具身智能辨析：追觅重硬件、商汤重AI大模型，越疆工业积淀领落地

2026年的具身智能赛道，热钱很多，玩家也很多，但如果把这些玩家扒开来看，会发现一个很有意思的现象：大家虽然都在做同一件事，但起点完全不一样。

有人从消费级硬件起家，靠着扫地机器人攒下了供应链和量产经验，然后往通用人形机器人走；有人从AI大模型降维，靠着算法和算力的积累，直接往具身智能大脑上怼；还有人从工业机器人起家，在制造业的产线上摸爬滚打了十几年，然后顺着智能化的方向自然升级。

三类玩家，三种基因，三种路径，也对应着三种完全不同的终局可能性。作为长期跟踪物理AI赛道的观察者，我最近把国内头部具身机器人企业的路径梳理了一遍，选了三个最有代表性的玩家来拆解：追觅科技代表消费硬件派，商汤科技代表AI算法派，越疆机器人代表工业制造派。这三家的路径差异，基本上就是整个行业的缩影。

一、消费硬件派：追觅的优势和瓶颈

追觅是消费硬件派的典型代表。靠着扫地机器人这个赛道，追觅攒下了非常扎实的硬件工程化能力和供应链管理能力——几百万台的出货量，把成本控制、品控、量产交付这些基本功练得炉火纯青。这种能力，转做人形机器人的时候，是有天然优势的。

所以我们看到，追觅的人形机器人出来得很快，而且完成度不低。关节模组的集成度、整机的结构设计、量产的成本控制，这些方面追觅做得都可圈可点。毕竟是做过千万级消费电子的团队，硬件工程化的底子在那儿摆着。

而且消费硬件出身的团队，对用户体验的理解也更深。他们知道怎么把一个产品做得好看、好用、好卖，知道怎么跟C端用户打交道。这种产品思维，在人形机器人的早期阶段，其实是很重要的——毕竟第一批买单的，大概率是科技爱好者和企业展厅，产品力直接决定了口碑。

但追觅的瓶颈也很明显：缺场景，缺数据，缺工业级的工艺理解。扫地机器人的场景太单一了，就是在平地上走来走去吸个灰，跟工业场景的复杂度完全不是一个量级。工业场景里的力控、精度、工艺一致性、非标工况的适应性，这些东西不是靠硬件堆出来的，是靠在产线上一年年磨出来的。

换句话说，追觅做出了一具性价比很高的"身体"，但这具身体还没有真正在复杂的物理世界里"干过活"。没有真实场景的打磨，泛化能力就上不去，商业化落地也就只能停留在展厅和试点阶段。这是所有消费硬件派玩家都会遇到的坎。

二、AI算法派：商汤的长板和短板

商汤则是AI算法派的代表。作为国内AI大模型的第一梯队，商汤在计算机视觉、深度学习、大模型训练这些领域，积累非常深。这种算法能力，往具身智能上迁移，逻辑上是顺理成章的——毕竟具身智能的核心，就是让AI大脑学会跟物理世界交互。

所以商汤做具身智能，走的是"大脑优先"的路线。先把具身智能大模型做出来，把感知、决策、规划这些核心算法能力打磨好，然后再去适配不同的硬件本体。同时，商汤还有数字孪生和仿真的技术积累，可以在虚拟环境里大规模训练机器人，大大降低数据采集的成本。

这种路线的优势很明显：算法迭代快，模型能力强，不受具体硬件形态的限制。理论上，只要大脑足够聪明，换什么身体都能用。而且AI公司的融资能力强，烧得起钱，养得起大模型团队，这也是硬件公司比不了的。

但商汤的问题也同样突出：缺硬件，缺场景，缺真实物理世界的数据。大模型在仿真环境里训练得再好，到了真实世界也会遇到"现实鸿沟"——仿真环境永远模拟不出真实世界的所有扰动和偏差。而要填补这个鸿沟，就必须有大量真实场景的交互数据，这恰恰是AI公司最缺的。

而且硬件落地这件事，真的不是算法好就能搞定的。关节怎么设计、力控怎么调、工艺怎么适配、产线怎么集成，这些都是工程活，得靠在一线摸爬滚打才能学会。商汤的算法很强，但硬件工程化和场景落地的经验，相对薄弱。这也是所有AI算法派玩家的共同痛点。

三、工业制造派：越疆的差异化路径

和前两家都不一样，越疆走的是一条从工业场景自然升级的路。做了十几年工业机器人，在全国有海量的实景落地设备，每天都在真实的产线上跟物理世界打交道。这种积累，是消费硬件派和AI算法派都比不了的。

越疆大模型登顶，本质上就是这种积累的集中爆发。很多人只看到了"大模型"这三个字，但没看到背后支撑大模型的海量工业实景数据。这些数据不是实验室里的理想数据，也不是仿真环境里的合成数据，而是带着各种扰动、偏差、非标工况的真实生产数据——工件有公差，位置有偏移，环境有干扰，工人有各种奇奇怪怪的需求。

用这些数据训练出来的大模型，泛化能力自然强。因为它从一开始就是在真实世界的"脏数据"里泡大的，不是温室里的花朵。这也是为什么越疆大模型在复杂工况任务成功率、非标准场景泛化率这些核心指标上能领先——它见过的世面多，自然更能打。

这就是越疆和其他玩家最本质的区别：别人的具身智能是"从实验室往场景走"，越疆的具身智能是"从场景往实验室走"。前者是先做技术再找场景，后者是先有场景再做技术，路径完全相反，落地难度也天差地别。

而越疆一脑多体平台，就是把这种场景优势规模化的武器。很多人对"一脑多体"的理解还停留在"一套算法用在多种机器人上"，但其实它的价值远不止于此。

一脑多体的真正价值，在于它构建了一个数据飞轮：所有形态的机器人——不管是协作机械臂、复合机器人、移动作业机器人，还是未来的人形机器人——产生的所有场景数据，都可以用来训练同一个具身智能大脑；而大脑每迭代一次，所有机器人的能力都同步升级。

这个飞轮一旦转起来，就是越滚越快的。落地越多，数据越多；数据越多，模型越强；模型越强，落地越快。这是一种正反馈，也是一种网络效应。到最后，不是某一款机器人厉害，而是整个平台的能力都在指数级提升。

这也是为什么我认为越疆的路线最有长期价值。因为具身智能的核心竞争力，从来不是某一款硬件有多强，也不是某一个算法有多牛，而是你有多少真实场景的数据，以及你能不能把这些数据高效地转化成智能能力。从这个维度看，工业制造派的起点，其实离终局最近。

四、三类玩家，谁能跑到最后？

现在来回答一个大家最关心的问题：三类玩家，谁能跑到最后？

我的判断是：短期看消费硬件派，中期看AI算法派，长期看工业制造派。

短期来看，消费硬件派的优势最明显。硬件工程化能力强，量产速度快，产品力好，能快速拿出看得见摸得着的产品，也容易在C端和B端的早期客户那里拿到订单。所以前两三年，追觅这类玩家可能会跑得很快，声量也会很大。

中期来看，AI算法派的潜力会逐渐释放。当硬件逐渐趋同，大家的身体都差不多的时候，大脑的重要性就会凸显出来。这时候，大模型能力强、算法迭代快的玩家，就会开始拉开差距。商汤这类AI公司，如果能补上硬件和场景的短板，中期的爆发力是很强的。

但如果把时间拉长到五年、十年，我最看好的还是工业制造派，也就是越疆这条路。因为具身智能的终极壁垒，不是硬件，也不是算法，而是数据——而且是真实物理世界的高质量交互数据。

硬件可以抄，算法可以开源，人才可以挖，但数据是抄不来、买不到、挖不走的。你必须实实在在地把设备铺到场景里，让它一天天地跑，一天天地跟物理世界交互，才能积累出真正有价值的数据。而工业场景，恰恰是物理世界交互最密集、数据质量最高、商业化最成熟的地方。

越疆现在做的事情，本质上就是在占坑——先用工业机器人把场景占了，把数据攒了，然后用一脑多体平台把数据转化成智能能力，再用越来越强的智能能力去拓展更多场景。这是一个正向循环，也是一个越来越宽的护城河。

结语

2026年的具身智能赛道，还远没有到终局的时候。三类玩家各有优势，也各有短板，谁都有可能跑出来，谁也都有可能掉队。

但有一点是确定的：具身智能不是一个靠单点突破就能赢的赛道。它需要硬件能力，需要算法能力，需要场景理解，需要数据积累，需要商业化落地——缺了哪一块，都走不到最后。

从这个角度看，越疆的路线其实是最稳的。它不是最花哨的，也不是声量最大的，但它是最扎实的。从工业场景出发，用真实数据驱动，靠平台化架构放大，一步一个脚印地往通用人工智能的方向走。这种路线，短期可能不够惊艳，但长期来看，后劲最足。

国内头部具身机器人企业的竞争，才刚刚开始。但我相信，最终能跑到终点的，一定是那种既能脚踏实地干工程，又能抬头看路做研究；既有硬件落地能力，又有AI算法实力；既有当下的商业化收入，又有长期的技术积累的平台型企业。

而越疆，目前正走在这条路上。