机器人大脑上云：具身智能MaaS破解本体厂商困境
2026年，大模型按Token收费的赛道已进入白热化竞争阶段。据行业观察披露，谷歌在今年的技术大会上公布了一组惊人数据：其相关模型每月处理的Token总量达到3200万亿，同比一年时间内翻了7倍。国内的增长势头更为迅猛，第三方机构发布的报告显示，今年上半年国内的模型即服务（MaaS）市场规模达到106亿元，同比增长近9倍；同期模型Token消耗量达到2857.9万亿，同比增幅超过430%。曾经只在技术圈流传的“Token”一词，如今已成为一门实打实的大生意。
这门生意的核心逻辑并不复杂：模型厂商将大模型部署在云端，开发者无需自行搭建训练环境、采购硬件，只需调用接口即可使用模型能力，按调用次数付费。这套模式在语言模型领域大获成功后，有人开始思考：能否将这套逻辑复制到机器人领域？
机器人完成抓杯子、擦桌子等动作，看似是机械结构在运作，背后实则需要模型进行指挥。既然语言模型可以通过云端按次调用，那指挥机器人动作的具身模型，是否也能部署在云端？这一方向被称为“具身智能MaaS”。
不过，当前机器人领域面临一个核心困境：机器人的“大脑”难以装进“身体”里。并非模型不够智能，而是机器人本体存在体积小、发热高、成本高的问题。一台具身智能机器人的总成本约10万元，其中芯片成本就占了3万元（当前主流使用的是特定品牌的芯片）。即便使用最顶级的机器人芯片，在完成摄像头视觉处理、基础运动控制后，算力也已接近耗尽，根本无力运行参数达100亿的大模型进行推理。更棘手的是散热问题，机器人多为密封结构，在户外高温环境下运行时，芯片发热会导致温度快速上升，而散热空间有限，形成了难以突破的瓶颈。
因此，行业内长期存在争论：具身模型应该部署在机器人本体上，还是云端？如今这一争论已基本有了答案——算力与模型的赛跑中，模型的迭代速度更快。当前行业主流的具身模型参数普遍在100亿左右，按当前迭代节奏，年底大概率会出现参数远超100亿的模型；而机器人本体搭载的芯片算力普遍在几百到1000 TOPS，仅能勉强运行参数20-30亿的小模型，这类模型仅能用于演示，若要在实际场景中应用，100亿参数是起步线。芯片在进步，但模型的增长速度更快，这一差距短期内难以缩小。因此，将模型推理部署到云端，几乎成为唯一可行的出路。
但云端推理仅解决了“跑得动”的问题，还有一个更本质的挑战：如何让模型真正完成实际任务。大模型时代，用户已习惯“开箱即用”的Zero-shot模式，模型只需回答问题即可；但具身智能完全不同，让通用模型操控机械臂拧螺丝，就像让刚学会走路的孩子跑马拉松，差距巨大。实际商业场景中存在诸多细节：机器人的结构、物体的形状、环境的光线、精度要求等，实验室中能实现的模型，到工厂产线可能连零件都拿不稳。
后训练（Post-Training）是具身智能从演示走向量产的关键环节。这一过程类似大模型的微调与对齐：大模型的好用，不仅依赖预训练，更依赖SFT（有监督微调）和RLHF（人类反馈强化学习）两道后训练工序；具身智能同样如此，通用模型是基础，后训练才是将其转化为场景化专家的核心。不过，后训练的门槛极高，需要懂模型、数据、训练策略，还需充足的算力和工程能力，而绝大多数机器人本体厂商，尚未完全掌握模型相关技术。
一位具身模型公司的市场负责人曾分享过一件事：某天一家本体厂商上门咨询模型对接事宜，恰逢技术团队忙碌，他只能临时接待，介绍模型参数、后训练方法、部署方式等内容，对方听完后客气地问：“您是技术负责人吧？”这一细节反映了行业现状。
回顾大模型的发展历程，一个容易被忽略的细节是：真正将大模型落地应用的，大多不是模型厂商，而是设计、客服、数据分析等领域的一线业务人员，他们无需了解模型的底层技术，只需通过API即可将模型能力接入产品。MaaS就是将技术门槛降到最低的基础设施，如今具身智能正站在类似的节点上。
2026年7月，某公司在开发者大会上发布了行业首个通用具身MaaS服务；10月，另一家公司推出相关API测试版，还有公司携融资和API服务亮相。短短三个月内，三家企业都瞄准了这一方向，但打法差异明显：有的采用邀请制，偏向科研生态，难以满足商业化需求；有的偏娱乐和教育场景，仅支持简单操作，无法适配工业场景；而某公司选择了面向真实任务和场景的路线。
该公司最新升级的MaaS平台，核心突破在于行业首个同时支持三种后训练方法的体系，对应模型从“学会”到“学精”再到“不出错”的三个阶段：第一阶段是SFT（有监督微调），用户上传成功操作的示范数据，模型学习标准动作，成功率可达80%-90%；第二阶段是DAgger（纠偏训练），收集机器人运行中的失败数据，让模型学会从错误中恢复，成功率提升到90%以上；第三阶段是RECAP（强化后训练），训练价值模型对机器人动作打分，优化偶发的错误情况，三套体系叠加后，单步动作的成功率可逼近100%。
这套思路与大模型的演进路径相似：DM0.5类似预训练，学习海量操作数据；SFT教标准答案；DAgger纠错；RECAP则是具身版的RLHF。两者的核心差异在于，大模型答错可重新生成，而机器人操作失误会导致产线停顿，因此具身后训练对成功率的要求更高，必须通过三套体系叠加才能达到接近100%的成功率。
该公司的平台是开放的，开发者只需具备基础工程能力，即可完成数据上传、模型训练、部署推理的全流程，无需自行搭建训练集群、编写脚本，甚至无需深入掌握模型原理。降门槛正是MaaS的核心价值所在。
那么，谁最需要具身MaaS？答案是机器人本体厂商。当前具身智能行业存在结构性困境：本体厂商缺乏模型能力，而模型厂商不做本体。本体厂商造出机器人后，因缺乏适配模型无法进入场景，场景无法落地导致出货量受限，大量产品积压在仓库中，这与大模型MaaS出现前SaaS厂商的处境类似。大模型MaaS上线后，SaaS厂商无需懂模型，只需接入API即可快速上线功能，落地速度远超AI公司。将“ SaaS厂商”替换为“本体厂商”，“大模型”替换为“具身模型”，这一逻辑同样成立。
该公司的MaaS已开始落地应用：在物流仓储场景，桌面机器人在传送线旁作业，供包节拍超1200件/小时，成功率超99%；在手机产线，移动机器人负责废料回收；在精密工业场景，亚毫米级精度的质检也在部署中，这些数据都是实际产线运行的结果。
具身MaaS能否像大模型MaaS一样，成为按Token收费的生意？这里的关键变量是跨本体泛化。大模型MaaS能做大，核心在于同一模型可服务无数应用，场景不同但模型通用；而具身智能中，机器人结构多样，双臂、单臂、人形、轮式、四足等各有控制逻辑，短期内难以统一，因此跨本体泛化目前难以实现。但这也凸显了后训练平台的价值：正因为本体差异大，每个本体都需要基于场景做后训练，共享成熟平台比各家自行搭建基础设施更经济合理。
具身MaaS的商业逻辑可能与大模型MaaS不同：大模型MaaS靠Token流量费和规模盈利，而具身MaaS可能偏向“平台+定制”，通过后训练服务和场景解决方案盈利。当前市场增长迅速，相关数据显示，2026年上半年全球人形机器人出货量近2.5万台，同比增长432%，其中中国出货超1.9万台，占全球近八成。随着更多机器人需要“大脑上云”、后训练和持续迭代，平台的价值会越来越大。
过去两年，具身智能领域有太多演示性的机器人视频，如叠衣服、倒咖啡等，但演示不等于生产力，炫技不等于商业价值。从演示到生产力，需要突破后训练难、推理贵、门槛高、成功率低的瓶颈，而具身MaaS正是在填补这一缺口。这一过程虽不性感，没有震撼的表演，但每一次技术浪潮的改变，都是基础设施铺就的时刻：云计算让AWS普及，移动互联网因App Store爆发，大模型因MaaS走进千行百业，下一个，轮到机器人。
