作者 | 毛心如
2025 年，具身智能融资热已经有目共睹。
然而热潮之下，分化同样明显。纵观全年，一个清晰的趋势浮现：资本对「大脑」的追捧，远甚于对身体的关注。
具体而言，投资具身智能大脑的热度高于机器人本体，而投资本体的热度又高于上游零部件厂商。
据不完全统计，今年共有 9 家公司斩获 13 起超 1 亿美元融资，其中除了地瓜机器人的主营业务是机器人芯片之外，剩下 8 家公司里，5 家都是主攻机器人大脑或者软硬件实力兼备的玩家。
其中，银河通用以一年超 30 亿元融资额，估值从 70 亿元飙升至 200 亿元，再次刷新了软件派的具身玩家的吸金纪录，同时成为目前国内估值最高的具身智能公司。
面对模型算法研发的巨额投入、真实数据采集的高昂成本，以及激烈的市场竞争与技术迭代压力，以算法见长的公司持续寻求大额融资，几乎是必然选择。
这既是为核心技术攻坚储备粮草，也是在行业爆发前期快速提升估值、确立市场声量的关键策略。
然而，就是在这样的逻辑之下，国内有家做具身大脑的公司却显得有些「特立独行」。
最近，具身模型公司千诀科技完成了近亿元的 Pre-A++轮融资。公开信息显示，千诀科技成立至今已完成 7 轮融资，融资量级都在千万级。
在这条迥然不同的融资路径背后，是千诀科技不走寻常路的技术路径，类脑分区架构，这与行业主流的快慢脑分层架构、端到端大模型架构形成了鲜明对比。
技术路线的差异，本质上是对如何让机器人更好地适应真实世界这一核心问题的不同解答。
但更关键的是，在融资热潮之下，一个根本性的问题日益凸显：究竟什么样的具身大脑，才能驱动机器人真正走向万千场景，并创造出可观的商业价值。
一个另辟蹊径的大脑供应商
千诀科技是一家典型的学院派具身智能公司，孵化于清华大学类脑中心，核心团队具有深厚的清华背景。
其余核心成员也多来自于清华大学自动化系及相关人工智能研究机构。
总的来说，这支团队兼具深厚的学术底蕴与扎实的工程落地经验，而这也是攻坚具身智能不可或缺的两大支柱。
千诀科技创始人高海川
在当前的产业生态中，千诀科技选择了一个独特且富有挑战的定位：它不制造机器人硬件，而是专注于研发适配多种硬件平台的具身大脑系统。
这一商业化路线，与当下具身智能行业的头部大脑厂商 Physical Intelligence 不谋而合。
值得一提的是，千诀科技也是国内玩家里唯一直接公开对标 PI 的。而其核心竞争力，就在差异化的类脑分区技术路线上。
与许多将智能系统与机器人本体深度捆绑的方案不同，千诀科技的类脑分区架构更具备普适性。
其技术核心是模拟人脑功能分区模式，将机器人大脑解构为视觉、听觉、决策等多个协同工作的模块，无需预编程即可实现感知-决策-行动的全闭环运行。
这种架构设计带来了两大显著优势：
一是硬件适配的通用性，其自研的 Polibrain OS 系统已完成对双足人形、轮式、无人机、四足机器人、扫地机等多款主流形态机器人的全面适配，实现了一套感知系统覆盖多形态机器人。
二是场景落地的灵活性，无需对现有环境进行改造机器人就能快速部署落地，这在突发情况应对和数据利用效率上具备明显优势。
此外，千诀科技还构建了全球最大规模的纯实采家庭场景数据集，并打造了自动化训练数据管道。
这不仅降低了自身的技术研发成本，也为其向行业提供定制化微调服务奠定了基础。
从商业化进展来看，千诀科技已进入规模化应用的初期阶段，其具身大脑方案已在酒店清洁、餐厅服务、人形机器人迎宾及室内精密操作等多场景中部署，并与各领域头部客户达成合作，实现了批量交付。
据悉，预计到 2026 年内，搭载千诀科技具身大脑的机器人设备数量将达到十万台以上的规模。
这一目标的背后，是其类脑架构在降低中小机器人企业智能接入门槛上的独特价值。
在当前具身智能产业生态中，大量中小机器人企业具备硬件制造能力，但缺乏核心的智能大脑技术，千诀的软件赋能硬件模式恰好填补了这一市场空白，也为行业探索出了一条差异化的发展路径。
千诀科技的规模化落地同时也说明了，一个优秀的具身大脑本身就可以成为极具价值的标准化产品。
三足鼎立的具身大脑路线
千诀科技的类脑分区架构，也是当前具身智能大脑赛道技术多元化探索的一个缩影。
随着产业的快速发展，业内已形成快慢脑分层架构、端到端、类脑分区架构三大技术路线并存的格局。
从技术本质来看，这三条路线的差异，本质上是对智能实现路径与落地优先级的不同选择，即是优先追求落地效率，还是极致的通用智能，抑或是全栈可控的平衡发展。
作为当前行业应用最广泛的技术路线之一，快慢脑分层架构比较好地兼顾了工程可落地性与长期可扩展性。
其核心思想仿照人类的条件反射与深思熟虑双系统，将机器人的大脑明确分为快脑和慢脑。
这种架构的优势在于既保障了动态场景下的实时响应能力，又兼顾了复杂任务的语义理解与规划能力，开发调试难度相对可控，成为兼顾落地效率与场景适配性的主流选择。
像美国 Figure AI 的 Helix 模型，中国星动纪元的 ERA-42，星海图的 G0 都采用的是快慢脑的架构。
这其中，搭载 Helix 模型的 F.02 在宝马实现运行超 1250 小时，装载 9 万个零部件，参与 3 万辆汽车生产的成绩；搭载 ERA-42 的星动 L7 人形机器人已在物流分拣、扫码等场景落地试点。
不过，该路线也存在跨系统协同优化难度大、复杂场景下策略切换效率待提升等挑战，需要持续的工程化打磨。
而美国的 Physical Intelligence 和国内的自变量机器人选择的则是端到端大模型路径。
端到端路线的核心在于尽量减少人为接口，用统一或少数大模型直接从感知映射到动作决策。
该路线押注的是，给足够多的交互数据与合适的训练范式，模型可以自行学会复杂任务拆解与长期推理，从而带来更高的泛化上限。
目前这两家公司在 Demo 展示端都展现出来了不错的模型泛化能力。
这里需要专门提到的是，虽然 Physical Intelligence 的π系列模型整体上是 VLM+动作专家模块，但基本算是经过运动控制适配的 VLM，其本质还是一个端到端的 Transformer。
最近，在 PI 展出的最新视频里，其通过微调模型π*0.6，实现了让机器人拿钥匙开锁、做三明治、剥橘子等之前机器人难以实现的操作。
端到端路线优势在于理论上的高天花板，如果能解决数据稀疏、仿真与现实迁移、长期安全与可解释问题，它能实现更少人为工程干预的高度泛化能力。
但是难点也在于数据需求极大，高质量真机数据采集成本高昂，导致研发投入居高不下。
同时模型的决策过程难以解释，在工业、医疗等对安全性要求极高的场景中规模化应用受限。
无论是快慢脑分层架构还是端到端大模型，都还在 VLA 模型的讨论范围内，但千诀科技提出的类脑分区架构，则脱离了这一架构，与脑科学紧密联系起来。
它借鉴人脑信息处理的核心原则，如功能分区、稀疏编码、注意力机制等，旨在设计出既高效又具备良好泛化能力的神经网络架构。
这种架构的优势在于，它既避免了端到端模型的黑箱与数据饥渴问题，又比传统分层架构更具灵活性和适应性，其可解耦的特性直接支撑了跨形态快速部署的商业化能力。
目前，这条路径的玩家相对较少，因为需要有大量神经科学、计算科学和机器人学的交叉背景的人才，门槛较高。
除此之外，该路线目前也面临模块协同效率待提升、复杂任务整合能力不足等挑战，需要持续的研发投入和场景验证。所以千诀科技在收获融资的同时不断扩大规模化应用，也是实现技术迭代升级的有效措施。
具身大脑如何实现商业化价值
无论技术路线如何差异，商业化落地始终是造具身智能大脑的核心追求。
从行业发展现状来看，场景适配决定价值成为了一种共识，只有实现技术能力-硬件适配-场景需求的闭环，才能真正实现商业价值的转化。
从商业化变现模式上看，现在也主要围绕着软件赋能和软硬件一体化这两种模式展开。
显然，千诀科技是软件赋能模式的代表，其核心逻辑是以标准化软件能力赋能全行业硬件，通过输出具身大脑系统及定制化服务实现盈利，是轻资产、高复用性的规模化变现路径。
在这个模式中，企业聚焦具身大脑核心算法与模型研发，不涉足机器人硬件生产，通过基础授权费+定制化微调服务费的收费模式盈利。
千诀科技也凭借这一模式快速打开市场，其类脑分区架构的具身大脑可即插即用，已适配七大类别、35 个品牌厂商的机器人产品，覆盖多服务场景并实现批量交付。
千诀大脑提供机器人进行餐饮清洁
与软件赋能模式的轻资产路线不同，软硬件一体化模式走的是深度绑定场景的重资产路线，以星动纪元为核心代表。
这种模式的核心逻辑是自研大脑+自主硬件的深度协同，通过提供一体化解决方案深耕垂直场景，实现技术价值与硬件利润的双重变现。
企业不仅负责具身大脑的研发，还自主设计、生产机器人本体，将软件算法与硬件结构深度融合，打造差异化的终端产品，再通过产品销售、场景服务费等方式盈利。
星动纪元正是通过自研 VLA 模型 ERA-42 与星动 L7 人形机器人本体的深度适配，形成智能大脑+模块化硬件的一体化方案。
2025 年其斩获超 5 亿元商业化订单，其中物流领域拿下近五千万元大额订单，与吉利、顺丰等头部企业达成深度合作。
具体场景中，星动纪元的解决方案在物流领域可完成包裹、药品的分拣及扫码；在制造领域聚焦零部件抓取、高精度装配、质量检测等任务；在商业服务领域可实现门店客座清洁、物品递送、导游导览等功能，部分场景效率已达到 70%。
除了上述两种主流模式，还有部分玩家选择先建立数据飞轮与技术生态，再通过长尾效应实现商业化，星海图和 Figure AI 是这一路径的典型代表。
2025 年星海图预计年营收约七千万元，主要收入来源是具身智能开发平台 EDP。
这款平台集成了数据采集管理、存储、处理、质检、分析等全流程功能，能简化数据管理流程，提升数据采集效率与模型训练的速度、准确度。
星海图的核心战略是「整机+智能」，在这一架构下，其自研算法、硬件和场景方案，通过 VLA 模型与后训练工具链，搭建面向全球开发者的具身智能基础设施。
这种前期开放生态，后期以数据与 API 服务构建护城河的路径，当前价值更多体现在科研生态搭建与技术发展层面，商业化落地还处于早期阶段。
Figure AI 的路径与之类似。其 C 轮投资方 Brookfield 会先为 Figure 提供家庭、服务业等真实场景，帮助其积累真实世界数据集。
通过对这些数据的持续训练，机器人大脑会不断迭代优化，在更多场景下实现零样本学习。最终，搭载最新算法的 Figure 机器人将投入 Brookfield 旗下资产进行商业化应用。
这种数据飞轮+长尾效应的变现模式，也是具身智能发展早期阶段一种切实可行的探索路径。
对于 Physical Intelligence、自变量机器人等押注端到端大模型的玩家而言，其商业化价值变现周期会更长。
由于技术路径对数据与算力的极致需求，它们现在通过积极开源模型并与头部公司进行合作，模式更偏向于构建底层基础设施或与产业巨头形成生态飞轮。
总的来说，无论选择哪种变现路径，最终的竞争核心都将聚焦于价值创造能力。只有真正解决场景痛点、提升运营效率，为客户创造实实在在的价值，才能实现可持续盈利。
同时，随着技术成熟度提升和硬件成本下降，变现模式也将逐步从 B 端为主向 B 端+C 端协同演进，家庭服务、养老陪护等消费级场景，有望成为新的变现增长点。
2025 年的具身智能融资热潮，既彰显了行业的发展活力，也暴露了赛道的核心命题：技术路线的选择终究要服务于商业化价值的实现，而不是单纯的资本追捧或技术炫技。
最终，衡量一个具身大脑价值的，或许不再是它在基准测试中的分数，而是它在多少真实的场景中解决了问题、提升了效率、创造了收入。
那些真正理解了场景、构建了闭环、创造了现金流的具身大脑，才是定义行业格局的胜负手。