作者丨薛皓皓
编辑丨子钺
图源丨弘晖基金
2026年，具身智能行业的评估标准已从“运动能力”转向“认知与执行能力”。资本与客户不再仅关注机器人能否完成复杂动作，而是聚焦于物流分拣、工业制造等具体场景中的稳定性、替代人工的可行性及投资回报率（ROI）。
然而，在追求场景落地的同时，行业仍需解决核心问题：如何让AI真正理解并适应物理世界。弘晖基金合伙人肖立认为，基础模型的持续迭代优先级高于单一场景的短期ROI。自2024年起，弘晖基金围绕上游核心零部件、本体、大脑及应用进行全产业链布局，已投资近10家企业，产业链协同效应初显。
具身智能的规模定律（Scaling Law）是否成立？制约发展的瓶颈是算力还是数据？技术与商业如何平衡？在2026 DEMO CHINA期间，创业邦对话肖立，探讨具身智能赛道的最新洞察。
弘晖基金合伙人肖立
全产业链布局：本体与大脑并重
创业邦：今年具身智能行业的讨论重心从运动控制转向具身大脑和世界模型。弘晖基金如何看待这两者的关系？
肖立：“大脑”确实是当前热点，但具身智能不同于纯软件，缺乏本体支撑，“大脑”无法落地。本体是具身智能的基础设施。中国在制造业及底层硬件（如电机、减速器、关节模组）的迭代能力上具有显著优势。
创业邦：弘晖基金在赛道上如何布局？
肖立：自2024年起，我们沿产业链进行纵深布局，已投资近10家企业。一条线涵盖机器人本体至具身大脑的链主及应用型企业，包括人形、家庭具身、仿生及飞行机器人等；另一线聚焦核心零部件，如灵巧手、关节模组、编码器和中高端电机。
创业邦：为何坚持全产业链投资，而非只押注头部本体或大脑公司？
肖立：这是弘晖在医疗、半导体等长周期产业中一贯的方法论。通过全产业链布局，使上下游被投企业互为供应链和客户，从而更早、更细致地感知产业迭代。这种协同不仅提供资金，更解决早期企业缺乏可靠产品、验证场景及上下游资源的问题。例如，我们曾推动被投电机企业成为下游机器人公司的核心供应商。
创业邦：关节模组一体化趋势对本体厂商意味着什么？
肖立：随着下游需求增长，行业标准将趋于统一。未来将出现类似汽车Tier 1的关节一体化模组厂商，整合电机、减速器等部件并完成标准化适配。这将使产业链分工更清晰：本体厂商专注机器人整体能力，模组厂商专注性能、可靠性及迭代效率，从而提升行业整体效率。
创业邦：工业场景与展示型场景对能力的要求有何不同？
肖立：工厂追求长期稳定、零出错，对一致性、散热和功耗要求极高，通常要求关节模组持续稳定运行1万小时。相比之下，服务场景有一定冗余，而工业场景无法容忍频繁停机或性能波动。
创业邦：在运动控制细分方向中，哪些机会容易被低估？
肖立：灵巧手值得关注。虽然该赛道玩家众多，但能实现稳定、耐用且量产的产品寥寥无几。目前许多灵巧手在持续工作时长、功耗、散热和稳定性上仍存在缺陷，部分产品使用两周即出现故障。
创业邦：如何判断灵巧手公司的投资价值？
肖立：首要指标是客户反馈，包括易用性、持续工作时长、稳定性和散热表现；其次是量产能力，即能否稳定批量交付。早期可关注技术路线，后期则需重点考察产品是否满足实际生产需求。
具身Scaling Law初步验证，数据仍是关键卡点
创业邦：2026年具身智能的核心变化是否已进入“具身大脑”能力比拼阶段？
肖立：是的。世界模型和具身大脑是当前热点，但整体仍处于早期阶段，类似自动驾驶从L2向L3过渡。虽然能力进步明显，但距离稳定、广泛、可复制的真实世界能力仍有较大差距。
创业邦：早期评估世界模型公司应重点关注什么？
肖立：核心在于模型能力。具体指标包括单任务准确率、完成任务耗时、参数升级后的性能提升幅度、长程任务失败率，以及在具备一定泛化性的固定场景中处理复杂任务的能力。
创业邦：目前是否有统一的“任务成功率”判断标准？
肖立：尚难统一。由于任务类型、机器人本体及泛化要求各异，横向比较成功率意义有限。去年行业侧重Demo展示，今年虽开始讨论实际落地，但总体仍处于训练探索阶段，形成统一标准为时尚早。
创业邦：具身模型是否存在类似大语言模型的Scaling Law？
肖立：预训练阶段的Scaling Law已初步得到验证。以Physical Intelligence（PI）2025年4月发布的π0.5模型为例，随着训练环境和数据量增加，模型在新环境中的任务成功率提升、失败率下降。这表明数据规模、模型能力与任务表现之间存在正向关系。
创业邦：这是否意味着堆叠数据和算力即可快速成熟？
肖立：并非如此。预训练与真实部署存在差异。具身数据类型复杂（视频、仿真、操作、真实交互数据），采集难度、周期和成本远高于大语言模型的文本数据。目前尚无足够大规模样本证明该规律可完全复制至场景落地阶段。
创业邦：算力是否是最大瓶颈？
肖立：对头部公司而言，算力是基础入场券而非核心限制。国内第一梯队具身大脑公司模型参数在几B至几十B之间，对应数百至千卡算力，年成本数千万元至一两亿元，处于可承受范围。长期看，算力需求虽会上升（海外已达万卡规模），但当前最核心的制约因素是高质量数据：数据的获取、与本体的匹配度及闭环形成能力。
创业邦：数据应自建还是与第三方合作？
肖立：两者结合。基础物理数据和真人操作数据可外采用于预训练；但后期的微调、强化训练、错误标注及纠错迭代需自建数据闭环，这是公司的核心能力。
创业邦：采购第三方数据的主要风险是什么？
肖立：主要是数据利用率和适配性。第三方数据工厂通常仅与少数本体企业深度合作，构型单一。若自身本体构型与数据采集构型差异大，数据迁移效果差，导致高成本低利用率。解决思路是多本体训练结合微调，并用公开数据补充。根本而言，谁能连接真实场景、本体与持续迭代，谁才能建立数据壁垒。
创业邦：仿真数据能在多大程度上弥补真实数据不足？
肖立：仿真数据有价值，尤其适用于模拟危险、故障等难以采集的场景，也可用于基础预训练。但仿真与现实存在物理鸿沟（如摩擦力、软性物体、复杂接触等难以完全还原）。因此，仿真仅是训练体系的一部分，不能替代真实世界交互数据。最具价值的仍是机器人在真实环境中产生的数据。
落地关注ROI，但基模迭代更为关键
创业邦：具身智能公司强调单场景落地及ROI，您如何看待这一趋势？
肖立：对本体和零部件公司而言，行业已进入落地和降本阶段。关节模组价格下降，本体公司需面对客户关于ROI和回收周期的测算，这是产业规模化的必经过程。
创业邦：具身大脑公司是否应优先极致化模型，暂缓商业化？
肖立：两者不可对立。具身大脑公司需持续推动模型迭代以确定长期天花板，但作为商业实体，不能仅有Demo而无收入。多数公司正同步进行模型迭代与场景落地，以验证商业闭环。
创业邦：单场景ROI是否会成为具身大脑公司的最关键评价标准？
肖立：现阶段并非如此。虽然关注落地和ROI，但从投资视角看，模型迭代能力更为关键。行业仍处早期，若底层模型能力不足，即便单一场景短期落地良好，也难以形成长期竞争力。
创业邦：换言之，2026年评判具身大脑公司，核心在于其是否持续“变聪明”？
肖立：可以这样理解。订单和商业闭环决定企业的生存及迭代资源获取能力；而决定企业走多远的是模型在真实任务中的提升能力及通过数据飞轮实现的泛化能力。2026年，相较于单纯强调落地，“大脑”能力的进化更为重要。
《Signals》往期精彩内容：
AI智能体越能干，这门AI安全赛道越有市场
库克点赞的10人团队：用户覆盖160多个国家，想做AI时代的终身大学
瞄准餐厅后厨场景，前美团外卖技术负责人，让AI餐饮机器人落地干活
AI模型迭代、大厂入局，Agent创业还有机会吗？
绕不开英伟达，也不能被它困住：英伟达架构师辞职做物理AI芯片
光合创投合伙人朱嘉：科技投资的快决断与慢等待
商汤国香资本余俊：具身机器人进入全栈竞争阶段，下一步是让客户算得过账
脑机接口“卡脖子”芯片，这家海南公司造出来了
