机器人会跑会跳之后，935 亿元投进了它的大脑
路透社把中国机器人这半年的钱与数据摊开：上半年 935 亿元投进具身智能，硬件不再稀缺，能上岗的技能才是估值来源。
11 月 2 日，路透社从北京发了一篇特稿：中国机器人企业已经学会了跑、跳、后空翻，现在把钱投向了另一件事——让机器人在更多工作里真正有用。1
报道给出的数字是：2026 年上半年，中国具身智能公司完成 322 笔融资，合计 935 亿元人民币、约 130 亿美元，是去年同期的五倍。
这条稿子的价值不在「机器人会跳舞」，而在于它第一次把「大脑」写成了可以比较的投入项。
报道写了什么
报道由 Laurie Chen 与 Eduardo Baptista 采写，受访对象是五家中国机器人公司的创始人或高管，外加多位行业分析人士。
它的核心判断是：硬件价格战已经打起来了，机器人厂商由此得出结论——利润不会来自硬件，只能来自大脑。这句是上海咨询公司 ZenGen Labs 创始人 Dermot McGrath 说的。
所谓具身智能，指的是让机器人理解环境、学习没见过的任务、不必为每个工位重新编程的那层软件。
美国的对手是 Physical Intelligence、Skild AI 与 Generalist。报道给了 Generalist 一个具体数字：它的 GEN-1.5 模型看完 3 到 12 秒的人类示范后，能完成约 60% 的简单任务。
中国的公司也有自己的样本。X Square 发表过研究：机器人从一段人类视频里学会抓取与搬运，不必为每个任务重训模型。
机器人顾问 Georg Stieler 的评价是：美国头部实验室设定了一个很高的门槛，尤其在机器人多快能学会并复用一项技能上。
但双方的优势不同。美国有更强的 AI 研究与更充裕的高端算力；中国公司可以紧贴制造商与工业客户，在现场反复试。
三家专做「大脑」的中国公司，据各自披露，估值都已到约 30 亿美元：X Square、Galaxea、千寻智能。
老牌制造商也在加码。港股上市的优必选挂出一个首席科学家岗位，负责 AI 模型研发，薪酬含股权与福利最高 1.24 亿元人民币。
杭州的宇树，按一位知情人士的说法，约有 30 名研究员在做「预测物体如何运动」的 AI。宇树没有回应置评请求。
钱为什么流向「大脑」
这个转向有一个很朴素的原因：身体不稀缺了。
当十几家厂商都能做出会走路的人形机器人，硬件就变成可以比价的东西。能比价的东西，毛利只会往下走。
于是差异被推到软件那一层：同一台机器，能不能在没排练过的房间里听懂一句人话并做成事。
对读者来说，这意味着评估一家机器人公司的方法要换。看出货量与关节数是一个维度，看它的模型在多少种机器、多少个场景上被验证过，是另一个维度。
后一个维度目前很难查，报道本身也只给到公司披露与匿名信源这一层。
数据从哪来：四条路
机器人不能像聊天模型那样从互联网文本里学。它需要抓住一个杯子、插进一根软线、把货放上架子的物理样本。
报道把中国公司正在走的路分成几条，各自的代价不一样。
千寻智能雇了约 1,000 人，专门录制日常与工业动作。这是最贵的一条路：人力、时间、场地都要钱。
ACE Robotics 用可穿戴传感器，在门店与酒店里记录员工的动作与抓握力。它便宜，但只能在自己进得去的场景里采。
DexForce 走仿真，说能在 6 到 8 小时内把某些工业任务准备到可部署，特定精密操作的报告成功率高于 99.9%。
蚂蚁集团旗下的 Robbyant 用 16 万小时素材训练，其中 5 万小时是人类引导的机器人动作；它还在 17 个品牌的 20 种机型上训练，想让同一套 AI 跨机器使用。
每条路都有短板。做仿真环境的群核科技（Manycore Tech）的 Jerry Wang 说，仿真没法完全复现物理接触。
X Square 的联合创始人兼 COO 杨倩给了一句更直接的判断：数据质量比数据多样性重要，也比单纯堆规模重要。
两条硬约束：芯片与 IPO
报道还点出两个中国公司绕不开的限制。
第一是算力。美国的出口管制让先进英伟达芯片在中国的获取变难。JoyIn Technology 的朱明轩负责该公司的 Aether 机器人 AI，他说随着机器人变强，芯片短缺会成为中国具身智能行业的严重问题。
中国公司正在用更高效的模型、合成数据与仿真压低算力需求，华为等厂商也在做替代硬件。报道说，这些努力能抵消多少，目前不清楚。
第二是钱。报道写到，机器人公司面临 IPO 融资收紧，原因是监管担心估值虚高与赛道过度拥挤。
这条不是孤例。9 月路透社已经报道过，中国在人形机器人上市潮上放慢了节奏，理由是名气跑在了现实前面。2
「八成任务、八成陌生环境」
报道最后落到一个可以拿来检验任何发布会的标准。
宇树创始人王兴兴说，公司上月用 OpenAI 的 GPT-6 在机器人上做过测试，结果令人鼓舞。他认为，如果 GPT-7 明年发布，机器人可能迎来自己的「ChatGPT 时刻」。
他给这个时刻下的定义是：机器人能在八成陌生环境里、按口头指令完成八成任务。
Stieler 对这个定义做了区分。他说，如果问的是模型第一次在演示里处理一大类陌生任务，乐观派可能是对的；如果问的是客户什么时候能指望它，他要加的是年，不是月。
报道里已经发生的落地并不多，但都是具体的。
宁德时代说，千寻智能的机器人在中州基地做电池包测试时连接柔性线束，插接成功率超过 99%。
Robbyant 说，它的机器人在上海两家药店处理订单，药品发出前由店员复核。
还有一个失败的例子。朱明轩描述过一次实验：机器人反复没能把耳机放进够不着的柜子，直到工程师给它看了人怎么做的视频；它推来一个箱子，试着踩上去。
「每一次它都在探索不同的行为。」她说。
原话
We want robots to shift from being driven by code to being driven by common sense.——X Square 联合创始人兼 COO 杨倩1
If the question is when a model first handles a broad range of unfamiliar tasks in demonstrations, the optimists may well be right. If the question is when a customer can count on it, I would add years, not months.——机器人顾问 Georg Stieler1
本刊判断
这份横断面的用处，是把「大脑」从一句口号变成了可比较的投入：多少钱、多少人、多少小时、多少种机型。
它也有清楚的边界。935 亿元来自 ITjuzi 一家数据机构，报道没有给口径；30 亿美元估值是公司自己披露；王兴兴的八成门槛是受访者的定义，不是行业标准。
另一点值得注意：报道采访的五家公司，多数是做「大脑」的软件公司，硬件厂只出现两处。这既是选题使然，也解释了为什么结论会落在软件一侧。
至于那句「大脑是整个机器人栈里最薄弱的环节」，本频道 9 月已经引过一次——当时说话的是千寻智能的高阳，语境是一家公司的进度表。这一次它出现在五家公司的横断面里，意思变成了：所有人都知道瓶颈在哪，差别只在于谁的数据更多、谁先把它变成能上岗的技能。3
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.