具身智能终局：比汽车还要"分散"，没有一家公司能通吃- 大数跨境

首页

具身智能终局：比汽车还要"分散"，没有一家公司能通吃

创业邦

2026-10-21

导读：谁最有机会成为细分场景里的“巨头”

作者丨薛皓皓

编辑丨子钺

图源丨祥峰投资

2026年，具身智能无疑是中国创投圈最炙手可热的赛道。然而，当泡沫逐渐退去，唯有少数具备穿越周期能力的“长跑者”方能留存。

具身智能的终局究竟是赢家通吃，还是百花齐放？祥峰投资管理合伙人夏志进给出了一个反直觉的答案：并非赢家通吃。这一判断基于祥峰在通用具身（如宇树科技、松延动力）及垂直领域（如世航智能、中科原动力、极智嘉）的广泛布局，使其拥有了观察行业的全局视角。

在2026（第二十届）DEMO CHINA期间，创业邦与夏志进深入对话，探讨具身智能的落地节奏、竞争格局及数据壁垒。

具身的终局：不是赢家通吃

落地节奏：渐进式多样化

创业邦：技术迭代以月甚至季度计，从落地角度看，具身智能的节奏如何？

夏志进：具身智能的落地是渐进的，不会在短期内出现成千上万台机器人进入家庭或工厂。形态必然多样：家务、陪伴是一种形态，工业场景是另一种，其背后的“大脑”也可能不同。

我们不能指望单一的人形机器人既擅长洗衣做饭又能胜任工厂作业。未来几年，将出现多种面向不同细分领域的机器人，它们在特定方向上具备良好的泛化性，虽不要求像人类那样通用灵活，但能显著提高场景效率。通用能力的全面实现可能需要五年以上的时间。

市场格局：比汽车行业更分散

创业邦：祥峰同时布局了通用具身公司和深海、物流等垂直领域公司。从终局看，具身智能更接近汽车行业的多头部格局，还是像CPU/GPU行业那样赢家通吃？

夏志进：由于场景丰富、形态多样，具身智能的市场集中度可能比汽车行业更低。即便在汽车这样成熟的行业，全球仍有众多企业竞争，仅中国就有上百家造车相关企业。因此，具身智能绝不会由一两家公司垄断。

随着技术迭代，天上、地下、海里、家庭、工厂等场景将涌现出大量差异化的落地机会。这对创业者和投资人而言，意味着许多此前未预见的机遇正在打开。

进化逻辑：效率最优而非模仿人类

创业邦：形成多场景格局，是因为数据不通用、模型适配难，还是其他原因？

夏志进：原因多元。未必每个场景都需要独立的大脑，通用大脑或许能控制不同机器人。关键在于不同场景中机器人的任务目标和优化方向各异。

人们常从人类角度思考机器人演化，但人并非所有场景的最优形态。人类受限于生理进化，无法快速适配近几十年涌现的新场景；而机器人可以按自身路径，朝效率最优方向进化。例如，机器人无需飞行能力若场景不需要，但若需要则可超越人类限制。简言之，机器人不必完全复刻人类能力，而应在特定场景下做得比人更好。

垂直壁垒：行业Know-how与技术叠加

创业邦：世航智能、中科原动力等在海洋、农业等细分领域的公司，其竞争壁垒体现在哪？

夏志进：这些行业具有专属属性，企业需针对行业限制和需求进行大量优化，并积累深厚的行业知识与经验，从而构建技术门槛。相比通用机器人在运动能力、硬件和大脑操作上的单一维度竞争，垂直领域的差异化点更多。例如，水下机器人在不同深度的硬件设计要求截然不同；农业机器人需适配中国复杂的地形特点及农艺知识。每一个细化点的深耕，都能显著抬高竞争门槛。

具身大脑的数据生意：
竞争壁垒在数据之外

Scaling Law的前提：低成本高密度数据

创业邦：若Scaling Law（规模定律）在具身智能领域成立，其基本条件是什么？

夏志进：数据的质量、数量和种类至关重要，但获取门槛是关键制约。相比大语言模型，具身数据获取成本高、密度低。文本数据高度抽象且免费资源丰富，而具身数据信息量少且采集昂贵。因此，支撑规模化扩展的前提是实现数据的低成本、快速获取及高知识密度。如何解决数据供给的效率与成本问题，是当前核心挑战。

数据公司的出路：从被动采集到主动增值

创业邦：数据采集是热门投资领域，祥峰更看重海外还是国内公司？

夏志进：地域并非首要考量，关键在于数据公司是否具备独到价值。目前多数数据公司处于被动地位，按模型公司要求采集真机、人工或仿真数据。祥峰更青睐具有主导性的数据公司：其数据应具备独特性和高价值，不仅能服务于客户，自身也能充分挖掘利用，避免沦为单纯的素材供应商。

创业邦：数据公司如何最大化利用数据？会涉足本体制造与客户竞争吗？

夏志进：存在这种可能性，但不一定非要制造本体。数据公司可延伸至擅长领域的模型开发，例如专注于“手”部数据采集的公司可围绕此构建技术壁垒。核心在于避免陷入同质化价格战，需在数据之上叠加清洗、标注及后续利用等高门槛技术，做得更深更厚，从而构建不可替代性。

创业邦：有公司通过模型进行数据清洗和标注，这是否构成了技术维度的叠加？

夏志进：是的。拥有高效工具能显著提升竞争力：一方面提高客户对数据质量的满意度，另一方面通过模型标注替代低效人工，大幅降低成本，从而更好地适应市场竞争。

仿真数据：覆盖长尾场景的关键

创业邦：您如何看待仿真数据在预训练、后训练及强化学习中的作用？

夏志进：仿真数据价值巨大。虽然数据组合策略尚有争议，但多样性越丰富越好。采集数据与仿真数据配合，能显著提升模型泛化能力，尤其是覆盖现实中极少发生的Corner Case（极端场景）。鉴于全量采集现实场景的高难度，仿真数据能有效填补长尾场景空白。数据的多样性与质量，是模型能否实现Scaling的关键。

创业邦：仿真数据主要作用于预训练阶段？

夏志进：预训练阶段适用，但许多团队也将其用于后续训练阶段，它在多个环节均能发挥重要作用。

【声明】内容源于网络

创业邦

创业邦是领先的国际创新生态服务平台，为高成长企业、金融机构、产业园区、地方政府提供全方位的媒体资讯、数字会展、数据研究、创新咨询、教育培训、资本对接等服务。公司及旗下基金获得IDG资本、DCM、红杉中国、北极光创投、顺为资本、腾讯投资、盛景投资、宜信、GGV等10余家世界顶级投资机构支持，并形成长期紧密的战略合作关系。

内容 17362

粉丝 1

创业邦山东创业邦创业服务有限公司创业邦是领先的国际创新生态服务平台，为高成长企业、金融机构、产业园区、地方政府提供全方位的媒体资讯、数字会展、数据研究、创新咨询、教育培训、资本对接等服务。公司及旗下基金获得IDG资本、DCM、红杉中国、北极光创投、顺为资本、腾讯投资、盛景投资、宜信、GGV等10余家世界顶级投资机构支持，并形成长期紧密的战略合作关系。

总阅读423.8k

粉丝1

内容17.4k