孙正义、贝佐斯、黄仁勋——三位全球科技与资本圈最具风向标意义的大佬，近来正不约而同地把重金押向同一个方向：机器人的大脑。

　　软银以140亿美元估值投资Skild AI、并斥资53.75亿美元收购ABB机器人业务，贝佐斯个人领投Physical Intelligence，黄仁勋则将物理AI定义为AI产业的第三波浪潮，断言机器人的ChatGPT时刻即将到来。

　　从行走、奔跑到跳跃、搬运，厂商不断刷新机器人的运动能力边界。本体性能、关节精度、负载水平、整机成本与量产速度，一度成为市场理解这一赛道的主要坐标。但当机器人真正走出实验室，进入工厂、门店和仓库，行业开始发现：一副更灵活的身体，并不会自动转化为生产力。

　　一台已经学会搬箱子的机器人，换一种颜色、材质和尺寸的箱子，或者进入另一座工厂、调整一个工位，原本掌握的技能就可能出现明显衰减。为了让机器人重新适应，企业往往需要重新采集机器人轨迹、标注动作并微调模型。每增加一家门店或一座工厂，都接近重新实施一次项目。

　　这些落地难题，正在将具身智能行业的竞争重心从“本体”推向“模型侧”。从VLA、世界模型到各种技术路线的结合，越来越多公司开始加码具身智能模型的开发。

　　模型学会一项技能后，能否进入千差万别的真实环境中稳定泛化？每增加一个部署点位，又需要投入多少时间和工程人员？这些问题正在成为衡量具身智能公司的新尺度。

　　从现有探索看，海外具身模型正在形成两种不同的技术路径：一种与自有本体深度绑定，另一种则试图跨越硬件和场景。

　　Figure走的是模型与自有本体深度融合的路线年发布的Helix将

　　在Helix 02的演示中，一台Figure 02机器人在完整厨房环境中自主完成洗碗机装卸，4分钟内连续执行61个动作，从识别碗碟、抓取放置到关闭柜门，全程无需人工干预。这被视作端到端全身控制的标志性进展。

　　软硬件深度绑定的优势在于压缩控制链路、提高动作稳定性。但模型迭代与数据积累高度依赖Figure自有机器人的部署规模，而这也会使其泛化能力受到更多限制。针对Figure展现做家务场景时，投行伯恩斯坦就曾提出疑问：“更换和训练集外观、尺寸完全不同的碗碟，机器人能否稳定完成作业？”

　　而Physical Intelligence的π系列走的则是另一条路——通用模型路线，更强调跨本体和开放环境中的泛化。π0模型支持68个任务、7种不同形态的机器人，试图用同一套大脑驱动不同的身体；π0.5通过融合不同机器人数据、互联网数据和任务语义，让机器人能够在未参与训练的新住宅中完成清理等长程任务；而最新发布的π0.7进一步展示了跨本体迁移和不同任务策略的学习能力。

　　这条路径的吸引力在于通用性——如果一套模型真的能适配各种机器人，它就有可能成为物理AI时代的安卓系统。贝佐斯、OpenAI等顶级资本的重金押注，也正是看中了这种底层能力的商业化天花板。但质疑同样存在：缺乏软硬件深度闭环的技术方案，能否在真实工业场景中达到足够的稳定性和精度，仍待更多验证。

　　此外，英伟达与谷歌则把竞争延伸至模型之外的基础设施。英伟达发布的GR00T N1以真实机器人轨迹、人类和合成数据混合训练，同时配套仿真、合成数据生产和物理引擎，试图覆盖从数据生成、模型训练到真机部署的完整链条。谷歌推出Gemini Robotics、Gemini Robotics-ER等，则将Gemini的多模态理解和空间推理能力延伸至机器人，并探索模型在不同形态机器人上的快速适配。其双模型架构——推理模块与控制模块解耦——也为行业提供了另一种技术思路。

　　这些公司的技术路径并不相同，但都指向一个共同趋势：具身智能的竞争重心正在从本体参数进一步转向模型能力。

　　宇树、优必选等全栈硬件厂商，从机器人本体和制造体系出发，逐步向上构建模型能力；

　　小米等消费电子企业，从供应链和数据生产优势切入。2026年7月，小米开源380亿参数的Xiaomi-Robotics-U0，用于生成、迁移和扩增机器人训练所需的数据，其机器人也已进入小米工厂“打工”。

　　银河通用的技术逻辑，与前述两类路径恰好相反——后者多从制造或供应链优势向上延伸模型能力，而银河通用选择让模型能力定义硬件架构与数据体系。公司以具身智能大模型为技术原点，向本体设计、数据采集与场景应用反向延伸，形成“大模型—本体—数据”三者相互驱动的全栈闭环：大模型牵引本体架构与数据需求，本体提供物理载体与实时反馈，数据则为模型迭代提供持续养料。

　　具体来看，银河通用已推出自研的“银河星脑”具身大模型，将感知、规划与控制集成于端到端架构中，覆盖多模态感知、长程任务规划、全身控制与灵巧操作等模块。在本体层面，Galbot G1与S1已在零售、工业、康养医疗、教育等场景实现规模化落地，其中S1自今年3月起在宁德时代产线小时自主常态化运行，G1则落地智慧药房、银河太空舱等场景，覆盖全国40余城、数百家门店。

　　数据层面，“银河星数”基座通过虚实融合训练范式与五层金字塔管理体系，形成“真实场景—数据回流—模型进化—场景”的闭环。

　　这一闭环的核心价值在于：每一次部署都不是孤立的项目交付，而是为模型贡献一次进化机会。 部署越多，数据越厚，模型越强，下一次部署的成本越低、速度越快。这正是全栈技术飞轮区别于单点技术供应商的根本壁垒。

　　不难看出，海内外市场已经形成共识：模型正在成为机器人能否真正进入场景的关键，而能否构建起“数据—训练—部署—迭代”的闭环，则是决定模型能否持续进化的分水岭。

　　PI在2024年完成4亿美元融资，估值达到约20亿美元；2025年又完成6亿美元B轮，估值攀升至56亿美元。今年1月，软银与英伟达以140亿美元估值投资Skild AI；今年6月，Generalist完成4亿美元融资，累计融资超过5亿美元，李飞飞等AI 学者以天使投资人身份参投。

　　国内也同样出现了相似趋势。2026年3月，银河通用完成25亿元新一轮融资，由国家人工智能产业基金领投，这也是国家大基金首次出手具身智能赛道。本轮融资完成后，市场称其估值位居中国具身智能领域首位。

　　为什么资本愿意在规模化收入尚未释放的阶段，给予这些公司如此高的估值？几位顶级投资人的判断或许能提供答案。

　　英伟达CEO黄仁勋将物理AI定义为AI产业的第三波浪潮。认为前两轮AI红利集中在虚拟数字世界，而未来AI技术会全面落地实体物理世界。未来我们的大街上、工厂里，会有成百上千亿个自主机器人在现实世界中运行。在他看来，机器人的ChatGPT时刻已经出现，而模型层正是这个时代的核心基础设施。

　　软银董事长孙正义则更为激进。他称AI是泡沫是对AI的亵渎，认为本轮AI革命规模是互联网时代的50倍，物理AI与人形机器人将诞生下一批万亿美元市值公司。软银不仅重金投资Skild AI等模型公司，更以53.75亿美元收购ABB机器人业务，从幕后金主转向亲自下场。

　　亚马逊创始人贝佐斯是另一个重量级押注者。他不仅个人领投了PI的A轮融资，还创立了专注工业AI的Prometheus公司。贝佐斯的逻辑很直接：如果一个需要100个工程师花10年的任务，能由10个工程师在一年内完成，我们就会造出多得多的东西。在他看来，通用机器人大脑将极大提升物理世界的创新效率。

　　这些投资逻辑的背后，是估值坐标系的根本性转变。市场愿意给予这些公司远超当期收入的高估值，显然不只是基于机器人销量和利润，更重要的是对模型能力、数据资产和未来平台化潜力的预期。

　　这与大语言模型时代对OpenAI、Anthropic的定价逻辑有相似之处：市场愿意为一套能够被反复调用、迁移至更多任务的底层能力支付溢价。OpenAI最新估值约8520亿美元，Anthropic更是达到9650亿美元——市场为可复用的底层能力支付的溢价，远高于硬件销售的估值倍数。

　　摩根士丹利分析师Sheng Zhong团队也认为，机器人“大脑”的重要性将在2026年进一步上升，模型能力会成为企业之间的关键差异。报告中，大摩将人形机器人产业链分为大脑、身体、整合者三大环节，并指出竞争壁垒正逐渐向拥有专有数据飞轮的方向倾斜。

　　一类是独立模型供应商。这类公司的角色类似智能手机时代的安卓系统商，专注于开发通用具身大模型，再向不同机器人本体厂商输出能力，并按照调用量、部署量或授权规模收费。其坐标体系更接近基础大模型公司，核心取决于模型的通用性、跨本体适配能力以及生态覆盖范围。PI、Skild AI等公司更接近这条路径。

　　另一类是全栈技术飞轮。这类公司同时掌握机器人本体和模型，通过大规模部署积累真实数据，再用数据持续迭代模型，形成软硬件闭环。其价值既来自硬件收入，也来自模型能力带来的溢价，关键要看机器人部署规模，以及“部署—数据—模型迭代—再部署”这套飞轮能否高效运转。特斯拉、银河通用等公司更接近这条路径。

　　但这一路径的现实挑战在于部署的边际成本——如果机器人每进入一家新门店或一条新产线，都需要重新采集轨迹、标注动作、微调模型并让工程师长期驻场，那么部署越多，交付压力反而越大，飞轮便难以真正转动。

　　这正是银河通用全栈闭环所要解决的核心命题。其判断是：模型能力的通用性，不仅要体现在技能成功率上，更要体现在新场景的泛化效率上——能否以最低的增量成本将已有技能迁移至新环境，才是决定规模化部署可行性的关键。基于此，银河通用最新发布的WAM-TTT框架，通过减少对遥操作数据和驻场人力的依赖，将新场景适配从重投入的“项目制”向可复用的“标准化”流程推进，从而让“部署—数据回流—模型迭代—更低成本再部署”的循环真正跑通。

　　这一循环已在零售、药房、工业等场景中初步验证了可行性——宁德时代的7×24小时常态化运行、全国40余城数百家门店的落地，都证明了这是一个正确的起点。但模型能否在更多硬件形态上保持稳定、第三方厂商在什么条件下愿意接入、面向不同场景的收费体系如何设计——这些问题的答案，只能来自更大范围的实际部署。无论是Figure、PI，还是银河通用，所有押注通用具身大模型的公司都站在同一条起跑线上：方向已经清晰，接下来拼的是工程化落地的深度与广度。

　　当然，“模型溢价”并非没有风险。技术路线收敛的不确定性、商业化节奏慢于预期、以及巨头入场后的价格战，都可能让高估值面临压力。但拉长周期看，物理AI作为AI产业的最后一波浪潮，其市场空间远大于数字世界的任何一个细分赛道。在潮水真正退去之前，市场更愿意为“拥有最强大脑”的公司保留一张昂贵的船票。

　　对于投资者而言，2026年下半年需要关注的核心指标，不再是单季度出货量或毛利率的短期波动，而是三个更前瞻的信号：模型在新场景中的泛化成功率、每新增部署点位的边际成本变化趋势、以及真实操作数据的积累速度。这三项指标，才是衡量“模型溢价”能否持续的关键锚点。