三大趋势，定调2026年具身智能

作者 | 毛心如如果一场有关具身智能的圆桌对谈，听到的关键词是还远、鸿沟、刷榜、缺标准，你会觉得这是一场唱衰吗？答案恰好相反。过去两年，具身智能从学术概念迅速膨胀为一级市场最拥挤的赛道。融资额连创新高，人形机器人登上春晚，一个后空翻都能制造短暂的热搜。但现实是，科研人员将模型和硬件真机部署之后，发现离真正希望的大规模应用还是有比较大的鸿沟。这种鸿沟正在被越来越多的人发现并承认。从行业风向不难发现，现在越来越多的玩家不会急切地去追求通用泛化，而是把目光聚焦在哪些场景能实现商业闭环，我们还能在哪些方面扩大自身的优势。这场由原力灵机主办的圆桌论坛上，清华大学教授汪玉、智源研究院院长王仲远、阶跃星辰 CEO 姜大昕、星海图 CEO 高继扬、原力灵机 CEO 唐文斌齐聚一堂，汇集了从学界到产业、从模型大脑到行动身体的具身智能全链路参与者。这场圆桌释放出了一个深刻的观点：2026 年不会是具身智能的 ChatGPT 时刻，但它很可能是行业从狂热叙事转向理性深耕的分水岭。同时，这场圆桌也为 2026 年具身智能行业发展，清晰勾勒出了三大核心趋势。从 Demo 演示到规模化商业闭环一直以来，具身智能的发展大多还是停留在 Demo 演示和仿真环境测试阶段，大多数玩家的追求都是全场景泛化。虽然这样的技术理想很丰满，但现实是大多机器人仍然面临着走不出实验室、干不了活的尴尬。在这场圆桌论坛上，一个共识显现：具身智能的全场景泛化在短期内不具备实现条件。2026 年行业的核心发展方向需要暂时搁置全场景通用的愿景，聚焦特定封闭或者半封闭场景，实现技术、数据、商业的规模化闭环。从技术层面来看，具身智能的泛化能力存在多维度的实现难点，这决定了全场景落地的不现实性。阶跃星辰 CEO 姜大昕认为，具身智能的泛化应该包含场景泛化、任务泛化、目标泛化三个核心维度，场景分为封闭、半封闭、全开放，任务涵盖导航、抓取、家务等。不同维度的泛化难度天差地别，目前行业尚未形成对具身智能 ChatGPT 时刻的统一定义，实现全维度的零样本泛化只会更难。相较于大语言模型仅需处理虚拟的语言信息，具身智能需要融合计算机视觉、运动控制、环境感知等多领域技术，其技术复杂度呈指数级提升，短期之内难以实现全场景的自主适应。正因如此，先解决单一场景问题，再逐步探索泛化成为了 2026 年行业的核心共识。智源研究院院长王仲远认为，现在最现实的路径是通过 VLA +强化学习把一个个真实的场景解决好，先让机器人干起活，再在真机中积累更多的数据，形成数据的闭环，最后再来解决泛化性的问题。这个思路打破了为了泛化而泛化的技术误区，将数据闭环作为连接单场景落地与全场景泛化的桥梁，同时单场景的持续运营，也是积累真实真机数据的唯一途径。从商业落地来看，可规模化、可持续化、可核算 ROI 也成为 2026 年具身智能落地的核心评判标准。原力灵机联创唐文斌基于自身对具身智能 ChatGPT 时刻的理解，给出了 2026 年的目标，实现单一场景一千台机器人的持续运行。星海图创始人高继扬则更加激进，他认为整个行业都需要在生产力端看见明确增长，两年之内能够有单一场景上万台出货量。而从落地场景来看，工业物流、制造业等封闭或半封闭场景也将成为 2026 年具身智能落地的核心赛道。目前具身智能在仓库、工厂里打螺丝等场景已具备初步落地条件。这些场景的特点是环境可控、任务单一、干扰因素少，能够有效降低机器人的感知和操作难度，更易实现数据闭环和 ROI 核算。相较于家务、服务等开放场景，工业场景对机器人的错误容忍度相对较低但场景边界清晰，且存在巨大的产业升级需求，成为具身智能从实验室走向产业的最佳切入点。尽管硬件仍面临着连续稳定性工作、安全性、电池续航等问题，但在封闭场景中，这些问题可通过环境适配、设备改造等方式得到缓解，足以支撑机器人实现常态化运营。可以说，2026 年具身智能行业将正式进入单场景落地元年，谁能率先在特定场景实现规模化、可持续化运营，谁就能成为行业发展的标杆。评测体系与技术标准走向统一AI 的发展离不开标准和评测的支撑，大语言模型的快速迭代，一定程度上得益于完善的评测体系和相对统一的技术标准。而具身智能作为融合软件模型+硬件实体+物理交互的复合型领域，目前仍处于评测体系缺失、技术标准碎片化、开源生态不完善的发展阶段。这也成为制约行业从 Demo 演示走向规模化落地的核心瓶颈。从 2025 年开始，越来越多产业界、学术界的研究人员都在为具身智能找标准，像原力灵机的 Robochallenge、上海交通大学的开源测评集 GM-100 都是印证。经过野蛮生长的 2025 年，推动真机评测常态化、技术标准统一化、开源生态体系化，补齐行业发展的底层短板成为 2026 年的必然趋势。首先，是基于物理世界的真机评测体系将成为行业主流，RoboChallenge 等平台将引领行业评测标准的构建。当前具身智能的评测多停留在仿真环境中，LIBERO、SimplerEnv、RoboTwin 等现有评测基准规模小、场景单一，很多测评分数已经被刷到接近满分。但这个分数并不能反映机器人在真实物理世界中的实际能力，只有基于物理世界真实的、大规模的、真机的测评，才能引导整个行业快速的、正向的发展。其次，具身智能技术标准的统一将提上日程，模型输出、数据格式等核心标准将率先形成行业共识。当前具身智能行业的标准碎片化问题体现在多个方面，硬件接口不统一、数据采集格式不一致、模型输出逻辑不相同，导致企业之间的技术成果无法互通、模型难以重复验证，极大降低了行业的研发效率。目前国内外都在积极进行模型开源，但在最后的部署复现都变成了一件棘手的问题。这背后的关键就是各家的标准并没有统一，数据类别千差万别，甚至格式、代码也有很多难以对齐。这样碎片化的标准，让行业陷入各自为战的研发困境，也制约了具身智能的规模化落地。2026 年，这一问题也将迎来实质性突破，具身智能的技术标准制定将正式进入行业议程。2025 年底，工业和信息化部人形机器人与具身智能标准化技术委员会正式成立，其中由学界以及产业界相关人士构成，通过双方实际经验，定义具身智能模型输出的标准。模型输出标准将解决模型验证、技术互通的核心问题，让行业的研发成果能够实现共享和迭代。而随着单场景规模化落地的推进，硬件接口、数据采集等标准也将逐步形成行业共识，推动行业从碎片化发展走向协同化发展。最后，是全链条的开源生态将逐步构建，成为推动行业技术创新的核心动力。开源是人工智能技术快速发展的重要推手，大语言模型的普及、Transformer 架构的一统江湖，都离不开开源生态的支撑。具身智能作为技术复杂度更高的领域，更需要开源生态的助力，让中小企业和科研机构能够站在巨人的肩膀上进行研发。未来，像 Robochallenge 这种平台或许会向公益化形态发展，打造包含开源框架、开源硬件、开源数据、开源应用/评测的全开源生态。目前，具身智能的开源生态已经在算法层面实现了初步发展，依托开源社区，第一梯队的公司例如美国的 Physical Intelligence，开源后算法传播会在 2-3 个月内完成。在 2026 年，具身智能的开源将从算法层面延伸至硬件、数据、评测等全链条，原力灵机、智源研究院等头部机构也会不断加大开源力度，降低行业的研发门槛，推动技术创新的加速落地。总的来说，评测体系与技术标准的统一，是具身智能从技术探索走向产业落地的必要前提。随着真机评测平台的完善、具身智能核心标准的制定以及全链条开源生态的构建，行业将摆脱无标准可依、无评测可考的发展困境，为规模化商业闭环提供坚实的底层支撑。产学研深度融合，提升中国玩家整体竞争力具身智能，从来不是只属于企业的舞台，学术界的技术探索和产业界的实践落地，二者缺一不可。在以中美为主导的行业竞争中，美国在算法、大脑端更占优势，中国在供应链、产能上更胜一筹已经是公认的共识。那么，下一阶段中国玩家要提升核心竞争力的锚点就在于，持续扩大供应链优势，同时推动产学研合作发展，形成学术探索推动产业落地，产业落地反哺学术研究的正向循环。清华大学的汪玉教授表示，美国在模型研发和数据积累的工作做得更早，但目前中国在具身智能产业链的整体投入已经远远多于美国。中国完善的产业链和供应链能够把应用开放的范围扩展得更广，与此同时再加大在模型和应用层面的投入，中国有可能在具身智能领域早于美国实现更快突破。相较于美国超级碗聚焦大语言模型的技术展示，中国春晚成为机器人技术落地的重要舞台，这一差异也反映了中美两国在 AI 发展上的不同侧重。其次，中国的产学研联动日益紧密，形成产业问题推动学术研究，学术研究解决产业痛点的正向循环，这是中国具身智能发展的另一核心优势。过去，中国的人工智能发展曾存在学术与产业脱节的问题，学术界专注于论文发表，产业界专注于商业落地，两者之间缺乏有效的沟通和协作。现在中国学术界和产业界正在增加联动，真正推动产学研的深度融合。这种融合，体现在多个方面：

• 产业界的实际落地痛点成为学术界的研究方向
• 学术界的技术探索为产业界提供了创新思路，例如智源研究院发布的 RoboBrain、RoboBrain-X0 等模型
• 产学研共建评测平台、制定行业标准，例如 RoboChallenge 平台联合了产业界、学术界和研究机构共建，实现了技术、硬件、数据的共享

• 产学研深度融合将解决具身智能的核心技术痛点
• 供应链优势将推动技术的规模化落地
• 丰富的产业场景将为具身智能提供广阔的发展空间