进入 2026 年，具身智能融资依旧火热。到 7 月，星动纪元、墨奇智能等企业接力官宣，十亿级融资渐成常态。

然而，与资本狂热形成对照的是，那些在发布会上后空翻、跳舞、叠衣服的机器人，距离真正走进日常生活仍有不短的距离。它们或许能完成精心编排的表演，却未必能应对一个儿童在客厅随意丢下的玩具。

在这场资本与现实的拉锯中，成立不足一年的墨奇智能，以 " 黑马 " 的姿态闯入行业视野。

7 月初，墨奇智能宣告其在 6 个月内，完成了超 10 亿投资，估值达 70 亿。可令人疑惑的是，墨奇智能暂未公开披露过产品、订单及量产数据。

按照传统的逻辑，这似乎让人难以理解。同时也引人深思，在当前的具身智能行业，估值逻辑与趋势似乎发生了一些改变。以墨奇智能为样本，或许能窥见这场估值逻辑转换的深层脉络。

01

稀缺的 " 通行证 "

2020 年，黄青虬刚从港中文 MMLab 拿到博士学位不久，便以 " 天才少年 " 身份加入华为智能汽车解决方案事业群。那时的他心里怀揣着一个做出 " 真正能服务人的机器 " 的梦。

2021 年，在极狐阿尔法 S · HI 项目中，他带队在一个月内攻克了激光雷达算法的性能瓶颈，保障了华为智驾量产。2022 年，他成为业界第一个将一段式端到端架构做到百万规模量产的人。

2025 年，他离开华为，成为墨奇智能的联合创始人兼 CTO，在他看来，大模型与智驾端到端技术交汇的时机终于到了，当年那颗种子该发芽了。其在华为体系内积累的量产经验，或许是外界对墨奇产生兴趣的起点。

从智驾经验到具身智能，明明属于 " 跨行业 "，墨奇智能却能获得丰富的融资，这背后，是因为两者实际上一脉相承，前者是后者在垂直场景中的先行者。

技术原理上，两者在感知、决策、控制和学习机制上显著共通。智驾领域的端到端方法论、数据闭环迭代体系、百万级量产质量管控流程，在具身智能的研发中也可借鉴。

同时，一项技术能在自动驾驶场景中通过车规级验证，往往意味着它在可靠性、安全性、工程化层面已过严苛考验。

以尧乐科技为例，经过两三年迭代、通过五六十项车规测试后，在 2026 年初触觉感知赛道升温时就获得近亿元 Pre-A 轮融资。车规级验证所代表的工程成熟度，正在被重新定价。而具身智能不仅要应对道路环境，还要适应家庭、仓库、工厂等无限多样的非结构化场景。黄青虬在智驾量产中打磨的工程化体系，正是具身智能从实验室走向现实所欠缺的能力。

如此看来，对墨奇的押注，对黄青虬的认可，不只是因为 " 这个人会做算法 "，而是 " 这个人知道怎么让产品在现实世界里稳定量产 "。

据行业统计，国内具身智能领域有公开量产交付记录的创业团队不超过 5 家，而其中具备千万级智驾量产经验的团队，目前仅观察到墨奇一家。这种供给稀缺性，比其 70 亿元估值本身更值得关注。

02

一条不经济但更通用的路

观察当前的具身智能行业，大致可以梳理出三条主流路线。

首先，硬件派。它们深耕本体，将动态控制与运动性能做到极致。比如，宇树科技的人形机器人以自研运控算法为核心壁垒，实现了远超行业平均水平的高动态运动性能。

据招股书披露，其人形机器人产品 2025 年出货量超 5500 台，2025 年主营业务毛利率达 60.27%，这印证了算法赋能硬件的盈利空间。但值得注意的是，运动控制再炫酷，如果缺乏通用泛化能力，机器人仍然无法走出预设的运动脚本，也就难以适应非结构化的真实环境。

宇树的舞蹈演示多在可控场地完成，但在仓储分拣、家庭服务等复杂场景中，迄今尚未有公开的大规模部署案例。逐际动力、智元机器人等同样以运控见长的公司，也面临类似瓶颈。

然后是量产派，与硬件派追求运动上限不同，其侧重工程化能力，优先目标是场景适配和批量交付，推动工业场景快速落地。

以星动纪元为例，2026 年预计交付量将从去年的几十台跃升至千台以上，业务增速达 300%，在物流领域部分细分场景中已达规模化应用标准。但它的工程化往往针对特定场景深度定制，一旦场景变化，泛化能力不足的短板就会暴露。千台交付量在工业场景中或许可观，但要支撑 " 通用机器人 " 的叙事，这个数字仍然太小。量产的台阶已经踩上，但通用的大门尚未叩开。

而大脑派则聚焦具身大模型，主打通用 " 大脑 " 能力。这条路线也是最火热的，原因可能在于它最接近人们对 " 通用智能 " 的想象，即一个足够聪明的大脑可以适配任何身体、完成任何任务。这种叙事在资本市场上极具吸引力，光 2026 年上半年就吸纳了行业过半的融资。

以 Physical Intelligence 为例，这家 2024 年成立的公司，打造了通用机器人基础模型 π 0，截至 2026 年 7 月，PI 估值已攀升至 750 亿元人民币。

可即便如此，当前能稳定执行的技能种类仍有限，叠衣服、组装盒子距离工业现场的复杂操作仍有巨大鸿沟。目前来看，大模型的高溢价在短期内难以兑现，这并非商业模式的缺陷，而是技术成熟度的客观约束。

墨奇智能选择的是第四条路，全栈自研。

翻看墨奇智能的招聘页面，开放岗位从 BSP 工程师、嵌入式软件工程师、系统软件工程师，到大模型训练 Infra 工程师、AI 算法工程师、AI 仿真数据工程师，再到整机产品经理、数字化产品经理。

覆盖了底层操作系统、算法、仿真、数据、硬件设计、产品管理、供应链数字化全链条。墨奇要做的是从电机驱动到 VLA 大模型、从螺丝钉到操作系统。

在行业普遍选择 " 先跑通一个环节再横向扩展 " 的路径时，墨奇却在 Day 1 就押注了全链路自研，称得上特立独行。而这或许源于一个判断，只有打通全链路，才能真正理解物理世界中 " 实时 " 和 " 闭环 " 的含义。

因为从技术原理上看，具身智能是一个软硬一体的实时闭环系统，模型需在端侧以至少 10Hz 的频率运行。传感器精度缺失和执行器时延都会被系统逐级放大，硬件和软件无法解耦迭代。

这也导致，如果在底层不将软硬件作为一套系统来设计，后期任何单点的优化都有可能被其他环节的短板抵消。就这种耦合关系来看，全栈自研是唯一可能把所有短板同时兼顾的方式。

但全栈自研也意味着在所有环节同时下注，每条线都需要投入顶尖人才和巨额资金。这对团队的综合能力和投资人的耐心都是极大考验。这或许不是最经济的路径，却是墨奇认为走向通用的必经之路。

这条路也并非墨奇独有。特斯拉 Optimus 几乎所有部件均为全新设计，智元机器人 70% 以上员工从事具身大模型研发。全链条并行推进，任何一环的延迟都可能拖累整体进度。墨奇能否在弹药耗尽前跑通全链路，仍是未知数。 

03

量产能否取代炫酷 Demo？

2026 年，一个清晰的趋势正在发生，自动驾驶行业的人才正在向具身智能赛道集体迁徙。

过去十多年来，国内互联网大厂和车企持续布局自动驾驶，沉淀了大批通用型人才。随着自动驾驶赛道格局趋于稳固、增量空间收窄，具身智能展现出多元的应用场景、广阔的想象空间，吸引了大批从业者前来。

据行业机构统计，80% 以上的具身智能创业公司创始人都有自动驾驶领域的职业背景。截至 7 月初，已有至少 15 位华为前高管离职加入或创办具身智能初创企业。而人才流向的变迁，往往预示着一个行业核心竞争力的迁移。

在这个趋势下，具身智能的投资与估值逻辑也受到了一些影响。如果说 2024 到 2025 年的竞争是 " 谁家的机器人后空翻更流畅 "，那么 2026 年的竞争或许正在变成 " 谁家的机器人能在仓库里连续工作 8 小时不出故障 "。前者考验的是实验室的上限，后者考验的则是工程化的下限。

而黄青虬带来工程化量产方法论。或许恰好踩在了投资逻辑转换的节点上。团队 " 从 0 到百万量产 " 的完整经验，不再是履历上的装饰品，而是估值表上，可以被量化的核心资产。

黄青虬的判断也是如此，他曾表示，如果不做大脑、不做预训练，这波具身创业就没有任何意义。吸引了如此多资金和人才，如果只停留在本体或单点任务，具身智能很难承载行业今天的期待。

具身智能的终局或许不在于谁的大模型更具 " 灵性 "，而在于谁能在一个混乱、非结构化的物理世界里，搭建一套可量产、可复用、可闭环的底层架构。

这也意味着，最终的赢家可能不是算法最炫的公司，而是能把算法、硬件、数据、供应链捏合成一套可运转系统的那家公司。

整体来看，资本在天使轮重注墨奇，或许押注的不只是一家公司，也是一个正在快速关闭的人才窗口。当赛道从概念走向量产，那些知道如何让技术在物理世界里稳定运行的人，可能正在成为牌桌上最受追捧的玩家。

至于这份追捧最终能够兑换些什么，可能还需要时间来回答。