# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
WAIC之后，具身智能行业进入了一段微妙的冷静期。
Demo视频还在刷屏，融资新闻还在刷新纪录。
开年至今，国内赛道融资事件超过200起，百亿估值俱乐部扩员到了13家。
但投资人问的问题，已经悄悄变了。
过去他们问：“你的机器人会做什么？”
现在他们问：“你的机器人每天干几小时活？客户续不续约？投进去的钱，什么时候有回馈？”
一句话的判断是：技术决定真实的企业价值。热闹会过去，能站在真实场景里持续交付的企业，才会被留下。
上海交通大学的杨学教授，可以为这个判断作注脚。
这位长期研究多模态大模型与具身智能的学者，最近多了一个新身份：酷哇科技首席科学家。
在他看来，具身智能的下一个分水岭，不是更大的语言模型，而是模型对物理世界的理解能力；
而验证这种能力的唯一场所，是真实世界的部署现场。
那么问题来了：如果分野已经开始，交卷的标准答案是什么？
要回答它，得先想清楚三个问题：
Demo期的高估值是怎么来的？行业会沿着什么路径分化？新标准下，什么样的企业能交卷？
要理解接下来的分野，先得理解泡沫的合理性。
把时针拨到两年前，具身智能的融资桌有点魔幻。
据多家媒体对那一波热潮的复盘，2024到2025年的人形机器人赛道出现过“PPT估值、Demo定价”的行业奇观：
一段演示视频为什么曾经值几十亿？
因为在一个技术范式尚未收敛的行业，资本给出的从来不是“现价”，而是“上限价格”。
VLA、世界模型、端到端，哪条路线通向通用具身大脑，没人能打包票。
路线尚未收敛，意味着每一家头部公司都可能是那个最终范式的持有者，估值自然向天花板看齐。
这不是投资人看不懂。
在一级市场的算式里，投错一百家的损失是有限的，错过那一家的损失是无限的。
资本买的是范式的入场券，不是某一家公司的财务报表。
但Demo和产业之间，隔着一道鸿沟。Demo展示的是“可能性的上限”，单次最优表现；
产业要求的是“一万次的均值”，稳定、可复制、算得过账。
两者之间隔着可靠性、成本、交付和运维的整片无人区。
而现在，范式切换的拐点已经出现。
当Demo不再稀缺，几乎每家公司都能剪出一段惊艳视频，资本开始追问均值而非上限。
估值逻辑随之从为可能性付费，转向为生产力付费。
这一切换，正是行业转入分野的起点。而分野会沿着什么路径展开，不需要凭空想象，大模型刚刚把这条路走完了一遍。
杨学在采访中提到一个观察：WAIC上很多公司都说“我们的机器人能干活”，但大家其实处在不同阶段：
有的完成一次任务就算有用，有的能连续工作，有的已规模化复制，有的已经开始挣钱。
这句话点破了行业的现状：同处一个赛道，但已经拉开了层次。这正是大模型走过的路。
回看大模型的完整周期，时间线几乎是教科书式的：
先是百模大战，全行业全面并进；
然后六小虎崛起，头部梯队成形；
接着DeepSeek掀桌、大厂碾压、资本退潮，中间层被双向挤压；
再往后，四小强坚守、两虎转身，有人转向应用，有人押注垂直。
到今天，行业既有虎也有豹，各归各位，各有各的生态位。
同样是一开始百模大战，后来六小虎，后来衰退、分化，最终各归各位。
大模型用了大约三年走完这条路。
这条路上最值得具身智能从业者细看的一段，是中间层的消失。
那些模型能力不差、融资也不少，但既没有底层技术优势、又没有落地场景的公司，在范式收敛的一瞬间失去了定价依据。
向上讲不出上限，向下拿不出均值，两头不靠。
今天具身智能赛道里估值几十亿、只有Demo和叙事的中间层公司，正站在同一个位置上。
幸存者的共同答案是什么？
复盘下来，活下来的往往不是技术最炫的，而是手里有真实场景、有数据闭环、有可测算的单位经济性的玩家。
此外还有一道真正的过滤器：工程化交付能力。
把模型能力稳定落到客户现场的本事。演示做到90分靠天赋，交付做到99.9%靠体系。
映射到具身智能，分化的方向已经可见：
从全栈通吃转向生态位专精。
做本体的、做小脑运动控制的、做世界模型的，开始各就各位，“一家通吃”的叙事正在让位于产业链分工。
赛道会更专注，评判标准正在从“能不能动”转向“每天干几小时、客户续不续约”。
当然，分化不会整齐列队地发生。
具身智能的形态更多元、场景更分散，每一家遇到的物理世界都不一样，但方向和大模型一致。
杨学为这种分化提供了一个框架视角。他在访谈里反复强调一条从2019年就没断过的线：
先把感知做好，再把预测做好，再把决策做好，最终把落地做好。
从当年的博士论文到今天酷哇跟上海交大共建的通用具身智能联合实验室，这条线一直没断过。
落到具身智能，他的框架是世界模型分两层：
第一层理解客观物理规律，第二层理解和遵守人类社会规则。
前者是通用难题，全世界都在攻关；
后者才决定一个机器人能不能在真实城市场景里真正创造价值。
红绿灯不只是颜色，是规则；行人不只是障碍物，是有意图的参与者。
他判断，第二层恰恰是机会最大的地方，也是全世界都还没有成熟解法的方向。
而验证第二层能力的场所只有一个：真实世界的部署现场。
这就引出了下一个问题，新标准下，到底用什么衡量一家企业能不能交卷？
从大模型的分野经验里，可以提炼出四把尺子。它们也正在成为一线机构尽调清单上的标准项。
注意，不是出货量，是每天在真实场景里运转的台数与时长。
出货量可以被渠道压货美化，部署量不行。设备趴窝一天，客户比谁都先知道。
更重要的是，部署量决定数据回流的量级，而数据量级决定模型迭代的速度。这是一个复利指标。
客户用脚投票，是服务等级达标的唯一外部验证。
首购可以被营销驱动，复购只能被价值驱动。一次拿下不算赢，年年续约才是真本事。
这也是为什么越来越多机构把复购率放在估值模型的第一行，它同时验证了需求的真实性、产品的稳定性和价格的合理性。
7×24小时作业、故障分钟级恢复、远程诊断与OTA。这部分不性感，但它是真正的分水岭。
杨学把稳定性拆成一个朴素的指标：你在真实开放环境里能跑多久、多久被接管一次。
平均成功率可以做得很漂亮，但接管频率的分布尾部，藏着所有工程化能力的真相。单次最优可以靠运气，万次平均只能靠工程。
这是四把尺子里最容易被误读的一把。数据量本身不构成壁垒，数据里有没有“真问题”才构成壁垒。
杨学对酷哇数据资产的判断，恰好可以说明这一点。
酷哇积累的50PB数据，来自万台级设备在城市里的真实运行。
多模态传感器读数、运行轨迹、作业记录与人工接管日志的持续回流。
在他看来，这些数据里全是没被修饰过的corner cases。
对研究来说是一片未开垦的土地，真正有价值的问题都藏在这里面。
他做过一个换算：
一条精筛的corner cases，价值远超一千条常规数据。
所以数据飞轮的本质不是单纯的以量取胜，是真实且带失败样本。
只进不出的数据仓库不是资产，是成本；能持续反哺模型的失败样本，才是复利。
四把尺子合起来，回答的是同一个问题：你能不能把模型能力，变成可承诺的服务等级？
这恰恰是大模型走过的路。
从拼能力上限，到拼能不能稳定交付。具身智能的分野定局，也将由这四把尺子决定。
量下去，大多数故事会现出原形。但也有少数公司，会显出分量。
酷哇科技是一个有趣的样本。
外界最初对它的印象可能有点反差：城市服务机器人，封闭低速场景，看起来“不够难”，和那些讲通用大愿景的公司比，显得朴实，甚至有点土。
但深入之后才看见另一组事实：这是一家在这个方向上扎扎实实做了11年的公司，而且做成了生意。
对照四把尺子，把它的事实摆出来，只列数据和结构：
值得注意的是他的加注逻辑，在具身智能这条刚走到分野口的赛道上，酷哇是极少数跑过完整周期的样本。
从城市场景资产到通用具身大脑，酷哇的故事不是转型追风口，而是把已验证的场景资产，变成通用化的起点：
场景产生收入，也产生数据；收入养活组织、沉淀客户，数据喂养模型、迭代产品；模型变强了，又能铺进新的场景。
商业飞轮和技术飞轮，互为燃料。
而城市开放场景本身，就是一座被低估的数据富矿：
人车混行的路口、突然横穿的外卖员、雨夜的反光路面、施工改道的临时围挡。
这些机器人理解物理世界最需要的corner cases，在这里以真实作业的规模每天自然产生，不需要搭建昂贵的数据采集场。
这恰好是杨学所说的“第二层世界模型”：理解和遵守人类规则，同时也是最稀缺的训练场。
这也解释了杨学为什么此刻加入。
他的追求很直接：让自己做的研究产生真实世界的影响力，而不只是引用量。论文是学术共同体内部的度量，不是技术的终点。
而学界拿不到真问题：corner cases在实验室里不存在，酷哇真实城市数据里那些没被修饰过的失败样本，恰恰是他要找的未开垦之地。
更关键的是闭环。
在酷哇，研究成果能被直接部署到真实设备上检验，行就是行，不行就是不行。这种即时而诚实的反馈，任何学术环境都给不了。
所以首席科学家和联合实验室，是这道题的继续，不是一块招牌。
初衷很明确，不做论文代工厂，围绕具身智能的核心科学问题做长期投入，物理直觉如何建模、长程任务如何规划、数据质量如何度量，产业界出场景和数据，学界出方法和判断，成果在真实世界里验证。
双方合作建立的信任，加上这个产业节点，他们走到一起顺理成章。
关于世界模型的两层结构，杨学自己说得很坦率：“虽然现在刚起步，但方向是清楚的。”
具身智能的分化，已经肉眼可见。当展台上还在为一段新Demo鼓掌，台下的账本早就在按另一套逻辑重算了。
大模型用三年走完的分野之路，具身智能大概率会走得更快。
这次的资本周期更短，技术收敛更快，留给大家“讲故事”的时间也更少。
行业不奖励跑得最早的，奖励在真实世界里站得最稳的。
很多年后回看2026，具身智能真正留下的注脚，或许不是哪段刷屏的Demo，而是某个凌晨、某场雨里，那台稳稳开过路口的机器人。
文章来自于"量子位"，作者 "乔不迟"。
