170: 与陈哲的「具身季报 26Q2」：世界模型大风不停，和不想被贴标签的人

摘要

• 世界模型从概念落地为产品与范式：英伟达 6 月 1 日发布的 Cosmos 3 是本季标杆——市场上第一个全开源的 Omni Model，用 Mixture of Transformers 架构把自回归推理与 diffusion 生成“缝”进统一模型，一次发布 super/nano/edge 三个版本直指部署。 陈哲的判断是“与其说世界模型颠覆了 VLA，不如说它给现有 SOTA 模型带来了更新的能力和思路”，π0.7 接轻量世界模型、Generalist Gen One 不愿被归入 VLA 或世界模型，都是合流迹象。
• 荣耀包揽亦庄马拉松冠亚季军，是大厂入局的预演：自主导航组三台“闪电”都跑进 50 分钟左右，对比 2025 年天工遥控夺冠的 2 小时 40 分，一年成绩提升三倍多。 荣耀靠定制比赛需要的电机加精密液冷压住电机过热，投入量级“显著高于另外两家”。主持人提出的判断是：本体公司今年能否 IPO，可能成为资源安全线；陈哲的回应是，小米、小鹏、理想等终端大厂已严肃入场，人形机器人正从单一技术创业“演变成系统性工程、系统性作战能力的体系”。
• Figure 百小时直播分拣 13 万件包裹，是人形机器人工业价值的“零到一”：约 3 秒一件，软包裹翻面展平这个动作“在四五年前技术栈下面基本上是无解的”，吸盘方案只能 pick and place。 遥操作争议不重要——“我相信所有的人形机器人在真正进入这种部署场景之前都有长时间的遥操作”，远程接管在 robotaxi 已是 norm。星动纪元在中国邮政、顺丰的同类落地“完全并不亚于美国公司”。
• 灵巧手成为下一个竞争战场，直驱信念加强：ICRA 维也纳上五 G 发布 20 个自由度二代直驱手，反驱与散热大幅改善、体积仅沙帕一半，定位类比“灵巧手里的宇树”——“谁能够更快提供可靠、稳定、廉价的灵巧手供给，就能更快成为行业事实标准”。 国内大厂跟随特斯拉腱驱路线更多是组织学：“万一特斯拉是对的，你要去试一个新的方向，那谁来承担这个错误的责任？”而 Optimus Gen 3 的手持续迭代，高自由度手头部出货仅几千只。
• 数据是下一场卡位战：采集范式两年内从 ALOHA 真机遥操作→UMI 无本体→egocentric 视频→全身动捕快速演进，“今天开始采集的数据可能就会转换成三个月、六个月以后模型方面的突破”。 灵巧手数据高度依赖手的构型与传感器选型，第三方数据商难以标准化——不像激光雷达点云可以一条管线通吃，灵巧手与人形本体大概率是长期博弈、长期共存。
• Gen One 是本季讨论度最高的模型进展：Generalist 自采 50 万小时 UMI 式无本体数据，在没有预训练模型的基础上从头训练端到端模型，复杂长程任务成功率从六十几 percent 提到 99%，自称“找到了 scaling 的钥匙”。 Peter Florence 明文拒绝 VLA 和世界模型两个标签——路线自信背后是美国创投“奖励第一个做这件事情的人”的生态。
• 终局之问：具身模型凭什么不归通用大厂？ “我们到底有什么原因来说明很多年以后 embodied AI 的 model 不是由 Anthropic、OpenAI 或者 Google 来提供的？”Cosmos 3 的万卡级训练已是具身研究算力天花板，对头部 LLM 公司“都不是特别大的算力预算”；OpenAI 高调重启 Robotics，团队源自 Sora（内部定位一直是世界模型），灵巧手将是其重点投入。陈哲预判具身模型终局同语言模型：高水平开源+顶级闭源，没有其他模型生存空间。
• 宇树 IPO 过会成为行业估值锚，未来六个月是大厂进场的最后窗口：“如果你不在二六年启动进入这个市场，等到二七、二八年人形机器人广泛落地的时候，你就没有身位了。” 中国式悖论：既不容忍十年不商业化，也不容忍非全栈——“所有的具身大脑公司都在宣布做本体”。但市值最大的几家恰恰不是全栈：英伟达不是，Anthropic 上市了可能也不是。

精读

1. Q2具身五大进展：世界模型与灵巧手双突破，人形首次大规模进入大众视野

• 陈哲的排序：亦庄人形马拉松（百余台参赛，荣耀夺冠，传达“大厂可以把人形机器人做好”）；Figure连播多日的包裹分拣（人形工业价值第一次向全球大众普及）；灵巧手与灵巧操作爆发（ICRA上以五G为代表发布新一代高自由度手，多家创业公司做出精细操作基座模型）；英伟达Cosmos 3（“让世界模型从一个概念真正变成了一个产品和范式的标杆”，也是本季创业最火的风口）；VLA路线继续迭代（Pi 0.7、Gen One，“开始出现了跟世界模型融合的迹象”）。
• 行业称呼也在悄然变化——更多人开始用“物理AI”这个词，世界模型延续了上季度top 5的风头。

2. 上季展望验收：世界模型从实验室拉到工业级

• 上季度聊世界模型时还是“实验室级的早期样品”——英伟达Dream Zero只是GEAR Lab内部小规模作品，底座还是开源的（音）“Wan”视频模型。六月的Cosmos 3则是“更加产品级、更加大规模预训练”的模型，一次发布super、nano、edge三个版本对应不同部署环境，“可以被调用、可以被部署”。
• 对“世界模型能否拿出超出VLA的进展”这个问题，陈哲的回答刻意避开了替代叙事：经典VLA的优劣势已经比较明显，世界模型长于环境预测与建模，“与其说世界模型颠覆了VLA或者超越了VLA，不如说世界模型给现有的SOTA模型带来了一种更新的能力和思路”——领先的VLA模型正在用不同方法连接或“缝制”世界模型能力。

3. 亦庄马拉松：荣耀包揽前三，胜负手在液冷

• 赛前三大夺冠热门就是宇树、北人（北京人形机器人创新中心，卫冕冠军天工的东家）和荣耀，市场对荣耀实力有所预见。宇树首次官方参赛，赛前测试跑出10米每秒；荣耀机器人事业部成立约两年、团队近一两百人，比赛投入量级“显著高于另外两家”。
• 钱花在哪：定制比赛需要的电机加一套精密液冷机构。直播里能看到其他机型长时间高速跑动后电机过热被迫休息，荣耀的液冷让电机全程保持较低温度——这是“闪电”能在整场马拉松保持高速度和一致性的关键原因。
• 赛制彩蛋：荣耀派了十支队伍参加遥控与自主导航两个组别（北人、宇树只派一两支），两项皆冠。资源宽裕本身就是竞争力的一部分。

4. 成绩一年提升三倍多：马拉松是人形技术的F1

• 数字对比：2025年冠军天工（遥控）2小时40分，第二名松延动力3小时37分；2026年自主导航组荣耀前三名都在50分钟左右且咬得很紧。陈哲：“在一年左右的时间成绩提高三倍多……我们看到在机器人的硬件层面、控制层面和自主导航层面都有非常快的进步。”
• 对“这比赛有什么用”的长久质疑，他的类比值得保留：“就像F1赛车从来不是为了卖车”——马拉松创造了一种极端测试环境，逼出全身运控、应急处理、长时间无故障运营、供电散热等系统级能力，“当我们能够熟练知道人形机器人各种能力边界的时候，量产时有大量的系统设计经验可以利用”。另一层含义：“如果大家严肃地去优化这个问题，很多问题在今天的技术架构下面是可以解的”——此前只是没有对locomotion性能极限的需求。

5. 大厂入局信号：从单一技术创业到“系统性作战”

• 主持人抛出行业焦虑：长于本体的创业公司今年若不能IPO到资源安全充裕的状态，二七年荣耀这类大型终端厂商（手机、汽车）的本体就会进场，且它们在大规模制造、可靠性一致性上更有经验。陈哲的回应是：马拉松证明了“有高端制造经验和很强组织能力的团队，在足够的资源和人才密度下，可以快速拿出非常有竞争力的人形机身产品”，而且运控导航等算法水位也不差。
• 引申的格局判断：拥有荣耀这样组织、人才、资金能力的大厂在中国“还是蛮多的”——小米、小鹏、理想等电动车厂商、手机厂商已开始严肃投入。人形机器人作为“高端制造业+复杂算法+复杂软件系统的系统工程”，正在从单一技术创业公司视角“演变成一个系统性工程、系统性作战能力的体系”。

6. Figure直播：13万件包裹，3秒一件，“零到一的突破”

• 5月13日起，三台Figure机器人连续直播一百多个小时，站在流水线旁把每件包裹翻面、将条码朝上，共分拣13万个包裹，约3秒一件，现场还有真人节拍与成功率对比。陈哲把它列入top 5的理由：“无论从观赏效果上还是实际工业价值上，都算是一次零到一的突破”——物流分拣需要一定泛化性和通用操作能力，且是“非常不适合人类长时间工作的场景”。
• 主持人的追问很实在：直播里机器人全程没挪窝，双足双臂是不是冗余？陈哲承认绝大部分情况只需双手拿起翻面，但“现实情况下会有很多意外”——传送带过快、物体过轻或呈球形滑落到地上（直播里确实出现过一两次）——“只有人形机器人加上今天具身模型通用泛化的能力，才可能解决这种你无法穷尽的长尾问题”。目前机器人还处理不了这些corner case。

7. 为什么老技术栈解不了这个问题：软包裹与“翻面展平”

• 四五年前机器视觉+工业臂的公司就试图解决同一问题——中国邮政早就与多家机器人公司合作——但“没有真正工业落地”，demo偏多。症结：快递包裹往往是软体，二维码容易被遮挡或形变，人会用双手把码翻面、展平，“这两个动作在四五年前技术栈下面基本上是无解的”。当时更通用的吸盘方案“基本上没有见过两手操作的，只能进行简单的pick and place”。
• 这也是Figure和星动纪元都用上灵巧手的原因，且与Pi、Dyna叠衣服的demo同理：deformable（可形变）材料的操作“非常适合今天的具身模型”——软体、纺织物、塑料袋没法用简单固体模型建模空间几何和操作点，必须靠有泛化和适应能力的模型。标准化仓储（刚性纸箱）早已被海柔、极智嘉们解决，剩下的恰是电商仓这类多品类、高柔性的非标需求。

8. 摇操争议不是争议，远程接管会是norm

• 直播中机器人出现“扶头”动作，有人质疑是摇操；Figure官方称由Helix 02模型自主完成。陈哲直接把问题拆了：“摇操根本不是这个问题的争议点，我相信所有的人形机器人在真正进入这种部署场景之前都有长时间摇操来收集数据和纠正动作的过程，哪怕有一部分时间需要人类介入，也不能削弱这件事情本身的意义。”
• 顺着推演：未来长期部署会类似自动驾驶——后台有真人盯数台机器人。“远程接管对robotaxi系统来说已经是市场上的norm，我们看Waymo都会去衡量接管效率、一个人可以盯多少台。”但主持人点出边界：进家庭有隐私问题，对全自主能力要求更高——“这也是为什么人形机器人真正进入家庭场景的难度，从隐私角度、从数据分布角度，都会比单纯工业场景更大”。历史上成功的B2B机器人都在大部署量、高吞吐、作业环境一致的场景，而一些工业落地的人形其实在做“专用机械臂已经可以做的事”，Figure选的场景才是老方案真正没解决的。

9. 国内不落后：星动纪元的邮政顺丰实测，与老一代To B公司的第二曲线

• 陈哲获得的信息：星动纪元在快递分拣场景不光在中国邮政、也在顺丰做了长时间测试训练，“已经能够实现人形机器人全自主的分包、翻面、扫描等一系列工序”——“中国公司在人形机器人物流工业场景的落地进展，完全并不亚于美国公司”。这是一个好的PMF：适合双臂人形+有泛化能力的具身模型+灵巧手，“拥有这几个综合能力的团队一定是不少的”。
• 对海柔、XYZ这类深耕物流的老公司能否切入，他的回答落在To B的底层逻辑上：“很少有技术本身是具有垄断性的，更关键的是你的产品要嵌入一个更大的运营体系里”——行业认知、客户系统耦合才是门槛。上一波To B机器人公司基本已进入IPO或Pre-IPO阶段，“当它真正IPO过后，可以获得的资源和能力有可能远远大于今天一级市场的公司”——普渡已是商业机器人领域头部，仓库和物业里仍有大量员工，“简单自动化还没覆盖的场景对这些公司都是很好的延展”。

10. 数据范式两年四级跳：Aloha→UMI→Egocentric→全身动捕

• 陈哲的方法论：“具身智能整体的瓶颈就是在数据，每个周期模型范式的迭代其实就是数据范式的变化——看数采公司在做什么，可以提前预判行业朝哪里走。”演进线：两年前是Aloha真机摇操（Tony Zhao与子鹏二三年的工作，四臂同构克隆）；去年出现UMI（手持两指夹爪的无本体采集，不需要真机）；去年底引入egocentric第一视角视频（头戴摄像头，可配手套也可空手，“多样性是暴涨的”）。
• 去年底英伟达开源全身动捕工作（音“Sonic”）后，人的动作、舞蹈能很快迁移到人形本体——算法上靠这套开源技术栈，硬件上靠宇树本体成熟，开源市场上也有很多人围绕宇树做好参数优化。于是今年出现大量全身运控数据采集和loco-manipulation尝试，也有新公司专门成立（如李宏洋老师的（音）原测未来）。关键句：“我们今天开始采集的数据，可能就会转换成三个月、六个月以后模型方面的一些突破。”运动控制过去被当成与大脑无关的小脑能力，现在“有机会用一个更一统的架构同时训练移动跟操作”，强运控团队的价值将被放大。

11. ICRA维也纳：五G二代手抢走全场风头

• 本届ICRA大量中国厂商参展，灵巧手是焦点：五G发布新一代直驱手，希诺、临界点等也发了高自由度产品，星动纪元发布21自由度旗舰手（其邮政合作用的是自家中自由度的XHand）。陈哲的对比：“今年ICRA跟二五年很像——二五年大家印象最深的是沙帕的高自由度手，这届是五G的二代手。”
• 二代手20个自由度（对高自由度手而言，20左右“基本可以实现人类掌内需要的各种操作”，是工程trade-off）。相比一代解决了两大硬伤：散热问题和不能反驱——一代关节不能自由反向掰动，强冲击易损坏、力控不灵敏；二代在不增重的前提下实现更好反驱、大幅改善散热。现场“非常多观众自己上手去感受灵巧性和反驱性”。
• 体积是隐藏的胜负手：五G的手大概只有沙帕一半体积。除五G和希诺外，高自由度手普遍比成年人手大1.5-2倍，“意味着很多你在人手上可以完成的操作，如果通过人去学习这个策略，你没办法在一个体积肥大的手上实现”。

12. 五G的生态位：灵巧手里的宇树

• 与沙帕的定位差异：李帆重做沙帕的长期目标是从手切入做通用具身智能，软件算法做得多（三层模型架构、组装风车、双手削苹果的炫技展示）；五G则“专注于把一个低成本、高可靠性、稳定的硬件设备做到足够可靠耐用”——像宇树一样成为前沿研究的基础设施。
• 这正踩中了研究界的痛点：大家做完以夹爪为核心的VLA研究后“发现硬件的限制导致很多更复杂的任务无法完成”；灵巧手发展三四十年，“直到今天也没有特别成熟或特别便宜的硬件方案让全世界研究员快速试错”。过去一两个月，中美多家创业公司都发布了基于五G手的灵巧操作模型。核心判断：“本质上谁能够更快提供可靠、稳定、廉价的灵巧手供给，就能更快成为这个行业的事实标准——更多的算法跟软件会围绕着你的硬件架构去设计。”

13. 灵巧手市场盘子：低自由度小几万只，高自由度几千只

• 市场分两层：低自由度手一年出货小几万只，与人形机器人销量基本成正比，玩家包括零星巧手（可能量最大）、英石（连杆方案、早年做残疾人市场）、强脑、奥翼、智源拆分的临界点等，场景是表演和简单pick and place。
• 高自由度手头部出货在几千只水平，以虾爬和五G为代表，面向全球灵巧操作科研市场——去年沙帕量产前“市场上几乎没有能买到的量产高自由度灵巧手”。量虽小，“但因为技术含量高，对算法和数据都有影响力，也是大家竞争的焦点”。

14. Genesis的灵巧操作SOTA，仍是两年前Aloha式的行为克隆

• Genesis二四年成立，从机器人仿真环境起家，一年多前转向灵巧操作和全栈系统。五月发布用定制五G手做的灵巧操作模型，陈哲认为代表“目前市场上高自由度灵巧手操作的SOTA”：公开称采集约20万小时数据（相当部分是异构sensor数据，也有摇操/数采手套真机数据），demo包括转魔方、弹钢琴和二十个步骤的完整备菜烹饪长程任务。
• 但他给这个方向定了位：“今天的灵巧手操作比较像两年前我们用Aloha做真机摇操”——有足够高质量的人类示教数据就能高置信度复现动作，即behavior cloning。换个任务、环境变一点，成功率可能就有明显变化。对比Generalist在夹爪操作上已找到几十万小时无本体采集的方法，“高自由度灵巧手操作上，目前市场还没有特别清晰的方法获得足够高保真的数据”——纯egocentric视频、仿真（Isaac Sim路线）、手套/肌电手环/外骨骼，哪条路能成还没有共识；但确定的是“只有数据问题得到充分解决和释放，才可能训练出泛化通用的灵巧手操作模型，而行业趋势是快速朝这个方向发展的”。

15. 灵巧手数据归谁：不像激光雷达，第三方很难通吃

• 主持人的问题链：灵巧手数据这个资产最后沉淀在哪——第三方数据公司、灵巧手厂商，还是全栈本体厂商？陈哲先排除了第三方独大：“灵巧手数据受手本身的结构构型、电机选型和传感器选型依赖度非常高……你按照哪一个手的构型、哪一个手的自由度去采集数据？”22、21、20自由度的手在每根手指上的设计都不同，不易transfer和retarget——UMI时代（简单平行夹爪）诞生的独立数采公司模式在这里难以复制。
• 他给的反例很锋利：激光雷达公司在数据上没有话语权，因为不同雷达的点云能通过一条管线训练进更大的模型；灵巧手的数据维度和格式却与硬件方案深度绑定。同时“马斯克也一直在说灵巧手可能占了他们整个公司百分之五十的工程投入”，多数公司做不出SOTA的手——这给了第三方灵巧手公司卡位的机会。类比自驾：“除了蔚小理、特斯拉这样的头部有全栈能力，还是有大量公司会采购英伟达或地平线的方案。”结论是留白的：灵巧手跟人形本体，“可能会是一个长期博弈、长期共存的关系”——如果广泛的第三方灵巧手厂商位置存在，大量数据由它们提供；不存在，就归本体厂。

16. 绳驱vs直驱之外的第三条路：希诺的混合方案与肌电旁支

• ICRA另一重要发布是希诺未来的Flex Two混合驱动手：重载抓握力由前臂内电机经腱绳实现，掌心内微型电机直驱指节——“我们手的抓握力大量由前臂肌肉实现，但掌心也有小肌肉控制细微动作”。它试图解决纯绳驱的死穴：为实现高自由度需要大量腱绳穿过狭小腕部，“组装跟维修都是非常头疼的问题”。代价是商业模式：带前臂的方案“需要跟本体厂商更深入的耦合跟集成”，不像宇树、智源那种不带手掌的本体可以快速换第三方手——这也解释了希诺拿到理想、京东等多家大厂战投：国内大厂做人形研究基本都采用类似特斯拉的绳驱方案。
• 肌电是个被重新翻热的旁支：（音）A Region Flow做肌电手环采集手部数据，但“用肌电控制灵巧手不是新想法”——十几年前滑铁卢就有公司做肌电手环，强脑也有肌电控制低自由度手的尝试。现在重获关注是因为算法进步让大数据fitting能力显著提升，“大家好奇通过肌电能不能高精准地还原手上每个关节的位置、操作以及对力的反应”。

17. 大厂跟随特斯拉绳驱，是组织学而非技术判断

• 陈哲跟国内很多大厂研究人员聊过，follow特斯拉是“比较直接的选择”：“因为特斯拉还在做这个方向，让大家去选择一个不同的方向，对很多工程师来说是巨大的风险……万一特斯拉是对的，你要去试一个新的方向，那谁来承担这个错误的责任呢？”这种follow策略不仅在灵巧手，“在本体的算法构型等很多技术路线上”都是大公司更保险的方案。
• 而特斯拉自己并不稳：马斯克基于第一性原理相信绳驱更接近人类生物特征，但Optimus Gen 3的手一直在迭代（Gen 3披露为22自由度、仍是绳驱），何时规模化生产未知，“我们也听到不同的声音说Optimus也在尝试替代方案，可能是直驱，可能是混合”。陈哲对直驱的偏好“应该是有所加强”——最新研究突破都由全直驱手实现。对独立灵巧手公司，他补了一个商业判断：“做全直驱、不依靠前臂，可能是唯一或者更好的路线——需要深入定制前臂的方案，大概率会变成大厂的定制公司，很难独立做成标准化产品公司。”国内被大厂收购的退出路径也不乐观：“你到底是因为经营不下去了被收购，还是因为发展得非常好被收购，差别还是非常大的。”

18. Cosmos 3拆解：第一个全开源Omni Model

• Cosmos 3可以原生处理并输出文本、图像、视频、声音、动作全部模态，“可能是在行业第一次这么实现”。技术核心是MoT（Mixture of Transformers）：一个自回归transformer负责reasoning，一个diffusion transformer负责生成——前者善于处理文字等离散token，后者善于图片视频等连续信号，“很长时间这两个模型其实是孤立的”，Cosmos 3用共享attention机制让两者状态互相影响，“把两种很不一样模态的模型缝制到了一起，而且统一了理解和生成”。
• 不同任务激活程度不同：图片到文本可能只需自回归那支；文本图片到动作和视频则需激活diffusion那支。此前Cosmos并无独立的“二代”品牌——最早是二五年CES发布的几个独立模块（predict、transfer、reason，后迭代到2.0），另有加动作head的Cosmos Policy子模型，这次统一进一个架构。陈哲的评价带着扩散预期：“从原理上讲是一个比较优美、比较理想的架构……我相信其他大公司包括中国的大厂，之后也会开发出类似的思路。”更大的picture：Cosmos 3为英伟达芯片算力平台优化，同时推广其机器人开发套件，也可用于自动驾驶。

19. 世界模型的三层分类学：从视频生成到WAM

• 概念太滥，陈哲借英伟达六月官方综述的分类收敛讨论：最底层是video world model（Google的Veo、阿里的（音）Wan，底座是视频生成模型，按条件生成对未来状态的预估——英伟达把Cosmos 3也放在这类）；往上是action-conditioned world model（给定动作条件下预测世界下一状态，Dream Dojo、Genie、（音）Japa属此类——陈哲引Gear Lab研究员高深远的说法，Dream Dojo是一个“世界仿真器”，input是你的动作，训练原料里就包含真实物理变化对环境的影响）；第三类是world action model（WAM）——既生成未来世界状态也生成机器人动作，“它更是一个policy”，Dream Zero、蚂蚁的凌波VA都属于此。
• 在具身领域WAM最火，“因为它是直接用在机器人上的”。而host与guest都同意：文字指令也可以被视为一种对环境的action，纯video world model与action-conditioned的差别只在input是文本描述还是物理动作——这个分类学本身就在暗示各类会合流。

20. VLA与世界模型的对立是伪命题：LLM研究者眼中“这就是一个东西”

• 陈哲转述的北美LLM实验室视角是本季金句之一：“他们不太理解为什么我们会发明VLA和World Model这两个对立的概念，他们认为这是一个东西——他们想象中最好的模型就应该是个Omni Model，就是Cosmos 3这个方向。”本质上VLA擅长生成动作指令，世界模型（以视频为backbone）擅长状态预测，“这两种能力如果有一个巧妙的方式结合到一起，从终极性能来讲肯定是更好的”。
• 由此引出的技术史：视频生成路线做机器人policy早在二三年就有尝试（字节GR-1、GR-2是Video Action Model早期工作），但当时没有好的开源视频生成模型、没有diffusion policy、没有flow matching——这些二四、二五年才成熟。VLA能“更快给出一个六十分的答案”（典型是二四年十月底开源的Pi 0，代表了当时更快的路线并被大量团队跟进），但其本质是行为克隆，“泛化性的局限是非常明显的”。如今可灵、Seedance、Veo 3对物理和常识的理解已到很高水平，“我用它来做机器人的预测和策略，理论上就可以得到很好的效果——这一系列要素的出现是让这个概念在二六年突然爆火的原因”。

21. 世界模型创投热：四月已有人数出49家公司

• 主持人盘点的名单：Genesis、（音）Liberty AI、流形空间Manifold、逆矩阵、模式星空，多为二五、二六年成立，有的今年成立就跑成十亿美元独角兽、创始人非常年轻；成立较久的极佳世界（二三年成立）目前估值最高；四月初已有投资人整理出49个世界模型公司。海外有GDC期间宣布融资4.5亿美元的（音）Ronda AI，以及英伟达Dream Zero团队leader（音“周章”，韩国人）新成立的美国公司。
• 陈哲对热潮的解剖毫不浪漫：“本质上是因为大家在大模型里面赚了一些钱，赚了钱的人继续投，没赚钱的人补票。”但底层要素是真的：具身是国家有战略投入的长期方向，中国公司在硬件和模型上都有很好的资源与能力。至于会不会重演电动车百团大战——“I don’t know，但一波大浪肯定是有大量的人才跟资金的涌入”，这反映了这波变化来得有多么剧烈。

22. Pi 0.7：给VLA接上一个会“脑补”的轻量世界模型

• 陈哲对Pi 0.7的一句话总结：“在传统VLA的基础上接上了一个轻量的世界模型”——它预测未来一段时间的结果图像（子目标图），再用这个预测反馈影响动作生成。主持人的直觉类比被他认可并接住：“就像你要扔一个纸团到有点距离的垃圾桶，你会脑补一下轨迹——我们会根据我们的脑补去调整我们的角度跟力。”
• 他对Pi的整体评价是“非常创新和稳步迭代”：0.5到0.6到0.7每一版迭代都明显，0.6曾引入类似长时间agent规划的能力（用文本记录持续存储状态、据此规划动作），“很多小的改进在那个时间点都是非常引领这个行业的”。国内很多团队在Pi的开源基础上做后训练微调、拿它当benchmark——这既说明Pi制定行业标准的影响力，也反衬出独立开路者的稀缺。

23. Gen One：50万小时自采数据、99%成功率、另起路线

• 国内从业者对Gen One讨论度最高，陈哲列了三个突破：执行速度显著提高（不再“慢悠悠”）；复杂长程任务“宣称”高准确度——几个任务从六十几percent的平均成功率提到99%；最受关注的是他们自采50万小时UMI式无本体真实交互数据，在没有预训练模型的基础上从头训练端到端模型，并在报告里清晰展示了一万、几万到五十万小时不同数据量级下泛化性和能力的显著提升——“从Generalist自己的claim来讲，他们一直宣称找到了scaling的钥匙”。
• 不用预训练底座为什么罕见？“研究界容易出现路径依赖……要独立开创一个新的技术方案，投入这么大的数据量去采集训练，是需要相当大的勇气跟决心的。”这引出他对美国创投生态的观察：“你很难见到两三个团队讲一模一样的故事……如果你不能做出非常有差异性、有创新性的事情，你很难获得加速度、很难获得市场认可，也很难被大企业收购——acquisition本来就是美国很多硬科技创业很正常的exit。”标签问题上，Peter Florence专门撰文：他们的做法“既不是把动作粘贴到VOM上面变成VOA，也不是一个世界模型”，而是完全用物理交互的原生数据训练transformer——思路可溯源到这群Google旧部当年的RT-1（RT-2掀起VLA风潮之前，RT-1就是独立训练的中等size transformer）。

24. Google想做机器人的安卓，但终局之问指向所有通用大厂

• Gemini Robotics四月发的ER 1.6（Embodied Reasoning）没进top 5，因为它不是策略模型——它是一个通用模型，增强空间与任务的理解推理，报告里直接对标Gemini Flash 3.0这样的通用模型。合作生态透露意图：波士顿动力Spot（出货几千只，用于油气田工业巡检，上下楼梯、读仪表盘、查异常值）、Apptronik、（音）思灵的人形AgiOne——“他们想做这个领域的安卓”，输出偏大脑、偏API的位置。
• 陈哲把问题推到最底层：“我们到底有什么原因来说明很多年以后embodied AI的model，不是由Anthropic、OpenAI或者Google这样的通用模型大厂来提供的？如果Omni Model路线最终被证明有效，是不是机器人所有的空间理解、动作预测，可以被融合到一个更大的通用模型里去？”对“通用模型公司不做硬件、拿不到数据”的经典反方，他的回击是钱：“大模型公司花了几十亿、上百亿美金做语料跟数据标注，只是主要是文本跟图片数据”——今天不擅长，只是没为这件事优化。

25. OpenAI Robotics重启：Sora团队转身，万卡算力只是零头

• 五月底OpenAI正式官宣robotics团队：找全栈顶尖人才（硬件、系统、机器学习），短期场景是给自己造AI算力基础设施，长期做人人可用的机器人。团队leader Arditia Ramesh是（音）DALL·E作者、本科毕业即进OpenAI，其团队在推特上的名号是“World Simulation Research”——陈哲确认：“OpenAI的Robotics团队就是基于他们做DALL·E、做Sora的团队建立的，OpenAI内部对Sora的定位一直认为它就是一个世界模型。”
• 投入会有多大？陈哲给了一个校准行业认知的数字：“Cosmos 3应该已经代表了今天Embodied AI训练投入的最高算力预算，大概在万卡级别——这已经是整个具身研究算力的天花板了”（蚂蚁凌波团队也在万卡级左右）。以此标准，对OpenAI、Anthropic这种头部LLM公司“都不是特别大的算力预算”。另一个确定项：机器人研究还很早期、离不开硬件验证，“我知道的就是OpenAI会在灵巧手上有特别大的投入——它都要进这个市场了，不可能再去搞夹爪”。他期待OpenAI“在未来一段时间在这个领域拿出一些行业SOTA的进展”。

26. 宇树IPO定锚，模型终局两极化：“Anthropic成为了Anthropic”

• 宇树二季度科创板IPO过会，“给今天所有头部具身公司制定了一个估值的锚点”。本体端不一定winner take all——功率密度、电池、重量体积的物理限制会让人形分化出小型（娱乐表演科研）与大型（重载低速payload）等形态；但大脑端“至少是个寡头化的现象”——“智能就一定是两极化的，要么追求最好的智能，要么追求一个OK的智能”，加上模型边际成本低、可开源共享，“长期来看智能模型大概率分为高水平的开源模型和顶级水平的闭源模型……如果一个闭源模型的能力超不过SOTA的开源模型，它就没有存在的价值”。开源供给方大概率是英伟达这类不靠模型变现、靠算力变现的生态型大厂。
• 于是模型创业公司面临两个“终极问题”：怎么跟最好的开源模型竞争（供给方商业模式不依赖模型赚钱），怎么跟谷歌、阿里、字节、Anthropic的寡头闭源模型竞争。有没有创始人给出过有说服力的答案？“这个问题在当年Anthropic创业的时候也被投资人反复问到过，但是Anthropic成为了Anthropic”——开始能不能回答不关键。但他补了一刀清醒剂：当年OpenAI创立时“并不像具身模型一样面临一群大语言模型公司”；这波具身热潮本身就是被上一波语言模型公司上市赚钱效应推起来的，“如果所有人都这么想，市场一定会出现过度竞争跟过度投资……最终的赢家还是比较稀缺的”。

27. 落地节奏的中美差异：“姿态跟事实还是挺不一样的”

• 美国前沿公司的pattern：一群有愿景的科学家对“巨大潜力且长期不确定”的方向持续投入——OpenAI从一五年到ChatGPT前七年没有明显商业化，“并不妨碍它吸收大量人才跟资源”；Physical Intelligence在做同样的事，不断发布甚至开源领先模型，“但从落地来讲，so far也没有看到特别清晰的商业化阶段”。主持人追问Figure不是要落地吗——陈哲：“Figure现在也没有任何一单确切的、真正被验证的落地收入，姿态跟事实还是挺不一样的。”反问国内是姿态还是事实，他答得直白：“国内本质上是大家对特别长期不确定性探索的容忍度非常差，所以你一定更需要做出这样的姿态，而且最好是个事实。”
• 在中国说“十年不商业化”怎么拿资源？主持人接了个漂亮的答案：“你是梁文峰啊。”陈哲认可DeepSeek的稀缺性——“当你自己足够成功，你对这个事情有足够的信仰”，且OpenAI、DeepMind本来就是一群billionaire的尝试与投资。更大的分歧在周期判断：如果开了天眼说像自动驾驶一样要十年十五年才能规模商业化（“Waymo实现了商业化，但还没有盈利”），还有没有人投？他自己的判断：“相比于去年，这个周期肯定是在缩短的”——语言模型领域的算力、数据、能力大量迁移进具身，“是事实加速了具身领域的发展”，Figure和星动纪元的快递分拣正是“有实际落地可能性”的证据。

28. 展望：未来六个月是大厂进场的最后窗口，全栈与垂直的长期博弈

• 下季度展望的核心call：人形机器人作为形态和载体会更主流，更多产品在具体场景落地，更多大公司宣布人形计划（从宣布到发布产品至少一年到一年半）。时间表更激进的版本来自他接触的具身创业者，而他自己的表述是：“未来一个季度、两个季度，或者未来六个月，是进入这个游戏的最后的窗口——如果你不在二六年启动，等到二七、二八年人形机器人开始广泛落地的时候，你就没有身位了。”字节、腾讯、阿里这类互联网大厂更可能对标Pi和Anthropic的模式，做偏智能能力的基座——“模型的商业模式跟他们本身的能力高度相关”。
• 中国具身创业的双重悖论：既难做十年没收入的公司，投资人也“更难容忍一家公司不是全栈”——结果是“所有的具身大脑公司都在宣布做机器人本体”。他引许华哲的非主流观点（有些事应交给生态、不该全部in house）说“这个事情可能是对的，也是一个非常美国式的想法”，但立即给出条件：“如果你不做全栈，那你就要在你的细分领域做到行业最好才有价值。”终局的辩证保留了张力：“最终的大赢家大概率还是有全栈公司的机会——苹果、小米、华为这样的公司在具身时代也会存在。但很有意思的是，今天市值最大的几家公司其实不是全栈公司：英伟达不是，Anthropic或者OpenAI最终上市了，可能也不能叫全栈公司。”全栈还是垂直一体是终局，“长期都会反复地被博弈”。连宇树都被投资人challenge“只是一家硬件公司、没有AI”——他不认可这个challenge：“假设宇树未来一直是硬件公司，它也是一家很赚钱的硬件公司……我不觉得有什么原因它不能长出它的软件或者AI的那块，如果公司从战略上真的想做这件事情的话。”

Verification Notes

• RAW在“心动纪元/星动纪元”及“五G/沙帕”等实体上存在不同音转，以上保留了可由RAW直接支持的写法。