具身智能下半场:高热度、高投入、高试错性
具身智能下半场:高热度、高投入、高试错性

当一台人形机器人在演示视频里流畅地完成后空翻、打太极甚至叠衣服时,弹幕沸腾了。但当它走进嘈杂的工厂,可能连一颗螺丝都拧不稳。这就是具身智能最真实的“冰火两重天”。过去一年,资本疯狂涌入,融资额屡创新高,市场预期被推至顶点。然而,王田苗在2026张江具身智能供应链大会上直击要害:人形机器人能完成演示动作,绝不等于能在工厂、商超、药店、酒店甚至家庭里长期稳定运行。
惊艳Demo与可靠生意之间,横亘着一条巨大的鸿沟。

实验室里完美的任务成功率,无法等价于可复制、可交付、可盈利的商业闭环。不少企业仍困在“技术验证—场景试点—小规模交付”的死循环里,Demo越做越炫,但客户真正需要的,是一个能在复杂环境中持续稳定工作、故障率可控、维护成本合理的生产力工具。具身智能的独特难点在于,它不仅要解决“模型是否聪明”,还要解决“身体是否可靠”——这不是简单照搬大模型发展逻辑就能搞定的。
行业里曾有一种乐观论调,认为只要模型足够强,硬件只是下游执行端。但现实狠狠打了脸。
王田苗明确指出,具身智能的Scaling Law至少取决于四个要素的同步推进:大模型参数与算法、大规模人类数据采集、端侧芯片的推理速度,以及物理硬件结构。 如果硬件结构的自由度、灵巧度达不到要求,模型再强也无法完成复杂任务。一个典型的例证是,灵巧手抓取异形物体的成功率至今仍低于70%——这就是软硬件协同不足的典型写照。

任何一个环节的短板,都会让整个系统在落地时瞬间崩塌。
这意味着,具身智能的竞争不是单点突破的竞赛,而是模型、数据、算力、硬件四维同步进化的耐力赛。任何试图跳过硬件成熟度、只靠模型能力讲故事的逻辑,最终都会被真实场景的复杂性击穿。

二、 路径与试错:技术路线未收敛下的多线探索
王田苗对具身智能下半场的判断中,最令从业者焦虑的并非技术有多难,而是 “方向大致正确,但路径极度分散”。
上半场大家拼的是Demo惊艳度,下半场拼的是工程化落地能力。尴尬的是,当你准备All in工程化时,却发现连技术底座都还没定型。这种不确定性,正在急剧拉高全行业的试错成本。
1. 技术路线分歧:VLA、世界模型与端侧芯片的并行试错
具身智能需要同时解决三个维度的难题:环境理解、动作规划、硬件执行。致命的是,这三个维度的技术成熟度完全不同步。
VLA(视觉语言动作模型)试图将感知与执行统一到一个框架中。在实验室里,它表现完美——机器人看到杯子,知道“这是可抓取的圆柱体,需施加约5牛的力”。但进入真实场景后,光照变化、物体材质差异、遮挡关系,每一项都可能导致模型失效。

世界模型则走另一条更底层的路:让AI先理解物理世界的运行规律,再推导动作。这条路更根本,但训练难度呈指数级上升。
端侧芯片的竞争同样白热化。具身智能不能依赖云端——从感知到决策到执行,延迟必须控制在毫秒级。这对芯片的实时推理能力提出了极高要求,而目前还没有一款芯片能完美兼顾功耗、算力与实时性。
最终的具身智能模型,可能不会是某一条路线单独胜出,而是多种能力的融合。
问题在于,融合的配方是什么,没人知道。企业被迫同时押注多个方向,试错成本被急剧拉高。这正是王田苗将下半场定义为“高试错性”的底层逻辑——你不知道哪条路会通,但每条路都得走。
2. 场景分层渗透:从物流商超的标准场景到家庭养老的复杂落地

技术路线未收敛,但场景的渗透路径却相对清晰。王田苗的判断是:具身智能不会一步进入家庭,而是分层渗透。
第一层是物流、清洁、商超等标准化场景。 环境相对可控,任务边界清晰,对泛化能力要求较低,最容易形成商业闭环。
第二层是工业与特种环境。 精度和可靠性要求更高,但环境更加确定。王田苗提到,专用场景中机器人任务成功率可达90%—95%,特种场景中甚至能达到95%—99%。
最难的第三层是家庭和养老。 非结构化环境、人类行为的不可预测性、安全与情感交互的复杂性,使得落地周期最长。在复杂通用环境下,泛化任务成功率可能只能达到80%多,剩余部分必须依赖人机协同弥补。
这种分层策略的本质,是用场景的约束换取技术的可行性。先在最简单的场景跑通商业闭环,积累数据和经验,再逐步向复杂场景迁移。这不是妥协,而是产业化的必然路径。
王田苗预判,2027年和2030年将是两个关键节点,具身智能会在这两个时间窗口完成从标准场景到复杂场景的跨越。对于企业而言,关键不是一步到位做全场景,而是找准自己当前能力匹配的场景,先活下来,再谈进化。

三、 生存与定位:拒绝“一地鸡毛”的产业法则
1. 需求回归:从拼参数转向解决真实客户的刚性痛点
具身智能行业正在经历一场残酷的“去魅”。王田苗在演讲中发出警告:如果只停留在模型参数、技术概念和融资故事上,而没有真正回到客户需求和落地场景,最终商业化时很可能会“一地鸡毛”。
当下不少企业沉迷于刷榜——比谁的机器人动作更复杂,比谁的模型参数更大。但一个能后空翻的机器人,不等于能在药店连续工作8小时不出错;实验室95%的任务成功率,也不等于在嘈杂的商超里能稳定运行。
真正的胜负手在于:能否解决客户的刚性痛点。
王田苗给出了一个清晰的成功率分层预判:
- 复杂通用环境:机器人泛化任务成功率可能只能达到80%多,剩余部分需要人机协同弥补
- 专用场景:成功率可达90%—95%
- 特种场景:环境与流程足够确定时,成功率可提升至95%—99%

这意味着,企业必须想清楚三个核心问题:机器人到底要在哪里干活?能帮客户省多少钱?出了错怎么兜底?
短期看,真正值得关注的不是机器人长得像不像人,而是它能不能在真实场景里稳定、低成本、安全地完成任务。 王田苗提醒,如果忽略“认知上忽略时代窗口”这一关键要素,企业很可能陷入“死亡之谷”——当下的冰火两重天,不是局部现象,而是全球AI、机器人和产业结构重构共同作用的结果。
核心启示:从“我能做什么”转向“客户需要我做什么”,是穿越泡沫期的唯一路径。
2. 生态位选择:在百花齐放中找准整机、底层能力或供应链定位
具身智能不会像互联网大模型那样由少数平台“一家通吃”。王田苗判断,这一领域更可能形成**“百花齐放”的生态**。

他将整个生态切分为四个关键角色:
- 全栈式整机企业:可能成为龙头和链主
- 云端AI模型、开发工具和芯片企业:提供底层能力,典型代表如英伟达、华为
- 上游高附加值供应链:核心部件、传感器、执行器、灵巧手等
- 运营租赁和AI定制服务商:类似滴滴、顺丰在各自领域形成的运营和服务体系
这种分层意味着一个关键判断:不是所有人都需要造整机。
王田苗预判,到2030年前后,可能会出现20至50家头部企业,部分企业规模有望达到500亿元左右。但能否跑出来,关键不在于概念讲得多大,而在于是否具备四个核心要素:明确场景与真实客户、成本优势与技术壁垒、数据积累与供应链能力、持续融资和商业化交付能力。
他特别指出,创新创业具有很强的时点敏感性。错过关键窗口,就可能错过融资输血、人才聚集和市场卡位机会。
对中小企业的启示很明确:避开与巨头的正面冲突,在灵巧手、仿生结构、感知算法等细分领域构建技术护城河。或者,成为大厂生态中不可或缺的“螺丝钉”——做最擅长的那一环,而非什么都做。
生存法则:在这个高试错性的下半场,找准自己的生态位,比盲目追求“全栈”更务实。