具身智能的场景之争：为什么智平方选择了“从工厂到家庭”的慢路线？

2026 年世界机器人大会期间 , 智平方的展台没有炫目的舞台特效 , 只有一台 AlphaBot 2 在吧台后默默工作。制作咖啡、冰淇淋、鸡尾酒 , 观众扫码下单 , 机器人自主识别、取杯、操作设备 , 一气呵成。隔壁区域 , 它又化身 " 厂哥 ", 面对不同型号、尺寸、颜色的 PCB 板 , 完成托盘取料、上下料、双臂协同等连续动作。

这些并非为展会临时编排的表演。智魔方已在全国十余个省市常态化运营 , 深圳人才公园的智魔方累计服务时长已超 8 个月。

" 干活才是我觉得天花板最高的场景。" 智平方副总裁莫磊在群访中说。这句话概括了这家深圳具身智能企业最核心的战略选择。

一、场景路径 : 从工业起步 , 逐级逼近家庭

具身智能行业最热闹的争论之一 , 是从哪个场景切入。有人押注家庭 , 有人聚焦物流 , 有人直奔工业。智平方的选择是递进式路径 : 从半结构化工业场景起步 , 逐步拓展至公共服务、门店服务 , 最终落地家庭消费市场。

莫磊在采访中多次强调 , 家庭场景属于高度开放的非结构化场景 , 对产品交互、稳定性要求极高。智平方预判 , 机器人真正落地普通家庭至少还需要 5 年时间。

这 5 年的窗口期用来做什么 ? 答案是 : 在真实场景中持续迭代模型能力。

工厂这类半结构化场景属于 " 跳一跳够得着 " 的落地目标。智平方从工业场景中的 PCB 上下料等具体任务做起 , 逐步迭代到商用场景、工厂长程作业场景。2025 年 9 月 , 与全球第三大面板厂商惠科股份签订 3 年 1000 台商业订单 ; 汽车制造领域 , 与东风柳汽达成战略合作。

莫磊透露 , 智平方已实现 " 单一场景多客户、单一客户多场景 " 的覆盖 , 已跑通的标杆场景客户复制难度极低。行业竞争已从早期的市场教育阶段进入硬实力比拼阶段 , 核心比拼任务完成质量、运行稳定性等可量化指标。

二、场景筛选 : 避开同质化 , 锚定高价值

在场景选择上 , 智平方做了一道减法。

莫磊介绍 , 企业优先布局三大主轴 : 高端制造 ( 泛半导体、生物科技、汽车相关 ) 、公共场所服务、店员服务 , 避开了同质化严重的普通搬运场景。高端制造场景具备高洁净、高柔性、高毛利的特点 , 对新技术接受度高 , 可以充分发挥通用机器人的多任务价值。

以汽车制造为例。莫磊指出 , 汽车工厂冲压、焊接、涂装三大环节已经高度自动化 , 最后一个总装环节任务碎片化、柔性化 , 传统工业机器人无法经济地覆盖。这恰恰是具身智能机器人的机会——不需要改造产线 , 部署逻辑类似派驻人工 , 大幅降低客户的接受门槛与改造成本。

这一判断与郭彦东博士在智源大会提出的商业化路径一脉相承 :" 在工业服务中的柔性制造部分是具身智能机器人最好的切入点 , 公共服务是一个非常好的阶梯 , 帮助我们通向家庭服务。"

三、两大壁垒 : 模型能力与硬件稳定性

具身智能行业有一种声音认为 " 具身公司就是模型公司 "。莫磊不认同这种判断。

" 我们坚持软硬一体 , 甚至坚持软加硬加场景三位一体 , 这个才是最伟大的公司。"

在莫磊看来 , 具身智能企业的核心壁垒由两部分构成 : 一是大模型的多任务快速学习能力 , 二是硬件长时间连续稳定运行的能力。后者常被行业忽略 , 但恰恰是决定机器人能否真正 " 上岗 " 的关键。

在模型层面 , 智平方走了一条差异化的技术路线。成立之初 , 在行业多沿用成熟模块化方案、套用开源模型的主流路线下 , 智平方锚定 VLA 端到端路线。2025 年 4 月发布全球首个全域全身 VLA 大模型 ,2026 年 6 月发布全球首个类脑式具身智能系统 NeuroVLA, 复刻人脑 " 皮层 - 小脑 - 脊髓 " 三层架构。

莫磊强调 ,VLA 属于通用架构范式而非具体模型 , 框架下的内部模块创新从未停止。智平方不盲目堆砌算力 , 重点推进类脑模型架构创新 , 以更低的算力、数据资源实现模型能力的高效提升。这与郭彦东在 WAIC 港科大论坛上的表述一致 :" 具身大模型不只是对算力和对数据的游戏。不要把具身智能做成一个堆钱、烧钱的赛道。"

在硬件层面 , 智平方借鉴了汽车和消费电子产业的供应链经验。机器人本体保持统一标准 , 末端按需适配夹爪、灵巧手 , 分别对应稳定取放、设备操作需求 , 可覆盖绝大多数现有场景。AlphaBot 2 核心部件无故障运行 2 万 -5 万小时 , 自有产线年产能 2000 台 ,2026 下半年启动万台产线建设。

四、数据观 : 多样性比数量更重要

数据是具身智能行业公认的核心痛点。行业普遍认为需要靠大规模数据增长实现智能涌现。莫磊提出了一个不同的判断 :" 数据的多样性比数据的量更重要。"

智平方已过模型冷启动阶段 , 坚持从真实干活场景回流数据。仿真数据、互联网数据、真机场景数据结合使用 , 匹配对应模型的训练与清洗规范即可。

这一判断与郭彦东的 " 正反金字塔 " 数据观形成呼应 : 冷启动依赖互联网、仿真与真机融合数据 ; 当规模部署形成后 , 最具价值的是来自真实作业场景的高质量数据。

在业务选择上 , 智平方也体现了一以贯之的克制。莫磊明确表示 , 不做短期高盈利但对长期模型迭代无牵引作用的纯数据采集、数据硬件售卖业务 , 资源全部向真实落地场景倾斜。

针对超 10 亿元 B 轮系列融资的使用 , 莫磊直言资金不会分散到市场推广等偏商业化环节 , 而是聚焦具身大模型的迭代 : 算法层面扩充物理世界大模型研究人员 , 算力层面扩容千卡级训练集群 , 数据层面迭代真实场景数据闭环体系。

五、行业判断 : 共识已形成 , 比拼的是硬实力

回顾具身智能行业的发展阶段 , 莫磊认为行业已形成两个重要共识 : 机器人必须落地干活 , 大模型是长期核心竞争力。早期的市场教育成本已大幅降低。

当前行业的核心非共识在于场景切入路径 , 不同企业分别从家庭、物流、工业等不同方向切入 , 尚未形成统一结论。智平方的选择已经清晰 : 从半结构化场景逐步递进 , 以真实落地驱动模型迭代 , 最终目标是家庭场景。

2026 年 , 中国具身智能广义市场规模预计突破 1.09 万亿元。郭彦东的判断是 " 行业从 1 到 10 的关键年 "。莫磊的补充则更偏执行层面 : 当前业务推进的最大挑战仍是模型能力的持续提升 , 需要通过多场景的真实数据回流持续优化泛化能力。

对智平方而言 , 展台只是窗口 , 城市才是展厅 , 日常才是主场。机器人的竞争 , 不在展台上的几分钟 , 而在走进真实世界后能不能稳定工作、持续创造价值。

" 预测未来最好的方式 , 就是亲手创造未来。世界的下一场变革在于具身智能 , 而具身智能的下一场变革 , 将发生在中国。" ——郭彦东博士

本文数据截至 2026 年 8 月 , 基于 WRC 2026 公开访谈及企业官方资料整理。