8 月 22 日，第二届世界人形机器人运动会将在北京 " 冰丝带 " 正式开幕。今年的赛事阵容变得更为强大，共有 16 个国家、666 支队伍、2056 台机器人同台竞技，队伍数量比首届多了 138%，机器人数量翻了两番。

这么多选手，普通观众一看就晕了，恐怕连名字都记不全。

不止这一场比赛，具身智能已经成为科技领域中最拥挤的一条赛道，新秀不断涌现。每到马拉松、运动会、春晚这类大型比武现场，宇树、智元、银河通用、松延、众擎、星海图们，你方唱罢我登场，看得人一头雾水：这到底都是谁？来自何门何派？谁又比谁厉害？

无论是想在机器人赛道或展会上增加一点谈资，抑或深度了解这个领域，是时候翻开这部《具身江湖志》了。

第一篇章的主角们，是具身江湖中最根正苗红的一个派别：学术派。

具身智能这条赛道上，有制造业出身的老兵，有互联网转型的巨头，但最引人注目的是一群来自清华、北大、浙大、上海交大等顶尖学府的教授和学霸。

他们被媒体称为 " 学术派 " ——一个听起来书卷气十足、却在资本市场上掀起惊涛骇浪的群体。

据一家专注硬科技赛道的猎头公司统计，国内具身智能领域新成立的公司中，创始团队具有顶尖高校学术背景的比例超过一半。星动纪元、银河通用、星海图、自变量、松延动力、傅利叶智能、云深处、优理奇……这些公司创始人的学术履历几乎是标配，在对外宣传中，科研能力、论文成果、实验室背景被反复强调。

为什么在具身智能这个特定的赛道上，先进入大众和投资人视野中的会是学术派？他们和产业派又构成了怎样一种竞合关系？

要回答这个问题，得先看看在学术派出现之前，中国具身智能是谁在做的。

很长一段时间里，中国具身智能研究和产业的主力，几乎全部归属于自动化专业。翻开国内高校的学科目录，做具身智能的教授大多挂在自动化学院、机械工程学院或者机电学院名下。他们做的事，核心是控制，比如动力学建模、运动规划、轨迹优化、PID 调参，让机械臂在流水线上精准地焊接、喷涂、搬运，是这个领域几十年来的主旋律。

这套范式非常成功，支撑起了中国工业具身智能产业从零到全球最大装机量的跨越。但它有一个内在前提：机器人的行为是人为编程的，机器只是执行。工程师把每一个动作写成代码，机器人照着走。灵活性靠的是机械结构的冗余度，不是智能。在那个年代，最值钱的人是会调参、懂产线、能解决现场问题的工程师，而不是发论文的学者。高校里的具身智能教授当然存在，但他们的价值往往需要通过漫长的横向课题和成果转让才能转化为产品。

换句话说，在自动化范式 " 统治 " 的几十年里，具身智能创业的入场券握在工程师手里。学者们大多待在实验室里做纵向课题，离产业一线隔着不短的距离。那时的学术派还没想过要下山。

这个格局直到 2020 年前后被一道 " 信号弹 " 打破。

2020 年前后，OpenAI 的具身智能团队发表了一篇 " 多任务操作学习 " 的论文，首次展示了同一个神经网络模型可以完成多种不同的抓取任务。这篇论文提醒了学术界一件事：操作能力是可以学出来的，不需要为每个动作单独写控制程序。此后几年，随着 Transformer 架构在视觉和语言任务上不断刷新纪录，一个设想开始成形：把 " 通用学习 " 的思路搬到物理世界。

国内高校从 2021 年开始集中转向。但这次转向跟以前做机器人完全不同，它引入了一个全新的学科力量：计算机科学与人工智能。清华大学交叉信息研究院、自动化系，北京大学智能学院，上海交通大学机械与动力工程学院，浙江大学控制科学与工程学院……这些原本就有机器人或计算机视觉底子的院系在转做具身智能上有着近乎天然的优势。那些此前跟机器人毫无关系的计算机科学家、深度学习研究者带着大模型、Transformer、强化学习的工具箱，一头扎进了物理世界。

此后的几年，国内高校开设的具身智能相关课程很快从个位数增加到十位数。国家自然科学基金委的资助额度在增长，顶会的投稿量在翻倍，一篇 ICRA 或 CoRL 的论文足以让年轻学者拿到教职。大家相信，只要在仿真环境里跑通了算法，真实世界的问题总能解决。

从自动化到大模型，具身智能江湖的学科入口换了。过去是控制，工程师写代码，机器照着执行；现在是学习，机器需要自己从数据里学会动作。当一个产业的核心问题从 " 怎么造 " 变成 " 怎么学 "，最懂学的人自然站到了舞台中央。学术派的价值也正是被这次学科位移抬起来的。

2023 年，那些从 2017 年就埋头做机器人学习，被 2020 年的信号弹点燃的研究者，开始集体从论文走向产品。

于是，学术派的下山创业潮便来了。

2023 年是分水岭。具身智能的创业潮在这一年集中爆发，主力就是学术背景的研究者。这批公司有一个共同特征：它们在对外叙事中，几乎无一例外地把科研能力放在最前面。创始人的顶会论文、实验室履历、导师背景、ICRA、CoRL 等顶会发文数量……这些在传统硬科技创业中很少被重点考量的要素，在具身智能赛道，成了最受资本认可的信用凭证。

但同样是学术派，来自三所头部高校的团队带出了三种截然不同的发展路径。

清华系是最早动起来的一批，也是学术色彩最浓的一批，源头在交叉信息研究院。这所因姚期智而闻名、以人工智能为底色的学院，把最硬核的 AI 训练方式遗传给了创业者：攻上限。

星动纪元在 2023 年成立，创始人陈建宇是清华大学交叉信息研究院助理教授、博士生导师。公司的成立源于清华早期的一个课题项目。陈建宇在 2022 年的课题研究中尝试开发体型较小的人形机器人，并往高动态性能推进，之后从实验室走向产业界。在同期创业团队里，星动纪元是少数从一开始就选择全栈自研的公司，从关节、灵巧手到整机本体和具身大脑全部自研，而不是像大多数创业公司那样在某个环节上做整合。

同一年出现的星海图，联合创始人许华哲、赵行同样来自清华交叉信息研究院。许华哲在加州大学伯克利分校读博期间选择了当时还冷门的具身智能方向，2022 年博士毕业后回到清华叉院担任助理教授，原本想 " 认真教六年书 "，但 ChatGPT 的成功让他改变了计划，在 2023 年毫不犹豫成了星海图的联合创始人。星海图押注的是 VLA 具身大模型路线，把视觉大模型的语义理解能力嵌入到操作决策流程中。

银河通用同样带着清华烙印，创始人兼首席技术官（CTO）王鹤是‌清华大学微电子与纳电子学系 2010 级校友‌。这家公司围绕合成数据和端到端模型构建训练体系，属于典型的 " 用 AI 方法解决机器人问题 " 的思路。

全栈自研、VLA 大模型、合成数据……技术路线虽不尽相同，但方向却高度一致：技术壁垒最高的那条路。清华大学交叉信息研究院的学术基因让这批人天然地更关心智能的天花板在哪里。

与清华系 " 攻上限 " 的取向形成对照，上海交大系走的是另一条路：先有产业积淀，再做技术延伸。上海交通大学在机器人领域的积累可以追溯到更早，学校的机械与动力工程学院在传统工业机器人方向上有几十年的研究历史，下山攻入具身智能几乎是 " 无缝衔接 "。

傅利叶智能是交大背景里成立最早的一家，2015 年就做了康复机器人，后来才切入人形机器人赛道。它既有学术背景，又有近十年的产业积累，在电机驱动和力控上有量产经验。当行业普遍还在讨论人形机器人什么时候能落地的时候，傅利叶已经在康复医院里跑了好几年机器人。

优理奇机器人同样属于学术派，创始团队中就有上海交通大学教授王贺升担任首席科学家。优理奇的创始人杨丰瑜是耶鲁大学博士，在机器人视触觉方向发表过多篇顶会论文，公司早期的技术路线围绕多模态感知、模仿学习和具身模型展开。这批团队证明，在人形机器人赛道，成熟的工程交付能力本身就是一道很难复制的壁垒。

如果说清华系赌上限、交大系赌厚度，浙大系则选了第三条路：做产学研平台。

浙大背景的云深处做的是四足机器人。浙大在这个方向上有超过十五年的研究积累，从最早的仿生步态到后来复杂地形适应，再到全地形自主导航，每一步都有实验室的影子。云深处的产品在国内安防巡检、应急救援领域有不错的落地，但行业提到这家公司，最先想到的仍然是它的学术底色。

浙江人形机器人创新中心则是一个更特殊的案例。它由浙江大学和宁波市政府联合成立，创始人熊蓉是浙江大学控制学院机器人实验室主任、科技部重点专项智能机器人专家组成员。这个中心的定位是 " 连接学术和产业的中间层 "，把浙大在人形机器人方向上的研究成果进行工程化转化，再开放给产业界使用。

清华攻上限、交大重工程、浙大做平台……学术派下山的速度之快、规模之大，已经彻底改写了具身智能行业的玩家版图。

产业界甚至流传着一句戏言：现在随便走进一家具身智能创业公司的会议室，往桌边扫一眼，十有八九能看到清华、上交、浙大的校友。如果这三所学校的人都不在，那这家公司要么还太小，要么就是做传统工业机器人出身的。

这个说法虽有夸张，但大致勾勒出了过去两年具身智能赛道的人才格局。

过去两年，资本对学术派的追捧几乎是一种信仰。2025 年上半年具身智能公司融资榜单前五名里，银河通用、自变量两家 " 学术派 " 企业的融资规模甚至超过了老牌机器人公司宇树科技。2026 年上半年，星海图、自变量、星动纪元、松延动力集体迈入百亿独角兽俱乐部。

投资方认为，在一个技术路线尚未收敛的行业里，谁更接近技术前沿，谁就更有可能找到正确的方向。

不过，学术派在资本市场上的风光时常让人忽略他们面临的真实困局。

论文里的模型跑得再好，到了真实世界就是另一回事。学术派最常遇到的一个场景是，仿真环境里成功率 99% 的抓取模型，装到真实机器人上一测，连 50% 都不到。光照变了、摩擦力不同了、关节有公差，每一个小变量都可能让模型失效。

最核心的问题是数据。具身智能需要的数据是机器人在真实物理环境中执行任务时产生的交互数据。据中国信通院 2025 年发布的《具身智能发展报告》，要实现物理智能的涌现至少需要数百万小时的高质量真实交互数据。而学术实验室里常用的原型机器人平均无故障时间通常在 100 到 1000 小时之间，还没来得及采集足够数据，本体可能已经坏了。

这其实就是开头提到的具身智能的 " 死亡之谷 "。下山容易，过谷难。

于是问题就变成：跨过这道谷，到底需要什么？

过去两年，一批学术派创业公司正在试图用另一种方式解决数据的困局。星海图在搭建自己的数据采集平台，星动纪元在工厂里部署机器人跑真实任务。但这需要时间。一家创业公司从部署第一台机器人到积累足够训练数据，少说也要一年半载，而资本市场的耐心显然没有这么长。

单独依靠企业自研自建采集体系，速度慢、成本高，很难独自完成海量数据积累。想要缩短周期，更可行的思路是深度绑定产业端，走联合共建的数据闭环。一方面和制造业、仓储、家政等下游场景方合作，批量部署机器人承接真实业务，在商业化作业中同步沉淀交互数据，用业务收入反哺数据采集成本；另一方面打通上下游供应链，优化机器人本体耐用性，拉长设备无故障运行时长，提升单台机器人的数据产出效率。除此之外，行业间的数据合规共享、仿真与真机数据混合训练，也是降低纯真机采集压力的重要补充。但不管采用哪种方案，都绕不开工程化落地、规模化交付的能力考验。

这也意味着，团队不能再停留在实验室的单点算法创新，必须直面商业化交付、供应链管理、客户需求协调等一系列产业命题。正是这种现实约束，倒逼一大批带着学术背景的创业团队完成自我重塑。

站在 2026 年 8 月往回看，学术派在过去三年里完成了一次完整的角色转换：从实验室里的研究者，变成工厂里的创业者。科研阶段，他们研究机器如何认知物理世界；创业阶段，他们要实现机器在真实场景可靠作业。唯有兼顾前沿研究与工程落地的团队，才有机会穿越 " 死亡之谷 "。

具身智能赛道还在早期，资本也逐渐从狂热走向理性。有数据显示，2026 年 5 月，具身智能行业月融资额环比下滑 58.65%。对于那些带着顶会光环下山的学者们来说，真正的考验或许才刚刚开始。