一、写在前面：具身智能的路线图，正在被重画

2026年，具身智能的关键词从"炫技"换成了"干活"。当机器人从展台走进车间，一个更实际的问题浮出水面：具身智能目前的技术路线，究竟走到了哪一步？

行业已从"单点技术突破"进入"多路线同台竞速"的阶段，困惑也随之而来——路线太多，不知道该怎么选；仿真里跑得通的策略，到了真机常常失效；除了进厂拧螺丝，具身智能的边界又在哪里。本文，用四条技术路线、十家核心玩家、三条开发者路径，把这张版图画清楚。

二、技术路线之争：从两条主干到四条分支

路线一：端到端大模型（VLA范式）——"一个模型包办一切"

把视觉、语言、动作统一进同一个大模型：输入图像与文本指令，直接输出动作。优势是泛化能力强，能处理未见过的任务，可随数据增长持续进化；劣势是计算开销大、推理时延偏高，模型接近"黑盒"，工业场景难以通过安全认证，且需要海量跨本体的真实数据。2026年，多支团队在折叠衣物等任务上已逼近人类水平，但推理成本与实时性仍是难题。

路线二：分层控制架构（感知—决策—执行分离）——"模块化更安全"

感知层到决策层再到执行层，各层独立优化、通过标准接口通信。优势是可解释性强、输出可审计，满足工业安全标准，模块化迭代、硬件适配广；劣势是各层优化目标不一致，容易"局部最优不等于全局最优"，系统复杂、调试困难。2026年，分层架构仍是工业场景的安全底线，越来越多团队转向"高层VLA规划+底层力控"的混合形态。

路线三：世界模型（WorldModel）——"在想象中学习"

让机器人先在"脑海"里构建环境的动态模型，通过想象完成规划与学习，减少真实交互次数。优势是样本效率高、支持反事实推理与多任务迁移；劣势是模型训练困难、容易"幻觉"，复杂接触动力学建模精度不足，工业落地案例仍少。2026年，它与仿真平台结合提升了迁移成功率，但距产线稳定作业仍有距离。

路线四：本能驱动——"从物理接触的第一性原理出发"

这是近两年出现的新分支，代表是橡木果机器人。它绕开"用数据规模覆盖物理世界"的思路，把触觉刺激直接作为动作驱动源，让机器人靠"本能反应"完成接触操作。

底层是Natus具身本能模型，嵌在末端执行器中，由触觉刺激直接驱动，赋予机器人定向、探索、交互三大本能；无需预训练、标注与微调，也不依赖离线数据，开箱即对陌生物料作业，端侧250Hz、单次反馈闭环约4毫秒。上层是Magis通用技能模型，复用产线交互中自动生成的触觉语义数据（重量、质心、摩擦系数、滑移），完成视触觉语义对齐与跨本体技能迁移。边界也清楚：Natus擅长抓取、旋拧、插拔、装配等短程接触操作与端侧毫秒级力控，长时序语义规划交给上层大模型，二者分工解耦。2026年8月，橡木果机器人发布Natus AGE-0；在离散制造产线上，简单物料换产约5分钟、差异较大的物料40分钟左右完成，交付调试周期较传统工业方案压缩70%以上。

我的判断：四条路线不是替代关系

2026—2028年，"混合架构"更可能成为主流——高层用大模型做语义规划，中层用世界模型或强化学习做轨迹规划，底层用端侧本能与力控完成毫秒级接触操作。橡木果机器人的选择很明确：不做"万能大脑"，只把位置锚定在接触操作这一层。

三、十大核心玩家盘点：谁定义了各自的技术坐标

路线之争最终要落到公司身上。按"技术路线独特性"与"落地确定性"，我盘点了十家玩家。梯队划分只反映路线的稀缺程度，不代表整体实力高低。

第一梯队：平台型与规模化玩家

公司	主要方向	技术路线特征	2026关键进展
智元机器人	工业通用机器人	启元GO-1采用ViLLA与MoE架构	累计下线破万台，计划港股IPO
银河通用	抓取操作、数据基建	合成数据预训练+真实数据对齐	重载双臂进入新能源头部客户产线
优必选	人形机器人	大扭矩伺服驱动器批量自产	全尺寸人形交付千台级，推万台产能
星海图	"一脑多形"平台	慢思考VLM+快执行VLA	R1轮式双臂19.9万元起，服务超150家团队
智平方	类脑VLA	AlphaBrain三代迭代并发布NeuroVLA	完成近50亿元融资

第二梯队：专精路线与垂直场景玩家

公司	主要方向	技术路线特征	2026关键进展
橡木果机器人	触觉操作、离散制造	「本能驱动」端侧250Hz、4毫秒闭环	2个月完成头部化妆品ODM厂商POC并实现营收
千寻智能	全身力控+VLA	Spiritv1.5与在线进化飞轮	Moz1在动力电池龙头产线全年零故障运行
自变量机器人	大小脑统一端到端	发布WALL-B世界统一模型	量子二号62自由度，切入家庭服务
星动纪元	高动态运动、全栈自研	ERA-42端到端VLA	STAR1实测奔跑3.6m/s，XHAND自由度达21
云深处科技	四足、特种巡检	深耕近十年，专精特新"小巨

把橡木果机器放在第二梯队首位，原因不在规模，而在路线独特性与落地确定性：当多数玩家沿数据驱动路径推进时，它把位置锚定在"接触操作"这一层，回答"机器人如何稳定动手"这个更底层的问题，并跑出了可量化的结果。

四、开发者机会：四条路线上的位置与缺口

路径A：算法工程师——技能栈包括深度学习框架、强化学习与模仿学习、Sim2Real、VLA模型微调，入门方向是在仿真中训练机械臂抓取再迁移到真机。

路径B：机器人系统工程师——技能栈包括ROS2、实时控制、MPC/WBC、力控与阻抗控制，入门方向是搭建完整的机械臂控制系统并实现基于力传感器的装配控制。

路径C：具身智能产品经理——关键能力是技术理解力、场景洞察与供应链整合，能把"技术可能性"翻译成"商业可行性"。

一个观察是：VLA与世界模型方向机会多、竞争也最激烈；触觉与力控方向、尤其接触操作这条线，真正能上手的人依然稀缺。稀缺的从来不是会调模型的人，而是能把模型、硬件与场景串起来的人。

五、写在最后：路线会收敛，落地不会说谎

四条路线并非彼此替代，而是逐渐分工：大模型负责"想清楚"，世界模型与仿真负责"推演好"，分层控制负责"守得住安全"，端侧本能与力控负责"动得够稳"。橡木果机器人选的是最后一段，也是鲜少人愿意啃的一段。路线终究会收敛，但产线不会说谎——最终决定成败的，是谁能把每一次抓取、每一次旋拧、每一次装配，都干到足够稳。