前言
2026 年，人形机器人出现在工厂、仓库和实验室里的频率，已经高到让人有些麻木。视频里叠衣服、搬箱子、拧螺丝的片段每天都有新的，但真正值得写下来的变化不在视频里，而在产线的节拍表上：Figure 的第三代机器人在 BMW 工厂承担了实际的物料搬运工位，Agility 的 Digit 在商业部署中累计搬运超过 10 万个周转箱，宇树把 G1、R1 这类硬件的价格压到了过去只有实验室才敢想的区间。
三年前，这个行业的关键词是”能不能动”；两年前是”能不能听懂指令”；到了 2026 年，问题变成了”能不能连续干满一个班次，出错率是否低于人类，坏了谁来负责”。
这一转向的技术底座，是机器人基础模型（Robot Foundation Model）的成熟。本文想梳理的是：这一轮具身智能的进展究竟建立在什么之上，VLA 与世界模型的路线之争意味着什么，真机数据这道坎为什么这么难跨，以及当机器人真的走进产线时，工程与安全会提出哪些模型层面回答不了的问题。
一、从预编程到基础模型：机器人”大脑”的三级跳
要理解 2026 年的进展，得先回看起点。上世纪 90 年代到 2010 年代，本田 ASIMO 代表了具身智能的第一次高潮：它能走路、上楼梯、挥手打招呼，动作优雅得令人惊叹。但 ASIMO 的每一个动作都是工程师逐帧编排的状态机，换一个场景就要重新写一遍代码。它演示的是控制工程的极致，而不是智能。
第二次跃迁发生在 2022 至 2024 年，模仿学习与大规模示教数据让机器人第一次具备了”从数据里学动作”的能力，但模型仍然任务专用——一个模型叠衣服，另一个模型开抽屉，彼此不通。
第三次跃迁就是当下：把视觉、语言、动作放进同一个模型，用互联网规模的语义先验去支撑物理世界的操作。这就是 VLA（Vision-Language-Action）范式的核心主张——机器人不必为每个任务重新编程，而是像人一样”看懂场景、听懂人话、做出动作”。
2026 年的代表性模型，基本可以把格局看得比较清楚：
| 模型 | 机构 | 关键特征 | 2026 年状态 |
|---|---|---|---|
| π0 / π0.6 / π0.7 | Physical Intelligence | 视觉-语言骨干 + 流匹配（Flow Matching）动作头，输出连续、平滑的动作轨迹 | π0.6 用真机强化学习把单任务推到极限；π0.7（2026.04）主打组合泛化，零样本跨本体叠衣 |
| GR00T N1 → N1.7 | NVIDIA | 基于 Isaac Lab 大规模仿真预训练，再叠加真机微调，强调跨形态迁移 | N1.6 于 2026 年 1 月发布；截至 2026 年 5 月，3B 的 N1.7 是中型主力版本 |
| Gemini Robotics 1.5 | Google DeepMind | 直接构建在 Gemini 多模态底座上，继承视觉理解与语言推理 | 灵巧操作能力突出，能完成叠衣、组装积木等精细任务 |
| GEN-1 | Generalist AI | 从零训练，主张”目标比方法更重要” | 2026 年 4 月发布，走的是与 VLA 微调路线不同的自研基座 |
| RynnBrain | 阿里达摩院 | 定位 System-2「具身大脑」，负责第一视角理解、时空定位与任务规划 | 2026 年 2 月开源，覆盖 2B/4B/8B/30B-A3B 多个规模 |
一个容易被忽略的细节是：这些模型的能力提升，很大一部分并非来自架构创新，而是来自数据配比的工程学。π0.6 的开放世界泛化之所以成立，是因为训练集里混合了多机器人数据、多模态网络数据（问答、caption、检测）、跨本体数据、多环境静态数据，以及带高层语义子任务标注的口头指令。消融实验显示，一旦抽掉跨本体数据，泛化能力会大幅退化。这说明”机器人基础模型”本质上是一个数据工程问题，而不是单纯的模型规模问题。
二、VLA 不是全部：世界模型补上”物理直觉”
2026 年行业里最热闹的争论，是”世界模型会不会取代 VLA”。
先把两个概念分开：VLA 回答的是”看到这个场景、听到这句话，我该输出什么动作”；世界模型回答的是”如果我这样推一下，接下来会发生什么”。前者是策略，后者是物理直觉与想象力。
这场争论的现实背景是，纯 VLA 路线在长时序、多阶段任务上确实吃力。一次抓取失败意味着任务中断，一次路径偏差意味着碰撞风险，而 VLA 的单次推理延迟通常在 100 到 500 毫秒之间——对于需要 50Hz 以上控制频率的精细操作，这个延迟远远不够。业界的缓解手段是”动作分块”（Action Chunking），一次推理输出未来若干步的动作序列，但这是工程补丁，不是根本解法。
世界模型提供的补强有三层：其一是物理预测，让模型在动作执行前预判后果，把试错成本挪到想象里；其二是合成数据，用可交互的仿真环境批量生成训练样本，绕开真机采集成千上万小时的瓶颈；其三是长程规划，用对未来的模拟来支撑多阶段任务的分解。
NVIDIA 在这条线上押注最重，Cosmos、GR00T、Isaac Lab 与 Physical AI Data Factory 构成了一套从仿真到数据的完整栈。学术侧的探索也在加速：GigaBrain-0.5M 提出的 RAMP 思路，把世界模型同时当作数据引擎（约占预训练经验的 61%）和强化学习引擎，相当于让模型自己造练习题、自己判卷。
但更值得记录的，是产业界对这场”路线之争”的降温。仙工智能在 2026 年的一篇公开讨论里给出了一种更务实的判断：具身智能的大脑从来不等于某一个大模型，VLA 负责感知-理解-动作的主链路，世界模型补强预测与泛化，控制系统保证实时性与安全边界，真实场景数据驱动持续校正——四者互不替代。这个看法在工程上很难反驳：把任何一个环节抽掉，系统都跑不起来。
三、真机数据：最贵的那一公里
如果说大语言模型的燃料是互联网文本，那么具身智能的燃料只能靠一条条真实操作攒出来。这是这个领域最核心、也最难绕开的瓶颈。
一条机器人操作数据的成本，包括机械臂折旧、场地、操作员时间、失败重试，以及标注。语言模型可以在一周内读完人类几百年的文字，机器人却需要有人握着示教器，一遍遍演示”把杯子放进洗碗机”。
π0.6 的实验给出了一个相对乐观的量化参照：当训练环境从 3 个扩展到约 104 个地点、累计约 400 小时后，模型在 3 个从未见过的真实住宅里，表现已经逼近直接在测试环境训练的基线。换句话说，跨环境的数据多样性，比单一环境的深度更重要。这解释了为什么 2026 年的头部团队都在疯狂扩大采集点，而不是把一个场景拍到极致。
仿真补足了另一半。Isaac Lab 这类平台可以在虚拟环境里并行跑成千上万个机器人，把罕见工况、极端光照、材料形变都造出来。但 sim-to-real 的鸿沟依然存在：摩擦系数、柔性体形变、传感器噪声、光照分布，仿真都无法完美复刻。实践中的常见做法是”仿真预训练 + 少量真机微调”，用真机数据去校准那些仿真里学不到的偏差。
一个正在成形的分工是：仿真负责广度，真机负责精度，世界模型负责在两者之间做插值。这条链路的成熟度，直接决定了机器人基础模型能否从”演示可用”走到”产线可用”。
四、工程化落地：延迟、可靠性与安全边界
模型在论文里强，和在产线上强，是两件不同的事。
产线对机器人的要求，可以用三个词概括：节拍、稳定、可追责。
节拍意味着延迟预算被写死。VLA 推理 100 到 500 毫秒的响应时间，放在需要高频闭环的力控场景里是灾难性的，因此主流方案都是分层：高层用离散 token 或语言生成子任务，底层用动作专家输出约一秒（50 步左右）的连续关节动作块，再由实时控制器做插值与安全裁剪。
稳定意味着失败要被限制在局部。工业现场没有试错空间，一次抓取失败就是一次停线，一次控制抖动就意味着”只能演示、无法规模化”。这也是为什么 2026 年的落地集中在搬运、上下料、分拣、质检这类结构化程度高、容错窗口相对宽的工位——Figure 在 BMW 承担物料搬运，Agility 的 Digit 在仓库搬周转箱，都是这个逻辑。
可追责则牵出了模型层面回答不了的问题。当机器人造成人身伤害或财产损失时，责任如何在模型提供方、整机厂商、集成商与使用方之间分配？目前国际上的功能安全标准（如 ISO 10218 系列、ISO/TS 15066）主要针对传统工业机器人的人机协作，对”由基础模型驱动的行为”缺乏清晰的判定依据。这是 2026 年一个明显滞后的领域。
中国的政策端则在加速铺路。2025 年”具身智能”首次写入政府工作报告，随后多地出台了具身智能与人形机器人的专项行动方案，从算力补贴、场景开放到首台套保险都有涉及。MERICS 在 2026 年的研究报告里指出，中国的路径特点是把制造业场景、供应链配套与政策资源三者绑定推进，这与美国以基础模型公司为核心的路径形成明显差异。
五、产业格局：钱在往哪里流
从资本侧看，2025 至 2026 年是机器人基础模型最密集的融资窗口。Figure 在 2025 年 9 月估值达到 390 亿美元，Physical Intelligence 在 2025 年 11 月估值 56 亿美元，Skild AI 在 2026 年 1 月估值超过 140 亿美元。一级市场的定价已经明显走在收入前面。
市场规模的口径差异很大，但方向一致。Meticulous Research 在 2026 年 10 月发布的报告给出：全球机器人基础模型市场 2025 年约 6.2 亿美元，2026 年约 9.9 亿美元，到 2036 年可达 248.5 亿美元，2026–2036 年复合增长率 38.0%。
国内的进展则更贴近场景。智元机器人在 2025 年 12 月展示了 VLA 驱动的全身协同控制——行走与操作同时完成；银河通用在 2025 年 6 月完成 11 亿元融资；美的在 2025 年 12 月发布了六臂协同的工业人形”美罗 U”；宇树、优必选、傅利叶则在硬件成本与形态上持续下探。一个普遍判断是：国内模型在特定垂直场景（如工业操作）的性能已接近国际水平，但在通用操作泛化上仍有差距。
六、挑战与展望：别把”验证年”当成”爆发年”
如果把 2026 年放在更长的时间轴上看，它更像一个验证年，而不是爆发年。几条边界需要保持清醒：
第一，评测体系尚未统一。 大量模型的性能数字来自 LIBERO 这类仿真基准上的自评，真机、跨本体、长时序任务的公开对比依然稀缺。实验室自评与第三方复现之间的落差，是这个领域目前最大的信息噪声来源。
第二，成本曲线还没到位。 硬件价格在下探，但整机之外的集成、部署、维护、安全认证成本仍然高昂。一台能在产线上稳定干活的机器人，其全生命周期成本远高于标价。
第三，泛化的边界比演示视频窄。 视频里机器人叠衣服，往往是在有限衣物类型、固定台面高度、稳定光照下的结果。换一批衣物、换一个厨房，成功率会明显下降。
第四，安全与责任框架滞后于技术。 这一点在工业场景尚可用护栏与急停兜底，一旦进入家庭与公共空间，问题会立刻变得尖锐。
但悲观也没有必要。回看汉斯·莫拉维克在 1980 年代提出的那个悖论——让计算机在智力测验上达到成人水平相对容易，而让它具备一岁小孩的感知与运动能力却极其困难——过去四十年里，这条悖论一直是机器人学的诅咒。2026 年第一次出现了松动的迹象：语言与视觉模型把”常识”带了进来，世界模型把”预判”带了进来，大规模真机数据把”手感”带了进来。三者叠加，让机器人在少数场景里第一次越过了”能用”的门槛。
结语
这一轮具身智能的进展，最容易被误读成”又一个模型刷新了榜单”。但真正决定成败的，是那些不在榜单上的东西：一条产线的节拍、一小时真机数据的成本、一次失败的责任归属、一套控制系统的实时性。
机器人不会因为某个模型变大而突然聪明，它会因为数据、控制、场景三件事同时到位，而慢慢变得可靠。2026 年值得记住的，不是哪个模型赢了路线之争，而是行业终于开始用”能不能连续干一个班次”来衡量进展——这是一个更笨、更慢，但也更接近真实世界的标准。
参考来源
- Robotics Center, Physical AI in 2026: Foundation Models for Robot Learning and Real-World Deployment
- Meticulous Research, Robot Foundation Models Market Size & Forecast 2036（2026 年 10 月）
- MERICS, Embodied AI: China’s ambitious path to transform its robotics industry（2026）
- 声网技术博客，《视觉语言动作模型（VLA）是什么？具身智能的”大脑”如何运转》
- 具身星图，《VLA 模型发展深度调研报告》（2026）
- 仙工智能，《世界模型对决 VLA 大模型，具身智能最终走向何方？》（2026）
- KPMG 中国，《跨越奇点：世界模型如何重塑具身智能产业与商业新范式》（2026 年 7 月）
- Sapkota et al., Embodied AI with Foundation Models for Mobile Service Robots: A Systematic Review, arXiv:2505.20503；Robotics 2026, 15(3), 55
- Robozaps, The Future of Humanoid Robots: What 2026 Is Actually Proving
说明：文中涉及的市场规模、估值与模型版本信息截至 2026 年 10 月，部分模型性能数据来自机构或实验室自评，尚未经第三方独立复现，阅读时请留意口径差异。