模型能力的跃迁、资本密集的下注、Demo 的爆发式出现，让“通用机器人”重新成为一个被反复讨论的方向。但在热度不断叠加的同时，行业内部也逐渐意识到：真正决定长期走向的，并不在聚光灯下。
在 1 月 15 日第 18 届创业邦年会暨创业邦 100 未来独角兽大会中，灵初智能斩获 2025 创业邦 100 未来独角兽企业。圆桌对话部分，灵初智能创始人兼 CEO 王启斌从一线研发与创业实践出发，分享了一些偏长期视角的思考。这些观点并不试图给出宏大的结论，而是围绕技术可行性、产业节奏与现实约束，勾勒出具身智能下一阶段更清晰的轮廓。
谈到为何选择具身智能这条更“难走”的路，王启斌回溯了机器人产业过去几轮技术波次。
在他所亲历的更早的周期中，产业已经完成了对“移动”的阶段性解决：从基于 SLAM 的平面移动到更复杂的从室内到室外的移动。而真正复杂的操作能力，长期依赖高度定制的自动化方案，难以形成规模化演进。
变化发生在算法范式转移之后。强化学习与数据驱动方法，使得复杂操作第一次具备了被系统性学习和持续优化的可能性。正是这一技术拐点，让原本被认为“不可 scale”的通用灵巧操作，重新进入可探索区间。这也是灵初选择在这一时间点集中资源进入上半身全栈操作领域的核心原因。
关于被热议的“通用人工智能”概念，王启斌提到：机器人并不运行在抽象空间中，而是在三维物理世界里完成真实动作，这一难度远高于语言或视觉任务。任务复杂度、环境不确定性、执行误差都会被不断放大。在这样的前提下，“通用”天然是一条长曲线：目标越远，路径越长。而灵初智能从不讲没有边界的“通用”。
过去一年，“世界模型”成为高频词汇，在具身智能语境下，其价值取决于是否能够帮助系统更好地理解空间、预测状态演化，并对动作决策产生实际指导。
王启斌提到，世界模型的源头来自强化学习，而真正重要的是模型是否能够解决几个核心问题：机器人如何理解三维空间、如何进行长程规划、如何预测下一步动作的结果。在他看来，无论从 VLA、世界模型还是叠加式架构出发，最终都绕不开数据质量与数据规模的问题。世界模型只有在真实、多元的数据支撑下，才能对动作生成产生实际指导意义。这也是灵初持续投入低成本数据采集工具和数据体系建设的原因。
展望 2026 年，王启斌从更宏观的角度拆解了具身智能的发展节奏。他将其概括为三个交错推进的小周期：硬件周期仍在延续，数据周期已经加速，而真正大规模的场景周期才刚刚启动。由于具身智能本身的复杂性，原本被寄予厚望的“先跑场景”路径被整体放缓。
他认为，接下来的关键变量，将更多体现在数据体系的完整度与效率上——从采集、运营到训练，再到模型迭代，形成正向循环的团队，会在第二周期中逐渐显现优势。
具身智能的发展，很难用单一节点或单次突破来定义。它更像一条需要耐心推进的长线工程：节奏缓慢、变量复杂，却对方向判断提出了更高要求。当热潮逐渐回落，真正留下来的，往往是那些在早期就选择直面难题、接受长期投入的团队。