免费久久国产&夜夜毛片&亚洲最大无码中文字幕&国产成人无码免费视频之奶水&吴家丽查理三级做爰&国产日本亚欧在线观看

作者 | 向欣

2025 年，具身智能開始從講故事走向算賬本的新階段。

這一年，動輒上億的訂單、密集進場的融資，讓行業熱鬧得像開了鍋。但在這種熱度過載的環境中，流量的分配并不總是與實力的厚度成正比。

眼下，具身智能需要從喧囂中剝離出來，篩選出那些具備穿越行業周期能力的公司。

從頂級投行的研究視角中，篩選的結果正在變得清晰。

今年，摩根士丹利發布的兩份報告在具身智能領域極具影響力：

9 月的《Humanoid Horizons: Closer to the Real World》聚焦商業落地進展，

12 月的《The Robot Almanac Vol. 1》（機器人年鑒 卷一）則系統性地搭建了一個面向未來數十年的機器人產業坐標系，試圖回答哪些技術方向、產業環節和公司類型，最有可能在長期競爭中勝出。

在這一同時涵蓋技術與商業維度的篩選體系中，智元機器人、銀河通用、智平方等中國企業頻頻上榜。

值得注意的是，智平方是其中少數能夠同時作為機器人基礎大模型代表廠商與商業落地標桿的選手。

這種稀缺性，使其成為一個值得被拆解的樣本。

具身大模型的技術搶跑

在具身智能的技術棧中，大腦（具身大模型）決定了機器人的智能上限，是這場智能變革中最關鍵的驅動器。

過去一年，全球具身大模型的技術路線經歷了從混沌到逐漸收斂的過程。

年初，大摩發布的《Humanoid 100》報告中，曾評價中國在人形機器人本體上具備顯著優勢，而美國在智能大腦層面占據先發地位。

在 Figure AI 推出 Helix、Physical Intelligence (PI) 發布 OpenVLA、π0 之前，行業對于如何實現機器人的通用智能尚存爭議。而當這兩大硅谷的技術明星紛紛選擇 VLA（視覺-語言-動作）路線后，端到端 VLA 模型逐漸成為業內主流路線。

以往傳統機器人的應用極度依賴定制化編程，這導致機器人只能在嚴格定義的工位里重復刻板動作，一旦環境微調便會失效。

VLA 模型則能通過統一架構將視覺感知、語言理解、動作生成融于一體，實現端到端閉環控制，把人類自然語言指令、視覺場景信息直接映射為機器人可執行的動作。

雖然多數國內廠商在 Helix、π0 發布之后才跟進并開源相關的 VLA 模型，但也有不少公司早已做了相關研究，確立了相同的技術范式。

例如，在 Figure 和 PI 之前，智平方就已將端到端 VLA 模型明確為具身大模型的技術范式，并圍繞端到端物理世界模型持續推進。

2024 年 6 月，智平方聯合北大將 Mamba 引入 VLA 架構模型，推出了輕量化模型 RoboMamba（GOVLA0.0 版），它比 PI 的 OpenVLA 更早公開應用。

相比當時 SOTA 的 Google RT 系列模型，該模型在參數規模上小 95%，但未見任務的泛化能力成功率高出約 60%，并被圖靈獎得主 Yann LeCun 關注和點贊。

這意味著，在具身大模型這一關鍵方向上，中國并不是后來者，而是與全球最前沿力量幾乎同時探索。

這種對技術范式的預判，源于智平方創始人郭彥東在 AI 領域的深厚積淀。

郭彥東為美國普渡大學博士，師從兩位 AI 領域的美國工程院院士，擁有超過 15 年的 AI 學術研究與產業實踐經驗。

他起步于 AI 界的「黃埔軍校」——微軟美國總部，這里曾走出過像陸奇、沈向洋等改變 AI 格局的技術領袖。在微軟期間，他深度參與了核心 AI 技術的研發，建立了對模型演進的底層直覺。

此后，他先后擔任小鵬汽車和 OPPO 的首席科學家，主導過數億臺智能終端的 AI 落地。這種經歷讓他既懂最前沿的算法，也懂如何在復雜的物理硬件上實現大規模應用。

進入 2025 年，智平方的 VLA 模型持續迭代，正式推出了全球首個全域全身 VLA 大模型 GOVLA。

常規的 VLA 模型往往只能輸出簡單的機械臂動作。Figure AI 頗負盛名的 Helix 模型的一大突破就是能夠不再限于機械臂，而是能夠實現對人形機器人上半身的控制。

GOVLA 則更進一步，首次實現了對人形機器人全身的控制與移動軌跡的統一生成，從單臂操作擴展到全身協同，讓 VLA 模型不再局限于固定桌面的任務，能夠面向開放環境，機器人具備了從感知環境到規劃路徑再到全身協同作業的整體智力。

智平方創始人郭彥東博士舉了一個機器人做早餐的例子：

搭載常規 VLA 大模型的機器人，需要人把食材放到桌面，放到機器人的可視范圍內，因為它只能看到桌面，只能在桌面操作，做完之后還需要人去給機器人提供服務。

而搭載 GOVLA 大模型的機器人能夠 360°感知周圍環境，可以自己去冰箱取食材，自己配比健康早餐，做完之后還可以送到餐桌，完成一個管家的全流程服務。這是一個機器人管家和一個自動化設備的最大的區別。

隨后智平方開源了 FiS-VLA（GOVLA 0.5），進一步引入快慢系統融合，在性能上超越國際標桿π0 約 30%。

配合千卡級大算力集群、高效的訓練加速方法與獨有的增量迭代方法，智平方實現了領先行業 SOTA 70 倍以上的數據使用效率，為模型持續演進提供了工程基礎。

這種技術上的前瞻性，解釋了為什么大摩將其列為全球基礎模型廠商的關鍵代表。

在大模型的博弈中，中國企業正在通過更早的范式鎖定和更高效的數據使用，拿回技術定義權。

訂單熱潮下的真與偽

具身大模型是具身智能企業技術的上限，商業化則是生存的底線。

據摩根士丹利統計，2025 年下半年以來，中國具身智能廠商披露的訂單總額已超過 20 億元。

不過，繁榮之下暗藏水分。許多訂單屬于框架協議或示范性驗證，呈現一種虛火的狀態，缺乏明確的交付周期和深度耦合的生產流程，還存在買賣雙方背景不透明，交付沒有明確期限的情況。

多位行業人士表示，當前不少巨額訂單更多是示范性需求驅動，而非由穩定、長期的真實需求形成。一旦交付效果不及預期，后續續購存在較大不確定性。

原力靈機聯合創始人唐文斌分析稱，一些項目看上去是商業化大單，但拆開來看，很難解釋它們真實解決了哪些問題，能否形成復購、是否能真正幫助企業降低成本或提升效率。

高盛的報告同樣佐證了這一觀點。今年 11 月，高盛調研了 9 家機器人供應鏈上市公司，發現目前沒有一家公司確認收到了大規模訂單或明確的生產時間表，處于「訂單荒」的狀態。

在這一背景下，能否給出明確交付路徑，成為區分公司的關鍵指標。

智平方被大摩視為少數真實商業落地的代表性公司之一。其核心依據就是智平方與全球第三大面板廠惠科達成的 5 億元人形機器人訂單。

這筆訂單的特殊性在于五個明確：

明確的客戶：半導體顯示面板制造商 HKC（惠科股份）；

明確的應用場景：將用于 HKC 全球各地的半導體顯示面板生產基地；

明確的工作任務：機器人將執行倉庫物流、物料搬運、部件組裝、質量檢測等全流程任務，從 PCB（印刷電路板）操作拓展到 OLED 真空層壓、耗材管理、廢料回收等環節；

明確的臺數：超 1000 臺機器人；

明確的交付周期：在未來三年內完成部署。

同樣在半導體制造場景，智平方機器人還進入吉利科技旗下晶能微電子生產基地，高效執行上下料、產線間物料轉運等任務。

除了半導體生產制造場景，智平方機器人也在汽車制造、生物科技、公共服務等大量真實場景運行，通過技術復用實現跨場景的橫向泛化能力：

在汽車制造領域，多個國內外頭部客戶在上下料、物流轉運、貼標簽、收納保護布等環節中進行應用探索，國產具身大模型首次獲得汽車制造全場景驗證；

生物科技領域，與華熙生物合作，機器人執行無菌車間的物料轉運、智能拆包和視覺檢驗等操作，替代人工在高風險區域的重復性勞動，有效降低交叉污染；

公共服務領域，今年第三季度開始進入虹橋機場等國內一線機場收納小推車。

文商旅領域，今年 12 月 28 日發布全球首個模塊化具身智能服務空間「智魔方」，集成咖啡、冰淇淋、娛樂、零售四大模塊，機器人在其中負責實現高擬真交互與自主服務，未來三年計劃在全國落地 1000 個智魔方。

支撐這種規模化交付的，除了具身大模型賦予的智能，還有以量產為導向的硬工程能力。

智平方在硬件側堅持「為量產而設計」的原則，其 AlphaBot 系列強調工業級可靠性，核心部件無故障運行超過 5 萬小時。

其輪式人形機器人 AlphaBot 2（愛寶）全身自由度超 34 個，可連續工作 6 小時，垂直工作范圍 0-2.4m，單臂臂展 70cm，能實現 360°×360°全空間探測感知。

同時，智平方自建了產線，已于今年 9 月投產，支持千臺級產能與快速擴產，并將在 2026 年擴至萬臺規模。

對量產與可靠性的執著，與公司創始人的背景強相關。

在微軟、OPPO、小鵬汽車任職過的郭彥東博士完整經歷了 PC、手機和汽車三大智能終端的創新周期，在 AI 與硬件的深度結合上擁有豐富的量產經驗。

創始人跨越多代智能終端的經驗，讓智平方從創業之初就明確，具身智能需要盡早進入可復制、可交互的量產體系，否則技術優勢很難走出實驗室，轉化為真正的產業能力。

商業落地的意義一方面在于獲取收入，更重要的是釋放其背后的數據價值。規模化落地所帶來的大量數據是具身大模型持續進化的必要條件。擁有明確交付、落地規劃的訂單，能夠升級為企業的戰略資源。

智平方創始人郭彥東提出了「正反金字塔」數據觀。

在冷啟動階段，具身智能模型主要依賴互聯網數據與仿真數據提供多樣性，再通過少量真機數據完成對物理約束的校準，這是一個「正金字塔」結構。

而當機器人開始在真實場景中規模化部署后，數據結構隨之反轉，來自生產現場的真實作業數據，反而成為價值最高、最難復制的核心資產，形成「倒金字塔」。

通過這種正反循環，機器人能夠在真實環境中不斷迭代優化，越用越聰明。

這種基于真實場景反饋的工程能力，正是頂級投行在篩選具備穿越周期潛力的公司時，最為看重的能力之一。

行業終局，誰能走進決賽圈？

目前，具身智能行業呈現出三種截然不同的生存形態。

第一類形態是重模型，輕本體。代表企業包括 PI、Skild AI 等。

這類公司團隊構成更偏向軟件與算法研究，在大模型與算法研究上具備明顯優勢，但缺乏自主的硬件工程化和量產能力，先進模型很難轉化為可批量交付的產品。

機器人軟硬件是深度耦合的。對于這類公司而言，由于沒有自己的硬件底座，其高性能算法與其他大多數公司的具體硬件之間難以達成深度適配，導致技術只能停留在實驗室環境，很難在真實場景中完成端到端的閉環驗證與迭代優化。

重模型、輕本體的路徑，雖然在技術爆發期能迅速積累聲望，但在商業閉環上面臨挑戰。這種困境不僅在具身智能領域出現，在更廣泛的 AI 領域也是一樣，并且已有先例。純軟件類公司的最終歸宿，往往是加入巨頭，走向 Talent Acquisition（人才并購）。

一個最典型的近期案例就是 AI Agent 賽道的黑馬 Manus。

即便 Manus 在過去一年表現驚人——截至 2025 年 12 月，其年度經常性收入（ARR）已突破 1 億美元，累計處理 Token 超過 147 萬億個，服務了全球數百萬用戶。但就在 2025 年底，Manus 最終選擇整體加入社交巨頭 Meta，被其收購，Manus 創始人肖弘出任 Meta 副總裁。

對于 Manus 這種純軟件/算法驅動的公司來說，加入擁有龐大算力資源和用戶生態的 Meta，是實現技術價值最大化的現實路徑。

同理，在具身智能領域，像 PI 這樣缺乏硬件支撐的純模型公司，未來大概率也會重走 Manus 的老路，通過被其他大公司收購來實現技術著陸。

第二類形態是重本體、輕模型。代表企業包括宇樹科技、眾擎機器人、加速進化等。

這類公司憑借深厚的機械硬件底蘊和成熟的供應鏈管理，在成本控制上極具殺傷力，都推出了 10 萬元以下的人形機器人。

它們能夠快速實現產品的迭代與推新，通過低價策略迅速占領科研、教育等對交互要求較低的市場。

但其局限性也同樣顯著。今年以來，宇樹科技、眾擎機器人對機器人的更新多側重于空翻、跑步等運動控制能力的極限展示，重點提升「小腦」而非「大腦」，在涉及干活的智能化程度與泛化能力上探索較少，缺乏自研具身大模型的支撐。

第三類形態則是本體與模型并重的全棧派，代表企業包括特斯拉、Figure AI、智元機器人、銀河通用及智平方等。

這是投入周期最長、難度最高的一條路徑，但也是最有可能跑通長期閉環的路線。

全棧派企業都是在機器人大腦、量產、數據三個方面形成閉環的廠商。在這一模式下，模型決定上限，硬件決定下限，場景提供持續演化的燃料。

這種不偏科的系統性實力，在 2025 年的這一階段顯現出更強的爆發性。

智元機器人已經連續收獲了多個億元級訂單，并且實現了 5000 臺通用具身機器人的量產下線。

銀河通用最近完成了國內人形機器人最大單筆融資，金額超 3 億美元（約合人民幣 21 億元），除了數百家藥店的訂單外，還收獲了一筆 1000 臺規模，金額約 7 億元的人形機器人訂單。

行業正在從狂熱走向務實。單項能力或許能在早期獲得關注，但長期來看可能會面臨增長瓶頸，在規模化階段，系統性能力更有可能讓企業建立起難以跨越的護城河。

具身智能的競爭在逐漸進入深水區，能把模型、本體與真實場景同時跑通的公司，將在持續交付中積累起數據與工程壁壘，進入具身智能的決賽圈。

       原文標題 : 全球頂級投行，篩選出了具身智能的終極答案