2026 年值得关注的具身智能创业公司

今年被转发最多的机器人片段，多半是一台人形机器人在暖光下叠衣服或分拣零件，剪辑得看起来毫不费力。它被观看了数百万次，被逐帧拆解，却依然藏起了自己最重要的那味配料。真正有意思的部分在镜头之外。每一段干净的示范背后，都坐着一条数据流水线、一支遥操作队伍，以及一组关于机器人智能究竟从何而来的押注。

所以，看待 2026 年这些具身智能创业公司，有一个更有用的角度。先把硬件的魅力放到一边。转而去问：每家公司的数据引擎是什么，它是否与这家公司下的注相匹配？如今拥有一台人形机器人只是入场券。护城河，如果有的话，是那条把运行转化为更好策略的回路。

透过这个视角，整个赛道分成了两个阵营，而这道分野告诉你的，比任何一张参数表都多。

两种押注，同一个瓶颈

第一个阵营在造机器人。Figure AI 瞄准工业作业。Agility Robotics 已经把它的 Digit 机器人推入仓储物流，那是当今少数几个人形机器人真正有偿工作的场景之一。1X Technologies 瞄准家庭，一个远为杂乱的环境。老将 Boston Dynamics 则在围绕学习式控制重新调整的同时，持续证明硬件能做到什么。

第二个阵营在造大脑。Physical Intelligence 正在训练意图运行于多种本体之上的跨机器人基础模型。Skild AI 追逐一个通用机器人大脑，押注规模与迁移能胜过针对特定任务的工程。

两个阵营撞上同一堵墙：没有足够好的示范数据。语言模型有开放的互联网，机器人却没有对等物。于是每支团队都在即兴搭建自己的数据引擎，而这个引擎的形态，才是真正的故事。

理解这堵墙为何如此之高会有帮助。一段有用的机器人示范不是一张打了标签的图像，而是一束同步的视频、关节角度、力，以及意图，是在一名熟练操作员做真实任务时记录下来的。这束数据生产起来很慢，也很容易被毁掉。一个丢失的帧、一个漂移的时钟、一次未被记录的恢复，都可能让一个小时的采集变得毫无价值。这正是为什么一个可信的数据引擎是真正的护城河，而不是一个成本条目。

透过数据视角的一次赛道解读

下面这张表带有观点。它不是谁会胜出的排名，而是一张关于每家公司如何喂养自己模型的地图，而这才是真正会起约束作用的限制条件。

有两条规律格外醒目。造机器人的一方倾向于把数据留在内部，由自家机队产生，因为部署给了他们一条别人没有的反馈回路。造大脑的一方倾向于跨本体聚合，因为他们的押注只有在策略能从一具身体迁移到另一具身体时才会兑现。

在具身智能里，硬件是示范，而数据引擎才是这家公司。要看的是那条把运行转化为更好策略的回路，而不是视频里的那台机器人。

什么把持久者与被吹捧者区分开来

有些 2026 年的创业公司到 2030 年还会存在，大多数则不会。区别很少在于谁的示范最流畅。有三个问题，比任何一段精彩集锦都更能预测谁能存续。

第一，数据引擎会复利吗？机器人在工作中就顺带产出可用训练数据的团队，拥有一个飞轮；靠人工为每一条轨迹付费的团队，拥有的是一个成本中心。飞轮不是自动的，它要求部署数据被采集得足够干净、足以用于训练，而许多机队发现这一点时为时已晚。像 The Robot Report 这样追踪该领域的媒体，反复记录着后一种团队多快就烧光了现金跑道。

第二，任务是否窄到能够做完？相比一个通用家庭机器人，Agility 对仓储的专注显得不够耀眼，而这恰恰是它能够交付的原因。窄不等于小，它意味着可完成，而可完成的任务才是客户真正会买单的东西。一个做完的窄任务带来收入，并产生真实的部署数据；一个做不完的通用任务烧掉现金，只产出示范。

第三，数据权利归谁？一家在采集人类示范时缺乏清晰知情同意与司法管辖的公司，是把地基筑在沙上。当买家或监管方追问溯源，答案必须早已存在。

那个安静的第三类

有一个阵营很少登上精彩集锦：那些提供数据与工具、而非机器人的公司和设施。它们生来就不耀眼。历史在此押韵。在过去两波计算浪潮里，售卖稀缺输入的一方，无论那是带宽、云容量还是标注数据，往往比依赖它们的、更华丽的应用型创业公司活得更久。如果瓶颈是数据，那么卖铲子的这一层，正是价值会出人意料地大量沉淀之处。

如何看待 2026 年余下的时间

跳过那些炫技短片，转而追踪三件事：哪些创业公司把部署转化成了数据飞轮；哪些在追逐通用任务之前先把一个窄任务做完；哪些能向买家展示自己的训练数据从何而来。三关全过的公司，才是值得关注的。其余的都在试镜，而试镜总有落幕的一刻。