具身智能赛道的头部公司正集体跨过200亿元估值门槛，形成一个新的“200亿俱乐部”。据公开信息，目前至少有五家公司——智平方、自变量、星海图、千寻智能和银河通用——跻身这一行列。这一数字在往年难以想象，如今却已成为具身智能头部企业的新标配。
就在不久前，彭博社曝出智平方计划明年赴港IPO，随后又传出自变量已向港交所秘密提交上市申请。两家公司于6月29日同一天宣布完成新一轮融资，投后估值均超过200亿元。这并非巧合，而是资本对具身智能“大脑”价值重估的集中体现。
值得注意的是，这一估值抬升发生在私募市场整体收缩的背景下。据烯牛数据《2026年H1中国私募股权市场深度解析报告》，截至2026年7月5日，LP出资额下降32.65%，政府类LP出资近乎腰斩，单笔均值五年缩水44.8%。然而，具身智能领域的融资事件却同比增长107%，并在新晋独角兽企业TOP10中占据4席。活钱没有变多，只是变得更集中，这决定了这些公司天生背负着“只能赢、不能输”的压力。
这五家公司的共同点是都将重心押在了“大脑”上，即机器人的基座模型。资本市场对机器人大脑的偏好，正在成为投资机构的共同判断。海外市场同样如此，例如不生产本体的Skild AI，其核心产品是可适配多种机器人的通用模型，今年估值飙至140亿美元；Physical Intelligence专注跨本体、跨任务的具身基础模型，一年内估值从20亿美元涨至56亿美元。
尽管都聚焦大脑，五家公司的技术路线却各不相同。目前主流路线仍是VLA（视觉-语言-动作模型），区别在于是在VLA基础上强化，还是将世界模型与VLA融合。智平方、星海图和千寻智能走的是强化VLA路线。智平方的FiS-VLA采用快慢双系统结构，慢系统负责理解与推理，快系统负责动作生成，两者共享参数异步运行；2026年升级为NeuroVLA大模型，形成“皮层—小脑—脊髓”三层类脑结构。星海图的G0.5则采用统一自回归架构，去掉编码器，将图像、推理和动作转化为统一Token，提升信息传递效率。千寻智能更相信VLA本身的Scaling能力，其Spirit v1.5通过扩大数据规模和复杂度，增强跨场景泛化能力。
自变量和银河通用则选择将世界模型与VLA融合。自变量的WALL-B将物理预测与视觉、语言、动作联合训练，让机器人能预判动作结果。银河通用的架构最为复杂，其GALBOT VLA基座包含多个模型，今年统一演化为AstraBrain（银河星脑），分为大脑（WAM 0.5）、小脑（WBC 0.5）和灵巧手神经控制（DexNDM），同样采用快慢双系统。
技术路线之争背后，架构开始互相借鉴，这或许说明200亿之后，比拼的不再是谁选对路线，而是谁在选定的路上跑得更快。而跑得更快的关键瓶颈在于数据。
在数据策略上，行业大致分为真实数据与仿真数据两派。真实数据数量少、价格高，但迁移误差小；仿真数据规模大、成本低，但存在“Sim-to-Real Gap”问题。目前业内仍以真实数据为主，但采集方式各异。千寻智能通过自研可穿戴设备低成本采集人类操作数据；星海图、千寻智能、自变量、智平方则青睐“部署回流”模式，让机器人在实际工作中产生数据并回流训练。星海图数据主要来自开发者，部署成本低但数据较杂；千寻智能和智平方倾向工业数据，对商业交付最有效；自变量则主攻最复杂的家庭数据。银河通用较早大规模押注仿真数据，其GraspVLA基于十亿帧合成抓取数据预训练，但也在向混合方向转变。
商业化落地方面，工业被市场认为是最先实现商业化的场景。宁德时代工厂已部署银河通用和千寻智能的机器人，银河通用的Galbot S1负责物料搬运，千寻智能的小墨负责柔性线束插接，号称成功率99%以上。智平方与惠科签下三年1000台机器人订单，覆盖仓储物流、零部件装配等。零售场景同样具备标准化基础，银河通用的Galbot G1曾在中关村论坛完成数千杯咖啡取送，成功率99.97%。家庭场景难度最高，自变量主攻家庭，目前更大价值在于获取真实数据和验证模型能力。星海图则更像“卖铲子”的，其R1 Pro和R1 Lite主要用于模型研发和数据采集。
总体来看，五家公司其实只有四种生意：智平方和千寻卖工业劳动力，银河通用工业零售通吃，自变量赌家庭，星海图卖工具。资本为这200亿支付的，是不同模型架构与数据生产方式的长期预期。随着落地指标逐渐清晰，200亿估值中的想象空间将被逐步拆解。市场需要给企业足够时间穿越周期，公司也需要用真实指标回应这份耐心。