2026 年并不是具身智能走向終局的一年，而是決定分化方向的一年。誰能夠在這一年真正進入現實世界，并建立起可持續演化的能力閉環，誰才有資格參與下一階段關于 " 通用 " 的討論。
2026 年，具身智能正被推到了一個新的臨界點。
在過去一年里，一級市場資本洶涌而至，融資額不斷刷新著具身智能領域的歷史紀錄。
根據 IT 桔子數據顯示，2025 年具身智能領域，共發生 329 起融資事件，同比 2024 增長 219.42%；融資金額更是高達 398.9 億元，同比增長 3 倍之多。
從一月份春晚宇樹 H1 登上春晚，到三月份具身智能寫入政府工作報告，4 月份機器人馬拉松開幕，再到 7 月份，智元 + 宇樹中標中國移動 1.24 億元采購，開啟商業訂單規模化；最后到國產機器人在 CES 展會炸場……具身智能在 2025，畫出了一道特殊的宏觀圖景。
站在當下來看，具身智能領域，錢、算力和硬件似乎都已就位，但在這個領域，錢究竟流向了哪里？是誰在這場競賽中拿走了最多籌碼？
更重要的是，當 " 手 " 和 " 腳 " 已經初步成型，當模型開始走進工廠、倉庫與產線，當下的具身智能，究竟已經能做什么？又有哪些能力，依然是金錢、算力和工程堆疊都暫時無法攻克的 " 無人區 "？2026 年能否被攻克？
一、具身智能的錢，流向哪了？
根據 2025 年具身智能領域的融資統計，資金的分布呈現出明顯的層級化特征。
最為熱鬧的，是關鍵零部件領域，交易事件高達 131 起，占總交易事件的 40%。
該領域企業專攻靈巧手、關節、高密度執行器或電子皮膚等。涉及企業較多，也是眾多具身智能創業著的首選地，過去一年，在資本的加持下，使得一些企業快速跑出來。
例如靈心巧手這家企業在過去一年共完成了 5 輪融資，投資方涉及互聯網巨頭、產業基金，以及頭部資本。
比起關鍵零部件領域，具身智能本體領域的融資事件數量僅有 62 起，遠少于零部件領域。這類廠商主要做軟硬一體化的具身智能本體，目標是做出像人一樣靈動的整機。
不過，卻表現出的極強資金吸納能力。例如 12 月 19 日，銀河通用獲得了 3 億美元的 B+ 輪融資；10.22 日，樂聚機器人獲得了 15 億人民幣的 Pre-IPO 融資；6 月 22 日，星動紀元獲得了 10 億人民幣的 A+ 輪融資；9 月 8 日，自變量機器人獲得了 10 億人民幣的 A+ 輪融資……
這并不意味著所有企業都是如此。
從數據統計來看，單輪融資金額最高的 9 起融資事件共拿走了超過 100 億元的資金。
可見該領域資金高度集中在頭部的幾家企業中，這些企業一年內可能進行多次融資，甚至有的拿走了幾十億的資金，而中尾部初創公司面臨 " 融資荒 "，整個板塊馬太效應明顯。
值得注意的是，該領域大部分資本都集中在通用機器人領域，例如融資金額最高的 9 起融資事件里涉及的銀河通用、樂聚機器人、星動紀元等。
除了這些通用機器人，還有一批深耕垂直場景的廠商，也有著出色表現，且場景較為集中，主要在 C 端的消費和工業場景。
與本體賽道動輒 Pre-IPO 或 C 輪的大額融資不同，專注于具身智能軟件與基礎模型的具身智能大腦、小腦廠商大多處于天使輪、Pre-A 輪或 A 輪的極早期階段，交易事件和金額同比較少。
然而，由于這些公司掌握著具身智能的核心算法與基礎模型，他們在早期就表現出了驚人的吸金能力。例如以星源智機器人為代表的具身智能大腦廠商，一年內拿到了兩輪天使輪融資，融資金額數億元；以朗毅機器人為代表的具身智能小腦廠商，在過去一年也獲得三輪天使輪融資。
總的來說，風險投資拿的最多的，是具身智能 " 大腦 "；資金最集中的，是具身智能 " 本體 "；融資最頻繁，參與者最多的，是關鍵零部件與觸覺。
二、穿透迷霧后，資本的 " 精打細算 "
資本的每一筆流向，都是在對具身智能不同層級的產業地位進行預判和加碼。
在軟件產業史上，資本早已反復驗證過一條規律，那就是當一家公司的核心能力不是某個具體應用，而非為單一行業定制的應用層產品，市場便愿意在利潤尚未顯現之前，給予極高的 PS（市銷率）定價。
無論是微軟將操作系統與云平臺能力橫向復制到企業、政府與醫療體系，還是 NVIDIA 以 CUDA 與 AI 軟件棧為核心，從游戲擴展到數據中心、自動駕駛與醫療影像，本質上都遵循著同一套商業邏輯：一次高強度研發投入，換取幾乎無限的場景復用，邊際成本隨規模擴張而迅速趨近于零。
也正是基于這樣的歷史經驗，資本才會在具身智能領域，持續把資金投向所謂的 " 大腦 " 和 " 小腦 " 廠商。在資本眼中，具身智能的終局不會是 " 百箱大戰 "，而更接近 " 一腦萬機 "，資本在這一賽道下注的，本質是具身智能的能力上限。
不過，具身智能想要大規模商業化落地，光有大腦并不夠，必須依托強健的 " 軀殼 "。
值得注意的是，一體化機器人是一個極度燒錢的重資產賽道。以 Tesla Optimus 為例。2022 – 2024 年間，特斯拉在 Optimus 上的直接研發投入累計已超過 30 – 40 億美元。OpenAI、NVIDIA、微軟共同投資的人形機器人公司 Figure AI 年燒錢速度約 2 – 3 億美元。
所以，只有融資數億美金的公司，才有財力去建立自研產線、整合數百家供應商，并承受早期高昂的交付虧損。資金自然也就逐漸向大公司或者有一定基礎的廠商匯集。
除此之外，還有一個因素，則是互聯網巨頭通過直接投資或戰略協作，鎖定了頭部一體化機器人廠商，這種 " 站隊效應 " 加速了資源的閉環。
IT 桔子數據顯示，8 家核心大廠全年投資次數合計達 62 次，其中百度風投以 13 次投資位居首位，聯想創投 / 聯想之星以 11 次緊隨其后，國香資本（商湯）與螞蟻集團均以 8 次投資并列第三，形成第一投資梯隊。投資力度上，8 家大廠全年估算投資總額區間達 14.5-34 億元。
這種 " 站隊效應 " 將形成了一個閉環，即大廠提供真實場景，本體廠商打磨算法，產出更多數據。對于缺乏背景的小公司而言，拿不到高質量場景，就意味著在 " 數據飛輪 " 起步階段被徹底拋棄。資本在這里押注的，是誰能成為未來十年物理世界的 " 默認硬件載體 "。
不過，到最后無論哪家廠商勝出，都需要高功率密度的無框力矩電機、諧波減速器和靈巧手。這種剛需恰恰使得零部件廠商成為了風險最低的避風港，吸引了大量中早期、偏向制造端的 LP（有限合伙人）入場。為具身智能關鍵零部件與觸覺廠商，帶來高頻率融資。
加之這種小而精的任務，也更適合垂直領域的初創團隊，因此呈現出 " 螞蟻雄兵 " 式的融資景觀。
其實，零部件廠商決定著具身智能是否能被大規模、穩定、低成本地用起來。在資本眼中，這是整個產業鏈里風險最低、確定性最高的一環。
總的來看，無論是具身大腦、小腦吸引風險投資背后的 " 通用底座論 "、本體廠商馬太效應背后的 " 重資產突圍戰 "，還是關鍵零部件與觸覺高頻融資背后的 " 送水人邏輯 "，都是資本在 LLM（大語言模型）邊際遞減之后，重新尋找 " 長期可復利的技術資產 "。具身智能，恰好同時具備高天花板、強工程壁壘和確定性剛需這三種要素。
三、錢和算力，買不來 " 物理世界的確定性 "
現在來看，具身智能領域，錢已經到位，機器人的 " 手腳 " 也已初步成型，那么在 2026 年這個時間點，具身智能到底能干什么？又有哪些事是金錢和算力至今仍無法攻克的 " 無人區 "？
以工業場景為例，其實，具身智能已經完成了從 0 到 1 的本質跨越。
例如以前的機器人只能抓取固定位置的零件。現在的具身智能配合 VLA（視覺 - 語言 - 行動）大模型，已經能做到在雜亂堆放的零件筐里，精準找出劃痕最小的那個；得益于神經網絡控制（端到端），機器人動作不再有明顯的頓挫感。在折疊衣物、收納托盤等軟接觸任務上，成功率已從 30% 提升至 85% 以上；面對 " 去把那個容易碎的藍色杯子拿過來 " 這類指令，機器人不再需要坐標輸入，而是能直接理解 " 容易碎 " 代表需要控制握力，" 藍色杯子 " 是視覺目標。
總的來說，如今的具身智能，已經可以實現非結構化環境的初步適應、端到端帶來的流體運動，以及語義指令的直接轉化。
但目前的具身智能在面對長程邏輯鏈、物理常識、極端精密操作三類任務時，依然有局限性。
比如機器人可以完成 " 拿起咖啡杯 "，但如果要求其 " 去廚房洗杯子、接咖啡、加兩塊糖、送給二樓開會的王總 "，其極大概率會在執行到一半時，因為某個小擾動而死機。目前的模型依然缺乏對復雜、多步驟任務的長期規劃能力。
還有，目前的具身智能依然在通過海量數據模仿動作，而非真正理解物理世界的規律。比如對于 " 杯子里盛滿熱水時不能劇烈晃動 " 這種常識，較難理解。
再比如在處理針線縫合、極小電子元器件的柔性插拔等任務時，現有的靈巧手雖然硬件參數達標，但在視覺到觸覺反饋閉環上仍有毫秒級的延遲，而這種延遲在精密工程中是致命的。
不難看出，2026 年的具身智能，擅長 " 短程、局部、可容錯 " 的任務，但在 " 長程、精密、不可犯錯 " 的場景中，仍然表現得不成熟。
這些并非單一算法或硬件問題，而是源于高質量真實場景數據不足。
要知道長尾場景代價高昂。在工業線上，即使 1% 的失敗，也可能意味著整條產線的停擺。雖然現在通過合成數據可以解決量的問題，卻難以覆蓋比如光影變化、灰塵遮擋、電機磨損、材料老化，這些因素足以讓在虛擬環境中表現完美的模型，在真實場景中失靈。
具身智能，需要的是一個可以被規模化繼承與擴展的能力底座。
要知道在通用 AI 里，從基礎模型到 AIGC 產品或者 Agent 百花齊放的群智時刻，往往發生在兩個條件成熟之后，一是底座能力足夠強且相對通用，二是開發門檻足夠低，使得能力可復現、可微調、可部署、成本可承受。
在過去幾年里，具身智能的大腦能力大多被封閉在各個廠商自己的系統里，這導致技術難以跨場景、跨本體復用，也讓產業生態難以快速累積共享的知識與數據。
正因為如此，具身智能落地總是出現換場景、換本體、換工況就失效的情況，卡在最后 1% 的穩定性上。
從 2026 年的技術現實來看，2025 年資本的狂潮，本質上是一場押注，押的便是是否可以通過更強的算力、更大的多模態模型，像 ChatGPT 在文本領域那樣，強行突破物理世界中的長程規劃與穩定性難題。
而在這個問題被真正解決之前，具身智能仍將處在一個尷尬卻關鍵的階段。
四、2026，具身智能進入 " 現實世界 "
如果說 2025 年是具身智能的 " 元年 "，是技術集中涌現、資本快速下注的一年，那么 2026 年正在成為一個更現實的年份。
正如上文所言，當下的具身智能，擅長的是短程、局部、可容錯的任務；而在長程規劃、物理常識、極端精密操作上，仍然存在結構性短板。因此，2026 年的具身智能，并不會一步跨入通用時代，而更像是在既定能力范圍內，開始真正進入現實世界、承擔現實任務。
因此，工況穩定、流程明確、容錯空間可設計的場景，將成為是廠商們的首選。
這一點，從 2025 年底以及 2026 年初，具身智能廠商的動作以及政策上的加持，便可見一斑。
例如 2026 年初，智元機器人（Agibot）宣布其 " 遠征 " 系列已在汽車制造與精密電子生產線上累計工作超過 100 萬小時。從強調單次能力有多強，到強調長期穩定運行。
再比如 1 月 8 日，優必選與空中客車簽署人形機器人服務協議，空客采購 Walker S2 用于制造工廠；1 月 16 日，星動紀元與順豐科技簽約，明確要在倉儲、快遞中轉等環節推進規模化落地，并提出聯合制定物流行業標準……這與 2025 年初的具身智能概念期，所展現出來的業態全然不同。
這一點在政策上也有所體現，2025 年 12 月 31 日，工信部等四部門發布的《汽車行業數字化轉型實施方案》明確提出推動智能機器人在焊接、噴涂、總裝等環節規模化應用，并打造 " 具身智能示范產線 "。
從當下來看，工業操作密集的汽車領域將會成為具身智能 2026 年的第一戰場；物流分揀則會成為效率高地。
但僅靠 " 選對場景 " 還不夠，畢竟具身智能想要規模化落地，瓶頸根源是數據。于是 2026 年行業會出現第二個遞進變化，那就是行業開始用更系統的方式去補 " 真機數據 "，并讓數據真正可復用、可繼承。
一條路徑是通過 " 人類喂飯 " 式的訓練方式解決這一問題，比如 2025 年 11 月，宇樹科技正式發布了 " 全身遙操作平臺 "。這種 " 人類喂飯 " 式的訓練方式，允許人類操作員通過佩戴傳感器或使用視覺追蹤，讓其人形機器人實時同步人類動作；此外，智元機器人在 2025 年也推出了數據采集平臺——精靈 ( Agi-Pilot ) 。
這些動作不僅是展示硬件性能，核心是為了采集 " 高質量真機數據 "。通過人類帶教，機器人可以學習在處理柔性物體（如衣服）或精密物體（如水杯）時的力度補償和動作軌跡。
另一條路徑是具身智能 " 大腦 " 層面的開源化，例如在 RoboChallenge 的三方評測中，自變量開源端到端具身智能基礎模型 WALL-OSS 以 46.43 分的成績超越 pi0，總分排名第二；此外，在疊洗碗巾、掛口杯、按按鈕等多個單動作任務中排名第一。
這意味著而是行業開始有可對齊、可復現的基準。不僅大幅降低了開發與部署門檻，更為整個行業提供了一個共同的技術底座，讓不同廠商、不同硬件、不同場景之間能夠共享進步和反饋，避免重復造輪子，加速大規模應用的落地。
而當算法擁有了真正的 " 肌肉 " 和 " 骨骼 "，進入現實世界，AI 才能在真正撬起新的生產力，撬起新的時代。
站在 2026 年的門檻回望，具身智能已不再是被概念與想象包裹的 " 未來敘事 "，而是正在被拉進工廠、倉庫與真實產線的現實工程。未來，真正的分水嶺，也許并不在模型參數或融資規模上，而在于誰能率先建立起可繼承、可復用、可規模化擴展的現實能力底座。
從這個角度看，2026 年并不是具身智能走向終局的一年，而是決定分化方向的一年。誰能夠在這一年真正進入現實世界，并建立起可持續演化的能力閉環，誰才有資格參與下一階段關于 " 通用 " 的討論。
來源：產業家
