有人视它为继大模型之后最大的平台机会，有人斥其为估值先行的资本泡沫，但一个不争的事实是：具身智能正接棒大模型，成为AI人才流向最密集的新大陆。
2026年以来，具身智能的融资热度继续升高，多个头部公司完成数亿美元规模融资。机器人基础模型、人形机器人、世界模型和仿真平台，成为一级市场最受关注的方向之一。
资金之外，AI 行业的人才和技术路线也开始向机器人延伸。Google DeepMind、NVIDIA、Mistral 相继扩大 Physical AI 布局，一批来自大模型、世界模型和空间智能领域的研究人员也开始进入机器人创业。过去围绕语言模型形成的技术和人才网络，正在寻找新的应用出口。
不过，资本投入的增加并没有带来一致预期。人形机器人是否适合多数工业场景？公开视频中的复杂动作能否转化为长期稳定运行？当前估值是否提前透支商业化前景？这些都成为投资人关注的问题。
资金持续进入，路线分歧愈加鲜明。
资本押注“机器人平台”的估值逻辑
据 Crunchbase 统计，截至2026年6月下旬，全球机器人初创公司年内融资额已达到188亿美元，高于2025年全年的150亿美元，也超过2021年创下的141亿美元高点。
而按照PitchBook 将部分自主系统和 Physical AI 公司也纳入机器人行业的统计口径，仅在2026年第一季度，机器人与 Physical AI 领域已共完成492笔融资，交易金额达到163亿美元。
巨额资金明显流向了少数明星公司。今年1月，机器人基础模型公司 Skild AI 完成14亿美元 C 轮融资，估值超过140亿美元；6月，德国机器人公司 NEURA Robotics 宣布获得最高14亿美元 C 轮融资；人形机器人公司 Apptronik 也在2月获得5.2亿美元追加融资，使其 A 轮累计融资超过9.35亿美元。
值得关注的是，这些融资不再是传统风投的独角戏。Google、NVIDIA、Amazon、Mercedes-Benz、Bosch、Schaeffler 等产业公司频繁出现在融资名单中。它们可能提供模型、芯片和制造能力，也可能成为机器人未来的客户与部署渠道。
这些交易也反映出资本对机器人的估值方式也在发生变化。资本关注的不再只有机械结构和设备销量，机器人模型、数据闭环、仿真能力以及跨本体复用成为新的估值依据。 很多投资人期待，基础模型能够降低机器人适配新任务的成本，同一套软件能够逐步覆盖更多任务和机器人形态，并通过真实部署形成数据积累 。
这一设想与大模型的发展路径有些相似。也就是模型能力越强，适用场景越多；部署规模扩大，又能带来更多数据。不过，机器人面对的物理环境远比文本复杂，模型进步能否复制大语言模型的扩张速度，目前仍没有答案。
Bessemer Venture Partners 将当前阶段称为 机器人的“GPT-2.5 时刻” 。其判断，机器人基础模型已经展现真实能力，数据规模与模型表现之间也开始出现规律，但实验室演示与大规模部署之间仍有较长距离。
人形路线之争：双腿是答案还是负担？
人形机器人拥有较大的市场想象空间的原因在于，现代社会中的许多设施原本就以人体尺度和人的操作习惯为基础。门把手、楼梯、工作台和常用工具，默认使用者拥有接近人的身高、臂展和手部结构。采用类似人体的形态，可以让机器人直接使用现有工具，也可能减少工厂、仓库和公共空间的改造成本。
相比只能完成固定任务的传统工业设备，通用人形机器人瞄准的市场更加广泛。从制造、物流到零售、服务和家庭劳动，几乎所有依赖人工操作的场景，都可能被纳入其长期应用范围。
但人形设计也带来了额外的工程负担。
Business Insider 近期采访的多位投资人认为， 部分机器人公司过早把人形设定为最终答案 。双腿需要支撑躯干和电池，行走过程中还要持续保持平衡，控制难度、能源消耗和跌倒风险都会增加。在地面平整的工厂和仓库中，轮式底盘往往更加稳定；某些生产环节并不需要机器人移动，固定机械臂已经能够以更低成本完成工作。
Bain Capital Ventures 合伙人 Ajay Agarwal 对人形机器人的实用性持保留态度。他认为，轮子和机翼之所以被广泛使用，正是因为它们在特定场景中比人的移动方式更高效。
Eclipse 合伙人 Jiten Behl 则更看重任务与机器人形态之间的匹配。在许多制造环节，机器人不需要行走，也不需要维持站立。先确定工作内容，再选择轮式底盘、固定机械臂、四足结构或人形设计，可能更符合工业部署的实际需求。
Genesis AI 推出的 Eno 正是这一思路的产物。Eno 保留接近人手的操作能力，但取消头部和双腿，改用轮式底盘与可升降结构，主要面向物流和制造等平整环境。Genesis 成立于2025年，已获得1.05亿美元融资，并计划于2026年底启动生产和目标客户部署。
综合来看，人形机器人更适合使用现有工具、跨越障碍或频繁切换任务；轮式机器人和固定机械臂则可以在流程明确的工厂与仓库中获得更高稳定性和更低成本。对企业客户来说，机器人采用何种形态只是采购评估的一部分。能否持续运行、出现故障后多久恢复、是否需要工程师长期驻场，以及效率提升能否覆盖采购和维护成本，都会影响最终决策。
而目前机器人公司发布的公开演示视频，通常展示的是机器人能力的上限，但在实际生产环境中，作为买方得工业客户更关心的则是日常表现。一台机器人连续运行时间，长期故障率、维护费用和投资回收周期都是需要更加明确的问题。
工业客户会计算节拍、开机率、故障间隔、维护费用和投资回收周期。机器人进入开放环境后，还要处理光线变化、物体位移、人员穿行和各种训练数据中没有出现过的情况。不同于聊天机器人答错可以重新生成，物理机器人的错误也会产生物理后果，一次判断失误可能损坏物品、设备，甚至威胁人员安全。
关于机器人大范围应用的时间，大型企业目前公布的部署计划，也为商业化节奏提供了参考。现代汽车集团计划从2028年开始，在美国佐治亚州工厂部署 Boston Dynamics 的 Atlas 人形机器人，初期用于高风险和重复性任务，再逐步扩展至零部件组装等复杂工作。
这一节奏意味着，即便对于最激进的产业方，人形机器人的规模化落地仍需数年打磨。
AI人才“下场造物”，机器人仍是一门硬工程
机器人融资升温的同时，AI 公司和研究人员也开始把模型能力向物理世界延伸。
今年7月，欧洲大模型公司 Mistral 推出首个机器人模型 Robostral Navigate。该模型拥有80亿参数，仅使用一个 RGB 摄像头进行自主导航，不依赖激光雷达或复杂的多传感器系统。发布模型之前，Mistral 已收购奥地利机器人 AI 公司 Emmi AI，为其进入工业和机器人领域补充技术团队。
Genesis AI 联合创始人 Théophile Gervet 曾是 Mistral 的研究人员。公司今年发布机器人模型 GENE-26.5，希望让同一套模型适配不同厂商和不同形态的机器人，并同时覆盖导航和操作任务。
Google DeepMind 则更早开始将 Gemini 的能力引入机器人。2025年发布的 Gemini Robotics，把视觉、语言理解和动作生成放进同一套模型；配套的 Gemini Robotics-ER 更侧重空间推理，可以识别物体位置、规划操作路径，并与机器人已有的底层控制器连接。
世界模型也成为 AI 研究的新热点。
大语言模型可以学习文本之间的关系，却很难仅凭语言理解物体如何移动、碰撞和变形。机器人进入真实环境后，还要判断空间距离、物体状态、动作结果以及外部环境的连续变化。
世界模型试图让 AI 建立对空间、时间和物理规律的内部表示，并预测一个动作可能带来的结果。李飞飞创办的 World Labs 聚焦空间智能；Yann LeCun 也长期将世界模型视为突破语言模型局限的重要方向。
人才流动已经出现更具体的案例。AP 近期报道，曾长期研究大语言模型的 Louis Castricato 在攻读博士期间转向世界模型，并创办 Overworld，希望让 AI 学习空间和物理环境，而不只是处理文字。越来越多研究人员开始把机器人、生成式环境和物理推理视为聊天机器人之后的新方向。
不过，机器人研发还涉及动力学、运动规划、传感器融合、嵌入式系统、机械设计、材料、供应链和现场维护。模型在一种机械臂上学到的动作，迁移到关节结构、负载能力不同的设备时，可能需要重新训练和调试。生产环境中的零部件磨损、网络延迟、安全认证和设备维护，也无法只靠扩大模型规模解决。
目前具身智能公司对复合型人才的需求，高于一般软件创业项目。Bessemer 对近五年成立、累计融资超过3000万美元的美国机器人公司进行统计后发现，43%的创始人拥有博士学位，48%来自 Stanford、MIT、Berkeley 和 Carnegie Mellon 四所高校。机器人基础模型、控制系统和硬件工程人才仍集中在有限的研究机构与产业网络中。
资本如潮水般涌入，人才如候鸟般迁徙，具身智能无疑站在了AI产业化浪潮的最前沿。但潮水之下，路线分歧、工程难题与商业化时滞始终如暗礁般存在。人形与非人形、通用与专用、软件飞轮与硬件苦功，各方力量仍在激烈博弈。
