具身智能分野：从Demo狂欢到生产力验证

WAIC落幕之后，具身智能赛道看似仍保持着热闹的融资节奏——开年以来国内相关赛道融资事件已超200起，百亿估值俱乐部成员扩容至13家，但行业已经悄然进入了一段微妙的冷静期。

变化藏在投资人的提问里：过去他们更关注“你的机器人能完成哪些任务”，而现在他们会追问“你的机器人每天能稳定作业多久”“客户会不会续约”“投入的资金何时能实现正向回报”。

行业的核心逻辑已经明确：技术最终决定真实的企业价值，短期的热闹终将褪去，唯有能在真实场景中持续交付价值的玩家，才能留在赛道中。

上海交通大学长期研究多模态大模型与具身智能的杨学教授，近期就多了一个新身份——酷哇科技首席科学家。在他看来，具身智能行业的下一个关键分水岭，并非更大参数的语言模型，而是机器人对物理世界的理解能力；而验证这种能力的唯一场景，就是真实世界的部署现场。

如果行业的分野已经开始，那么什么样的企业才能交出合格的答卷？要回答这个问题，我们需要先理清三个核心问题：Demo时期的高估值逻辑是如何形成的？行业会沿着怎样的路径完成分化？新标准下，具备哪些特质的企业能够脱颖而出？

要理解当下的行业分化，首先要读懂此前的融资泡沫。行业复盘显示，2024到2025年的人形机器人赛道曾出现过“PPT估值、Demo定价”的特殊现象：一段演示视频就能支撑数十亿的估值。

这背后的逻辑并不复杂：在技术范式尚未明确的赛道中，资本给出的并非当前的实际价值，而是对行业上限的预判。当时无论是VLA架构、世界模型还是端到端方案，都没有明确的最优路线，每一家头部企业都有可能成为最终范式的持有者，因此估值自然向行业天花板看齐。

一级市场的投资逻辑本就如此：投错百家的损失有限，但错过真正的赛道赢家，损失却是无限的。资本此时购买的，其实是进入行业范式的入场券，而非单一企业的短期财务报表。

但Demo展示的只是单次任务的最优表现，也就是“可能性的上限”，而产业落地需要的却是“一万次任务的平均表现”——稳定、可复制、能够实现正向成本核算。两者之间，隔着可靠性、成本控制、交付能力和运维体系等一整片无人区。

如今，技术范式切换的拐点已经出现。当Demo视频不再稀缺，几乎每家企业都能拿出一段惊艳的演示内容时，资本的关注点开始从“可能性上限”转向“实际生产力均值”，估值逻辑也从为可能性付费，转变为为实际生产力付费。这一转变，正是行业进入分化阶段的起点。

行业分化的路径其实早有参照——大模型赛道的演化历程就是最好的教科书。杨学在采访中曾提到，WAIC上多家企业都宣称“我们的机器人可以干活”，但实际上各家处于完全不同的发展阶段：

“有的能完成单次任务就算有用，有的可以连续作业，有的实现了规模化部署，还有的已经开始实现正向盈利。”

回看大模型的完整周期，整个行业的演化路径清晰且典型：最初是百模大战，全赛道企业全面并进；随后头部梯队形成，出现了第一波领军企业；接着行业经历了资本退潮和技术碾压，中间层企业被双向挤压；最终行业完成分化，头部企业坚守核心赛道，部分玩家转向垂直应用，各归其位，形成了清晰的生态格局。

大模型用了约三年时间走完了整个周期，而具身智能赛道的演化逻辑几乎完全一致。其中最值得关注的，是中间层企业的消失：那些模型能力不差、融资充足，但既没有底层技术优势，也没有落地场景的企业，在范式收敛的瞬间失去了定价依据——向上无法讲述行业上限的故事，向下拿不出稳定交付的实际表现，最终陷入两头不靠的困境。

如今具身智能赛道中，那些仅靠Demo和叙事支撑几十亿估值的中间层企业，正站在同样的十字路口。复盘大模型赛道的幸存者特征，不难发现最终存活的企业，往往不是技术最炫酷的那一批，而是拥有真实落地场景、形成了数据闭环、具备可测算单位经济性的玩家。

除此之外，还有一道真正的筛选门槛：工程化交付能力——也就是将模型能力稳定落地到客户现场的本事。演示做到90分或许靠天赋，但交付做到99.9%的稳定性，依靠的是完整的体系化能力。

映射到具身智能赛道，分化的方向已经逐渐清晰：从全栈通吃转向生态位专精。做机器人本体的、做运动控制的、做世界模型的企业开始各就各位，“一家通吃”的叙事正在让位于产业链的专业化分工。赛道的评判标准也从“能不能动”，转向“每天能稳定作业多久、客户是否愿意续约”。

当然，具身智能的场景更加多元、形态更加丰富，分化不会像大模型赛道那样整齐划一，但整体方向和大模型赛道完全一致。杨学在访谈中反复强调一条从2019年就贯穿始终的发展逻辑：

先做好感知，再做好预测，接着做好决策，最终实现稳定落地。

从当年的博士论文到如今的联合实验室，这条逻辑线从未改变。在他的框架中，具身智能的世界模型可以分为两层：第一层是理解客观物理规律，这是全球都在攻关的通用难题；第二层是理解并遵守人类社会的规则，这才是决定机器人能否在真实城市场景中创造价值的关键——红绿灯不只是颜色信号，更是通行规则；行人不只是障碍物，而是带有明确行动意图的参与者。

他判断，第二层世界模型正是当前行业机会最大的方向，也是全球范围内尚未形成成熟解法的领域。而验证这一层能力的唯一场所，就是真实世界的部署现场。

结合大模型赛道的演化经验，我们可以提炼出四条新的估值标准，这些标准已经成为一线投资机构尽调清单中的核心条目。

第一把尺子：真实部署量。这里需要注意的是，不是出货量，而是每天在真实场景中稳定运转的设备台数与作业时长。出货量可以通过渠道压货进行美化，但部署量无法造假——只要设备停机一天，客户就会第一时间发现。更重要的是，部署量决定了数据回流的量级，而数据量级直接影响模型迭代的速度，这是一个典型的复利指标。

第二把尺子：复购与续约率。客户的自主选择，是验证产品服务等级的唯一外部标准。首次采购可能受营销驱动，但复购只能来自真实的产品价值。一次拿下订单不算真正的成功，能够实现年年续约，才是硬实力的体现。正因如此，越来越多的投资机构将复购率放在估值模型的首位，因为它同时验证了需求的真实性、产品的稳定性和价格的合理性。

第三把尺子：可靠性工程体系。7×24小时不间断作业、故障分钟级恢复、远程诊断与OTA升级，这些环节看起来并不炫酷，却是行业分化的真正分水岭。杨学将稳定性拆解为一个朴素的指标：在真实开放环境中，机器人能够连续运行多久、多久需要人工接管一次。单次任务的高成功率或许可以靠运气实现，但万次任务的稳定表现，只能依靠完善的工程化体系。

第四把尺子：数据闭环的质量。这是四条标准中最容易被误读的一项：数据量本身并不构成竞争壁垒，数据中是否包含真正有价值的“边缘场景问题”，才是壁垒的核心。

杨学对酷哇科技的数据资产的判断，恰好说明了这一点。酷哇积累的50PB数据，来自万台级设备在真实城市场景中的持续运行——包括多模态传感器读数、运行轨迹、作业记录和人工接管日志的实时回流。在他看来，这些数据中充满了未经修饰的边缘场景案例，对学术研究来说是一片未被开垦的沃土，真正有价值的技术问题就藏在其中。

一条经过精筛的边缘场景案例，价值远超一千条常规数据。

因此，数据飞轮的本质并非单纯的以量取胜，而是获取真实且包含失败样本的数据。只进不出的数据仓库只是成本负担，只有能够持续反哺模型迭代的失败样本，才能形成真正的复利价值。

这四条标准共同指向一个核心问题：你能否将模型能力转化为可承诺的标准化服务等级？这正是大模型赛道走过的路径——从比拼能力上限，转向比拼稳定交付的能力。具身智能赛道的最终分化格局，也将由这四条标准决定。

当多数企业的真实实力被数据还原时，总有少数玩家能够展现出扎实的行业分量，酷哇科技就是其中的典型样本。

外界最初对酷哇的印象或许有些反差：专注于城市服务机器人的封闭低速场景，看起来“难度不够高”，和那些讲述通用机器人宏大愿景的企业相比，显得朴实甚至有些“接地气”。但深入了解后就会发现，这是一家在该领域深耕11年、并且已经实现商业化盈利的企业。

对照四条估值标准，酷哇的表现清晰可见：

• 真实部署量：万台级真机部署，在全球50余个城市及地区每日稳定运转；
• 复购与续约：采用RaaS（结果即服务）商业模式，客户为最终服务结果付费，续约率是该模式的核心立身之本；
• 可靠性工程：依托11年的城市运营经验，沉淀了完整的工程体系，从硬件冗余设计到远程运维管理一应俱全；
• 数据闭环：通过业务自然回流的数据，结合自研的数据加工体系，搭建了通用具身大模型COOWAM——采用双层世界模型架构，支持不同形态的机器人本体共享同一套世界认知与智能底座。

值得注意的是，在具身智能赛道刚刚进入分野阶段的当下，酷哇是极少数跑过完整商业周期的玩家。其发展逻辑并非跟风转型追风口，而是将已经验证的场景资产，作为迈向通用具身智能的起点：场景产生收入与数据，收入支撑团队运营与客户沉淀，数据喂养模型并迭代产品；模型能力提升后，又能进一步拓展新的应用场景，形成商业飞轮与技术飞轮互为燃料的良性循环。

而城市开放场景本身，就是一座被低估的数据富矿：人车混行的路口、突然横穿的外卖骑手、雨夜的反光路面、施工改道的临时围挡——这些机器人理解物理世界最需要的边缘场景案例，都会在真实作业过程中自然产生，无需搭建昂贵的专属数据采集场地。这恰好是杨学所说的“第二层世界模型”——理解并遵守人类社会规则的最稀缺训练场。

这也解释了杨学为何选择在此时加入酷哇科技。他的目标非常明确：让自己的研究能够产生真实的世界影响力，而不仅仅停留在学术引用量上——论文只是学术共同体内部的评价标准，并非技术落地的终点。

学术研究中很难获得真正的边缘场景问题，因为这些案例在实验室环境中几乎不会出现，而酷哇真实城市运行数据中未经修饰的失败样本，正是他一直在寻找的研究沃土。更关键的是闭环反馈机制：在酷哇，研究成果可以直接部署到真实设备上进行验证，行与不行的反馈直接且诚实，这是任何学术环境都无法提供的。

因此，首席科学家与联合实验室的合作，并非只是一块品牌招牌，而是双方长期研究计划的延续。双方的合作初衷非常明确：不做论文代工厂，而是围绕具身智能的核心科学问题进行长期投入，包括物理直觉建模、长程任务规划、数据质量度量等核心方向。产业界提供场景与数据，学界提供方法与判断，最终的研究成果都将在真实世界中完成验证。

基于彼此的信任与当前的产业节点，双方的合作顺理成章。对于世界模型的两层结构，杨学也坦率表示：“虽然目前刚刚起步，但方向已经非常清晰。”

具身智能赛道的分化已经肉眼可见。当展会现场还在为新的Demo视频鼓掌时，台下的投资逻辑已经按照新的标准重新计算。

大模型赛道用三年时间走完了分化之路，具身智能赛道的进程大概率会更快——当前的资本周期更短、技术收敛速度更快，留给企业“讲故事”的时间已经越来越少。

行业不会奖励跑得最早的玩家，而是奖励在真实世界中站得最稳的企业。

多年之后回看2026年的具身智能赛道，真正能成为行业注脚的，或许不是某一段刷屏的Demo视频，而是某个凌晨、某场雨中，稳稳驶过路口的那台机器人。