中国具身 AI 融资达935亿元，但工厂作业才是真正考验
据数据提供商 IT Juzi 统计，2026年上半年，中国具身 AI 行业吸引了935亿元融资。这一规模是去年同期的五倍。统计涵盖322起已披露融资事件，较2025年上半年增长137%。
随着机器人走出会议展示，进入工厂、仓库和物流中心，资金正持续涌入。投资者同时押注人形机器人本体、控制模型、训练数据、零部件和产能。他们赌的是，物理 AI 能成为一套真正运转的工业系统，而不只是令人惊艳的研究项目。
这一转变也带来了核心矛盾。资本已按快速商业化进行定价，但工业客户仍要求可靠性、安全性、可量化的生产率，以及可接受的维护成本。中国机器人创业公司如今必须把大额融资转化为能够持续完成重复性工作的机器，而不是需要人类不断介入救场的设备。
935亿元数字揭示了一个高度集中的市场
融资总额固然庞大，但其分布比规模本身更值得关注。
IT Juzi 的融资统计显示，截至6月30日的六个月内，共有322起融资事件，合计935亿元。按该数据集统计，3月和6月最为活跃，两个月的融资事件均超过60起。
地区集中度尤为明显。北京、广东和上海合计占229起事件，占总数的71.1%。三地获得739.4亿元融资，占全部已披露资金的79.17%。
北京以100起融资事件、355亿元融资额领先。深圳紧随其后，录得61起事件和238.17亿元融资。这些数字反映的不只是投资者的地域分布，也显示出机器人资本正围绕科研机构、制造商、零部件供应商及潜在工业客户聚集。
早期公司仍是市场的重要组成部分。种子轮、天使轮和 Pre-Series A 融资共计190起，占总数的58.94%。其中超过100起为天使轮融资。
这一分布表明，投资者尚未就唯一胜出的技术架构形成共识。他们仍在资助针对机器人本体、视觉系统、运动控制、世界模型和数据采集的不同路线。市场仍足够开放，新成立的公司依然能够获得资金。
不过，最大额融资的集中度显著更高。融资最多的20家公司合计募集约550亿元，相当于该行业总额的59%。其中9家公司聚焦人形机器人本体，获得约315亿元融资。
另有7家公司专注于通常被称为“具身大脑”的软件层，合计融资约145亿元。3家零部件和芯片公司则获得了另外53亿元。
这形成了一个杠铃型市场：数百支年轻团队获得探索性资金，而较小的一批公司则筹集到足以建设工厂、采集训练数据并推动大规模部署的资本。
投资者也来自多个方向。传统风投机构、政府支持基金、互联网公司、汽车制造商和工业集团均有参与。即使投资同一家公司，它们的动机也并不相同。
风投机构希望投资能够主导新赛道的公司。地方政府可能更看重制造能力和技术就业岗位。汽车制造商则可能寻求自动化技术，或在下一代计算平台中占据一席之地。
这种多样性可以让融资持续时间超过传统风投周期所能支持的范围，但也可能掩盖商业纪律。一家创业公司可能因多项战略诉求重叠而完成大额融资，即使客户端的经济性仍未明朗。
因此，935亿元这一数字应被视为市场信心的证据，而不是产品市场匹配的证据。它衡量的是进入已披露交易的资本规模，并不能说明有多少资金实际到账、分期承诺如何计算，或结构相似的投资是否被一致统计。
这一差距很重要，因为私募市场数据库依赖公开披露和估值推算。有些公司不会公布确切金额，另一些则使用“数亿元”等宽泛表述，因此需要进行估算。
这一总额仍提供了有价值的方向性信号。各融资阶段、城市和技术层面的融资活动都显著扩大。然而，这个数字无法告诉读者，最终产出的机器人是否会带来经常性收入，还是仍停留在补贴支持的试点项目阶段。
为什么投资者正为整套机器人技术栈买单
资本正在投入整套工业技术栈，因为没有任何单一模型或零部件能够独自造出可靠运作的机器人。
具身 AI 指的是能够感知周围环境、作出决策，并通过实体机器采取行动的系统。与文本模型不同，机器人必须把带有不确定性的预测转化为实际动作，而这些动作会影响人员、设备和产品。
这一要求把多个复杂系统连接在一起。一台实用的工业机器人需要传感器、执行器、关节、计算硬件、控制软件、安全机制和针对任务的训练。人形机器人的要求还包括平衡、全身协调和灵巧操作。
因此，投资者正将押注分散在三大层面。第一层是机器人本体，包括人形机器人平台和专用移动机器。第二层是智能层，包括视觉-语言-动作模型、世界模型和运动规划。
第三层包括芯片、灵巧手、关节模组、传感器及其他零部件。这些部件决定了制造商能否在提升性能的同时降低生产和维护成本。
一篇关于融资热潮的英文报道指出，模型研发、大规模机器人数据采集和产品交付是资本流向的主要方向。它们分别对应不同的商业化瓶颈。
模型研发旨在让机器人适应传统编程中未曾遇到的任务。训练数据则教会机器理解物理动作如何展开。交付能力决定实验室系统能否在多个客户现场被制造、安装和支持。
数据问题尤其重要。互联网规模的文本和图像十分丰富，但高质量的物理交互记录仍然稀缺。机器人需要把感知、动作、力度、时机、失败和恢复联系起来的样本。
公司可以通过遥操作、仿真、视频和已部署机器收集这些信息。每种方法都存在取舍。仿真易于高效扩展，但可能无法准确呈现摩擦、光照、形变或不可预测的人类行为。
遥操作能生成真实样本，但需要设备和熟练操作员。已部署机器人也能创造有价值的数据，不过早期客户可能不愿成为活跃设施内的实验性数据提供者。
硬件进一步放大了难度。一次软件更新可以迅速推送至数千台计算机，而一次机械改动可能需要重新设计零件、引入新供应商、进行安全测试和现场维护。
这解释了为何在大规模需求尚未建立之前，投资者便投入巨额资金。打造一家具身 AI 公司，需要同时为多个开发周期提供资金支持。在利用率变得可预测之前，公司就需要为模型、硬件、设施、库存和客户支持投入资本。
政策支持也增强了投资者信心。中国工业政策已将人形机器人和具身智能视为战略技术。政府支持基金和市级项目可帮助创业公司对接制造园区、实验室和国有客户。
IPO 预期同样影响私募估值。进入中国内地和香港上市流程的机器人公司，为早期投资者提供了潜在的流动性路径，也为此前缺乏可比公司的私营企业提供了公开估值参照。
融资热潮并不意味着人形机器人已经战胜成熟自动化方案。它意味着投资者相信，模型、零部件和制造能力的进步正在汇聚。
但这种汇聚仍必须经受严苛环境的考验。一台在受控演示中成功的机器人，可能会在包装发生变化、地面受阻或有人进入工作空间时失效。
工厂购买的不是抽象智能，而是已完成的任务、可预测的正常运行时间，以及设备停机时的支持服务。这些需求正使行业关注点从模型基准转向运营表现。
工厂作业正在取代舞台演示
工业部署正成为该行业的可信度考验，因为工厂会同时暴露具身 AI 的价值与局限。
与家庭环境相比，制造业提供的条件更适合当下的机器人。工厂流程可量化、场地受控、任务重复频繁。企业可以利用具体运营数据，将机器人产出与人工或既有自动化方案进行比较。
工业客户也熟悉机械设备。他们本就管理预防性维护、安全区域、生产计划和资本设备。这种经验降低了引入移动机器人或人形机器人的组织冲击。
其吸引力并不止于在某个工位替代一名员工。一台通用机器可以随着生产变化在不同任务间移动。它能够搬运物料、检查设备、装载零部件，或处理围绕人类触及范围设计的工作。
这种灵活性使当前的投资逻辑区别于传统自动化。传统工业机器人擅长在结构化单元内重复执行动作。工程师围绕它们配置环境后，它们能够提供高速和高精度。
具身 AI 公司承诺，其机器能够理解较少结构化的场景，并以更少的现场专属工程工作学习新任务。这一承诺对于生产多种型号、或频繁改变流程的工厂尤为重要。
现实情况仍更为有限。当前许多部署始于物流、巡检、分拣、装载或其他受约束的工作。这类任务让公司能够在收集运营数据的同时限制不确定性。
机器人进入工厂并不自动意味着商业化成功。一些部署是由供应商、投资者或地方项目资助的演示。另一些则是框架协议，其最高价值取决于后续验收和交付。
订单与确认收入之间的区别至关重要。客户可能在完成现场验证前签署广泛的合作协议。供应商随后必须制造机器、完成集成、满足安全要求，并证明其性能可接受。
据报道，Galaxea AI 表示，其机器人已进入涉及中国邮政和顺丰速运的十多个物流中心。该公司还称，部分安装项目已达到人类效率的85%，并可持续运行。
这些数字展示了投资者希望看到的指标，但它们仍是公司自行披露的说法。关于正常运行时间、人工干预率、维护以及总体部署成本的独立数据，将构成更有力的检验。
最重要的衡量标准，不是机器人理论上能否连续工作24小时，而是系统能否在数周内持续完成有用工作，并在处理异常情况时不产生新的用工需求。
人工干预可能掩盖自主能力的不足。如果远程操作员频繁指导机器人，这台机器可能只是转移了劳动力，而非减少劳动力。届时，其经济性取决于每名操作员能够监管多少台机器。
维护也存在类似问题。当关节故障、校准漂移、电池更换或夹爪损坏导致生产中断时，低采购成本的意义并不大。客户评估的是整体服务负担。
安全要求同样限制了适应能力。改变行为的机器人必须在工人和设备周围保持可预测性。工业买家不能仅仅因为模型遇到了陌生物体，就接受无法解释的动作。
这些条件有利于分阶段部署。企业可能先从围栏隔离或分区作业开始，随后在积累证据后扩大自主作业范围。这样的结果不如通用人形机器人自由穿梭那样吸睛，但能产生更可信的运营数据。
最强的创业公司很可能会将早期工厂视为学习系统。每一次部署都可能暴露失效模式、生成交互数据，并改进硬件设计。当这种反馈循环能够在多个客户中带来可量化的提升时，其价值将愈发凸显。
然而，面向客户的定制工程可能削弱这一模式。如果每座工厂都需要专门团队和大量定制化工作，营收可以增长，却无法形成可扩展的利润率。公司开始更像工程承包商，而非产品平台。
这正是工厂作业成为这轮融资热潮正确检验场的原因。它用运营问责取代了视觉新奇感。机器人必须证明自己能够反复完成有用任务、从错误中恢复，并证明维持运行所需资源是合理的。
融资热潮领先于商业化验证
在行业尚未证明其能在正常客户条件下实现预期规模之前，投资者已在为这一规模买单。
这种矛盾在融资数据中十分明显。资本和估值不断攀升，而行业参与者仍表示，大规模商业化尚需数年时间。
一份6月融资盘点在对机器人及核心零部件采用较窄定义的情况下，统计到171起融资事件。其中，6月有10笔交易超过10亿元人民币。
IT桔子更广泛的数据集则统计到上半年共有322起融资事件。这一差异说明，类别边界会改变统计结果。“具身智能”可能包括完整机器人、模型开发商、零部件制造商、芯片企业、仿真公司和数据服务商。
这些企业的资本需求和商业化时间表各不相同。将它们合并能够呈现行业热度的有用图景，但也会降低比较的精确性。
总额还反映了少数超大规模交易的影响。当排名前20的公司获得59%的融资时，少数几家公司发生变化就足以撼动整个市场数据。
估值也随交易规模一同上涨。据第一财经报道，Unitree Robotics、AgiBot和Galbot在2025年期间的估值已超过100亿元人民币。据称，2026年又有19家公司跨过这一门槛。
高估值可以帮助头部企业招聘专业人才并锁定供应商。但这也可能造成压力，迫使企业在产品可靠性尚未成熟前追求产量。
在机器人领域，过度生产尤其危险。滞销的软件产能消耗的是算力和开发时间；滞销的机器人则会占用实体零部件、工厂空间、营运资本和服务承诺。
另一个同样重要的风险是过早标准化。执行器、电池、模型和感知系统仍在不断变化，企业却可能将设计锁定到生产中。机器可能在部署收回成本前就已在技术上过时。
投资者通常会通过资助多条技术路线来应对。早期阶段交易所占比例表明，这一策略仍在发挥作用。但广泛的投资组合覆盖并不能消除全行业风险。
如果客户延后采购，许多创业公司将争夺同一批有限的试点项目。竞争可能推动供应商补贴设备、定制化和支持服务，以争取标杆客户。
由此产生的安装数量可能看起来很强劲，而经济性却在恶化。观察者需要关注营收质量，而不只是交付数量。他们需要了解有多少收入来自复购客户，又有多少依赖折扣试用。
Scale Partners的刘英航直接表达了这一担忧。他认为，若机器人仅限于演示、营销和研究，就只能创造短期商业价值。届时，估值上涨只会放大泡沫，而不会消除它。
另一份部署分析援引投资人曹玮的话称，该行业正进入“交答卷”阶段。他认为，场景需求和客户满意度将是最终衡量标准。
这一框架很有用，因为它避免了两个极端。该行业既不是空洞的表演，也不是已经得到验证的大众市场。它正开始进入一个阶段：运营证据能够区分具备持久力的公司与资金充裕的实验项目。
融资激增可能加速这一过程。企业能够负担更大规模的机器人队伍、更完善的数据收集和更长期的部署。它们也可以招募了解制造业、而不只是机器学习的工程师。
不过，资金无法消除底层的物理约束。电机会磨损，电池会放电，传感器会变脏，仓库会改变布局。系统必须处理这些情况，而不能让每次部署都变成无限期的研究项目。
因此，泡沫问题没有一个适用于整个市场的单一答案。即使整体预期过高，一些公司仍可能创造持久价值；另一些公司则可能在贡献有用技术的同时失败。
随着客户比较实际表现，行业集中度很可能上升。拥有资本但部署表现薄弱的公司，可能难以筹集下一轮融资。获得复购订单且单位经济效益持续改善的团队，将拥有更强的议价能力。
融资数字标志着这一筛选过程的开始，而非终点。它显示了在证据尚未完整之前，投资者愿意承担多大风险。
人形机器人仍需与更便宜的自动化方案竞争
主要对手不是另一家人形机器人创业公司，而是已经能可靠完成任务的更简单机器。
人形机器人受到关注，是因为它们适配为人类设计的环境。它们有望使用楼梯、工具、货架和工作站，而无需对整个设施进行重新设计。
这种兼容性支撑着一个颇具说服力的长期论点。企业花费数十年时间围绕人体尺度建造物理空间。从理论上说，具有人类形态的机器能够以更少的结构性改造进入这些空间。
“理论上”一词承担了很大压力。双腿、灵巧的手以及全身协调都会引入失效点。轮式机器人或固定式工业机械臂可以以更低的机械复杂性完成许多任务。
因此，工厂会将人形机器人与多种替代方案进行比较。它们可以安装传统自动化设备、重新设计工作站、使用自主移动机器人，或继续保留人工。每一种方案都可能在合适条件下胜过人形机器人。
当动作以高频率重复时，固定式机械臂仍然很有吸引力。它受益于成熟的供应商、已知的安全实践以及多年的运营证据。当任务很少变化时，其缺乏通用性便无关紧要。
轮式系统无需解决双足平衡问题，就能高效搬运物料。专用巡检机器人无需操纵物体，就能搭载传感器。有时，软件足以优化工作流程，从而消除物理瓶颈。
人形机器人供应商必须证明，其适应能力足以抵消额外的复杂性。这一优势应体现为更短的部署时间、更广的任务覆盖范围或更低的重新配置成本。
比较不能仅仅基于机器人的购买价格。工业买家会计算集成、监管、停机、维护、能源、软件和设施改造的成本。
他们还会评估利用率。如果一台多用途机器人只完成一项短暂任务，随后便闲置，它创造的价值微乎其微。一台专用机器若能持续运行，在经济性上可能更具优势。
劳动力比较同样需要谨慎。人类工人在一个适应性极强的组合中提供感知、灵巧操作、判断、沟通和快速恢复能力。机器人可能实现了物理动作自动化，却将异常处理转移给技术人员或远程操作员。
这并不否定人形机器人的发展。它界定了性能门槛。企业必须减少完成每项任务所需的人类协助。
数据可以帮助缩小这一差距。部署在类似场地的机器可以从反复出现的故障中学习。模型改进随后可能比传统重新编程更快地扩散至整个机器人队伍。
硬件标准化可以带来另一项优势。一个通用机器人平台若服务于多项任务，可能为零部件带来制造规模，并简化软件部署。开发者可以围绕已知的物理系统构建任务包。
该行业尚未确立这样的平台。机器人本体在尺寸、驱动方式、手部设计、传感器和算力方面差异很大。模型开发者在迁移已学习的行为时，必须考虑这些差异。
这种碎片化支持继续投资全栈公司。控制硬件和软件可以让早期开发更容易，但也会让一家创业公司承担昂贵供应链的每一层负担。
合作伙伴关系提供了另一种选择。模型公司可以与多家机器人制造商合作，而零部件专业厂商则面向更广泛市场销售。这会降低一部分资本需求，但也会引入集成依赖。
投资者同时资助两条路线，因为胜出的结构仍不确定。工厂部署将揭示，垂直整合公司是否能更快改进，还是专业供应商能够创造更高效的市场。
胜者未必会制造外形最像人类的机器。它将为客户的实际工作流程提供灵活性、可靠性和成本之间最有用的组合。
三个信号将显示这场押注是否奏效
下一阶段应以可重复的运营表现来评判，而非更高的融资总额或更复杂的演示。
第一个信号是工业客户的重复采购。试点表明买方感兴趣。第二笔订单则意味着首次部署创造了足以支持扩张的价值。
观察者应区分框架协议与已验收交付，也应区分初次客户与回头客户。若多个场地出现重复订单，将强化具身智能已找到持久工业需求的说法。
第二个信号是机器人作业与人工干预之间的比例。企业经常披露运行时长、效率或任务成功率。若能同时提供远程操作时间、技术人员配置和恢复频率，这些指标就更有意义。
干预率下降将表明，模型和硬件的改进正在减少隐性人工劳动。即使已部署机器人的数量增加，若该比率保持稳定或上升，也会削弱规模化自主能力的论据。
第三个信号是计划产能与实际付费交付之间的关系。融资让企业能够预留零部件并建设生产线，但并不能保证客户会接受最终生产出来的机器。
一份商业化报告指出，投资者正开始关注利润率、续约情况和交付表现。这种转变是健康的：它将评价重点从融资能力转向业务质量。
实际交付还应伴随运行时间、重复使用率和服务数据。只有生产却没有实际利用，意味着供给已走在需求之前。
这三个指标相互配合。重复订单证明需求存在；更低的干预率证明技术进步；付费交付则证明制造产能正在转化为得到市场认可的业务。
它们也有助于读者解读未来的融资公告。当部署仍依赖补贴时，另一轮创纪录融资的重要性就会下降。一家拥有回头客的小型企业，或许能提供更强的商业化信号。
中国这波935亿元人民币的融资潮，为具身 AI 企业带来了时间、设备以及接触产业合作伙伴的机会。但它尚未决定哪种机器人形态、模型架构或公司组织形式将最终胜出。
下一个真正有意义的里程碑，不会是机器人在舞台灯光下完成一项家务，而是机器能够在不断变化的班次中、在有限协助下完成常规工厂工作，并让客户愿意继续追加订单。
请密切关注这些部署。如果重复订单上升、干预率下降，且付费交付跟上产能扩张，这轮融资热潮将看起来像是一个新兴工业市场的基础设施。若这些信号停滞不前，同样的935亿元人民币将成为资本跑得比其所资助的机器人更快的证据。
