远见网一、北京亦庄与人头攒动
北京亦庄，人头攒动。
一年一度的世界机器人大会拉开帷幕。300余家全球知名企业携超2000件展品亮相，150余件产品全球或全国首发。
会场内，人形机器人跳舞、做家务、拧螺丝，展台前围满了拍照的观众。
跨维智能的物理AI引领者论坛外，里里外外挤满了人。
同一天，千里之外的上海交易所，宇树科技正式登陆科创板，缔造A股“人形机器人第一股”，开盘市值约4500亿元。
这是具身智能最热闹的一天，也是整个行业开始重新定价的一天。
“如果宇树的4000亿元，是给机器人公司标出的价格，那具身大脑独角兽应该值多少？”
在今年的亦庄，这是很多人最想问的问题。但真正逛完展会之后，他们发现答案远没有那么简单。
同样顶着“具身智能”的标签，有的公司销售机器人本体，有的依靠项目集成交付，有的训练具身基础模型，还有的试图成为机器劳动力运营平台。
它们面对的是不同的市场，形成的是不同性质的收入，若仍共享同一套估值逻辑，这或是一种错配。
宇树的4000亿元，为行业提供了一个参照系，也制造了一个新的难题：具身智能公司的价值，究竟该按什么来算？
1、投资人挤爆亦庄：寻找下一个宇树
“WRC可约”，AI投资人集体更新了微信签名。
今年的WRC，堪称一级市场行业大聚会。大量投资人奔赴北京，穿梭各个展台看样机、看演示、交换联系方式。
一位投资人告诉我，看展第一天他加了20多个微信，手机备忘录里存满了待跟进的项目，“逛展路上，也总能碰到同行。”
2、跨维智能与蓝思科技合作的真实工业场景
热情背后是具身智能赛道的持续升温。今年以来，具身智能融资热潮历历在目，大量资金涌入。
IT桔子数据显示，上半年国内具身智能赛道融资总额超900亿元，同比暴涨5倍，市场对物理AI的想象，正在被不断拉高。
过去，一级市场给具身智能公司的估值，更多依赖技术团队、融资背景、产品演示和未来市场空间。
如今，宇树作为公开交易标的，第一次让资本市场可以用真实股价来审视一家人形机器人公司。
宇树的定价逻辑，到底是机器人出货量？是供应链和规模制造能力？是品牌和渠道？
还是人形机器人未来进入家庭、工厂和商业场景的巨大想象？答案可能是所有因素的叠加。
二、宇树的估值不能被简单复制到所有具身智能公司身
这也意味着，宇树的估值不能被简单复制到所有具身智能公司身上。几年前，几乎每家公司都可以按照一个遥远的未来讲故事。
随着宇树上市，每家公司都必须开始解释：自己究竟是哪一种生意。
“很多具身公司Demo做得很漂亮，可一旦问到规模化落地的成本，大家就开始含糊。
” 看了三年具身智能的投资人John说起他的观察。
展台上的机器人，在灯光、物料全部调试好的理想环境里，动作行云流水，演示效果惊艳。
但落地到真实工厂和复杂商业场景时，稳定性、适配成本的问题便暴露无遗，钱越花越多。
这不是一家公司的困境。大量机器人公司卡在同一个节点：技术很前沿，商业上却算不过账来。
问题就出在，当前许多机器人的落地仍然是一门高度定制化的项目生意。
每进入一个新工厂、新产线或新任务，往往都要重新采集数据、训练模型和现场调试。
企业增加的不是一套可以持续复制的能力，而是一个又一个需要从头交付的项目。
场景越多，数据、训练、调试和人工成本也随之累积，边际成本并没有因为规模扩大而下降。
“如果这些成本压不下来，卖一台就可能亏一台，规模越大，反而亏得越多。” John直言。
事实上，已经有人先一步意识到了这个瓶颈。
今年WRC上，当大多数人还在比拼样机性能时，跨维智能创始人兼CEO、香港中文大学（深圳）教授贾奎，把思考重心放在了另一个议题上——成本与效率。
他曾连续五年入选斯坦福全球Top2%顶尖科学家，深耕三维物理AI多年。
早期在高校实验室，他更多追求的是算法和模型上的技术突破。
这些年，贾奎亲历了具身智能的狂热，也目睹大批企业扎堆做Demo，用相似的故事、相似的路径争抢注意力。
算力囤起来了，数据产线建起来了，但数据采集、训练、推理全链路的综合成本，却很少有人认真算过。
喧嚣之中，他开始反复思考通用具身智能的终极要义。
4500亿之后
具身大脑如何估值？
展台上的机器人看起来越来越相似，但展台背后的商业模式与技术范式，可能完全不同。
第一类公司，核心能力是机器人本体。它们的价值来自产品设计、供应链、成本控制、规模制造、品牌和销售渠道。
资本市场判断这类公司的方式，与高成长硬件公司更为接近：卖出了多少台，收入增长多快，单机毛利如何，产品能不能标准化，能否形成全球市场份额。
第二类公司，核心能力是场景交付。
它们能够把机器人部署进工厂、物流、零售和商业服务场景，收入主要来自方案设计、系统集成和项目验收。
资本市场更关心项目毛利、交付周期、客户复购和现金回款。
这类公司的挑战在于，如果每获得一个新项目，都需要重新增加工程人员、重新调试现场，那么收入增长的同时，交付成本也会同步增长。
业务规模可以做大，但很难获得软件和平台型公司的估值。
第三类公司，出售的是机器人的“大脑”。它们的核心资产不是某一种机器人，而是操作能力。
判断这类公司的关键，不在于模型有多少参数、Demo有多惊艳，而在于同一套能力能够服务多少机器人、多少任务和多少场景。
如果一个模型只能服务一个项目，它仍然是项目能力；如果一项能力可以部署到不同机器人、不同客户和不同场景，它才有机会成为一种可以重复出售的智能资产。
本体公司看出货，项目公司看利润，具身大脑看能力通用与复用。
1、这位教授算了一笔账
“如果每增加一个场景都需要近似重新投入一遍这些成本，那么具身智能就无法形成真正的规模经济，本质仍然是一门依赖大量工程师交付的项目制生意。
” 贾奎在今年WRC跨维智能《物理AI引领者论坛》的演讲中表示。
“Physical Token经济学”由此诞生。
何为Physical Token？电力行业有千瓦时，云计算有GPU-hour，大模型有Token。
贾奎认为，当AI从数字空间进入物理世界，智能的产出也需要一种更贴近真实任务的计量方式。他给出定义：
Physical Token，是物理智能体能够生产的单位可靠物理智能。
一旦智能产出可以被计量，行业才能进一步核算一项能力的生产成本，比较不同技术路径的效率，并追问那个更底层的问题：从第一项能力走向第十项、第一百项能力时，是否仍需重复支付相近的数据采集、模型训练、工程调试和真实世界试错成本？
在贾奎看来，通用物理智能能否成立，关键不在于单次Demo的成功率，而在于模型的能力边界能否持续扩张，同时让新增能力的边际成本不断下降。
只有这样，具身智能才有可能实现规模经济。
三、让下一份智能比上一份更便宜
换句话说，Physical Token经济学希望实现的是：让下一份智能比上一份更便宜。
这套理论，并非空谈。跨维智能的技术路线和商业逻辑，正是最好的实践参照。
2021年，贾奎创办了跨维智能。
而他早在2018年前后就意识到三维感知的瓶颈不是算法，是数据——真实采集成本高、标注难，场景覆盖也十分有限。
1、跨维智能始终在解答“如何让下一份物理
这个判断后来成了跨维智能技术路线的原点。
成立以来，跨维智能始终在解答“如何让下一份物理智能，比上一份更便宜”这个核心命题。
五年里，这支队伍已然搭建了一套完整的技术解法：统一数据表达与预训练沉淀人类经验，Real2Sim与生成式仿真形成合成杠杆，Post-training与强化学习完成能力聚合，真实部署反馈推动飞轮扩张。
具体来说：
四、它将来自真人示教与仿真环境的不同数据
1、让不同来源的经验进入同一套学习体系
首先，它将来自真人示教、真实机器人和仿真环境的不同数据，转化为机器人能够共同理解的表达。
让不同来源的经验能够进入同一套学习体系，而不是每个项目重新积累一遍。
2、把通用能力高效转化为任务级可靠能力
其次，通过自研仿真引擎DexVerse®和生成式仿真技术，将少量真实经验扩展到更多物体、位置、光照和异常情况。
过去需要两三天搭建的复杂仿真环境，跨维GS-World生成式世界模型可以压缩到十余分钟完成。
再次，把通用能力高效转化为任务级可靠能力。
跨维依靠预训练沉淀空间、物体交互的通用物理常识，再通过后训练、强化学习，把通用基础能力，高效转化成分拣、装配等垂直场景可用的机器人技能，形成面向工业、商业、物流、医疗等具体任务的垂域专家模型。
在特定垂域任务中，跨维专家模型的成功率可提升至99.99%，操作精度达到亚毫米级。
每一次部署产生高价值经验，降低下一次能力获取成本。
真机部署之后，不必再把现场设备当做主要训练场，而是作为高价值数据采样器——失败、边界情况、新分布等现实物理世界的经验回流反哺基座模型。
正如在WRC 2026现场，跨维智能展示了手机装机流水线质检、商超自主
