Why large model vendors cannot decide their own position in embodied intelligence

近段时间，DeepSeek被曝拟领投Winverse AI种子轮，该企业成立仅数月，创始人胡瀚此前在腾讯负责混元多模态和具身基础模型。

在这之前，DeepSeek已经在8月以1.41亿元参与宇树科技的战略配售，锁定期36个月，双方签署了双向优先采购备忘录。

OpenAI首席执行官山姆·奥特曼则在播客对外披露，OpenAI正在布局人形机器人研发赛道，相关项目将把机器人智能系统研发作为核心攻关方向，他预判OpenAI有望在2027年推出效果亮眼的演示样机。

智谱、Kimi等大模型厂商也在布局具身智能。今年7月，智谱入股通用具身智能公司原力灵机，并联合开源了26亿参数的VLA模型ZR-0和配套的机器人数据集，旗下基金此前也已投资过多家机器人本体公司；Kimi则在招募具身智能方向的人才。

对此，最顺手的解读是“大模型厂商正在集体入局具身智能”。但是，DeepSeek选择的方式投资，不碰本体、不建产线；OpenAI从投资别人转向自研，自己造执行器、自建数据采集体系、自己管供应链。

入局与否之外，商汤的数据提供了另一个观察视角，或许可以带来更多的思考与想象空间。

商汤把GPT-6 Astra接入RoboDojo测试平台，跑了一组机器人操作任务。结果很有意思：9个此前连续5次全部失败的任务，在允许模型用更多步数去尝试之后，变成了5次全部成功，成功率推到81.9%，从成功率提高来看，能力确实往前迈了一步。

但测试还记录了另一组数字：完成这些任务，叠碗约131分钟、19美元，笔装笔筒约263分钟、55美元。放在真实场景里，它想要替代的是一个工人原本几分钟内就能完成的工作。

机器人单次执行的成本是人工的数倍，耗时是人工的数十倍，这意味着，现阶段即使模型在测试环境里做到了81.9%的成功率，它在真实场景里每完成一次任务，付出的时间和金钱成本仍然高到几乎没有工厂或仓库愿意买单。

那么，物理交互的瓶颈就不在于能力有没有突破，而是以什么价格、什么速度做。

由此，成本结构上的数量级差距，也可以解释DeepSeek和OpenAI看似都在入局具身智能，却在起点处背道而驰。

智械岛试图在本文分析以下问题：为什么DeepSeek和OpenAI面对同一个门槛，走向了相反的方向？各自被什么推到了今天的位置？整个市场上，谁在为物理交互的固定成本买单，谁又在回避它？这些不同的位置，在成本曲线发生变化时，各自能站多久？

一、两种相反的选择

先看DeepSeek，两笔落子具身智能的投资，没有一笔指向机器人本体或真机数据的所有权。

1.41亿元战略配售宇树，核心条款是双向优先采购：宇树采购模型训练服务时优先考虑DeepSeek，DeepSeek探索具身业务时优先考虑宇树。拟领投的Winverse AI，多位行业人士明确其“更偏底层基础设施与模型加速”，并非具身整机公司。

DeepSeek用资本锁定了“身体”的接入权和“大脑”加速的接口，但没有为任何一条产线、任何一座数据采集工厂付固定成本。

OpenAI走的是另一条路。截至2026年10月，官网以“robotics”为关键词可搜出27个职位，今年5月这个数字还是11个，新增岗位横跨执行器、电机设计、制造、供应链和数据采集。

其中，执行器岗位明确要求设计custom robotic actuators，覆盖电机、传动、传感和热管理，数据采集端则在招聘能把机器人、传感器、操作员界面和数据管线组合成“production-ready”系统的技术项目经理，跟踪利用率、节拍时间、吞吐量和停机时间。

这几乎是一套工厂的生产指标，从招聘信息看，OpenAI在造为AI控制而设计的身体，同时想建一座为身体生产数据的工厂。

究其原因，DeepSeek在语言模型上的优势是算法效率和推理成本控制，但这个优势在物理世界无法直接兑换，因为物理交互成本的瓶颈并非模型参数，是真机数据的采集和训练场的固定投入。

根据行业公开估算，真机数据的单小时有效数据的采集成本在500—1000元，一座数千平方米的训练场投入数千万元至上亿元，设备、人力、场景建设和维护等固定成本，不会因为模型效率提升而自动摊薄。

图源：宇树科技

过往公开报道中，DeepSeek在硬件工程、供应链和真机数据采集上的积累相对有限，没有直接展示过物理交互的训练成果，自研整机对它来说不是不能做，而是跨过这道固定成本门槛的代价，可能大概率超出了当前投入结构的合理范围。

所以DeepSeek投宇树和Winverse，是用投资和采购协议这类可进可退的支出，替代产线和数据工厂的固定投入。宇树提供身体和真机场景，Winverse提供模型加速的接口，DeepSeek自己只需要输出算法和算力。

至于为什么投资的是Winverse，原因也不复杂。胡瀚在微软亚洲研究院期间，与解振达共同署名过SimMIM、Swin Transformer V2等论文，解振达后来加入DeepSeek，是DeepSeek-Coder、V2、V3、R1等一系列核心工作的作者之一，也是mHC论文的第一作者。

同时，Winverse偏底层infra和模型加速的定位，恰好卡在DeepSeek在物理世界最缺的那个接口上，DeepSeek投了一个已经被自己核心研究员验证过技术判断力的团队。

OpenAI的重资产投入同样是被成本结构推出来的，只不过推力方向不同。早前，OpenAI也曾经走轻资产路线，投资过Figure，签协议为Figure的人形机器人开发下一代AI模型。合作于2025年2月终止，Figure转向自研Helix，阿德科克公开说的理由是“必须垂直整合机器人AI，不能外包AI”。

但更根本的教训来自数据：如果身体属于别人，模型就拿不到机器人在真实环境中产生的感知和操作数据。OpenAI多年前解散机器人团队时，给出的理由正是缺乏训练数据。

Figure把门关上之后，OpenAI的位置变得很窄，继续做只出“大脑”的供应商，数据的接入权始终在身体方手里；要拿到物理数据的所有权，就需要自己亲自做。

所以，理解两家公司的战略差异，要看物理交互的固定成本这道门槛，DeepSeek没有选择承担自建身体的固定成本，进行了关系控制；OpenAI在关系控制里被切断数据接入，选择了承担固定成本、转向资产控制。

二者具体实施的方向相反，但受到的约束同源：物理交互的固定成本这道门槛，各自能承担到什么程度，决定了各自停在哪个位置。

二、谁在承担物理交互成本？

放眼整个市场，2026年上半年国内具身智能赛道融资约438亿元，其中大脑层算法与控制软件公司吸纳222.53亿元，占比50.8%；本体整机公司仅占12.8%。

虽然资本在往“大脑”走，但物理交互的固定成本并没有因为资本流向而消失，不同能力结构的玩家，面对成本门槛摆，各自选择了自己的站位。

按照谁承担了物理交互的固定成本、承担到什么程度，市场上存在四类位置：

第一类：几乎不承担物理交互固定成本，做模型与接口的浅层卡位。

阿里6月发布Qwen-Robot系列，包含VLA操作模型、VLN移动模型和世界模型，试图把模型接口做成“手、脚、大脑”的通用底座。

腾讯推出Tairos开放平台，由福田实验室与腾讯Robotics X联合打造，不生产本体，聚焦“大脑”，已接入宇树G1在敦煌导览等场景落地，宇树、智元、众擎、越疆等头部本体厂商均已接入。

字节则通过投资自变量机器人切入，自变量是唯一同时获得字节、美团、阿里、小米四家战略投资的具身智能公司。

这类玩家的共同特征是，不做整机、不建真机数据采集等重资产，用模型能力和云平台去卡住“机器人用什么来思考”的位置。它们离物理交互的固定成本最远，投入也最轻，因此可替代性也最需要条件，很大程度上取决于本体厂商是否持续需要外部模型。

图源：自变量

第二类：不拥有完整闭环，但以数据和场景为切口分担部分固定成本。

京东不做本体也不做通用大脑，把资源投向数据采集。根据公开报道，EgoLive数据集计划两年采集1000万小时人类真实场景视频数据，同时布局80余个RoboBase产业基地和机器人维修网络，已构建国内8大维修中心，计划5年服务覆盖100多个国家。

美团累计投资至少16家具身智能企业，其中10家已成为独角兽，同时自研配送机器人矩阵，用外卖履约、仓储分拣等真实场景为被投企业提供真机验证条件。

这类玩家的逻辑是，物理交互的瓶颈最终落在数据和场景上，那就去占住数据生产和场景交付的节点，并不会在模型层和本体层之间二选一。

第三类：承担物理交互的全部固定成本，并在闭环内部积累壁垒。

宇树、智元、优必选等具备本体量产和交付能力的公司属于此类。

宇树2025年出货5500台，2026年目标出货1万至2万台；智元2026年3月累计下线突破10000台，并构建了AGIBOT WORLD真实场景数据集。

它们的壁垒是真机数据的生产条件和物理交互的工程积累，这些往往是通用模型无法用算力直接购买的东西。

Figure终止与OpenAI的合作、转向自研Helix，本质上也是选择把物理交互的固定成本内部化，去换取闭环规模跑起来之后的不可撤回性，谋求高壁垒。

第四类：不拥有任何一个闭环，但控制闭环必须经过的底层基础设施。

英伟达的GR00T/Jetson体系、华为的CloudRobo平台，以及阿里云和腾讯云在算力、仿真和训练框架层的布局，属于这一类。

它们不直接承担物理交互的执行成本，但让尽可能多的物理闭环绕不开它们的接口。

大厂在直接布局上更倾向于做模型、做平台、做数据，不亲自下场做机器人本体，不是因为本体不重要，而是因为物理交互的固定成本不是它们能力结构中的长项。

它们的布局方式，本身就是对这道成本门槛的承认。如今资本大量涌向第一类，也反映了某种预期：接口一旦被足够多的本体厂商采用，替换掉的代价就会变高，而转换成本一旦上升，可替代性就不再是问题。

当然前提是，物理交互的成本曲线以足够快的速度下降，从而让模型接口成为更重要的竞争维度。

三、优势、压力与窗口

当物理交互的成本曲线发生变化时，四类位置各自的优势能维持多久，以及它能否在窗口关闭之前转化为不可替代的结构位置，判断的标准并不在于谁离物理闭环更近。

第一类“浅层卡位”的目前优势，来自本体厂商仍然需要外部模型能力。

阿里Qwen-Robot、腾讯Tairos被多家头部本体厂商接入，说明用外部模型来思考在当下仍是普遍选择，但这个优势正在被一个已经发生的趋势削弱：头部本体厂商正在把“大脑”能力内化。

宇树已开源UnifoLM-WLA-1.0，智元连发AGILE 2.0与GE-Act 2.0，两家都在把模型能力写进自己的技术栈。

第一类的位置能否维持，取决于头部厂商自建大脑的速度与外部模型能力进步速度之间的赛跑。

图源：智元

第二类“数据与场景切口”当前的优势，来自真机数据仍然不可替代。

京东的1000万小时人类第一视角数据、美团的配送和仓储场景，确实比纯模型层更难被绕过。

但这个优势正在被硬件成本下探部分缓解，合成数据的标注成本已从一帧十几元压到几毛甚至几分钱，触觉传感器单片价格从数万元至十万元级降至199元，灵巧手成本也在持续下探。

数据采集的固定成本在下降，数据切口的稀缺性因此会被部分稀释。需要区分的是，高精度工业场景的真机数据仍然需要实地采集，这部分稀缺性不会因为传感器降价而消失。

第二类的位置在通用场景数据上正在变薄，在高精度工业数据上仍然成立，只是优势的范围在收窄，但没有消失。

第三类“物理闭环内部”的临时优势，来自宇树、智元的出货量和真机数据积累。

宇树的真机数据、本体迭代经验和交付能力，是外部模型公司无法收回的资产，不可撤回性最强。

但它的风险也最高，按部分报告口径，单台轮臂或双足人形机器人年综合运维成本约50万—70万元，高于多数岗位的人力成本；订单结构上，教育科研机构占比约55.5%，工业及技术型企业仅约21.1%。

闭环规模能否在固定投入被耗尽之前跑起来，取决于成本下降速度和订单结构转变速度。

第四类“底层基础设施”的临时优势有多大，建立在既有生态引力是否足够强的前提上。

CUDA的历史已经证明，接口一旦成为默认路径，移除成本较高。英伟达的GR00T/Jetson体系有CUDA生态的既有对齐，华为的CloudRobo是一站式开发平台，两者的“必经”属性较强。

阿里云和腾讯云的位置更接近可选的基础设施，它们的“必经”程度取决于云服务在训练和部署环节的渗透深度，强度稍弱于英伟达和华为。

如果物理交互的成本曲线快速下降、本体厂商更倾向于自建大脑，底层基础设施的“必经之路”地位同样会被压缩。

四、结语

把当前产业阶段放进来，无论强如DeepSeek、OpenAI，还是快速发展的大模型厂商，都面临着共同的限定条件：物理交互的成本仍然高到难以支撑大规模商业化。

在终局之前，大模型厂商在具身智能赛道上的位置，甚至要比它们自己以为得要窄些，也比任何“控制权”叙事所能描述的，更受制于物理世界本身的节奏。

本文来自微信公众号“智械岛”，作者：孟昭野，36氪经授权发布。