全球科技与资本领域正掀起一场围绕机器人“大脑”的布局热潮。软银、亚马逊创始人贝佐斯、英伟达CEO黄仁勋等科技巨头，纷纷将巨额资金投向具身智能模型领域。软银以140亿美元估值投资Skild AI，还斥资53.75亿美元收购ABB机器人业务；贝佐斯个人领投Physical Intelligence（PI）；黄仁勋更是将“物理AI”定义为AI产业第三波浪潮，预言机器人“ChatGPT时刻”即将到来。是什么让这些行业领袖如此一致地看好机器人“大脑”？市场又该如何为这一新兴领域定价？
要理解这一趋势，需先从机器人“身体”的竞争说起。过去几年，具身智能领域的竞争焦点集中在机器人本体性能上，厂商不断突破机器人的运动能力边界，本体性能、关节精度、负载水平、整机成本与量产速度成为衡量机器人优劣的关键指标。然而，当机器人走出实验室，进入工厂、门店和仓库等实际应用场景时，问题随之而来。一台学会搬箱子的机器人，面对不同颜色、材质和尺寸的箱子，或者更换工厂和工位后，原本掌握的技能就会出现明显衰减。企业不得不重新采集机器人轨迹、标注动作并微调模型，每增加一个部署点位，都如同重新实施一次项目，这大大限制了机器人的大规模应用。
这些落地难题促使行业将竞争重心从“本体”转向“模型侧”。越来越多的公司开始加大在具身智能模型开发上的投入，从VLA、世界模型到各种技术路线的结合，模型成为行业发展的新主线。当模型成为共识，新的分化也随之出现。模型学会一项技能后，能否在千差万别的真实环境中稳定泛化，以及每增加一个部署点位需要投入的时间和工程人员数量，成为衡量具身智能公司的新标准。
在海外，具身模型形成了两种不同的技术路径。一种是与自有本体深度绑定，以Figure为例，其2025年发布的Helix将视觉感知、语言理解和上肢控制纳入同一套VLA系统，2026年推出的Helix 02进一步将控制范围扩展至全身，让行走、平衡和操作由同一套神经系统衔接。这种软硬件深度绑定的方式虽能压缩控制链路、提高动作稳定性，但模型迭代与数据积累高度依赖自有机器人的部署规模，泛化能力受到一定限制。另一种是跨越硬件和场景的通用模型路线，PI的π系列便是典型代表。π0模型支持68个任务、7种不同形态的机器人，试图用同一套“大脑”驱动不同的“身体”；π0.5通过融合不同机器人数据、互联网数据和任务语义，让机器人能在未参与训练的新住宅中完成清理等长程任务；π0.7则进一步展示了跨本体迁移和不同任务策略的学习能力。这种通用模型路径若能成功，有望成为物理AI时代的“安卓系统”，但也面临缺乏软硬件深度闭环，在真实工业场景中稳定性和精度有待验证的质疑。
除了上述两种路径，英伟达与谷歌还将竞争延伸至模型之外的基础设施。英伟达发布的GR00T N1以真实机器人轨迹、人类视频和合成数据混合训练，同时配套仿真、合成数据生产和物理引擎，试图覆盖从数据生成、模型训练到真机部署的完整链条。谷歌推出Gemini Robotics、Gemini Robotics - ER等，将Gemini的多模态理解和空间推理能力延伸至机器人，并探索模型在不同形态机器人上的快速适配，其双模型架构——推理模块与控制模块解耦——也为行业提供了新的技术思路。尽管这些公司技术路径不同，但都表明具身智能的竞争重心正从本体参数转向模型能力。
中国具身智能市场也呈现出类似的变化。国内玩家大致可分为三类。一类是全栈硬件厂商，如宇树、优必选等，它们从机器人本体和制造体系出发，逐步向上构建模型能力，优必选布局Thinker - VLA和世界模型，宇树也在推进相关研发。另一类是消费电子企业，以小米为代表，凭借供应链和数据生产优势切入该领域。2026年7月，小米开源380亿参数的Xiaomi - Robotics - U0，用于生成、迁移和扩增机器人训练所需的数据，其机器人也已进入小米工厂工作。第三类则以模型为核心，银河通用是其中的典型代表。
银河通用的技术逻辑与其他两类路径相反，它以具身智能大模型为技术原点，向本体设计、数据采集与场景应用反向延伸，形成“大模型—本体—数据”三者相互驱动的全栈闭环。大模型牵引本体架构与数据需求，本体提供物理载体与实时反馈，数据为模型迭代提供持续动力。目前，银河通用已推出自研的“银河星脑”具身大模型，将感知、规划与控制集成于端到端架构中，覆盖多模态感知、长程任务规划、全身控制与灵巧操作等模块。在本体层面，Galbot G1与S1已在零售、工业、康养医疗、教育等场景实现规模化落地，其中S1自今年3月起在宁德时代产线实现7×24小时自主常态化运行，G1落地智慧药房、银河太空舱等场景，覆盖全国40余城、数百家门店。数据层面，“银河星数”基座通过虚实融合训练范式与五层金字塔管理体系，形成“真实场景—数据回流—模型进化—场景复制”的闭环，每一次部署都为模型进化提供机会，部署越多，数据越厚，模型越强，下一次部署的成本越低、速度越快。
海内外市场的共识逐渐形成：模型是机器人能否真正进入场景的关键，构建“数据—训练—部署—迭代”的闭环是决定模型能否持续进化的分水岭。过去两年，大额融资频频流向具身大模型公司。PI在2024年完成4亿美元融资，估值约20亿美元；2025年又完成6亿美元B轮，估值攀升至56亿美元。今年1月，软银与英伟达以140亿美元估值投资Skild AI；今年6月，Generalist完成4亿美元融资，累计融资超过5亿美元，李飞飞等AI学者以天使投资人身份参投。国内同样如此，2026年3月，银河通用完成25亿元新一轮融资，由国家人工智能产业基金（大基金三期）领投，估值位居中国具身智能领域首位。
资本之所以在规模化收入尚未释放的阶段给予这些公司高估值，与顶级投资人的判断有关。英伟达CEO黄仁勋认为“物理AI”是AI产业第三波浪潮，未来AI技术将全面落地实体物理世界，机器人的“ChatGPT时刻”已到来，模型层是核心基础设施。软银董事长孙正义称“AI是泡沫是对AI的亵渎”，认为本轮AI革命规模是互联网时代的50倍，物理AI与人形机器人将诞生下一批万亿美元市值公司，软银不仅投资模型公司，还收购ABB机器人业务。亚马逊创始人贝佐斯个人领投PI的A轮融资，还创立专注工业AI的Prometheus公司，他认为通用机器人大脑将极大提升物理世界的创新效率。
市场给予这些公司高估值，是基于对模型能力、数据资产和未来平台化潜力的预期，这与大语言模型时代对OpenAI、Anthropic的定价逻辑相似。摩根士丹利分析师Sheng Zhong团队认为，机器人“大脑”的重要性将在2026年进一步上升，模型能力会成为企业之间的关键差异，人形机器人产业链竞争壁垒正逐渐向拥有专有数据飞轮的方向倾斜。具身智能行业未来可能形成两类商业路径，一类是独立模型供应商，类似智能手机时代的安卓系统商，专注于开发通用具身大模型，向不同机器人本体厂商输出能力并按调用量、部署量或授权规模收费，PI、Skild AI等公司接近这条路径；另一类是全栈技术飞轮，同时掌握机器人本体和模型，通过大规模部署积累真实数据，再用数据持续迭代模型，特斯拉、银河通用等公司接近这条路径。但全栈技术飞轮面临部署边际成本的挑战，若机器人每进入一家新门店或一条新产线，都需要重新采集轨迹、标注动作、微调模型并让工程师长期驻场，部署越多交付压力反而越大，飞轮就难以转动。
银河通用试图解决这一核心命题，其最新发布的WAM - TTT框架，通过减少对遥操作数据和驻场人力的依赖，将新场景适配从重投入的“项目制”向可复用的“标准化”流程推进，让“部署—数据回流—模型迭代—更低成本再部署”的循环得以跑通。该循环已在零售、药房、工业等场景初步验证可行性，但模型能否在更多硬件形态上保持稳定、第三方厂商在什么条件下愿意接入、面向不同场景的收费体系如何设计等问题，还需通过更大范围的实际部署来解答。无论是Figure、PI，还是银河通用，所有押注通用具身大模型的公司都站在同一起跑线上，接下来拼的是工程化落地的深度与广度。“模型溢价”存在技术路线收敛不确定性、商业化节奏慢于预期、巨头入场价格战等风险，但物理AI作为AI产业的重要浪潮，市场空间巨大，在潮水退去前，市场更愿意为“拥有最强大脑”的公司保留机会。对于投资者而言，2026年下半年需关注模型在新场景中的泛化成功率、每新增部署点位的边际成本变化趋势、以及真实操作数据的积累速度等指标。
