7月30日，機器人行業在同一天迎來兩件標誌性事件：宇樹科技的IPO發行安排落地，發行價錨定約420億元市值，而就在幾個月前，一級市場給這家公司的估值還在600億至1000億元之間浮動；同日，谷歌釋出Gemini Robotics 2，宣稱要讓一個“機器人大腦”適配任意機器人本體。這兩件事被業內解讀為同一場競賽的兩面：一邊在賭機器人的“身體”已經ready，一邊在賭機器人的“大腦”才是終局。

次日，7月31日，李飛飛出現在a16z的播客中，與剛被她收購的機器人模擬公司SceniX的創始人李昀燭對談，明確丟擲“模擬不是可選項，而是必選項”的判斷。這為前一天的樂觀情緒潑了一盆冷水，也把行業焦點從硬體軍備競賽拉向更底層的資料與智慧問題。

身體競賽的隱憂

過去兩年，機器人賽道被描述為一場軍備競賽。資料層面，2026年上半年國內機器人及具身智慧融資規模已超過900億元量級；中國企業在全球機器人出貨中佔到84.7%（億歐智庫上半年口徑）；宇樹IPO錨定420億、機構給出600–1000億估值，Figure的估值則站上390億美元（建銀國際口徑）。中信證券將2026年稱為“量產元年”，國金證券稱之為“軍備競賽”，萬聯證券則喊出“破曉時刻”。

然而，就在“量產元年”的歡呼聲中，最該歡呼的人自己先潑了冷水。2026年7月，宇樹創始人王興興登上《時代》週刊封面，但在同一篇專訪中，他透露宇樹的人形機器人“只有大約9%用於工業場景”，更多賣給了高校以及“造機器人的同行”——即其他機器人公司拿去當研發基座。這意味著今天最熱的機器人公司，最大的一塊需求來自“為了造機器人而買機器人”，而非工廠真的缺一個幹活的機器。王興興自己的判斷更剋制：機器人的“ChatGPT時刻”還要2到10年才會來。

量產難的問題同樣被擺上檯面。朱嘯虎在2026年上半年公開退出具身智慧賽道，理由直白：“誰會花十幾萬買機器人幹這活？”他同時判斷具身智慧“必經泡沫期”。作為對沖，經緯合夥人張穎在朋友圈公開反駁，多空交鋒被公開化。宇樹招股書給出硬資料：2026年一季度扣非淨利潤同比下滑52.55%，上半年預計繼續下滑。馬斯克對Optimus的判斷是“史上最難量產的產品”，量產時間表推遲到年底，單台成本仍卡在5萬到10萬元，而目標是壓到2萬元。

世界模型：機器人缺的那個大腦

當硬體瓶頸逐漸被攻克，真正的瓶頸轉向讓機器“理解並推演世界”的能力，即世界模型。李飛飛可能是最執著於“空間智慧”的人。2025年11月，她發表長文《從文字到世界：空間智慧是AI的下一個前沿》，將大語言模型定義為“黑暗中的文字匠：能言善辯，卻無經驗；知識豐富，卻缺乏根基”。她認為AI的下一個前沿是讓機器擁有空間智慧——理解、推理並與三維世界互動的能力，而實現路徑就是“世界模型”。她定義了世界模型的三個核心能力：生成性（生成幾何和物理一致的世界）、多模態（處理影像、影片、文本、動作等輸入）、互動性（基於一個動作輸出世界的下一個狀態）。

在7月31日的a16z對談中，李飛飛將理論帶入工程現場。她丟擲第一個判斷：機器人落地的最大瓶頸不在硬體，而在“資料的極度稀缺和評測體系的低估”。語言模型可從網際網路近乎無限地汲取資料，但機器人沒有這樣的資料來源，這正是scaling law無法直接套用到機器人的根本原因。第二個判斷是“模擬不是可選項，是必選項”，理由是反事實推理——人類能想象尚未發生或沒有足夠資料支撐的事，而真實資料無法提供這種能力。Waymo已用數十億小時模擬資料證明這條路在工業級場景的可行性。第三個判斷是World Labs與SceniX的整合邏輯：World Labs的Marble擅長從稀疏輸入生成幾何一致的3D世界，SceniX則專精把真實環境高保真對映到模擬再回遷現實（Real-to-Sim-to-Real），兩者疊加可搭出“模型無關、本體無關”的機器人學習與評測基礎設施。第四個判斷指向機器人基礎模型的形態：它會走向“全模態+動作維度”，既當模擬器又當策略模型。

有趣的是，當整個行業都在喊“世界模型”時，李飛飛自己今年早些時候在博文中吐槽：“世界模型已經成為當今AI領域最重要，也最被濫用的術語之一。”計算機視覺、機器人學、強化學習、生成式AI都在聲稱自己做世界模型，但“每一個領域所指的東西都截然不同”。

同一個詞，三場豪賭

目前，世界模型賽道存在三條代表性路線。第一場是李飛飛的World Labs，可稱為“空間智慧的建築師”，要把世界顯式地“做出來”——一個可進入、可編輯、可共享、可漫遊的3D空間。Marble已能讓創作者從一張圖生成可導航的三維世界，CAD和虛擬製片行業已用上，這條路線被認為最紮實、最容易短期商業化。第二場是圖靈獎得主楊立昆（Yann LeCun）的AMI Labs，走JEPA（聯合嵌入預測架構）路線，可稱為“哲學家”，他不要顯式重建世界，而是在抽象表徵空間裡預測“世界的下一個狀態”，並反覆批評今天的LLM只是“精密的錄音機”。第三場是輝達黃仁勳的Cosmos，可稱為“工業級創世者”，本質上是一套物理精確的模擬基礎設施，讓機器人在受重力、摩擦、流體規律約束的虛擬空間裡“失敗百萬次”，輝達的邏輯是真實世界訓練太慢、太危險、太貴，所以先用合成數據把機器人餵飽，這條路線已通過硬體-軟體飛輪變現。

同一個“世界模型”，在李飛飛那裡是可進入的空間物件，在楊立昆那裡是可預測的抽象狀態空間，在輝達那裡是生產合成數據的工廠。差別不在用詞，而在哲學：世界到底是被“構造”出來的，還是被“壓縮”成內部變數的，還是被“模擬”出來的。

國內：最燙的標籤與最冷的天塹

回到國內，世界模型在2026年成了最燙的標籤。2026年上半年，國內具身智慧融資約438億元，全年有望超過2025年的554億。在融資動態的35家“大腦派”公司裡，27家佈局了世界模型，佔比近八成，已取代VLA成為主流標籤（虎嗅6月統計）。個案更誇張：千尋智慧三個月累計融資45億元，雷軍旗下的順為資本和馬雲旗下的雲鋒基金首次共同重倉；自變數機器人投後估值突破200億，釋出“世界統一模型”WALL-B和具備“事件級預測”的世界模型WALL-WM；智象未來完成15億元C輪，由社保基金四川振興科創基金、工銀資本領投——這是社保基金首次作為LP進入多模態大模型方向。資本性質也變了：華為哈勃、小米戰投、紅杉中國、社保基金、中網投、多地國資，四種不同性質的資本在同一賽道交匯。一位VC內部人士對《科創板日報》說：“世界模型現在就像2010年的移動網際網路，我們也不知道哪個方向最終能跑出來，但我們知道不投一定會錯過。”

但泡沫訊號同樣清晰。業內共識是90%以上的具身智慧公司會被淘汰，技術路線遠未收斂。真正落地要跨過三道天塹（同花順7月梳理）：第一道是“失敗資料”的鴻溝，世界模型要理解物理因果，需要海量“杯子滑落、捏碎、碰撞”的失敗反饋，千尋、極佳視界不得不砸錢在全國建“資料超級工廠”去飽和採集，這是極重資產、極慢的長跑；第二道是真實物理引數的不可評測疊加工業現場對“零誤差”的苛刻要求，生成式模型天然帶隨機性，在虛擬世界裡1%的畫素偏差無傷大雅，但在工業組裝或高速自動駕駛裡1%的偏差就是生產事故；第三道是商業化遙不可及，市面上大量號稱做世界模型的初創公司，實際乾的仍是3D渲染、單純專案整合等周邊生意，真實應用規模少有人提。

7月23日的WAIC 2026上，畢馬威釋出報告，將世界模型定義為“補全人工智慧現實維度、推動具身智慧走向規模化商業落地的核心底座”，並判斷“大模型無法獨自通向AGI，能理解物理規律並在內部‘推演未來’的世界模型，才是賦予具身智慧‘觀察、推理、行動’心智閉環的關鍵架構”，同時認為VLA與世界模型“融合共生是終局”——VLA管眼前的直接反應，世界模型管行動前的推演與規劃。

拐點未至

回到開頭那兩聲槍響：宇樹敲鐘賭的是機器人的身體已經ready，谷歌發大腦賭的是大腦終將統一所有身體。但李飛飛們提醒我們，今天最稀缺的不是會動的鋼鐵，而是能讓鋼鐵“想明白世界”的那部分智慧。中國似乎贏在了身體——84.7%的全球出貨是硬體產業鏈幾十年積累的結果，但大腦的定義權此刻還攥在李飛飛、楊立昆和輝達手裡。真正的拐點不會是某家公司敲鐘的那天，而是某台機器在沒人盯著的時候，把一件沒人教過它的活幹完了。在那之前，世界模型還在從“文字”走向“世界”的路上。