在正在舉行的2026世界機器人大會（WRC）上，星海圖聯合創始人高繼揚提出，具身智慧的終極商業模式將從“賣整機”轉向以“物理世界 Token”銷售為主體，硬體甚至可能淪為負毛利載體，產業價值核心將向“具身大腦”遷移。這一觀點為當前陷入硬體價格戰的具身智慧行業提供了新的商業化路徑思考。
高繼揚在演講中回顧了過去兩年行業掀起的“硬體軍備競賽”——能後空翻的人形機器人、重新整理奔跑速度紀錄的機械腿，以及能倒水、疊衣服的機械臂層出不窮。但他指出，這些炫酷展示背後，行業面臨一個現實問題：具身智慧到底該怎麼賺錢？目前主流玩法仍是“賣機器”，將昂貴硬體搭配針對特定場景寫死的工作流軟體賣給B端客戶，但硬體製造受制於供應鏈和規模效應，毛利率在價格戰下不可避免地走向微薄。
高繼揚認為，如果具身智慧真是繼智慧手機之後的下一代計算平台，其商業終局絕不可能僅是一家硬體裝置製造商。他提出，商業模式將經歷三個階段：當前階段銷售整機，毛利率約在40%到60%；第二階段是“方案訂閱”，整機毛利率可能降至20%左右；第三階段則是“Token銷售”，整機甚至可能變成負毛利狀態，因為那時核心目標是讓更多終端出現在物理世界中，去消耗更多具身智慧基礎模型的Token。
這一模式類似吉列“刀架與刀片”的經典打法，也類似於今天OpenAI按大語言模型吐出的“文本Token”向開發者收費。高繼揚表示，未來的具身智慧巨頭將按照機器人在物理世界中執行的每一個有效動作、完成的每一次任務，即“物理世界 Token”，來獲取商業回報。
支撐這一“Token經濟”的底層大腦需要跨越技術門檻。作為一家定位“具身大腦”的公司，星海圖在底層模型上給出了自己的解法：採用統一自迴歸架構，用單一模型貫通零樣本泛化、通用抓取和長程任務三大能力。零樣本泛化即“言出法隨”，模型首次看到物品和環境也能完成指令；通用抓取指不經過後訓練和再程式設計，機器人就能將不同大小、材質、形狀的物體從任意位置放置到另一位置；長程任務能力則關乎模型能否連續完成幾十甚至上百個動作，星海圖通過疊紙盒等複雜精細操作驗證了這一能力。
在後訓練環節，除了基於模仿學習的SFT（監督微調），高繼揚特別強調了強化學習（RL）的重要性。目前星海圖已完成幾十台機器分散式的編隊強化學習規模化訓練，可將預訓練實現的“釐米級”操作提升到“毫米級甚至亞毫米級”，同時將任務成功率大幅提升至99.9%。
高繼揚還給出了衡量基礎模型的三個關鍵指標：速度、精度、泛化性。速度方面，當前機器人執行效率約為人類的70%到80%；精度方面，預訓練可穩定完成釐米級，毫米級需依賴強化學習；而泛化性，他給出了一個通俗的商業化轉譯——“泛化性本質上就是培訓成本”。培訓成本高說明泛化性低，如果一直教不會則泛化性極差。目前星海圖完成一個新長程任務的後訓練大約需要10個小時，公司希望到明年能壓縮到一個小時，甚至只需提供幾條資料即可完成。
在商業落地方面，星海圖正圍繞電商零售、工業製造、快遞物流和商業服務四大場景推進。高繼揚舉例，與京東合作的全自主機器人前倉中，從貨物揀選、抓取、放置到柔性打包（開啟袋子、放入物品、繫上封口），全流程無人工干預，支援數千到上萬級SKU。海外市場方面，洛杉磯的3PL倉儲因用工難度和培訓成本更高，具身智慧落地的迫切性可能比國內更快。
星海圖還確立了“1+3+N”的品牌戰略：“1”代表不變的戰略——整機+智慧，強調具身智慧是軟硬結合的完整解決方案；“3”代表三大產品序列——圍繞生產力場景的輪臂旗艦產品（主打0.1毫米位控精度）、面向非結構化場景（如能源電力）的雙足產品，以及面向創客和開發者的高性價比硬體與開源工具；“N”代表產業生態夥伴，希望與上下游硬體、演算法、場景夥伴共同將具身智慧轉化為物理世界的生產力。
高繼揚的演講為具身智慧行業提供了一個從硬體銷售轉向軟體與服務收費的轉型路徑，其“物理世界 Token”概念能否成為現實，取決於底層模型泛化能力的持續突破以及商業模式的驗證。對於投資者而言，這一觀點預示著具身智慧產業鏈的價值分配可能從硬體製造向“具身大腦”軟體與資料服務遷移。