光源资本郑烜乐：穿越拐点，共创物理智能生产力的破晓时代 | 光源观点

近日，由光源资本主办、 L2F 光源创业者基金承办的 “具身智能・场景无界” 2026 世界机器人大会光源资本具身智能创新链接专场在北京亦创国际会展中心圆满落幕。活动现场汇聚来自于光源生态中的一线创业者、产业专家与投资人，围绕行业前沿议题，带来多场干货满满的主题演讲与思维碰撞的圆桌对话。此外，十数家光源生态伙伴企业组团亮相本届 WRC，展示了产业协同的创新力量。在专场活动现场，光源资本创始人兼 CEO、L2F 光源创业者基金创始合伙人郑烜乐发表题为《穿越拐点，共创物理智能生产力的破晓时代》的开场演讲。他认为，具身智能正从技术突破走向场景落地，而打通从智能形成到生产力兑现的完整链路是产业跨越拐点的关键。以下为演讲全文整理。

• 具身智能行业正迎来资本、产品和创业供给的三重加速。2026 年上半年融资额已超 2025 年全年，中国广义人形机器人 2025 年出货量超 2 万台，产业链已覆盖全部环节，但各环节公司的业务边界仍在快速流动，分工格局远未定型。

• 具身智能从技术到生产力的跨越，需要依次完成三次转化：从数据到可迁移智能、从单点能力到稳定系统、从任务完成到经济闭环。当前行业的主要矛盾在于这三次转化无法同时成立，绝大多数公司仍卡在从 demo 到稳定部署之间。

• 打通智能到生产力的完整链路，需要遵循三条底层规律：用更少的新增真实数据形成更强的泛化能力；把系统作为一个整体来优化，最弱的环节决定最终性能；让 ROI 从一开始就反向决定技术路线和场景选择。

• 物理智能的复利拐点，本质上是经济循环与学习循环的双飞轮。核心公式 R = E × S 中，E = V / Csys（单位任务价值/单位系统成本），衡量干一单的经济账；S = Q × F × L × U / T（有效任务量 × 高价值反馈率 × 学习转化率 × 能力复用率/经验 - 能力转化周期），衡量干完一单以后下一单是否能干得更好。当 E ≥ 1 且 S 持续提升时，机器人在创造经济价值的同时持续产生高质量数据，数据反哺能力，形成自加速的正向循环。这套公式的核心追问是：一家具身公司能否同时回答三个问题：能不能养活自己？能不能越做越好？能不能让 “越做越好” 的速度跑赢规模扩张的消耗？
  

• 最终赢家必须同时具备学习规模和工业规模。只有学习没有工业规模，智能无法走出实验室；只有工业规模没有持续学习，规模反而会放大问题。长期竞争力是三者的累积：学习规模 × 工业规模 × 价值留存。

• 中国最大的机会在于把产业密度转化为复利速度与全球产品能力。供应链完备性、工程师规模、场景丰富度、统一市场容量和产业资本支持力度的叠加，使中国有机会在工业规模的基础上同步建立学习规模优势，成为全球物理智能的高地。

• 未来三年行业将经历清晰的分化路径：12 个月从讲故事转向拼交付；24 个月出现 ROI 可验证的批量化任务；36 个月开启产业链横向与纵向整合。届时将真正区分出三类公司：展示技术的公司、线性卖设备的公司和能够形成物理智能复利的公司。

以下为主题演讲实录，经编辑：

产业链初具雏形，格局仍在快速变化

过去几年，资本在加速流入具身智能行业。从 2023 年上半年到 2026 年上半年，具身智能产业链各环节的融资项目和金额持续攀升，2026 年上半年融资额已超 2025 年全年。中国广义人形机器人 2025 年出货量超 2 万台，今年还将进一步跃升。创业公司数量也在持续快速增长。

不管从资本、商业还是创业活力来看，信号都很强烈 —— AI 正在获得进入现实世界、承担物理工作并形成新生产力的机会。

从这个观察出发，我们对行业做了一次分类梳理，针对处于不同环节的创业公司做了数据分析。整体来看，本体制造、部署应用、大脑这几个领域的融资规模最大；与此同时，芯片与运控、核心硬件与集成子系统、数据学习基础设施的创业公司数量和融资金额也在快速跃升。融资交易已覆盖具身智能完整产业链，资本正在从本体和大脑这两个核心环节，向数据、关键零部件、计算等更广泛的产业链环节延伸。

但值得注意的现象是，虽然产业链已经成形，各环节创业公司的业务边界却远未收敛，譬如大脑公司开始做本体、本体厂商开始自研核心部件、零部件厂商向子系统延伸等等，整个行业的角色分工仍处在快速流动之中。

这种边界流动并非随意的多元化扩张，而是产业链上的每一种角色都在沿着自身的核心能力寻找最能形成闭环的生态位。例如大脑公司做本体的目的是提供一个可验证、可迭代的软硬一体环境，加速数据 - 模型 - 部署的闭环；本体厂商向上整合核心部件，是为了降低供应链依赖、提升量产可靠性与系统一致性；零部件厂商向 Tier1 演进，是从交付零件转向交付完整功能，在产业链中占据不可替代的价值节点；而工具链走向平台化，则是试图成为开发者的默认入口。

这些动作指向同一个方向：每个角色都在试图定义自己与上下游之间的标准接口，从而在尚未凝固的产业链结构中占据主动。产业链的分工虽已初步形成，但谁最终负责哪一段、谁对什么结果负责，边界仍在快速变化之中。

AI 再工业化：从比特世界进入原子世界

今年 WAIC 上我提到了一个观点 ：AI 再工业化，指的是 AI 正在把一个又一个行业从“手工业”变成 “工业”。AI 视频、AI Coding，本质都上是把线性的专家能力转换成可复制的智能化产能。这两个赛道有一个共同特征：它们都是典型的数字闭环赛道，从输入到输出的全过程都在数字世界中完成，回路短、验证快，AI 已经率先在这个领域完成了工业化的验证。

但数字世界只是开始。真实世界当中，工业、农业、服务业、家庭、商业等产业的市场规模远大于数字内容产业。AI 进入物理世界需要理解、决策、执行，需要软硬件一体的闭环，难度更高、门槛更高，想象空间也更大。具身智能机器人正是把 AI 从数字世界解放出来、进入原子世界的关键载体，也是 AI 再工业化从比特世界进入原子世界的核心枢纽。

从价值演进的角度来看，智能正在通过物理 AI 跨越三类价值空间。

最早是生成内容，比如 AI 绘画、AI 写作，价值很大，但进入的场景少、承担的责任少。然后是完成数字任务，在数字世界里形成闭环，比如 AI Coding。

接下来是第三类，物理工作。AI 走出数字世界，进入制造、物流、农业、服务等真实产业，替代或强化的是物理劳动力，参与的是更长的价值创造链路，能够进入的场景、产业和地理范围都远超数字世界。

如果说数字 AI 重塑的是信息流转的效率，那么物理 AI 重构的是物质转化的方式，这是一个十倍甚至百倍的市场，撬动的是数十万亿美元级的机遇。

打通从智能到生产力的完整链路

▎具身智能的核心挑战是打通从智能形成到生产力兑现的完整链路。

大脑能力再强，也需要经过本体、控制和场景系统，才能转化为真实行动。单次动作成功不等于完成任务，完成任务也不等于能长期稳定运营。行业里有句玩笑话，说很多公司做 demo 的团队比做技术的团队还多，这往往说明从技术到落地之间还有很大的距离。

从 demo 到进入真实场景、进入生产和交付，中间有巨大的鸿沟。只有当系统持续创造的价值覆盖数据、机器和部署成本，智能才真正成为生产力。具身智能的价值，不只取决于智能需求有多高，更取决于整条链路的生产力形成效率。

▎当前的主要矛盾，是从智能到生产力的三次关键转化尚未同时成立。

第一次转化是从数据到可迁移智能。 真实交互数据昂贵且场景覆盖有限，换一个任务、换一台机器人往往需要重新采集。仿真和合成数据提供了补充，但仿真到现实的迁移仍有鸿沟。如何用更少的新增真实数据获得更强的泛化能力，是行业需要共同解决的核心问题；

第二次转化是从单点能力到稳定系统。大脑决策、本体执行、控制实现、部署适配这四个环节环环相扣，误差沿任务链不断累积。实验室里一次成功的抓取可能是多次尝试中的偶然，产线上要求的是连续数千次稳定运行，还要应对环境变化和不确定性。从单点能力到稳定系统，中间是系统工程的鸿沟；

第三次转化是从任务完成到经济闭环。 即使系统稳定运行，企业还得回答一个根本问题：（机器人）创造的价值能否覆盖数据采集、机器制造和场景部署的综合成本？客户只有在 ROI 明确为正时才会批量采购。替换一个岗位的机器人方案如果比该岗位一年的用工成本还高，规模化就不会发生。

上述三次转化当中，行业在第一次（数据→智能）上的探索最多，仿真数据、强化学习、跨本体迁移等各种技术路线都在试图降低新增数据依赖；第二次（单点→系统）是当前最焦灼的战场，demo 容易但是稳定难，大量公司卡在这里；第三次（任务→经济闭环）则是决定谁能最终跑出来的分水岭。行业正在从单点成功走向系统成功，再走向规模经济成功，但只有三次转化同时成立，行业的规模经济才是可持续的。

▎打通智能到生产力的完整链路，需要遵循三条第一性原理。

第一，具身智能的本质，是用更少的新增真实数据，持续压缩交互经验，形成更多可迁移能力。传统 AI 的训练逻辑是对已有数据做一次性压缩，模型训练完就固定下来了。但具身智能面对的是开放的物理世界，环境在变、任务在变、本体也在变。真正的泛化能力必须来自持续学习，也就是说，模型上岗之后，还要在生产过程中不断获取新数据、持续进化。最终目标是让模型用更少的数据完成训练，更快地适应新场景。最近半年，已经有不少公司开始沿着这个方向探索了。

第二，具身智能的生产力是一个系统输出的结果，而整个系统的性能，取决于它最薄弱的那个环节。大脑决策再精准，本体（手、臂、关节）运动能力再强，芯片算力再高，部署方案再完善，只要任何一个环节存在短板，整个系统在面对真实任务时就会出问题。最终交付的是一套能在客户场景里稳定完成任务的完整系统，单个模块跑分再高也没有意义。全栈自研的门槛极高，绝大多数公司不可能在所有环节都做到行业最优。更务实有效的路径，往往是在关键环节选择与 Tier1 协作，把最核心的能力做深做透。

第三，具身智能的价值兑现，本质上是一道经济账，ROI 是唯一的检验标准。具身智能落地，绕不开实实在在的投入：机器人要生产，数据要采集，现场要部署，这些都是真金白银的投入；而它创造的价值又必须放在 “替代一个工人到底能省多少钱” 这个现实尺度里衡量。所以 ROI 不能等产品做出来再算，必须在最开始就反过来卡住技术路线、产品边界和场景选择。

从智能形成到系统输出，再到价值兑现，目前这三个环节我们都观察到有创业公司在突破。

物理智能复利拐点：经济循环与学习循环的双飞轮

AI 再工业化走进物理世界的核心，是跨过物理智能的复利拐点。

关于这个拐点，我们基于行业观察推导了一个公式，把影响复利的关键要素做了拆解。先放一个总公式进行概括：R = E × S

其中，

R（物理智能生产力复利） 代表的是在单位时间内，一家具身公司可盈利、可复制的物理智能生产力能以多快的速度持续提升。这是衡量一家具身公司长期竞争力的核心指标。

E（经济循环强度） 衡量一次工作能否实现经济性，由单位任务价值（V）与单位完整系统成本（Csys）的比值决定，E = V / Csys。当 E ≥ 1 时，意味着机器人完成一单位任务创造的价值覆盖了硬件、算力、部署、运维、接管与责任的全链路成本，经济循环得以启动。

S（学习循环强度） 衡量一次工作能否让下一次更强，由五个因素共同决定：

1. Q（有效任务量）：客户需要、机器自主完成且能够验收的任务总量；
   

2. F（高价值反馈率）：能够揭示能力边界、完成归因并进入学习闭环的反馈占比；
   

3. L（学习转化率）：同一批有效经验转化为模型、控制、硬件和产品改善的效率；
   

4. U（能力复用率）：一次能力更新能够覆盖机器、任务、本体、客户和地区的范围；以及
   

5. T（经验 - 能力转化周期）：从现场发现问题到新能力完成验证并安全重新部署所需的时间。

把这些变量串起来，可以得到以下公式：

S = Q × F × L × U / T

这里有几个关键点需要展开讲：

关于 Q （有效任务量）和 F（高价值反馈率）： Q 指的是真实、可验收的任务总量。只有真实任务才会持续暴露系统在不同场景下的能力边界。但真正有学习价值的，通常是失败、异常、人工接管、恢复过程以及能够完成问题归因的边界情况，这些才是 F 所衡量的高价值反馈，而非大量重复的成功动作。因此 Q × F 所代表的是高价值真实经验的生产速度。

关于 U（能力复用率）： 如果一次能力更新只能解决某一个客户的问题，那本质上还是项目制；如果同一次能力更新可以跨机器、跨客户、跨任务复制，学习成果才具备规模复制效应。U 的高低，在很大程度上区分了一家公司是只能做项目还是逐步成长为平台。

关于 T（经验 - 能力转化周期）： T 越短，同一单位时间内能够完成的学习循环次数越多。长期看，即使起点差不多，能够持续缩短 T 的公司，也会因为迭代频率更高而慢慢拉开差距。

综上，我们可以拆解出一个更为具体的智能复利完整公式：

R = Q × F × (V / Csys) × L × U / T

如何进一步理解这个公式？

这个公式计算的是 “物理智能生产力复利” 的增长速度，可以把它理解为一家具身公司进化能力的加速度：它衡量这家公司能力增长的速度有多快、能持续多久，而非一天能完成多少任务。

我们可以把公式拆成三层来看：

第一层看 E 是否大于等于 1。 经济循环强度 E = V / Csys，E 的值代表着出一单是否赚钱。如果 E 小于 1，意味着机器人创造的价值还覆盖不了系统成本，每部署一台都在亏钱。这种情况下，规模扩张只会加速失血，复利无从谈起。只有 E 跨过 1 的门槛，公司才有资格谈增长。

第二层看 S 能跑多高。 学习循环强度 S = Q × F × L × U / T，S 的值回答了企业每出一单是否能系统性积累正向经验以赋能下一次订单。Q（有效任务量）决定了有多少学习素材；F（高价值反馈率）决定了这些素材中多少真正有用；L（学习转化率）决定了能从反馈中提炼出多少能力提升；U（能力复用率）决定了这份提升能用在多少台机器、多少个场景里；T（经验 - 能力转化周期）则决定了这一切发生的速度。

第三层看复利是否成立（R = E × S）。 E 和 S 是乘法关系，公式要求两者必须同时起作用，哪个环节掉链子，整个链条都跑不通。一台机器能赚钱（E 高），但学了之后能力不复制（U 低），S 就上不去，复利无法形成；能力迭代很快（L 高），但场景太小、Q（有效任务量）不够，S 同样受限。只有当经济循环和学习循环同时运转、相互增强，机器产能才会不断在交付的过程中不断提升整个系统的能力。

具体来看：

• E 高，但 L、F 偏低：机器能赚钱，但不会持续变强，这是可盈利的传统自动化设备生意；

• L 高，但 E 小于 1：技术持续进步，但规模部署持续消耗资本，这是依赖资本供养的技术循环；

• E、L 均较高，但 U 低：每个客户、每台机器都需要重新适配，这是项目制工程公司；

• 各项能力具备，但 T 过长：学习闭环一年只能运行少量次数，难以形成时间维度上的复利优势。

综上，只有当经济循环和学习循环同时运转、相互增强，机器产能才会从项目制的交付转变为系统性的升级和优化。

这套公式真正想说的是：判断一家具身公司的维度，不能只聚焦于它今天能力有多强，而应该是看它的能力在加速增长，还是已经摸到天花板了。并且更值得关注的是：谁能以更低的完整系统成本获得更多真实任务，并且以更快的速度把真实反馈转化为能力，再把这些能力复制到更大的网络里。

总结一下，一家具身公司如果要形成复利，需要同时回答三个问题：能不能养活自己？能不能越做越好？能不能让进化的速度跑赢规模扩张的消耗？

复利拐点的本质，是经济循环与学习循环的双飞轮。机器人进入真实场景后，如果创造的经济价值已经能够覆盖系统成本，就不再只是“花钱训练智能”：它在完成工作的同时，也会持续产生高价值的真实数据。数据进入学习闭环，推动模型能力提升；能力提升又带来更高的任务成功率和更多经济价值，进而产生新的数据。当这两个循环开始相互驱动，物理智能才真正进入复利增长区间。

在跨过拐点之前，行业基本是靠研发投入在养智能。企业花大量力气采集数据、训练模型，钱主要烧在数据上。但问题是，数据采集本身并不创造经济价值，智能每向前一步，都需要新的资金持续投入。

一旦跨过拐点，整个逻辑就变了。机器人一边工作、一边创造价值，也一边生产新的真实数据；这些数据反过来优化模型，模型能力的提升又进一步提高任务成功率和工作效率。从烧钱堆数据走向在生产中挣数据。这就是复利拐点的实质。

围绕如何更早跨过这个拐点，不同公司虽然选择了不同的切入方式，但都在尝试更早建立这套循环。有的在能力还没有完全成熟时就先进入场景，依靠更强的持续学习能力，在真实反馈中快速迭代；有的先通过半监管方式完成部署，再随着能力提升逐步减少人工介入；还有一些公司从一开始就把商业交付和数据采集放在同一个场景里完成。路径不同，但目标一致：让智能的提升尽可能发生在创造经济价值的过程中，而不是在实验室里。

▎物理智能的学习速度由数据生产效率和质量、数据利用效率、受控自进化的速度这三个因素共同决定。

第一是数据生产效率和质量：好数据是学习的前提。它必须 “新”（模型当前能力边界之外）、“准”（能反映真实物理世界的因果规律）、“通用”（能跨本体复用）。如果数据来源单一或质量参差，模型训练的效率会大打折扣，需要更多轮次、更长的周期才能达到同样的能力水平；

第二是数据利用效率：同样一份数据，能从中学到的信息越多越好。数据增强、对比学习、跨任务迁移等不同技术路线都在围绕这个问题做优化。数据利用效率高，意味着有限的数据能支撑更多的能力泛化，学习速度自然更快；

第三是受控自进化的速度：这是影响学习速度的长期变量。如果模型在部署后能持续从真实场景中获得新数据、自动迭代能力而不依赖人工干预，那么它的学习速度就能保持指数级提升。反之，如果每次能力更新都需要人工采集数据、重新训练、人工验证再部署，学习速度就始终受限于人的节奏。

三者叠加，决定了物理智能从单一执行任务到一边做事一边成长的进化速度。

▎机器产能复利的速度由可持续经济性、有效学习速度、能力复制规模的乘法关系决定。

可持续经济性指的是工作不仅能覆盖系统成本，还能产生可再投入的经济盈余。这是复利启动的前提条件。如果每部署一台机器人都在亏损，规模扩张只会加速失血，复利便无从谈起。

有效学习速度指的是真实场景中的经验，多快能够转化为经过验证的、可部署的能力更新。学习速度决定了复利的斜率，转化越快，系统迭代周期越短，智能水平提升的节奏就越紧凑。

能力复制规模看一次能力更新，能够覆盖多少台机器、多少类任务、多少种本体、多少个客户和场景。复制规模决定了复利的覆盖半径，如果每次更新都只能服务单一场景，能力的边际成本就降不下来。

这三者是乘法关系，任何一项接近于零，复利都会被截断。只有经济性没有学习，会形成可盈利但线性的设备生意，能赚钱，但无法持续进化；只有学习没有经济性，会形成依赖资本持续供养的技术循环，技术很先进，但商业上无法自持；经济与学习都有但能力不能复制，则停留在项目制交付，做一单是一单，无法规模化。只有三者完整具备，才是真正的顶级具身公司。

大脑路线尚未收敛，本体走向平台化，Tier1 机会显现

从2024年至今我一直在讲，大脑路线还没有收敛，而这背后有几个层面的原因：

在架构层，行业经历了从 VLA 到世界模型、从物理交互到具身决策的快速演进，分层架构和多尺度智能也在不断涌现。不同团队在吸收不同技术要素，试图让大脑具备更强的规划能力；

在 Scaling 层，跨本体异构学习和多源异构数据成为焦点：不同视角、不同本体产生的数据如何协同，决定了智能能否跨本体规模化复制；

在学习范式层，自学习和自进化正在成为新方向，即在真实场景中决策、在场景中迭代，直接决定了系统迭代和能力转化的周期。

长期来看，智能（大脑）层面的核心竞争力归结为几个问题：能否跨本体复用？能否用更少的新任务数据完成新任务？能否建立更好的开发工具和评测标准？能否缩短经验到能力的转化周期？

▎本体决定智能的物理能力边界，也决定成本、可靠性与平台生态。

本体公司正在出现四大演化趋势：

第一，标准化开放平台，做开源生态，降低行业准入门槛，比如 L2F 光源创业者基金 Portfolio 中的萝博派对就是走这条路线；

第二，专业场景解决方案，面向特定行业提供完整方案，聚焦客户付费意愿最明确的场景，比如由光源 3i 产业创新孵化器孵化、L2F 光源创业者基金投资的光象科技；

第三，全身能力平台，覆盖从运动控制到任务规划的完整能力栈，比如 L2F 光源创业者基金 Portfolio 中的至简动力、真保科技等；

第四，软硬一体产品公司，将大脑、本体、产品体验做纵向整合，比如银河通用。

上述这些趋势指向同一个方向，即本体正从单一的硬件载体，演变为连接大脑与场景的枢纽。它解决的核心问题是：进入场景后如何产生更多有效任务量，如何获得更多经济收益，如何提供更好的一致性和复利效率。本体是智能进入物理世界的关键枢纽，它决定了智能的上限能在多大程度上转化为真实的生产力。

我们再看上游供应链。

▎脸、手、臂、计算，正在从零部件走向机器人的 Tier1。

Tier1 交付的是一个完整功能。

脸是机器人社会交互系统，涵盖通用模型、语音交互、精密电机和电子皮肤，同时与审美高度相关。臂是空间执行系统。在干活场景和数采场景中，同一套臂采集同样的数据、进入同样的场景、训练同样的模型，因此臂会逐步演变成从训练到执行一体化闭环的生态。手是精细操作系统。相当高比例的任务需要通过灵巧手完成，动作的多样性和复杂性决定了手和模型往往是一体的，这会推动手演变成手脑一体的操作技术平台。

在计算方面，国产具身芯片一定会崛起，而且这种崛起不仅限于芯片本身，还会催生配套的开发平台，与模型架构和工具链深度耦合，有机会诞生具身时代的 “英伟达”。

上述这四个环节都有机会诞生大公司。

如果把视野拉长到整条产业链的上游，国内活跃的具身公司有数百家，但真正在这四个环节中跑出来的公司目前可能不到 10 个。下游公司越多，对上游功能系统的需求就越集中，每一家本体厂商都需要臂、手、计算和脸，但能够把这些能力做成标准化、可规模交付的 Tier1 ，数量极为有限。如果未来行业进一步整合，上下游的比值会更加悬殊，上游机会巨大。

成为 Tier1 有五个门槛，我们逐一拆解一下。

首先是软硬一体。不能只做硬件或者只做软件，必须有能力把两者深度耦合，因为机器人最终的稳定运行依赖的是系统整体的协同，纯靠模块堆叠远远不够；

第二是内部系统足够复杂，能处理多环节耦合问题。Tier1 面对的是一整套子系统之间的协调，包括感知、决策、执行、反馈，任何一个环节出问题都会影响整体输出；

第三是承接完整功能，对环节的输出结果负责。Tier1 需要交付一个可独立运行的完整功能，比如一只能稳定抓取的手、一套能自主导航的移动系统。客户要的是开箱即用的结果，而不是需要自己拼装的半成品；

第四是能力可跨本体复用。说得是这套系统能够适配厂商、形态、尺寸都不同的本体，否则只是单纯适配某一款特定的机器人的话，市场规模做不大；

最后是可规模交付。技术可行还不够，还需要商业可行。Tier1 的产品必须能够以可接受的成本大规模制造，做到标准化部署过程，以及售后维护拥有可复制性，这样才能真正进入产业链的主流位置；

这五个条件缺一不可。

再归纳一遍，Tier1 的意义在于把一项机器人能力做成可复用、可规模交付的完整系统。拿臂为例，如果一家公司能把臂的空间执行能力做成标准化、跨平台可适配、即插即用的系统，不依赖特定本体也不需要大量现场调试，部署后能稳定运行，它就具备了 Tier1 的核心价值。这种能力一旦建立，下游本体厂商可以直接调用，而不需要每一家都从头自研。

从 Tier1 到平台，我们关注四个维度。

第一看能否提高下游产品的价值量。本体用你的系统和不用你的系统，价值差异有多大，直接决定了你在产业链中的议价空间；第二看替换成本是否足够高。如果 Tier1 的系统和上游模型训练深度耦合，或者和下游数据采集强相关，本体厂商换掉它的代价就会非常大；第三看是否形成复用复利。一套能力能否同时为多个本体、多个客户、多个行业服务，决定了边际成本能否持续下降；最后看是否掌握接口和生态。

综合上述这四个维度来看，最有价值的 Tier1 应该是掌握了完整功能、具备跨本体复用能力、能逐步定义接口和生态的平台型公司。一旦形成平台效应，它的护城河就来自整个生态对其系统的依赖。

▎具身数据具备投资机会，但独立壁垒不再来自静态数据存量。

现在具身数据来源越来越多元，互联网视频、仿真合成数据、强化学习、真机数据，供给充足且持续增加。单靠 “囤积大量数据” 已经构不成壁垒，因为数据源足够丰富且开源。真正稀缺的是三类数据：模型还不知道的数据、能基于不同版本产生对比结果并且可归因的数据、能跨本体复现的数据。

评判一家数据公司的核心在于复用范围和解决问题的能力。它要能证明自己能直接改善模型训练结果，而不只是提供数据原料。真正可能独立做大的公司，需要能够控制数据如何转化为训练、评测、验证和能力改善的全链路，成为物理智能学习的基础设施提供商。

最终赢家：同时拥有学习规模与工业规模

▎最终赢家要同时拥有学习规模与工业规模。

长期竞争力的基本公式可以概括为：学习规模 × 工业规模 × 价值留存能力。

学习规模包含几个维度：有效生产经验数据的效率、学习转化率、迭代速度，以及跨机器人、跨任务、跨本体的复用范围。一个公司如果能在更短的时间内从更少的真实数据中获得更强的泛化能力，它的学习规模就越大。

工业规模涵盖硬件可靠性、系统成本、量产一致性、部署运维能力、客户复购率与全球服务网络等。具身智能最终要交付的是能够稳定运行的物理系统，而不是一套可运行的代码。工业规模决定了这套系统能否以可接受的成本被大规模制造、部署和长期维护。

价值留存能力则是模型、数据权、接口标准、核心部件制造能力、收入与毛利结构、客户关系与服务网络等，这些要素决定了公司在产业链中占据的位置，以及在复利增长过程中能把多少价值沉淀下来。

三者之间是乘法关系。只有学习规模、没有工业规模，智能会被困在实验室里。模型再强，缺少可靠的硬件、量产能力、部署方案和客户服务，就无法在真实场景中兑现为持续工作。只有工业规模、没有持续学习，规模反而会放大问题，比如人工支持成本、售后维护费用、产品缺陷率与客户定制需求等，可能随着装机量同步增长，反过来吞噬利润。当一家公司同时不具备学习和工业两方面的规模优势时，它在产业链中的地位就难以持续稳固。

最终的竞争，比拼的是能否将一套持续学习的能力，完整地封装进一套可规模交付、可长期运行的工业系统中。竞争对手可以复制单一功能，但很难同时复制学习规模、工业规模和价值留存的组合。

▎中国最大的机会，是把产业密度转化为复利速度与全球产品能力。

中美两国的具身智能的竞争格局与语言大模型有所不同。美国在基础技术模型、AI 芯片、云平台、顶尖人才和风险资本方面确实拥有先发优势。但具身智能的技术扩散窗口比语言大模型更短，核心技术尚未完全收敛，中国与美国的整体差距明显小于 2023、2024 年时语言大模型领域的差距，这意味着中国在这波浪潮中，具备与全球同步起步、甚至局部领先的可能性。

与此同时，中国在具身智能赛道拥有一组差异化的结构性优势。

供应链方面，从精密减速器、关节电机到传感器、计算芯片，中国已形成全球最完整的机器人硬件供应链体系。这种供应链的完备性意味着开发新本体可以快速选型和试产，不用再苦苦找寻供应商，从而显著缩短了产品化周期。

工程师红利方面，中国持续产出全球规模最大的工程人才梯队，能够支撑从研发、制造到部署运维的完整人才需求。

场景方面，中国拥有全球最丰富的真实工业制造、智慧物流、电力巡检、家庭服务等应用场景，超过任何一个单一经济体。场景的丰富度决定了数据来源的广度和验证闭环的速度，这是建立学习规模的天然基础。

超大规模统一市场则意味着：一套经过验证的产品方案，可以在国内快速复制到相似场景中，边际成本快速摊薄，这是建立工业规模的外部条件。

此外，从国家到地方的多层产业基金和政策工具，为长周期的硬件研发和场景部署提供了持续的资本支持，弥补了市场化资本在早期阶段的耐心不足。

这六项优势叠加在一起，构成了中国在具身智能赛道独特的工业规模底座。中国完全有机会以工业规模为起点，在持续迭代中逐步建立学习规模优势，最终将两者融合，成为全球物理智能的高地，既能快速制造、也能快速进化。

未来 3 年：从拼交付到产业分化与整合

对未来 3 年的行业走向，我们有三个时间节点的判断。

• 
  

  12 个月：从拼概念、讲故事到拼交付。 行业将加速分化。那些在真实交付中产生物理智能正向循环、开始提供正向经济价值的公司，与停留在演示阶段或依赖持续融资的公司之间，估值差距会显著拉大。市场将不再为技术概念本身支付溢价，而是开始为可验证的商业结果定价。

• 24 个月：ROI 可验证的任务批量出现。 高频验收清晰、成本可控、ROI 明显大于 1 的工作场景将成为行业共识。复制成本将随着部署经验的积累指数级下降，自进化和自迭代成为行业通行的基本逻辑。机器人的成长曲线会高度拟合于人的成长路径，它像一名新员工，从基础的通用智能起步，经过场景优化部署逐步变为行业专家，但进化速度远超于人。

• 36 个月：产业链整合开始。 大脑公司与本体公司之间将出现横向整合，核心部件领域将跑出集成子系统的优秀公司。具身领域的富士康和具身领域的英伟达会初具雏形。模型、数据、部署、制造纵向一体化的企业将出现，Tier1 巨头的雏形开始显现。

届时，行业将首次清晰地区分出三类公司。一类是展示技术的公司，原型好看但无法规模化；一类是线性卖设备的公司，有收入但缺乏持续的学习进化能力；还有一类是能够形成物理智能复利的公司，它们同时具备学习规模和工业规模，每一次部署都在为下一次迭代积累数据和能力。

行业的下一阶段，所有关键动作本质上都是为了推动复利拐点左移。

这需要六类要素的系统导入：给创业公司导入客户和产业资源，帮助它们获得真实场景、订单和数据；持续投入资本，保证长周期的研发和部署有足够的资金支撑；通过横向整合，将分散的团队和企业整合成更有竞争力的组织；通过纵向一体化，打通从模型到制造的完整链条；导入全球化资源，让产品能力走出中国市场；获取政府和公共资源的支持，为基础设施建设提供政策保障。

一级市场从业者和创业公司应该共同推动这六类要素的导入，帮助创业公司更早跨过复利拐点。

产业跨越拐点，需要要素的系统性组织

跨越复利拐点，需要的除了单个环节的突破，还有多种要素的系统性组织。

场景侧，需要产业龙头开放真实生产环境，提供可验证的部署场景和反馈数据；资本侧，需要长周期、有耐心的资金支持硬件研发和场景部署的持续投入；技术侧，需要创业者持续推进大脑、本体和关键部件的技术迭代；政策侧，需要政府和公共资源为基础设施建设和行业标准提供保障。四个环节缺一不可，任何一个环节的滞后都会拖慢整个产业的复利拐点。

光源的角色，正是在这套系统中承担要素组织的职能。我们通过通过 3i 产业创新孵化器帮助科学家和创业者完成从技术到商业的 0 到 1 跨越，通过 L2F 光源创业者基金为早期创业者提供资金与产业经验的双重支持，通过 FA 业务帮助创新企业对接资本与产业资源。三套工具的分工各有侧重，但指向同一个目标：让创新要素更快地进入产业，让产业需求更高效地反哺创新。

技术在开拓边界，资本在汇聚力量，产业在创造规模。这个浪潮需要创业者、科学家、资本市场从业者、产业龙头同向而行，共同推动物理智能生产力跨过拐点！

1