具身智能的竞争正在进入新阶段。随着宇树科技发布 WVLA2.0 具身大模型并完成无遥操实机演示，行业愈发清晰地意识到：这场竞赛的核心壁垒，并非单纯依赖模型规模，而是涵盖低延迟架构设计、软硬件协同整合与本体数据积累的全栈能力。

据野村国际 6 月 28 日发布研究报告，分析师于 6 月 15 日实地走访宇树。演示中，搭载 WVLA2.0（World-model Vision-Language-Action）的 G1 机器人在受干扰的会议室环境内，无需遥操控制，自主完成了六项连续任务，推理闭环约 90ms，约合每秒十次迭代。这是宇树历经两年研发后首个具备商业部署潜力的版本。管理层将工业制造——关节电机装配、上下料及工装夹具处理——列为最早商业落地场景，并将来自全球机器人机队的大规模实体运行数据视为核心资产。

野村报告同时梳理了 NXP 在 COMPUTEX 2026 发布的 NeuralAxis 架构框架。该框架由 NXP 总裁兼 CEO Rafael Sotomayor 主导提出，其核心主张与宇树的工程路径高度契合——物理 AI 的真正瓶颈不在于语言模型的推理规模，而在于能否构建类似人类脊髓反射、延迟低至 40ms 的边缘控制层。

上述进展对投资者的直接含义在于：具身智能的竞争格局正从 " 谁的模型更强 " 向 " 谁的系统更完整 " 演化。宇树以全栈自研整合叠加实体数据优势构筑的护城河，是纯云端模型供应商难以复制的。

NeuralAxis：重新定义物理 AI 的系统架构边界

NXP 的 NeuralAxis（神经轴架构）框架以人类神经系统为蓝本，将物理 AI 控制逻辑拆解为三个解耦却协调的层级：对应大脑皮层的推理层（延迟约 300ms）、对应小脑的协调层（负责运动控制与平衡），以及对应脊髓的反射层——延迟低至 40ms，部署于执行器附近的边缘端。

对人形机器人而言，该框架的含义最为深远。

NeuralAxis 主张以分布式反射处理器取代集中式 " 中央大脑 " ——在关节、手部与脚部分别部署本地自主决策能力，实现握力控制、踝关节平衡等动作的本地执行，并在 40ms 内完成平衡、抓取、姿态与步态的链式恢复。推理与运动控制的解耦，还可在持续新增技能的同时维持运动稳定性。

该框架的商业延伸同样值得关注。野村行业调研显示，相较传统自动化方案，NeuralAxis 架构可带来显著的制造效率提升，诊断机器人销量亦有望大幅增长。此外，同一架构可将无人机端到端延迟压缩至 20ms 以内，并将软件定义汽车的控制逻辑分层至推理、协调与安全关键区域执行。

WVLA2.0：模型融合与软硬件协同的落地路径

宇树 WVLA2.0 的技术路线体现了与行业主流的明显分歧。

多数同类方案押注纯 VLA（视觉 - 语言 - 动作）端到端生成，而 WVLA2.0 将 WMA（World-Model Action）模型的预测能力与 VLA 的动作生成相融合，在高层任务理解、2D/3D 空间语义推理、动力学约束动作生成和抗干扰能力上全面升级。

感知层面，系统融合了四路并行视觉流：一个 RealSense 深度相机、一个 Livox MID360 激光雷达（LiDAR），以及两个侧向摄像头，构建 360 度空间表征，干扰条件下位置更新延迟控制在 10ms 以内。在软硬件协同设计上，推理后的动作参数经由 CAN 总线下发至 G1 的 23 个自由度关节，借助宇树自研的 " 小脑 " 运动控制模块，单臂抓取 2kg 以下物体的定位误差可控制在 5mm 以内。

计算架构上，WVLA2.0 将边缘算力压缩至 100 TOPS 以下，完整运行于 G1 EDU 搭载的 NVIDIA（NVDA US，未评级）Jetson Orin NX，无需云端依赖。管理层表示，这一设计规避了因网络延迟或断连引发的任务中断风险。

数据范式转移：" 无本体采集 " 成主流

数据采集模式的转变是此次报告的另一重要信号。

宇树演示显示，在无遥操介入的单次录制中，G1 可在受干扰环境中自主完成连续多任务，意味着 " 无本体数据采集 " 正在成为具身智能数据生产的主流范式，即机器人依靠自身感知和决策完成数据积累，而非依赖人工遥操标注。

野村行业调研亦同时指出了现阶段的局限：系统仍存在盲区和后向感知缺口，执行速度偏慢，精细操作精度不足，且缺乏量化的持续成功率基准测试数据。这些短板也划定了近期商业落地的优先边界。

管理层据此制定了分阶落地路线：工业制造（关节电机装配、上下料、工装夹具处理）因宇树自有工厂可提供数据闭环，被列为最早着陆点；其次为物流分拣和柔性 3C 装配；家庭与医疗护理场景因开放非结构化环境难度显著更高，被列为较远期目标。

全栈整合：宇树差异化壁垒的两个维度

野村报告的核心结论可归结为一个判断：在具身智能商业化进程中，模型能力固然重要，但其并非唯一决定性变量。

宇树管理层将公司差异化竞争力定义为两个层面：其一是从感知、模型到运动控制的全栈自研整合能力；其二是依托全球机器人机队积累的大规模实体运行数据。这两项资产相互强化——自研硬件产生独占数据，数据反哺模型迭代，形成云端模型供应商难以介入的闭环。

从市场竞争格局看，NeuralAxis 框架与 WVLA2.0 的落地逻辑共同指向同一结论：具身智能的核心战场正在系统架构层和数据层同步展开。对投资者而言，评估赛道参与者的维度，需从单一的 " 模型能力 " 延伸至更完整的系统整合能力与实体数据积累规模。