本文来自微信公众号： 每日天使 ，作者：每日天使
—每日天使·机器人观察—
7月30日，机器人行业在同一天响起了两声枪响。
一声来自杭州。
宇树科技的IPO发行安排在这一天落地，发行价锚定约420亿元市值，而就在几个月前，一级市场给这家公司的估值还在600亿到1000亿元之间浮动。
另一声来自硅谷。
谷歌在同日发布了Gemini Robotics 2，宣称要让一个“机器人大脑”适配任意机器人本体。
两声枪响，说的是同一件事的两面：一边在赌机器人的“身体”已经ready，一边在赌机器人的“大脑”才是终局。
资本和巨头用真金白银投了票——但票投给的，真的是同一个未来吗？
就在第二天，7月31日，李飞飞出现在a16z的播客里，和刚被她收购的机器人仿真公司SceniX的创始人李昀烛一起，聊了一件看上去很“虚”的事：仿真。
她的结论干脆利落——“仿真不是「可选项」，而是「必选项」。”
这句话，恰好戳破了前两声枪响背后的乐观。
一、机器人的身体竞赛，已经卷到头了
过去两年，机器人赛道的叙事一直很热闹，热闹到有点像一场军备竞赛。
数据摆在那里：2026年上半年，国内机器人及具身智能融资规模已超过900亿元量级；中国企业在全球机器人出货中占到84.7%（亿欧智库上半年口径）；宇树IPO锚定420亿、机构给出600–1000亿估值，Figure的估值则站上390亿美元（建银国际口径）。
中信证券把2026称为“量产元年”，国金证券称之为“军备竞赛”，万联证券喊出“破晓时刻”。
这套叙事逻辑自洽：硬件成熟了，成本下来了，工厂愿意买单了，于是资本涌入、估值起飞、IPO敲钟。
如果故事停在这里，它是一篇标准的“硬科技风口”稿。
但故事不该停在这里。
因为就在“量产元年”的欢呼声里，最该欢呼的人，自己先泼了冷水。
第一个真问题：到底谁在买这些机器人？
2026年7月，王兴兴登上《时代》周刊封面，风头无两。
但在同一篇专访里，他说了一句让叙事降温的话：宇树的人形机器人，“只有大约9%用于工业场景”，更多的，是卖给了高校，以及“造机器人的同行”——也就是其他机器人公司拿去当研发基座。
换句话说，今天最热的机器人公司，最大的一块需求，来自“为了造机器人而买机器人”，而不是来自工厂真的缺一个干活的人。
王兴兴自己的判断更克制：机器人的“ChatGPT时刻”，还要2到10年才会来。
第二个真问题：量产，到底难在哪？
朱啸虎在2026年上半年做了一件业内少见的事——公开退出具身智能赛道。
他的理由直白到有点刺耳：“谁会花十几万买机器人干这活？”他同时判断，具身智能“必经泡沫期”。
作为对冲，经纬合伙人张颖在朋友圈公开反驳，多空交锋被摆在台面上。
宇树自己的招股书，则给出了一组硬数据：2026年一季度扣非净利润同比下滑52.55%，上半年预计继续下滑。
马斯克对Optimus的判断是——这是“史上最难量产的产品”，量产时间表推迟到年底，单台成本仍卡在5万到10万元，而目标是压到2万元。
第三个真问题：路到底该怎么走？
彭志辉（智元机器人联合创始人）点破过一个被刻意绕开的瓶颈：行业最缺的是数据，“比大模型差3到5个数量级”。
他的结论很务实——机器人得“先在工厂把账算平，才有资格谈进入家庭”。
英伟达的Jim Fan更直接：在机器人领域，“VLA已死，WAM当立”。
连谷歌自己发布的那颗“大脑”，也坦诚学习效率不高：Gemini Robotics 2从人类演示中学习的速度，远低于人类；在复杂操作上的成功率，进度分类测试只拿到57.4%。
把这三个真问题叠在一起，结论其实很清楚：堆“身体”这件事，已经卷到头了。
硬件的瓶颈正在被攻克，但真正的瓶颈不在硬件——在于让机器“理解并推演世界”的那部分能力。
也就是，大脑。
而“大脑”这个词，在2026年的AI语境里，有一个更精确的名字：世界模型。
二、世界模型：机器人缺的那个大脑
1.李飞飞的答案：从“文字”到“世界”
李飞飞可能是这个世界最执着于“空间智能”的人。
2025年11月，她发表了一篇长文，标题叫《从文字到世界：空间智能是AI的下一个前沿》。
在这篇文章里，她给今天如日中天的大语言模型下了一个尖锐的定义：它们“仍是「黑暗中的文字匠」：能言善辩，却无经验；知识丰富，却缺乏根基”。
在她看来，AI的下一个前沿，不是把文字写得更好，而是让机器拥有“空间智能”——理解、推理、并与三维世界交互的能力。
而实现空间智能的路径，她称为“世界模型”。
她给世界模型定义了三个核心能力：生成性（能生成几何和物理一致的世界）、多模态（能处理图像、视频、文本、动作等多种输入）、互动性（能基于一个动作，输出世界的下一个状态）。
这套定义，后来成了整个赛道的“字典”。
更早之前，她就把这件事称为自己的“北极星”——从ImageNet开始，她念兹在兹的，一直是视觉与空间智能。
2026年7月31日那场a16z对谈，把这套理论从论文拽进了工程现场。
李飞飞抛出的第一个判断是：机器人落地的最大瓶颈，不在硬件，而在“数据的极度稀缺和评测体系的低估”。
语言模型可以从互联网上近乎无限地汲取数据，但机器人没有这样的数据源——这正是scaling law没法直接套用到机器人的根本原因。
第二个判断，就是那句“仿真不是可选项，是必选项”。
她的理由带着一点哲学味：人类的大脑一直在进行仿真，因为我们具备一种真实数据无法提供的能力——反事实推理（counterfactual reasoning），即想象那些尚未发生、或根本没有足够数据支撑的事，然后学会如何应对。
Waymo已经用数十亿小时的仿真数据，证明了这条路在工业级场景里的可行性。
第三个判断，是World Labs与SceniX的整合逻辑：World Labs的Marble擅长从稀疏输入生成几何一致的3D世界，SceniX则专精把真实环境高保真映射到仿真再回迁现实（Real-to-Sim-to-Real）。
两者叠加，能搭出一个“模型无关、本体无关”的机器人学习与评测基础设施——换句话说，他们不造机器人，他们造让所有机器人能学习和被考核的“世界”。
第四个判断，指向机器人基础模型的形态：它会走向“全模态+动作维度”，既当仿真器（预测一个动作的后果），又当策略模型（输出该执行的动作）。
但有趣的是，当整个行业都在喊“世界模型”时，李飞飞自己在今年早些时候的一篇博文里吐槽：“世界模型已经成为当今AI领域最重要，也最被滥用的术语之一。”
计算机视觉、机器人学、强化学习、生成式AI都在声称自己在做世界模型，但“每一个领域所指的东西都截然不同”。
这恰恰引出了2026年最值得思考的一幕：同一个词，三场豪赌，三种未来。
2.同一个“世界模型”，三场豪赌，三种未来
第一场，是李飞飞自己的World Labs，可以叫“空间智能的建筑师”。
她要的是把世界显式地“做出来”——一个可进入、可编辑、可共享、可漫游的3D空间。
Marble已经能让创作者从一张图生成可导航的三维世界，CAD和虚拟制片行业已经用上了。
这条路线被认为最扎实、也最容易短期商业化，因为它解决的问题更窄、更可靠。
第二场，是图灵奖得主杨立昆（Yann LeCun）的AMI Labs，走JEPA（联合嵌入预测架构）路线，可以叫“哲学家”。
他不要显式重建世界，而是在抽象的表征空间里预测“世界的下一个状态”。
他反复批评今天的LLM只是“sophisticated tape recorders”（精密的录音机），缺乏真正的理解。
世界模型对他而言，是一个能在内部进行因果推理和规划的认知架构，而不是一个生成视频的引擎。
第三场，是英伟达黄仁勋的Cosmos，可以叫“工业级创世者”。
Cosmos本质上是一套物理精确的仿真基础设施，让机器人在受重力、摩擦、流体规律约束的虚拟空间里“失败百万次”。
英伟达的逻辑很硬：真实世界训练太慢、太危险、太贵，所以先用合成数据把机器人喂饱。
这条路线已经通过硬件-软件飞轮在变现。
同一个“世界模型”，在李飞飞那里是一个可进入的空间对象，在杨立昆那里是一个可预测的抽象状态空间，在英伟达那里是一台生产合成数据的工厂。
差别不在用词，而在哲学：世界，到底是被“构造”出来的，还是被“压缩”成内部变量的，还是被“仿真”出来的？
而在这场定义权之争里，中国玩家已经入场。
2026年4月起，阿里、腾讯、小鹏相继发布自己的世界模型，押注“物理AI”与具身智能的交汇点。
3.国内：最烫的标签，与最冷的天堑
回到国内，世界模型在2026年成了最烫的标签。
数据很夸张：2026年上半年，国内具身智能融资约438亿元，全年有望超过2025年的554亿。
在融资动态的35家“大脑派”公司里，27家布局了世界模型，占比近八成，已经取代VLA成为主流标签（虎嗅6月统计）。
更夸张的是个案——千寻智能三个月累计融资45亿元，雷军旗下的顺为资本和马云旗下的云锋基金首次共同重仓。
自变量机器人投后估值突破200亿，发布“世界统一模型”WALL-B和具备“事件级预测”的世界模型WALL-WM。
智象未来完成15亿元C轮，由社保基金四川振兴科创基金、工银资本领投——这是社保基金首次作为LP进入多模态大模型方向。
资本性质也变了：华为哈勃、小米战投、红杉中国、社保基金、中网投、多地国资，四种不同性质的资本在同一赛道交汇。
一位VC内部人士对《科创板日报》说了一句很妙的话：“世界模型现在就像2010年的移动互联网，我们也不知道哪个方向最终能跑出来，但我们知道不投一定会错过。”
但泡沫的信号同样清晰。
业内共识是，90%以上的具身智能公司会被淘汰。
技术路线远未收敛——世界模型到底是世界、是状态、还是工厂，没有人能拍板。
而真正落地要跨过三道天堑（同花顺7月梳理）：
第一道，是“失败数据”的鸿沟。
世界模型要理解物理因果，需要的不仅是“把杯子拿起来”的成功案例，更是海量“杯子滑落、捏碎、碰撞”的失败反馈。
千寻、极佳视界不得不砸钱在全国建“数据超级工厂”去饱和采集，这是极重资产、极慢的长跑。
第二道，是真实物理参数的不可评测，叠加工业现场对“零误差”的苛刻要求。
生成式模型天然带随机性，在虚拟世界里1%的像素偏差无伤大雅，但在工业组装或高速自动驾驶里，1%的偏差就是生产事故。
第三道，是商业化遥不可及。
市面上大量号称做世界模型的初创公司，实际干的仍是3D渲染、单纯项目集成等周边生意，真实应用规模少有人提。
7月23日的WAIC 2026上，毕马威发布了一份报告，试图给这场混乱一个框架。
结论是：世界模型是“补全人工智能现实维度、推动具身智能走向规模化商业落地的核心底座”。
“大模型无法独自通向AGI，能理解物理规律并在内部‘推演未来’的世界模型，才是赋予具身智能‘观察、推理、行动’心智闭环的关键架构”。
报告对VLA与世界模型关系的判断是“融合共生是终局”——VLA管眼前的直接反应，世界模型管行动前的推演与规划，两者合起来才是完整的智能。
三、真正的拐点，是没人盯着时把活干完
回到开头那两声枪响。
宇树敲钟，赌的是机器人的身体已经ready；谷歌发大脑，赌的是大脑终将统一所有身体。
但李飞飞们提醒我们：今天最稀缺的，不是会动的钢铁，而是能让钢铁“想明白世界”的那部分智能。
机器人是身体的竞赛，世界模型是大脑的竞赛。
今天，中国似乎赢在了身体——84.7%的全球出货，是硬件产业链几十年积累的结果。
但大脑的定义权，此刻还攥在李飞飞、杨立昆和英伟达手里：世界，究竟是被构造出来、被压缩成变量、还是被仿真出来，他们各执一词，而答案将决定下一个十年的产业版图。
真正的拐点，不会是某家公司敲钟的那天，而是某台机器，在没人盯着它的时候，把一件没人教过它的活，干完了。
在那之前，世界模型还在从“文字”走向“世界”的路上——而这条路，李飞飞叫它“AI的下一个前沿”，也叫它自己的“北极星”。