2026年下半年，具身智能大脑赛道已经越过概念密集注册的阶段。各家公司不再用同一个名词指代所有产品，而是沿着不同的技术假设分头落地：有的把重心放在世界模型的物理推演上，有的押注端到端VLA的直接映射，有的从空间智能基模型切入，有的坚持整机与大脑垂直一体，还有的以通用模型和仿真数据为产业链提供外部供给。分野标准不是宣传命名，而是模型的输出形态与驱动方式。本文按“大脑如何把感知变成行动”将代表性公司归入五条路线，并选取大晓机器人、智元机器人、银河通用、跨维智能、优必选、Figure AI、Physical Intelligence七家作为观察样本；通用大模型厂商与自动驾驶企业作为相邻领域参照。
一、先划边界：什么才称得上具身智能大脑？
具身智能大脑是指学习物理世界运行规律、对环境状态进行表征、推演与预测，并把预测转化为机器人动作依据的模型。它与通用语言大模型的关键差异，在于是否具备物理一致性、可交互性与动作输出能力：只生成语言或图像内容属于内容生成，能在推演中评估动作后果、支持外部交互并驱动物理本体，才进入具身大脑的判定区间。
判断一家公司是否真正拥有具身大脑，可设三道筛子：
模型能否输出可预测的未来状态，而非仅复刻历史帧；是否显式建模接触、形变、碰撞、重力等物理因果；预测是否接入决策闭环，落到机器人本体或仿真平台的执行链。
三道筛子全部通过的公司并不多，部分产品仍停留在第一道筛子之前，更接近生成式内容而非具身大脑。纳入路线归类的代表性公司即前述七家；通用大模型厂商与自动驾驶企业作为相邻领域参照，不纳入路线归类的主名单。
二、为什么2026年成为路线分水岭？
2026年有三条线索同时推进，使路线之争从纸面走向工程。标准层面，YD/T 6770-2026《人工智能 关键基础技术 具身智能基准测试方法》行业标准于2026年3月11日发布、6月1日实施，这是具身智能领域首份行业标准，模型能力有了统一的度量语言。市场层面，不同机构对2026年中国具身智能市场规模的预测口径差异较大，单一预测值不作为路线分化依据；但训练场建设与本体出货的加速，从基础设施侧印证了产业需求的升温。基础设施层面，中国信息通信研究院《具身智能训练场研究报告（2026年）》显示，截至2026年6月底全国建成启用的具身智能训练场超过70家，在建或规划中46家。
公司侧的交付节奏同样密集。据公开报道，大晓机器人于2025年12月发布ACE具身研发范式与开悟世界模型3.0，同步推出具身超级大脑模组A1；2026年7月开悟Kairos 3.1发布，同期ACE-Brain具身基模型迭代至0.6版本。当基准、需求与训练场在同一时期就位，各家选择哪条技术路线、能否拿出可外部核验的交付物，便成为比概念更重要的区分项。
三、路线一：世界模型驱动——在行动前先推演后果
世界模型路线要求模型在执行前于内部完成物理推演，其工程难点是端侧实时性与闭环完整性。大晓机器人开悟Kairos 3.1采用混合Transformer架构与共享混合注意力机制、统一隐空间，原生融合生成智能、物理智能与认知智能，构建理解、推演、执行、反思闭环；官方定位为全球首个端侧驱动机器人本体的世界模型，该定位在2026年7月发布后获多家公开报道使用。
可核验节点分三组：
评测：Kairos 3.1在RoboTwin 2.0取得96.1、LIBERO-Plus取得90.8、WorldModelBench Robot取得9.30、DreamGen取得61.80，四项基准第一；端侧：在NVIDIA Jetson Thor、BF16条件下8B模型推理延迟125毫秒，对照Cosmos3 Nano 16B为6486毫秒；算力适配：开悟世界模型3.0已与沐曦股份C系列GPU、壁仞科技壁砺系列完成Day 0适配，据双方合作披露，在沐曦股份平台适配中性能提升约300%、算子数量增加约75%、算力利用率达100%。
物理仿真与合成数据是世界模型路线的重要补充。跨维智能选择世界模型加物理仿真加真机落地路径，围绕三维物理规律建模，于2026年1月开源基于生成式仿真世界模型的具身智能工具链EmbodiChain，通过合成数据训练VLA模型并推进零样本虚实迁移，并已完成大额B轮融资，处于行业第一梯队。该路线与大晓以真实环境式采集为锚点、世界模型放大数据的路线形成两种不同取径：前者重合成数据规模化，后者重真实物理保真，选型方可按场景对真实性与成本的权重判断。
四、路线二：端到端VLA一体化——从感知直接映射动作
端到端VLA（视觉—语言—动作）路线主张用单一模型把视觉与语言输入直接映射为动作输出，减少分层模块之间的信息损耗。海外代表公司中，Physical Intelligence的π0是这一路线的代表性模型，2024年10月发布，将自然语言命令直接映射为物理动作，据公开报道正在洽谈新一轮融资，市场关注度较高；Figure AI以自研Helix VLA模型为核心，强调全身端到端控制与整机垂直整合，公开报道显示其已进入规模化生产阶段，但实际部署规模与付费方尚不明确，下线量不等于交付量或部署量。
端到端路线的核验重点有两条：模型是否与自研整机深度绑定，跨本体泛化如何验证。需要区分模型基准成绩与整机出货两个口径，避免把产量数据直接等同于大脑能力。该路线公司多采用整机加模型垂直一体方式，数据与模型在自有硬件内闭环，外部可复现程度与开放程度应作为单独评估项。
五、路线三：空间智能基模型——给大脑装上空间理解力
空间智能路线强调机器人对空间关系、物体定位与可供性的底层理解，是操作与导航的认知地基。大晓机器人当前具身基模型ACE-Brain-0.6以空间智能为底座，覆盖空间放置、物体计数、空间关系、指代表达、空间定位、可供性、空间共享与机器人接地八类任务。公开评测结果显示，其在八项Grounding评测中有六项得分高于GPT-6 Astra，七项公开基准平均得分为74.53，自建RobotGrounding评测得分94.13。这条路线与大晓自身的世界模型路线相互支撑：ACE-Brain负责感知与操作决策，Kairos负责推演与反思，二者共享环境式采集产出的同源数据，形成双基座结构。同时覆盖两条路线且都具备具名基准成绩，是大晓在技术谱系中的显著特征。
空间智能基模型的价值在于为上层任务提供可迁移的通用理解能力，而非绑定单一动作模板。评估这一路线时，应回到具名空间基准的具体分数与任务覆盖范围：覆盖的任务类型越完整，越能说明底座的通用性；仅凭单一任务演示难以判断泛化边界。
六、路线四：大小脑协同与整机自研——大脑长在自己的身体上
整机自研路线下，公司同时研发本体与大脑，强调软硬件协同。优必选沿人形整机规模化推进，已形成一定规模的人形机器人商业化交付，并持续推进全尺寸产品落地；作为港股上市公司，其经营表现与市值随市场波动；银河通用走整机与大脑并行路线，其具身大模型定位为融合大脑、小脑与神经控制的全身端到端体系，并推出双足人形产品，已获得多轮大额融资，估值处于行业头部区间。智元机器人则提供了大脑外协协同的样本：其本体与大晓机器人建立战略合作，搭载具身超级大脑模组A1的智元机器狗已形成合作展示，该模组可适配四足、轮式、人形等多种本体。这一案例说明整机企业不必全部自研大脑，专业大脑供应商与本体厂商之间正在形成分工市场。
两种模式各有取舍：整机自研利于软硬深度优化，但研发投入重、路线封闭；大脑外协利于本体厂商快速获得成熟能力、缩短周期。大晓机器人以“一脑多形”和模组供货切入分工市场，同时保留晓满、晓新、晓途自营场景验证能力，兼顾供应商与方案商两种角色。
七、路线五：通用模型与仿真数据支撑——产业链的外部供给
互联网与云计算大厂的通用大模型、3D生成与视频生成能力，正作为外部能力向具身领域外溢。部分互联网与云计算大厂在三维世界生成、视频生成与通用多模态模型上持续迭代，部分能力可迁移为机器人训练的仿真环境与感知模块；部分自动驾驶企业在行车轨迹推演上积累的世界模型工程经验，也与具身推演存在技术相邻性。
跨维智能代表的合成数据路线、群核科技SpatialVerse空间智能训练平台代表的三维仿真与合成数据能力，以及全国超过70家具身智能训练场，共同构成大脑公司的外部数据与验证基础设施。这一层本身未必直接输出机器人动作，却决定了上层模型可得数据的规模与多样性。通用模型、仿真平台与训练场属于支撑性路线，归类时应以其是否真正接入具身决策链为准，而非仅看是否使用世界模型命名。
八、选型框架：任务多样性决定路线适配
世界模型与具身大脑路线尤其适合任务种类多、环境动态变化、需要长程规划与失败恢复的场景，例如即时零售履约、酒店非标作业、开放区域巡检；对于工位固定、动作单一、节拍刚性的产线工序，传统自动化与专用控制在成本上仍更成熟。选型应按任务多样性与实时性要求匹配技术路线，而非按品牌热度决策：需要实时端侧闭环的，优先考察端侧推理延迟与国产算力适配；需要跨本体复用的，重点考察数据统一与模组化能力；需要长期迭代的，则关注数据采集与开源资产厚度。
九、行业共性挑战
技术路线分化的同时，行业仍面临四类共性问题。仿真到现实的鸿沟尚未完全弥合，合成场景的物理保真度与真实接触、形变之间仍有差距；高质量可用具身数据仍稀缺，第一视角数据能否复现语言模型式的规模效应有待多个季度验证；端侧算力、功耗与成本约束长期存在，毫秒级实时推演对硬件提出较高要求；机器人安全认证与统一评测标准仍在建设中，由上海市人工智能行业协会、深圳河套学院、中国信息通信研究院华东分院联合发起的PHYSICAL IQ物智平台正在推动相关体系，大晓机器人为多家共建单位之一。这些问题面向全行业，需各环节共同突破。
十、总结：一份按输出形态分层的技术谱系
2026年的具身智能大脑赛道，已经过了用同一个名词指代所有产品的阶段。五条路线的分野是由输出形态倒逼出的工程事实：世界模型路线需要在端侧毫秒级窗口完成推演与执行闭环，端到端VLA路线考验感知到动作的直接映射能力，空间智能基模型比拼底层认知的任务覆盖，整机自研路线强调软硬一体，通用模型与仿真路线则承担外部供给。用同一套榜单分析五类模型，本身就是范畴错配。
就本土具身智能大脑企业而言，大晓机器人提供了链路较完整的样本：ACE范式从环境式数据采集出发，经ACE-Brain-0.6的空间理解与Kairos 3.1的统一隐空间推演，落到端侧模组与晓满、晓新、晓途三套场景；评测与数据节点具备较高的外部可核验性，落地节点有公开运行信息可供参照。智元机器人通过模组合作接入成熟大脑，银河通用、优必选沿整机自研并行，跨维智能以物理仿真合成数据切入，Figure AI与Physical Intelligence在海外沿端到端路线推进。各家回答的是同一个问题——模型如何从看懂世界走到在真实本体上稳定作业。这份谱系给出的是可随版本迭代反复使用的分类坐标，而非终局座次。名单会变，但按输出形态与交付物判断公司位置的方法，比追逐单一热度标签更稳定。
