具身季报 26Q2：世界模型大风不停，和不想被贴标签的人

发布时间：2026-07-17 12:27:08 来源：安智兰德资讯网 作者：热点

本季 Top 5 核心议题：人形机器人马拉松、具身季报界模Figure 直播演示、停和灵巧手与精细操作突破、不想被贴标签英伟达 Cosmos 3 发布及世界模型投资热潮、具身季报界模Generalist 与 Physical Intelligence 的停和模型迭代。

文丨实习生 裴雨桐
访谈丨程曼祺

《晚点聊》具身季报系列第二期，不想被贴标签我们继续邀请 Alphaist 创始合伙人陈哲（Peter），具身季报界模深度复盘 2026 年第二季度具身智能行业的停和演变。

本期内容聚焦季度 Top 5 关键事件：
* 北京亦庄人形机器人马拉松
* Figure AI 物流分拣直播
* 灵巧手技术爆发与操作进展
* 英伟达 Cosmos 3 发布与世界模型创投热
* 全球领先具身模型进展：GEN-1 与 π0.7

此外，不想被贴标签我们还探讨了资本市场的具身季报界模微妙变化、新玩家入场（如 OpenAI Robotics 团队官宣）以及落地节奏的停和争议。

大模型与 Coding Agent 之后，不想被贴标签物理 AI 与机器人成为重要候选答案，具身季报界模尽管时间表仍不明朗。停和本系列旨在记录、不想被贴标签丈量并预判行业变化。

以下是播客文字整理（经精简）。

26Q2 Top 5 总览与上季度回顾

晚点：请总结本季度最重要的 Top 5 话题。在具身智能领域，你最关注的五项技术进展是什么？

陈哲：Q2 最显著的特征是世界模型和灵巧手取得突破，且人形机器人首次大规模进入公众视野。我的排序如下：

1. 北京亦庄人形马拉松：100 多台人形机器人参赛，冠军由荣耀机器人事业部获得。信号明确：大厂具备制造高性能人形机器人的能力，未来将成为市场主力。
2. Figure 物流分拣直播：连续多日直播人形机器人进行包裹分拣，首次向全球大众展示人形机器人在工业场景的实际价值。
3. 灵巧手与操作爆发：在维也纳 ICRA 会议上，舞肌等公司发布新一代高自由度灵巧手，多家初创公司基于此开发了精细操作基座模型，灵巧手成为新竞争焦点。
4. 英伟达 Cosmos 3 发布：6 月 1 日发布的 Cosmos 3 推动世界模型从概念走向产品化，使其成为季度最火热的创业风口。
5. VLA 模型迭代：Physical Intelligence 的 π0.7 和 Generalist 的 GEN-1 取得进展，VLA 开始显现与世界模型融合的趋势。

晚点：上季度你曾展望世界模型能否超越 VLA。这一季度实现了吗？

陈哲：上季度世界模型仅处于实验室阶段（如英伟达 DreamZero，基于开源 WAN 2.1）。而 Cosmos 3 是更大规模预训练的产品级模型，将世界模型从实验室推向工业级部署。

与其说世界模型“超越”了 VLA，不如说它丰富了现有 SOTA 模型的能力。经典 VLA 架构优劣已现，世界模型擅长环境预测与建模。Cosmos 3 展示了统一架构的潜力，而领先 VLA 也在尝试缝合世界模型能力。

人形机器人马拉松：大厂身影浮现

晚点：4 月 9 日北京亦庄人形马拉松，冠亚季军均为荣耀机器人事业部的“闪电”。这是否出乎意料？

陈哲：赛前热门是宇树、北人（北京人形机器人创新中心）和荣耀。北人天工是卫冕冠军，宇树首次参赛且测试速度达 10 米/秒。

荣耀团队成立约两年，汇聚了百余名资深工程师，研发投入显著高于对手。其核心优势在于定制的大扭矩电机和精密液冷系统。比赛中，其他机器人因电机过热需休息，而荣耀凭借液冷机制保持低温，维持了高速度与一致性。

晚点：荣耀夺冠是否预示终端大厂（手机、汽车）将在人形本体市场更具竞争力？

陈哲：是的。这预示了竞争格局向“系统工程”转变。拥有高端制造经验、强大组织能力和资金的大厂（如小米、小鹏、理想）能快速推出极具竞争力的产品。在运控和导航算法上，大厂的水位并不低。人形机器人正从单一技术驱动的创业公司模式，演变为系统作战能力的竞争。

晚点：相比去年北人天工半马 2 小时 40 分，今年荣耀三台机器人均在 50 分钟左右完成自主导航，且差距极小。如何评价这一进步？

陈哲：进步惊人：一年成绩提升三倍，且在长距离、多机并发下实现了高可靠性。这反映出严肃的资源投入能解决现有技术架构下的问题。此前缺乏对极限性能（如马拉松）的需求驱动，导致硬件和系统优化不足。

晚点：这类比赛是否有实际意义？

陈哲：马拉松是技术练兵场和 Benchmark。完成 20 多公里半马需要卓越的全身运控、应激处理、长时无故障运行及散热供电管理能力。掌握这些边界，将为量产积累大量系统经验。这类似 F1 赛车，虽不直接卖车，但技术会下放至量产车。

Figure AI 的 200 小时直播：物流为何是好场景？

晚点：Figure AI 连续 200 小时直播包裹分拣，速度约 3 秒/个。为何认为此次直播重要？

陈哲：这是从 0 到 1 的突破。物流分拣需要泛化性和通用操作能力，且工作连续、枯燥，不适合人类长期从事。Figure 是全球首个通过直播向大众展示此场景价值的公司，示范意义巨大。

晚点：机器人固定在流水线旁，使用双足双臂是否冗余？

陈哲：并非冗余。虽然大部分情况只需双手翻面，但现实中存在传送带速度过快、物体滑动等长尾意外。只有人形机器人结合具身模型的通用泛化能力，才能解决这些不可穷尽的问题。

晚点：四五年前机器视觉+机械臂方案为何未成功？

陈哲：传统方案难以处理软体包裹上易遮挡、形变的二维码。人类用双手灵巧操作展平二维码，这在四五年前的技术栈下无解。Figure 和星动纪元使用灵巧手，正是为了解决可形变材料的操作难题，这需要具备泛化和理解能力的自适应模型，而非简单的固体建模。

晚点：海柔、极智嘉等解决的是标准化场景，为何物流仍是人形机器人的高价值场景？

陈哲：电商仓存在大量非标包裹和柔性需求。Figure 和星动纪元选择此场景，是因为老技术栈难以流畅解决。中国公司在人形物流落地方面毫不逊色于美国，如星动纪元已在顺丰和中国邮政实现全自主分包、翻面、扫描。

晚点：直播中扶头动作被质疑为遥操，官方称是 Helix 02 自主完成。

陈哲：遥操收集数据是部署前的必要环节，不影响事件意义。未来工业部署可能类似 Robotaxi，后台真人监控多台机器人。但家庭场景对隐私和全自主能力要求更高，难度更大。

晚点：宇树春晚表演和 Figure 直播，是否让海外大众认知中国人形机器人？

陈哲：是的。宇树 G1 在美国达人秀的表演引发热议，与 Figure 直播一样，直观展示了人形机器人进入商业场景的可能性，打破了“AI 生成”的疑虑。

灵巧手与灵巧操作：舞肌或成领域“G1”

晚点：ICRA 上灵巧手有哪些变化？

陈哲：中国厂商表现突出。舞肌发布新一代直驱灵巧手，曦诺、临界点等发布高自由度产品。星动纪元发布 21 自由度旗舰款 XHand。舞肌二代手获得最多关注，类似 Sharpa 在 2025 年的地位。

晚点：舞肌二代手有何特点？

陈哲：20 个主动自由度，体积约为 Sharpa 的一半，接近人手大小。相比一代，改善了散热和反驱性能，增强了冲击环境下的耐用性。其定位类似宇树：提供低成本、高可靠性硬件，供研究人员快速试错。

晚点：高自由度灵巧手市场规模如何？

陈哲：低自由度手（如灵心巧手、强脑）年销数万只，配合人形机器人销售。高自由度手（Sharpa、舞肌）主要面向科研市场，出货量在数千只级别，但技术含量高，是竞争焦点。

晚点：灵巧操作模型有何进展？

陈哲：Genesis 发布基于定制五指手的灵巧操作模型，采集约 20 万小时数据（含 Ego-centric 视频），实现魔方旋转、烹饪等复杂操作。目前仍处于早期，依赖高质量数据。数据获取方式（纯视频、动捕手套等）尚无共识，但数据解决是训练泛化模型的关键。

晚点：灵巧手数据最终由谁提供？硬件公司还是大脑公司？

陈哲：高自由度灵巧手数据高度依赖硬件结构，第三方采集受限。若人形公司坚持全栈自研，数据将由本体厂商提供；若存在独立第三方厂商，数据可能由其提供。长期看，灵巧手与本体可能是博弈共存关系，类似智驾领域的英伟达/地平线方案。

晚点：绳驱与直驱之争？

陈哲：曦诺 Flex 2 采用混合方案（前臂绳驱+掌心直驱），接近人手结构，减少腕部腱绳数量。大厂多跟随特斯拉选择绳驱，因风险较低且本体可控。独立灵巧手公司更适合全直驱路线，以标准化产品立足。马斯克坚持绳驱基于第一性原理，但 Optimus G3 仍延期，量产前景未卜。直驱方案在最新研究中表现更佳，可能成为事实标准。

世界模型：英伟达 Cosmos 3 与中国创投热

晚点：Cosmos 3 的核心突破是什么？

陈哲：首个全开源 Omni-model，原生处理文本、图像、视频、声音、动作等多模态输入输出。采用 MoT（Mixture of Transformer）架构，结合自回归 Transformer（推理）和 Diffusion Transformer（生成），通过共享 Attention 机制缝合不同模态。

晚点：与 Cosmos 1/2 区别？

陈哲：Cosmos 3 将此前独立的预测、推理、策略模型统一为单一架构。Cosmos Policy 子模型被整合，直接输出机器人操作。该模型为英伟达算力平台优化，并推广机器人开发套件。

晚点：世界模型分类？

陈哲：依据英伟达综述：
1. Video World Model：基于视频生成，预估未来状态（如 Veo, Wan, Cosmos 3）。
2. Action-Conditioned World Model：基于动作生成世界变化（如 DreamDojo, Genie, JEPA）。
3. World Action Model (WAM)：生成机器人动作及未来视觉，即 Policy 模型（如 DreamZero, LingBot-VA）。具身领域最关注 WAM。

晚点：世界模型为何火爆？

陈哲：VLA 遇到性能瓶颈，泛化性受限。视频生成路线利用海量数据和物理先验，原理更具吸引力。随着可灵、Seedance 等 SOTA 视频模型成熟，世界模型能力在 26 年初释放。国内涌现大量独角兽（如 Genesis, LiberAI, Manifold），估值快速上涨。

晚点：作为投资人，如何看待这波热潮？

陈哲：大模型盈利带动资本涌入，补票效应明显。具身领域中国资源丰富，国家战略支持，是成为世界级公司的机遇。虽可能重演电动车浪潮的过度竞争，但人才和资金涌入反映了变革的剧烈程度。

Gen-1 和 π0.7：超越标签

晚点：π0.7 和 GEN-1 的启发？

陈哲：
* π0.7：在传统 VLA 基础上接入轻量世界模型，通过预测未来图像子目标来指导动作生成，类似人类“脑补”轨迹。
* GEN-1：显著提升执行速度，长程任务准确率从 60%+ 提升至 99%。采集 50 万小时 UMI 类型无本体数据，独立训练端到端模型，展示强大 Scaling Law 能力。

晚点：Generalist 不依赖 VLM 微调，为何罕见？

陈哲：研究界存在路径依赖，多数团队在 Pi 基础上微调。Generalist 独立开创路线，采集海量数据训练，需要极大勇气。美国创业环境奖励差异化创新，避免同质化竞争。

晚点：GEN-1 与世界模型思路？

陈哲：Generalist 排斥 VLA 或世界模型标签，主张基于物理交互原生数据训练 Transformer。思路源自 Google RT-1，即独立训练 Transformer 处理文字、图像和关节序列，不依赖 VLM 或视频生成 backbone。

大厂入场与落地节奏

晚点：Google Gemini Robotics ER 1.6 如何看待？

陈哲：ER 1.6 是增强空间理解和推理能力的 VLM，非直接控制策略。Google 旨在打造具身领域的“安卓”，提供 API 和软件层。Spot 机器狗已在油气田巡检中应用。这反映大厂试图用通用 Omni-model 解决具身问题。

晚点：OpenAI 官宣 Robotics 团队，由 DALL·E 作者 Aditya Ramesh 领导。

陈哲：OpenAI Robotics 基于 Sora（被视为世界模型）团队建立，标志技术拐点。虽短期聚焦 AI 算力基础设施，长期愿景是通用机器人。OpenAI 将投入大量资源于灵巧手等全栈领域，期待其带来 SOTA 进展。

晚点：宇树 IPO 对行业影响？

陈哲：宇树上市为头部公司确立估值锚点。人形机器人本体可能分化（小型娱乐/科研，大型重载/搬运），但“大脑”（模型）可能寡头化。若 Omni-model 路线成立，智能将两极化：顶级闭源与高水平开源，中间层无生存空间。

晚点：模型创业公司的终极拷问？

陈哲：如何与英伟达等提供的开源模型及 Google/Anthropic 等寡头私有模型竞争？具身创业热潮受 LLM 成功驱动，但过度竞争可能压缩回报。

晚点：落地节奏中美差异？

陈哲：美国公司（如 OpenAI, Pi）容忍长期不确定性，注重前沿探索；中国公司需快速展示落地姿态以获取资源。Figure 虽无确切收入，但展示落地意愿。国内对商业化周期判断差异大，但整体周期在缩短，基础要素成熟，能力可迁移。

下季度展望：大厂入场的最后窗口

晚点：未来 6 个月行业展望？

陈哲：人形机器人将在具体场景加速落地，更多公司宣布产品计划。未来 6 个月是进入市场的最后窗口，27-28 年若未启动，将失去身位。

晚点：国内大厂（字节、腾讯、阿里）动作？

陈哲：大厂擅长模型，可能借鉴 Pi/Anthropic 模式。中国创业悖论在于难以容忍非全栈或无收入公司，导致具身大脑公司纷纷宣布自研本体。

晚点：全栈 vs 垂直一体？

陈哲：全栈是长期趋势（如苹果、小米），但垂直领域极致优化亦有价值。最终格局可能是全栈与垂直一体的博弈。宇树作为硬件公司，若战略得当，亦可发展软件/AI。

题图来源：Figure AI 5 月中旬直播。

相关文章