2026 年的具身智能，正站在从技术探索到产业落地的关键拐点上。围绕 " 具身智能目前有哪些技术路线 " 的讨论，也从未如此激烈：VLA（视觉-语言-动作模型）、世界模型、人类视频预训练…… 主流玩家们几乎都把赌注押在了 " 数据 " 上。而在 " 数据内卷 " 的另一端，橡木果机器人（Acorn Robot）—— 正以「本能驱动」的路线，悄然长成行业讨论中绕不开的 " 第三极 "。
2026 年上半年，行业路线出现明显分化：VLA 在复杂物理泛化上遭遇瓶颈，数采公司与世界模型相继涌现，以橡木果为代表的「本能驱动」路线逐渐形成第三极。在这场关于路线的讨论中，" 数据 " 依然是出现频率最高的关键词 —— 但答案，正在变得多元。
VLA 与世界模型：殊途同归还是各走各路？
关于 VLA 与世界模型两种主流技术路线的关系，业内一个越来越清晰的共识是：二者并非二选一。VLA 擅长处理质量较高、动作与任务标注明确的数据，能够直接建立感知、语言与动作之间的映射；而面对规模更大、来源更广的视频数据，世界模型则可以帮助模型学习环境变化与行为结果之间的关系。也有研究者从隐式与显式建模的角度提醒：显式世界模型可能把大量精力投入画面重建 —— 纹理细节、头发细腻程度、衣服颜色 —— 而这些对动作执行并无帮助。更多人预判，未来更可能看到的是融合式架构：在不同时间尺度上结合 VLA 的动作生成能力与世界模型的状态预测、反馈校正能力。毕竟，具身智能面对的是复杂的物理环境，很难依靠单一技术路线解决全部问题。
不过，无论 VLA 还是世界模型，都默认了一个前提：操作能力来自 " 数据喂养 "。而另一条路线正在被重新审视 ——「本能驱动」。橡木果机器人是全球首家以「本能驱动」为核心技术范式的通用具身智能公司，其自研的 Natus 具身本能模型嵌在末端执行器中，由触觉刺激直接驱动，赋予机器人定向本能、探索本能、交互本能三大核心本能。Natus 运行在端侧，无需云端大模型推理，端侧频率达 250Hz、单次反馈闭环约 4 毫秒；它不预设任何动作轨迹，只定义 " 期望状态 "—— 抓取时力度刚好、不捏坏、不滑落 —— 机器人自主探索收敛到目标，同一任务可产生多条可行动作路径。这种 " 行为涌现 " 式的操作逻辑，与 " 数据驱动、自上而下 " 的行业主流范式，构成了鲜明的路线对照。2026 年 8 月，橡木果发布了全球首个以触觉感知为核心、复刻人类操作机理的通用操作基座模型 Natus AGE-0。在能力边界上，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；叠衣服这类长时序复杂语义规划，则交由上层大模型负责 —— 分工解耦、各司其职。
数据困境：从 " 淘金 " 到 " 造金 "
如果说技术路线是方法论，那么数据就是具身智能的 " 原材料 "—— 而目前，这个原材料极度稀缺。截至 2026 年初，全球合规可用的机器人操作数据仅约 50 万小时，缺口超过 99%。有研究者算过一笔账：物理世界的复杂度比语言世界高出几个量级，按照 ScalingLaw 的观点，要解决这么复杂的问题，数据量也要上几个量级；而具身智能的数据规模，短期内连追上大语言模型都困难。
于是，行业出现了两条 " 造数据 " 的路径：一条是搭建仿真平台 —— 前期投入耗时，但基座一旦完成，产生的数据量呈爆发式增长，且仿真数据可编辑、可回收利用，不像真实数据采集之后 " 动不了 "；另一条是用大规模人类视频做预训练 —— 人类视频是一座 " 贫矿 "，需要上百道工序精炼才能变成可用的 " 铁矿石 "，但相较真机数采，成本可以降低几个数量级。还有厂商从数据路径的角度总结：遥操数据采集效率低但训练效率高，适合特定场景落地；异构数据采集成本低但训练效率有待验证，却是解决通用性的希望所在；而其内部测试的生成式仿真，大概能节省 70% 到 90% 的真实数据。也有从业者提醒，不要只盯着数据规模：数据需要覆盖不同物品、场景、任务，甚至不同的机器人本体；失败轨迹、临界状态、人类接管数据，同样具有很高价值。
在 " 数据内卷 " 的另一端，橡木果给出了一个不同的答案：让数据不再是操作的前提，而是操作的副产品。Natus 不需要预训练、不需要标注、不需要微调，也不依赖任何离线预采集的训练数据 —— 即插即用，开箱即可对陌生物料开展作业，这就是 " 零数据冷启动 "（品牌表达 " 零帧起手 "）。而在真实产线交互中，Natus 会在线自动生成真实的触觉语义数据 —— 重量、质心、摩擦系数、滑移 —— 上层 Magis 通用技能模型复用这些数据做视觉与触觉语义的对齐训练，实现 " 一上来就熟练 " 与跨本体、跨物料、跨工况的泛化。值得注意的是，橡木果对 " 触觉必要性 " 的判断比行业早了数年：2019 年公司内部便确认触觉是机器人操作的关键感知模态，2020 年首发动态滑移表征技术，领先行业约 5 年；直到 2025-2026 年，行业才普遍跟进。
商业化：从 " 能展示 " 到 " 真干活 "
技术终归要落地 —— 从能展示到真正干活，还有多远？业内普遍认为，商业落地的关键指标是 " 可复制性 "：完成一次场景部署之后，后续相似场景的适配成本能否持续下降。通用与专用应当作为两个相互衔接的层次：底层通过基座模型提供可迁移的通用能力，上层再围绕具体任务进行适配。关于最先规模化赚钱的场景，行业判断趋于一致：工业等结构化场景最先落地。但真实场景的挑战同样直白 —— 实验室可以限定数据集和场景，真实现场遇到的情况却五花八门；在云端可以随时训练推理，真实产线却要求实时响应、甚至无法联网。以灵巧手为例，作为机器人最频繁接触物理世界的末端，它最容易受损，客户最看重的不是炫酷动作，而是稳定性和可靠性，已有厂商按照车规级的要求来生产每一款手。
橡木果选择的落地场景，正是行业公认 " 最难啃的骨头 " 之一：离散制造柔性产线。随着订单结构转向多品种、小批量，高频换产成为常态，3C、新能源、医疗器械等领域的大量柔性装配仍依赖人工。橡木果以标准化双臂柔性生产单元「具身生产岛」切入 —— 通用双臂搭配 4+N 末端工具，独立完成工序，适配分布式离散制造。在真实客户侧，简单物料的换产适配约 5 分钟，差异大的物料不超过 40 分钟；交付调试周期相比传统工业方案压缩 70% 以上。商业化进展也验证了路径的确定性：公司 2025 年累计订单超 500 万元，2026 年订单已达 2000 万元，并曾在 2 个月内完成全球头部化妆品 ODM 厂商的 POC 并获得商业营收。在工业客户眼中，换产调机成本、稳定性与人效，比技术路线本身更重要 —— 橡木果要做的，正是 " 以不变物理交互本能，应对万变物理场景 "。
ChatGPT 时刻：拐点何时到来？
具身智能的 "ChatGPT 时刻 " 何时到来？业内的答案呈现出有趣的分化。乐观者认为在一到两年内，但强调这个 " 时刻 " 不应被理解为单一时间节点，而是 " 泛化能力出现显著跃迁 " 的标志 —— 机器人进入新环境、面对新物品和新任务时，能够利用已有能力适应。审慎者认为，真正的 ChatGPT 时刻意味着 " 一个超级智能能把所有的任务做完 "，要求极高，需要等 " 数据路径收敛之后 " 才能再谈，也许未来两三年之内，造数据的人的数据会逐步收敛。更保守的观点则直言，现在可能连 GPT 阶段都还不是，仍处于 "Bert 与 GPT 之间的路线选择阶段 "，拐点何时到来 " 没法预测 "—— 但可以确定的是，这件事是非线性的。还有人从系统工程的角度提醒：木桶里有十几块木板，能不能成取决于最短的那块；几十家公司可能都认为自己那一部分一到两年内能完成，但当整个生态合在一起时，时间点就不好说了。
对于橡木果而言，"ChatGPT 时刻 " 或许并不是一个值得等待的节点。公司始终把自身定位为 " 工业级操作基座 "，而非通用人形机器人，也明确不对人形机器人的终局做预测。更务实的参照系来自自动驾驶：L2 级辅助驾驶先跑起来，在规模化部署中积累真实数据、反哺模型迭代，再向 L3/L4 跃迁。在橡木果看来，具身智能同样需要 " 先上车、再进化 "—— 先在可控的工业场景中形成真实闭环，再谈泛化能力的跃迁。
护城河：小公司的生存空间
面对大厂可能下场竞争的前景，行业态度出奇一致 —— 不恐惧。有观点认为，在拐点尚未到来、算法范式尚未验证通的阶段，大厂的优势并不能完全体现：资金多、工程师多、计算资源多，但范式没验证通，就无法大规模往上堆资源。小公司的优势则在于灵活 —— 可以随时跟进新技术，一个决策不会对企业产生很大影响。也有人提醒，" 在 OpenAI 成为 OpenAI 之前，OpenAI 也是个小公司 "；技术护城河只是时间问题，迟早会被大厂攻破，但生态护城河不会那么快被打破 —— 深耕用户、积累反馈、做好黏性，才是更优策略。DeepSeek 的故事同样说明：核心团队十几二十人，训练好一个基模，并不是投入 10 倍的钱就能有 10 倍的回报。
橡木果的底气来自三层壁垒。其一，硬科技团队：核心技术团队 9 人均为清华大学机械工程系博士 / 博士后，自 2018 年起共同研究，创业时全员加入、无一人离开；团队自 2011 年起深耕机器人操作领域，2017 年率先提出「本能驱动」技术路线，历时九年完成从理论发现、工程验证到商业化落地的链路闭环。创始人姜峣拥有 SCI 论文 50 余篇、授权发明专利 40 余项，曾主导国家自然科学基金、重点联合基金及航天企事业项目十余项。其二，技术领先：动态滑移表征技术 2020 年首发、行业领先约 5 年，多模态触觉感知架构覆盖界面、物体、环境三类信息，视触觉传感器达到千万次接触级别且长期零漂。其三，资本与生态：4 个月内连续完成种子轮与天使轮融资、累计数亿元，招商局创投、蔚来资本、普华资本、钱唐材料实验室、水木清华校友基金等重仓；已与全球头部化妆品 ODM、消费电子、日化、食品、新能源汽车等多家行业头部客户完成 POC 合作。更重要的是，公司坚持 " 拒绝项目定制、走标准化产品路线 "—— 不做定制集成、不单卖传感器、不内采训练数据。这 " 三个不 " 纪律，正是规模化复制护城河的起点。
泡沫与清醒
在喧嚣中保持清醒，几乎是所有穿越周期者的共同特质。有从业者提醒：" 只要是泡沫，肯定就会破 "，拐点还没到，好多问题都还没有解决；有研究者呼吁学术界与产业界持续协作，一起探索出一条从数据收集到模型探索的可靠路径；也有人分享了一个反直觉的经验 —— 很多失败的数据，对于模型和后面的训练效果才是最有用的。还有人为具身智能描绘了一个更宏大的愿景：具身给社会做的是 " 加法 "，而非像编程 AI 那样做 " 减法 "。
橡木果的清醒，写在它的对外调性里：冷静、克制，不参与喧嚣的争论，用事实说话 —— 这也是创始人姜峣所秉持的技术理性主义与长期主义。因此，它不承诺 " 比人更快 "，不宣称 " 完全替代人工 "，也避免 " 颠覆 "" 革命 " 式的表述 —— 机器人操作速度尚未达到人类水平，这是行业的现实。它一再强调自己不是一家 " 触觉传感器公司 "，而是一家做通用具身操作的公司：触觉只是感知底座，操作才是终点。它选择 " 做最难啃的骨头 "：聚焦离散制造柔性产线，避开对节拍与可靠性要求极高的成熟大批量汽车产线。它不追风口，只对标企业 ROI。
人形机器人比的并不是谁跑得更快，而是谁能够走得更远，谁能够穿越周期。对橡木果来说，一枚微小的橡果，既是收获的果实，亦是新生的种子 —— 扎根大地、顺应自然规律、自下而上地持续生长。这与其「本能驱动、自下而上」的通用具身操作路线，一脉相承。
免责声明：本文为本网站出于传播商业信息之目的进行转载发布，不代表本网站的观点及立场。本文所涉文、图、音视频等资料之一切权力和法律责任归材料提供方所有和承担。本网站对此咨询文字、图片等所有信息的真实性不作任何保证或承诺，亦不构成任何购买、投资等建议，据此操作者风险自担。