作者丨薛皓皓
编辑丨子钺
封面丨祥峰投资管理合伙人夏志进
具身智能，无疑是2026年中国最大的创业风口，没有之一。但当具身智能的泡沫被戳破之后，留下来的，往往只是少数能穿越周期的长跑者。
那么，具身智能的终局会如何？祥峰投资管理合伙人夏志进认为，答案或许有些反直觉：不是赢家通吃。
这一反直觉判断，源于祥峰投资在具身智能赛道上的广泛布局。祥峰投资不仅在早期阶段投资了宇树科技，还布局了松延动力、千诀科技等通用具身公司，并投资了世航智能、中科原动力、极智嘉等海洋、农业、物流领域的具身公司。
祥峰的投资横跨具身智能通用和垂直两条赛道，这也让夏志进对行业的观察，带着一种全局视角。在他看来，具身基模的最大卡点在于数据，而一家具备竞争力的具身数据公司不应只做数据，而是要在数据之上提供更多的技术附加值，才能构筑无可替代的竞争壁垒。
在 具身智能的终局，落地场景将极其丰富，很难靠一家通用具身智能公司覆盖各种场景，而是会出现多种细分场景下的“巨头”。那么，谁最有机会率先跑出来？是当下最像人的机器人公司，还是在海洋、农田、工厂里默默深耕的垂直玩家？
在2026（第二十届）DEMO CHINA期间，创业邦与祥峰投资管理合伙人夏志进进行了对话。作为具身智能领域的资深投资人，夏志进分享了他对赛道发展的最新洞察。
具身的终局：不是赢家通吃
创业邦：现在技术迭代已经快到以季度甚至以月来计，从落地角度看，具身智能的落地节奏会是如何？
夏志进：具身智能的落地是渐进的，不会明年就有成千上万机器人进家庭、进工厂。而且形态必然多样——家务、陪伴是一种，工厂里是另一种，连"大脑"都可能不同。
我们不能指望一个像人形的机器人既能洗衣做饭又能进厂干活，但可以先用不同形态的机器人去提高各场景效率。接下来几年会出现很多不同形态、面向不同领域的机器人，它们在某一细分方向上有很好的泛化性，但不要求像人那样灵活通用。再拉长到5年以上，能力才会逐步走向更为通用。
创业邦：祥峰既投了通用具身公司比如宇树科技，也投了深海、物流分拣等垂直领域的具身智能公司。从终局看，具身智能更接近汽车的多头部格局，还是像CPU、GPU行业那样赢家通吃？
夏志进：因为场景丰富、形态多样，它可能比汽车行业的集中程度更低。即便聚焦汽车行业，全球也有很多企业在竞争，仅中国就有上百家造车相关的企业在竞争。具身智能一定不会是一两家公司控制整个市场——汽车行业都没有做到垄断。
我们还是会看到很多差异化机会。这对创业者、投资人都是很好的提示：随着技术迭代，很多以前想不到的机会会打开。机器人以后可能无所不能，天上、地下、海里、家里、工厂、马路上到处都有，会出现很多我们想象不到的落地场景。
创业邦：形成这种多场景格局，主要是因为数据不通用、各场景大脑模型天然适配不同、彼此打通壁垒高，还是别的原因？
夏志进：多种原因，不一定每个场景都有自己的大脑，也许一个通用大脑就能控制不同机器人。关键是不同场景里机器人要做的事、优化的方向不一样。
我们总从人的角度思考机器人该如何演化，但人并非每个场景的最优形态——人不会飞，没进化出飞行能力，机器人却可能需要。机器人应按自己的路径，朝效率最优去进化。人类过去几万年只按生存环境进化，而过去几十年涌现的新场景，人类根本来不及通过进化去适配；机器人进入的恰是最适合它的场景，就该按效率最优迭代技术。
一句话：机器人没必要学人类进化的那些能力，反而可以做得比人更好。
创业邦：祥峰也投资了世航智能、中科原动力这些在海洋、农业等细分领域的机器人公司。它们的竞争壁垒体现在哪？
夏志进：这些行业有专属属性，公司要针对行业限制和需求做大量优化，同时积累行业知识与经验，这些都会成为技术门槛。细分领域的可差异化点反而比通用机器人更多——通用机器人无非是比运动能力、本体硬件、大脑操作；进了海洋、农业领域，竞争维度更多：水下下潜几十米、几百米还是几千米，对硬件设计要求完全不同；农业里懂不懂农艺、怎么适配中国地形特点（大平原还是小丘陵）……这些因素都能变成差异化点，每个点做好，门槛就更高。
具身大脑的数据生意：
竞争壁垒在数据之外
创业邦：通用领域绕不开大脑模型。如果Scaling Law（规模定律）成立，它的基本条件是什么？
夏志进：数据的质量、数量、种类都很关键，但还要考虑数据获取的门槛。具身数据的获取比大语言模型难得多：一是成本高，二是密度低。一条具身数据信息量少，文本数据则高度抽象化、密度高。而且互联网文本获取成本极低，有大量历史积累可免费使用，具身领域成本则很高。所以要支撑scaling（规模化扩展），前提是获取数据更容易、更快，成本更低，知识密度更高。模型一旦能scale，就要不断喂数据，怎么快速低价提供，正是当前要解决的核心问题。
创业邦：数据采集是当下很火的具身智能细分投资领域，祥峰投资更看重海外还是国内公司？各有何优劣？
夏志进：关键看数据公司有没有独到之处。现在多数公司是被动按模型公司需求采集数据——模型公司主导，提要求，数据公司照办，无论真机、人工还是仿真。我们更希望数据公司有主导性：数据是否独特、是否高价值，除了给客户，自己能不能用起来。希望它们更大化挖掘自身数据的价值，而不只是给模型公司做素材。
创业邦：数据公司要更大化利用数据，方向有哪些？自己做本体吗，会不会跟客户竞争？
夏志进：有可能。不一定做本体，可以做自己擅长领域的模型——比如专门采"手"的数据，就围绕它做延伸。总之别只做纯粹的数据采集商，要在数据上层层叠加高门槛技术：清洗、标注，乃至后续利用。要做得更深更厚，才不容易被取代。数据公司最大的问题是容易陷入价格战和同质化——没有差异化，客户要什么就给什么。
创业邦：今年DEMO CHINA上有一家主做第一人称人类数据采集的公司，但核心竞争力是用模型做清洗和标注，等于在采集上叠加了一层技术维度？
夏志进：对，这样可能比别人做得更好。没有好的工具，竞争力就差；有好的工具，一方面客户对数据质量更满意，另一方面用模型标注比人工等低效方式成本更低，能更好适应竞争环境。
创业邦：您怎么看仿真数据在预训练、后训练、强化学习中的作用？
夏志进：仿真数据非常有用。什么数据组合对训练最有利一直是争论话题，但总归数据种类越丰富越好——采集数据、仿真数据配合，对模型提升很有帮助。从自动驾驶时代起，仿真数据就能很好地帮助模型泛化，解决更多样任务，尤其覆盖那些很少发生的corner case（极端场景）。现实中想把所有场景采集全很难，有些场景不知多少小时才发生一次；用好仿真数据，就能更好覆盖这些长尾场景。数据多样性、质量是模型能否 scale 的关键。
创业邦：所以仿真数据主要在预训练阶段帮助覆盖corner case？
夏志进 ：预训练阶段可以，但也有不少团队用在后续训练阶段，它能在多个阶段发挥作用。
《Signals》往期精彩内容：
解锁睿兽分析个人年度会员
捕捉最新行业动态
热门跟贴