第一道坎兒是路線依賴癥，成為普遍困境。

今年以來，具身智能圈里流傳著一個略顯尷尬的杜撰段子：一個VLA模型在演示現場，被指令“把桌上那個橙子遞給我”。機械臂流暢地探過去，精準地握住了一只玻璃杯。全場瞬間安靜。工程師額頭冒出汗，慌忙在平板上敲字：“重新定義橙子”。

過去大半年，這類現場翻車的段子層出不窮，主角從國內估值頂流的幾家獨角獸，到大洋彼岸的Figure AI、Physical Intelligence，幾乎無人能免。

就在兩年前，整個行業還在為VLA（視覺－語言－動作模型）這條技術路線高聲站臺。Covariant的RFM-1剛亮相時，媒體幾乎要把“通用機器人奇點降臨”的標簽直接貼在它身上。谷歌DeepMind的RT-2論文發布后，二級市場的分析師們連夜修改研報，直接把具身智能的商業化落地時間提前了整整三年。

可時至今日，具身智能正站在技術路線分岔口，海量資本與企業涌入，卻困在數據依賴、泛化不足、落地艱難的死循環。

而今天，橡木果機器人卻以一種全新的稱為【本能驅動】的技術路線，開辟了除VLA和世界模型之前的第三條路徑，以自下而上而非數據驅動的方式，讓機器人在物理世界自主涌現操作智能，為行業打開量產與通用化的新大門。

01.

具身智能迎來拐點

具身智能大致正處于1.0階段到2.0階段的轉變中，1.0階段整個行業更加注重產業鏈的構建，產品的定義以及發布。在此階段，資本熱錢快速涌入，企業主體如雨后春筍崛起，各類技術創新井噴式爆發。

隨著具身智能邁入2.0階段，國家層面的政策體系不斷完善，對具身智能尤其是人形機器人的標準化體系日漸落地，與此同時，具身智能產品也開始從春晚舞臺走進工廠等各類場景。

不難發現，在資本與政策雙重加持下，具身智能邁入爆發臨界點。

公開資料顯示，2025年國內行業融資近370億元，同比增長260%，全年融資事件超300起，單筆融資突破10億元成常態。政策將具身智能列為未來產業重點，多地設立千億級產業基金，推動技術從實驗室走向產線。

市場層面，中國具身智能規模2025年達9150億元，2026年有望破萬億，人形機器人進入規?；帕侩A段。

橡木果的觀點是，雖然具身智能產業涌現了越來越多的玩家，但這個賽道當前并非“百機大戰”，而是“百態大戰”，與智能眼鏡的同質化競爭不同，行業正處于技術路線探索階段。

橡木果表示，智能眼鏡技術路線收斂、核心是參數堆疊，而具身智能路線差異顯著，有人走純VLA端到端路徑，有人采用分層架構，目前尚無路線被驗證為唯一正解，真正的競爭尚未開啟，唯有實現超越人類的基礎操作能力并落地量產，才會形成穩定競爭格局。

至于后續行業關注的機器人量產與智能化競爭。相關專家認為，其實目前具身智能要發展得更好，不只需要專屬通用大模型。

具體看，大模型作為“大腦”負責任務規劃，但缺乏穩定可靠的“手”即操作執行能力，再強的規劃也無法落地。物理世界任務的穩定完成，依賴任務規劃大模型、通用操作執行模型與機器人本體協同，三者缺一不可，在其中，橡木果機器人聚焦操作執行模型，保障任務可靠落地。

執行層面的靈活性和實用性確實關鍵，參考過去的汽車工業以及電子消費工業，雖然近來也陷入參數堆料和同質化競爭，但能真正領先的大多需要在系統、芯片或者智駕等有核心獨創技術。同樣，具身智能行業玩家幾百家，也只有擁有真正相對核心的技術才能率先跑出商業化成功典范。

“橡果機器人的核心競爭力源于系統級差異。從神經科學與力學底層定義‘操作本能’，回答機器人如何自主學會操作；自研觸覺感知、本能決策、通用技能與末端執行全鏈路，形成技術閉環，已在工業場景完成商業化驗證，解決傳統方案難以應對的冷啟動與物料適配問題，快速實現大廠POC與產能量產，這一底層認知與落地能力是最難復制的壁壘。”團隊表示。

公開資料顯示，橡木果2024年底成立，團隊源自清華與哈佛，深耕操作領域十余年，2017年提出本能驅動路線，近年啟動商業化，半年完成大廠POC驗證，訂單突破500萬元，成為北京市創新型中小企業。

其實無論從什么角度看，復盤過去幾年具身智能發展歷程，行業都已經從“講故事”轉向“交答卷”，交付能力成估值核心錨點。因為過去企業拼參數、融資金，現在工業客戶看重7×24小時穩定運行、復雜場景適配與真實降本增效。

顯然，拐點已至，行業不再是實驗室秀場，而是商業化戰場。誰能破解落地難題，誰就能占據賽道主導權。

02.

邁向高質量，機器人仍在負擔里

回過頭來看，雖然整個具身智能和人形機器人行業熱度高漲，卻被三重枷鎖束縛，難以邁向高質量發展。

主流VLA路徑用大模型+大數據自上而下訓練，把任務與硬件耦合在黑箱里。數據需求呈指數級爆炸，操作涉及多模態信息，數據量遠超語言模型范疇，沒有企業能覆蓋所有場景。硬件差異導致模型無法預訓練，同款夾爪細微差別就會讓參數失效。加之一些產品的視覺無法感知滑移、重心等力學信息，出現“眼睛學會、手做不到”的尷尬，穩定性難以滿足工業要求。

可落地“最后一公里”卻遲遲難以打通。

因為機器人要實現量產，需要大腦、執行與本體協同?，F有的深度學習以及模型解決任務規劃，但操作執行能力缺失，再強規劃也無法落地。

工業機器人可以按照預定的邏輯，在工業流水線上操作設備，客戶對它的訴求是高效率的、固化式的重復機械勞動，比如車企生產間的搬運、涂裝等工序。只要你的產品在機器臂等硬件材料上符合要求，然后基于深度學習、遙控操作等技術，機器人內置的傳感器能快速理解模塊化任務需求，這時候人們將事先定義的答案交給機器去學習，比如人類通過大量的數據訓練，機器就能記住相應的知識模塊，從而進行產生模仿的行為。跳舞也好，工廠里面的簡單的搬運也好，就是這個道理。

的確，稍微復雜些的工業場景會十分考驗機器人的能力，與一般簡單的搬運操作作業不同，現實世界中許多大工廠換產頻繁、物料多樣，傳統方案調試周期長、成本高。多數企業停留在實驗室演示，面對陌生物體與工況，無法冷啟動作業，量產只能是空談。

另外，核心壁壘缺失制約行業進階。具體來看就是觸覺感知重視不足，企業多用簡單力傳感器或純視覺判斷；端側實時決策能力薄弱，依賴云端大模型導致延遲；行業沒有統一底層系統，感知、決策、執行鏈路割裂。

上述這些問題讓機器人只能在特定場景演示，無法跨平臺、跨任務泛化，距離通用化目標遙遠。而一旦行業陷入“熱而不實”的困境，硬件迭代快，智能水平跟不上，數據成本高，落地效率低。破局關鍵，是跳出原有路徑，回歸物理世界本質，找到更簡潔、穩定的技術方案。

03.

行業需要破局者，回歸本能驅動

當行業陷入內卷，橡木果以本能驅動成為破局者，走出VLA與WAM之外的全新路徑。

橡木果的創新，源于對操作本質的重新認知。

如何理解？

人類不用學習就會抓取，這是與生俱來的操作本能，由觸覺刺激直接觸發，不受環境影響。橡木果以此為起點，不教機器人模仿動作，而是賦予本能，讓其在交互中自主長出操作能力。

橡木果機器人走出了一條與行業主流截然不同的本能驅動技術路線，不依賴海量數據模仿，而是讓機器人像人一樣，靠本能在物理世界中自主學會操作。

主流VLA路線用大模型與大數據“自上而下”教機器人，就像讓孩子死記硬背所有動作，數據需求爆炸、換個物體就失靈，還只能靠視覺“看”，摸不出軟硬、重心與滑移，很容易抓不穩、掉東西。

橡木果從神經科學得到啟發：人類不用學就會抓握，這是操作本能。團隊以此為核心，把“任務規劃”和“操作執行”徹底解耦，大腦負責想，手負責做，各司其職。

機器人的核心是端側本能模型，自帶定向、探索、執行三大本能。碰到沒見過的物體，不用訓練、不用標注，靠觸覺直接響應，毫秒級調節力度，能自動探索穩定抓法，薄卡片、軟膠球、重心不穩的瓶子都能穩妥抓取，實現零數據冷啟動。

觸覺是這套系統的基礎。橡果自研高精度觸覺傳感器，能感知力、變形、滑移，判斷軟硬、重心、材質，讓機器人擁有“真實手感”，而不只是靠眼睛猜。

在本能之上，機器人通過實操形成肌肉記憶，再用觸覺數據增強視覺理解，練成通用操作技能，實現跨設備、跨任務快速遷移，從“一上來就會”變成“一上來就熟練”。

這條路線更穩定、泛化更強，已在汽車新能源、快消、生物醫藥等柔性產線落地，快速完成POC并量產，為機器人提供即插即用的通用操作能力，成為具身智能領域的全新范式。

總結下來，技術架構上，橡木果將任務規劃與操作執行解耦。其任務規劃由云端大模型負責，橡木果專注操作執行，形成大腦與手協同工作。核心是端側自主決策模型Natus，包含定向、探索、執行三大本能，覆蓋操作底層規律。定向本能引導末端靠近物體，探索本能讓機器人自主尋找穩定抓取方式，執行本能以滑移最小化為目標，實時調節力度。

而且這套系統實現零數據冷啟動，無需訓練、標注與微調，即插即用。面對身份證、軟膠球、重心偏移的瓶子等陌生物體，機器人能自主探索穩定抓法，毫秒級響應，適應不同硬件與工況。觸覺是能力底座，橡木果自研多模態傳感器，精準感知力、變形、滑移，判斷軟硬、重心、材質，讓機器人擁有真實手感。

長期來看，橡木果要成為具身智能的通用操作系統，任何機器人搭載其末端，就能獲得冷啟動、自適應操作能力。

一切偉大突破，皆發于種核。

橡木果以本能為種，深耕操作底層，用自下而上的創新，打破行業路徑依賴。在大模型、大數據、大算力的熱潮中，回歸物理世界第一性原理，讓智能在真實交互中涌現。這不僅是一家企業的技術選擇，更是具身智能走向通用化、量產化的未來方向。當機器人擁有與生俱來的操作本能，物理世界的智能化變革，才真正拉開序幕。