具身智能正在快速增长，但距离真正意义上的“ChatGPT时刻”，还有相当距离。多位具身赛道投资人对经济观察报表示，接下来可能出现“寒冬”，出现融资收紧等情况，热度之后将迎来一次对商业模式和技术路线的全面筛选。怎么活下来，或将成为具身智能企业的共同难题。
2025年末，具身智能行业正在同时被两股力量推着往前走。
一面是久违的资本热浪。人形机器人被视作“下一个万亿终端”，资本热度持续升温。第三方数据机构IT桔子数据显示，今年前三季度国内机器人融资额已达386.24亿元，是2024年全年总量的1.8倍。11月以来，原力灵机、星尘智能、加速进化等公司相继完成新一轮融资，投资人也从投概念转向更关注商业化速度和可验证价值。这种热度，也延伸到企业端。新品迭出、头部厂商频频宣布获得上千台“商业化大单”，“量产元年”的说法反复出现。
另一面却是不容忽略的风险。硅谷明星公司K-Scale Labs资金链断裂、百余台预购订单被迫退款；国内创业公司一星机器人解散。这两家公司均成立不到1年，且拿下多轮融资。这些现象让行业意识到，“量产元年”并不等同于行业拐点，反而更像一次集体的生死考验。
这两股力量共同指向一个核心事实，具身智能正在快速增长，但距离真正意义上的“ChatGPT时刻”，还有相当距离。多位具身赛道投资人对经济观察报表示，接下来可能出现“寒冬”，出现融资收紧等情况，热度之后将迎来一次对商业模式和技术路线的全面筛选。怎么活下来，或将成为具身智能企业的共同难题。
量产要先辨别是真需求还是伪需求
过去一年，人形机器人的能力提升几乎到了“肉眼可见”的程度。2024年还在稳定站立的机器，现在已经能连续空翻、跑完数小时马拉松，甚至现场拖动车辆。
但所有这些令人惊叹的动作，都并不等同于可用。几乎所有受访者都表达了类似判断：具身智能距离真正进入强强度、长周期、可复购的实际场景，仍有相当距离。
在智源具身2025 OpenDay现场，智源研究院院长王仲远给出了一个典型案例，他们采购了某款机器人10台，仅一两个月就坏了5台。“硬件稳定性依然停留在科研阶段。”他补充说，实验室里，机械臂因过热保护频繁停机，有的机器人甚至需要旁边放电风扇，“像给它配一个保姆”。在他看来，“机器人满街跑”的景象未来两三年都不可能出现。这是硬件侧的现实，也是距离规模化部署最直接的障碍。
模型侧的瓶颈同样明显。具身大模型在控制精度、跨环境泛化、操作一致性等方面仍处于早期阶段，工具链不完善，部署标准不统一。在一个真实场景中让机器人连续执行两个小时流程，远比在展台完成一次性的动作要困难得多。
因此，王仲远提醒，行业必须分辨当前的量产究竟来自真实需求，还是由政策补贴和投资热度推动的伪需求。如果场景方发现机器人无法达到预期，热度会迅速退潮，甚至可能出现阶段性泡沫与低谷。“我跟创始人经常说的一句话是‘先活下来，熬过可能出现的寒冬，才能迎来真正具身智能未来’。”
在资本、技术和企业共同加速的2025年，行业呈现出一种井喷，多家企业发布模型、整机硬件、开出高薪招揽人才。
原力灵机联合创始人唐文斌称今年是“涌现之年”——公司、技术与资金在同一时间大量涌出，进展远超预期。但他同时观察到行业中的另一面，出现了许多“神奇的订单”。一些项目金额不小，看上去像是商业化大单，但拆开来看，却很难解释它们真实解决了哪些问题、能否形成复购、是否能真正帮助企业降低成本或提升效率。他提醒，量产不能靠堆设备，而要靠问题是否被解决。
在判断一个场景是否值得进入时，他提出了三条标准：首先，技术不能过早锁死。为了抢占第一波订单，一些企业急着让机器人适配某个高度定制的垂直场景。但这种路径往往牺牲模型泛化能力，导致后续难以拓展其他应用。
其次，从容错率高、对时间不敏感的场景做起。早期机器人无法做到“0失误”。跨环境操作更需要时间优化，因此行业更应选择容忍度高的场景，通过真实部署把可用性从90%逐步提升到95%、100%。
最后，需求必须足够大且强烈，才能验证价值、摊薄成本，并形成真实的商业闭环。否则，再大的订单量也可能只是阶段性堆积，难以持续。
在需求侧，采购方的判断更直接。一位大型企业的具身智能项目负责人称，他们只看三个指标：是否解决高复杂度、高危险性、高成本的问题。此外，机器人必须能实现7×24小时稳定运行，具备连续工作、防水防尘、环境适应等基础能力。“我问过不少厂家，很多还没有真正考虑这些指标。”他说。在他看来，这些看似基础的工程指标，才是机器人能否进入可复购阶段的关键。
高质量数据极度稀缺
从Demo（演示视频）走向规模应用，最终都指向同一个难题：高质量数据仍然极度稀缺。
与大语言模型诞生前夕拥有海量文本、图像数据不同，具身智能走的是另一条路：每一份关键数据都来自机器人与真实世界的交互，而这种数据比文本稀缺得多、成本也更高。
今年年初，不少人判断具身智能行业大致处在类似大语言模型GPT-1到GPT-2的阶段，直至目前临近机器人GPT-3时刻，模型能力有明显提升，但离真正理解世界还有很长距离。
银河通用创始人王鹤给出一个关键事实：全球今天真正运行在人类工作场景里的机器人，可能还不到1000台。这个数量远不足以支撑一个行动优先的模型体系。银河通用的策略是，短期内，仿真模拟与合成数据仍将承担更多探索任务；长期来看，必须让机器人真实部署量级成百上千倍增长。
智元机器人合伙人、首席科学家罗剑岚提到，未来的数据生态应该依靠机器人自己生产。他的设想是，把规模化的机器人投放到真实环境，让它们与世界持续交互，由此生成覆盖广、时序长、结构复杂的真实物理数据，再用这些数据反哺模型训练，形成一个自我进化的闭环。
自变量创始人王潜则提醒，行业对数据的认知正在发生变化。并不是数据越多越好，而是“越有效越好”。语言模型时代已证明，高质量、结构一致的数据往往比堆量更有作用。而在物理世界中更是如此，这里充满接触、摩擦、碰撞等细节，很难用语言或图片描述。如果模型无法理解这些基础物理过程，就无法建立对世界的可靠预期。因此，他判断，未来真正主导多模态方向的，可能是由具身智能推动的新型物理世界基础模型。这将是一条与大语言模型不同的发展路径。
复盘大语言模型的发展，可以看到三个条件缺一不可——算法、算力、数据同时达到临界点。在具身智能领域，这三个条件尚未同时成熟，算法仍处在可用性探索阶段；训练具身智能的算力体系仍薄弱；数据规模和数据质量远未达到临界点。
换句话说，具身智能的未来正在加速到来，但它仍处在黎明前的阶段。热度很高，能力很强，但离真正的产业化黄金时期，还有一段漫长的距离。
