具身智能的“洗牌期”：初创企业在本体进化与大脑协同中如何生存？

具身智能正在从“能不能做出来”进入“能不能持续进化、稳定交付”的洗牌期。对投资人来说，判断一家初创企业的关键，已经不只是看它有没有一台能完成动作的机器人；对创业者来说，真正的难题也不只是把大模型接到机械臂上，而是让机器人的本体、数据、模型和应用场景形成一个能够反复迭代的闭环。

竞争焦点从单点能力转向系统进化

2025年以来，具身智能受到更高关注，讨论重点也从实验室演示逐渐转向产业化验证。相关资料显示，2025年具身智能成为中国人工智能领域的热门方向之一；进入2026年，日本NEDO的人工智能项目公开信息中，也出现了面向人工智能机器人、物理AI、多模态基础模型和机器人基础模型的研发项目。

这些动向并不意味着行业已经形成统一的技术路线，反而说明竞争正在变得更复杂：机器人需要更强的本体控制能力，也需要能够理解环境、规划任务并从交互中学习的“大脑”。单独强化任何一侧，都可能在产品落地时遇到瓶颈。

一台机器人可以在演示环境里完成抓取、行走或简单操作，但真实场景会不断改变物体位置、光照、摩擦、障碍物和人的行为。模型如果无法把感知结果转化为稳定动作，本体再灵活也难以交付；反过来，如果本体的传感器、执行器和控制系统无法提供足够可靠的反馈，大模型的推理能力也很难转化为实际生产力。

因此，具身智能的竞争不再是“更强的硬件”与“更大的模型”之间的二选一，而是系统能否建立持续变好的能力。

“具身大小脑”协同进化到底是什么

所谓“具身大小脑”，可以把它理解为两个相互依赖的层次。

“小脑”更接近机器人的身体和底层控制系统，负责姿态、运动、力控、抓取、避障以及动作执行中的实时调整。它关注的是机器人能否稳定地完成一个动作，能否感知到接触和误差，并在很短时间内做出修正。

“大脑”则更接近通用智能能力，负责理解指令、识别场景、拆解任务、调用技能和进行较长链条的规划。它需要回答的是“现在要做什么”“下一步应该怎么做”以及“面对变化时如何重新安排任务”。

但二者并不是简单的上下级关系。大脑的规划必须受到本体能力的约束，不能指挥机器人执行超出关节、负载、视野或安全边界的动作；小脑也不能只是被动执行，因为真实环境中的反馈会改变任务判断，机器人需要把“抓取失败”“物体滑落”“路径受阻”等信息及时传回更高层。

“协同进化”的含义，正是让两者在同一条数据和任务链路中互相塑造：

• 本体采集到的视觉、触觉、力觉和动作结果，持续改善模型对物理世界的理解；




• 模型对任务的分解和规划，反过来暴露本体在灵活性、精度和安全性上的不足；




• 控制系统把模型输出转化为可执行动作，并将误差、失败和异常情况反馈回训练流程；




• 场景中的真实任务不断产生新数据，推动硬件设计、控制策略和模型能力同步调整。

这不是把机器人连接到一个聊天模型就算完成，而是建立“感知—决策—执行—反馈—再训练”的闭环。闭环能否有效运转，往往比某一次展示中的动作是否流畅更能说明企业的长期潜力。

协同进化的难点，不在于接口而在于反馈质量

很多团队可以较快完成模型与机器人的接口连接，但接口打通不等于协同完成。真正困难的是，机器人的反馈必须足够准确、连续且有训练价值。

例如，机器人没有抓住一个物体，原因可能是视觉识别错误、手指位置偏移、夹持力度不合适，也可能是物体表面材质导致摩擦变化。如果系统只记录“成功”或“失败”，模型很难知道问题发生在哪一层。没有更细致的过程数据，后续迭代就容易变成反复试错，而不是有效学习。

第二个难点是时间尺度不同。大脑可以进行较复杂的任务规划，但底层控制需要快速响应。模型输出如果延迟过高，或者规划结果没有转化为明确的动作约束，就可能出现“想得明白、做不稳定”的情况。创业公司需要处理的不是单一模型精度，而是模型推理、运动控制、传感器反馈和安全机制之间的协作关系。

第三个难点是仿真与现实之间存在差距。仿真环境可以帮助企业降低采集成本、覆盖更多情况，但真实世界中的柔性物体、偶发碰撞和人为干扰往往难以完整还原。真正有价值的数据，不只是机器人完成任务时的成功记录，也包括失败原因、恢复过程和人在关键时刻如何介入。

这也是为什么场景和数据越来越成为投资判断中的重要因素。相关资料提到，物理AI行业的资金正在更多集中到拥有落地订单和成熟产品的企业，真实订单、线下场景和交互数据被视为稀缺资源。这个趋势传递出的信号很明确：资本市场开始关注企业是否拥有可持续获得有效反馈的能力，而不是只看概念热度。

初创企业不应同时复制硬件与通用大模型

面对大型企业在资金、供应链和模型资源上的优势，初创公司如果试图从机器人本体、通用大模型、数据平台到应用交付全部自建，往往会同时承受多条高成本战线。更现实的做法，是选择协同进化链条中最难被替代的一环，并围绕这一环建立完整闭环。

以本体能力建立数据壁垒

如果企业选择做硬件，就不能只把本体理解为外形、关节数量或参数配置。真正有价值的本体，需要让机器人能够稳定采集高质量交互数据，并且把这些数据与动作结果对应起来。

例如，灵巧操作领域的核心不只是手部结构更复杂，而是机器人能否在不同物体、不同接触状态下持续获得可用反馈。相关资料中提到，有企业通过智能腕带大规模采集人类手部操作数据，为机器人模仿学习提供素材。这类方向的价值，取决于数据是否与具体任务、动作轨迹和结果建立了可靠关联，而不是采集规模本身。

对初创团队而言，硬件壁垒可以来自更适合特定任务的结构设计、更稳定的传感反馈、更易维护的执行机构，也可以来自一套能够快速生成训练数据的本体系统。单纯拥有一个外观新颖的机器人，并不能自然形成长期优势。

以场景闭环建立应用壁垒

另一条路径是从明确场景切入，而不是一开始就宣称覆盖所有任务。初创公司可以选择一个任务边界相对清晰、重复频率较高、结果容易评估的场景，通过持续部署积累数据和异常处理经验。

这里的重点不是把机器人限制在狭窄功能里，而是先建立“任务定义—数据采集—模型更新—现场验证”的迭代速度。一个能持续改善具体任务的系统，可能比一个功能描述宽泛但缺少反馈的通用平台更具商业价值。

场景壁垒还体现在企业能否真正理解现场约束。机器人需要适应的不只是物体，还包括作业流程、人员协作、安全要求、维护方式和异常处理。只有把这些信息沉淀为可复用的技能、数据和控制策略，场景才会从一次项目变成长期资产。

以数据工程和模型适配建立中间层能力

大模型本身可能越来越容易被调用，但如何让模型理解特定本体、特定任务和特定环境，仍然需要大量工程工作。初创企业可以把核心能力放在数据清洗、任务标注、动作分层、模型评测和失败恢复上。

这类能力不一定显眼，却直接决定系统能否稳定迭代。模型在实验室中表现良好，并不代表它能在现场持续工作。企业需要有一套方法判断：问题来自感知、规划、控制，还是来自本体限制；一次失败是偶然异常，还是系统性缺陷；模型更新后，是否改善了真实任务，而不是只提高了某个测试结果。

如果一家企业能够把这些过程标准化，它就不只是模型供应商或机器人集成商，而是在构建一层连接通用智能与物理执行的“适配基础设施”。

投资人应看企业能否形成正向飞轮

对于AI投资人来说，判断具身智能初创企业，不能只比较融资金额、演示视频或机器人数量，更应观察它是否形成了正向飞轮。

一个健康的飞轮通常包括：真实场景带来任务数据，数据帮助模型和控制系统改进，系统改进降低部署成本并扩大任务覆盖，更多部署又产生新的反馈。这个过程越顺畅，企业越有机会从项目交付走向平台化能力。

相反，如果企业每进入一个新场景都要重新设计硬件、重新训练模型、重新依赖人工调试，那么它可能仍停留在一次性交付阶段。即使短期内能够获得订单，也未必能形成可复制的技术资产。

投资判断还应区分“规模”与“有效规模”。机器人出货量、测试次数和数据总量都很重要，但更关键的是，这些规模是否带来更高的任务成功率、更低的维护成本和更短的迭代周期。没有与结果绑定的数据规模，很容易变成难以利用的库存。

洗牌期最危险的误判，是把演示能力当成产品能力

具身智能的演示往往能够快速吸引注意力，但演示通常发生在经过准备的环境中，任务边界也相对明确。产品能力则要面对长时间运行、环境变化、异常恢复和人员协作。

创业团队如果过早追求“什么都能做”，容易把资源分散到大量尚未验证的能力上。更稳妥的路线，是先明确本体真正擅长的动作范围，再围绕这些动作设计任务和数据闭环。通用能力可以作为长期方向，但不应成为早期企业逃避场景验证的口号。

同样，投资人也需要警惕把模型参数、机器人外观和单次成功率直接等同于商业化进展。具身智能最终面对的是物理世界，任何一个看似微小的动作误差，都可能转化为安全风险、维护成本或交付延期。

结语：初创公司的机会在“连接处”

2025—2026年的具身智能竞争，可能不会简单演变成“硬件公司胜出”或“大模型公司胜出”。更值得关注的，是谁能把本体、模型、数据和场景连接成一个持续学习的系统。

对创业者而言，核心竞争力应当是可验证的闭环：机器人能否在真实环境中产生高价值数据，模型能否把数据转化为更好的决策，控制系统能否把决策稳定执行，企业又能否把一次任务中的经验复制到下一次部署。

对投资人而言，真正需要追问的不是“这家公司有没有大模型”或“机器人看起来是否先进”，而是三个更实际的问题：它最难替代的资产是什么？这些资产是否会随着部署不断增值？当硬件和基础模型快速迭代时，它能否继续掌握协同进化的关键位置？

这或许正是洗牌期留给初创企业的窗口：不必在所有层面都成为第一，但必须在某个关键连接处，成为别人难以绕开的那一环。