2026 年 6 月 1 日，一个悬在整个行业头顶的靴子终于落地。
宇树科技科创板 IPO 顺利通过上交所上市委会议审议。从 3 月 20 日 IPO 申请获受理到 6 月 1 日过会，仅历时 70 余天。
这一天之后，所有具身智能公司都不能再回避一个问题：你到底值多少钱？
在此之前，这个答案可以务虚。Pre-IPO 轮的投资人可以相信 200 亿只是季后赛入场券，创业者可以引用 Figure AI 的 390 亿美元估值，国资和产业资本可以凭 " 国家战略 " 入场。但宇树的过会，意味着这些叙事即将接受一个冷酷的检验。一个以 PS（市销率）和叙事驱动的行业，第一次要直面二级市场的 PE（市盈率）和 DCF（现金流折现）审视。
2026 年，至少有 20 家具身智能公司明确上市计划，智元机器人、星海图、银河通用、星动纪元们正排着队，等待同一个问题的回答。宇树的定价，将成为所有后来者的估值锚点。
如果一二级市场关于具身智能的估值逻辑无法平稳接棒，如果技术叙事与商业现实之间的裂缝无法弥合，我们看到的将不只是某家公司的股价破发，而是整个行业的估值体系崩塌。一级市场的投资人会重新思考：如果宇树不值 400 亿，那我手里的银河通用、星海图们还值 200 亿吗？
这就是 2026 年夏天的真实：我们到了必须正面讨论具身智能公司估值逻辑的时间点。
今年年初，我们采访了众多具身智能公司的高管与股东。对于是什么逻辑支撑了具身公司的融资热潮这一问题，大家的答案重点各不相同，但都提到同一个背景。那就是 2025 年大模型公司智谱和 MiniMax 上市之后的优秀表现，让资本市场意识到：即使财务数据上仍有瑕疵和质疑，AI 的技术叙事在人民币主导的二级市场依然可以支撑起千亿市值。
资本市场对于具身智能行业的高预期，本质就是对技术叙事的信心。毕竟物理 AI 是一个比大语言模型更加宏伟的蓝图，再叠加上中国先进制造的 buff，国家政策地坚定扶持，具身智能在二级市场的强劲表现变得理所应当。
但也有投资人冷静地判断：" 具身智能的技术故事远没有大模型好讲。" 而这个答案，就藏在技术可验证性的鸿沟里。
大语言模型在经历了早期长年的技术蛰伏之后，已经在 ChatGPT 时刻，转变成了一种民主化的技术范式。用户打开网页，输入问题，立刻获得回应。不用明白神经网络，不用理解 Transformer 架构，不用知道什么是强化学习，价值在几秒钟内自我证明。这种 " 零门槛验证 " 让技术叙事直接转化为大众信仰。
但具身智能的技术验证链条则是断裂的。
具身智能融资浪潮爆发之后，投资助理林涛最核心的工作就是替老板审核投递到 BP 邮箱里海量的机器人演示视频，并联系对方安排实地参访来验证真伪。" 千万不能相信视频演示，一定要看真机演示。" 林涛苦笑着对我们表示，" 而且一定需要在真机演示中实施干扰。即便如此，仍无法保证机器人的动作一定是模型驱动，还很有可能是遥操控制。"
而绝大部分普通人对于具身智能的感知，基本全部来自于视频。大家只能被动接受精心剪辑的 Demo、媒体解读的 PR 稿、投资人现场考察后的背书。这是一种隔离的精英化技术叙事：信任建立在 " 专业背书 " 之上，而非大众亲验。
这种差异导致了叙事可信度的根本差别。当技术无法被大众亲自验证，信仰就只能建立在可量化的财务数据上。而一旦数据揭示出类似于 "POC（概念验证）多、量产少、复购难 " 等真相，信仰崩塌就是瞬间的事。
而具身智能技术叙事的另一个症结在于：同质化严重。
在 200 亿估值已经变成 " 季后赛入场券 " 的今天，支撑这一估值的技术叙事是：VLA 架构、世界模型、数据闭环、开源生态等等。这套叙事在过去两年确实有效，但当所有具身公司都在讲同一个故事，技术叙事的含金量就开始快速贬值。
在一家头部具身智能公司担任公关负责人的欣兰，入职半年，已经重拾了戒掉两年的烟瘾，而且愈发严重，" 下半年已经不知道还能讲什么故事了。" 去年还和媒体说公司不屑于刷榜的她，今年已经开始要求传播各种榜单登顶的新闻了。每次模型版本的迭代都只是参数上的微小差异，连她自己也不清楚到底优化了哪，但仍要硬着头皮大发通稿。还有明明是同一套技术路线，但老板就是要求硬编一套独家、创新、自研的话术。
更让欣兰担忧的，是行业内卷已经发展到了 " 互黑 " 的程度。" 听说同行里已经出现雇水军相互攻击了的案例了，而我们马上又要公布一轮融资和模型发布，估计也得被盯上。" 她愁苦地说。
行业有一个共识，具身大脑模型进展缓慢，除了模型架构本身的问题，更根本的原因就是高质量数据的空白。于是，数据叙事成了技术叙事的延展，" 数据飞轮 " 成了每家具身公司 ppt 里必定出现的词汇。大家都在比拼谁的数采设备更多，谁的数据集更大，覆盖场景更广。公司融来的钱，最大头也并非花在模型开发上，而是花在数据采集和训练上。
而残酷的是，数据的边际收益远没有想象中高 .
大模型领域的 Scaling Law 已被验证，但在具身智能领域，这个定律并没有想象中有效。一位头部具身公司的算法负责人坦言：" 我们花了几千万采集的 10 万条真实操作数据，模型能力的提升可能只有 5%。再花几千万采集下一个 10 万条，提升可能只有 2%。"
原因在于物理世界的碎片化与不可复用性。大模型的训练数据是文本，文本的泛用性几乎没有限制。但具身数据的场景是锁定的：在 A 工厂采集的数据，到了 B 工厂的场景几乎无用；在房间 A 训练的 " 叠衣服 " 技能，换到另一间光照条件不同的房间 B，成功率可能断崖式下跌。
某具身公司数采负责人对我们表示，当下数据采集的可用性之低，远超想象。" 每一万小时的操作数据，可能真正能用的只有数十小时。" 而如果建立一套高质量数据采集的流水线，加上后续大规模采集工作所需消耗的成本，又是一个天文数字。
行业正在达成一个无声的共识：短期内，想靠数据以引起模型能力的质变，很难。而应该是解决数据短缺终极方案的世界模型，又是一个 " 远水不解近渴 " 的故事。
当技术叙事的天花板遇上近在咫尺的 IPO，一二级市场都需要具身公司给出一个更加性感且通用的叙事逻辑。而这个答案也已经浮现：订单。
订单叙事的真空化
从 2025 年下半年开始，" 落地 "" 量产 "" 场景 " 成为具身行业的新热词。新闻通稿的内容也逐渐有了变化：技术参数变成了客户名单，采集数据小时数变成了量产台数，融资总金额变成了订单总金额。PR 层面上看起来，各家具身公司已经全面跨过了量产和订单的大门，彷佛盈亏平衡的拐点就在一两年之内。
然而，一家前头部本体公司的销售负责人对我们坦言：" 销售策略很明确。先送机器人进厂，哪怕免费，也要把某知名车厂采购数千台我司机器人的新闻稿发出去。" 公司必须用订单故事来维持预期、支撑融资、为研发争取时间。
当这种策略成为一种普遍现象，行业订单的真实成色也出现了松动。
一位传统工业机器人的企业家则对我们表示，他一点也不担心在工厂订单上与新兴的具身公司竞争。因为，无论是稳定性，还是量产能力，新兴的具身公司根本就不具备规模化服务客户的能力。国内的工业机器人企业替代传统四大家族（发那科、ABB、安川、库卡）的进程，整整走了二十年。这是一个以十年为单位的漫长验证过程：从样机试用，到小批量采购，到产线改造，再到规模复制，每一步都需要客户算清 ROI、评估稳定性风险、重新设计生产流程。
" 具身公司的机器人走下产线才几年，路还长着呢。" 这位企业家淡定地微笑着。
具身智能公司的订单叙事可等不了二十年，公司必须在下一轮融资或者 IPO 之前证明自己的 " 商业化进展 "。
于是，一些具身公司在订单的交付上开始妥协。融资新闻里讲的是 "VLA 端到端模型 "" 世界模型驱动的智能决策 "，但交付给工厂的机器人，底层跑的却是传统控制算法。
一位算法工程师给我们解释了这个 " 过渡性方案 " 背后的考量：" 客户要的是稳定性、可解释性、故障可排查。在产线上，一旦抓取失败，客户会问 " 为什么 "，而我们解释不了神经网络的黑箱决策。所以交付时，我们先采用传统控制。这样故障可追溯，客户能接受，我们也能先把产品送进去、把关系建立起来，等技术成熟了再升级。"
具身智能订单叙事背后是一个巨大的空洞。
行业需要的是时间
2026 年的夏天，当宇树、智元、银河通用、星海图们站在 IPO 的大门前，他们面对的是一道时间的裂缝——技术成熟还需要的时间与资本市场的耐心之间的裂缝。
这道裂缝的宽度，决定了行业的命运。问题在于，资本市场愿不愿意给这个时间。
一级市场的投资人们不是不知道模型能力还需要时间，也不是不知道订单大的规模化为时尚早。但他们有自己的周期压力——基金存续期、LP 的退出预期、 portfolio 的估值增长。当一家具身公司说 " 再给我三年 "，投资人听到的可能是 " 三年后我可能就不存在了 "。于是，IPO 成了最优解：把估值压力转嫁给二级市场，让公众股东来承担时间的不确定性。
IPO 大门之前，技术叙事已经见顶，商业叙事又还没准备好，若没有其他因素影响，跌落——大概率是两种时间尺度碰撞的必然结果。与其在 IPO 前夜用 " 半成品 " 的商业叙事透支信任，不如坦诚地告诉市场：我们还需要时间，但这是值得等待的技术革命。
（作者：陶天宇 编辑：杨林）
