01. 具身智能行业全景 (Landscape)
具身智能正在从“单任务机械臂”走向“通用机器人智能体”。这一趋势由三股力量共同推动：多模态基础模型、可扩展数据流水线、仿真-实机闭环。
⏰ 最后更新时间: 2026-02-26 | 本页内容将每日更新「具身智能产业格局、关键玩家与商业化信号」。
关键行业信号：NVIDIA 在 GTC 2024 发布 Project GR00T，并与 Isaac Sim 组合推进 humanoid 基础模型与仿真数据生态，显示“模型 + 仿真 + 计算平台”正在一体化。[来源]
1) 赛道分层：从单点自动化到通用具身智能
| 层级 | 能力特征 | 典型形态 | 代表信号 |
|---|---|---|---|
| L1 任务自动化 | 固定工位、重复任务、规则驱动 | 工业机械臂 + 视觉定位 | Universal Robots |
| L2 场景化智能 | 可迁移到同类场景，需人工配置 | 仓储、拣选、巡检系统 | Agility Robotics |
| L3 通用具身智能 | 语言指令到动作执行，跨任务泛化 | 人形机器人 / 通用移动操作平台 | Figure Helix、RT-2 |
3) 产品与系统信号（并入行业全景）
产品不再单独作为一章，而是放回产业链里观察：机器人本体、策略模型、数据闭环和端上计算是否真的形成可部署系统。
Figure Helix
关注人形机器人从视觉语言理解到高频动作控制的统一系统，以及真实任务中的泛化与恢复能力。
1X NEO
关注家庭/服务场景的产品化路径、数据采集闭环和端侧计算约束，而不只看单次演示。
NVIDIA GR00T
关注“模型 + 数据工具 + 仿真/部署生态”的平台化路线，以及 Jetson Thor 对端上推理的支撑。
Gemini Robotics
关注跨机器人形态、embodied reasoning、On-Device 与真实物理世界动作执行之间的边界。
行业竞争已经不再是“单一机器人硬件参数”的比较，而是“模型-数据-仿真-部署”的系统工程能力竞争。未来 12~24 个月，谁能把数据飞轮和失败恢复能力做扎实，谁就更有机会形成商业闭环。