【环球网科技报道 记者 李文瑶】站在2026年世界人工智能大会（WAIC）的展馆里，灵初智能CEO王启斌向记者感慨：“从去年到今年，行业节奏明显加快。”放眼望去，几乎每家机器人公司都有自己的本体展示，从灵巧手到人形机器人，产品形态日益丰富，竞争态势也愈发激烈。
这种密集竞逐的背后，是具身智能行业正在经历的转型升级。从概念验证到商业化落地，从拼硬件参数到拼数据与模型能力，赛道分化已在酝酿之中。
展台风向转变：“炫技”退烧，“有用”登场
与往届不同，今年WAIC的具身智能展区出现了值得关注的现象——单纯展示机器人翻跟头、跳舞的展台人气下降，而真正拿出场景解决方案的企业开始获得更多关注。
在灵初智能展台，记者看到一台搭载灵巧手的机器人正在演示光模块的检测与包装全流程。从亚毫米级精度的模块插拔，到柔性物料的打包，全程由一台机器人完成，涉及多个工位的长程任务。“大家看到的这一圈展示，其实是一个全模态的闭环——从人类数据采集，到模型训练，再到真实硬件上执行任务，”王启斌介绍，“我们从最早怎么采集数据，到在世界模型里验证效果，再到机器人在真实场景中作业，完整呈现了整套技术栈。”
这并非孤例。多家头部企业今年都亮出了“工厂成绩单”——机器人真正在产线上干活的数据，而非实验室里的Demo。行业正在告别“样机时代”，进入商业化验证的第一阶段。
王启斌对记者说道，行业落地要经历三个步骤：第一步是完成POC（概念验证），展示技术和产品能解决问题；第二步是把单机经济账算清楚，从部署到运营到运维，全生命周期算得过账；第三步才是规模化。“从做一台到做一百台，再到一万台，这是本质性差异，”他强调，“目前行业大部分还并行在第二个和第三个阶段之间，真正规模化部署的，在制造业场景里可能也就10台到20台左右。”
技术路线分化：“大脑公司”与“整机厂商”各谋其位
当硬件逐渐成熟，行业竞争焦点正在向上游迁移。
今年WAIC上，一个显著的变化是：除了整机厂商，越来越多“大脑公司”开始亮相。它们不主打本体硬件，而是强调自己的模型、数据和算法能力。灵初智能正是其中之一——其定位是“通用灵巧操作大脑公司”，专注于用人类数据训练具身模型。
“灵初是中国唯一一家从成立第一天就说自己不做夹爪、只做灵巧手操作的复杂操作公司，”王启斌告诉记者，“这是我们独特的定位，也是吸引投资人的稀缺性所在。”
在技术架构上，灵初提出了“双系统”路线——一个系统负责学习“怎么做”，另一个世界模型负责推演“会怎样” ，两者通过真实数据、失败样本和强化学习形成闭环。“本质上还是技术融合，是为了解决一个问题：我怎么样把一个物体的动作这层做得很好。”王启斌说。
这一技术路线的背后，是行业对“什么才是高质量数据”的重新思考。
数据的“竞赛”：人类数据成为核心资产
“最高质量的数据，就是人类在真实环境里干活时产生的数据，”王启斌告诉记者，“人在动态或半结构化环境里，怎么分解任务、怎么手眼协同、犯了错怎么纠错——这些能力都蕴含在数据里。”
基于这一判断，灵初采用轻便可穿戴的外骨骼手套，在真实工厂和仓库里采集人类操作数据。王启斌透露，其数据配方中90%以上来自人类手套采集的多模态数据——包括视觉信号、人类关节角度和触觉信息，而传统遥操作或真机数据占比极小。“真机数据成本太高，一套采集设备就要40到50万，而且从A构型迁移到B构型，泛化能力也有挑战。”
不过，这条路远非坦途。业内普遍面临“数据饥渴”——高质量、低成本、多模态、可规模化的人类操作数据严重不足，以及数据如何真正进入模型训练、评估、部署和回流的闭环。灵初的目标是积累100万小时的人类操作数据，而目前行业能达到10万小时级别的公司屈指可数。“我们希望在8月或9月告诉大家今年的财务数据，”王启斌透露，“包括数采设备的销售和一些场景的落地。”
竞争格局：分化在即，淘汰赛前夜
“明年就会出现分化，”王启斌判断，“产业周期比资本周期要慢——具身智能肯定是一个十年长周期赛道——但资本不会等那么久。”
在他看来，能留下来的企业必须同时具备两个核心能力：一是高效率、低成本地获取批量化数据并快速迭代模型；二是将软硬件做到深度耦合的整机效果。支撑这两点的是融资能力和组织能力。“在这类公司里，要完成从技术到产品再到市场的长链条，需要深度科学家、工程化能力、产品经理和年轻AI人才共同配合。”
对于当前人形机器人和灵巧手赛道的融资热潮，王启斌保持冷静。他不回避“泡沫”的存在——当被问到如何定义产业所处的发展阶段时，他的回答坦诚而直接：“严格地说，从硬件到数据到模型的组合，大部分场景还达不到真正的市场落地——算不过ROI的账。”
他强调行业硬件生态已经跑在“脑”的前面，真正制约机器人价值释放的是操作大脑的能力不足。“硬件从样机到批量化的阶段，核心零部件和传动方案已经有了，但整个系统的使用寿命、耐久性和发热问题还需要持续解决。”
而谈及行业洗牌，他提出三个判断标准：长期有效的是把数据和模型做好；其次是整机耦合做到系统最优；底层则是资金和组织能力。“如果在这里头没有抓住任何核心要素，那就很难了。”
中国机会：场景优势能否转化为模型优势？
在中美具身智能竞赛的语境下，王启斌认为中国有自己的独特路径。
“美国在模型迭代上可能略有领先，但中国在数据获取成本、应用场景丰富度和产业链迭代速度上有优势，”他说，“同样一条抓取数据，美国按美元计价，中国按人民币计价，这里面的成本差异是结构性的。”
但他也指出，中国企业的挑战同样明显：如何防止过度内卷，如何立足全球市场做有价值的解决方案，而非仅仅在硬件参数上低水平重复。“大家可能会看到我们不停地在卷硬件，”他说，“我觉得还是要立足于全栈的公司，把产品做成有价值的解决方案，定位于全球可做的市场。”