7月30日，机器人行业在同一天迎来两件标志性事件：宇树科技的IPO发行安排落地，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600亿至1000亿元之间浮动；同日，谷歌发布Gemini Robotics 2，宣称要让一个“机器人大脑”适配任意机器人本体。这两件事被业内解读为同一场竞赛的两面：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。

次日，7月31日，李飞飞出现在a16z的播客中，与刚被她收购的机器人仿真公司SceniX的创始人李昀烛对谈，明确抛出“仿真不是可选项，而是必选项”的判断。这为前一天的乐观情绪泼了一盆冷水，也把行业焦点从硬件军备竞赛拉向更底层的数据与智能问题。

身体竞赛的隐忧

过去两年，机器人赛道被描述为一场军备竞赛。数据层面，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）。中信证券将2026年称为“量产元年”，国金证券称之为“军备竞赛”，万联证券则喊出“破晓时刻”。

然而，就在“量产元年”的欢呼声中，最该欢呼的人自己先泼了冷水。2026年7月，宇树创始人王兴兴登上《时代》周刊封面，但在同一篇专访中，他透露宇树的人形机器人“只有大约9%用于工业场景”，更多卖给了高校以及“造机器人的同行”——即其他机器人公司拿去当研发基座。这意味着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”，而非工厂真的缺一个干活的机器。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。

量产难的问题同样被摆上台面。朱啸虎在2026年上半年公开退出具身智能赛道，理由直白：“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，多空交锋被公开化。宇树招股书给出硬数据：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“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。

世界模型：机器人缺的那个大脑

当硬件瓶颈逐渐被攻克，真正的瓶颈转向让机器“理解并推演世界”的能力，即世界模型。李飞飞可能是最执着于“空间智能”的人。2025年11月，她发表长文《从文字到世界：空间智能是AI的下一个前沿》，将大语言模型定义为“黑暗中的文字匠：能言善辩，却无经验；知识丰富，却缺乏根基”。她认为AI的下一个前沿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，而实现路径就是“世界模型”。她定义了世界模型的三个核心能力：生成性（生成几何和物理一致的世界）、多模态（处理图像、视频、文本、动作等输入）、互动性（基于一个动作输出世界的下一个状态）。

在7月31日的a16z对谈中，李飞飞将理论带入工程现场。她抛出第一个判断：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”。语言模型可从互联网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无法直接套用到机器人的根本原因。第二个判断是“仿真不是可选项，是必选项”，理由是反事实推理——人类能想象尚未发生或没有足够数据支撑的事，而真实数据无法提供这种能力。Waymo已用数十亿小时仿真数据证明这条路在工业级场景的可行性。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），两者叠加可搭出“模型无关、本体无关”的机器人学习与评测基础设施。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”，既当仿真器又当策略模型。

有趣的是，当整个行业都在喊“世界模型”时，李飞飞自己今年早些时候在博文中吐槽：“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都在声称自己做世界模型，但“每一个领域所指的东西都截然不同”。

同一个词，三场豪赌

目前，世界模型赛道存在三条代表性路线。第一场是李飞飞的World Labs，可称为“空间智能的建筑师”，要把世界显式地“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和虚拟制片行业已用上，这条路线被认为最扎实、最容易短期商业化。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，可称为“哲学家”，他不要显式重建世界，而是在抽象表征空间里预测“世界的下一个状态”，并反复批评今天的LLM只是“精密的录音机”。第三场是英伟达黄仁勋的Cosmos，可称为“工业级创世者”，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”，英伟达的逻辑是真实世界训练太慢、太危险、太贵，所以先用合成数据把机器人喂饱，这条路线已通过硬件-软件飞轮变现。

同一个“世界模型”，在李飞飞那里是可进入的空间对象，在杨立昆那里是可预测的抽象状态空间，在英伟达那里是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。

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。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，已取代VLA成为主流标签（虎嗅6月统计）。个案更夸张：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：“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。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，毕马威发布报告，将世界模型定义为“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”，并判断“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”，同时认为VLA与世界模型“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。

拐点未至

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。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。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。