真机智能董事长兼首席科学家刘智勇指出，2025 年具身智能领域最显著的突破集中在视觉语言导航（VLN）与世界模型两大方向。他强调，一旦世界模型在因果推理能力上取得突破，机器人安全性、行为可解释性及推理可靠性问题将迎刃而解。
“2026 年本体厂商将加速整合，中国预计仅存 5 到 8 家具备持续交付能力的本体机器人公司。”刘智勇表示，关键胜负手在于能否在单一垂直场景中实现真正意义上的净盈利——即不依赖高额售后成本、可持续的正向现金流。整机销售模式面临售后压力大、用户支付门槛高等挑战，“整机销售 + 年度服务费”已成为更优路径；未来按单计费的轻资产模式亦具可行性。
VLN 和世界模型：技术范式跃迁
刘智勇： VLN 是今年最具代表性的技术突破。相比传统以 SLAM 为核心的几何导航范式，VLN 依托视觉-语言多模态输入，实现了真正的零样本泛化能力——无需预建地图，机器人即可在全新固定场景中自主完成门到门配送任务。UniNavid、ETPNav、FSR-VLN 等代表性工作已验证该路径的工程可行性。其核心价值在于大幅降低部署成本（目前占整机售价约 38%），从而推动成本结构适配场景化盈利模式，为规模化落地扫清关键障碍。
刘智勇： 算法层面正从“感知-决策-执行”分离的模块化架构，转向 VLN/VLA 端到端统一范式；数据层面，由纯真实采集转向合成数据、离线轨迹挖掘与世界模型协同驱动；训练范式则从强化学习调参，升级为世界模型引导的预测式学习。世界模型已成为行业解决数据稀缺、corner case 覆盖与长程状态模拟的主流共识。
刘智勇： 现阶段三大作用明确：一是增强长程任务规划能力，缓解短视困境；二是动态环境适应，通过预测移动物体轨迹保障本地行动安全；三是弥合数据泛化鸿沟，高效生成高质量训练样本。但当前瓶颈在于其“黑盒”特性——缺乏白盒可微性，制约调试与可控性提升。
刘智勇： 最根本的质变是导航范式从 SLAM 向 VLN 的迁移。SLAM 依赖静态地图、高精度传感器标定且无语义理解能力；VLN 则融合视觉与语言，实现语义级环境理解，支持动态适配，摆脱激光雷达与预部署地图依赖，在成本、部署效率与场景泛化性上实现跃升。当前核心难点在于统一行动、观测与语言三个异构空间。
大规模落地的现实卡点
刘智勇： 当前数据瓶颈集中在两方面：一是场景覆盖不足，主流数据集如 Matterport3D、Habitat、AI2THOR 均基于有限封闭环境构建；二是采集与标注成本高昂，3D 数据标注难度较 2D 图像高出一个数量级。
应对策略呈三层结构：一是持续采集真实 RGBD 视频流及数字手套数据，并辅以人工指令标注；二是利用仿真器批量生成视觉-语言-轨迹三元组；三是探索“静态片段重写”新范式，在不改动 3D 环境前提下高效扩展样本。离线轨迹挖掘亦为重要演进方向。
刘智勇： 进步显著：一体化关节、灵巧手与触觉传感器使机器人具备开单元门、按电梯等精细操作能力，标志着从轮式移动向人形具身的关键跨越。
但硬件短板依然突出：一是高分辨率柔性触觉皮肤缺失，导致盲按电梯成功率低；二是门把手类型繁多，缺乏触觉反馈则难以泛化适配；三是电机、丝杠等执行部件在高频反复操作下的耐疲劳性与反脆弱性不足。开门能力与触觉性能是当前硬件攻坚重点。
刘智勇： VLN 落地存在两大硬约束：一是感知-决策延迟问题，在开放环境中可能导致致命响应滞后，亟需端侧轻量化部署；二是硬件性能短板，既要高灵敏度感知，又要高鲁棒性执行，现有部件的耐久性尚不达标。世界模型层面，隐式神经表征仍难支撑开门、按键等任务所需的精准几何信息表达。
具身智能商业模式重构
刘智勇： 北京真机聚焦传统 SLAM+轮式机器人方案，苏州真机主攻 VLN+人形机器人技术路线。后者两大攻坚方向为：一是实现零样本门到门配送，彻底取消预建图环节；二是突破全身运动控制，以动态平衡替代静态假设，提升开门、按电梯等动作的泛化性与成功率。二者结合，即可在无 GPS、无建图条件下完成“最后五公里”的全链路室内配送。
刘智勇： “整机销售 + 年度服务费”是当前最可持续的模式，兼顾厂商回款周期与用户成本压力，将一次性硬件生意转化为长期现金流业务。按单计费模式亦具潜力，例如人形配送机器人单次成本可压至 2–3 元，与达达等平台合作可形成规模效应。
本体厂商洗牌与决胜逻辑
刘智勇： 两大突破方向清晰：一是非结构化场景下的稳定作业能力，需兼具社交行为表现与自主导航能力；二是攻克莫拉维克悖论——让机器人胜任人类习以为常的简单物理任务。技术决胜点在于世界模型的因果推理能力，该能力一旦突破，将系统性提升机器人安全性、可控性与行为可解释性。
刘智勇： 本体厂商将加速出清，马太效应加剧，中国最终或仅剩 5–8 家头部企业。国际企业在大模型底层能力上领先，中国则胜在供应链成本优势与场景落地速度。2026 年竞争维度将从单点技术先进性，全面转向系统级效率——谁能率先在单一场景实现可持续净盈利，谁就能构建数据飞轮，进而支撑跨场景复制与迭代进化。