新年刚过，英伟达 CEO 黄仁勋便有了重磅动作。在 CES 展会上，他抛出了一个极具标志性的判断：“机器人的 ChatGPT 时刻正在到来。”同时他也强调，如果缺乏真实世界的数据，具身智能不过是一种幻觉。
这一表态迅速引爆行业热议。一个清晰的信号正在浮现：机器人产业正准备告别“单一任务编程、过度依赖有限真实数据”的低效阶段，迈入以**物理 AI（Physical AI）**为核心、更具通用能力的爆发期。
事实上，中国资本早已嗅到这一转变的气息。从国内具身智能的发展脉络来看，如果 2024 年的关键词还是“本体（机器人硬件）”，那么到 2025 年下半年，赛道的重心已经演进为“本体 + 数据”，甚至升级为“数据 × 模型 × 本体”的全新范式。
随着黄仁勋的全面入局，一场新的竞赛正在加速展开：围绕持续获取高质量交互数据、并以此推动模型更快、更紧密迭代的基础设施之争，已经打响。
黄仁勋加入具身智能赛道
在 CES 上，黄仁勋正式发布了专为机器人打造的新一代基础模型 NVIDIA Isaac GR00T。与此同时，英伟达还推出了支持物理 AI 开发的 NVIDIA Cosmos 平台，将开放模型、大规模数据集与完整工具链整合在一起，旨在为机器人在真实世界中的通用化应用构建核心技术底座。
为了展示这一技术路径，黄仁勋在现场带来了一位特殊的“嘉宾”——Reachy Mini。由于外形酷似《机器人总动员》中的瓦力，这款机器人也被昵称为“瓦力机器人”。
在舞台互动中，黄仁勋演示了机器人如何在仿真环境中学习：通过观察和模仿人类动作，建立起“动作—结果—反馈”之间的理解，再将这些能力迁移到真实世界。
演示视频显示，机器人在仿真环境中完成训练后，成功在真实木地板上完成了“摔倒 → 爬起”的动作，并保持身体平衡。外界普遍认为，这一演示证明了高保真物理仿真能够帮助机器人更快学习复杂的物理交互，大幅缩小数字孪生与现实世界之间的差距。
在“仿真环境 + 世界模型”的加持下，黄仁勋将其形容为把“训练场”搬进了“数字世界”。他认为，这不仅可以规模化构建训练环境，还能对模型生成的场景进行约束与校准，使其具备物理可信度——包括真实的光照、材质和场景组合。
整体来看，黄仁勋反复强调的核心观点十分明确：AI 的未来不只是超级计算机，更必须与物理世界深度结合，而虚拟仿真正是打破当前数据瓶颈的关键手段。
这一理念也在重塑英伟达的合作版图。黄仁勋在 CES 上表示，英伟达已与多家美国本土机器人公司展开合作，包括 Apptronik、Agility Robotics、Figure、Boston Dynamics 以及 Sanctuary AI。其中，在与 Sanctuary AI 的合作中，英伟达将为其提供算力平台和仿真工具，共同推进通用人形机器人的研发。
换句话说，在赢下“算力之争”之后，英伟达正试图在具身智能领域，再造一个机器人时代的 CUDA——一个所有玩家都会依赖的基础平台。
中国玩家突围的关键变量
由硅谷点燃的火种，也正在东方迅速蔓延。但与英伟达押注“高保真仿真 + 通用模型”不同，许多中国玩家选择了一条更加务实的路线：真实场景驱动 + 垂直闭环。
2025 年 10 月，工信部发布了《具身智能数据采集与标注规范（征求意见稿）》，首次从国家层面对物理交互数据的格式、质量与安全提出指导性框架。这一举措意味着，“数据标准化”已经上升至国家战略层面，相关企业也随之快速行动。
例如，智元机器人发布了首个由大语言模型驱动的开源仿真平台 GenieSim 3.0，覆盖 200 余项任务，并开源了累计上万小时的仿真数据集。尽管推出了开源仿真基础设施，智元仍强调：真实世界的真机数据始终是模型训练的根基，仿真数据更多用于早期测试和工程迭代。
银河通用则以合成数据驱动具身大模型研发，提出了涵盖硬件层、技能层和顶层基础模型的“三层级大模型系统”。在其看来，合成数据与真实数据必须协同：仿真数据用于大规模基础能力学习，真实数据用于验证和增强模型在实际场景中的适应性，从而形成“仿真预训练 → 真实数据微调 → 模型优化”的闭环。
它石智航聚焦人类视频数据，通过大规模人类行为视频拓展模型的语义覆盖。
而作为“具身智能数据采集四小龙”之一，鹿明机器人选择了“轻量化手持夹爪”的方式进行数据采集。
鹿明机器人创始人 喻超解释道：仿真可以生成千万种场景，但真实世界中的灰尘、油污和材料老化，只有真机才能感知。在他看来，行业长期受困于真机数据采集的恶性循环——成本高、效率低、适配性差。以传统遥操作为例，一小时只能采集 30–35 条数据，成本高昂；更关键的是，不同品牌、型号的机械臂数据无法互通，一次采集只能适配单一硬件，造成巨大浪费。
基于此，鹿明自研了 FastUMI Pro 系统，通过统一夹爪接口、力控模块和视觉标定方案，实现不同品牌机械臂之间的数据复用。这意味着，在汽车焊装线上训练的模型，只需少量微调，就可以迁移到 3C 装配或物流分拣场景。
喻超认为，其核心价值在于摆脱对特定硬件的依赖，快速适配市场上数十种机械臂和夹爪，真正打破数据孤岛，实现跨平台数据复用。与传统数采方式相比，FastUMI Pro 的效率提升约 5 倍，成本降至 五分之一，精度可达 1–3 毫米，处于行业领先水平。
在投资层面，一位投资人总结道：具身智能投资的本质，在于同时追求更高的胜率与足够大的赔率空间。
目前，“胜率”更多来自务实的切入点——即客户付费意愿强、任务边界清晰、ROI 可量化的工业场景，如 3C 电子、物流仓储与搬运、质量检测与缺陷识别 等。
喻超提到，鹿明与三菱产线合作，将节拍压缩 60% 的成果，正是技术已经通过真实商业验证的体现，而非停留在实验室 Demo，这是最基础的胜率保障。
而“赔率”的想象空间，则来自“本体 + 数据”或“数据 × 模型 × 本体”这一新范式。一旦某家具身智能公司的数据采集方案被行业广泛采用，其价值将不再取决于卖出多少台机器人，而在于有多少机器人运行并迭代在其数据生态之上。
喻超将 FastUMI Pro 形容为正走向具身智能的“USB 接口”。他说，鹿明的目标并不是单纯造机器人，而是打造具身智能的基础设施：通过真机在真实场景中运营积累数据，训练更好的模型，为行业提供数据与硬件两大基础能力，推动共建通用本体和生态
最火融资赛道的前夜
如果要评选 2025 年最火的融资赛道，“具身智能”无疑是最有力的候选之一。数据显示，过去一年国内市场持续升温，全年融资事件达到 298 起，同比增长 144%；融资总规模达到 329 亿元，同比增长 291%。
这背后，既有资本对具身智能赛道的高度热情，也源于对“AI + 物理交互”这一新兴方向的长期押注。其中，产业资本表现尤为活跃。
以 京东为例，其曾在一天内投资三家具身智能公司——千寻智能、逐际动力、众擎机器人，并在 2025 年继续布局 RoboScience 和 帕西尼。其战略目标十分清晰：覆盖从整机到关键零部件的多个环节，构建具身智能生态，并推动技术在物流、仓储和工厂巡检等场景落地。
动力电池龙头 宁德时代 也将目光投向这一领域，通过投资切入产业链，为机器人提供动力解决方案，推动其在工业与物流场景中的应用。
美团则早在 2020 年便进入机器人赛道，至今已投资超过 10 家机器人与具身智能公司，围绕本地生活、配送和分拣等场景进行探索，以提升服务效率和用户体验。
一位投资人最直观的感受是：2025 年的投资明显向两端集中——“投早投小”和“投强投优”。
一方面，种子轮、天使轮和 A 轮融资合计占比 74%，大量资本像淘金者一样在早期广泛布局；另一方面，B 轮及以后融资占比 15%，显示头部企业获得大额融资的能力持续增强，投资人也普遍将数据获取能力和场景落地验证列为尽调的核心指标。
截至目前，被称为“具身智能数据采集四小龙”的企业，尽管路径各异，但目标高度一致：通过打通一个高频、刚需、可规模化的落地场景，承接底层技术红利。
高工机器人产业研究所（GGII）的报告显示，2025 年全球市场规模预计达 63.39 亿元，其中中国占比超过 50%；到 2030 年，全球人形机器人销量有望接近 34 万台，市场规模或突破 640 亿元。
正因如此，在人形机器人市场爆发的前夜，数据——尤其是高质量的交互数据——正成为规模化落地的关键瓶颈，也是整个行业必须打通的一道核心关卡。
