新年刚过，英伟达 CEO 黄仁勋就有大动作。近日，在 CES 展上，黄仁勋抛出了标志性观点：" 机器人的 ChatGPT 时刻正在到来 "，并认为 " 没有真实世界的数据，具身智能只能是幻觉。"

这一表态，瞬间引爆行业。一个明确的信号开始显现：机器人产业将告别 " 单一任务编程、真实数据依赖 " 的低效阶段，迈入以物理 AI 为核心的通用化爆发期。

此前，国内资本早已嗅到这场变革。从国内具身智能发展来看，如果 2024 年关键词还是 " 本体 "，那么到了 2025 年下半年，赛道已然变成 " 本体 + 数据 "，或者 " 数据 × 模型 × 本体 " 的范式升级。

再加上黄仁勋的入局，一场 " 持续获取高质量交互数据，以驱动模型迭代 " 的基础设施之争，开始打响。

黄仁勋也来卷具身智能了

在这次 CES 展上，黄仁勋正式发布了专为机器人打造的新一代具身智能基础模型 NVIDIA Isaac GR00T，并同步推出支撑物理 AI 开发的 NVIDIA Cosmos 平台，以开放模型、海量数据集与工具链，为机器人通用化落地搭建核心技术底座。

作为全新技术方案的演示载体，在演讲现场，黄仁勋带来了一位特殊 " 嘉宾 " —— Reachy Mini。由于该机器人外形酷似《机器人总动员》里的瓦力，因此也被称作 " 瓦力机器人 "。

在与 " 瓦力 " 的互动中，黄仁勋让 " 瓦力 " 通过在仿真环境中，学习、观察、模仿人类的动作，然后理解动作—结果—反馈之间的关系，并将这些能力迁移到真实世界中。

视频画面显示，" 瓦力 " 在仿真虚拟环境中，经过训练后，成功在真实木地板上完成了 " 摔倒 - 爬起 " 的动作，并保持平衡。黄仁勋的这一演示，被外界视为物理仿真平台可帮助机器人快速学习复杂物理交互，以缩小数字孪生与现实世界的差距。

在仿真环境 + 世界模型的作用下，黄仁勋表示，这相当于把 " 训练场 " 搬进了 " 数字世界 "。他认为，这样不仅可以规模化构建训练场，而且还能约束、校准模型生成的情境有 " 物理 " 可信度，而这些物理可信度包括光照、材质、场景等组合。

总之，黄仁勋认为，AI 的未来不仅关乎超级计算机，更要与物理世界紧密结合，而虚拟仿真是打破数据瓶颈的关键。

这一观点，让黄仁勋快速在具身智能领域发力。在 CES 展上，黄仁勋宣布已经与 Apptronik、Agility Robotics、Figure、Boston Dynamics、Sanctuary AI 等多家美国本土机器人公司合作。其中，与 Sanctuary AI 的合作是，英伟达为 Sanctuary AI 提供计算平台、仿真工具等技术支持，共同推进通用人形机器人的研发。

因此，在赢下 " 算力之争 " 后，英伟达正试图在具身智能领域，再造一个 "CUDA"。

中国玩家突围的胜负手

这场由硅谷点燃的火种，也在东方迅速燎原。与英伟达押注 " 高保真仿真 + 通用模型 " 不同，中国玩家更倾向于 " 真实场景驱动 + 垂直闭环 " 的务实路径。

2025 年 10 月，工信部发布《具身智能数据采集与标注规范（征求意见稿）》，首次对物理交互数据的格式、质量、安全提出指导性框架，这意味着 " 数据标准化 " 已上升至国家战略层面。对此，已有不少具身智能公司展开行动。

其中，智元机器人发布了首个大语言模型驱动的开源仿真平台—— GenieSim3.0，涵盖 200 余项任务、上万小时的仿真数据集开源。尽管其推出开源仿真平台，但智元机器人依然强调真机数据的核心地位，并认为真实世界数据是模型训练的基础。同时，利用仿真数据作为补充，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的研发，提出包括硬件层、技能层和顶层大模型的 " 三层级大模型系统 "。在银河通用看来，合成数据与真实数据的协同很重要。一方面，仿真数据用于大规模基础能力学习；另一方面，真实数据用于验证和提升模型在实际场景中的适应性，确保模型既能快速学习又能精准落地，以形成 " 仿真预训练→真实数据微调→模型优化 " 的闭环。

它石智航聚焦的是人类视频数据方向，通过大规模人类行为视频拓展语义覆盖。

作为 " 具身智能数据四小龙 " 之一的鹿明机器人，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认为，之所以采取这种方式，源于仿真可以生成千万种场景，但真实世界的灰尘、油污、材料老化，只有真机才能感知。在喻超看来，过去，行业受困于真机数据采集的死循环，即 " 高成本、低效率、低适配 "。以传统遥操作为例，一小时仅能采集 30-35 条数据，成本高昂；同时，不同品牌、型号的机械臂数据无法互通，采集一次只能适配单一本体，造成大量资源浪费。

在此背景下，鹿明自研了 FastUMI Pro 系统，通过统一夹爪接口、力控模块与视觉标定方案，让不同品牌机械臂的数据可直接复用。这意味着，一台在汽车焊装线训练的模型，稍作微调即可用于 3C 装配或物流分拣。

喻超认为，其核心价值在于，能够摆脱对特定机器人硬件的依赖，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。而相较于传统数采技术，FastUMI Pro 的效率提升 5 倍，成本降至五分之一，精度达到 1-3mm 的行业高水平。

面对数据采集关键一环，一位投资人表示，" 具身智能投资的精髓在于，胜率上既要有保障，赔率上又留有足够多的想象空间。"

就具身智能目前的玩家来看，各路玩家的胜率在于，选择足够务实的点，进行切入。简单来说，就是聚焦工业场景客户付费意愿强、任务边界清晰、ROI 可量化的领域。比如，3C 电子、物流仓储与搬运，质量检测与缺陷识别等场景。

" 这一点，从玩家们发力垂直领域就可看出。对于鹿明机器人而言，其与三菱产线节拍压缩 60% 的结果，也能说明其技术已通过真实商业验证，不再是实验室 Demo，这是最基础的胜率保障。" 喻超说。

而赔率的想象空间则是，从 " 本体 + 数据 " 或者 " 数据 × 模型 × 本体 " 的范式来看，一旦某家具身智能公司的数据采集方案被行业广泛采用。那么，其价值就不再取决于卖出了多少台机器人这类硬件载体，而是有多少台机器人在其数据生态上运行和迭代。

" 从方向上来看，鹿明的 FastUMI Pro 正朝着具身智能‘ USB 接口’的方向奔去。" 对此，喻超表示，" 我们不是在做单纯的机器人，而是在做具身智能的基础设施。鹿明的目标很明确，通过真机在场景中运营积累数据，训练更好的模型，为行业提供数据和硬件两大基础设施，推动行业共建通用的本体和生态。"

最火融资赛道的前夜

如果说，谁是 2025 年最火融资赛道？那么，答案可能非 " 具身智能 " 莫属。数据显示，过去一年，国内行业水温持续走高，年内融资事件达到 298 笔，同比增长 144%；融资总规模达到 329 亿元，同比增长 291%。

这背后，既得益于资本对具身智能赛道的 " 浓厚 " 兴趣，也是出于 "AI+ 物理交互 " 这一新兴事物崛起的押注。过程中，产业资本持续押注，成为该赛道最活跃的投资力量之一。

以京东为例，其一天之内出手过 3 家具身智能公司，分别是千寻智能、逐际动力、众擎机器人，同时又在 2025 年 " 盯上 "RoboScience 和帕西尼。这些战略投资的目的也明确，通过投资，京东覆盖了从整机到关键零部件的多个环节，构建具身智能生态的同时，推动技术在物流、仓储、工厂巡检等场景的应用。

宁德时代，作为动力电池领域的龙头企业，也将目光扫至该领域。通过投资，其渗透到产业链环节，为机器人提供动力解决方案，推动机器人在工业、物流等领域的应用。

再者，美团从 2020 年起，就切入机器人赛道，至今投资了 10 多家机器人和具身智能公司，其中不乏头部企业。通过投资，美团构建起本地生活服务、配送、分拣等应用场景的探索，提升服务效率和用户体验。

面对最火融资赛道，上述投资人最直接的感受是：2025 年明显向两端靠拢，即 " 投早投小 " 与 " 投强投优 "。

一方面，在 " 投早投小 " 中，种子轮、天使轮及 A 轮融资事件合计占总数的 74%，大量资本像淘金者一样，在早期撒网，押注下一个潜在独角兽；另一方面，在 " 投强投优 " 中，B 轮及以后轮次占比达到 15%，这意味着头部企业获得大额融资的能力进一步增强，投资人普遍将 " 数据获取能力 "" 场景落地验证 " 列为尽调核心指标。

截至目前，上述被称作 " 具身智能数据采集四小龙 " 的公司，尽管他们在数据采集时的技术和路径不同，但都试图通过打通一个高频、刚需、可规模化的落地场景，承接底层技术的红利。

来自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、中国占比超 50%，预计到 2030 年，全球人形机器人市场销量将接近 34 万台，市场规模有望突破 640 亿元。

这使得在人形机器人市场爆发的前夜，数据而且是高质量的交互数据，成为人形机器人规模化落地的关键，是行业内必须要走通的一环。