7月30日，机器人行业在同一天迎来两件大事：宇树科技的IPO发行安排落地，发行价锚定约420亿元市值；谷歌同日发布Gemini Robotics 2，宣称要让一个“机器人大脑”适配任意机器人本体。这两件事看似独立，实则指向同一个核心问题：机器人产业的未来，究竟押注在“身体”还是“大脑”上？

宇树科技的IPO定价，与几个月前一级市场的估值形成鲜明对比。当时，市场给这家公司的估值在600亿至1000亿元之间浮动，而如今发行价锚定的市值仅为约420亿元。这一落差反映出资本对机器人硬件公司估值预期的降温。与此同时，谷歌发布的Gemini Robotics 2，则试图从“大脑”端切入，打造一个通用的机器人大脑，以适配不同厂商的机器人本体。

就在第二天（7月31日），斯坦福大学教授李飞飞出现在a16z的播客中，与刚被她收购的机器人仿真公司SceniX创始人李昀烛对谈。李飞飞明确表示：“仿真不是‘可选项’，而是‘必选项’。”她认为，机器人落地的最大瓶颈不在硬件，而在于数据的极度稀缺和评测体系的不足。语言模型可以从互联网获取海量数据，但机器人缺乏类似的数据源，这使得scaling law难以直接套用。

李飞飞的观点，为机器人行业的“身体竞赛”泼了一盆冷水。过去两年，机器人赛道被视为“军备竞赛”，资本大量涌入。数据显示，2026年上半年，国内机器人及具身智能融资规模已超过900亿元量级；中国企业占全球机器人出货量的84.7%（亿欧智库口径）。然而，宇树科技创始人王兴兴在《时代》周刊专访中透露，其人形机器人“只有大约9%用于工业场景”，更多卖给了高校和同行——即其他机器人公司用作研发基座。这揭示了一个尴尬的现实：今天最热门的机器人公司，其最大需求竟来自“为了造机器人而买机器人”。

王兴兴的判断也相当克制，他认为机器人的“ChatGPT时刻”还要2到10年才会到来。与此同时，知名投资人朱啸虎在2026年上半年公开退出具身智能赛道，理由是“谁会花十几万买机器人干这活？”他判断具身智能“必经泡沫期”。而经纬合伙人张颖则在朋友圈公开反驳，多空交锋被摆上台面。

宇树科技自身的招股书也显示，2026年一季度扣非净利润同比下滑52.55%，上半年预计继续下滑。马斯克对Optimus的评价是“史上最难量产的产品”，量产时间表已推迟到年底，单台成本仍卡在5万到10万元，目标则是压到2万元。

在技术路线层面，行业同样存在分歧。智元机器人联合创始人彭志辉指出，行业最缺的是数据，“比大模型差3到5个数量级”，机器人必须“先在工厂把账算平，才有资格谈进入家庭”。英伟达的Jim Fan则直言：“VLA已死，WAM当立。”就连谷歌发布的Gemini Robotics 2，也坦诚其学习效率不高——从人类演示中学习的速度远低于人类，在复杂操作上的成功率，进度分类测试仅拿到57.4%。

这些信号叠加在一起，指向一个结论：硬件的瓶颈正在被攻克，但真正的瓶颈在于让机器“理解并推演世界”的能力，也就是“大脑”。而“大脑”在2026年的AI语境中，有一个更精确的名字：世界模型。

李飞飞是“空间智能”概念的坚定倡导者。2025年11月，她发表长文《从文字到世界：空间智能是AI的下一个前沿》，将大语言模型定义为“黑暗中的文字匠”，并提出了世界模型的三个核心能力：生成性、多模态和互动性。她认为，AI的下一个前沿是让机器拥有空间智能，即理解、推理并与三维世界交互的能力。

在7月31日的对谈中，李飞飞进一步阐述了世界模型的落地路径。她强调，人类大脑一直在进行仿真，因为我们具备反事实推理能力，即想象那些尚未发生或没有足够数据支撑的事。Waymo已用数十亿小时的仿真数据证明了这条路的可行性。她还解释了World Labs与SceniX的整合逻辑：World Labs的Marble擅长从稀疏输入生成几何一致的3D世界，SceniX则专精于将真实环境高保真映射到仿真再回迁现实（Real-to-Sim-to-Real）。两者叠加，可以搭建一个“模型无关、本体无关”的机器人学习与评测基础设施。

然而，李飞飞也吐槽“世界模型”已成为“最重要，也最被滥用的术语之一”。不同领域对它的定义截然不同。这引出了2026年最值得思考的一幕：同一个词，三场豪赌，三种未来。

第一场豪赌，是李飞飞自己的World Labs，可称为“空间智能的建筑师”。它要把世界显式地“做出来”——一个可进入、可编辑、可共享、可漫游的3D空间。Marble已能让创作者从一张图生成可导航的三维世界，CAD和虚拟制片行业已开始使用。这条路线被认为最扎实、也最容易短期商业化。

第二场，是图灵奖得主杨立昆（Yann LeCun）的AMI Labs，走JEPA（联合嵌入预测架构）路线，可称为“哲学家”。他不要显式重建世界，而是在抽象的表征空间里预测“世界的下一个状态”。他批评今天的LLM只是“精密的录音机”，缺乏真正的理解。

第三场，是英伟达黄仁勋的Cosmos，可称为“工业级创世者”。Cosmos本质上是物理精确的仿真基础设施，让机器人在受重力、摩擦、流体规律约束的虚拟空间里“失败百万次”。英伟达的逻辑是：真实世界训练太慢、太危险、太贵，所以先用合成数据把机器人喂饱。

同一“世界模型”，在李飞飞那里是可进入的空间对象，在杨立昆那里是可预测的抽象状态空间，在英伟达那里是生产合成数据的工厂。差别不在用词，而在哲学：世界，到底是被“构造”出来的，还是被“压缩”成内部变量的，还是被“仿真”出来的？

在这场定义权之争中，中国玩家已经入场。2026年4月起，阿里、腾讯、小鹏相继发布自己的世界模型，押注“物理AI”与具身智能的交汇点。国内，世界模型已成为最烫的标签。2026年上半年，国内具身智能融资约438亿元，全年有望超过2025年的554亿。在融资动态的35家“大脑派”公司里，27家布局了世界模型，占比近八成（虎嗅6月统计）。个案更是夸张：千寻智能三个月累计融资45亿元，雷军旗下的顺为资本和马云旗下的云锋基金首次共同重仓；自变量机器人投后估值突破200亿，发布“世界统一模型”WALL-B和世界模型WALL-WM；智象未来完成15亿元C轮，由社保基金四川振兴科创基金、工银资本领投——这是社保基金首次作为LP进入多模态大模型方向。

资本性质也变了：华为哈勃、小米战投、红杉中国、社保基金、中网投、多地国资，四种不同性质的资本在同一赛道交汇。一位VC内部人士对《科创板日报》表示：“世界模型现在就像2010年的移动互联网，我们也不知道哪个方向最终能跑出来，但我们知道不投一定会错过。”

但泡沫的信号同样清晰。业内共识是，90%以上的具身智能公司会被淘汰。技术路线远未收敛，而真正落地要跨过三道天堑（同花顺7月梳理）：第一道是“失败数据”的鸿沟——世界模型需要海量“杯子滑落、捏碎、碰撞”的失败反馈，千寻、极佳视界不得不砸钱建“数据超级工厂”；第二道是真实物理参数的不可评测，叠加工业现场对“零误差”的苛刻要求，生成式模型的随机性在工业场景可能成为事故；第三道是商业化遥不可及，大量号称做世界模型的初创公司，实际干的仍是3D渲染、项目集成等周边生意。

7月23日的WAIC 2026上，毕马威发布报告，将世界模型定义为“补全人工智能现实维度、推动具身智能走向规模化商业落地的核心底座”，并认为VLA与世界模型“融合共生是终局”——VLA管眼前的直接反应，世界模型管行动前的推演与规划。

回到开头那两声枪响：宇树敲钟，赌的是机器人的身体已经ready；谷歌发大脑，赌的是大脑终将统一所有身体。但李飞飞们提醒我们：今天最稀缺的，不是会动的钢铁，而是能让钢铁“想明白世界”的那部分智能。机器人是身体的竞赛，世界模型是大脑的竞赛。今天，中国似乎赢在了身体——84.7%的全球出货，是硬件产业链几十年积累的结果；但大脑的定义权，此刻还攥在李飞飞、杨立昆和英伟达手里。真正的拐点，不会是某家公司敲钟的那天，而是某台机器，在没人盯着它的时候，把一件没人教过它的活，干完了。