两周三家齐发 API：具身智能开始卖「大脑」，但赌的是完全不同的未来- 大数跨境

首页

两周三家齐发 API：具身智能开始卖「大脑」，但赌的是完全不同的未来

机器人产业应用

2026-11-14

导读：密集落地的 API，不是巧合，是产业分层的起点。

作者：余柯

具身智能行业过去两年始终困在一个共识级死循环里：做本体的必须啃算法，做模型的必须造硬件，全栈自研成了行业标配，也成了全行业效率最低的内耗。直到 10 月中下旬的半个月内，三家公司先后将具身模型以 API 形式对外开放，第一次给行业抛出了明确的解耦信号。

10 月 13 日，Physical Intelligence（下称 PI）开放旗下具身模型 π 的 API beta 测试，主打数据上传 + 云端微调 + 推理托管的全流程服务；10 月 20 日，Dream Labs 上线 Dream API，以每小时 3 美元的标准定价开放通用具身模型调用，官方称发布 24 小时内覆盖 53 个国家、适配 31 款未训练过的机器人，累计调用超 37.2 万次，详见之前的文章链接（3美元/小时租机器人大脑！具身智能的商业化逻辑变了么？）；10 月 30 日，国内创业公司破壳机器人发布 RoboAPI，支持多模态输入驱动机械臂完成零样本任务，自建评测任务成功率达 74.2%，明确以非商业化形式免费开放。

表面看，三家做的是同一件事：把具身模型从闭源自研的内部能力，变成可对外调用的标准化服务。但深入拆解会发现，三者的服务形态、客户假设、产业赌注几乎南辕北辙。这不是简单的定价差异，而是对 “具身智能到底处在什么发展阶段”“商业化的核心矛盾是什么” 两个根本问题，给出的三套完全不同的答案。API 化的真正意义，也从来不是多了几个调用接口，而是具身产业第一次出现了明确的商业模式分叉。

同是卖「机器人大脑」，三条路径的底层逻辑完全分叉

1.1 PI：微调 + 托管一体化服务，锚定算法能力下沉的价值

PI 模式的核心，从来不是通用模型调用，而是把 “具身模型训练与运维的工程能力” 打包成可接入的企业级服务。

其公开的完整服务链路为：客户上传自有机器人的场景数据，PI 提供底座模型、训练算力与配套工程工具，完成针对性微调后，由 PI 负责通过托管网关提供推理服务，客户直接调用接口获取适配自身硬件的动作指令。

从服务形态来看，这是典型的具身智能 “MaaS+PaaS” 模式 —— 把模型训练、算力运维、版本迭代这些高门槛环节，封装为可对外输出的一体化工程能力。目前官方尚未公布具体定价模式与收费标准。

从产业视角看，这套模式精准命中了腰部本体厂商与场景集成商的核心痛点：有硬件产品、有落地场景、有一手数据，但缺顶尖具身算法团队，也没有能力搭建和维护大规模训练集群。

过去这类玩家要么花重金组建算法团队从零搭建，年人力成本动辄数百万元；要么只能做低水平自研，技术能力始终追不上第一梯队。PI 的服务形态相当于为这类玩家提供了 “借力外部能力” 的选项，无需从零搭建完整算法团队即可推进模型适配，前期固定投入与试错成本存在大幅压缩的空间。

换言之，其商业模式的核心落脚点并非通用模型调用本身，而是工程化适配与托管服务的价值。它的核心壁垒也不止于模型的通用零样本能力，更在于微调工程化的效率、托管服务的稳定性，以及对客户数据与场景的工程化适配能力。

1.2 Dream Labs：卖「调用时长」，赌的是跨本体零样本的成熟度

与 PI 的定制化路线完全相反，Dream API以标准化 SaaS 路线为主，核心押注 “跨本体零样本能力已达到可用临界点”。

Dream API 主打通用具身能力，宣称无需针对特定机器人做训练，即可直接输出适配不同本体的末端动作指令，计费方式也最简单直接：按调用时长收费，Dream-1 版本定价为 3 美元 / 小时，官方标准为每小时对应 2250 次调用、单次调用返回 1.6 秒动作。

官方公布的 24 小时运营数据 ——53 个国家、31 种机器人、37.2 万次调用 —— 直观体现了这套模式的低接入门槛：开发者无需准备数据、无需等待微调、不用对接复杂工程链路，注册即可调用，试错成本几乎为零。

但落地来看，这份亮眼的调用数据，商业化参考价值需要分层看待。按照官方公布的换算标准计算，37.2 万次调用满额折算的名义营收约为 496 美元。需要说明的是，该调用量包含大量开发者尝鲜试用与演示级验证请求，并非全部为付费调用，实际收入无法从首日调用数据直接推导，距离规模化营收仍有极远距离。对标准化 API 而言，真正的生死线从来不是首日调用量，而是生产环境的复购率与付费转化率。

Dream 模式成立的核心前提，是跨本体零样本能力足够扎实，能够覆盖绝大多数通用操作场景，客户不需要定制就能直接落地。一旦这个前提成立，它就会像大语言模型的通用 API 一样，拥有极强的边际成本优势 —— 接入的机器人越多、调用量越大，单位成本越低，网络效应越强。

但反过来，如果零样本能力达不到生产级要求，硬件适配成本高、任务失败率高，那么再低的调用价格也只是 “看起来便宜”，客户实际承担的隐性调试成本，往往会远超 API 本身的采购费用。

1.3 破壳机器人：免费开放 API，换的是生态卡位与行业基准

和前两家的商业化导向不同，破壳机器人的 RoboAPI 明确标注 “非商业化、免费开放”，其核心目标显然不是短期变现，而是快速扩大接入范围，建立行业公共能力参照。

从公开的开发文档来看，RoboAPI 的完整输入包含自然语言任务指令、实时相机图像与机器人当前状态三类信息，模型基于多模态输入输出机械臂动作指令，支持零样本任务执行；其自建评测集上 74.2% 的成功率，体现了其在该评测设置下的任务执行表现。而免费开放的策略，核心价值在于快速降低开发者的接入门槛，推动行业技术方案的横向验证。

根据官方开发文档说明，任务记录与运行视频默认保存在用户本地，评分与备注信息不会自动回传模型服务端，但推理所需的图像、机器人状态和任务指令仍会发送至云端。模型迭代所需的外部场景数据，依赖参与测试的用户主动提交反馈。

从产业视角看，这套策略对国内赛道还有一层特殊的卡位价值。过去国内具身模型大多闭源自研，能力封闭在企业内部，行业整体迭代缓慢，非商用开发者与科研团队很难低成本接触到先进模型能力。免费 API 的出现，相当于给行业提供了一个公共能力参照系，客观上会加速技术方案的横向验证与迭代；而一旦成为行业广泛使用的基准测试接口，平台方就会掌握后续技术标准的话语权。

本质上，破壳走的是典型的 “生态先行” 路线：用免费换行业认知与生态规模，通过用户主动反馈沉淀场景数据，持续反哺模型迭代。短期没有直接商业化收入，但一旦生态认可度建立、模型能力形成代差，后续的壁垒与想象空间更为广阔。

“不造本体”要更准确地理解：不把硬件作为主战场

很多人会把具身模型 API 与大语言模型 API 做类比，认为都是 “调用接口、输出结果” 的标准化服务，但二者最核心的差别在于：大模型输出是文本，结果边界清晰、对错可判；而具身模型输出是物理世界的动作指令，中间隔着硬件适配、运动规划、现场部署一长串链条，任何一环出问题，最终都会表现为 “任务失败”。这是当前所有具身 API 都在刻意淡化，但落地时绝对绕不开的核心矛盾。

2.1 三种收费口径，本质是三次成本转移

三种商业模式的差异，表面是定价方式不同，本质是对 “落地成本由谁承担” 这个问题的不同分配方案。

· PI 模式下，成本分工相对清晰：客户承担数据采集、场景定义与最终现场部署成本，平台方承担模型训练、算力运维与模型迭代成本。客户拿到的是适配自身硬件的定制化模型，落地确定性更高，但前期需要一定的数据积累，接入门槛也更高。

· Dream 模式下，客户需要承担全部的硬件适配、逆运动学求解、现场调试与运维成本。在跨本体零样本控制模式下，API 输出末端位姿指令，至于指令如何转化为关节运动轨迹、运动过程中如何避障、环境变化如何应对，全部由客户自行解决。换言之，API 卖的是 “大脑的决策结果”，但 “神经传导” 与 “肌肉控制” 的成本，全部转嫁给了客户。

· 破壳的免费模式下，成本转移的逻辑有所不同：平台承担了模型研发与服务端运维的全部成本，换取的是生态影响力、行业卡位与用户主动贡献的优质场景反馈，而非自动获取全量调用数据。对接入方而言，零成本获得模型能力，但相应也没有服务等级承诺，故障排查与落地适配全部自行解决，模型迭代节奏完全掌握在平台方手中。

从产业落地的普遍经验来看，纯标准化 API 模式下，客户侧还需要承担额外的适配与调试成本。这也是很多 API“演示好用、落地难用” 的核心原因 —— 纸面价格低，不代表全链路落地成本低。

2.2 跨本体的真实边界：模型输出的不是动作，是半成品指令

所有主打 “跨本体零样本” 的 API，都有意无意地模糊了一个核心技术边界：模型输出的到底是完整可执行的动作，还是仅仅是末端目标位姿？从当前主流技术路径来看，部分跨本体控制模型会输出末端执行器的目标位姿。—— 也就是机械臂末端应该到达的空间位置与姿态。而从位姿到关节角度的逆运动学求解、运动轨迹规划、碰撞检测处理，都需要由机器人本体的控制器完成。

打一个产业视角的类比：这相当于外卖平台只告诉你送餐的最终地址，至于走哪条路、骑什么车、怎么上楼、遇到意外怎么处理，全靠骑手自己解决。同一条地址指令，在路况好的区域能顺利送达，在路况复杂的区域可能直接超时；同理，同一条 API 指令，在六轴机械臂上能跑通，在 SCARA 机器人上可能直接出现运动学无解。

这层边界直接导致了责任认定的模糊。如果任务失败，到底是模型的位姿指令给错了，还是本体的逆运动学解算有问题，或是现场环境超出了模型预期？在大模型 API 里，输出结果对错一目了然；但在具身 API 里，失败原因的排查往往需要模型方与本体方共同配合，这本身就会推高落地的沟通与调试成本。

2.3 绕不开的命题：部署到底能不能外包？

API 化的核心愿景，是把模型能力标准化、服务化，让客户 “开箱即用”，但具身智能的物理属性，决定了部署环节永远不可能完全外包。这一点已经得到行业内的普遍验证：Skild CEO 曾公开反思，具身智能的部署环节深度参与研发循环，场景数据、硬件调试、模型迭代三者是强绑定关系，很难把模型单独抽出来做成标准化远程服务。很多在实验室里表现优异的模型，一到真实生产环境就性能跳水，必须结合现场数据反复迭代调试，这个过程没有办法远程通过 API 完成。

这就给所有 API 模式的公司抛出了一个两难命题：如果只做纯 API、不碰部署，那么模型的实际落地效果就无法保证，客户很可能用不起来，最终 API 沦为演示工具；如果下场做部署、做交付，那就会变成项目制的集成商，人力成本直线上升，失去 API 模式轻资产、高边际收益的优势。

到底是坚守轻资产的 API 定位，接受 “只能覆盖简单场景” 的边界；还是向下延伸做交付，变成 “带模型的集成商”，会是接下来所有具身模型 API 公司都要面对的战略抉择。

API 化之后，具身产业的游戏规则彻底变了

3.1 第一次明确的产业分层：大脑与身体正式解耦

这波 API 集中发布的真正产业意义，不在于多了几个可调用的模型，而在于具身智能产业第一次出现了明确的分层趋势：“大脑”（模型）和 “身体”（本体）开始从垂直整合走向解耦。

这很像 2020 年大模型领域的 API 开放潮 —— 在此之前 AI 能力都绑定在自研团队内部，API 出现后，基础模型与应用开发正式分层，行业效率迎来指数级提升。

具身智能现在正站在同一个节点上：过去全栈自研的模式下，每家公司都要重复做模型、做硬件、做落地，全行业在内耗中缓慢前行；而 “大脑” 与 “身体” 解耦后，模型公司可以专注打磨算法能力，本体厂商可以专注做好硬件、场景与交付，全行业会从 “重复造轮子” 的内耗，转向 “各守一段长板” 的分工协作。

从产业发展规律来看，这种分层是技术走向成熟的必经之路。API 就是分层的标志性产物 —— 当一项技术可以通过接口标准化对外输出时，才意味着它真正开始从实验室走向产业化。

3.2 本体厂的议价权：不会全员标准化，只会加速两极分化

模型可替换之后，市场上很自然地出现了一种声音：本体厂商会逐渐沦为标准化硬件，失去议价权，就像当年 PC 产业里的组装厂商一样。但从产业实际逻辑来看，结论恰恰相反：模型解耦不会让所有本体厂贬值，只会加速行业的两极分化。

原因很简单：具身模型的迭代高度依赖真实场景的数据，而真实场景的数据，掌握在离客户最近的本体厂商和集成商手里。API 模型再强，也需要用客户的场景数据做微调、做验证，才能真正落地产生价值。换言之，模型方有通用技术能力，但本体方有场景数据和落地能力。

最终的分化路径会非常清晰：一类是掌握核心场景、沉淀了高质量场景数据的本体厂商，它们会成为模型方争抢的合作对象，议价权持续上升；另一类是缺乏场景能力、只做硬件组装的厂商，会随着通用模型的普及逐渐标准化，陷入价格竞争。最终的产业格局，大概率是 “少数通用模型厂商 + 多家场景化本体厂商” 的分层结构，而非一家通吃。

3.3 终局尚早：三种模式都是对行业阶段的下注

回头看三家公司的三种模式，没有绝对的对错，本质上是对具身智能当前发展阶段的三种不同判断，以及三种不同的风险收益选择。

· PI 押注的是 “行业还在早期，通用能力不足，客户需要定制化适配服务”，走的是稳扎稳打的企业服务路线，若后续落地付费模式，收入确定性相对更强，但扩张速度偏慢，天花板也相对有限。

· Dream 押注的是 “通用跨本体能力已经接近可用临界点，标准化 API 可以快速爆发”，走的是互联网式的规模化路线，一旦跑通增长极快，但如果能力跟不上落地需求，很容易陷入叫好不叫座的困境。

· 破壳押注的是 “行业尚未到规模化商业化阶段，优先以免费模式完成生态卡位与行业认知渗透”，走的是类开源社区的路线，短期无直接商业化收入；通过吸引用户主动反馈场景数据持续迭代模型，一旦生态认可度建立、能力形成代差，后续的壁垒与想象空间更为广阔。

具身智能的 API 化，不是一个单纯的技术事件，而是一个标志性的产业事件。它标志着这个赛道已经从实验室里的技术探索，正式走向了商业化路径的集体探索。现在的三条路径，最终哪一条能跑通，下结论还为时过早 —— 毕竟所有的商业模式，最终都要拿到物理世界里去验证。可以确定的是，当具身智能的 “大脑” 第一次开始按次、按时、按服务对外售卖，这个赛道就已经彻底告别了实验室自嗨的阶段，正式进入了商业验证的深水区。

连界创新

推荐阅读

产业应用场景

·出海！中国具身智能企业在全球市场大“杀”四方！

·比人形更快进入家庭？具身智能宠物机器人迎爆发！

·文娱巨星！人形机器人“表演大乱斗”，谁赢了？

·商业导览成具身智能商业化破局点？

·巡检机器人之困，场景刚需，但这一问题亟待解决

机器人本体企业

·仿生机器人=伴侣机器人？一文为仿生机器人正名！

·乐聚Taskor，为人形机器人规模化进厂按下“快进键”

·具身智能争霸赛打响！四大核心区都有哪些“扛把子”？

·CES 2026｜星动纪元携人形机器人家族亮相

·智元CES放大招！开源Genie Sim 3.0强的可怕！

供应链动态

·零部件企业跨界突围！这些企业上大分！

·夺取物理世界的入场券：具身智能操作系统拆解

·人形机器人关节生死局：执行器路线之争与技术博弈

·灵巧手赛道“激战”，新老玩家各执什么王牌？

·开源数据集图鉴！这份具身智能“军火库”请查收

【声明】内容源于网络

机器人产业应用

由连界创新具身智能中心发起，以场景应用为导向，专注具身领域科技与产业的链接。我们将围绕投资+服务双轮驱动，为科技增长赋能。业务涵盖垂直行业峰会/沙龙、私董会、标杆走访，具身智能行业研究报告与咨询，产业生态系统搭建等。

内容 624

粉丝 0

机器人产业应用由连界创新具身智能中心发起，以场景应用为导向，专注具身领域科技与产业的链接。我们将围绕投资+服务双轮驱动，为科技增长赋能。业务涵盖垂直行业峰会/沙龙、私董会、标杆走访，具身智能行业研究报告与咨询，产业生态系统搭建等。

总阅读10.1k

粉丝0

内容624