文｜腦極體

8月22日，第二屆世界人形機器人運動會將在北京「冰絲帶」正式開幕。今年的賽事陣容變得更為強大，共有16個國家、666支隊伍、2056台機器人同台競技，隊伍數量比首屆多了138%，機器人數量翻了兩番。

這麼多選手，普通觀衆一看就暈了，恐怕連名字都記不全。

不止這一場比賽，具身智能已經成為科技領域中最擁擠的一條賽道，新秀不斷湧現。每到馬拉松、運動會、春晚這類大型比武現場，宇樹、智元、銀河通用、松延、衆擎、星海圖們，你方唱罷我登場，看得人一頭霧水：這到底都是誰？來自何門何派？誰又比誰厲害？

無論是想在機器人賽道或展會上增加一點談資，抑或深度了解這個領域，是時候翻開這部《具身江湖志》了。

第一篇章的主角們，是具身江湖中最根正苗紅的一個派別：學術派。

第一篇正文：

具身智能這條賽道上，有製造業出身的老兵，有互聯網轉型的巨頭，但最引人注目的是一群來自清華、北大、浙大、上海交大等頂尖學府的教授和學霸。

他們被媒體稱為「學術派」——一個聽起來書卷氣十足、卻在資本市場上掀起驚濤駭浪的群體。

據一家專注硬科技賽道的獵頭公司統計，國內具身智能領域新成立的公司中，創始團隊具有頂尖高校學術背景的比例超過一半。星動紀元、銀河通用、星海圖、自變量、松延動力、傅利葉智能、雲深處、優理奇……這些公司創始人的學術履歷幾乎是標配，在對外宣傳中，科研能力、論文成果、實驗室背景被反覆強調。

為什麼在具身智能這個特定的賽道上，先進入大衆和投資人視野中的會是學術派？他們和產業派又構成了怎樣一種競合關係？

要回答這個問題，得先看看在學術派出現之前，中國具身智能是誰在做的。

很長一段時間裏，中國具身智能研究和產業的主力，幾乎全部歸屬於自動化專業。翻開國內高校的學科目錄，做具身智能的教授大多掛在自動化學院、機械工程學院或者機電學院名下。他們做的事，核心是控制，比如動力學建模、運動規劃、軌跡優化、PID調參，讓機械臂在流水線上精準地焊接、噴塗、搬運，是這個領域幾十年來的主旋律。

這套範式非常成功，支撐起了中國工業具身智能產業從零到全球最大裝機量的跨越。但它有一個內在前提：機器人的行為是人為編程的，機器只是執行。工程師把每一個動作寫成代碼，機器人照着走。靈活性靠的是機械結構的冗餘度，不是智能。在那個年代，最值錢的人是會調參、懂產線、能解決現場問題的工程師，而不是發論文的學者。高校裏的具身智能教授當然存在，但他們的價值往往需要通過漫長的橫向課題和成果轉讓才能轉化為產品。

換句話說，在自動化範式「統治」的幾十年裏，具身智能創業的入場券握在工程師手裏。學者們大多待在實驗室裏做縱向課題，離產業一線隔着不短的距離。那時的學術派還沒想過要下山。

這個格局直到2020年前後被一道「信號彈」打破。

2020年前後，OpenAI的具身智能團隊發表了一篇「多任務操作學習」的論文，首次展示了同一個神經網絡模型可以完成多種不同的抓取任務。這篇論文提醒了學術界一件事：操作能力是可以學出來的，不需要為每個動作單獨寫控制程序。此後幾年，隨着Transformer架構在視覺和語言任務上不斷刷新紀錄，一個設想開始成形：把「通用學習」的思路搬到物理世界。

國內高校從2021年開始集中轉向。但這次轉向跟以前做機器人完全不同，它引入了一個全新的學科力量：計算機科學與人工智能。清華大學交叉信息研究院、自動化系，北京大學智能學院，上海交通大學機械與動力工程學院，浙江大學控制科學與工程學院……這些原本就有機器人或計算機視覺底子的院系在轉做具身智能上有着近乎天然的優勢。那些此前跟機器人毫無關係的計算機科學家、深度學習研究者帶着大模型、Transformer、強化學習的工具箱，一頭扎進了物理世界。

此後的幾年，國內高校開設的具身智能相關課程很快從個位數增加到十位數。國家自然科學基金委的資助額度在增長，頂會的投稿量在翻倍，一篇ICRA或CoRL的論文足以讓年輕學者拿到教職。大家相信，只要在仿真環境裏跑通了算法，真實世界的問題總能解決。

從自動化到大模型，具身智能江湖的學科入口換了。過去是控制，工程師寫代碼，機器照着執行；現在是學習，機器需要自己從數據裏學會動作。當一個產業的核心問題從「怎麼造」變成「怎麼學」，最懂學的人自然站到了舞台中央。學術派的價值也正是被這次學科位移抬起來的。

2023年，那些從2017年就埋頭做機器人學習，被2020年的信號彈點燃的研究者，開始集體從論文走向產品。

於是，學術派的下山創業潮便來了。

2023年是分水嶺。具身智能的創業潮在這一年集中爆發，主力就是學術背景的研究者。這批公司有一個共同特徵：它們在對外敘事中，幾乎無一例外地把科研能力放在最前面。創始人的頂會論文、實驗室履歷、導師背景、ICRA、CoRL等頂會發文數量……這些在傳統硬科技創業中很少被重點考量的要素，在具身智能賽道，成了最受資本認可的信用憑證。

但同樣是學術派，來自三所頭部高校的團隊帶出了三種截然不同的發展路徑。

清華系是最早動起來的一批，也是學術色彩最濃的一批，源頭在交叉信息研究院。這所因姚期智而聞名、以人工智能為底色的學院，把最硬核的AI訓練方式遺傳給了創業者：攻上限。

星動紀元在2023年成立，創始人陳建宇是清華大學交叉信息研究院助理教授、博士生導師。公司的成立源於清華早期的一個課題項目。陳建宇在2022年的課題研究中嘗試開發體型較小的人形機器人，並往高動態性能推進，之後從實驗室走向產業界。在同期創業團隊裏，星動紀元是少數從一開始就選擇全棧自研的公司，從關節、靈巧手到整機本體和具身大腦全部自研，而不是像大多數創業公司那樣在某個環節上做整合。

同一年出現的星海圖，聯合創始人許華哲、趙行同樣來自清華交叉信息研究院。許華哲在加州大學伯克利分校讀博期間選擇了當時還冷門的具身智能方向，2022年博士畢業後回到清華叉院擔任助理教授，原本想「認真教六年書」，但ChatGPT的成功讓他改變了計劃，在2023年毫不猶豫成了星海圖的聯合創始人。星海圖押注的是VLA具身大模型路線，把視覺大模型的語義理解能力嵌入到操作決策流程中。

銀河通用同樣帶着清華烙印，創始人兼首席技術官（CTO）王鶴是‌清華大學微電子與納電子學系2010級校友‌。這家公司圍繞合成數據和端到端模型構建訓練體系，屬於典型的「用AI方法解決機器人問題」的思路。

全棧自研、VLA大模型、合成數據……技術路線雖不盡相同，但方向卻高度一致：技術壁壘最高的那條路。清華大學交叉信息研究院的學術基因讓這批人天然地更關心智能的天花板在哪裏。

與清華系「攻上限」的取向形成對照，上海交大系走的是另一條路：先有產業積澱，再做技術延伸。上海交通大學在機器人領域的積累可以追溯到更早，學校的機械與動力工程學院在傳統工業機器人方向上有幾十年的研究歷史，下山攻入具身智能幾乎是「無縫銜接」。

傅利葉智能是交大背景裏成立最早的一家，2015年就做了康復機器人，後來才切入人形機器人賽道。它既有學術背景，又有近十年的產業積累，在電機驅動和力控上有量產經驗。當行業普遍還在討論人形機器人什麼時候能落地的時候，傅利葉已經在康復醫院裏跑了好幾年機器人。

優理奇機器人同樣屬於學術派，創始團隊中就有上海交通大學教授王賀升擔任首席科學家。優理奇的創始人楊豐瑜是耶魯大學博士，在機器人視觸覺方向發表過多篇頂會論文，公司早期的技術路線圍繞多模態感知、模仿學習和具身模型展開。這批團隊證明，在人形機器人賽道，成熟的工程交付能力本身就是一道很難複製的壁壘。

如果說清華系賭上限、交大系賭厚度，浙大系則選了第三條路：做產學研平台。

浙大背景的雲深處做的是四足機器人。浙大在這個方向上有超過十五年的研究積累，從最早的仿生步態到後來複雜地形適應，再到全地形自主導航，每一步都有實驗室的影子。雲深處的產品在國內安防巡檢、應急救援領域有不錯的落地，但行業提到這家公司，最先想到的仍然是它的學術底色。

浙江人形機器人創新中心則是一個更特殊的案例。它由浙江大學和寧波市政府聯合成立，創始人熊蓉是浙江大學控制學院機器人實驗室主任、科技部重點專項智能機器人專家組成員。這個中心的定位是「連接學術和產業的中間層」，把浙大在人形機器人方向上的研究成果進行工程化轉化，再開放給產業界使用。

清華攻上限、交大重工程、浙大做平台……學術派下山的速度之快、規模之大，已經徹底改寫了具身智能行業的玩家版圖。

產業界甚至流傳着一句戲言：現在隨便走進一傢俱身智能創業公司的會議室，往桌邊掃一眼，十有八九能看到清華、上交、浙大的校友。如果這三所學校的人都不在，那這家公司要麼還太小，要麼就是做傳統工業機器人出身的。

這個說法雖有誇張，但大致勾勒出了過去兩年具身智能賽道的人才格局。

過去兩年，資本對學術派的追捧幾乎是一種信仰。2025年上半年具身智能公司孖展排行榜前五名裏，銀河通用、自變量兩家「學術派」企業的孖展規模甚至超過了老牌機器人公司宇樹科技。2026年上半年，星海圖、自變量、星動紀元、松延動力集體邁入百億獨角獸俱樂部。

投資方認為，在一個技術路線尚未收斂的行業裏，誰更接近技術前沿，誰就更有可能找到正確的方向。

不過，學術派在資本市場上的風光時常讓人忽略他們面臨的真實困局。

論文裏的模型跑得再好，到了真實世界就是另一回事。學術派最常遇到的一個場景是，仿真環境裏成功率99%的抓取模型，裝到真實機器人上一測，連50%都不到。光照變了、摩擦力不同了、關節有公差，每一個小變量都可能讓模型失效。

最核心的問題是數據。具身智能需要的數據是機器人在真實物理環境中執行任務時產生的交互數據。據中國信通院2025年發布的《具身智能發展報告》，要實現物理智能的湧現至少需要數百萬小時的高質量真實交互數據。而學術實驗室裏常用的原型機器人平均無故障時間通常在100到1000小時之間，還沒來得及採集足夠數據，本體可能已經壞了。

這其實就是開頭提到的具身智能的「死亡之谷」。下山容易，過谷難。

於是問題就變成：跨過這道谷，到底需要什麼？

過去兩年，一批學術派創業公司正在試圖用另一種方式解決數據的困局。星海圖在搭建自己的數據採集平台，星動紀元在工廠裏部署機器人跑真實任務。但這需要時間。一家創業公司從部署第一台機器人到積累足夠訓練數據，少說也要一年半載，而資本市場的耐心顯然沒有這麼長。

單獨依靠企業自研自建採集體系，速度慢、成本高，很難獨自完成海量數據積累。想要縮短周期，更可行的思路是深度綁定產業端，走聯合共建的數據閉環。一方面和製造業、倉儲、家政等下游場景方合作，批量部署機器人承接真實業務，在商業化作業中同步沉澱交互數據，用業務收入反哺數據採集成本；另一方面打通上下游供應鏈，優化機器人本體耐用性，拉長設備無故障運行時長，提升單台機器人的數據產出效率。除此之外，行業間的數據合規共享、仿真與真機數據混合訓練，也是降低純真機採集壓力的重要補充。但不管採用哪種方案，都繞不開工程化落地、規模化交付的能力考驗。

這也意味着，團隊不能再停留在實驗室的單點算法創新，必須直面商業化交付、供應鏈管理、客戶需求協調等一系列產業命題。正是這種現實約束，倒逼一大批帶着學術背景的創業團隊完成自我重塑。

站在2026年8月往回看，學術派在過去三年裏完成了一次完整的角色轉換：從實驗室裏的研究者，變成工廠裏的創業者。科研階段，他們研究機器如何認知物理世界；創業階段，他們要實現機器在真實場景可靠作業。唯有兼顧前沿研究與工程落地的團隊，纔有機會穿越「死亡之谷」。

具身智能賽道還在早期，資本也逐漸從狂熱走向理性。有數據顯示，2026年5月，具身智能行業月孖展額按月下滑58.65%。對於那些帶着頂會光環下山的學者們來說，真正的考驗或許才啱啱開始。