如果手握百亿资金投具身产业链，他的分配方案是：60 亿投大脑、30 亿投零部件、10 亿投应用。 核心观点：未来能从零打造具身基础模型的头部企业，最终大概率不会超过 5 家。
📉不会有爆发式 ChatGPT 时刻 物理 AI 影响产业规模可达 50 万亿美元，但刘爽认为，具身智能很难迎来突然爆发的 ChatGPT 时刻。 机器人不光要理解语言指令，还要落地物理动作，要处理机械、精度、安全、现场异常等一大堆现实问题。 产业路线是渐进式迭代，没法跳过 Demo、测试、降本、提可靠性这些必经阶段。
💸算力成本，是绕不开的硬坎 内部测试里，GPT-6 Astra 适配机器人，短短 30 秒 Demo 就消耗近 4000 万 token，几乎耗尽工程师半个月额度。 大模型擅长高层任务规划推理，但不适合做高频精密控制。更合理架构：大模型负责认知规划，轻量模型 + 传统控制系统处理实时动作。 工业场景还有红线：不能靠真机现场撞设备、碰人来试错，动作执行前必须加上独立安全约束。
🧠赛道格局预判，估值要回归基本面 从零开发具身基础模型门槛极高，需要万卡甚至十万卡算力集群与持续巨额资本。 基础模型和在现成模型上做微调，完全是两种生意。 部分机器人本体、标准零部件当下估值偏高；而手握真实场景、交付能力的企业，价值还没被充分挖掘。 新旧玩家不是简单替代，会走向交叉融合：老牌机器人补齐 AI 大脑，新模型公司补齐工程交付能力。
📊真机数据珍贵，但成本昂贵 真机采集的数据质量极高，如同老酒原浆，但采集成本昂贵。 行业更优搭配：60% 以上真实世界数据作为主体，仿真数据仅用来做 10%-20% 的数据增广。 同时区分数据价值：描述环境任务的数据跨机器人可复用；绑定特定关节动作的数据复用性很差。
🏭工业落地，账没有那么好算 当前市面上的机器人出货量，包含大量科研、展示样机；真正投入生产的台数，大概只有账面数字十分之一。 就算技术可行，也不代表商业成立。现阶段仅有约 20% 工业场景能算清经济账。 工业落地优先级：成功率第一，效率第二，经济性第三。 百亿估值能不能站住，最终看：技术能不能变成生产力、部署后能否沉淀可用数据、下一次交付能不能降低成本。
想要了解更多有趣的 AI 研究，记得关注我哦