从九大场景到「一脑多形」：魔法原子的Physical AI平台路径

来源：36氪Pro

WAIC2026，魔法原子三款新品亮相，具身智能进入“场景验货”时代。

具身智能正在经历一场情绪与资金的双重换挡。2026年初，这条赛道还享受着资本“核爆级”的关注。上半年约460亿元一级市场资金涌入具身智能，20多家公司排队冲刺上市，2026年被视为具身智能的“上市大年”。

但进入二季度，风向出现微妙变化。部分财务投资机构的注意力开始向量子计算、算力、商业航天等新题材迁移。留在牌桌上的产业资本与地方国资，追问也愈发具体——有没有真实的工厂和产线？机器人进去之后能不能稳定干活？订单在哪里？

身处其中的创业者，体感要比外界更敏锐。“今年7月份开始，一级市场的投资热点出现了一些迁移。”魔法原子总裁顾诗韬告诉36氪，“具身智能赛道可能已经非常拥挤，资金也开始出现选边站，或者呈现出慢慢聚合的趋势。”

衡量一家具身智能公司的坐标系已经变了。模型演示和本体参数的叙事价值在快速折旧，场景、验证、交付与回款正在成为新的估值语言。

这也是2026世界人工智能大会（WAIC2026）最直观的感受：机器人依然在跑跳和表演，更多公司开始展示上下料、分拣、包装和巡检。“能否进入真实业务流程”，正在取代“能否完成一个动作”，成为行业下一轮分化的起点。

魔法原子展台现场

魔法原子，就是这场行业切换中动作最密集的公司之一。

本届WAIC，魔法原子携三款新品集中亮相：旗舰级全尺寸人形机器人MagicBot X1，完成了行业首个全尺寸人形三步扣篮；工业轮式人形机器人MagicBot D1，采用轮式底盘加人形上肢构型，目前已进入追觅智能制造工厂参与物料搬运、产线上下料等环节。轻工业四足机器人MagicDog T1，则面向中小工厂与园区的巡检和轻量作业。

同场展示的自研通用具身大模型Magic-VLA K02，也完成了行业首个由通用模型执行的叠盒封胶组合长程任务，成功率超过90%。三种形态对应不同的成本、稳定性与通过性，但释放出同一个信号：产品形态开始服从场景。

WAIC2026期间，36氪专访了魔法原子总裁顾诗韬。在她看来，过去半年市场对魔法原子存在些许误读，很多人把它归入纯硬件的整机公司，但实际上，魔法原子的研发工程师中软件与硬件各占一半，世界模型、VLA与数据平台团队已经接近70人。

“我们是一家场景驱动的Physical AI原生平台公司”——顾诗韬这句自我定义的背后，是一整套关于场景筛选、技术架构、出海路径与行业终局的完整推演。

场景：从“千景”到“九景”，一门场景生意的筛选漏斗

魔法原子定义的九大场景——工业制造、智慧物流、巡检安防、公共安全、智慧导览、赛事文娱、大健康、科研教育、家庭生活——看起来像一张野心过大的清单，但它是一个漏斗收敛的结果。

“寻找场景需求其实是一个先扩散、再收敛的过程”，顾诗韬告诉36氪。

扩散始于2025年启动的“千景共创”计划。魔法原子团队广泛接触千行百业的下游客户和有行业Know-how的解决方案伙伴，把五花八门的需求全部接进来——很多客户的想法天马行空，只会说“在产线上实现机器替人”，却不知道该用什么产品形态实现。

收敛则靠一套SOP，设有四道闸门。据顾诗韬透露，第一道是把工序拆成若干原子技能，判断现有技术可以完成多少，剩余能力需要几个月开发；第二道是核算ROI，成本能压到多少，客户按三年或五年回报周期算不算得过来。

第三道最关键，是原子技能的可迁移性，同一项能力能否迁移到更多客户；第四道是客户侧的硬约束——生产节拍、成功率要求，以及对机器失灵、报废的容忍度。技术实现速度与销售渠道能力被一并纳入，最终排出产品的落地曲线。

快递面单翻转、纸箱堆叠与贴标就是一个例子。顾诗韬称，魔法原子接触的约20个工业客户中，十余家提出过相似工序。需求一旦可以聚合，前期数采、训练和导入成本便有机会被多个项目摊薄。原子技能的复用率因此比单个项目金额更重要，它决定了一次重交付能否沉淀为标准能力。

这套筛选机制也在改写硬件定义。MagicBot D1立项后，团队发现不少机器人进入工厂后长期驻留固定工位，移动需求很弱。双足的越障能力难以创造额外收益，受外力时还可能产生位姿变化，影响采数和操作稳定性。轮式底盘降低了成本，也更适合稳定、连续的B端作业。

工业轮式人形机器人

MagicBot D1

MagicDog T1同样来自需求下沉。部分巡检和安防客户无需大型工业四足的高负载，只希望以更低采购成本获得通过性、轻量搬运和上装能力。

轻工业四足

MagicDog T1

值得注意的是，这个漏斗对产品形态是开放的。“目前行业里，尤其是跑得比较靠前的具身智能公司，应该不会执着于高度拟人的人形形态，这已经形成共识。”在顾诗韬看来，形态选择是动态的，要看场景需要什么，或者什么样的产品形态适合进入真实场景。

魔法原子的场景优先，最终沉淀为一套务实的产品逻辑。与其说魔法原子拿出的是一份产品规划，倒不如说是一套工程纪律——它把成熟智能硬件行业的产品定义流程（POC、PMF验证），移植进了一个整体仍在寻找PMF的行业。

平台：“一脑多形”如何长出难以超越的能力？

支撑这九大场景解决方案的技术底座，则被浓缩为“一脑多形”。

具体来看分为三层，最上层承载的是九大场景解决方案；中间层是中央控制大脑，由VLA模型、世界模型和数据平台构成，承担理解、规划、训练与调度；最下层是模块化硬件与基础设施，从自有的人形、四足整机，到生态公司的叉取、搬运、无人配送，再到关键模组、灵巧手、数采平台和规划自建的IDC。

这种多元化的产品形态能够在客户交付时按需组合。例如追觅工厂的一道工序，可能配两台人形、一台四足，加无人叉车和园区无人配送；无锡交警的应急处突方案，则是一辆无人小车搭载两台带功能上装的工业四足抵达现场。

拼装可以随场景千变万化，但底座却始终只有一套。这种自由度的背后，是魔法原子的三重底层能力。

首先，是技术复用。按顾诗韬给出的数字，人形产品线内部，硬件和运控至少有60%至70%可以复用，四足产品彼此之间的复用度同样不低。相对薄弱的是跨品类，人形与四足因关节模组差异，能直接复用的有限。

支撑复用的组织机制，是魔法原子的中央研究院。硬件侧，T系列、P系列关节模组、行星与谐波减速器、电机全部自研并在公司层面拉通，形成可模块化搭配的资源池；软件侧，云平台、大数据平台、仿真平台全面打通，导航、避障、自主跟随等基础能力各产品线共用。

“这也是为什么我们推出一款硬件产品的速度相对领先于行业”，顾诗韬谈到，旗舰全尺寸人形机器人MagicBot X1从4月底硅谷发布到WAIC亮相只隔一个季度，产品节奏能够保持生产一代、预研一代，再储备一代技术。

其次，是做到深度的软硬件融合。顾诗韬举了中石油无人便利店的例子，客户要求完成抓、拿、取、放，魔法原子内部没有任何一个模块团队能单独答复能不能做，它天然是导航、感知、操作、硬件多团队协同的系统工程。

纯软件团队外采机械臂，底层包不开放时连逆向调试都做不了。而自研硬件的底层代码则对软件团队完全开放，软件团队又反过来定义下一代构型——上一代缺一个对操作模型有价值的传感器安装位，下一代设计时就预留出来。

数据环节同样如此，灵巧手采数时点位偏移几毫米，整条数据就报废。“这里面有大量工程化问题需要解决。它不太需要'小天才'，但需要一支工程化意识很强的团队。”

在顾诗韬看来，一款好产品的功能上限，仍受硬件实际性能约束。而好模型的落地，高度依赖软硬一体的系统设计。这也是为什么魔法原子坚定推进软硬件一体化，并保留自研团队。

最后，就是模型路线的选择。魔法原子的模型演进相当务实，去年推出的“原子万象”是双层解耦的VLA方案：上层VLM基于开源模型二次开发，下层由MoE快模型组成，几百上千条数据就能训出一个垂直小场景模型，部署周期短，这与魔法原子重商业化的策略高度耦合。

今年WAIC展示的Magic-VLA K02，采取的是“先预训练、再后训练”训练范式——先以大规模数据完成预训练，获得一个泛化能力足够强的基座模型，再针对不同部署场景做后训练对齐，把性能提升到可部署水平。

世界模型则被摆在长期储备的位置，今年4月底在硅谷发布的Magic-Mix，就是魔法原子在这个方向上的投入。

值得注意的是，在魔法原子的路线图里，世界模型与VLA走的是融合方案，不是非此即彼的取舍——世界模型负责理解物理环境、推演未来变化，VLA负责把理解转化为可交付的动作，两者互补而后探索更多收敛路径。

眼下，魔法原子的交付形态是VLA叠加规则算法，把垂直场景先交付出去，同时持续跟踪世界模型方向的新进展，确保三到六个月内可以复现。顾诗韬表示，软件路线究竟选择世界模型还是VLA，是阶段性选择的问题，“现阶段可能是有多少钱做多少事”。

敢把模型路线视为阶段性选择，魔法原子的底气在于一套已经成形的数据与工程闭环。

顾诗韬将其概括为“采训测推”。数据经过采集、标注和清洗后进入模型训练。模型训练完成后，经仿真和真机评测进入部署，并由真实任务中的执行结果继续回流训练系统。魔法原子目前并行尝试遥操作、UMI、Ego和合成数据等多种方式，并以合成数据补充预训练。数据采集形式可以变化，而底层的数据处理、训练和部署能力则可以复用。

此次WAIC最新展示的Magic-VLA K02进一步明确了这套数据路线。先利用大规模第一人称操作数据学习任务拆解、手物交互和物体状态变化，再通过少量机器人示范数据完成动作对齐和后训练。据官方测试显示，其所需机器人示范训练数据量减少60%。

Magic-VLA K02模型驱动的机器人叠盒封胶长程作业演示

过去一年，VLA、世界模型、各代数采方案的话语更替速度，已经证明单点技术叙事的贬值周期有多短，具身智能的竞争更接近一种工程现实。而魔法原子的路径证明了：真正难以被快速复制的能力，往往长在单点技术之外。

出海：海外市场的溢价，体系化的打法

出海正在变成中国具身智能公司的共同答案。

国内一边是200多家公司挤在趋同的产品带上，尤其是消费端的价格竞争苗头已经显现，多款消费级机型今年相继降价。与此同时，海外客户却在为同样的中国机器人支付溢价。正如顾诗韬所言，具身智能真正进入工厂场景后，海外人工替代的ROI可能比国内更容易算得过来。

魔法原子没有走“先国内、后出海”的老路。公司成立时就开始向海外销售；又因为去年才正式商业化，国内和海外几乎是从同一条起跑线上同步推进的，用顾诗韬此前的说法，魔法原子是“生而全球化”。

对于魔法原子而言，战略合作伙伴追觅在当地政策与营商环境上趟过的路，可以直接复用。按魔法原子在硅谷大会上的披露，其海外业务已覆盖50个国家和地区，但是在魔法原子的版图上，各个国家和地区的打法差异极大。

欧洲是当下最好的工业市场。顾诗韬谈到，欧洲老牌制造业在上一轮油改电浪潮中吃了大亏，如今正在全面拥抱具身智能，他们把这一轮浪潮直接视为能否留在牌桌上的战略问题。

对于魔法原子而言，欧洲是相对开放的工业市场。一些客户能够接受更高的采购价格，也会讨论百台级需求。实际项目通常分阶段释放，先从几台或10台开始部署，效果达标后再追加后续批次。

溢价的另一面是门槛。欧洲工厂客户考核的是实际作业的准确度和节拍，对售后与交付团队要求苛刻，订单分阶段释放——先买几台、部署10台，效果好再下第二批、第三批。这也是魔法原子开始培养本地化交付团队的原因：挣溢价的钱，靠的是交付能力。

日韩和新加坡的需求与国内相近，确定性高，客户更看重交互质量与多机协同的成熟度。只是日韩的工业采购长期由本地财团主导，必须借助本地经销商渠道进入。

美国的特殊性更多体现在市场结构上。科研是中国具身智能出海的基本盘，据顾诗韬观察，中国机器人在斯坦福、伯克利等科研场景中的能见度正明显提升，只是科研预算虽然稳定，但整体盘子太小。

工业端，To B客户天然信任本地供应商与成熟渠道，叠加数据本地化的行业惯例，直接切入的门槛更高。魔法原子的选择是迂回——让门槛低的产品先走。“人形机器人进不去没关系，搬运和物流产品可以先进去”，用她的话说，这是“围魏救赵”。

与此同时，魔法原子还在绑定本地合作伙伴、探索设立本地公司；再者就是“卖铲子”——向美国客户出售遥操方案和采数用的真机设备，让对方在本地完成数据采集。

这套清晰务实的分区打法，对于当下的中国具身智能公司出海而言，有着极强的参考价值。

一方面，具身智能出海的起点是一种需求错位，海外买单的是人工替代的ROI、是人工做不了和不愿做的高风险工序，而中国供应链的成本优势在这里能兑换成真实溢价，远比在国内互相压价划算；

另一方面，溢价的另一面是本地化重投入——销售、售后、交付团队前置，用服务能力把一次性买卖变成分批复购，订单才滚得起来。与此同时，不同市场准入的差异还要靠产品组合去消化。

能看到，如今具身智能出海比拼的已经是体系化的能力，单机性价比只是一张入场券。

终局：用平台吞下碎片化，在整合前抢占先机

与生成式AI相比，Physical AI最大的商业难题在于物理世界的场景碎片化。

ChatGPT可以用一个入口聚合数亿用户，机器人却要在每进入一个工厂、一家门店时，重新适配工艺、环境与流程，需求难以像Token一样被标准化地聚合与分发。换言之，模型可以共享，但工厂的工装、节拍、空间和安全规范却各不相同。

这意味着，单一垂类场景容易形成稳定收入，但规模天花板也更早出现。

但是顾诗韬并不认为碎片化就会锁死一家具身智能公司的规模，让行业只剩下一批体量有限的设备商，孕育不出平台级巨头。“通用人形产品的落地还有很长的路要走。在未来很长一段时间里，企业大概率要在垂直、差异化的细分场景中活下去。”

魔法原子的核心目标，就是把碎片化做成平台生意——通用的大脑模型基座只有一个，硬件产品形态是模块化的并且横跨多个品类，核心团队提供标准模型和标准产品，垂直Know-how与末端定制交给集成商、合作伙伴，未来也可通过并购补齐。

“如果行业里跑出10个有价值的场景，每个场景都有100亿元市场规模，我们要确保在每个百亿元以上规模的场景中都做到Top 3”，顾诗韬表示。

上一代工业自动化巨头，为这种终局提供了现成的参照。ABB、西门子、汇川技术面对的同样是碎到不能再碎的工业需求，却都长成了平台级公司。他们靠着成千上万种标准化产品覆盖海量细分工序，把每个细分场景吃透换来定价权。

在顾诗韬看来，这些公司部分细分品类的毛利率甚至能做到50%，再叠加品牌与技术沉淀，最终形成平台型资源优势。碎片化没有锁死它们的规模，反而成了后来者难以逾越的护城河。

对于具身智能而言，To B市场的终局从来容得下平台巨头，前提是把碎片化的需求翻译成标准化的供给。区别只是，老一代巨头靠产品线花几十年一个个铺过去，而具身智能公司手里多了一个变量——统一的模型基座，让跨场景复用第一次有了技术抓手。

魔法原子希望提前占据行业整合者的位置。这个目标还需要连续验证四件事——模块化产品能否保持毛利，合作伙伴能否独立完成部署，场景数据能否合规回流并改善统一模型，新增场景的交付成本能否持续下降。

顾诗韬认为，具身智能行业早晚会进入资源整合与场景整合阶段，“大的整合小的，小的彼此合并，当整个行业开始出现整合时，魔法原子一定会成为最大的、整合别人的平台”。

智能驾驶是Physical AI的先行样本，那条赛道曾涌现近200家公司，但在顾诗韬看来，跑在最前面的公司至今也难言盈利。这也意味着，如今每一家具身智能公司必须回答那个符合第一性原理的问题：长期靠什么活下去？

没有人能确定通用机器人何时真正到来，正如没有人能确定这轮整合何时开始。但魔法原子的卡位已然清晰：以真实场景为入口，以“一脑多形”为技术底座，通过模块化产品和生态伙伴实现规模交付，提前抢占未来整合者的先机。