如果说过去的 AI 主要从数字世界中学习，那么当 AI 开始走进现实，如何让机器以更低的成本获得高质量的真实世界信息，正在成为一项新的基础设施需求。

当具身智能缺粮：一台空间相机能不能喂饱物理AI？

这两年，具身智能行业总爱给自己找一个坐标。

有人想做具身智能时代的安卓，有人想成为具身智能时代的英伟达，也有人把目标对准物理世界的 OpenAI 或Anthropic。
但类比来类比去，具身智能的下一张船票到底在哪里，还是没人能给出答案。

谁在做具身智能时代的苹果？

目前人形机器人的主要应用仍然集中在文娱商演、科教数采等场景，这两类场景合计占比超过 60%。智能制造约占 13%，仓储物流则仅约 5%，两者合计不到两成。

灵初的技术路线形成三个阶段：

预训练，解决机器人怎么获得基础能力；
后训练，解决机器人怎么快速学会一项工作；
上下文学习，解决机器人怎么做现场学会新工作。

一家不直接造机器人本体的公司，正在试图把芯片、工具链、算法、开发者和客户连接成一套基础设施。

这是具身智能赛道里自由生长出来的两种成长顺序，并没有高下之分。

从本质来看，这两条路径不是平行线，而是在具身智能行业里朝着一个方向收敛。

核心资源持续向头部集中，具身感知赛道的格局正趋于明朗，随着密集融资的连续落地，具身感知赛道的竞争格局已在收敛。

具身智能真正需要解决的，也许不只是让机器人学更多，而是能不能让机器人学会利用自己已经经历过的事情？

泛化并不是效率的对立面，真正有价值的泛化，本身就应该包含效率。

自动驾驶面对的从来不是单一的技术挑战，而是由道路状况、设施条件、临时管控、动态交互、天气环境、数字信息等多维度交织构成的复杂场景。

自由度越来越高，是否真的意味着灵巧手越来越强？

「高校教授下海创业」和「00 后创始人身家超百亿」，哪个故事更有吸引力？

这届 WRC 释放的最强信号是：具身智能正在从技术验证期迈入规模化商用期。参数竞赛的时代正在过去，场景落地的时代正在到来。

当机器人行业逐渐从「看起来很聪明」走向「证明自己真的聪明」，真正稀缺的也不再只是又一个会跑、会跳、会打球的冠军，而是一个能够自己把工作做完的机器人。

毕竟，比赛终究会结束。能不能真正上班，才是一场更漫长的比赛。

此次 WRC 上，清研精准把动力电池真实场景搬到了展会现场，是继榆林矿用场景落地后推进的第二个具身智能垂类中试基地，可以让机器人先在这里反复练手，再一步步走向真实工厂。