进可以吸引更多本体厂商进行接口适配形成一套跨硬件复用的算法能力争夺“公共大脑”的位置退也可以培养开发者习惯为后训练、算力、存储、仿真和部署创造付费场景。作者|吴坤谚出品|产业家2008年谷歌把安卓免费“送”给全球手机厂商和开发者。通过统一的软硬件接口改变了应用分发、数据和服务的价值排序。掌握“灵魂”定义权的玩家最终攫取了硬件的核心价值。沿着类似的产业逻辑具身智能也在开源“赚钱”的道路上狂奔。资源雄厚的大厂是显眼的风向标。7月8日蚂蚁集团旗下蚂蚁灵波科技宣布全面开源具身基座模型LingBot-VLA 2.0后训练工具链同步开放。此前半年腾讯开源混元3D世界模型2.0为具身智能开放平台Tairos迭代技术底座阿里则早一步与英伟达在Physical AI领域达成合作把具身智能写进了云的版图。多家大厂相继开源具身模型与后训练工具链折射出其产业角色由出售训练资源开始迁移。开源的风同样吹到了垂直独角兽这边。本体厂商陆续开源VLA模型、数据集与训练工具智元、宇树均在其中以模型起家的自变量、银河通用还在开源的基础上搭建起数据采集的Infra。无人愿意让渡“灵魂”的原因写在宇树不久前披露的招股书里。“大脑”既是机器人规模化进入工业生产、社会服务和家庭生活的认知能力基础也是全球相关企业的发展瓶颈。瓶颈意味着溢价开源则是产业争夺这部分智能溢价的惯常手段。进可以吸引更多本体厂商进行接口适配形成一套跨硬件复用的算法能力争夺“公共大脑”的位置退也可以培养开发者习惯为后训练、算力、存储、仿真和部署创造付费场景。相比于智能手机具身大脑多了一层智能的演进过程有待在真实场景中反复训练和验证。开源能够降低模型的获取成本却无法解决数据的来源问题。自商业化的角度看大厂需要证明免费的基础模型能够转化为持续的云和工具链收入自变量、银河通用等独角兽则需要证明模型可以通过自有或合作本体进入真实场景让每一次部署产生可复用的数据进而提升能力、摊薄下一次交付的成本。一、大厂还在“修路”2023年大语言模型爆发后不同类型的主体迅速形成了以智能为价值中心的产业链。创业公司需要租用GPU训练模型企业需要调用模型接口打造应用开发者需要数据库、存储和推理服务。模型能力在充分的数据供给下快速迭代API调用量与消耗的Token随之成为新的计量单位。算力、模型和应用由此汇合在云端虽计算资源的载体有所变化但不妨碍云厂商借着AI成为最早获得确定性收入的一批企业。要想富先修路。具身的智能也经历了相似的需求扩张面对雨后春笋般冒出的机器人企业大厂直觉性的第一步当然是向所有参与者出售GPU和存储资源。在产业的主要矛盾还集中在本体量产交付时这是大厂风险最低的选择。而今AI云的供给形态生变推动大厂将资源投向开源具身模型。对云厂商而言语言模型的商业模式已经相当成熟。基础模型被嵌入云、代码、数据库等应用能力经由产品入口转化为API请求和Token消耗这让技术优势可以更顺畅地转化为收入也会更快被模型追赶和价格竞争稀释。2026年以来头部大模型仍在快速更新。7月16日月之暗面推出最新万亿参数模型Kimi K3三天后阿里紧随其后上线了Qwen3.8-Max-preview还有消息称DeepSeek V4将发布正式版。云厂商既需要比拼语言模型的能力与产品化同时也需要寻找尚未完成利益分配的新市场。产业落地方兴未艾的具身智能便成为AI云厂商渴求的蓝海。另一方面随着具身大脑成为制约产业发展的要素客户需求也走出了同质的算力向数据处理、仿真、后训练等环节延伸。在这个尚未成熟的市场智能是卡位的前提。开源具身模型也就有了更多商业可能——模型不只提供能力也会反向规定数据怎样采集、动作怎样表达、本体怎样适配。越是具备通用能力的智能“大脑”越有可能吸引客户在自家基础设施上“长脑子”。反过来采用“大脑”后丰富的环节也扩充了云服务的付费点。只是上一轮连接算力与应用的是一条只属于信息的高速公路这一轮信息通路却需要深入工厂、仓库和商业现场更像一张复杂的毛细血管网络。如果简单复制大语言模型时代的路径未必能够轻易复现“修路”式的增长反倒是让商业目的走在了能力兑现的前面。首当其冲的是具身数据比语言数据更难流动。语言模型背靠多年积累的互联网数据预训练完成后又可以通过API直接交付能力。具身模型面对的则是分散在物理世界中的视频、关节状态、力觉、触觉和动作轨迹受到实时性、数据安全和现场网络条件的限制这是大厂力有不逮的长尾。更重要的是具身智能还没有发掘出自己的“Token”。这是语言模型智能的最小单位让服务可以被统一调用、衡量和收费。反观具身智能本体工作一小时的轨迹会随本体构型、任务难度和数据质量发生变化。在缺乏统一计量方式的情况下即便大厂向产业提供“模型、数据与工具”的组合供给也很难让商业模式走出项目制的泥潭走向标准化。就像云计算诞生后逐渐生长至成熟的IaaS、PaaS甚至是MaaS云厂商开源具身大脑只是铺下了第一段路基。谁能把分散在不同项目中的数据、评测和部署经验沉淀为可复用资产谁才可能把零散的算力订单变成持续的平台收入。二、独角兽寻找闭环具身大脑的竞速归根结底是建立一条数据、模型、部署与回流的闭环。闭环谁都想要但技术栈如何组合、闭环由谁掌握行业尚未形成统一答案。这导致不同产业角色各有侧重但不同路径的边界并不清晰能力上时有交叉。以企业的核心支点为依据具身“大脑”玩家大致形成四条路径。首先就是前文提到的大厂不会重注某个单一路径向所有参与者出售算力、数据和工具。机器人本体起家的智元、松延动力和宇树为了打破出货瓶颈避免长期停留在硬件制造和项目集成环节“长脑子”以及后续数据、真机/仿真学习是必选项。自变量、千寻智能、智平方和星海图从基础模型起步试图让一套智能跨越不同本体争取软件与平台价值。最后一类企业更靠近场景。银河通用利用仿真、合成数据与真实作业反馈训练模型再将能力压进零售、工业等边界相对明确的任务。它们不等待通用智能完全成熟而是先用解决方案获得收入和数据。技术版图相互交叉的背后是不同的商业重心分别指向整机销售、平台复用与场景交付。其中自变量与银河通用代表了横向开放和纵向闭环两种更具辨识度的选择。在旗舰模型侧自变量以WALL-B强调世界建模、空间推理与事件演化在开放生态侧则通过Wall-OSS系列公开权重以及训练、推理和评测代码。两条产品线都具有明确的产业意图即尽可能放大模型的通用性加速第三方生态扩张扩大实地验证范围。开发者在不同机器人和场景中使用模型相当于替“大脑”做了前置市场教育。开源社区由此成为一个销售漏斗能够通过基础模型完成初步验证的客户后续可能购买后训练、数据服务、数采设备或整套机器人方案。漏斗越宽自变量越有机会捕捉场景以及其后的商业价值。上半年以来自变量加速“扩列”B端与顺丰、金杯股份达成合作场景集中于机械臂与灵巧手C端则进入58同城到家平台推出由自家机器人与保洁阿姨协同完成的智能保洁家庭服务。不过看似多线并举的业务也折射出开放的挑战。第三方机器人产生的数据并不会因为使用了开源模型就自动回到模型公司——其与58同城的合作便投入自家机器人借平台之手触达家庭这个长尾场景。另一项佐证是自变量重投入建设数采设施其自建数据工厂的时间可追溯到两年前。向外开放模型、算法和训练框架向内建设数采、训练和验证能力让自变量的开源呈现出“外开内收”的特征。银河通用的路径更接近纵向一体化以自研合成数据管线与自有本体模型为锚。其开发者平台提供GalbotSDK、仿真资产与分层解决方案核心场景模型则优先服务于GALBOT G1本体的零售、工业等商业化落地对外同步开放遥操系统 OpenWBT、合成数据集与部分训练代码。商业合作上银河通用深入药房、便利店与工业搬运等具备共性的场景如美团到家服务中的智慧零售、无人药房与博原资本设立合资公司聚焦复杂装配、智能质检等制造任务。如果说自变量是在广场上搭建公共舞台邀请不同身体测试同一颗大脑银河通用更像经营直营连锁统一机器人、统一工具链再选择可以复制的场景开店。无论什么场景商业交付本身即是数据采集站。似这般模型、本体和场景由同一家公司控制的模式使银河通用的数据回流更短、迭代更快让模型进步与客户付费形成更清晰的对应关系。另一方面机器人在同一套“题库”里越做越熟并不天然证明它换一副身体、进入陌生行业后仍然聪明。以银河通用主打的智慧零售、药房场景为例机器人在药房货架间稳定取货并不等于进入家庭或物流仓库后仍然有效。言下之意银河通用用更短的数据回路换取商业确定性也丢失了一些扩张的腾挪空间。有业务兜底的大厂高屋建瓴可以先修路建收费站独角兽们却没有这般“余庆”它们既要证明脑子足够聪明也要尽快找到好身体把模型送进真实场景换回收入与数据。企业的业务落地紧密贴合技术路线回应的是有限资本与发展过程中的阶段性取舍。一横一纵前者押注平台效应和通用能力的溢价后者押注场景复制与单位经济性。三、提前计算的溢价大厂持续进入独角兽也刚刚形成自己的头部。无论闭环如何组织越来越多具身企业给了“大脑”更高的发展优先级。形态各异的终端硬件受到自由度和制造成本的约束解决方案容易被具体场景锁定甚至数据平台也受制于来源的分散、标准不一。“大脑”则不一样。一套模型如果能够跨越不同本体、任务与环境复用便可能将一次训练形成的能力复制到更多机器人上——产业角度“大脑”承载着最强的通用想象市场角度这是投资者们最热衷的边际成本递减的故事。VLA、世界模型、分层控制等路线仍在并行探索每一种尚未被证伪的路线都可能被解释为通往通用具身智能的入口。于是不同角色从各自位置出发最终都把“大脑”视为摆脱线性增长的机会。资本市场则在定价上为其做了最后一次助推。当一项技术本身的产业必要性、技术可能性与资本想象被叠加在了一起其未来可能获得的通用溢价便被提前计入了今天的竞争。不论是验证“大脑”的泛化能力还是兑现商业价值对应的场景落地都是必由之路。可以看到近一年来不同层级的具身智能企业频繁与产业链企业合作为模型找终端为终端找场景。如前文提到进入家政的自变量机器人与银河通用—博世的工业合作。值得注意的是具身智能的场景共创带有明显的政企牵引特征。7月24日宇树科技与成都市达成战略合作还有东风柳汽×优必选、上汽北京×逐际动力等——电力、汽车制造、工业园区等率先开放的场景往往掌握在央国企、地方产业平台或大型企业手中。那么“大脑”是否真的具备对应的产业价值物流恰好提供了一个观察窗口。前文提到顺丰与自变量达成合作把部分柔性分拣任务交给具身机器人试验。另一家物流企业则在业务现场沿用了成熟的专用自动化从而将更多资源投入进企业决策大脑中。两种选择不是对智能的信仰不同而是对单位任务成本的判断不同。要知道倘若企业要在某个物流分拣中使用具身智能灵巧手、机器人可能涉及停线、并线测试或局部改造再不断通过失败案例学习至可控。这其中的损失包括停线、采购部署、驻场人工等。内部人士告诉产业家灵巧手和通用机器人的寿命、维护成本与停线损失尚未达到大规模替代人工的条件。目前的标准件可以基本交给专用自动化设备至于需要智能的异形件还不如留给人工分拣。企业客户都会算两笔账把环境改造成机器容易理解的样子需要多少钱让机器人理解一个未经改造的环境又需要多少钱。前者是环境改造成本后者是机器人智能成本。只有当柔性机器人减少的改造费用、人工投入和设备切换成本超过其模型与本体成本具身智能才具备商业优势。进一步说通用性是“大脑”的技术价值单位任务成本才是客户承认的产业价值。具身智能试图把场景、数据、模型和本体连成闭环但这项指标像一把刻刀将价值分割在数据生产、模型训练、本体制造和场景运营等环节。至少现阶段它还没有像移动互联网的应用商店、云计算的基础平台那样向单一入口集中。可以预见不同场景所需的智能将加速分层。高吞吐、固定流程的任务会继续采用专用自动化环境多变、任务价值更高的场景才有动力购买更通用的具身智能。所谓“公共大脑”也不一定是一个模型包揽所有机器人更可能是一套被广泛采用的数据格式、硬件接口、评测体系和部署工具。只有当一次训练形成的能力能够以更低成本迁移到下一台机器人、下一个任务“大脑”的技术通用性才会转化为商业上的规模效应。大厂开源模型、独角兽争夺闭环都是在提前押注这一刻的到来。它的溢价已经写进融资估值和资源投入却还没有完全落到客户的账本上。