文 | 舒书
2026年6月16日，阿里巴巴发布千问具身智能大模型Qwen-Robot系列，三款产品覆盖操作、移动和世界模型三大方向。这是千问大模型家族首次推出完整的具身智能模型体系。
发布会当天，行业讨论集中在模型参数和架构突破上。但真正值得追问的不是阿里的模型有多强——而是当一家同时拥有万亿参数大模型、全球第三云计算份额、覆盖全国的即时履约网络的公司进入具身智能，它到底在卖什么？
答案不是模型参数。是标准。
一、Qwen-Robot在布什么局
Qwen-RobotManip是VLA操作模型，核心设计是80维统一动作表征，让同一套模型可以适配不同构型的机器人本体，预训练时长超过38000小时，横跨30项真实世界任务、4个机器人平台的三方测评。这一思路与谷歌RT-2、Physical Intelligence的π0方向一致，阿里是跟进优化者而非独家发明者。
Qwen-RobotWorld是世界模型，解决物理规律预判问题。和所有同类模型一样，它存在物理幻觉——仿真与真实的Gap尚未消除。阿里在发布会上公布的是模拟环境精度数据，真实场景中的泛化能力仍需验证。
Qwen-Robot系列还继承了通义千问3.7的全域思考模式——模型在做出物理动作前经历“感知→推理→决策→执行”的完整链路。谷歌RT-2、Figure 01已有类似设计，并非阿里独有。
三件事单独看都不算颠覆。但打包在一起，逻辑变了。
阿里是首个将这套动作表征与自身云计算、百炼MaaS平台、开源生态打包提供的玩家。开发者选择阿里的接口，因为它是最方便的——算力在阿里云上、模型在阿里云上、部署工具在阿里云上，接口天然对齐。当足够多的开发者为了方便选用了同一套接口，它就变成了事实标准。这不是技术定义的，是生态定义的。
阿里在下一盘更大的棋：定义机器人如何感知世界、如何表达动作、如何理解物理规律的框架。当大多数开发者习惯了这套接口，创业公司就只剩两条路——在阿里的标准上做微创新，或另起炉灶。
后者极难，但并非完全不可能。历史上，Docker在VMware的霸权下重新定义了容器标准，Kubernetes在AWS专有方案之外重新定义了编排标准。这类逆袭通常发生在大厂标准存在明显缺陷的时刻。如果阿里的标准在封闭性、成本或场景适配性上出现松动，挑战者仍可能出现。但窗口期有限：创业公司必须在标准被生态锁定之前，证明替代方案的不可替代性。
二、数据飞轮的暗战：更隐蔽的囚笼
接口标准是明线，数据归属是暗线。后者更致命。
当创业公司使用Qwen-RobotWorld在阿里云上做后训练微调时，真实场景数据——工厂、仓库、医院里的边缘案例和长尾场景——是否会被上传云端反哺阿里的通用基座模型？
答案取决于三个变量：部署模式（全托管还是私有化）、合同条款（是否明确数据隔离）、知识迁移的技术可行性（模型窃取攻击研究已证明通过API查询可重构决策边界，但技术上可行不等于平台正在做）。
需要明确的是，这三个变量目前均缺乏公开数据。在缺乏数据的前提下，本文无法给出数据飞轮风险高低的确切判断。以下分析是基于技术可能性的推演——其目的是提醒创业公司在选择云服务模式和签署合同时，将数据主权作为核心考量变量。
即使知识提取机制存在，其实际影响也取决于飞轮的转速。如果阿里基座模型的迭代周期是6个月，而创业公司建立工程化壁垒（产线部署、售后团队、客户SLA）需要6-12个月，则飞轮转起来之前创业公司已有足够时间建立不可替代性。由于阿里具身基座模型的实际迭代周期未公开披露，此分析基于行业通用认知（通常3-6个月），非确凿结论。
一位行业人士用过一个比喻：“你在人家的田里种地，收成还要分人家一半。更可怕的是，人家用你的收成改良了种子，明年你种的还是他家改良过的种子。”
这个比喻描述的是担忧，而非已被验证的机制。平台滥用客户数据面临强烈的抑制因素：声誉风险、法律风险、监管处罚。在缺乏公开证据的情况下，将担心作为事实来陈述是不恰当的。但另一方面，创业公司需要意识到：模型即服务的技术架构存在知识蒸馏的可能性——这种能力可见但行为不可见的状态本身，就构成了权力不对称。
最严谨的表述是：目前无公开证据表明阿里云使用客户数据进行基座模型训练，但技术架构上存在可能性；创业公司应关注合同条款而非默认平台的善意。
三、大厂的真正武器：系统能力的商品化
阿里并非唯一玩家。2026年，互联网大厂正以各自方式切入具身智能。它们的共同策略是：把二十年积累的系统能力商品化。
阿里：模型+履约闭环，全栈布局但缺硬件量产。
阿里最深的护城河是服务履约网络——覆盖全国的即时零售网络、出行网络和支付清算体系。2026年4月，高德自研的四足机器人途途在2026北京亦庄人形机器人半程马拉松上完成公开首秀，展示了开放环境下的自主导航与导盲能力，标志着阿里系在具身智能硬件层面已有实际动作。但短板同样清晰：至今未有任何自研机器人硬件实现规模化量产。
京东：渠道+售后+数据基建，但渗透率尚未验证。
京东发布智能机器人产业加速2.0计划，与越疆科技签署战略合作，还发布了JoyEgoCam采集终端和具身智能数据交易平台。但平台上线数月，入驻企业数量、数据交易量等核心指标尚未公开。
美团：场景+数据+高频测试，但数据边界清晰。
美团累计投资多家具身智能公司，银河通用的机器人已在多家药店实现24小时药品自动分拣。但这一优势边界清晰：美团的场景数据仅限于生活服务领域，无法复用在工业制造、特种作业等赛道。
腾讯：Tairos平台定位外脑，但规模尚小。
腾讯发布具身智能开放平台Tairos，定位做机器人的外脑，但实际开发者规模、机器人接入数量等数据尚未公开披露。
四家大厂各有短板：阿里缺硬件量产，京东缺网络效应，美团缺场景通用性，腾讯缺生态规模。没有一家具备一统江湖的能力，但每一家都在自己的优势领域侵蚀创业公司的生存空间。
人才流动是双向的——创业公司同样在从大厂AI部门挖角。但大厂的人才池深度远大于创业公司，失去几个核心成员不影响整体运转，而创业公司失去一个关键人物可能直接导致项目停滞。这种不对称性，使得双向流动的实际效果严重偏袒大厂。
四、私有标准 vs 国家标准的博弈
大厂今天抢跑的私有标准，未来会不会被国家统一标准推翻？
2026年3月，工信部发布《人形机器人与具身智能标准体系（2026版）》，涵盖基础共性、类脑与智算、肢体与部组件、整机与系统、应用、安全伦理6个部分。该标准由工信部标委会组织120余家科研院所、企业和行业用户单位共同编制，标委会企业委员占比超50%，宇树科技王兴兴、智元创新彭志辉均为副主任委员。
标准体系的发布是行业迈向规范化的重要一步，但制定本身是一个持续迭代的过程。专家指出，基础术语、分类分级等关键领域的细化标准仍在完善中，硬件接口、数据格式的兼容问题也需要在实际应用中逐步解决。
国家标准的制定逻辑与私有标准完全不同。私有标准追求锁定——让开发者离不开我的接口，让数据流不出去。国家标准追求互通——让不同厂商的硬件能互操作，让数据能跨平台流通。二者天然冲突。解决方式历史上存在两种路径：
技术路径：当标准制定以效率最优为导向时，国家标准倾向于将私有标准中最开放、最成熟、普及度最高的部分吸纳为推荐标准。
主权路径：当标准涉及国家安全或自主可控时，国家可能直接制定独立标准，绕过私有标准。中国3G标准TD-SCDMA、操作系统领域的鸿蒙与麒麟，均属此列。
具身智能属于哪一类？目前来看，具身智能的标准化更多是产业引导性质，因此在现阶段技术路径的可能性更高。但这一判断基于一个脆弱的假设。如果出现以下情况，主权路径可能被激活：（1）机器人在关键场景发生重大安全事故；（2）工业产线数据触发主权审查；（3）中美技术脱钩加剧，具身智能被纳入自主可控范畴。这些变量的概率无法准确预估，但它们意味着国标可能推翻大厂私有标准的风险真实存在。
对创业公司而言，国标博弈的结果不是单纯的好消息或坏消息。国标的统一化虽然保护了互通，但也可能固化一个由大厂参与制定的框架——一旦国标落地，创业公司连另起炉灶的机会都没有了。国标是保护伞，也是天花板。
五、三层权力结构
抛开具体公司，把格局拉高。
英伟达定义底层算力标准，大厂试图定义中层接口标准，创业公司在顶层垂直场景竞争。越往下越不可替代，越往上越内卷。
英伟达（底层）：算力芯片和仿真平台的壁垒是物理性的，中短期内不可替代。英伟达Thor芯片算力最高可达2000TOPS，是具身智能领域最重要的算力底座之一。但中长期存在变数：高通、地平线、黑芝麻等芯片厂商正在进入机器人专用芯片领域，部分头部公司也在自研芯片。英伟达的“稳”是当前的稳，不等于永远稳。
大厂（中层）：接口标准的壁垒是生态性的，周期长但可复制。大厂的“规则红利”取决于国标博弈的走向。
创业公司（顶层）：垂直场景的物理数据、工程化know-how、客户定制化交付——壁垒是累积性的，但可被大厂的资本和生态渗透侵蚀。但辛苦红利不等于利润薄。发那科和西门子利润率极高，它们也是垂直深耕者。利润空间取决于竞争格局：如果玩家少、壁垒高，定价权在深耕者手中。
三层结构的利润分配，基于当前格局的推演是：英伟达吃最稳红利，大厂吃规则红利，创业公司的利润空间取决于其能否在垂直场景中建立不可替代的定价权。每一层都依赖上一层的基础设施——创业公司依赖大厂的模型和云，大厂依赖英伟达的芯片。越往下替代成本越高、定价权越强；越往上竞争越激烈、利润越薄。
六、创业公司的生存路径与现金流约束
整机厂商（宇树、智元等）：核心竞争力是量产经验和供应链管理。策略是多边绑定多家大厂，避免单一依赖，持续压缩成本，用“规模+成本”反向议价。
垂直场景玩家：核心壁垒是不可通约的物理数据和客户关系。策略是在通用模型无法低成本覆盖的细分领域扎到足够深——深到客户换掉你要承担产线停机的代价。
零部件企业：最安全的生态位，但面临大厂优选供应商清单的挤压。策略是绑定多家整机客户，推动自身技术参数成为行业事实标准。
通用算法团队：最危险的生态位。如果做的是和Qwen-Robot同质化的通用模型，生存空间正在加速消失。唯一的生路是转向特定场景的精调服务，并极度警惕数据被平台虹吸的风险。
但以上策略有一个共同的约束条件：现金流。大厂可以靠电商、广告、游戏业务补贴百亿投入，持续亏损5年不眨眼。创业公司没有这个选项——每一轮融资都必须在有限时间内证明商业化进展，否则下一轮估值就会打折甚至断粮。这意味着创业公司的深耕策略必须同时满足两个时间表：技术打磨的时间表（可能3-5年）和投资人预期的时间表（通常12-24个月）。这两个时间表天然冲突，而冲突的代价由创业公司独自承担。
七、结论：规则归大厂、底座归算力、红利归深耕者
阿里入局具身智能是一个标志性节点。
具身智能正在从参数竞赛进入标准竞赛。上半场比谁模型更强、融资更多、人才更密。下半场不同——当大厂带着二十年系统能力入场，技术差距会被生态绑定和标准锁定快速放大。
但行业终局不是大厂通吃，而是一个分层格局：规则归大厂——通用层定义权大概率被大厂（或大厂参与制定的国标）锁定。底座归算力——英伟达及其挑战者吃算力红利。红利归深耕者——垂直场景的工程化能力仍然属于那些愿意在产线和仓库里泡足够久的人，但利润空间取决于能否建立不可替代的定价权。
另一个必须正视的变量是国际化竞争。本文聚焦于中国市场，但特斯拉Optimus、Figure AI等海外玩家的进展可能直接改写竞争格局。如果美国公司率先实现规模化商用并在全球范围内形成事实标准，中国大厂的定义权将主要局限于国内市场。中国大厂今天的标准竞争不仅是国内战役，也是一场与国际对手的时间竞赛。
大厂定义了80维动作表征。但它定义不了工厂里一颗螺丝的真实扭矩参数。在标准面前，创业公司是弱势的；在最后一公里的脏活累活面前，大厂也是弱势的。但弱势不等于安全。创业公司必须在标准被完全锁定之前，在垂直场景里跑出大厂无法低成本替代的厚度。
这是一个相互依赖但权力不对称的格局：英伟达提供底层算力，大厂提供中层规则，创业公司提供顶层落地。每一层都依赖其他层才能运转，但权力差异在于谁离得开谁——大厂换芯片供应商的成本远高于英伟达换客户的成本；创业公司换模型供应商的成本远高于大厂换场景合作伙伴的成本。越往下替代成本越高、定价权越强；越往上选择越多、竞争越激烈。
谁能在自己的层级上建立不可替代性，谁就留在牌桌上。
思考资本提示：文章来自网络，不代表本站观点。
