这是《晚点聊》「具身季报」系列的第二期。AlphEast 创始合伙人陈哲（Peter）继续按 Top 5 的方式复盘 26 年第二季度具身智能——也就是越来越多人改口叫的"物理 AI"——最重要的进展。这个季度有热闹的人形机器人马拉松，有 Figure 连播 100 多个小时的物流分拣直播，也有英伟达把世界模型从概念拉进产品级的 Cosmos 3。热闹之外，访谈更大的价值在于一位一线投资人对技术路线的判断：灵巧手会走向直驱还是绳驱，世界模型会不会吞掉 VLA，具身模型的终局是不是只有开源和闭源两个极，以及——为什么大厂正在涌入，而未来六个月可能是入场的最后窗口。
4 月 9 日，北京亦庄人形机器人半马开跑，100 多个机器人参赛。赛前夺冠的三大热门是宇树、北人和荣耀；最终荣耀机器人事业部的「闪电」机器人包揽了冠军、亚军、季军——一家厂商派出了十支队伍，而其他公司只派了两三支。荣耀两年前才成立机器人事业部，团队接近一两百人，为比赛定制了大扭矩电机和精密液冷机构：其他机器人在长时间高速奔跑下电机过热、不得不休息，荣耀的液冷方案让电机温度始终保持在较低水平，这是它能全程保持高速度和高一致性的关键。
更值得注意的是成绩曲线。上一届（25 年）冠军天工（北人）跑完半马用了 2 小时 40 分钟，亚军松延动力是 3 小时 37 分钟；这一届自主导航赛制下，荣耀三台机器人的成绩都在 50 分钟左右，且咬得很紧。陈哲的点评是："这个进步速度是非常快的，在一年左右的时间成绩提高了三倍多。"
"我认为马拉松作为一种极限的运动性能的测试，本质上是人形机器人技术的一个练兵场。就像 F1 赛车从来不是为了卖车，而是不同的汽车公司展示他们最新的技术，而这里面的很多技术会逐渐引入到量产车或者量产产品上面。"—— 陈哲，谈亦庄马拉松的意义
马拉松创造了一种极端测试环境：20 多公里的持续高速奔跑，考验全身运控、应急处理、长时间无故障运行，还有供电与散热这些系统问题。知道能力边界之后，量产时就有大量的系统设计经验可以用。它同时预示了竞争格局的转变：有主制能力、人才能力和资金能力的大厂（小米、小鹏、理想都在严肃投入）正在把人形机器人从"单一技术创业公司的游戏"变成"系统性工程作战"。
5 月 13 日起，三台 Figure AI 人形机器人连续直播 100 多个小时，站在真实物流产线旁分拣包裹：包裹每来一个，翻一个面，把标签翻到正面。整个直播分拣了 13 万个包裹，差不多 3 秒钟一个，并全程与真人对比节拍和成功率。陈哲把它列为 Top 5，理由是："无论是从观赏效果上，还是从实际的工业价值上，都算是一次零到一的突破。"
为什么这个看似简单的动作过去解决不了？快递包裹多是软体，贴在软包上的二维码容易被遮挡、产生形变。人会用双手把二维码翻面、展平再扫描——"这两个动作在四五年前技术栈下面基本上是无解的"。中国邮政四五年前就开始和机器人公司合作，但传统"运动控制 + 深度学习图像识别 + 工业臂"的方案大多停留在 demo，吸盘方案只能做简单的 pick and place，做不了两手操作。软体、纺织物这类可变形材料无法用固体模型建模，必须靠有一定泛化和理解能力的具身模型配合灵巧手。
"当这种意外情况真正出现的时候，其实只有人形机器人，加上我们今天的这种具身模型通用泛化的能力，才可能解决这种你无法去穷尽的长尾问题。"—— 陈哲，谈为什么物流场景需要人形机器人
传送带过快、物体过轻、球形或滑动物体掉出台面……这些无法穷尽的 corner case，是传统机械臂方案与人形机器人方案的分水岭。国内进展并不落后：星动纪元在中国邮政、顺丰做了长时间测试训练，已经能够全自主完成分包、翻面、扫描等工序。陈哲也提醒，海柔、极智嘉这些公司解决的是标准化仓储物流，而电商仓里大量非标包裹和拣选需求仍是空白——"这是一个好的 PMF"。至于直播中的遥操质疑，他的态度很明确："遥操根本不是这个问题的争议点"——所有机器人进入部署场景前都要经历长期遥操收集数据；而未来长期部署后，人形机器人大概率像 robotaxi 一样需要远程接管，"我们都会去衡量它的接管效率，一个人可以盯多少台？"
陈哲给了一个读行业的方法论："具身智能整体的瓶颈其实就是在数据。每个周期模型范式的迭代其实就是数据范式的变化。我们通过看数据公司在做什么，我们也可以提前预判这个行业未来会朝哪里走。"两年多来，数采范式已经换了四代：从 Aloha 真机遥操（同构双臂克隆动作），到无臂方案（人手持两指夹爪，成本更低），到 egocentric 第一视角视频（多样性暴涨），再到去年底英伟达 Sonic 全身动捕（把人的动作快速 retarget 到宇树 G1 这样的人形本体上）。
范式演进直接改变了行业重心。过去两三年具身市场主要关注"操作智能"，运动能力被视为小脑、与大脑决策无关；但随着 locomanipulation 成熟，一个统一架构同时训练移动和操作成为可能，"拥有很强的运动控制能力的团队的价值就会得到放大"。于是本季度出现了元策未来这样的新公司，也有越来越多团队在采集全身运控数据和灵巧手数据。陈哲的判断是："我们今天开始采集的数据可能就会转换成三个月、六个月以后模型方面的一些突破。"
维也纳 ICRA 上，中国厂商在灵巧手领域刷了屏。陈哲认为最受关注的是五脊发布的二代直驱手：20 个自由度，直驱方案，体积只有 Shadow 手的一半左右，"基本上可以实现我们人类掌内需要的各种操作"。相比一代，二代手在不加重量、不牺牲体积的前提下改善了反驱性能（关节可以自由反向摆动，强冲击下不易损坏），散热问题也大幅缓解——现场观众纷纷上手试。五脊的定位也被比作"灵巧手里的宇树 G1"：专注把低成本、高可靠、耐用的硬件做到位，让全球研究员在上面做实验。过去一两个月，中美多家创业公司都发布了基于五脊手的灵巧操作模型。
市场格局是两片不同的海：低自由度手（领星巧手、英石、强脑、奥义，以及智元、零界点自产）年出货约小几万只，主要跟着人形机器人销售走；高自由度手（Shadow、五脊）面向科研市场，头部出货只有几千只——但"因为技术含量高，对算法和数据都有影响力，也是大家竞争的焦点"。模型侧的代表是 Genesis：24 年成立、从仿真环境起家，5 月发布基于五脊手的灵巧操作模型，公开宣称采集了约 20 万小时数据，demo 包括旋转魔方、做菜（完整 20 个步骤）和弹钢琴。但陈哲提醒，今天的灵巧手操作"还比较像两年前我们用 Aloha 进行这种真机遥操的类比"——高质量人类数据 + 行为克隆，数据够了就能复现动作，可一旦换任务、环境稍有变化，成功率就可能明显下降。只有当数据问题充分解决，才可能训练出泛化通用的灵巧手操作模型。
灵巧手的三条技术路线在本季度正面竞争。Optimus 第三代披露了 22 自由度的绳驱灵巧手，但"这个 V3 的手其实是一直在 delay 的，什么时候可以规模化的生产，我们还未知"。中国大厂普遍选择 follow 特斯拉的绳驱路线——陈哲的理解是，"万一特斯拉是对的，你要去试一个新的方向，那谁来承担这个错误的责任呢？"希诺未来（已获理想、京东战投）发布的是混合方案 Flex2：重载抓握靠前臂里的电机绳驱实现，指节的精细操作靠掌心内微型电机直驱，试图同时拿到两种路线的优势。
对于独立的灵巧手公司，陈哲的判断反而加强了："做全直驱方案，做成一个不依靠前臂，可能是唯一或者更好的路线。因为如果你是一个需要深入定制前臂的方案，大概率你会变成大厂的供应商。"直驱路线的下游是科研市场，绳驱路线的下游是产业方，两条路暂时分开。而决定谁主沉浮的，是他反复强调的那句话："本质上，谁能够更快的提供可靠、稳定、廉价的灵巧手的供给，就能更快的成为这个行业的事实的标准。也就是更多的算法跟软件会围绕着你的硬件的架构去设计。"
6 月 1 日，英伟达发布 Cosmos 3。在陈哲看来，它是"这一个季度世界模型的一个标杆"："它算是这个市场上第一个提出了一个全开源的 Omni model"——原生处理文本、图像、视频、声音、动作五种模态，也可以输出这五种模态，既能当 VLM 用，也能像 VLA 一样输出机器人操作。它一次发布 Super、Nano、Edge 三个版本，对应不同部署环境；而此前 Cosmos 从 25 年 CES 首发起一直是 predict、transform、reason 几个独立模型，这次被统一缝进一个架构。
架构上的关键是 MOT（Mixture of Transformers）：一个自回归 Transformer 负责推理、擅长处理文字这类离散信号，一个 Diffusion Transformer 负责生成、擅长处理图像视频这类连续信号，两者通过 shared attention 机制互相影响状态——"相当于是把两种很不一样的模态的这个模型可以缝制到了一起"。有意思的是，北美做 LLM 的实验室不太理解为什么业界发明了 VLA 和 World Model 这两个对立概念，"他们认为这是一个东西"，最好的模型就该是能收所有模态、出所有模态的 Omni model。Cosmos 3 在一定程度上就代表了这种终极思考。
按英伟达 6 月官方综述，robotics 世界模型分三类：Video World Model（视频生成底座，代表是 Google Veo、阿里 Wan，Cosmos 3 也被归入此类）、Action-conditioned World Model（给定动作预测下一状态，DreamDojo、Genie、Japa）、以及 World Action Model（WAM，直接生成机器人动作，DreamZero、蚂蚁 LIMBO-V1 都属于这一类）。"在具身领域，因为我们更关注的还是机器人该怎么去响应和操作，所以 WAM 是最火的。"
为什么 WAM 在 26 年突然爆发？VLA 本质是行为克隆，泛化局限明显，只能先给"60 分的答案"；视频生成路线早在 23 年就有尝试（字节 GR1/GR2），但当时没有好的开源视频模型，Diffusion Policy、Flow Matching 等方法也是 24、25 年才成熟——"World Action Model 的很多基础的 recipe 三年前就有了，但是它的能力是到了 25 年底、26 年初的时候才逐渐得到释放"。今天可灵、SeaDance、Veo3 对物理和常识的理解已经达到很高水平，用它们做机器人预测与策略，理论上效果自然好。
创投端的热度来得极快：4 月初已有人整理出 49 个世界模型公司；今年成立的公司已长成十亿美元独角兽；估值最高的一家 2023 年成立（极佳世界）；Rundra AI 在 GTC 期间融了 4.5 亿美元；英伟达 GEAR Lab DreamZero 团队的 leader 周张也出来创业，在美国成立了新公司。陈哲对"为什么这么热"的解释很直白："本质上是因为大家在大模型里面赚了一些钱，所以赚了钱的人就会把更多的钱投进去，以及没有赚到钱的人也会在这一波把钱投进去。"这像不像当年的电动车浪潮？"有可能有一百多家公司分别成立去做电动车"——一波大浪必然伴随大量人才和资金涌入，也埋下过度竞争的隐患。
在世界模型的热浪下，VLA 并未过时，反而在悄悄进化。Pi 0.7 的一句话总结是："在一个传统的 VLA 的基础上，接上了一个轻量的世界模型"——模型先预测未来几帧的图像（物体位置关系、形变），再用这张"子目标图"去引导动作生成。这很像人的"脑补"："就是我们的脑补，就是说我们用什么样的力，什么样的角度可能会导致什么样的结果，所以我们会根据我们的脑补去调整我们的角度跟力"——比如把纸团扔进远处的垃圾桶，人会先脑补轨迹。Pi 一直是行业引领者：0.6 版提出过长时 Agent 规划能力（用文本记录状态、持续存储、规划动作），而且它开源、代表当时的 SOTA，大量团队在它之上做微调，拿它当 benchmark。
Generalist 的 Gen-1 则走了另一条路，也是本集标题"不想被贴标签的人"所指：他们自采 50 万小时真实世界交互数据（UMI 型无本体数采），不依赖预训练的 VLM 底座，直接端到端训练 Transformer；几个长程任务的平均成功率从 60 几% 提到 99%，执行速度也显著提升。报告展示了从 1 万、几万到 50 万小时不同数据量级下泛化性的持续提升——"他们一直是宣称他们是找到了这个 Scaling Law 的这个钥匙的"。而团队的态度是："他们其实是比较排斥把自己定义成世界模型或者说 VLA 这样的标签的。Peter Florence 专门写过一篇文章……既不是把动作粘贴到 VLM 上面变成 VLA，也不是一个世界模型。"同样的思路，其实 Google 的 RT-1 早就展示过。陈哲由此观察到美国创投生态的一个特点："美国的创投环境或者创业环境整体上是非常奖励创新的"，投资人会奖励第一个做这件事的人。
5 月底，OpenAI 正式官宣 robotics team。Sam Altman 的推文关键词是：寻找顶尖全栈人才、做"对社会有用的机器人"；短期场景是为自用 AI 算力基础设施制造机器人，长期愿景是"做一个每个人可能都会用上的机器人"。团队 leader 是 Czaba Csabai——DALL·E 作者、本科毕业就进 OpenAI；团队基于 DALL·E、Sora 的图像视频生成团队建立，内部名称是 World Simulation Research（世界仿真研究）。OpenAI 内部一直把 Sora 定位为世界模型；4 月关闭 Sora 消费级产品后，核心成员转入 robotics。陈哲认为这不难理解：机器人研究离不开硬件，"你脱离了硬件，你的研究东西很难得到验证，所以你一定要跟硬件走得近，你的研究才会高效"。而且算力不是门槛——Cosmos-1 已是具身训练算力的天花板（万卡级），"对于 OpenAI 或者对 Anthropic 这种头部的 AI 公司来讲的话，都不是特别大的算力预算"。
Google DeepMind Robotics 4 月发布 RT-1.6（Embodied Reasoning 1.6），是更好的视觉-语言模型，提供空间与任务的理解推理，但并不能直接输出机器人控制——它不是策略模型。Google 的思路是占据"大脑 / API / 软件"的位置，做这个领域的安卓：合作方包括波士顿动力（Spot 已出货几千只，在油气田读仪表盘数字、查异常值）、Apptronik、Figure 等。值得注意的是 GPT-4o 的报告直接与 Gemini 1.5 Flash 对比——"它就是一个通用模型，只是这个通用模型训练了更多对物理环境的理解"。这引出本集最尖锐的追问："我们到底有什么原因来说明很多年以后，所谓的这个 embodied AI 的 model 不是由 Anthropic、OpenAI 或者是 Google 这样的这个通用模型的大厂来提供的？"反方的理由是具身模型需要大量硬件参与收集数据，大厂不擅长；陈哲的回应是，大模型公司已经花了几十亿、百亿美金做语料与数据标注——只是还没为这件事优化。如果 Omni model 路线成立，机器人的空间理解与动作预测，都可能被融合进一个更大的通用模型。
顺着这个追问，陈哲给出了一个更底层的推演。智能作为产品是两极化的："要么就是我追求最好的智能，要么就是我追求一个 OK 的智能。"模型又是边际成本很低、可以被开源共享的产品，所以长期大概率只剩两类：高水平的开源模型（由英伟达、Google 这类做生态的公司提供——它们商业模式是算力变现，不靠模型变现，所以可以开源，语言模型里就是千问、DeepSeek）和顶级水平的闭源模型（"这个供给大概率会来自于谷歌，来自于阿里，来自于字节，来自于 Anthropic"）。"如果一个闭源模型的能力超不过 SOTA 的开源模型，它就没有存在的价值。"这个格局若在语言模型成立，"我认为对具身模型很有可能终局也是这个样子"。
那模型创业公司怎么活？陈哲说这是他们跟创业者讨论时最难回答的问题：如何与最好的开源模型竞争、如何与寡头的私有模型竞争？"这个问题在当年 Anthropic 创业的时候也被投资人反复问到过，但是 Anthropic 成为了 Anthropic。"——一开始能不能回答，也许并不关键；但当年并没有一群现成的大语言模型公司挡在面前。热潮的另一面同样真实："如果所有人都这么想的话，那这个市场一定会出现过度竞争跟过度投资的状态"——赢家稀缺，回报预期被压缩。
二季度宇树正式科创板 IPO 过会，成为第一家要上市的具身智能公司。陈哲认为这是标志性事件："它给今天所有的头部的具身公司制定了一个估值的锚点，其他的具身公司都会以这个作为一个估值的基准。"关于格局，他的判断是分化而非通吃：功率密度、电机密度、重量体积等物理限制会让机器人分化——小型机器人做娱乐、表演、科研，大型机器人做重载搬运，"不一定是一个 winner-take-all 的这种状态。但是大脑是有可能的"（超级模型能力显著领先时就是寡头化，Anthropic 在语言模型里已经展示端倪）。至于市场对"宇树只是一家硬件公司，并没有 AI"的挑战，他并不认可："如果假设宇树未来就一直是一家硬件公司，那我认为它也是一家很赚钱的硬件公司。"
落地节奏要从两个维度看：中美差异，硬件公司与模型公司的差异。美国的模式是聪明人 + 长期不确定方向 + 持续投入——"OpenAI 可能从 15 年成立到 22 年底 ChatGPT 出来之前其实一直没有非常明显的商业化或者产品化的一个进展"；今天 Physical Intelligence 也在做同样的事，但落地时间点同样看不到。Figure 一直在展示落地姿态，但"Figure AI 现在也没有任何一单确切的真正被验证的这种落地的收入"——"我觉得姿态跟事实还是挺不一样的"。Waymo 实现了商业化，但还没有盈利。中国的问题则是另一个方向：你很难在中国做一家十年没有商业化、十年没有收入的公司，投资人也更难容忍不是全栈的公司——"所有的具身大脑公司都在宣布他们在做机器人本体"。当被问到如何解决"十年不做商业化"的挑战时，主持人给出了一个调侃式的答案："你是梁文锋"——DeepSeek 是稀缺的例外。而陈哲的判断是："相比于去年我觉得这个周期肯定是在缩短的"——语言模型领域的能力、算力、数据正在快速迁移到具身领域，Figure 和星动纪元的快递分拣已经证明，通用人形机器人用新算法技术栈有实际落地的可能。
展望下一季度，陈哲认为最可能变得更主流的，是人形机器人作为形态和载体在更多具体场景落地商业化，以及更多公司（尤其是大厂）宣布入局——从宣布计划到发布产品，至少一年到一年半。理想 26 年初宣布入局，但内部已经做了一段时间；荣耀也筹备了两年。关键在于节奏："未来一个季度或两个季度，或者未来六个月是进入这个游戏的最后的窗口。因为如果你不在 26 年启动和进入这个市场的话，那么等到 27 年、28 年真正人形机器人开始广泛落地的时候你就没有身位了。"对于字节、腾讯、阿里这类互联网公司，更好的对标是 Pi 和 Anthropic 的模式——"还是拼一个智能能力的基础"。
至于全栈与垂直一体的争论，陈哲的平衡看法是：最终的大赢家大概率还是全栈公司（"苹果、小米、华为这样的公司在具身时代也会存在"），但今天市值最大的公司——英伟达——并不是全栈；全栈与垂直一体长期是一种博弈和竞争的关系。而对中国的创业公司来说，最现实的问题仍然是两个：很难十年没有收入，很难只做一个大脑或只做一个本体。徐华哲"有些事情应该交给生态"的想法很美国，而"如果你能在任何一件事情做到行业的最好，你才有意义"——这句判断，对两种路线都适用。
"本质上，谁能够更快的提供可靠、稳定、廉价的灵巧手的供给，就能更快的成为这个行业的事实的标准。"—— 陈哲，谈灵巧手竞争与直驱路线
"我认为马拉松作为一种极限的运动性能的测试，本质上是人形机器人技术的练兵场。"—— 陈哲，谈亦庄马拉松
"其实只有人形机器人，加上我们今天的这种具身模型通用泛化的能力，才可能解决这种你无法去穷尽的长尾问题。"—— 陈哲，谈 Figure 物流场景
"本质上是因为大家在大模型里面赚了一些钱，所以赚了钱的人就会把更多的钱投进去，以及没有赚到钱的人也会在这一波把钱投进去。"—— 陈哲，谈世界模型创投热
"这个问题在当年 Anthropic 创业的时候也被投资人反复问到过，但是 Anthropic 成为了 Anthropic。"—— 陈哲，谈模型创业者的终极问题
"如果你不在 26 年启动和进入这个市场的话，那么等到 27 年、28 年真正人形机器人开始广泛落地的时候你就没有身位了。"—— 陈哲，谈大厂入场的最后窗口
文中除标注引用的原话外，均为对本期对话的转述与概括；部分引文为语音转写整理，个别公司名与术语以行业通用写法为准（如"心动纪元"按节目口径写作"星动纪元"）。