作者丨薛皓皓
编辑丨子钺
图源丨弘晖基金
2026年，衡量一家具身智能公司好坏的标准，已经从“能跑能跳能跳舞”，转化为“变聪明会干活”。
随之而来，资本和客户开始关注具身智能在物流分拣、工业制造等具体场景中的落地，并直接追问：机器人能否稳定完成任务、能否真正替代人工，ROI（投资回报率）是否算得清？但在场景落地背后，行业仍需回答一个更本质的问题：如何让AI真正理解并适应物理世界。
在弘晖基金合伙人肖立看来，2026年具身基础模型迭代与场景落地需并行推进，但基础模型的持续迭代，优先级高于单一场景短期ROI的追求。
肖立所在的弘晖基金自2024年起布局具身智能，围绕上游核心零部件、本体、大脑及应用，进行全产业链投资。目前，弘晖基金已投资近10家具身智能公司，产业链协同效应已经显现。
具身智能的Scaling Law（规模定律）是否已经成立？真正制约行业发展的，是算力还是数据？具身智能公司又该如何平衡基础模型技术迭代与场景落地？
在2026（第二十届）DEMO CHINA期间，创业邦与弘晖基金合伙人肖立进行了一次对话。作为具身智能领域的资深投资人，肖立分享了他对赛道发展的最新洞察。
弘晖基金合伙人肖立
创业邦：今年具身智能行业的讨论重心，明显从运动控制转向了具身大脑和世界模型。弘晖基金怎么看这两条线的关系？
肖立：大脑当然是今年最热、也最值得关注的方向，但具身智能和纯软件不一样，没有本体，大脑再强也无从实现。本体是具身智能落地的基础设施。中国最强的恰恰是制造业能力，以及电机、减速器、关节模组等底层硬件的迭代能力。
创业邦：弘晖基金在这个赛道上是如何布局的？
肖立：我们从2024年开始布局具身智能，到现在投了接近10家企业，基本是沿着产业链做布局。一条线是从机器人本体到具身大脑的链主和应用型企业，包括人形、家庭具身、仿生机器人、飞行具身等不同方向；另一条线是核心零部件，包括灵巧手、关节模组、编码器和中高端电机。
创业邦：为什么坚持做全产业链投资，而不是只押注头部本体或大脑公司？
肖立：这是弘晖一以贯之的方法论。从医疗到半导体，再到具身智能，我们在每个长周期产业里都沿全产业链做纵深布局，让上下游被投企业彼此成为供应链和客户，也让我们能比单点投资更早、更细地感知产业的每一次迭代。
创业邦：这种协同会落到很具体的业务关系上吗？
肖立：会。比如我们投的电机企业，本来未必是某家下游机器人公司的供应商，我们可以帮助双方对接，推动它成为核心供应商。对早期产业来说，这种供需嫁接很重要。企业缺的往往不只是钱，还包括可靠的产品、验证场景和上下游资源。
创业邦：运动控制方面，关节模组一体化是当前非常明确的趋势。它对本体厂商意味着什么？
肖立：它的前提是下游需求起来以后，行业对关节参数和性能的标准会越来越统一。过去本体厂商可能要采购很多零散的SKU（库存量单位），自己去做大量适配；未来会出现类似汽车Tier 1的关节一体化模组厂商，由它们整合电机、减速器等部件，并完成标准化适配。
这会让产业链分工更清晰，本体厂商可以更专注于机器人整体能力，模组厂商则专注于单一关节的性能、可靠性和迭代效率。对整个行业而言，效率会更高。
创业邦：工业场景对这种能力的要求和展示型场景有什么不同？
肖立：工厂要的是长期、稳定、不出错地干活，对一致性、稳定性、散热和功耗的要求都非常高。现在行业里通常会谈到关节模组持续稳定运行1万小时的要求。服务场景可能还有一定冗余，但工厂没有那么多冗余，一旦机器人频繁停机或性能波动，客户就很难接受。
创业邦：在运动控制的细分方向里，您觉得哪些机会容易被低估？
肖立：我们比较关注灵巧手。这个赛道公司很多，但真正把产品做到稳定、耐用、能量产的并不多。现在不少灵巧手在持续工作时长、功耗、散热和稳定性上仍有问题，有些产品可能用两周左右就出现问题。
创业邦：怎么判断一家灵巧手公司是否值得投？
肖立：最直接的还是客户反馈：它到底好不好用，能持续工作多久，稳定性和散热表现如何。第二是量产能力，能不能稳定地批量交付。早期可以讨论技术路线，到了后面，客户最终看的是产品能否真正满足生产和使用需求。
创业邦：如果说本体和运动控制是基础，2026年具身智能真正的核心变化，是不是已经进入具身大脑能力比拼的阶段？
肖立：是的。世界模型和具身大脑是今年最热的方向，但整体仍然处于很早期的阶段。我会把现在的状态类比为自动驾驶从L2向L3过渡：大家已经看到了能力进步和场景潜力，但距离稳定、广泛、可复制的真实世界能力，中间还有比较大的跨度。
创业邦：早期评估一家世界模型公司，应该重点看什么？
肖立：核心还是模型能力。具体可以看单任务完成的准确率、完成任务所需时间、参数或训练升级后性能是否明显提升、长程任务的失败率，以及在固定但具有一定泛化性的场景里，能不能把复杂任务做好。
创业邦：行业里常常谈任务成功率。现在能否给出一个相对统一的判断标准？
肖立：还很难。不同公司做的任务类型不同，机器人本体不同，泛化要求也不同，直接横向比较一个成功率没有太大意义。去年大家更多是在做Demo，今年已经开始更明确地讨论实际场景落地，物流等场景里有些厂商表现不错，但总体上仍是训练和探索阶段，距离形成统一标准还比较早。
创业邦：具身模型是否存在类似大语言模型的Scaling Law？
肖立：我的判断是，在预训练阶段，Scaling Law已经初步得到验证。我们看到一些海外案例：以Physical Intelligence（PI）在2025年4月发布的π0.5模型为例，随着训练环境和数据量的增加，模型在全新环境中的任务成功率持续提升、失败率明显下降。这说明数据规模、模型能力和任务表现之间，确实存在可观察到的正向关系。
创业邦：这是否意味着，只要持续堆数据和算力，具身大脑就会快速走向成熟？
肖立：没有那么简单。预训练和真实部署是两件事。到了场景落地阶段，现在还没有足够多的大规模样本和科学论证，来证明这种规律可以完全复制。具身数据的类型非常杂，有视频数据、仿真数据、操作数据和真实交互数据。它的采集难度、周期和成本，都远高于大语言模型所使用的公开文本数据。
创业邦：所以，算力并不是最大的卡点？
肖立：对头部公司来说，当下算力更像是基础入场券，而不是最核心的限制。国内第一梯队的具身大脑公司，典型模型大概在几B到几十B（数十亿到数百亿）参数级别，对应数百卡到千卡左右的算力。如果完全租用，年成本可能是数千万元到一两亿元。对于已经融到数十亿元的第一梯队公司，这笔投入可以承受。
长期看，算力需求当然会继续上升，海外头部公司已经开始走向万卡规模。但至少在当前阶段，最卡行业的还是高质量数据：数据能否获得、是否匹配本体、能否持续形成闭环。
创业邦：数据应该自建，还是和第三方数据工厂合作？
肖立：两者都需要。基础物理数据、真人操作数据可以外采，用于基础预训练；但后期的微调、强化训练、对错误任务的标注和纠错迭代，是公司真正的核心能力，还是要自己建数据闭环。
创业邦：采购第三方数据时，最容易踩的坑是什么？
肖立：是数据利用率和适配性。数据工厂通常只会与少数一两家本体企业深度合作，使用的机器人构型比较单一。如果你的本体构型和数据采集时的构型差异很大，数据迁移到自己机器人上的效果就会很差，花了很高成本，最后利用率却很低。
解决思路通常是多本体训练，再针对自身本体做微调，同时用公开数据补充低成本数据。但从根本上说，谁能把真实场景、真实本体和持续迭代连接起来，谁才更可能建立数据壁垒。
创业邦：仿真数据能在多大程度上解决真实数据不足的问题？
肖立：仿真有价值，尤其适合模拟危险、故障等难以在现实世界中大量采集的情况，也可以用于基础预训练。但仿真与现实之间存在物理Gap（鸿沟），比如摩擦力、软性物体、复杂接触等，都很难被完全还原。
因此，仿真数据可以是训练体系的一部分，但不能替代真实世界交互数据。真正和落地最相关、最有价值的，仍然是机器人在真实环境里产生的数据。
创业邦：现在不少具身智能公司都在强调物流分拣、工厂搬运等单场景落地，并开始讲ROI。您怎么看这种趋势？
肖立：对本体和零部件公司来说，行业确实已经进入落地和降本阶段。比如关节模组的价格今年已经下降不少，本体公司也开始面对客户关于投资回报率和回收周期的测算。这是产业走向规模化的必经过程。
创业邦：具身大脑公司是否应该先专注把模型做到极致，而不必过早考虑商业化？
肖立：我觉得不能把两件事完全对立起来。具身大脑公司当然要持续推动模型迭代，因为模型能力决定了长期天花板；但它毕竟是一家商业公司，不是纯科研机构，也不能一直只有Demo、没有收入。多数公司现在都在一边迭代模型，一边寻找可以落地的场景，验证商业闭环。
创业邦：这是否意味着，单场景ROI会成为具身大脑公司最关键的评价标准？
肖立：当下还不是。我们会看落地，也会看ROI，但如果站在投资视角，现阶段更关键的还是模型迭代能力。因为行业仍处在早期，底层模型能力如果不够，即使某一个场景短期落地不错，也未必能形成长期竞争力。
创业邦：换言之，2026年判断一家具身大脑公司，最重要的不是它已经签了多少订单，而是它是否持续变得更聪明？
肖立：可以这么理解。订单和商业闭环决定企业能不能活下来、能不能获得持续迭代的资源；但决定它能走多远的，仍然是模型是否在真实任务中不断提升，是否能通过数据飞轮实现更强的泛化能力。对具身智能而言，2026年比单纯强调落地更重要的，是大脑能力真正完成进化。
本文为创业邦原创，未经授权不得转载，否则创业邦将保留向其追究法律责任的权利。如需转载或有任何疑问，请联系editor@cyzone.cn。
