在刚刚落幕的2026世界人工智能大会（WAIC）上，具身智能依然是最受关注的赛道之一。资本市场对这条赛道的热情同样炽热。相关数据显示，今年上半年，国内具身智能赛道融资总金额达935亿元，同比提升5倍。

　　尽管大量资本涌入具身智能赛道，但市场预期与产业实际进度之间仍存在明显分化。

　　毕马威中国科技、媒体及娱乐、电信行业审计主管合伙人卢鹍鹏在接受《中国经营报》记者专访时谈道，当前资金投入回报与市场发展预期之间存在分化，主要原因是，一方面是资本市场预期较高，期待具身智能快速实现人工替代、提升设备效率以兑现巨大的商业价值。另一方面是产业整体仍处于由试点向规模复制的过渡阶段，多数应用集中在研发验证和示范场景，实现规模化部署的企业占比较低。这种分化主要源于商业化落地过程中的工程体系建设不足。算力资源约束导致的训练和推理效率问题、虚拟到现实迁移的可靠性不足，以及长时序执行中的误差累积等工程化阻碍，导致高额投资培育的离线模型能力难以迅速转化为真实闭环系统中的实际生产力，从而延缓了资金回报周期。

　　《中国经营报》：当前，资本对具身智能的布局主要集中于“大脑”（具身大模型）、“身体”（机器人本体）和“数据”（数据服务商）三大赛道。这三个方向的底层投资逻辑分别是什么？

　　卢鹍鹏：在投资具身大模型方面，其资本逻辑在于以世界模型为代表的具身大模型是打破具身智能产业化瓶颈的关键支撑。世界模型能够提炼物理规律，实现长时间状态建模、理解生成预测一体化以及低延迟推理，这是解决数据、任务、控制和部署四大核心难题，实现跨场景、跨物体和跨任务泛化能力的核心认知底座。

　　在投资机器人本体方面，资本逻辑在于不同形态的物理载体具备各异的运动空间和移动特性。针对不同的环境复杂度和任务需求，固定式、轮式、足式及飞行机器人可以发挥各自的形态优势并进行有机组合，提供相应的物理交互强度，是完成具体场景任务和实现商业落地的终端执行基础。

　　在投资数据服务方面，其逻辑在于克服真实机器人数据采集成本高、场景覆盖窄的限制。由于开放世界视频、人类行为数据与机器人底层动作逻辑天然存在差异，提供高质量的具身数据，并对齐任务逻辑与动作后果，是构建统一世界知识底座并有效提升模型性能的前提。

　　《中国经营报》：你认为，具身智能的应用场景将如何推进？

　　卢鹍鹏：首先，在载体运用方面，应用场景的拓展将依赖多种形态机器人的协同配合。针对不同的环境复杂度和任务需求，固定底座机器人、轮式机器人、足式机器人和飞行机器人将结合各自的形态优势进行组合，共同满足具体的场景要求。

　　其次，在部署阶段方面，产业整体将从当前的研发验证、试点部署和示范场景，逐步向规模化复制阶段迈进。目前多数应用仍处于早期探索期，未来随着产业成熟，应用场景将实现更广泛的普及。

　　再次，在目标效用方面，应用场景的侧重点将发生转变。当前应用多集中于提升研发效率、降低数据成本和缩短训练周期。后续的推进将更加注重实际生产效益，重点解决如何提升人工替代程度、提高设备工作效率和加快生产节拍等问题，以满足亟待提升的商业价值需求。

　　最后，应用场景的深入推进需要解决核心的工程化限制。这要求行业加强工程体系建设，在计算资源约束下提升训练和推理效率，提高虚拟到现实迁移的可靠性并减少长时序误差累积，同时利用高质量具身数据优化模型性能。克服这些工程体系建设不足的问题，是应用场景得以持续拓展的基础。

　　《中国经营报》： 半导体及硬科技是具身智能产业发展的重要底层支撑，近年来持续获得资本关注。结合行业技术迭代节奏，如何平衡产业发展阶段与市场估值预期？

　　卢鹍鹏：第一，客观评估产业成熟度与实际商业化进程。当前赛道大额融资频发，市场估值预期极高。然而产业整体仍处于由试点向规模复制的过渡期，实现规模化部署的企业比例极低。多数应用停留在研发验证阶段，亟待向替代人工劳动、提升实际生产节拍等商业价值兑现端推进。

　　第二，集中关注硬件性能以解决计算限制。市场期待技术快速迭代，但实际发展受制于工程体系建设。半导体等底层硬件必须重点解决计算资源约束下的训练和推理效率问题，满足高复杂度世界模型对大规模运算能力的迫切需求。

　　第三，强化边缘部署硬件以克服真实应用障碍。机器人在物理世界的行动需要强实时性和低延迟反馈。硬科技的技术迭代需着力降低系统内存占用和数据通信成本，支持低延迟推理与端侧或边缘侧部署。这是克服离线模型难以直接进入真实物理闭环系统这一核心限制的关键。

　　总而言之，只有底层半导体与硬件技术切实解决算力约束与端侧部署的工程限制，支撑具身智能系统从离线演示走向真实环境的大规模应用，才能使实际产生的商业价值与当前极高的市场估值预期相匹配。