集—模型訓練—技能遷移”全鏈路，是面向具身智能的“人類技能大模型”。大衍數據平臺構建AI全流程數據引擎，將工藝經驗轉化為可復用的智能資產；墨斗IDE低代碼集成開發環境，讓應用開發從“寫代碼”變成“搭積木”；Openmind OS自研強實時操作系統，實現毫秒級調度與開放兼容。這套底座已入選國家科技重大專項，從操作系統到開發工具、從數據平臺到核心算法全部自研。

這也意味著，啟智把沉淀二十年的工業工藝Know-How封裝為全行業通用的通用技術底座，選擇的路徑是，不做機器人“身體”，而是要做機器人“靈魂”。如果機器人產業鏈是一部手機產業，啟智打造的通用技術底座就是在做讓所有應用跑起來的操作系統和開發生態。這意味著底座具有跨品牌、跨形態的通用性：無論工業機械臂、人形機器人還是服務機器人，都能接入同一個平臺開發、部署和進化。這個定位的市場天花板，是整個機器人行業的上限。

03.

五步閉環：啟智的技術底氣

啟智的底座恰恰覆蓋了目前大腦訓練成長鏈條的全部環節。

第一步由大衍數據平臺把原始數據“洗干凈”。啟智的HALO數采系統從工業現場采集視覺、力覺、關節姿態等多模態異構數據。但采集只是起點。真實工業現場的數據是混亂的——光照變化、遮擋、傳感器噪聲、不同操作手法之間的差異。大衍平臺的工作，是把這些混沌的原始數據清洗、對齊、結構化，再打上精細的標簽。這套系統與清華大學團隊合作開發，能讓數據從采集到可用，訓練周期從“月”級縮短到“周/天”級。數據不是石油，數據是礦石。大衍負責把礦石冶煉成鋼材。

第二步是HumanGPT，主要負責從人類動作中“蒸餾”技能精髓。行業主流路線是從VLA架構轉向世界模型，讓機器人在海量試錯數據中“碰”出正確動作。但HumanGPT走的是另一條路。它不讓人在海量試錯中碰運氣。它先理解人類做事的因果邏輯，例如人類為什么要這樣抓、為什么要用這個力度、為什么要走這條路徑再讓機器人模仿。

啟智聯合香港中文大學陳斐教授團隊從0到1自研了這套系統。HumanGPT在大衍平臺提供的高質量數據上做預訓練，把人類操作技能“蒸餾”成可泛化的技能表征。它不是讓機器人背誦動作，是讓機器人理解動作背后的物理直覺。“取人類之技，賦萬機之能。” 這不是一句口號，這是一條繞開“50萬小時vs千萬小時”死結的技術路徑——不靠海量試錯堆數據，靠蒸餾人類已有的操作經驗。

第三步由RobotGPT把通用技能“翻譯”給不同本體。HumanGPT蒸餾出來的是“技能，也就是一套抽象的、與具體機器人無關的操作能力。但工業機械臂和人形機器人的關節結構不同、自由度不同、運動學約束不同。同一個“擰螺栓”的技能，在兩種本體上的執行軌跡完全不同。RobotGPT負責的就是這個“翻譯”工作，其把HumanGPT蒸餾出的通用技能表征，映射到具體機器人的運動控制指令。無論六軸工業臂、七軸協作臂還是人形機器人，接到的是同一套技能，輸出的是適配各自本體的動作序列。這解決了行業最大的遷移難題，讓同一個技能，不需要為每個機器人型號重新訓練一遍。

第四步由墨斗IDE完成，主要負責把開發變成“搭積木”。前三步解決的是“能力怎么生成”。但誰來定義機器人“要干什么”？傳統機器人編程需要專業工程師寫代碼。一臺噴涂機器人的軌跡編程可能需要數天時間。啟智的墨斗IDE是一個低代碼開發環境，讓不懂代碼的工藝專家通過可視化拖拽方式搭建機器人應用。

江西贛州一家工廠的負責人曾感慨，傳統工業機器人部署一個焊點可能就要一整天。而墨斗IDE讓場景專家而非程序員來定義機器人怎么干活，這直接改變了“誰有能力讓機器人學會干活”這件事。

第五步是Openmind OS，主要負責讓機器人穩穩地動起來。因為再聰明的算法，最終要落到物理世界的執行上。Openmind OS是底座內置的強實時操作系統，向下管理硬件、向上支撐應用運行，負責毫秒級的任務調度、關節扭矩實時調整、力控反饋閉環。它解決的是一個極其具體但極其致命的問題：算法在仿真里跑得完美，到了真機上關節抖、力控飄、響應慢。啟智沉淀了二十年工業場景的工程經驗，知道怎么讓機器人在真實物理世界里穩定運行。不是靠更聰明的算法，是靠經過產線驗證的實時操作系統和工程優化。

04.

從平臺到場景：一個被忽視的轉折

啟智通用技術底座的五個環節并非概念，已經在多個場景實現落地。2026年6月，啟智與犀準機器人簽署戰略合作協議，雙方同步簽訂了《復合機器人第一階段聯合開發協議》。這意味著啟智通用技術底座正式從平臺構建階段，邁入PCB垂直場景的工程化驗證階段。啟智提供通用智能復合機器人本體，犀準依托其在PCB領域的工藝經驗進行配套開發，合力打通從技術驗證到量產落地的通路。對啟智而言，這是一次“應用—數據—算法優化”正向循環的啟動。對行業而言，這是一個信號：通用底座的價值不在PPT上，而是已經在產線上。

本次啟智在WAIC帶來的三大實景展項，沒有一個是用來展示機器人“有多酷”的，全也部是用來驗證“能不能干活”。

例如本次WAIC，啟智在“預演無人之境”展項中布置了一個極具技術難度的場景：模擬月面灰褐色地表上，三臺全尺寸雙足人形機器人正自主執行基建任務。這個展項的真正看點，不是“機器人能在月球上干活”的科幻感，而是它背后代表的技術分水嶺。

該任務的難點在于全身操作、多點接觸、大物體大范圍操作、全流程自主導航的耦合。當一臺全尺寸雙足人形機器人需要搬起一塊大尺寸光伏板并穿越崎嶇地形時，它面臨的技術挑戰是疊加態的。例如多點接觸下的全身運動控制、大物體搬運過程中的平衡控制、大物體遮擋激光雷達和視覺情況下的連續性導航都是難題，到達目標點后，還要完成打螺釘操作所要求的小目標精確識別。從大尺度移動操作切換到毫米級精細操作，這對感知系統的動態切換能力提出了極高要求。

啟智的應對方案，是全鏈路技術底座的集中釋放。依托大衍仿真引擎，算法在虛擬環境中完成海量迭代預演；HumanGPT將工業場景習得的工具使用、力控操作等通用技能泛化至模擬極端環境；RobotGPT將這些技能適配到全尺寸雙足人形的特定關節構型上；Openmind OS實時調整關節扭矩，在多接觸點之間動態分配力和力矩，確保物理機體在搬動大物體、穿越崎嶇地形時穩健落地。整套系統實現了“數字預演—物理執行”的閉環。

機器人大講堂發現，雖然同樣是搬箱子，但今年WAIC上大量具身智能企業的展示多是輪式底盤加機械臂的搬箱子方案，不涉及足式機器人在移動中搬動大物體時的全身協調控制。因為輪式底盤天然穩定，搬箱子的重心變化幾乎不需要實時動態補償；而且機器人普遍站在一個點上借助Mark點完成一系列動作，機器人不是對環境和目標物做自主理解和識別，而是在“讀碼”后執行預設軌跡，更不涉及實時移動導航與操作同步進行的能力。

換句話說，當行業大部分玩家還在做輪式搬箱子、固定點位操作、二維碼導航時，啟智的全尺寸雙足人形機器人已經在模擬月面上搬著大尺寸光伏板、在傳感器被完全遮擋的情況下穿越崎嶇地形了。從輪式到雙足，從小物體到大物體，從固定點位到全流程導航，從二維碼標記到自主環境理解，這四個跨越，每一個都是數量級的難度躍升。啟智的“無人之境”展項卻一次性把這四個跨越全部搬到了展臺上。這套能力不止于月球。深海、核應急、化工禁區，所有人類無法踏足的高危場景，都是這套技術底座的適用疆域。

另一個展項“九星連珠”驗證的是人機交互與長尾任務泛化。HumanGPT+RobotGPT生成的技能，能不能在毫秒級內完成“意圖解析-操作序列生成-精準執行”的完整鏈路。觀眾隨手在九宮格屏上劃軌跡，機器人精準完成精細操作。這測試的是“跨本體技能遷移”和“實時執行”兩個關鍵環節。這回答了一個問題：當任務不再是預設好的標準動作，機器人能不能隨機應變？

“重塑智能噴涂”驗證的是柔性制造快速響應，驗證的是墨斗IDE的低代碼能力，能不能讓“非程序員”快速定義任務。觀眾隨手拼搭異形積木，機器人即刻啟動無預演噴涂。3D相機毫秒級構建高精度點云模型，噴涂大模型自動生成軌跡，經墨斗IDE仿真微調后無縫銜接執行。這回答了一個制造業最現實的問題：當訂單從“萬變不離其宗”變成“千人千面”，生產線能不能跟上？這解決了制造業最痛的現實問題：非標訂單重編程成本高，讓中小企業望而卻步。

此外，啟智也不是一家公司在戰斗，其合作伙伴已經覆蓋了足夠廣的圈層，一個產業基礎設施正在鋪設。據了解，啟智的合作伙伴已經覆蓋高校研究、生態共建、行業應用三大圈層。高校方面，與清華中國科大哈工大成立聯合實驗室；國際方面與維也納工業大學、意大利技術研究院、卡內基梅隆大學、香港中文大學等形成技術顧問合作。生態方面，機器人整機端與新松、遨博、樂聚、傅利葉等完成底座對接；AI與算力端與華為、科大訊飛合作，底座全面適配華為國產算力。行業應用方面，汽車領域與賽力斯、奇瑞、蔚來等合作；制造業端與富士康、中鼎集團等推進產線智能化升級。

從0到1的本體突破是起點，從1到N的生態繁榮才是方向。啟智正在做的事情，是讓開發者無需從零搭建訓練框架，讓集成商無需重復開發通用算法，讓場景方無需受限于固定程序。一旦建立起開發者生態，就會形成類似安卓應用市場的網絡效應：開發者越多，應用越豐富，平臺越難被替代。啟智正在做的，是把碎片化的技術點串聯成標準化的產業面——讓開發者無需從零搭建訓練框架，讓集成商無需重復開發通用算法，讓場景方無需受限于固定程序。

05.

最貴的起跑線，與最難的下半場

2026年，具身智能站在一個微妙的節點上。上半年，具身智能行業開始批量出現百億估值的企業。中商產業研究院預測，2026年中國具身智能市場規模將達到10904億元。但所有這些數字，都指向同一個前提：機器人得先學會干活。因為從0到1的本體突破是起點，從1到N的生態繁榮才是落地方向。

智源研究院預測，當前的企業數量遠超賽道的物理承載量，“行業或將在不久后完成一輪洗牌”。啟明創投主管合伙人周志峰說得更直接：2026年底到2027年底是落地驗證窗口期，若企業無法拿出規模化商業訂單與扎實營收，高估值難以維系。因為錢堆不出大腦，資本買不來數據。

二十年前，埃夫特攻克了國產首臺點焊機器人；二十年后，它把沉淀的工業工藝Know-How封裝為全行業通用的通用技術底座。7月17日-20日，上海世博展覽館H3-E216埃夫特展臺。這里沒有機器人翻跟頭，沒有賽博手辦式的表演。這里有三個實景展項，驗證的是同一件事：機器人到底能不能在真實世界里，穩定、高效、低成本地干活，底座如何真正賦能具身智能。

當935億熱錢撞上99%的數據缺口，當近370家新企業在同一個賽道里擁擠前行，當行業洗牌的倒計時已經開始，那個愿意做底座的人，或許才是笑到最后的人。

正如路修好了，車才能跑起來。這也才是“智能伙伴，共創未來”最腳踏實地的注腳。