具身智能最近有啥值得关注的？

具身智能正从演示走向可用，主线是让模型理解物理空间而非卷参数。大脑层有 Qwen-Robot 套件和紫东太初 9B 空间推理模型；世界模型与仿真层有 Odyssey 2 Max、Seed3D 2.0 造练习场；本体层高德四足机器人走商用路线。结论是轻参数专精空间更易上机，世界模型是关键变量，商用先于家用，算力与实时连接底座不能忽视。

最近具身智能这一波确实有点”从demo走向可用”的意思，值得关注的不再只是某一台机器人会不会后空翻，而是大脑（多模态模型）、本体（机器人硬件）、世界模型与仿真、以及底层算力和连接这几层开始各自成形、并且能拼到一起了。如果只想记一句话：2026 年上半年这批产品，主线是”让模型真正理解物理空间”，而不是继续卷参数。

一、先看”大脑”：具身基础模型开始分层

具身智能最卡脖子的其实不是腿，是脑子——能不能把”把桌上的杯子挪到左边”这种话，翻译成空间里的坐标和动作序列。

• Qwen-Robot：阿里通义千问团队发布的面向物理世界智能的具身基础模型套件，定位是一整套 Suite 而不是单个模型。对开发者最友好的一点是入口分层次：既有 Chat2Robot 这种零门槛体验方式，也支持通过百炼 API 接入，适合先玩一玩再决定要不要接进自己的系统。想快速感受”对话直接驱动机器人”是什么体验，从它入手成本最低：Qwen-Robot
• ZDTaichu5.0-9B（紫东太初）：产品定位很清晰——“轻参数、重空间”的通用多模态模型，面向”物理世界”的 9B 多模态大脑。它不走超大闭源模型那种全领域通吃的路线，而是把重点压在机器人空间推理上。这点挺关键：具身场景里，”这物体在杯子后面还是前面、能不能伸手够到”这类判断，比写诗重要得多，而 9B 这个量级也更容易落到实际部署里：紫东太初

这两条路线其实代表了两种思路：一种是做通用套件 + 云侧 API，一种是做小而专的空间推理模型。谁更好现在还不好说，但至少选择变多了。

二、再看”世界模型”和”仿真”：让机器人在虚拟里先摔够

真机训练又贵又慢，所以世界模型和 3D 生成这条线最近热度很高，本质是给具身智能造”练习场”和”素材库”。

• Odyssey 2 Max：Odyssey 公司的通用世界模型，官方说法是物理仿真性能提升 18%。它和普通视频生成模型的区别在于目标不是”好看”，而是理解物理世界的运作方式——从”识别”走向”理解”。对具身智能来说，这类模型可以用来预测”我推一下这个物体会怎样”，是策略学习的重要一环：Odyssey 2 Max
• Seed3D 2.0（字节跳动 Seed 团队）：新一代 3D 生成大模型，主打几何与纹理双 SOTA，定位从”可用”跨到”生产可用”。机器人训练需要大量带物理属性的 3D 资产，靠人工建模根本不现实，这类模型就是资产生产线：Seed3D 2.0
• Seedance 2.5（字节跳动 Seed 团队）：下一代 AI 视频生成模型，在火山引擎 FORCE 原动力大会上发布，面向企业客户开放。它本身不是机器人产品，但在具身这条链上，视频生成可以用于合成场景、做数据增广，属于”周边但有用”的一环：Seedance 2.5

三、本体和落地：真有人把机器人卖出去了

模型再强，没有身体也是空谈。这一层最近最值得看的是”跨界选手”。

• 高德四足机器人：阿里旗下高德地图具身业务部推出的首款具身智能硬件产品，意义在于高德正式从数字导航跨进物理世界的机器人赛道。而且它不是面向家用消费市场的，走的是商用路线——这个定位其实很务实，四足机器人在巡检、园区这类场景先跑通商业闭环，比硬塞进客厅靠谱得多：高德四足机器人
• 涂鸦智能：全球领先的 AI 云平台服务商，从早期的”IoT 连接器”转型为”将 AI 应用于生活”的平台。它的价值不在造机器人，而在于给 AI 硬件开发提供平台能力——设备连接、云端管理这些脏活累活它来干，做具身硬件的小团队可以少踩很多坑：涂鸦智能

四、容易被忽略但绕不开的底座：算力与实时连接

具身智能对底座的要求比纯软件高一个量级：要低延迟、要端侧能跑、要稳定。

• 玄铁 C950（阿里达摩院）：新一代旗舰 RISC-V CPU，在 2026 玄铁 RISC-V 生态大会上发布，定位是为 AI Agent 时代提供高性能算力支持。机器人本体上不可能都塞 GPU，RISC-V 这条开放指令集路线在端侧算力上的想象空间不小：玄铁 C950
• 声网（Agora）：全球实时音视频云服务的开创者，起家于低延迟 RTC，服务覆盖 200 多个行业场景。机器人要远程遥操作、要多机协同、要把摄像头画面实时回传给人，靠的就是这类实时通道。很多人做具身 demo 时卡在”延迟太高没法遥操”，问题往往就出在这一层：声网
• Convai：对话式 AI API，做语音识别、语言理解和生成、以及文本转语音，主要用于游戏和语音交互类应用。放到具身场景里，它就是”机器人怎么开口说话、怎么听懂人话”的那部分能力，可以单独接、不用自己从头训：Convai

五、顺手提两个”看起来不相关、其实思路相通”的

• OpenAI Calm Tech：OpenAI 与乔纳森·艾维合作推出的硬件设备，主打告别数字焦虑、重塑智能家居交互体验。它提醒了一件事：物理形态的 AI 产品，交互设计本身就是核心竞争力，具身智能也一样，别只盯着算法指标：OpenAI Calm Tech
• A9 AI 产品宣发 AI 生成器：摹客团队推出的企业视频制作工具，用来简化传统视频制作流程。对具身智能公司来说挺实用——机器人产品特别依赖视频演示，但拍一条像样的片子成本很高，这类工具能省不少事：A9 AI

六、一张表看清新格局

七、我的几点判断

1. “轻参数 + 专精空间”可能会赢一阵子。 具身场景对实时性和部署成本敏感，9B 级别的空间推理模型比千亿模型更容易真正上机。
2. 世界模型是隐藏的关键变量。 真机数据永远不够，谁能把仿真做得更”物理正确”，谁的策略迭代就更快。
3. 商用场景先于家用。 高德四足机器人不做家用消费市场，这个选择本身就说明了行业现状——先在有明确 ROI 的场景跑通。
4. 别忽视底座。 算力和实时连接出问题，上层模型再漂亮也演示不了。

至于具体价格、开放额度这些，各家政策变动快，建议以官网为准，我就不瞎猜了。

相关问题

Q1：具身智能和传统机器人有什么区别？
传统机器人靠预设程序执行固定动作，具身智能强调有物理身体、能与环境交互，并通过多模态模型理解自然语言指令和空间关系，泛化能力更强。

Q2：想入门具身智能开发，从哪开始比较好？
可以先从 Qwen-Robot 的 Chat2Robot 零门槛体验入手，感受一下对话驱动机器人的流程，再考虑通过 API 接入做自己的实验。

Q3：世界模型对机器人训练到底有什么用？
它能在虚拟环境里预测物理交互结果，让机器人在仿真中大量试错，降低真机训练的成本和风险，Odyssey 2 Max 这类模型就是往这个方向做的。

Q4：9B 参数的模型真的够用吗？
在具身场景里，”够不够用”看的是空间推理和响应速度，不是参数规模。ZDTaichu5.0-9B 走的正是轻参数、重空间这条路线。

Q5：四足机器人现在主要用在哪些场景？
从高德四足机器人的定位看，商用是主要方向，比如巡检、园区这类对移动能力和成本都敏感的场景，而不是家用消费市场。

参考链接

• ZDTaichu5.0-9B ↗
• Qwen-Robot ↗
• Seedance 2.5
• Odyssey 2 Max世界模型 ↗
• 涂鸦智能 ↗
• 高德四足机器人 ↗
• OpenAI Calm Tech ↗
• Convai ↗
• 声网 ↗
• 具身智能