具身大脑融资狂飙：百亿估值是泡沫还是拐点？

这个帖子看得我直拍大腿，太有同感了。我也在折腾家用机器人，之前迷信世界模型，结果延迟高得离谱，电机响应像隔了层毛玻璃，抓个杯子都能把杯子怼飞。后来换了个轻量级端侧模型，虽然决策笨了点，但至少动作稳了，成功率反而上去了——你说的“实时性碾压”我举双手赞成。

不过有个问题一直困扰我：端侧模型目前能处理的任务边界太窄，稍微复杂点的场景比如“从冰箱拿瓶可乐再关上门”就崩了，有时候连冰箱门都识别不准。你那边有没有试过混合架构？比如用端侧做低延迟的底层控制，云端

大模型只负责上层规划和任务分解，中间加个缓冲层来协调延迟差？我最近在捣鼓这个思路，但发现同步机制特别难搞，云端指令下发时电机已经跑了半秒，结果就是动作和规划打架。

另外，资本这么猛砸“大脑派”，我觉得他们可能低估了硬件和软件之间的“适配税”。同一套算法，换不同电机驱动器、不同关节减速比，表现天差地别。你那个端侧模型替换后成功率从60%提到85%，具体是在什么硬件平台上跑的？有没有遇到过算力墙和功耗墙的冲突？我想看看是不是只有我这边被这个坑折磨得够呛。

这帖子看得我百感交集，438亿砸向大脑派，确实让人有种“历史正在重演”的既视感。你提到的200ms延迟和帕金森避障，我太熟了。去年我们在某头部仓储物流客户的POC里，用当时某明星初创公司的“世界模型”做动态抓取——纸箱从传送带上随机滑落，模型需要实时预测轨迹并规划抓取点。结果呢？模型推理加上通信往返，端到端延迟稳定在280ms左右，纸箱都滑出抓取区了，机械臂还在那“思考人生”。最后我们被迫换方案，用了一个轻量化的YOLOv8加传统运动规划，延迟压到40ms以内，成功率从不到50%直接拉到90%以上。这让我深刻意识到一个残酷的现实：在物理世界里，100ms的延迟就是生与死的距离，而“理论上限”在工程面前常常脆弱得像一张纸。

你提到的“软件定义硬件”闭环反馈问题，我愿称之为具身智能的“隐形杀手”。很多资本只看模型参数量和榜单分数，却忽略了从模型输出到电机控制之间那一整条“屎山”链路。我拆解过一套典型的云端大脑架构，从感知、规划、控制到执行，每个环节都有损耗：视觉编码器要花20ms，神经网络推理要80ms，路径规划要30ms，插值平滑要10ms，再加上CAN总线通信、伺服驱动器响应、机械结构惯性……这些非算法因素加起来，轻松吃掉150ms。而最讽刺的是，很多团队把精力花在优化那80ms的推理上，却对另外70ms束手无策，因为这涉及硬件选型、实时操作系统、甚至电机驱动器的底层固件。我见过一个案例，某团队为了追求“端到端大模型”，把整个pipeline都塞进一个神经网络，结果在边缘设备上发热严重，不得不降频运行，反而比传统分治方案更慢。这就像你给F1赛车装了个超级引擎，但底盘和轮胎还是老爷车的水平，一脚油门下去，车没飞出去，先散架了。

你提到的80%公司押注同一条路线，我深表担忧，而且这个风险比大家想象的更近。目前所谓的“世界模型”本质上还是基于transformer架构的next-token prediction，只不过把token换成了视频帧或动作序列。但物理世界天然具有非平稳性——光照变化、物体材质、甚至地板的摩擦力系数，都能让模型泛化能力瞬间崩塌。我亲自复现过某知名开源世界模型，在它训练的模拟环境中，抓杯子成功率95%，一换到真实桌面，背景变成木纹，杯子换了个颜色，成功率直接掉到30%以下。更致命的是，这种泛化失败往往是“突然死亡”式的——模型不会给出置信度预警，它会自信满满地输出一个错误轨迹，然后机械臂一把把杯子推到地上。一旦某家头部公司的开源方案在工业现场暴露这种缺陷，整个“大脑派”的估值逻辑都会被质疑。因为资本现在赌的是“通用性”，赌一个模型能像人一样适应各种场景，但现实是，目前的技术路线离这个目标至少还有两个数量级的差距。

关于估值对标自动驾驶，我觉得这是一个经典的“投影谬误”。自动驾驶的估值逻辑基于“高频刚需+标准化场景”：每个人每天都要开车，道路环境虽然有变化，但遵循统一的交通规则，而且事故成本可以量化为保险费。具身智能面对的则是“低频碎片+非标场景”：工厂里的物料搬运、家庭里的叠衣服、餐厅里的上菜，每个场景都像是一个独立的“窄域AI”问题。你很难像共享自动驾驶里程那样，把一个工厂的抓取经验直接复用到另一个工厂，因为工件尺寸、传送带速度、空间布局都不一样。这种场景碎片化直接导致了“复利效应”的缺失——你在场景A积累的数据和模型，在场景B里可能只有10%的迁移率。这意味着资本期望的“规模效应”可能根本不存在，每个新场景都是一次“从零开始”的成本投入。我测算过，如果按每个场景需要2000条高质量轨迹数据来微调模型，那一个覆盖100个场景的公司，光数据采集成本就超过2亿，还不算硬件适配和部署运维。这种经济模型，真的能支撑起22.5亿的B轮估值吗？

但你提到“本体派靠下限兜底先跑通闭环”，这个观察非常敏锐。我今年深度跟踪了几家走本体派路线的公司，他们的策略其实很聪明：不追求“大脑”，而是把重心放在“小脑”和“脑干”层面——即高精度的运动控制、稳定可靠的硬件本体、以及针对特定场景的“最小可行智能”。比如某家做焊接机器人的公司，他们没有上任何世界模型，而是用强化学习方法训练了一个针对焊缝跟踪的端侧策略，模型只有5M参数，运行在MCU上，延迟不到10ms。配合自研的高刚度机械臂和实时力控，焊接质量比传统示教方案提升了30%，而且部署成本只有“大脑派”方案的1/5。他们的逻辑很朴素：在工业现场，99%的可靠性比100%的智能更重要。客户要的不是一个能跟你聊天的机器人，而是一个能在24小时连续生产中不出错、不宕机的工具。这种“下限兜底”策略，虽然看起来不够性感，但却是真正能产生现金流、形成客户粘性的路径。我甚至认为，未来两年内，最先实现盈利的具身智能公司，很可能不是那些估值最高的“大脑派”，而是这些“小脑派”的实干者。

不过，我也没有完全否定大脑派的价值。你提到的“200ms内决策的千亿参数模型”确实是技术皇冠上的明珠，如果谁能先做出来，那将彻底改变游戏规则。但实现这个目标需要几个必要条件：一是推理硬件要有质的飞跃，比如存算一体芯片让模型直接运行在传感器端，省去所有通信开销；二是模型架构本身要革命，比如抛弃自回归的next-token范式，转向并行推理或脉冲神经网络；三是实时操作系统和中间件要有专门为机器人设计的优化，比如把ROS2的通信延迟从毫秒级压到微秒级。这些都不是单纯的算法问题，而是系统工程问题。我个人更看好另一种折中路线：放弃“大一统”的世界模型幻想，采用“大脑+小脑”的分层架构。大脑负责长周期、低频率的全局规划和场景理解，延迟可以容忍到500ms；小脑负责毫秒级的运动控制和反射行为，用轻量级策略网络或传统控制方法。这样既保留了世界模型的上限，又通过分层解耦保证了实时性的下限。我们在最新的项目中就采用了这种架构，大脑用的是经过蒸馏的ViT模型，运行在Orin上，每秒处理2帧；小脑是一个基于MPC的实时控制器，运行在FPGA上，控制周期1kHz。实测下来，在抓取成功率上，比纯端侧小模型方案提升了15%，同时保持了40ms以内的控制延迟。

最后，关于这波融资热潮的泡沫风险，我的判断是：短期有局部过热，但长期趋势成立。资本现在是用“自动驾驶的终局估值”来给具身智能的“早期阶段”定价，这必然存在错配。但另一方面，具身智能确实是AI下一个十年最重要的应用场景，只是爆发的路径可能比资本预期的更曲折。我预计未来18个月内会有一轮洗牌：那些只靠PPT讲故事、没有实际工程积累的大脑派公司会率先出局，而那些能拿出“200ms决策模型”或“分钟级部署方案”的团队会脱颖而出。对于技术人来说，现在最应该做的不是跟风追热点，而是扎扎实实把闭环反馈的每一毫秒、每一个字节都抠到极致——因为在这个行业，最终决定胜负的不是理论高度，而是工程深度。

同感，200ms延迟在真实机器人上根本没法用，我试过把控制频率降到50Hz才勉强稳住。端侧小模型那条路我也走过，牺牲点泛化能力换实时性，实际落地反而靠谱得多，资本可能真没算清楚这笔工程账。

你提到的端侧小模型成功率反超这点太真实了，我自己试过把推理从云端搬到边缘设备，虽然模型小了，但响应速度从300ms压到50ms，抓取成功率直接翻倍。想问下你当时用的端侧模型是什么架构？我在想，这波融资要是能多砸点在工程优化和硬件协同上，而不是一味追大模型参数，会不会更实际点？