具身智能走到 2026 年，行业的提问方式正在改变。前几年大家追问的是 " 机器人能不能动、能不能听懂话 "；现在追问的是 " 能不能稳定干活、能不能量产、能不能算得过账 "。问题变了，说明这个赛道正从实验室和展台，走进工厂、机场这些真正要交付结果的地方。

2026 年 9 月 25 日，《新华财经》刊发了一篇对智平方创始人郭彦东的深度专访，其中不少判断值得被更广泛地看到——它谈的不只是一款产品，而是这个行业眼下的水位线在哪里：机器人为什么够格成为 " 第四代智能终端 "，技术路线为什么会分岔，量产的难点为什么总在聚光灯之外，数据、成本与安全为什么会成为绕不过去的几道关。这些观点来自一位从 PC、手机、汽车三代智能终端一路走到机器人赛道的企业家，恰好提供了一个难得的长周期视角。

出处：新华财经《以 " 终 " 为始 长坡厚雪——访智平方创始人郭彦东》（记者印朋，2026 年 9 月 25 日）

人物：郭彦东，智平方创始人，美国普渡大学电子与计算机工程系博士，曾任职微软美国总部核心 AI 团队、小鹏汽车、OPPO 核心岗位

一、终端观：机器人是 " 第四代智能终端 "

01｜"PC、手机、汽车这三代智能终端之所以伟大，是因为它们与人交互越来越便利，且能完成多种功能。"

解读：交互更便利、功能更多样——这是一个品类能否成为 " 终端 " 的两条标准。PC 因图形界面扩大了使用人群，手机因触摸屏成为人的 " 下一个器官 "，汽车因自动驾驶与智能座舱从交通工具变成多功能空间。

02｜"2023 年，机器人终于有机会成为下一代智能终端——赋予它大模型，让它听得懂指令；同时拥有类人形态，双臂协作、自由行动。"

解读：大模型补上了 " 听得懂 "，类人形态补上了 " 干得了 "，两者同时成熟，才让 2023 年具身智能创业窗口。机器人是智能终端，而不是专用设备——专用设备卖一次、用十年；终端则随人的需求持续迭代，市场空间的量级完全不同。

二、路线观：切入点必须与终局一致

03｜" 做机器人有两条路径：一条是从下往上，先把腿做明白，再往上做手；一条是从上往下，先做脑、做双臂与手。"

解读：两条路径背后是行业最根本的路线分野。郭彦东带领智平方成为后者——不追求先在移动能力上做到极致，而是先解决 " 脑 " 和 " 手 "，让机器人尽早进入真实场景干活。

04｜" 切入点与终局应该高度一致。不能终局是机器人干活，但切入点不是干活。"

解读：这条判断决定了智平方的定位—— " 生产力型 " 通用智能机器人，能直接上岗干活、能持续贡献生产力。也提示行业，如果终局是机器人干活，那么每一步都应该朝 " 干活 " 走。

三、技术观：类脑架构，是对 " 算力与电力 " 的回答

05｜" 如果持续用传统大模型架构去训练，可能把人类的电力花光，具身智能都达不到 AGI 状态。"

解读：这是端到端路线走到深处必然撞上的一堵墙——算力与电力的物理约束。郭彦东是行业内最早提出 " 端到端、数据驱动 " 路线的人之一，但他没有停在端到端：从端到端，到快慢系统结合，再到融合世界模型，越往前推，算力与电力的需求越陡。他的结论很直接：架构不变，投入再多，具身智能也到不了 AGI。

06｜" 大模型反应速度不够快，是阻碍大模型进入工厂、进入公共服务的一大掣肘。"

解读：这句话点中了具身智能商业化的硬门槛——工业与公共服务场景对实时性要求极高。类脑架构要解决的三件事恰好对应三道关卡：训练代价（" 起码在人类已有电力范围内，我们有可能达到 AGI"）、响应速度、端侧自我学习与进化（" 无需数据回传云端 "）。

07｜" 从神经科学找答案，人吃个馒头每天就能干好多活，人脑对电和能量的消耗要少很多。OpenAI 发布最新版模型时也提出大模型的演进应该持续在神经科学中寻找灵感 "

解读：灵感来自一次跨学科回看，落点是能耗效率。2026 年初，智平方据此提出 " 类脑架构 "，用接近人脑的能耗效率，重新组织具身模型的训练与推理。这不是参数级的单点优化，而是一次路线级重构：它把 " 具身智能能否走到 AGI"，从 " 电力够不够 " 的物理天花板下面解放出来。2026 年 9 月，OpenAI 发布最新版模型时明确提出 " 大模型的演进应该持续在神经科学中寻找灵感 "，其核心技术 RSI 与智平方提出的类脑端侧迭代理念高度一致。当全球最顶尖的 AI 实验室开始公开向同一个方向走，这条路已经不只是某一家公司的选择。

四、本体观：人不一定要双足移动

08｜" 人不一定要双足移动，只要能自主移动，用什么方式移动都 OK。"

解读：一次在小区散步，他看到外卖小哥踩着一辆 " 风火轮 "、一手提一份外卖跑得比人快——这让他把 " 自主移动 " 与 " 双足 " 彻底解耦，于是有了轮式底盘加双臂的本体构型。底盘设计为可更换式（轮式 / 双足 / 履带）；先导场景以室内为主时，轮式更稳定，也能绕开双足站立给上半身精细操作带来的扰动。同时他强调双臂不可或缺：" 很多工作需要双臂协同，比如大件物体、异形物体或双手协作的操作。"

五、量产观：最难的一课在聚光灯之外

09｜" 直到目前，仍然没有企业跑通真正意义上人形机器人的大规模量产。人形机器人最难的两件事：第一是物理世界 AGI；另一个难点在聚光灯之外，就是量产。"

解读：量产被摆到了与 " 物理世界 AGI" 并列的位置——马斯克也提过同样的判断。量产难的核心原因是硬件形态还没有绝对收敛：" 以汽车为例，每次换新车改个几厘米都要打磨很长时间，形态相对稳定之后，才适合高度自动化的设备。机器人柔性程度非常高，有很多改款，现在不一定适合超高自动化。" 这也正是智平方坚持 " 硬件形态一定是可量产交付的形态、看起来 demo 很酷炫的不一定 ready" 的原因。

10｜" 我们见过机器人上台表演、在展会上阶段性做事、在相对封闭的场所工作。但真正的落地，是在真实、开放、跟人共存的环境里持续稳定地工作 "

解读：2026 年的广州白云机场——智平方机器人爱宝持续不间断运行，既提供导览问答，还能推手推车。可检验的落地标准不是能不能做事，而是能否在真实、开放、与人共处的环境里持续稳定地干活。

六、数据观：从 " 正金字塔 " 到 " 倒金字塔 "

11｜" 没有大规模量产的时候，数据靠‘正金字塔’打底：互联网数据做基石，仿真做腰部，真机数采做塔尖。机器人进入真实场景之后，随着机器人进入的场景和数量越来越多，真实场景数据的回环比重会越来越大——这就是‘倒金字塔’。"

解读：两座金字塔的差别，在于数据从哪来、以谁为主。量产之前，靠互联网数据与仿真这类 " 便宜数据 " 完成模型预训练，真机数采只占塔尖；量产之后，机器人在真实场景里产生的数据成为主体，比重越来越大，金字塔因此 " 倒 " 过来。郭彦东称这是 " 让机器人真正通往物理世界 AGI 的必经之路 " ——智平方已在一些场景跑通 " 倒金字塔 "1.0 阶段，也是全行业第一个提出这一思考的公司。

七、商业观：长坡厚雪，拒绝 " 憋大招 "

12｜" 人形机器人以后应该是手机的销量、汽车的单价，应该是汽车的十倍或者手机十倍的市场空间。赛道里的龙头企业一定是万亿级别的。"

解读：郭彦东自称这是一个 " 朴素 " 的测算。它的意义不在于数字本身是否精确，而在于回答一个更根本的问题：这个赛道的天花板在哪。如果机器人真的成为新一代智能终端，它的容量就不是某一类设备市场可以框住的——这也是 " 万亿级别 " 这个判断的由来。

13｜" 通用智能机器人是典型的‘长坡厚雪’赛道，不太适合憋大招——不做商业化，只是闭门研发，试图某一天推门出来横扫天下。"

解读：说这话的人，背景恰好相反——智平方成立三年半，估值突破 200 亿元，一年完成 12 轮融资，股东名单从地方到国家、从互联网到高端制造全覆盖。融资速度名列前茅的同时，他更愿意强调另一面：" 这个赛道对企业的持续经营和持续运营能力要求非常高，既有数据闭环的要求，也有商业价值持续体现的要求。" 这也是他对行业里 " 先烧钱研发、再一次性亮剑 " 这种打法的直接提醒。

14｜" 只有通用智能机器人在多个场景干活，才能帮机器人和大模型真正进入物理世界 AGI 的状态；同时持续在商业化上有回款和变现。数据和商业的双闭环，是智平方为资本市场做的答卷。"

解读：" 数据闭环 " 指机器人真正在多个场景干活、并持续回流真实场景数据；" 商业闭环 " 指同步有回款和变现。在郭彦东看来，这两件事不是先后关系，而要同时跑通——它既是智平方给资本市场的答卷，也是 "200 亿估值能否被时间验证 " 这个问题的答案所在。

15｜" 穿越周期的做法是：行业火热时非常清醒冷静、不乱花钱、持续稳定经营；行业寒冬或低谷时，有足够的粮食、充足的资本，还是敢于投入。"

解读：对于产业是否过热，郭彦东的判断是赛道容量足够大，但创业者需要保持清醒。放在行业普遍关注估值与融资节奏的当下，这句话更像是对同行的提醒：能不能穿越周期，取决于 " 热的时候不失控、冷的时候不熄火 " 这两种能力是否同时具备。

八、安全观：把安全做进硬件底层

16｜" 人工智能发展到今天，安全已经变成不能再逃避的问题，智平方把安全直接做到了硬件底层。"

解读：采访现场，郭彦东身后站着最新一代的智平方机器人。智平方在新一代产品 AlphaBot O1 的硬件和传感器上做了大量升级，让它摸起来、碰起来都很柔和，不会碰伤人类。看起来柔软，实则是 " 钢铁之躯 "。在他看来，安全已经不是一个可以留到后面再解决的问题，于是被直接做进了硬件底层。