有人視它為繼大模型之後最大的平台機會，有人斥其為估值先行的資本泡沫，但一個不爭的事實是：具身智能正接棒大模型，成為AI人才流向最密集的新大陸。
2026年以來，具身智能的融資熱度繼續升高，多個頭部公司完成數億美元規模融資。機器人基礎模型、人形機器人、世界模型和仿真平台，成為一級市場最受關注的方向之一。
資金之外，AI 行業的人才和技術路線也開始向機器人延伸。Google DeepMind、NVIDIA、Mistral 相繼擴大 Physical AI 佈局，一批來自大模型、世界模型和空間智能領域的研究人員也開始進入機器人創業。過去圍繞語言模型形成的技術和人才網絡，正在尋找新的應用出口。
不過，資本投入的增加並沒有帶來一致預期。人形機器人是否適合多數工業場景？公開影片中的複雜動作能否轉化為長期穩定運行？當前估值是否提前透支商業化前景？這些都成為投資人關注的問題。
資金持續進入，路線分歧愈加鮮明。
資本押注「機器人平台」的估值邏輯
據 Crunchbase 統計，截至2026年6月下旬，全球機器人初創公司年內融資額已達到188億美元，高於2025年全年的150億美元，也超過2021年創下的141億美元高點。
而按照PitchBook 將部分自主系統和 Physical AI 公司也納入機器人行業的統計口徑，僅在2026年第一季度，機器人與 Physical AI 領域已共完成492筆融資，交易金額達到163億美元。
巨額資金明顯流向了少數明星公司。今年1月，機器人基礎模型公司 Skild AI 完成14億美元 C 輪融資，估值超過140億美元；6月，德國機器人公司 NEURA Robotics 宣佈獲得最高14億美元 C 輪融資；人形機器人公司 Apptronik 也在2月獲得5.2億美元追加融資，使其 A 輪累計融資超過9.35億美元。
值得關注的是，這些融資不再是傳統風投的獨角戲。Google、NVIDIA、Amazon、Mercedes-Benz、Bosch、Schaeffler 等產業公司頻繁出現在融資名單中。它們可能提供模型、晶片和製造能力，也可能成為機器人未來的客戶與部署渠道。
這些交易也反映出資本對機器人的估值方式也在發生變化。資本關注的不再只有機械結構和設備銷量，機器人模型、數據閉環、仿真能力以及跨本體復用成為新的估值依據。很多投資人期待，基礎模型能夠降低機器人適配新任務的成本，同一套軟體能夠逐步覆蓋更多任務和機器人形態，並透過真實部署形成數據積累。
這一設想與大模型的發展路徑有些相似。也就是模型能力越強，適用場景越多；部署規模擴大，又能帶來更多數據。不過，機器人面對的物理環境遠比文本複雜，模型進步能否複製大語言模型的擴張速度，目前仍沒有答案。
Bessemer Venture Partners 將當前階段稱為機器人的「GPT-2.5 時刻」。其判斷，機器人基礎模型已經展現真實能力，數據規模與模型表現之間也開始出現規律，但實驗室演示與大規模部署之間仍有較長距離。
人形路線之爭：雙腿是答案還是負擔？
人形機器人擁有較大的市場想像空間的原因在於，現代社會中的許多設施原本就以人體尺度和人的操作習慣為基礎。門把手、樓梯、工作台和常用工具，默認使用者擁有接近人的身高、臂展和手部結構。採用類似人體的形態，可以讓機器人直接使用現有工具，也可能減少工廠、倉庫和公共空間的改造成本。
相比只能完成固定任務的傳統工業設備，通用人形機器人瞄準的市場更加廣泛。從製造、物流到零售、服務和家庭勞動，幾乎所有依賴人工操作的場景，都可能被納入其長期應用範圍。
但人形設計也帶來了額外的工程負擔。
Business Insider 近期採訪的多位投資人認為，部分機器人公司過早把人形設定為最終答案。雙腿需要支撐軀幹和電池，行走過程中還要持續保持平衡，控制難度、能源消耗和跌倒風險都會增加。在地面平整的工廠和倉庫中，輪式底盤往往更加穩定；某些生產環節並不需要機器人移動，固定機械臂已經能夠以更低成本完成工作。
Bain Capital Ventures 合夥人 Ajay Agarwal 對人形機器人的實用性持保留態度。他認為，輪子和機翼之所以被廣泛使用，正是因為它們在特定場景中比人的移動方式更高效。
Eclipse 合夥人 Jiten Behl 則更看重任務與機器人形態之間的匹配。在許多製造環節，機器人不需要行走，也不需要維持站立。先確定工作內容，再選擇輪式底盤、固定機械臂、四足結構或人形設計，可能更符合工業部署的實際需求。
Genesis AI 推出的 Eno 正是這一思路的產物。Eno 保留接近人手的操作能力，但取消頭部和雙腿，改用輪式底盤與可升降結構，主要面向物流和製造等平整環境。Genesis 成立於2025年，已獲得1.05億美元融資，並計劃於2026年底啟動生產和目標客戶部署。
綜合來看，人形機器人更適合使用現有工具、跨越障礙或頻繁切換任務；輪式機器人和固定機械臂則可以在流程明確的工廠與倉庫中獲得更高穩定性和更低成本。對企業客戶來說，機器人採用何種形態只是採購評估的一部分。能否持續運行、出現故障後多久恢復、是否需要工程師長期駐場，以及效率提升能否覆蓋採購和維護成本，都會影響最終決策。
而目前機器人公司發佈的公開演示影片，通常展示的是機器人能力的上限，但在實際生產環境中，作為買方的工業客戶更關心的則是日常表現。一台機器人連續運行時間，長期故障率、維護費用和投資回收週期都是需要更加明確的問題。
工業客戶會計算節拍、開機率、故障間隔、維護費用和投資回收週期。機器人進入開放環境後，還要處理光線變化、物體位移、人員穿行和各種訓練數據中沒有出現過的情況。不同於聊天機器人答錯可以重新生成，物理機器人的錯誤也會產生物理後果，一次判斷失誤可能損壞物品、設備，甚至威脅人員安全。
關於機器人大範圍應用的時間，大型企業目前公佈的部署計劃，也為商業化節奏提供了參考。現代汽車集團計劃從2028年開始，在美國喬治亞州工廠部署 Boston Dynamics 的 Atlas 人形機器人，初期用於高風險和重複性任務，再逐步擴展至零部件組裝等複雜工作。
這一節奏意味著，即便對於最激進的產業方，人形機器人的規模化落地仍需數年打磨。
AI人才「下場造物」，機器人仍是一門硬工程
機器人融資升溫的同時，AI 公司和研究人員也開始把模型能力向物理世界延伸。
今年7月，歐洲大模型公司 Mistral 推出首個機器人模型 Robostral Navigate。該模型擁有80億參數，僅使用一個 RGB 攝像頭進行自主導航，不依賴激光雷達或複雜的多傳感器系統。發佈模型之前，Mistral 已收購奧地利機器人 AI 公司 Emmi AI，為其進入工業和機器人領域補充技術團隊。
Genesis AI 聯合創始人 Théophile Gervet 曾是 Mistral 的研究人員。公司今年發佈機器人模型 GENE-26.5，希望讓同一套模型適配不同廠商和不同形態的機器人，並同時覆蓋導航和操作任務。
Google DeepMind 則更早開始將 Gemini 的能力引入機器人。2025年發佈的 Gemini Robotics，把視覺、語言理解和動作生成放進同一套模型；配套的 Gemini Robotics-ER 更側重空間推理，可以識別物體位置、規劃操作路徑，並與機器人已有的底層控制器連接。
世界模型也成為 AI 研究的新熱點。
大語言模型可以學習文本之間的關係，卻很難僅憑語言理解物體如何移動、碰撞和變形。機器人進入真實環境後，還要判斷空間距離、物體狀態、動作結果以及外部環境的連續變化。
世界模型試圖讓 AI 建立對空間、時間和物理規律的內部表示，並預測一個動作可能帶來的結果。李飛飛創辦的 World Labs 聚焦空間智能；Yann LeCun 也長期將世界模型視為突破語言模型侷限的重要方向。
人才流動已經出現更具體的案例。AP 近期報導，曾長期研究大語言模型的 Louis Castricato 在攻讀博士期間轉向世界模型，並創辦 Overworld，希望讓 AI 學習空間和物理環境，而不只是處理文字。越來越多研究人員開始把機器人、生成式環境和物理推理視為聊天機器人之後的新方向。
不過，機器人研發還涉及動力學、運動規劃、傳感器融合、嵌入式系統、機械設計、材料、供應鏈和現場維護。模型在一種機械手臂上學到的動作，遷移到關節結構、負載能力不同的設備時，可能需要重新訓練和調試。生產環境中的零部件磨損、網絡延遲、安全認證和設備維護，也無法只靠擴大模型規模解決。
目前具身智能公司對複合型人才的需求，高於一般軟體創業項目。Bessemer 對近五年成立、累計融資超過3000萬美元的美國機器人公司進行統計後發現，43%的創始人擁有博士學位，48%來自 Stanford、MIT、Berkeley 和 Carnegie Mellon 四所高校。機器人基礎模型、控制系統和硬體工程人才仍集中在有限的研究機構與產業網絡中。
資本如潮水般湧入，人才如候鳥般遷徙，具身智能無疑站在了AI產業化浪潮的最前沿。但潮水之下，路線分歧、工程難題與商業化時滯始終如暗礁般存在。人形與非人形、通用與專用、軟體飛輪與硬體苦功，各方力量仍在激烈博弈。
