具身智能正在遭遇一个颇具反差的现实：机器人越来越聪明，却仍然很难直接成为一名合格的“员工”。

　　从奔跑、跳跃到复杂物体抓取，从视觉语言动作模型（VLA）到世界模型，机器人的技术边界不断拓展。但进入真实工厂后，它们往往还需要重新采集数据、调整模型、适配设备，才能完成看似简单的工作。

　　问题的核心之一在于泛化能力——机器人能否把已有本领迁移到不同环境、物体和任务中，而不需要每次都重新训练。

　　就在模型厂商不断追求通用能力的同时，一批以场景适配、系统集成和持续运营为核心的“部署公司”，开始进入产业视野。

　　它们未必掌握最先进的模型，也未必生产机器人本体，却尝试把现有技术组织成能够交付给客户的解决方案。

　　当机器人还无法适应所有场景，能否先让它在特定场景中创造价值？ 这一问题，正在推动具身智能从技术竞赛走向商业竞争。

01

　　从技术演示到真实作业，机器人还差什么？

　　具身智能的产业化正在明显提速。

　　根据援引Omdia数据，2025年全球人形机器人出货量达到13318台，同比增长约479%；2026年上半年出货量超过2.2万台。

　　但出货增长并不意味着商业应用成熟。相关研报指出，2026年上半年，文娱商演和科教数采合计占人形机器人出货量的60%以上，智能制造和仓储物流分别约占13%和5%。

　　这组数据揭示了一个现实：制造机器人与让机器人持续创造生产价值，是两个不同的问题。

　　机器人能够在实验室抓取指定物体，不代表它能稳定识别生产线上不同规格的零件；能够完成一次装配，也不意味着它可以适应生产节拍变化，连续工作数小时而保持较高成功率。

　　技术演示证明的是能力上限，工业作业考验的则是系统可靠性。

　　目前，VLA等模型正在尝试打通视觉感知、语言理解与动作执行之间的联系，但面对陌生物体和复杂任务，模型的适应能力仍有局限。灵巧手、力传感器、执行器及电池系统的性能，也直接影响操作精度、连续运行时间和维护成本。

　　更深层的挑战来自数据。

　　语言模型可以从互联网获得海量训练文本，而机器人需要学习物理世界中的接触、摩擦、重量和形变。仿真训练能够降低部分成本，却无法完全消除模拟环境与真实世界之间的差异。

　　于是形成了一个相互制约的局面：模型需要真实数据提升能力，而高质量数据又依赖机器人进入实际场景。

　　不过，商业化未必需要等待通用能力彻底成熟。

　　在工业制造、仓储物流等任务相对明确的场景中，企业可以通过工程适配，让现阶段的机器人先承担部分工作。

　　研报提到，2025年8月，智元创新与富临精工达成数千万元规模的项目合作，计划将近百台远征A2-W机器人应用于工厂。

　　这类项目说明，行业正在尝试从单机演示走向批量商业交付。但签约、实际运行与持续盈利之间仍有距离。

　　随着机器人逐步进入真实业务流程，一个新问题也随之浮现：当模型、本体和数据由不同企业提供，谁来负责把这些技术变成客户真正能够使用的产品？

02

　　部署公司兴起，具身智能开始寻找可复制的生意

　　过去，具身智能企业通常按照模型、本体、数据和核心零部件进行划分。这些标签能够解释企业拥有什么技术，却未必能回答客户最终愿意为什么付费。

　　制造企业可能并不关心机器人采用什么模型架构，而更关注能否稳定完成搬运、分拣、上下料等任务，以及投入是否具有合理回报。

　　模型公司未必熟悉工厂的生产流程，本体厂商也不一定具备覆盖所有行业的应用经验，而客户通常不愿从零建立机器人研发团队。

　　部署公司正是在这些能力之间寻找商业空间。

　　它们围绕具体任务提供设备选型、模型适配、数据采集、系统集成和持续维护，交付的不只是硬件或算法，而是能够融入客户业务流程的作业系统。

　　例如，Mecka将自身定位为物理AI的“数据与部署层”，尝试连接机器人硬件、模型与商业客户。这意味着，数据公司的业务可能从提供训练素材，向模型适配、效果评估和现场运行延伸。

　　模型企业也在探索新的能力交付方式。

　　2026年10月，Physical Intelligence开放API测试服务，使开发者能够借助其模型和基础设施开展微调与推理；Dream Labs推出Dream-1，探索按使用量计价的机器人控制模型服务。

　　这些动作意味着，应用开发者有机会直接采购基础模型能力，将更多资源投入任务适配与现场交付。

　　模型公司提供通用能力，部署企业完成场景适配，终端客户为实际作业效果付费，一条新的商业分工链条开始显现。

　　与此同时，行业也在探索从整机销售、定制化解决方案到机器人即服务（RaaS）等多种商业模式。

　　RaaS试图将一次性设备购买转变为持续付费服务。但收费方式改变，并不意味着设备折旧、能源消耗、模型推理、现场维护和人工接管等成本随之消失。

　　如果机器人频繁操作失败，需要工程师不断介入，即使设备价格下降，实际作业成本仍可能高于人工或传统自动化设备。

　　因此，人形机器人并非所有场景的最优解。在高度标准化的固定工位上，传统工业机器人往往已经具备成熟的效率和成本优势。具身智能更具潜力的方向，是需要柔性切换、任务变化较多，或者传统自动化改造成本较高的场景。

　　找到合适的场景只是第一步，更大的挑战在于规模复制。

　　一家企业可以投入大量工程资源，完成某个工厂的定制项目。但客户从一家增加到十家、一百家，如果每次都需要重新采集数据、训练模型和调试设备，收入增长可能伴随着交付成本同步增加。

　　这种模式更接近传统工程服务，业务扩张高度依赖人力投入。

　　相反，如果企业能够将项目经验沉淀为标准化工具、通用任务模块和可复用的模型能力，新增客户的交付成本就有机会逐步下降。

　　从完成一个项目，到低成本复制一百个项目，是具身智能商业化必须面对的另一道门槛。

　　因此，评价企业的商业化进展，不能只看订单和出货量，还要关注任务成功率、设备利用率、客户复购以及持续运营成本。

03

　　产业链价值重构，竞争焦点正在发生转移

　　随着具身智能逐步进入商业验证阶段，产业竞争也可能从整机性能比拼，扩展到核心技术、成本控制和产业生态的综合竞争。

　　相关研报提出，具身智能产业链未来可能呈现类似“微笑曲线”的价值结构：基础模型、高端算力芯片和关键零部件处于技术壁垒较高的环节，场景运营和数据服务有望形成新的价值来源，而缺乏差异化能力的简单组装环节，可能面临更加激烈的竞争。

　　这一判断与消费电子产业的发展存在相似性。

　　在产业早期，能够制造产品本身就是竞争优势。但随着供应链成熟、零部件标准化和产能扩张，制造能力逐渐普及，竞争优势可能进一步向核心技术、品牌生态和产品定义能力集中。

　　人形机器人也可能经历类似过程。

　　中国企业在整机制造、运动控制及供应链配套方面已形成较强基础，但随着参与者增加，单纯依靠硬件生产和成本优势，未必能够持续获得较高利润。

　　这并不意味着整机厂商会失去价值。拥有系统架构、软硬件协同和产品定义能力的企业，仍有机会建立差异化优势。

　　与此同时，高壁垒零部件的重要性可能进一步提升。

　　研报指出，国内伺服电机、减速器、结构件等环节已形成较完善的配套能力，而高精度六维力传感器、行星滚柱丝杠及高端算力芯片等领域仍存在技术突破空间。

　　这些零部件不仅决定机器人的性能上限，还影响精度、寿命和维护成本。随着机器人从展示走向连续作业，可靠性和一致性的重要程度将不断提高。

　　因此，产业链竞争可能逐渐从国产替代和产能扩张，转向高端技术突破、产品稳定性及全球市场份额的争夺。

　　另一项值得关注的变化来自基础模型。

　　如果机器人模型能够在不同硬件和任务之间实现更大程度的通用化，模型企业就有机会将研发投入分摊到更多客户，形成类似软件平台的规模效应。

　　这可能改变机器人产业以硬件制造和项目交付为主的价值分配方式。

　　但与语言模型不同，机器人模型还必须面对设备差异、动作精度和物理安全等约束。通用模型能否跨越不同硬件平台、形成足够大的规模效应，仍需要验证。

　　未来产业价值究竟集中于基础模型、整机平台，还是由多个专业化环节共同分享，目前尚无定论。

　　对于中国具身智能产业而言，完整的制造业体系、丰富的工业场景和快速响应的供应链，为产业化提供了良好基础。

　　但制造优势并不自动等于技术优势，市场规模扩大也不意味着所有企业都能同步获得利润。

　　下一阶段更值得关注的是，国内企业能否进一步突破高端核心零部件和基础模型，将供应链优势转化为系统级产品能力，并在全球市场建立持续竞争力。

　　具身智能的长期竞争，可能不再只是比谁能制造更多机器人，而是比谁能够掌握关键技术、形成产品优势，并持续创造商业价值。

　　从技术模型不断迭代，到部署公司探索商业交付，再到产业链竞争格局演变，具身智能正在从证明技术可行，逐步走向验证商业可行。

　　泛化能力仍是通往通用机器人的重要门槛，但产业发展不必等待所有技术问题解决。

　　真正决定机器人能否大规模应用的，不只是它能够完成多少复杂动作，而是这些能力能否转化为稳定、高效且具有经济价值的生产能力。

（文章来源：新财富）