当然，随着估值高企，智元机器人也面临着更大的商业化和技术上的压力。上述投资人告诉智能涌现：“智元估值越涨越高，新一轮融资估值到了150亿元，势必面临着来自于投资方对于公司收入的要求。只有技术成果不够，还得有商业化成果。”

现实主义的具身智能故事

按照估值，目前国内人形机器人创业公司已经形成了鲜明的梯队，第一梯队的公司有三家：宇树科技、智元机器人和银河通用。第二梯队的公司则包括逐际动力、千寻智能、智平方等十多家。

智元机器人是第一梯队中最特殊的角色。按照真格基金的看人理论，宇树科技的创始人王兴兴和银河通用的创始人王鹤可以归类到“技术派”，而邓建华则要归类为“操盘手”，一般是指在大公司有带队经验的管理人才，他们有独立决策、从0到1的经验。

不同类型的创始人，也赋予了企业不同的风格和特质。

宇树科技的王兴兴研究机器狗起家，专注硬件，至今不碰具身智能大模型；银河通用王鹤一直坚持以仿真数据驱动具身智能模型训练的技术路线，且至今只做过一款机器人本体。他们都选择了特定的方向或技术路线，有一种“技术派”的坚持。

智元机器人则代表了一种更现实主义的选择和趋向：软硬件都做，多条模型技术路线都探索，对于自研或者采购第三方的选择也十分开放。

例如在具身智能模型的选择上，智元一方面投资了具身智能模型公司灵初智能，还与美国具身智能模型公司Physical Intelligence（PI）达成合作，同时也在自研具身智能模型启元大模型GO-1。

再例如，智元并不局限于做人形机器人，而是把业务扩展到了商用清洁机器人。这类传统机器人商业化应用已经成熟，可以快速形成收入。为扩展该业务，智元还从商清龙头企业高仙机器人那里挖角人才。

“好像只要有利于扩大收入、占领市场的事情，智元都可以很灵活参与。”一位业内人士对智能涌现评价道。

通过广泛的战略投资和上市公司合作，智元打造出了一个产业生态，也可以帮助其更快地实现商业化和规模化。

计划与智元机器人成立合资公司的上市公司大丰实业就在今年3月的公告中披露称，将在合资公司成立后一个季度内向智元提供不低于1500万元意向采购订单。

智元投资的仿生机器人公司数字华夏，则与智元联合开发了仿生机器人“夏澜”，主攻教育、医疗、酒店服务、商场导购等场景。

投资了智元的蓝驰创投合伙人曹巍直言：“智元机器人有大量的产业股东，比如比亚迪、上汽等，仅来自股东方的需求，可能就创造出几万台机器人的销量。”

△仿生机器人“夏澜” 图源: 数字华夏官网

去年12月，智元机器人宣布率先开启通用机器人商用量产。据其披露，截至去年12月底，智元的量产工厂总计下线超过900台人形机器人。公司合伙人、具身智能事业部总裁姚卯青曾在接受采访时表示，智元2025年机器人出货量计划保持在数千台，营收数将保持数倍规模增长。

补上缺失的一课

通过高举高打和全要素竞争，智元机器人在融资、商业化等领域取得了先发优势。但这种策略也并非没有短板——作为一家创业公司，同时做多款产品，布局多个技术方向，如果不把资源集中在最核心目标之上，更难以取得突破。

具身智能大模型，就是智元机器人相对薄弱的技术能力之一。

“如果看估值，智元和银河通用、宇树科技三家在具身赛道的第一梯队，但如果看模型能力，智元排不进第一梯队，它的demo（演示视频）表现出的泛化性很一般。”上述资深具身智能投资人对智能涌现评价。

该投资人表示，目前一些优秀的具身智能大模型已经可以实现一镜到底的叠衣服、刮胡子、拉拉链，而智元在今年3月发布的启元大模型并没有复现上述复杂能力，而是相对简单的PPT操作（即Pick抓取、Place放置和Transfer转运）。

智能涌现此前曾报道，智元机器人2024年6月决定研发机器人具身智能大模型，这个时间点在动作节拍上已经落后于自变量机器人、穹彻智能等业务偏重具身智能模型的创业公司半年多的时间。

2024年下半年，智元机器人的研发团队还曾经历了调整，多位核心研发人员离职。其中有公开去向的包括原具身组长朱光沸加入众擎机器人，前首席技术专家高翔加入了小笨智能。

之后，智元则相继引入了前蔚来工程总监姚卯青(任具身智能事业部总裁)、前谷歌学者罗剑岚（任首席科学家）等具身智能模型方向的相关人才。加上此前就加入的上海交大的闫维新教授，智元机器人的具身智能模型团队已初现雏形。

通过一系列动作，智元机器人正在努力补足其具身智能大模型能力，以缩小和竞争对手的差距。

2025年被很多具身智能从业者称为人形机器人的“量产元年”和“商用元年”。但由于泛化性、通用性不足，当下人形机器人的商业化前景仍不清晰。现有的主要应用场景如科研、政府接待、迎宾引导等不仅规模有限，且市场需求很难持续。

这背后的根源还在于“脑”的智能不足的问题。

当前机器人成功率最高、最快落地的操作是“PPT”，Pick（抓取）、Place（放置）和Transfer（转运），这类操作可以解决的实际问题、适应的应用场景非常有限。要解锁更复杂的场景和动作，打开更大的下游市场，则需要等待具身智能大模型的技术新突破。