CIC灼识（China Insights Consultancy）这份 31 页的《具身智能大脑行业白皮书》，把具身智能拆成两半：会想的那一半叫具身大脑，会动的那一半叫具身本体。大脑把外部任务和环境信息翻译成可执行策略，本体负责把策略变成移动、姿态控制和末端操作这些真实动作。报告的定义引用自卢策吾的《具身智能》词条，讲的是智能体借助物理本体，通过多模态感知、任务理解、决策规划和动作执行，与真实环境持续交互并完成任务。
整本白皮书按五部分展开：具身大脑如何连接 AI 决策与物理世界、商业化落地路径、无人药房应用案例、药房场景的潜在市场规模，以及规模化复制与场景拓展展望。
01 分界线划在哪儿
报告用一张表把具身大脑和传统自动化摆在一起对照。传统自动化靠固定流程与人工编程，要求环境标准化，动作是固定轨迹，每新增一个场景就得重新开发。具身大脑换成数据与模型驱动，基于语义理解自己拆解任务，能适应非结构化的动态环境，探索端到端动作映射，并依靠数据闭环持续进化。落点是一句话：从「专用」走向「通用」。技术范式上已经把 VLA 和世界模型串了起来，再往「世界动作模型」这个融合方向收，代表案例是 Helix 与 Dream Zero。
02 先学会抓，再学会接触
真正卡住落地的是两类能力。通用抓取是基础，要在农产品、玻璃、包装袋这些形态材质各异的物体里稳定操作，还要应付堆叠、遮挡、反光、倒放。连续接触是进阶，擦拭、叠衣服、剃须这类任务对形变感知、力控反馈和动作稳定性的要求高得多。报告给出一条价值曲线：接触越多，技术难度越大，应用与商业上限也越高，所以第一阶段商业化只挑以即时抓放为主的场景。
03 落地排了三步
商业化不是一次性推开所有场景。第一阶段做任务边界清晰的即时抓放，代表场景是药房、便利店、商超、即时零售这类零售业态；第二阶段进入服务运营，物流分拣、酒店服务、医疗康养、商业楼宇；第三阶段才轮到 2C 家用机器人、个人护理和家庭服务。报告测算零售场景 TAM 约 5400 亿元，仓储物流约 600 亿元，酒店约 548 亿元。
04 为什么先选药房
理由写得很实在：任务规范统一、数字化基础好、单店验证之后能快速复制到连锁门店。药房的痛点也点得清楚，夜间值守难、拣货效率有瓶颈、人力成本往上走。赋能前后的数字对比挺有说服力：营业时长从 12 小时拉到 24 小时，单件拣货耗时从 150 秒以上压到 90 秒以内，每小时处理商品从约 20 件升到 30 至 50 件，人力成本占营收比例从约 20% 降到 10% 以下。报告还把履约拆成九个步骤，从接单、任务理解、药品定位、核对、连续拣选，一直到复核、打包、出库和异常处理。
05 500 亿是这么算出来的
测算按四大经济区分别做：东部 25 万家药店、渗透率 80%，中部 15 万家、50%，东北 7 万家、50%，西部 21 万家、30%，平均单店采购 1 到 1.5 台，年租金按 10 万元计。加总起来，中国大陆药店对具身大脑的潜在需求超过 50 万台，对应 500 亿元市场空间，其中东部一地占 60%。落地节奏也有排序，24 小时门店和 O2O 高单量门店排在前面，标准社区门店和旗舰店靠后。
写在最后
翻到案例章节会发现一个明显的结构：从技术路线、三阶段训练流程到客户布局，案例对象始终是穹彻智能，报告称其为「全球第一家实现真实商业闭环的无人具身药房」。这不是一份扫描全行业的综述，更像以行业框架托底的公司案例研究。它指出的方向有价值，药房确实是个被低估的切口；但看到 500 亿、5400 亿这类数字时，也得留意它们建立在渗透率、单店采购台数和年租金这三组假设之上，而这些假设在真实运营里还在被反复修正。
