造机器人的人，开始抄智驾的作业

具身智能行业正在发生一次安静的分化：一边是创业公司动辄拿到近亿美元种子轮，一边是真正进过工厂的人开始追问『为什么这里一定要用机器人』。

智驾出身的刘念邱把无图化的经验带进了机器人，清华系的星动纪元在模型侧找到了不靠外挂的打法，腾讯Robotics X的朱亚娟则给出了一份冷酷的场景筛选账本。

三条线索拼在一起，指向同一个判断：具身智能的竞争，正在从『能不能做』转向『值不值得做』。

🚗 从Robotaxi到Physical Agent：智驾的坑没白踩

路线选择的历史，总是惊人地相似。

刘念邱很难被归进典型的具身创业者模板里。他不是从机器人实验室出来的学者，也不是这两年才涌入Physical AI的连续创业者。他曾在英特尔做过新工艺和设备研发，创业做过物联网和工业智能化，2018年加入自动驾驶公司元戎启行后，从硬件一路做到Robotaxi运营、产品、数据、量产和售后。

2024年，他开始密切关注具身智能，翻大量论文，持续研究上游供应链和技术路线。到2025年底，他判断时机成熟了。2026年，他多了一个身份——费莫一科技创始人。

他的判断里有一个关键前提：机器人供应链已经足够完善，创业公司不必再把大量精力花在补齐本体和硬件短板上。

这个判断从哪来？从元戎启行的教训里来。

当年元戎启行在深圳市中心CBD这种繁华区域运营过一年多Robotaxi，有了核心客户群，最后却选择把它停掉。原因很直接：基于高精地图的方案被认为没有未来，必须走无图路线。作为创业公司，不可能两条线都走好，也没有那么充足的资源，所以砍掉Robotaxi，全力以赴做无图。

这套『战略聚焦+去地图依赖』的思路，被刘念邱原样搬进了机器人行业。但需要指出的是，智驾当年的『无图化』之所以成立，靠的是大规模车队在路上跑出来的数据反哺；把它平移到机器人行业，前提同样是数据闭环先转起来——这意味着新公司的第一道坎不是场景选择，而是部署规模能否撑起这个前提。这层依赖关系，比『无图』这个口号本身更值得盯住。

过去两年，具身智能最常见的落地路径，是先找一个边界足够清晰的场景——工厂拧螺丝、酒店送东西、仓库搬运，把任务定义清楚，再用工程和模型把成功率做上去。刘念邱不否认这些场景的商业价值，但他的疑问是：如果机器人长期只在一个被高度定义过的环境里工作，它积累下来的能力，究竟有多少能迁移到另一个场景？

所以费莫一科技选了一条边界更模糊的路：开放动态场景。商业区、写字楼、住宅、活动区域，都是他希望机器人逐步进入的『生活圈』。机器人可能帮人取东西、买咖啡、丢垃圾，也可能在快递员忙的时候替他完成部分任务——不被提前固定成某一种职业。他把这种角色叫做『伙伴』，更愿意称之为Physical Agent，而不是机器人。

这和智驾从『有图』走向『无图』的逻辑一脉相承：提前绘制好的世界终会过时，能实时理解开放环境的能力才有长期价值。但开放场景同时也是一把双刃剑——边界模糊意味着数据分布更发散、失败模式更不可枚举，对一家没有存量现金流的新公司来说，这条路的容错空间其实比工厂更窄。选择开放场景是叙事上的加分项，却未必是商业化上的最优解。

💰 近亿美元种子轮：投资人到底在赌什么

资本对创业者的耐心，从未像现在这样来得快。

费莫一科技甫一创业，就获得IDG资本领投、云启资本、滴滴出行、复星锐正、耀途资本、禾赛科技等头部机构参与的近亿美元种子轮融资。更戏剧性的是，早期接触投资人时，刘念邱甚至没来得及准备商业计划书。决定创业后，他与多位元戎启行联合创始人沟通，大家都支持他出去再做一次从0到1。

种子轮就给到近亿美元，这在具身智能赛道并不多见。它说明两件事。

第一，资方的判断逻辑变了。当硬件供应链不再是瓶颈，估值锚点就从『本体造得好不好』转移到『数据范式清不清晰』。刘念邱的第二条时机判断正是：AI驱动的技术和数据范式逐渐清晰，可以开始形成真正有长期价值的技术积累。

第二，智驾系的团队履历本身就是资产。Robotaxi运营、数据、量产、售后——这套从0到1再到规模化的完整经验，恰好是具身智能最缺的东西。值得注意的是，这笔融资发生在公司仅有方向判断、尚未拿出场景验证结果的阶段，机构押注的本质是对人的前置定价。这种定价方式在智驾泡沫期被反复检验过：履历能换来入场券，但换不来落地结果，后续每一轮都要用部署数据重新定价。

费莫一科技今年最重要的工作是初始数据采集，明年开始多点部署，目标是形成『落地—数据—训练—再落地』的闭环。

这个闭环听起来朴素，但它是Physical Agent叙事的生死线。机器人进入越丰富的环境，遇到越多的人、物体和任务，才越可能形成跨场景迁移的能力——反之，闭环跑不起来，开放场景就只是烧钱更快的故事。真正的悬念在于节奏：部署规模不够，数据多样性上不来；部署规模太大，试错成本又压不住。如何拿捏这个度，才是判断这家公司成色的关键指标。

🏭 五十万家工厂的账本：为什么不用机器人

机器人真正的市场，藏在『变化成本』最高的那批工位里。

腾讯Robotics X实验室生态负责人朱亚娟给出一组底盘数据：年收入在2000万元以上的工厂，中国超过50万家，背后是至少10万亿元量级的市场。机器人一旦真正进入工业，面对的不会是小生意。

但问题恰恰是：哪些场景真的值得进？

她真正进过工厂之后，反而习惯先问一个看起来不那么『AI』的问题：为什么这里一定要用机器人？甚至更进一步——为什么不能继续用传统自动化？

把一个瓶子插进固定位置，听起来不像一道需要具身智能的题，传统自动化早就能做。真正麻烦的是，这周是这个瓶子，下周它可能就换了个形状。瓶型一变，原来的工装要改、程序重新调，产线还可能为此停下来。如果是日化工厂，变化更快：一款口红可能有20种颜色，包装随节日变化，一个批次可能只有几千件，今天生产完，明天就换另一款。

技术问题到这里变成了另一道题：当现实不断发生变化，重新适应它，到底要花多少钱？

有意思的是，朱亚娟筛场景时反而先排除『太适合自动化』的任务——如果一个动作十年不变，机器已经足够便宜稳定，机器人『能做』不等于客户『有理由买』。去年她还觉得很多操作类任务离落地很远；到了今年6月，她和团队进厂测试，一些现场效果开始让工厂愿意继续往产线方向讨论，像是看到了『曙光』。

把她的判断整理成一张场景筛选账本，大概是这样：

注意最后一行——费莫一科技赌的开放动态场景，恰好落在『值得进』的那一栏。这解释了为什么两条看似相反的路线（进厂选场景 vs 走出工厂去生活圈），底层逻辑是同一本账：变化越频繁的环境，通用机器人的相对优势越大。但也要看到，朱亚娟的账本目前只回答了『该不该进』，还没有回答『进得进不进』——变化成本高意味着客户付费意愿强，可同样的变化也在给机器人的泛化能力出更难的题，两个变量最终能否对冲，仍然要靠现场数据说话。

🔬 模型侧突围：不靠外挂，靠解耦

数据闭环是地基，模型能力才是楼。

具身智能模型侧最近的标志性事件，是清华系的星动纪元登顶全球第一，在GPT-6、英伟达这样的巨头之间完成了突围，而且不靠外挂、不靠额外数据。

它的核心打法，是把视频预测与动作学习分阶段训练——把两个模态『解耦』、重新『排序』，而不是『一锅炖』。

这个选择回应的是所有玩家都绕不开的一个问题：如何用更少的真机数据，榨出更强的操作能力。视频预测提供丰富的世界先验，但真机动作数据又贵又稀缺，两类数据量级、分布、时序特性都不同，端到端混训容易互相拖累；解耦和分阶段，本质是用训练流程的编排换数据效率。它的价值在于给出了一条可复用的方法论——模型能力的进步不再只取决于谁买得起更多真机，而取决于谁更会组织已有的数据。这对资源有限的新公司尤其重要：当开源和自研模型的基线能力上来了，创业公司才有余力把资源押在数据和场景运营上，而不必从底层架构开始硬啃。

这与前两条线索严丝合缝地咬合在一起：朱亚娟进厂测试的『现场效果』，星动纪元的模型突破，费莫一科技的数据闭环——三者共同指向一个行业共识，即真机数据是当前最稀缺的生产资料。谁的数据采集—训练链路效率高，谁的落地成本曲线就下得快。

⚠️ Demo与可用之间：没人解决的最后一公里

开放世界的复杂度，几乎没有上限。

刘念邱把行业还没解决的问题说得很直白：一个机器人在Demo里完成10次任务中的1次，和用户任何时候叫它都能完成任务，是两套完全不同的标准。

这句话几乎可以当作具身智能行业当前的墓志铭写法。展会上的流畅演示、短视频里的十连击，和真实用户的生活圈之间，隔着可靠性、长尾场景、异常处理、售后运维一整片沼泽。这恰恰是刘念邱在元戎启行做过Robotaxi运营、量产和售后之后最有发言权的地方——智驾行业早已用五年时间验证过：从Demo可用到商业可用，中间的距离比从0到Demo还长。

当前资本端的关注点也随之后移：头部机构尽调时问得最多的，已经不是『演示能不能跑通』，而是『闭环的节奏是什么、单点任务成功率到多少才敢收费』。这意味着行业评价体系正在从技术叙事切换到商业验收。

费莫一科技的时间表相对克制：今年做初始数据采集，明年多点部署。也就是说，Physical Agent的故事在2026年还处于『埋种子』阶段，真正的验收要等部署规模上去之后，看跨场景迁移能力是否真的形成。而工厂那条线，朱亚娟团队从『觉得很远』到『看到曙光』用了一年，从曙光到产线，还有一段谁都不敢拍胸脯的距离。

小结

三条线索，一个共同答案。

刘念邱用近亿美元种子轮证明，资本已经愿意为『运营级落地方法论』买单——但这笔钱同时也是一种约束：种子轮的前置定价，意味着公司必须在下一轮融资前用部署数据兑现叙事，留给他犯错的时间窗口并不宽裕。

朱亚娟的工厂账本证明，10万亿量级的工业市场只对『变化成本』敏感——这本账把『值不值得做』变成了可以计算的题，但它目前只筛出了需求侧，供给侧的泛化能力能否跟上这些高频变化的场景，仍是账本之外的未知数。

星动纪元的解耦训练证明，模型侧的竞争正在转向数据效率——这条路线的意义不只是刷榜，而是让『没有海量真机数据的玩家』也有了参与竞争的方法论，客观上降低了行业对资本规模的依赖。

把三条线索放在一起看，具身智能的分化其实是一套新的行业共识：需求由变化成本定义，供给由数据效率定义，而连接两者的，是落地—数据—训练的闭环速度。过去大家比的是谁的Demo更惊艳，现在比的是谁的闭环转得更快、单位数据的产出更高。

具身智能的下一个分水岭不在实验室，而在两套标准的落差里：Demo里完成1次，和随时能完成，中间隔着数据闭环、成本账本和运营能力——恰好是智驾老兵们最熟悉的那段路。2026年之后，看谁先把这段路走通。