大模型长出手，机器人圈先打起来了

同一个夏天，AI 圈和机器人圈各自炸了一声雷。

先是本周四，Anthropic 宣布推出面向硬件的开放标准 Model Hardware Standard（MHS）——大模型第一次有了操作显微镜、机械臂、激光器的「官方插头」。紧接着在国内，2026 世界机器人大会上「数据采集」展位悄悄挤掉了跳高跑步的整机秀；而刚上市十天的 梅卡曼德 创始人 邵天兰，直接在朋友圈向整个具身智能行业开炮。

三件事看似不相关，其实指向同一个问题：AI 从数字世界走向物理世界，到底靠什么落地？ 我的判断很直接——不是参数，不是估值，而是标准、数据和真实收入这三道坎。谁先过坎，谁才配谈物理 AI。

🤖 标准先行：Claude 长出手，先握的是插头

接口定了，世界才连得上。

先回顾一下 MCP 是什么。2024 年 11 月，Anthropic 推出这项开放标准协议，为大模型与外部数据源、本地文件、开发工具之间提供标准化、安全的双向通信接口。业内给它起了个形象的定位——「AI 领域的 USB-C 接口」。两年过去，MCP 已经成了智能体生态里的事实标准，GitHub、Slack、数据库这些软件环境，模型都能即插即用。

现在，Anthropic 把同一套思路搬进了物理世界。MHS 是一项帮助大模型驱动的智能体安全、快捷操纵物理设备的新标准——Claude 这类模型可以像调用软件工具一样，去操作显微镜、机械臂、液体处理器、激光器。这一步被业内视作 AI 从数字世界走向物理世界的关键转折。

一个细节值得注意：MHS 的开发始于 Anthropic 与霍华德·休斯医学研究所（HHMI）Janelia 研究园区的合作，首批开放对象是科研实验室和先进制造商。不是发布会，是真实验室。

这件事的杀伤力在于成本结构。通常情况下，实验室或工厂要花数周甚至数月搭建和集成硬件——每台设备都有自己的编程接口，彼此无法直接通信，得靠专家写定制化方案。MHS 把这个周期压缩到数小时甚至数分钟。更狠的是，智能体可以推理实验的每个步骤、实时更新参数，某些情况下还能在硬件故障后自行恢复，实现全天候自主实验。

还有一条对产业格局影响深远：MHS 与基础模型种类无关，任何智能体框架都能通过 MCP 这类标准协议访问它。也就是说，这不是 Claude 的专属特权，而是一张开放牌。

多位长期观察海外 AI 基建的人士提到一个共识：协议层的卡位，往往比模型层的追逐更持久。谁定义了物理设备与大模型之间的通信规范，谁就在具身智能的底层抢到了一张桌面。

📊 数据基建：70 所「学校」，还教不会端盘子

机器人不是造出来的，是教出来的。

把镜头切回国内。2026 世界机器人大会展区，一块屏幕正播放「擦桌子」的特写——机械手指触碰桌面，力度、角度实时微调。但这不是机器人自主决策，屏幕旁一位观众头戴采集设备、手持手柄遥控操作，机器人的第一视角画面被录下来，经处理后变成训练素材。

与去年厂商争相展示跳多高、跑多快不同，今年大会的焦点让位给了「教机器人干活」的数据采集展位。一批定位为「数据基础设施」「物理 AI 数据基座」的专业服务商首次集中亮相——它们不造整机，不训大模型，只为机器人产业提供最底层的数据支撑。

数据有多稀缺？走进训练场就知道了。华东某训练场里，一位「00 后」训练师对着麦克风下达指令：「拿起桌上浅蓝色盘子，放在白色托盘上」，随即操纵机械臂完成抓取、平移、放下。这个看似简单的动作，她一天要重复上百次。仅一个零件分拣任务，该训练场已采集了三四万条数据。

中国信通院发布的《具身智能训练场研究报告（2026 年）》给出的全景是：截至 2026 年 6 月底，全国建成启用超 70 家训练场，在建或规划 46 家。而 北京人形机器人创新中心具身智能数据与训练基地负责人 夏华林 的判断是：现在的具身智能机器人相当于十年前的自动驾驶，机器人所需数据比自动驾驶还要多数个量级。

「现实中，高质量数据支撑不到位，机器人就永远摆脱不了遥控大玩具的标签。」该训练场数据采集负责人 郑鑫 说得很直白。而一线采集师最直接的感受是：任务越来越难，容错率越来越低——这是行业从「摆拍 demo」走向「真实作业」的信号。

产业逻辑很清晰：具身智能的瓶颈已经从「会不会动」转移到「有没有足够的物理交互数据」。真实世界的物理交互数据，是机器人从看懂世界迈向改变世界的关键。数据基建，正在成为整条产业链最扎实的一层。

🔥 开炮时刻：一家上市公司掀了行业的桌子

潮水退了，先游上来的是掀桌子的。

9 月 9 日和 10 日，刚在港股上市十天的 梅卡曼德 创始人 邵天兰，连续两天在朋友圈无差别扫射。核心观点有二：其一，具身智能行业里存在大量「攒局型」企业，利用关联交易制造虚假收入，其中不乏名气很大、估值很高、上过春晚的公司；其二，企业至少应该证明 PMF（产品-市场匹配），具备真实、持续且具备一定规模的收入。

在回复评论中，邵天兰 更是直接点名了正在推进 IPO 的 银河通用。

被点名的 银河通用 先是发布声明，称不参与口水战、专注做好自己的事。随着事件发酵，两天后该公司再度发声辟谣，并表示已报案。指控与回应各执一词，真相有待检验——但这场冲突本身，比任何一方的是非都更能说明行业走到了哪一步。

背景板同样冰冷：已经上市的 宇树，股价连连下跌，市值从 4449 亿元的高点跌破 2000 亿元；一批正在冲刺上市的企业，则面临被砸饭碗的危机。机器人行业，迎来了多事之秋。

这些年给人形机器人泼冷水的不在少数，但指名道姓、而且由一家刚上市公司创始人发起的，极少见。多位接近一级市场的人士提到，这场风波的本质，是行业叙事从「讲技术故事」切换到「要真实收入」的必经阵痛——当二级市场开始用市销率而非科幻片给具身智能定价，任何关联交易的水分都会被放到显微镜下。

这不是丑闻，这是成人礼。 一个行业只有开始为「收入的真实性」吵架，才说明它真的开始谈钱了。

🧩 三块拼图，其实是一块

标准、数据、真收入，缺一块，物理 AI 就是空中楼阁。

把三件事摆在一起看，脉络就出来了：

这条链自上而下环环相扣。没有 MHS 这样的标准层，每台机械臂都要重新造轮子，数据采集成本下不来；没有训练场的数据层，模型再强也学不会「轻一点、慢一点」地端盘子；没有商业层的真实收入验证，前面两层投入再多，也只会催生更多靠关联交易续命的估值游戏。

时间线读下来很有意思：国内在拼命补数据层，海外在悄悄占标准层，而整个行业同时被商业层的真实性拷问按在地上摩擦。三个动作发生在同一个季度，绝非巧合——物理 AI 的叙事，正在从「模型能力竞赛」切换到「基础设施竞赛」。

⚠️ 冷静判断：谁会先跑通物理 AI 的闭环

别高估两年，别低估十年。

夏华林那句「相当于十年前的自动驾驶」值得反复咀嚼。十年前的自动驾驶同样经历过数据饥渴、商业化质疑和估值挤泡沫，最后跑出来的是把数据闭环和真实运营收入同时做起来的玩家，而不是 demo 最炫的那批。

对照之下，MHS 首批用户是科研实验室和先进制造商，这个选择透露了 Anthropic 的落地判断：先从高价值、结构化、容错可控的场景切入。实验室自动化和制造业恰恰是当下机器人最能挣真钱的地方——这与国内「遥控大玩具」标签下的焦虑形成了鲜明参照。

对国内从业者，我的三点务实建议：

1. 盯标准，不只是盯模型。 MHS 与模型无关、任何框架可接入，国内厂商完全可以基于开放协议做兼容和扩展，而不是各自造私有接口。

2. 把训练场当资产，别当秀场。 70 家已建成的训练场是稀缺基础设施，谁能把采集-清洗-训练的流水线做成可复制的生意，谁就握住了下一个十年的「石油管道」。

3. 收入优先于估值。 邵天兰那句 PMF 底线，大概率会写进接下来每一份具身智能公司的尽调清单。

据多位接近产业的人士观察，接下来半年，资本和订单都会加速向「标准兼容、数据自主、收入真实」三达标的公司集中。这不是行业寒冬，这是行业过滤网。

小结

大模型终于长出手了——Anthropic 用 MHS 给物理设备装上了标准插头；国内用 70 多家训练场一板一眼地教机器人端盘子；而 邵天兰 的那一炮，则是行业第一次认真讨论「什么样的收入才算数」。三道坎，标准、数据、真实商业化，一道都绕不过去。物理 AI 的下半场不在发布会的大屏上，而在实验室的深夜和工厂的产线里。能同时过这三道坎的公司，才配领走这个时代最大的增量。