问题——具身智能迈向产业化仍面临“三重门槛” 具身智能被视为下一代智能终端的重要方向，但从实验室走向工厂、仓储、商超与家庭，仍有三方面瓶颈：其一，模型对真实物理世界的理解与执行能力仍不足，复杂环境下泛化能力容易衰减；其二，高质量、可复现的真机数据稀缺，训练与评测标准不统一，导致“能演示、难复制”；其三，硬件量产、供应链与场景集成链条长且复杂，成本、可靠性与维护体系成为规模部署的核心约束。谁能率先打通“模型—数据—本体—量产—场景”的闭环，谁就更可能建立产业壁垒。 原因——资本密集加码背后是技术路线与产业协同的再确认 鉴于此，星海图继今年2月完成近10亿元B轮融资后，再获得近20亿元B+轮融资。投资方覆盖产业资本、头部长线基金、国家队基金以及一线PE机构等多类资金来源，反映出市场对具身智能从技术竞赛走向产业竞赛的预期升温。 从投资结构看，产业资本更关注供应链协同、量产导入与场景扩展；长线资金更强调对技术迭代周期的耐心与持续投入能力；国家队基金侧重关键技术突破与产业生态培育；一线PE则在商业化推进与渠道资源上提供助力。多类型资本同步进入，有助于企业在研发、量产与市场拓展之间形成更均衡的资金与资源配置。 影响——“模型+数据+本体”组合拳或重塑行业竞争焦点 星海图提出围绕“整机智能”构建开放世界具身智能解决方案，核心思路是以基础模型能力牵引机器人本体设计，并用真实数据持续迭代，走“智能定义硬件”的路径。业内普遍认为，具身智能的竞争正在从单点模型规模，转向系统工程能力与落地效果：既要“看懂世界”，也要“做对动作”，还要做到稳定、低成本、可维护。 在技术层面，公司强调视觉-语言-动作（VLA）模型与世界动作模型的耦合，并推出更高推理效率的世界模型方案，以提升对真实环境的响应速度与任务执行稳定性。若推理效率与端侧部署能力得到验证，将直接影响机器人在工厂节拍、仓储拣选、门店服务等对时延与稳定性敏感场景中的应用上限。 在数据层面，企业持续投入真实开放场景的真机数据集建设，并提出沿“真实数据金字塔”扩展多类型数据方案。具身智能训练高度依赖高质量数据，数据规模、覆盖度与可复用性将影响模型的泛化能力与迭代速度。数据平台化推进，也可能推动行业形成更清晰的评测与工程化规范，降低重复建设成本。 在产业层面，资本与产业伙伴协同，有助于打通硬件供应链、生产工艺与品控体系，推动从样机交付走向规模交付。对具身智能企业而言，量产不仅是产能问题，更涉及可靠性设计、成本拆解、售后维护与场景集成能力，任何短板都可能拖慢商业化节奏。 对策——以标准化、场景化与生态协作提升可复制能力 具身智能产业化需要多方协同：企业侧应把研发目标从“单点突破”转向“系统可交付”，以可量产的本体平台、可复用的数据管线、可迭代的模型能力为核心，建立工程化闭环；产业侧可通过示范应用、联合研发与供应链协同，推动标准接口、测试规范与安全合规框架建设；资本侧应更重视长期投入与产业协作，避免追逐短期热点造成资源错配。 同时，面向工厂、物流、零售与服务等典型应用，应坚持“先刚需、后泛化”：优先在任务边界清晰、ROI可测的场景跑通交付模式，再逐步扩展至更复杂的开放环境，并以实际部署数据反哺模型与产品迭代。 前景——从“技术热”走向“交付热”，行业或进入分化加速期 随着资金、算力、数据与供应链资源继续向头部集中，具身智能赛道有望进入“比拼交付能力”的阶段：基础模型的开源与迭代将加快技术扩散，真正拉开差距的可能是数据质量、系统集成、成本控制与规模运维能力。未来一段时间，行业或将出现两类趋势：一是头部企业借助资本与产业协同加速扩张，推动示范场景落地；二是市场对“可量产、可维护、可复制”的要求抬升，工程化能力不足的项目面临淘汰或被整合。 在政策导向与产业升级需求的共同驱动下，具身智能若能在制造、物流等领域形成可验证的效率提升，将为新质生产力培育提供新的技术路径与产业空间。
本轮融资既是资本市场对星海图技术与路线选择的认可，也折射出我国在新一代人工智能竞赛中加速布局的趋势。随着核心技术迭代与应用场景拓展，具身智能有望成为推动产业智能化升级的重要动力。如何把技术优势转化为可规模交付的产业优势，实现从跟跑到领跑的跨越，将是下一阶段的关键课题。