机器人涌向WAIC，量产成决胜关键

具身智能的新气象

WAIC场馆外的电闪雷鸣，恰似地球生命初诞生之态，点燃了具身智能这一新生物种的探索热情。

还没踏入世博展览馆，周边路口就已能看见人形交通机器人在车流中引导方向，仿佛预示着本届WAIC，具身智能将唱主角。

参展数量惊人地证明了这一点。今年具身智能赛道的参展商数量较去年激增，从80多家跃升至200余家，占据了全部展商的五分之一左右。展出的真机超过300台，各式机器人吸引了无数观众驻足。

穿梭于场馆之间，最直观的感受便是人头攒动，热闹非凡。

宇树在展台中央搭起打擂台，两台人形机器人上演了激烈的MMA对决，拳拳到肉，零件散落一地，现场观众呼喊声此起彼伏。加速进化也搭建了迷你足球场，借世界杯热潮上演机器人足球赛。松延动力的展示则更为直接，邀请观众尝试"踢"机器人，结果机器人只是微微后退几步，平衡性令人惊讶。

赛博风格的场景也比比皆是。一群coser牵着机器狗在展馆内漫步，突然遭遇一只双腿短小、顶着卡通大头的"豆脚"机器人，它不仅走着走着劈叉，甚至动作颇具魔幻色彩。

光锥智能敏锐地察觉到，今年具身智能的发展趋势已经发生明显变化。

虽然目前仍有一些"表演"性质的性质，但更多企业已将重点转向具体的"上班场景"。

汽车线束产线、仓库、药房、零售货架、洗衣房、家庭客厅……这些真实场景被1:1复刻到展馆中，各类不同构型机器人在内流畅执行长程任务。机器人不仅开始要求"干活"，干活场景也呈现出分化趋势。

与此同时，具身智能大脑技术路线也清晰呈现新变化。

此前反复强调的VLA与世界模型之争，在今年展会上似乎销声匿迹。取而代之的是，通过Agent调度原子化技能、实现"一脑控多机"、精准完成标准化任务的模式。

具身智能行业仍未解决数据难题。

真机数据依旧是行业普遍面临的困境。许多展示都是依托于提前到场连夜采集数据、现调试的模型。这意味着现阶段的数据量尚无法让模型快速适应不同场景。因此，提升模型泛化能力，仍是最直接的商业模式门槛。

2026WAIC的具身智能需要时间成长，但留给行业玩家的时间已不多。

当前具身智能行业的出货主要集中在教育科研和数据采集等领域，这些远未达到成功的商业化标准。在过渡性需求结束之前，市场期待看到谁能真实为场景创造价值。

2026年，机器人将迎来直接"打工"的最佳时机

工作，是今年具身智能演示的核心要义。按照场景在展馆游览一圈，会发现各厂商机器人的"职业分工"已相当细致。

工业是今年密度极高的场景，分工也更加细化。

针对分拣环节，极智嘉直接将一个小型产线搬进了展台，人形机器人Gino 1负责从物料箱中抓取商品。无论是形状各异的薯片、面包，还是外形不规则的毛绒玩具，Gino 1都能准确无误地抓取。

Gino 1不仅能独立抓取货物、搬运物料箱，与移动机器人、专用工作站组合后，还能形成自动化编组，自主完成从拣选、搬运到投递的全流程作业，且具备一定的抗干扰能力。从交付逻辑看，极智嘉似乎不只是证明单机器人的强大，而是着力提供提升整条产线OEE的系统方案。

将产线复刻到展馆的还有艾普特。其A1机器人负责汽车线束插接的精细工作。柔软线束稍一触碰就会变形，且容易缠绕，A1必须实时调整抓取策略，完成亚毫米级的孔位插接，一旦失误整个流程都需中断。

这类高精操作在场馆内还有很多类似演示，颇具看点。

在传统VLA机器人感知框架里，视频输入存在帧数限制。机器人"看到的可能并非最实时画面"，导致输出可能存在几毫米误差，这是常态。这也限制了机器人处理精细活的能力。现在，厂商已解决了这个问题。

除了分拣和高精度操作，重载方向也有厂商押注。智元与京东物流联合推出的安规级重载具身机器人精灵G2 Max，现场单手就能举起15公斤哑铃，未来计划部署于京东物流"智狼仓"承担重物搬运。银河通用的重载人形机器人Galbot S1，能完成拆垛、搬运和码垛，单箱最高50公斤，每小时处理80至90箱，续航约10小时。

虽然这些机器人执行的并不复杂，单小时效率尚不如人工。但重物搬运场景使用机器人的优势已开始显现，机器人不再只是"摆设"，还能持续长时间作业。

工业场景被认为是具身智能最先实现"工作"的地方。但本次WAIC上，面向消费者的零售和服务场景同样释放出"就绪"的信号。

蚂蚁灵波的展位呈现真实药房场景，有人在线上下单，不到一分钟，机器人就完成接单、取货、放药上柜台等一系列动作。现实中，下一步将是等待骑手取走药品。这套方案已在国大药房上海门店落地，并对接了外卖平台。

更有意思的是，展位内三台不同构型的机器人，分别来自乐聚、星尘智能与蚂蚁灵波，造型各异，却都共用LingBot-VLA 2.0这一大脑。类似"一脑控多形"、"一脑控多手"的架构，普渡和机器科学等也在展示，似乎已成为今年主流选择。

在一个模拟超市的展台，银河通用的Galbot G1机器人正在帮人烤面包片、倒咖啡。现场无论工作人员如何干扰，比如临时挪动杯子位置、用手遮挡杯口，机器人都能重新寻找目标或暂停动作。据光锥智能了解，其自研大模型"银河星脑"已装机于三类机器人，能完成3至5分钟的长程任务。

能自主执行长程任务，已成为了这次WAIC上展示干活能力的标配。

智平方的AlphaBot 2，能现场调制鸡尾酒，制作各种饮料；优理奇的保姆机器人能做手磨咖啡、烤披萨，这些都不是单一短动作，而是由多个步骤组成的复杂任务。长任务的核心价值在于，机器人对任务的理解能力和执行能力得到了质的飞跃。相比短任务的"程序化"、"模式化"，执行长任务才算真正"办事"。这意味着，未来人可以把更多完整任务交给机器人处理。

种种迹象表明，今年具身智能的变化已相当明显。

2025年，机器人在工业场景执行的任务只是"拧螺丝"和分拣，在ToC场景无非是"做咖啡"和"取物品"。今年机器人能处理的东西更多，能应对的场景更复杂，一个大脑开始控制不同形态的多台机器人，长程任务也不再是少数展台的特例。打工场景正从"能做一些动作"转向"能承担一类工种"，工业、零售、服务之间的分工也日益清晰。

这一切都指向一个目标，让机器人深入具体场景，变得更加实用。可以看出，具身智能行业已到了商业兑现的门槛。但从"动起来"到"用起来"，仍存在巨大差距。

泛化能力是模型最重要目标

参观时很容易感受到，今年机器人在行走、奔跑、抓取、搬运等动作上已相当流畅。但真正决定它们能否派上用场的，是如何理解物理世界、如何自主决策。这些能力，依然受困于数据与算法瓶颈。

今年，光锥智能发现，过去具身智能大脑模型的端到端叙事逐渐式微。

前两年具身行业谈论必提端到端，描绘得非常美好。类比自动驾驶，机器人也能用单个模型从识别图像到输出动作，中间无需转换。但在今年WAIC现场，长程任务几乎全部采用Agent-based的分层架构——上层用单个Agent负责调度和任务理解，下层则是被分解的原子化技能模块。

所谓原子化技能，就是将抓、放、插、堆、折等任务抽象为标准化技能模块。大模型先理解指令和上下文，再由Agent根据当前任务组合不同的技能模块。

这一模式兴起的背景在于，业内发现端到端虽然出现Scaling Law的信号，但并不代表马上能用。一旦换到新环境，需要大量专家重新训练，验证，耗费数月调试。而原子化技能是基于已有技能做适配，无需从头训练，部署周期可大幅缩短。更重要的是，当同一模型应用到其他本体上，这些技能可以复用。

展览上，光锥智能见到艾普特、普渡、原力灵机等厂商都在采用类似思路。例如原力灵机的机器人搭了"积木长城"，过程就是机器人持续执行由特定工序组成、可循环的工作——从识别积木颜色与形状，到规划抓取姿态与放置位置，再到逐层堆叠成型。

但是光锥智能感觉，新方案在某种程度上是某种"放下执念"。

当前具身领域普遍认可的思路，仍是"大脑小脑"架构，大脑负责"智力上限"，小脑负责具体调度执行。Agent-based有点像回归到规则时代的智驾，机器人看到一个物体，就输出需要操作的能力。从表现上看，它确实提升了场景和能力的泛化性，能不需要场景重训，能"无视"机器人本体差异。

但这条路逻辑清晰，更像是在当前数据与模型能力约束下的选择，不太可能通往"通用具身智能"终点。

关于具身模型训练环节，真机数据依然是行业共同难题。

截至2026年初，全球高质量真实物理交互数据总量约50万小时，仅及大语言模型训练数据的两万分之一。"在数据上需要大量积累，这是大家今年很强的共识。"智元合伙人、高级副总裁、具身业务总裁姚卯青指出，要达到高阶智能，真实物理世界的数据量级需达到亿小时级别。

为解决数据难题，行业主要有两大路径。

第一个是降低真实数据采集成本。智元拓展了无本体数据采集体系，即人通过手持、穿戴设备在真实场景中操作，同时记录动作轨迹、视觉和交互，再迁移到机器人模型训练。为此，智元推出轻量化作业和数据采集平台G2Air，这是一款7自由度机械臂，与自家采集设备原生同构，旨在最大限度复用无本体采集的数据，让这些数据能更好地衔接模型训练。

多数灵巧手展台上都能见到同构采集手套。戴上后，灵巧手会同步执行相同动作。除了销售采集设备、提供方案，某种程度上，这也是在降低开发者采集难度，以便建立数据回流通道。

第二条路是仿真先行，再用真机数据微调。比如苏度科技就偏爱这种做法，用物理仿真引擎在虚拟世界批量生成数据，先将机器人基础操作能力提起来。但仿真与真实世界之间存在迁移差距，所以模型训好之后，还需用真机在不同场景和任务中运行，用真实数据持续修正、打磨。

数据路径差异化后，光锥智能注意到，今年行业在单纯VLA还是世界模型上的争论已减少，现在基本都是混合路线。

各家都在探索其他可能。例如蚂蚁灵波的LingBot 2.0模型系列，就包含具身原生世界动作模型 LingBot-VA 2.0和具身基座模型 LingBot-VLA 2.0；千寻智能采用的是VLA+世界模型融合架构；智平方走"皮层-小脑-脊髓"的类脑路线；机器科学则推出了新架构VLOA，中间的"O"代表物体连续运动的3D点云轨迹，可描述物体在任务中的位置、姿态、形变和接触关系变化。

而极智嘉的双脑协同架构中，负责行动的小脑Gravity 4D具身模型扩展出二维视频预测能力，据称可预判风险后生成稳妥的连续动作序列。这显然也融合了世界模型特征。

当谁都无法确信机器人的最终形态时，将智能与硬件解耦、让同一套能力跨本体复用，正是行业不被数据困住、迈入下一阶段的通行证。

量产竞争之际胜负已分，生死将现

真实世界的入场券并不好拿。

去年，具身行业玩家们就高喊量产和商业化。但实际表现，确实不尽如人意。

据新战略咨询数据，2025年国内具身智能机器人出货中，科研教育仍是最大需求场景，占比42%，数据采集占19%，而真正用于产生商业价值的工业及物流，仅占4%。

这意味着，撑不到真实应用市场爆发的玩家，将在这一阶段被淘汰出局。

要跻身真实应用市场，仅证明能干活还不够，关键在于规模化量产能力。2026年作为具身智能的"量产元年"，产能已成为明显分界线。

IDC数据显示，2025年全球人形机器人出货量接近1.8万台，智元、宇树以5000台量级位居第一梯队，其中智元在2026年3月底迎来第10000台机器人下线；乐聚、加速进化、松延动力处于千台级的第二梯队；其余厂商大多百台量级，或只有样机。

但今年，不能再这样了。

去年厂商只要能拿出Demo、让机器人动一动就算达标。今年，越来越多厂商将实现大规模量产作为重要目标之一。宇树年产能规划已达19万台；优必选将2026年出货目标上调至5000台；刚拿下某前置仓大客户，号称握有3亿订单在手的零次方，一边联系外部代工厂、一边寻找可靠供应商，借WAIC为扩产搭桥。

需要承认的是，当前阶段，科研教育、数据采集这样的过渡需求依然存在，但这终究不是终极场景。量产不只是把货卖出去，还要看卖到哪，是否有价值出货空间，是否可实现成功商业化。