WAIC 上，機器人公司開始走向兩條路

今年WAIC，AI行業與機器人行業已經變得密不可分。原先以AI為主旨的活動，今年如果要用一個關鍵詞概括，很多人的答案可能會是，機器人。從人形機器人、雙臂機器人，到零部件以及各類平臺，今年的展館里，幾乎每走幾步就能看到硬件的東西。相比去年仍然以大模型和生成式AI為主角，今年機器人及其背后的全產業鏈第一次真正站到了舞臺中央。

如此多的機器人企業，其實也出現了一種新的分化。一類企業，仍然在圍繞機器人能做什么下功夫。它們展示機器人能夠完成多少種任務，跑得多快、抓得多準、動作多流暢，甚至讓機器人跳舞、翻跟頭、做復雜的連續動作。對于公眾和資本市場而言，這些展示直觀、震撼，也足夠吸引眼球，因為它們回答的是同一個“機器人已經進化到了什么程度”的問題。

而另一類例如天機這類企業，它們展示的是另一套東西：機器人如何穩定地完成動作，如何安全地與人協作，如何在真實環境中持續運行，以及如何讓不同的AI模型真正通過機器人本體作用于物理世界。因為具身智能最終不是模型單獨存在，而是模型、機器人本體和真實環境交互形成的閉環。

這些展臺上，更多的是關節、力控、運動控制、操作平臺，以及那些普通觀眾甚至很難第一時間理解的工程能力。站在超熱卻人潮洶涌的展館里，這種差異很容易被忽略；但放到整個具身智能產業的發展過程中，它其實代表著行業正在發生的一次方向轉移。

01.

機器人行業分化出現

過去幾年，機器人行業一直在回答一個問題：機器人還能變得多聰明？這次WAIC，這個問題正在被另一個問題取代：機器人如何才能真正進入物理世界？

這是兩個完全不同的問題。前者討論的是能力邊界，后者討論的是產業邊界。能力邊界決定機器人能夠完成怎樣的演示；產業邊界決定機器人能否真正走進工廠、實驗室、醫院、辦公樓，甚至未來進入家庭，成為能夠長期工作的智能設備。

這也是為什么，天機等企業從除了重視模型能力，更進一步強化了運動控制、力控、安全交互和長期運行能力。這些能力不像大模型那樣容易被看見，卻決定了一臺機器人能否真正成為生產工具。

今年首次在國內公開亮相的天機Gento系列，就是其中具有代表性的一類。與強調機器人能力展示不同，天機更希望回答另一個問題：如果未來所有具身智能都要進入真實世界，那么行業需要怎樣一套底層能力，去支撐它們安全、穩定、持續地運行？

這個問題背后，實際上對應著具身智能行業正在發生的第三次認知變化。

過去，行業認為決定機器人競爭力的是硬件能力；后來，大模型成為新的競爭焦點；而今天，當越來越多企業擁有相近的模型能力之后，行業開始重新意識到，真正限制機器人落地的，或許已經不是機器人本身，而是支撐機器人進入物理世界的基礎設施。

換句話說，WAIC 2026展現的不僅是越來越多機器人同臺競技，更是兩種產業路線開始分化。一條路線，希望通過模型創新，不斷突破機器人的能力邊界；另一條路線，則試圖重新定義機器人進入物理世界的底層能力。

02.

“更強的機器人”不是終點？

行業流行的東西似乎是一個圈，過去三年，具身智能行業幾乎每一年都在重新回答同一個問題：機器人真正的瓶頸，到底在哪里？

最初，行業相信，瓶頸在機器人本身。那時候，人形機器人還是一件稀缺產品。誰能夠讓機器人走得更穩、跑得更快、擁有更多自由度，誰就更容易獲得市場關注。整個行業圍繞著“機器人能力”展開競爭，機器人本體幾乎等同于競爭力本身。

后來，大模型出現了。VLM、VLA、世界模型不斷演進，讓機器人第一次擁有了跨任務理解和泛化能力。行業的關注點也迅速發生變化，相比硬件本身，人們更關心機器人是否擁有更聰明的大腦。Figure、Physical Intelligence等公司快速成為行業焦點，也正是在這一階段，資本開始相信：真正決定機器人未來的，將是AI模型。如今大腦與身體回到兩個同樣的賽道，

但當越來越多模型開始具備相似的理解和規劃能力，新的問題也隨之暴露出來。模型知道應該怎樣完成一項任務，卻仍然無法保證機器人能夠在真實環境里穩定完成它。例如，一項看似簡單的插拔動作，模型可以準確識別接口位置，也能夠規劃出動作路徑，但真正決定任務成功與否的，卻是機器人接觸接口瞬間那細微的受力變化；搬運一個箱子，模型可以規劃最佳路線，但如果機器人無法根據重量變化實時調整姿態，最終仍然可能失敗。

行業逐漸意識到，真正限制機器人走進真實世界的，并不是模型能力，而是物理世界本身。因為數字世界可以無限復制，物理世界卻充滿了不確定性。每一次接觸都會產生新的變量，每一次操作都會產生新的反饋，每一次任務都會留下新的數據。而這些數據，并不能通過互聯網獲取，也不能完全依賴仿真生成，它們只能來自機器人與真實世界一次又一次的交互。

于是，行業開始進入新的階段。大家討論的不再只是模型，而是數據。但很快，新的問題再次出現。高質量的數據，不會憑空產生。機器人如果動作不穩定，采集的數據就不可復現；控制系統存在時序誤差，模型學習到的就是錯誤反饋；機器人運行幾個小時后關節溫度發生漂移，同樣的動作也會產生完全不同的數據結果。對于具身智能而言，數據質量不僅取決于算法，更取決于機器人是否能夠穩定、連續、精準地完成每一次操作。

這也是為什么，越來越多企業開始把研發重點重新放回機器人本體。但這里所說的本體，已經不是過去意義上的機械結構，而是一套能夠讓機器人長期、安全、穩定運行的操作能力。

換句話說，行業真正開始爭奪的，不再是誰擁有一臺更強的機器人，而是誰能夠構建一套持續產生高質量真實世界數據的基礎設施。這也是今年WAIC上，越來越多企業開始展示力控、運動控制、阻抗控制和長期運行能力的原因。

因為對于今天的具身智能來說，它們已經不再只是幾項底層技術，而是決定機器人能否持續學習、持續迭代、持續進入真實場景的基礎能力。

而這，也正是天機試圖回答的問題。與其說它希望打造一臺能力更強的人形機器人，不如說，它更希望構建一套能夠支撐具身智能長期運行的力控具身操作本體，讓機器人不僅能夠完成一次精彩的演示，更能夠在真實世界里，穩定地完成第一萬次、第一百萬次操作。

03.

比采集數據更難的，是持續

當行業開始意識到真實世界數據的重要性之后，一個新的問題隨之出現。機器人可以進入真實世界，但為什么真正有價值的數據，依然如此稀缺？原因在于，機器人采集數據，并不是打開傳感器這么簡單。

對于具身智能而言，一條數據是否有價值，取決于它是否真實、穩定、可重復。模型需要學習的，不是一次偶然成功的操作，而是在不同環境、不同工況下依然能夠復現的物理規律。如果每一次執行都不一樣，那么再多的數據，也很難沉淀成真正有效的模型能力。

這也是為什么，具身智能行業開始越來越強調一個過去很少被提及的概念：工程一致性。很多時候，真正影響數據質量的，并不是算法，而是那些容易被忽略的工程細節。

例如，機器人連續運行幾個小時之后，關節溫度升高，力矩輸出發生細微變化，原本一致的動作開始出現偏差；控制周期與通信周期不同步，機器人感知到的受力和實際發生的受力之間出現時間差，采集的數據失去真實性；又或者，機器人只能在實驗室完成訓練，一旦進入工廠、辦公區等真實環境，數據分布便發生改變，模型此前學到的能力很難遷移到新的場景。

這些問題不會出現在一場幾分鐘的產品演示里，卻會在數百小時、數千小時的連續訓練過程中不斷放大。對于今天的具身智能來說，真正重要的不是機器人能不能完成一次抓取，而是它能否連續完成十萬次抓取，并保證每一次采集的數據都足夠可靠。

因此，機器人平臺的價值，也開始發生變化。過去，它承擔的是執行任務的角色；今天，它更承擔著另一項職責——成為真實世界與AI模型之間穩定、可信的連接層。但這并不意味著硬件與模型是兩條割裂的路線。

相反，具身智能真正的發展，需要形成一個新的閉環：模型負責理解任務和生成策略，機器人本體負責將這些策略轉化為真實世界中的動作，而真實環境中的交互數據，又反過來推動模型持續優化。

這也是為什么，天機并沒有將研發重點局限在機器人硬件本身。

據機器人大講堂了解，天機旗下上海科摩德同樣在探索具身智能模型能力，包括視覺理解、操作策略學習等方向。此次WAIC現場，天機展示的Marvin Pro，就分別結合了VA-dex模型和Anygrasp模型，用于禮品盒持續打包以及泛化抓取任務演示。

其中，基于VA-dex模型的禮品盒打包任務，展示的是機器人在模型自主推理下完成連續操作的能力；而Anygrasp模型則用于探索更加開放的抓取能力，讓機器人能夠面對不同形態、不同擺放方式的物體完成操作。

這些演示背后體現的并不是“硬件替代模型”，而是一種更加緊密的協同關系：模型決定機器人如何理解任務，操作本體決定機器人如何穩定執行任務，而兩者結合產生的真實交互數據，又成為下一輪能力提升的基礎。

例如，Gento Skye強調的是7×24小時連續運行能力，以及關節長期運行過程中的溫控穩定性，其目的并不是讓機器人工作得更久，而是盡可能降低熱漂移對控制精度和數據一致性的影響；控制系統采用高頻EtherCAT實時通信架構，也是為了保證感知、控制與執行之間保持統一的時間基準，讓機器人記錄下來的每一次受力變化，都能夠真實對應實際發生的物理交互。

另一邊，Gento Luna采用輪式折疊結構，并不是為了追求一種新的機器人形態，而是希望機器人能夠進入更多真實場景。實驗室、辦公樓、狹窄走廊、電梯、車間……機器人能夠覆蓋的空間越豐富，它能夠接觸到的任務類型和交互方式就越豐富，最終沉淀的數據也越接近真實世界本身。

從表面看，這是幾項產品設計。但如果把它們放在一起，就會發現，它們其實遵循著同一種工程哲學。它不是為了讓機器人完成一次更精彩的展示，而是為了讓機器人能夠長期、穩定、可控地運行；不是追求單一性能指標，而是追求整個系統的一致性；不是圍繞某一個應用場景設計，而是圍繞真實世界持續運行這一目標進行工程取舍。

換句話說，當越來越多企業開始討論數據時，真正決定數據質量的，已經不是模型本身，而是機器人能否提供一個穩定、可信的物理世界。

這也是為什么，對于今天的具身智能而言，基礎設施的競爭，本質上已經變成了一場工程能力的競爭。誰能夠持續輸出穩定的數據，誰才有機會持續輸出真正的智能。

04.

當行業開始分工，競爭也進入新階段

任何一個成熟產業的發展，都伴隨著一次價值鏈的重構。PC時代，芯片、操作系統、整機制造逐漸形成專業分工；云計算時代，越來越少企業選擇自建數據中心，而是把基礎設施交給專業平臺。

具身智能產業，也正在走向類似的階段。過去幾年，幾乎所有機器人公司都在追求全棧。自己做本體、自己做控制器、自己訓練模型、自己采集數據、自己開發應用。原因并不復雜，行業剛剛起步，沒有成熟的產業鏈，每一家企業都希望盡可能把關鍵能力掌握在自己手里。

但隨著產業不斷發展，全棧模式開始暴露出新的問題。機器人硬件的迭代周期通常以年計算，一套機械結構、一個關節模組，往往需要經過長時間驗證；而AI模型幾乎每個月都在更新，新的VLA模型、新的強化學習算法不斷出現。

兩種完全不同的研發節奏，被放在同一家企業內部同步推進，不僅意味著巨大的資源投入，也意味著極高的協同成本。更重要的是，越來越多機器人公司開始意識到，真正拉開差距的，已經不再是什么都做，而是把某一層能力做到極致。

這也是近一年全球具身智能模型公司為什么開始更加關注模型平臺和數據能力，機器人公司開始重新思考本體的定位，越來越多企業不再把自己定義為“機器人整機廠商”，而是希望成為產業鏈中的關鍵能力提供者。

產業開始從垂直整合，走向專業化分工。這種分工，并不是把機器人拆得更碎，而是讓每一層能力都能夠以更快的速度迭代。

模型負責持續提升機器人的認知能力，應用公司負責探索行業場景，而操作本體企業則需要解決另一個更基礎的問題——如何讓這些智能真正具備進入物理世界的執行能力。

這也是未來具身智能產業可能形成的新分工：模型公司解決“機器人如何理解世界”，應用公司解決“機器人在哪里創造價值”，而力控具身操作本體則解決“機器人如何可靠地改變世界”。

這也是天機希望承擔的位置。無論是面向復雜空間移動操作的Gento Luna、面向工業場景和強化學習驗證的Gento Skye，還是面向高精度固定操作的Marvin Pro，它們并不是三條彼此獨立的產品線，而是在不同場景下，對同一種底層能力進行工程化表達。

移動環境需要更大的空間適應能力，工業環境需要更加穩定的連續運行能力，固定工位則需要更高精度的操作能力，但它們共同依賴的是同一套底層架構，圍繞力控、運動控制、安全交互和整機穩定性構建的操作能力。

因此，天機真正提供的，并不是某一種機器人形態，而是一套能夠適配不同物理場景的具身操作能力。這也是“力控具身操作本體”真正的含義。它不是一個新的產品名稱，也不是某項單獨技術，而是一套承載具身智能進入物理世界的工程能力體系，是AI模型更好進入世界的基礎。

05.

結語與未來

從本屆WAIC來看，未來，無論機器人最終采用雙足、輪式，還是更多新的形態；無論上層運行的是哪一種VLA模型、世界模型或Agent，它們最終都需要依托一套穩定、安全、可控的操作本體，才能把數字世界里的智能，真正轉化為物理世界里的行動。

這或許也是今年WAIC釋放出的另一個信號。具身智能行業正在進入一個新的分工時代。

因為未來機器人產業的競爭，不會發生在模型與硬件之間，而會發生在誰能夠更好地連接兩者之間。模型決定智能的高度，操作本體決定智能落地的深度。