北京人形则瞄准脏污、繁重、高危的特种作业需求，依托自研的具身天工人形机器人整机技术体系与慧思开物通用具身智能平台，推出覆盖商业服务、物流分拣、泛电子工业、能源巡检和计量检测的成套解决方案。

傅利叶则首次带来面向居家陪伴服务的具身智能全链路技术Demo——傅利叶“具身之家”技术解决方案，GR-3成为智能管家助手，完成从居家安防、物品取送，到生活陪伴、访客接待等一系列任务。

与此同时，随着技术泛化和成本的逐步下探，机器人进入个人与家庭消费市场也初露苗头，只是与工厂和零售门店相比，各家在消费市场选择的切口明显不同。

图片来源：上纬新材

上纬新材旗下启元机器人T1在WAIC期间完成首秀，主打的是形态。这款个人机器人可在轮足人形与四足形态间自主切换，室内安静移动，户外应对草地和台阶，还能联动运动相机完成跟拍。

松延动力押的则是价格和情感，万元级的Bumi小布米在展台上多机群舞，新品仿生机器人小月靠眼神跟随和表情回应与观众互动。

不过，要让机器人真正胜任这些多种多样的场景，仅靠硬件还远远不够。无论是进厂打螺丝，还是在家做管家，各家厂商都面临着一个共同的瓶颈：机器人必须适应未知的真实环境，这极度依赖模型的泛化能力，而泛化能力的基石则是海量数据。

解决这一痛点，正是本届WAIC展馆中另一群新兴玩家的使命。

数据和世界模型成为独立生意

今年的WAIC上，除了热闹的本体厂商，专门从事世界模型研发、数据采集以及核心零部件供应等领域的企业也开始成规模地设立独立展台，标志着具身智能产业链正加速细分与聚集。

王晓刚在接受界面新闻等媒体采访时表示，当前行业真正欠缺的是机器人在未知场景中的泛化能力，很多惊艳的Demo仍是在预先设置好的特定任务中完成的，一旦进入真实生产生活场景，机器人就会遇到大量从未见过的情况。

地瓜机器人CEO王丛在接受界面新闻等媒体采访时指出，今年算法泛化能力的提升，并非源于某项颠覆性的技术突破，而是因为行业在数据积累、对齐和治理等基础工作上做得更扎实了。

他以自动驾驶类比，行业起步做数据采集时也没有成熟的量产车，摄像头怎么装、配几个雷达都没有标准，第一批采集的数据很多都废掉了。在他看来，具身智能同样会经历这个阶段，“废掉几波数据、走几次弯路，自然会形成可行的落地路径”。

换句话说，算力和算法的上限目前很大程度上是由高质量数据的规模决定的。

姚卯青表示，目前，行业都在等待GPT时刻，但这需要一个全社会动员的系统化工程。他透露，今年其数据积累目标接近1000万小时，并希望把各行各业各种技能的数据收集起来为AI所用，“只有真实世界的数据，才能最好地描述物理规律”。

图片来源：智元

VLA与世界模型两种技术路线之争仍被业内关注。

在王晓刚看来，VLA与世界模型短期会协同存在。世界模型尚未完全成熟时，VLA对于确定性较高的任务学习速度更快、执行确定性更强，是世界模型的有效补充；世界模型则更擅长长程复杂任务的理解与分解。

不过，他认为，随着数据规模扩大，世界模型将逐步吸收VLA的能力，最终走向大一统的基座模型。

这种路线的演进，直接关系到机器人大脑的“逻辑推理”上限。

香港科技大学计算机科学与工程系副系主任郭嵩在接受界面新闻记者采访时指出，相比于自动驾驶，人形机器人需要跟复杂的物理世界交互，不仅要有小脑的控制闭环，更需要大脑具备长程的逻辑推理能力，能理解人的意图并完成清理桌面等连续性任务。

他认为，未来的方向是模拟器（指世界模型）与规划器（指VLA）二者合一，将仿真能力纳入到VLA动作能力中打通智能传递链路。

安谋科技市场及生态副总裁梁泉从芯片部署落地的角度补充表示，VLA模型目前结构相对稳固，在特定场景下已经跑通了闭环，是当前最能直接落地到国产芯片上的务实选择。这也是其与香港科技大学围绕VLA模型开发与部署展开进一步深化合作的初衷。

他的观点是，相比于还在快速演进中的世界模型，VLA能够帮助产业链更快地建立生态和商业正循环。

此外，姚卯青认为，目前行业里的营销词汇偏多，大家都喜欢给自己的技术贴上新颖的标签，VLA和世界模型其实都只是产品形态的描述，而非技术本质。剥开名词，机器人真正需要的是一个物理世界里的多模态大模型，能接收文本、图像、视频和力学信息，输出动作、规划以及对未来画面的预测。

他认为，真正的分水岭在于，这个模型的结构和训练必须围绕千万小时量级的具身原生数据从头设计，而不是在娱乐性质的视频生成模型或图文问答模型的基础上改造而来。

对高质量空间数据的渴求，直接催生了全新的基础设施生态。为了弥补数据缺口，从前端的数据采集硬件到后端的模型训练架构，围绕着这套全新的数据基础设施，行业内的玩家们已经开始跑马圈地。新玩家们卡位的，是数据链条上各不相同的环节。

模型端的X-Era Lab在本届展会上展示了一台会系鞋带的机器人，来呈现其原生世界动作基础大模型应对柔性物体和长程任务的能力。该公司透露，其已积累千万小时级的4D数据，通过海量真实交互数据对模型进行预训练，赋予机器人更强的通用操作泛化能力。

在采集端，京东则从数据基建入手，展示其自研的JoyEgoCam头戴式数据采集设备以获取第一视角作业数据，同时开源了行业最大的人类第一视角数据集EgoLive，试图构建覆盖全链路的具身数据基础设施。

硬件供应商则把传感器本身变成数据入口。速腾聚创发布了第二代全固态感知平台E2，试图通过高精度的数字化激光雷达，在机器人移动和操作过程中同步生成高质量的三维空间数据，直接将底层传感器打造成物理AI的数据入口。

感知的拼图也不止视觉。今年首次参展的一目科技则专注于视触觉（Vision-based Tactile）技术。一目科技创始人兼CEO李智强在接受界面新闻记者采访时表示，目前，触觉数据稀缺、模态对齐能力弱仍是行业当前的主要卡点，但过去半年从业者对触觉价值的共识正在快速形成。

在他看来，真正的突破依然需要依靠具体场景驱动，在实际落地中积累高质量的数据闭环，从而补齐具身智能的“最后一块拼图”。

图片来源：一目科技

细化的分工同样延伸到了交互层。今年首次参展的模思智能，展出了可在视频持续输入时作答的实时视频理解模型MOSS-VL-Realtime，以及多说话人长音频转写模型；心言机器人巴布Bubbo 1通过多传感器融合感知用户的声音、动作和距离，结合持续互动的记忆，判断是否回应、以怎样的方式参与。

也有公司试图把细分出来的能力重新拼成通用底座。已在汽车、3C电子等工业场景规模化部署的梅卡曼德，以“一脑多形”的思路将感知、理解、规划和执行能力配置到人形机器人、工业机械臂、移动机器人等不同构型上，并首次公开展示了新一代Mech-Hand多指灵巧手。据其披露，相关产品已在全球累计部署超过2.7万套。

随着产业链的精细化拆解，本体厂商与这些深耕数据、模型、感知等领域新玩家之间，正形成一种微妙的共生与竞合关系。

万彬则向界面新闻记者判断，有的公司能自己形成数据和模型的闭环，有的需要用生态方式补齐，分工会让更多参与者以更低门槛进入行业，未来既会有软硬一体的路径，也会有开放集成的路径，但最终的检验标准只有三条，产品有没有用、能不能可靠运行、能不能算得过来账。

乔鑫认为，未来的行业格局将是“术业有专攻”，数据采集与模型训练交由专业公司负责，本体厂商则专注打磨本体与行业应用，最终形成繁荣的上下游生态链。

对于这套生态何时能酝酿出真正的技术爆发，乔鑫表示，行业目前正处于大小脑协同的临界点，虽然捅破这层“窗户纸”可能需要3到10年，但以中国目前的产业迭代速度，“3到5年内就可能会有一个非常成熟的答案”。

归根结底，无论是深挖场景还是死磕数据模型，具身智能发展到当下，其最终目的已经不再只是单纯的技术验证。

彭志辉在接受界面新闻等媒体采访时表示，具身智能从业者既要保持饱和式的科技前沿研发投入，更要坚持科技向善、以人为本。

“我们要把产品和算法应用到真实为社会服务的场景中，既要仰望星空勇闯无人区，也要脚踏实地干活，”彭志辉说，“技术最终的归宿，始终是服务社会。”